欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023110012875
申请人: 南昌航空大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:所述方法包括以下步骤,S1、对源域和目标域数据进行均值漂移聚类得到聚类中心;

S2、构建源域和目标域的多元灰色关联模型用以评价源域和目标域的域差异指标MGRDD;

S3、基于多元灰色关联域差异指标MGRDD的大小对源域和目标域的迁移方法进行选择;

当MGRDD≥α时使用基于聚类假设和多元灰色关联模型的雷达工作模式迁移识别算法;

当MGRDD<α时使用基于聚类假设和多元灰色关联模型的雷达工作模式自适应多域迁移识别算法;

其中,α为设定的临界值。

2.根据权利要求1所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:所述S1中均值漂移聚类是基于滑动窗口的算法,把雷达信号序列分为n个单元,使用滑动窗口法找到数据点的密集区域;设通过均值漂移聚类得到的源域聚类中心为Si,i=1,2,…,M,目标域聚类中心为Tj,j=1,2,…,N;源域聚类中心矩阵S表示为下式(1)所示:目标域聚类中心矩阵T表示为下式(2)所示:

。

3.根据权利要求1所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:所述S2中的多元灰色关联模型的域差异度量方法为MGRDD,MGRDD方法为衡量源域与目标域关联程度的方法,其公式如下式(3)所示:式(3)中DS,DT分别表示源域和目标域,其中M表示源域聚类中心个数,N表示目标域聚类中心个数,f(Si,Tj)表示源域和目标域聚类中心的灰色关联程度,其表达式如下式(4)所示;

式(4)中n表示雷达序列划分单元数, 表示源域与目标域的相似性的物理特征位移差,其公式如下式(5)所示:式(4)中 表示源域与目标域的相似性的物理特征速度差,其公式如下式(6)所示:

式(4)中 表示源域与目标域的相似性的物理特征加速度差,其公式如下式(7)所示:。

4.根据权利要求3所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:所述S3的基于多元灰色关联域差异指标MGRDD的大小对源域和目标域的迁移方法进行选择,其方法如下,当源域与目标域关联度较大时 数值会比较小,f(Si,Tj)数值比较大,那

么当MGRDD(DS,DT)≥α认为源域与目标域关联性较大,此时源域的雷达工作模式分类知识可以直接迁移至目标域上;

当源域与目标域关联度较小时 数值会比较大,f(Si,Tj)数值比较小,那

么当MGRDD(DS,DT)<α认为源域与目标域关联性较小,此时源域的雷达工作模式分类知识不可以直接迁移至目标域上。

5.根据权利要求4所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:MGRDD(DS,DT)≥α时,所述源域雷达工作模式分类知识的迁移法为,基于聚类假设和多元灰色关联模型的雷达工作模式模型迁移识别算法,利用已经训练好的源域雷达工作模式识别的模型结构以及部分参数直接迁移到目标域雷达工作模式模型上,再用目标域雷达数据集的少量训练数据进行微调;具体为更换掉源域输出层Softmax层,接上一个新的参数随机初始化的Softmax层,接下来在这个新的模型上用比较小的数据集进行训练。

6.根据权利要求4所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:MGRDD(DS,DT)<α时,所述源域雷达工作模式分类知识的迁移法为:基于聚类假设和多元灰色关联模型的雷达工作模式自适应多域迁移识别算法,神经网络提取特征可分为一般性特征和特殊性特征,一般性特征与任务的关联性小,可直接用于其他任务;特殊性特征具有较强的任务关联性,仅适用于特定任务,在网络中靠前层特征表现出更强的一般性,而靠后层特征则具有更强的特殊性。

7.根据权利要求6所述的一种聚类假设和多元灰色关联模型的雷达工作模式识别方法,其特征在于:为了避免由源域雷达工作模式识别模型直接迁移目标域雷达所产生的负迁移问题,针对目标域TD,选取3个(或者更多)源域A,B及C雷达工作模式识别,分别表示为SA,SB及SC,按照它们数据集与目标任务数据集之间的 由大到小排列;

利用SA训练数据并构建识别网络N(SA),网络总共有M层,先确定由SA迁移至SB过程中N(SA)各层的一般性与特殊性;将N(SA)的前l层固定,对第l+1~M层的参数进行初始化,并利用任务SB训练数据对参数进行更新;若此新网络在任务SB测试集上的模式识别率优于直接利用任务SB训练数据所构建网络N(SB)的识别率,则说明在将SA迁移至SB过程中N(SA)的第l层具有一般性,否则说明其具有特殊性;循环使用以上方法,能够确认从一项任务迁移至另一项任务过程中,应该冻结哪些层,应该微调哪些层的参数,并将迁移后的网络记为N(SA*SB);依次传递使用,最终构建一个适用于目标任务TD的网络N(SA*SBSC*TD)。