一种基于迁移学习的辐射源工作模式识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114970763A(43)申请公布日2022.08.30(21)申请号202210717130.1(22)申请日2022.06.23(71)申请人西南交通大学地址610031四川省成都市二环路北一段(72)发明人余志斌杨玲彭宇果雷涛张译方韦柳幸(74)专利代理机构北京正华智诚专利代理事务所(普通合伙)11870专利代理师周芸婵(51)Int.Cl.G06K9/62(2022.01)G06N20/00(2019.01)权利要求书4页说明书10页附图6页(54)发明名称一种基于迁移学习的辐射源工作模式识别方法(57)摘要本发明公开了供一种基于迁移学习的辐射源工作模式识别方法，其包括以下步骤：获取小样本辐射源数据，并从现有的各辐射源工作模式数据中挑选辅助数据；将小样本辐射源数据和挑选得到的辅助数据构成迁移学习的源域；将待识别辐射源数据作为迁移学习的目标域；对源域和目标域的样本进行流形特征学习；获取流形特征学习后的源域和流形特征学习后的目标域的总体分布差异，得到训练数据；基于训练数据优化分类器，并获取目标域的辐射源工作模式。本方法解决了小样本难以识别辐射源工作模式的问题。CN114970763ACN114970763A权利要求书1/4页1.一种基于迁移学习的辐射源工作模式识别方法，其特征在于，包括以下步骤：S1、获取小样本辐射源数据，并从现有的各辐射源工作模式数据中挑选辅助数据；S2、将小样本辐射源数据和挑选得到的辅助数据构成迁移学习的源域；将待识别辐射源数据作为迁移学习的目标域；S3、对源域和目标域的样本进行流形特征学习，得到流形特征学习后的源域和流形特征学习后的目标域；S4、获取流形特征学习后的源域和流形特征学习后的目标域的总体分布差异；S5、基于总体分布差异优化分类器，并获取目标域的辐射源工作模式。2.根据权利要求1所述的基于迁移学习的辐射源工作模式识别方法，其特征在于，步骤S1中从现有的各辐射源工作模式数据中挑选辅助数据的具体方法包括以下子步骤：S1‑1、根据公式：计算小样本辐射源数据中样本x和现有的各辐射源工作模式数据中样本y的加权欧氏距离dist(x,y)，进而得到现有的各辐射源工作模式数据中单个样本与小样本辐射源数据中所有样本的加权欧氏距离；其中n表示样本的特征维度数；xi和yi分别为样本x和样本y的第i维特征；wi为第i维特征的权重；W为第i维特征的权重总和；e为自然常数；σ为常数；S1‑2、判断现有的各辐射源工作模式数据中单个样本与小样本辐射源数据中所有样本的加权欧氏距离是否均大于距离阈值，若是则舍弃现有的各辐射源工作模式数据中的该样本；否则保留现有的各辐射源工作模式数据中的该样本；进入步骤S1‑3；S1‑3、采用余弦相似度度量方法获取现有的各辐射源工作模式数据中保留的样本与小样本辐射源数据中所有样本的余弦相似度；S1‑4、判断现有的各辐射源工作模式数据中保留的样本与小样本辐射源数据中所有样本的余弦相似度是否均大于相似度阈值，若是则舍弃现有的各辐射源工作模式数据中的该样本；否则保留现有的各辐射源工作模式数据中的该样本；完成辅助数据挑选。3.根据权利要求1所述的基于迁移学习的辐射源工作模式识别方法，其特征在于，步骤S3中对源域和目标域的样本进行流形特征学习的具体方法包括以下子步骤：S3‑1、将源域和目标域中的样本分别映射至格拉斯曼流形空间的两个极点；S3‑2、根据公式：获取源域中任意两个样本xk和xj从源域所在极点φ(0)转化至目标域所在极点φ(1)的T内积<Zk,Zj>；其中φ(t)∈G(d)，G(d)表示流形空间G中的一个d维子空间，t∈[0,1]；(.)表示矩阵的转置；S3‑3、根据公式：2CN114970763A权利要求书2/4页基于核技巧，通过将源域中任意两个样本xk和xj的内积<Zk,Zj>转换至原始空间的方式获取核函数S3‑4、将核函数分别与源域和目标域中的样本相乘，分别得到进行流形特征学习后的源域样本和进行流形特征学习后的目标域样本。4.根据权利要求3所述的基于迁移学习的辐射源工作模式识别方法，其特征在于，步骤S3‑1的具体方法包括以下子步骤：S3‑1‑1、将源域S和目标域T合并得到合并域S+T；S3‑1‑2、将源域S、目标域T和合并域S+T进行PCA降维，分别得到降维后的源域PS、降维后的目标域PT和降维后的合并域PS+T；其中降维后的子空间维度为d；S3‑1‑3、选择夹角的正弦值作为距离，计算PS和PS+T空间的夹角αd，计算PTPS+T空间的夹角βd；S3‑1‑4、根据公式：D(d)＝0.5(sinαd+sinβd)获取夹角αd和夹角βd的总度量D(d)；S3‑1‑5、选择使总度量D(d)最小的d值，将该d值对应的PS和PT分别作为