【技术实现步骤摘要】
on Computer Vision and Pattern Recognition.2022.[3]Ahn H,Kwak J,Lim S,et al.SS
‑
IL:Separated Softmax for Incremental Learning[C].proceedings of the 2021IEEE International Conference on ComputerVision(ICCV).2021)
的能力,即在对新类别样本进行学习后,依然能够保持对旧类别的识别能力,在这个过程中仅需要保存极少量的旧类别样本,并且模型的增量训练时间相较于一般学习模型要大幅减少
。
为了保证知识图谱中的知识保持最新,需要针对新获取的外源情报信息不断更新知识图谱
。
技术实现思路
[0006]为了克服现有技术存在的不足,本专利技术提出了一种基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法
。
具体分为两部分:基于深度神经网络和知识图谱的协同推理方法与知识动态更新方法
。
对于接收器获取到的电磁辐射源信号以及对应的情报信息
(
信号参数
、
地理位置
)
等信息,首先使用开集识别技术进行已知类
/
未知类判定,对于判定为已知类的信号数据,使用本专利技术中的协同推理方法对该信号类别进行预测:一是使用识别多模态特征提取网络提取信号的内隐特征,二是根据情报信息在知识图谱中进行查询,获取辅助推理信息并编 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,所述方法包括:步骤
(1)
:使用电磁辐射源信号采集设备获取目标个体的初始电磁辐射源信号及对应的情报信息,对获得的所述电磁辐射源信号数据进行过滤和清洗;步骤
(2)
:对步骤
(1)
中过滤后的脉冲信号进行包络分析,得到对应的包络数据;步骤
(3)
:对步骤
(1)
中过滤后的脉冲信号进行双谱分析,得到对应的双谱数据;步骤
(4)
:对于来自同一目标个体的信号,将其经过过滤与清洗后的原始信号数据以及对应的包络数据
、
双谱数据赋予相同标签,获得多模态电磁辐射源信号数据集,供后续训练使用,同时将情报信息与该目标个体进行关联;每个目标个体称为一个类别;步骤
(5)
:利用开集识别的方法,对所有所述目标个体进行类型判定;步骤
(6)
:对于判定为已知类的数据,使用协同推理方法完成该电磁辐射源信号的个体识别任务;步骤
(7)
:对于判定为未知类的数据,使用知识动态更新方法对电磁辐射源识别网络和知识图谱进行更新,当该未知类个体的信号被再次截获时,使用协同推理方法完成该信号的个体识别任务
。2.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(1)
中,所述初始电磁辐射源信号呈周期性,表现为重复过程:“电压幅值在短持续时间内突然增大,随后又迅速返回其初始值”;其中,每完成一个周期形成的信号称为一个脉冲;所述情报信息包括信号参数
、
地理位置
。3.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(1)
中,所述数据的过滤和清洗操作包括将初始电磁辐射源信号按单脉冲周期裁剪,并筛选过滤信噪比低于预设阈值的脉冲信号;所述预设阈值根据信号在采集过程当中的干扰大小决定,两者呈负相关,即干扰越大,阈值设定越低,干扰越小,阈值设定越高
。4.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(2)
中,所述包络分析的具体方法为:将脉冲信号
x(t)
与
1/
π
t
进行卷积得相移为
‑
π
/2
的信号
H[x(t)]
,其中
H[x(t)]
是
x(t)
的希尔伯特变换,解析信号计算方法为:
S(t)
=
x(t)+j
·
H[x(t)]
,其中,
j
为虚数单位;包络
E[x(t)]
为解析信号的模,其计算方法为:
5.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(3)
中,所述双谱分析的具体方法为:对于步骤
(1)
中经过滤和清洗后的信号数据
{x(n)
,
x(n+
τ1)
,
…
x(n+
τ
k
‑1)}
,如果其高阶累积量
c
kx
(
τ1,
τ2,
…
,
τ
k
‑1)
满足则
K
阶谱定义为
K
阶累积量的
(k
‑
1)
维离散傅里叶变换,计算公式为:
其中,
j
为虚数单位;
ω
i
满足条件:
ω
i
≤
π
,
i
=1,2,
…
,
k
‑1且
ω1+
ω2+
…
+
ω
k
‑1≤
π
;双谱即三阶谱,即三阶累积量的二维离散傅里叶变换,计算公式为:
6.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(4)
中,所述赋予标签的过程是指对不同目标个体处理后的信号利用标签加以区分,用于深度神经网络的训练;所述将情报信息与目标个体进行关联是指将情报与其对应的原始辐射源个体一一对应
。7.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(5)
中,所述类型包括已知类或未知类,所述利用开集识别方法进行已知类或未知类判定的步骤为:使用开集识别技术对每一个信号进行识别,判定该信号是否属于已经出现过的类别,若是,则当前识别网络能够对该信号进行有效分类,且电磁辐射源知识图谱中存在所述类别对应的包括节点及属性信息的知识,使用协同推理方法进行识别;若不是,则需要先对识别网络和电磁辐射源知识图谱进行知识更新,以便于对新类别产生识别能力;其中,知识动态更新是协同推理的基础,协同推理是实现个体识别的技术核心
。8.
根据权利要求1所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,步骤
(6)
中,所述协同推理方法用于完成个体精准识别,所述方法包括以下部分:多模态识别网络搭建;知识图谱属性编码器与结构编码器的训练;情报信息相关性查询与辅助推理信息生成;基于特征层融合策略与决策层融合策略的识别结果生成与整合
。9.
根据权利要求8所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,所述多模态识别网络搭建过程为初次使用协同推理方法前的初始化任务,搭建完成后不再执行此步骤,具体过程如下:对于判定为已知类的数据,将其输入到多模态识别网络中,提取数据的多模态内隐特征;其中,多模态识别网络包括一个单模态的图像编码器
、
一个单模态的文本编码器和一个多模态编码器用来对齐和融合图像表征与文本表征;所有编码器结构都基于
Transformer。10.
根据权利要求8所述的基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法,其特征在于,所述知识图谱属性编码器与结构编码器的训练为初次使用协同推理方法前的初始化任务,训练完成后不再执行此步骤,具体过程如下:属性编码器的训练过程为:属性编码器
H
a
使用节点
v
i
的属性
One
‑
hot
向量
x
i
作为输入,输出节点
v
i
的属性向量其中,
H
a
是一个带有非线性映射的多层感知机模型,其表达式为:其中,和为可学习参数,
σ
为非线性激活函数;
属性编码器训练时,给定从辐射源图谱中采样得到的包含
K
对正负节点对的数据集合对正负节点对的数据集合为所述的正负节点对;为了使具有相同属性的节点在属性向量空间中相互接近
、
不同属性的节点对相互远离,定义损失函数为:其中,如果节点与有相同的对应于电磁辐射源的情报信息,则
y
i
=1,否则
y
i
=0;
s(
·
)
为向量余弦距离,表示属性向量;
α
(
·
,
·
)
技术研发人员:曹桂涛,席熙东,吴纯伟,王宏,蔡伟,任赫,刘则林,杨国彬,
申请(专利权)人:华东师范大学,
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。