【技术实现步骤摘要】
一种利用知识向量嵌入的电磁目标分类方法
[0001]本专利技术涉及通信领域和人工智能领域，具体涉及到一种利用知识向量嵌入的电磁目标分类方法。
技术介绍
[0002]在知识图谱中，图结构的知识主要包括节点知识和关系知识。节点可以表示某个已知的类别，关系为每个类别之间的联系程度，可直观反映出节点与节点关系的密切程度，将图结构嵌入为向量形式后，其每一节点的向量表征能够反映节点之间的关系知识。近年来，由于图神经网络的发展，其可以有效利用图结构中节点的属性与相互关系，并依赖其相互关系进行建模，将节点嵌入为向量，为后续计算机的处理提供可计算的数据格式。目前，使用图神经网络进行样本嵌入，再对电磁目标进行分类时，主要存在以下两个方面的问题：一是图神经网络架构主要用于节点的分类上，对于多样本嵌入的电磁目标分类任务的执行效率较低；二是图神经网络需要每个节点与其余节点的先验关系知识，在实际情况中，关系信息很难反映在样本层面。卷积神经网络可以将不同的输入根据标签进行分类，传统的卷积神经网络在用于图结构分类时，存在以下缺点：(1)传统方法中的标签不能...
【技术保护点】
【技术特征摘要】
1.一种利用知识向量嵌入的电磁目标分类方法，其特征在于，利用已知的电磁目标信息的数据，建立电磁目标的图结构，该图结构包括图节点和关系，图节点用于表示已知的电磁目标类别，关系用于表示每个电磁目标类别之间的关联程度；该方法的具体步骤包括：S1,基于图神经网络，对每个电磁目标类别对应的图节点进行嵌入向量表示；对电磁目标类别对应图节点的基本描述过程包括：将电磁目标的类别与类别间的关系用邻接矩阵D来表示，邻接矩阵D的第i行、第j列的元素d
ij
表示第i个电磁目标类别和第j个电磁目标类别之间的关系，所有电磁目标类别的特征用矩阵F表示，矩阵F的第i行表示第i个电磁目标类别的特征，将D和F输入到图神经网络中，对该图神经网络进行训练，以得到所有电磁目标类别对应图节点的嵌入向量表示；S2,对电磁目标信号进行预处理；采集电磁目标信号，按采集时间对电磁目标信号进行保存，对电磁目标数据进行短时傅里叶变换获取其时频数据，再对其进行预处理，将该时频数据变换为卷积神经网络可处理的数据格式，作为用来训练卷积神经网络的样本；S3,构建卷积神经网络，基于图神经网络得到的电磁目标类别对应的图节点的嵌入向量表示的结果，训练卷积神经网络，最后得到后续对采集的电磁目标信号进行分类识别的参考向量；利用卷积神经网络，实现电磁目标类别的信号特征的嵌入表示到电磁目标类别对应图节点的嵌入向量的映射；S4,利用步骤S3中得到的参考向量，对采集的电磁目标信号进行分类识别。2.如权利要求1所述的利用知识向量嵌入的电磁目标分类方法，其特征在于，所述的步骤S1，其具体包括：在图神经中，ReLU(
·
)为线性整流函数；‖
·
‖表示l2范数；softmax(
·
)表示逻辑回归函数；E为单位矩阵，N表示单位矩阵E的维度，也是该图神经网络的层数；W
i
为图神经网络的第i个隐藏层的权重,W0∈R
M
×
N
,W1∈R
N
×
H
,M为图节点的特征向量的维度，H为该图神经网络输出的嵌入向量的维度，k为对该图神经网络进行训练时的迭代次数；出的嵌入向量的维度，k为对该图神经网络进行训练时的迭代次数；其中，表示归一化拉普拉斯矩阵，表示度矩阵，表示矩阵的第i行、第i列的元素，表示矩阵的第i行、第j列的元素，表示无向图邻接矩阵；L
i
为第i个电磁目标类别的标签；Q为电磁目标类别对应图节点的嵌入向量表示；所述的对图神经网络进行训练，得到所有电磁目标类别对应图节点的嵌入向量表示，其具体步骤包括：S11,初始化图神经网络的权重矩阵W
i
,i＝0，1，...,N，N表示图神经网络的层数；S12,计算该图神经网络的输出Y，其计算公式为：其中，f()表示该图神经网络的计算函数；S13,在此输出条件下，计算该图神经网络的损失函数Loss：其中，L
l
表示第l个电磁目标类别的标签，f表示矩阵F中的某一行，即某个电磁目标类别
的特征向量，Y
f
表示特征向量f输入到该图神经网络后得到的输出...
【专利技术属性】
技术研发人员：杨健，周航，刘杰，鲍雁飞，房珊瑶，
申请(专利权)人：中国人民解放军三二八零二部队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。