基于零次学习的未知信号识别方法技术

本发明专利技术公开了一种零训练样本下未知信号识别方法：数据采集及处理；构建深度卷积自编码器DCAEIM；采用加入恒等映射的深度卷积自编码器的基础上，引入类内

【技术实现步骤摘要】
基于零次学习的未知信号识别方法


[0001]本专利技术属于雷达调制信号识别领域，具体涉及一种零训练样本下未知信号识别方法。

技术介绍

[0002]雷达所代表的有源探测装备是获得目标信息的重要途径，电子侦察若要实现对目标雷达的针对性分析与决策，就必须对截获到的目标雷达信号实现精确识别。随着深度学习理论的快速发展，在各领域表现出了优异的性能。深度学习应用于信号识别领域时，若训练数据不充足，会导致识别率急剧降低。同时，随着数据量的迅猛增长，有限的类别标签样本训练出的分类模型亦无法识别新的类别。使用有标签的数据训练出的网络去识别无标签的未知数据是识别领域不可忽略的问题。在稀缺样本条件和零样本下如何实现基于深度学习的雷达信号精准识别是现代电子中亟待解决的实质性技术问题。因此，在图像处理领域有着广泛的应用的零次学习(Zero
‑
Shot Learning，ZSL)，对信号识别也非常重要。
[0003]通过对现有技术文献的检索发现，Li Zhang等在《Internaltional Conference onComputer Vis本文档来自技高网...

【技术保护点】

【技术特征摘要】
≥θ1时，判定对应的测试样本属于未知信号类别；3.3当测试样本被判定为已知信号时，其预测标签为即与测试样本的语义属性特征距离最近的语义属性中心所对应的信号类别,由此可识别出测试样本是已知信号中的具体类别；当测试样本被判定为未知信号类别时，首先计算每种未知类别信号的语义属性中心其中，u代表未知信号对应的类别，R代表输入测试样本中所有未知类别信号的数量，δ(
·
)是一个冲击函数，当括号中的条件成立时，其值为1，括号里的条件不成立时，其值为0；在不同未知信号类别对应的d(F(τ),S
u
)中找到最小的...

【专利技术属性】
技术研发人员：肖易寒，刘序斌，郭立民，陈涛，蒋伊琳，宋柯，于祥祯，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：