System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信号处理领域,进一步涉及辐射源个体识别技术,具体为一种知识与数据联合驱动的智能辐射源个体识别方法。可用于在少标注条件下提升智能模型的识别精度、鲁棒性与可解释性。
技术介绍
1、辐射源个体指纹特征是指因个体之间的器件差异、传输环境的影响以及发射机设备的组成部分等因素所引起的独有特性,可用于区分不同的辐射源个体。传统的辐射源个体识别方法需要对接收信号进行预处理,通过专家经验提取指纹特征进行识别,存在步骤繁琐、鲁棒性差、复杂度高等缺点。近年来基于深度学习的辐射源个体识别方法可以从数据中自动学习辐射源信号的层次化特征,以端到端的方式实现辐射源个体的准确识别。然而,这类数据驱动的个体识别方法严重依赖大规模、高质量标记样本,且存在模型可解释性弱、鲁棒性差等不足。
2、中国电子科技集团公司第十研究所在其申请的专利(申请号cn202310799101.9,申请公布号cn 116911377 a)中,公开了一种基于迁移学习的辐射源个体识别方法、设备及介质。通过短时傅里叶变换获取雷达辐射源个体时频图谱,构建雷达个体识别模型,引入中心损失函数进行特征提取,构建基于领域共享特征知识的雷达知识迁移学习模型;并利用构建的模型完成辐射源个体识别。该方法仅针对小样本辐射源个体数据和大量已知辐射源个体数据具有较强的语义关联,即小样本目标域辐射源数据与已知辐射源数据之间具有一定的相似性条件下,然而对于存在较大数据差异或者样本分布变化较为显著的情况,该方法可能难以适应,从而影响其在异构数据集上的推广能力。
3、南京桂瑞得信息科技
技术实现思路
1、本专利技术的目的在于针对上述现有技术存在的不足,提出了一种知识与数据联合驱动的智能辐射源个体识别方法,将知识图谱与数据这两种驱动方式相结合,解决纯数据驱动的辐射源个体识别方法严重依赖大规模、高质量标记样本,导致智能模型在少标注条件下的识别效果不佳的问题,本专利技术融合利用知识图谱丰富的语义信息与辐射源信号的深度特征,能够有效降低标注成本,提升智能模型的可解释性及鲁棒性。
2、实现本专利技术方案的思路是:首先,根据已有辐射源个体情报信息构建知识图谱,包括实体、关系和属性信息,并利用trans-x算法求出知识图谱中各辐射源个体的语义特征表示;然后,利用训练好的神经网络提取辐射源个体的深度特征;最后,将深度特征与语义特征融合,从而实现知识-数据联合驱动的智能辐射源个体识别。
3、本专利技术实现上述目的具体步骤如下:
4、(1)构建辐射源个体知识图谱:
5、(1a)获取辐射源个体的情报信息,包括结构化数据、半结构化数据和非结构化数据;
6、(1b)对于结构化数据,即“<头实体,关系,尾实体>”形式的三元组,将其直接读入图数据库工具中进行第一知识图谱的构建;
7、(1c)对于半结构化数据,即具有固定格式的文本,通过人工分割形成结构化的三元组,再将其通过图数据库工具读入第一知识图谱中,得到第二知识图谱;
8、(1d)对于非结构化数据,应用双向长短期记忆模型bi-lstm与卷积神经网络结合,基于手工标注语料库实现对于非结构化数据的建模与自主学习,捕获数据中的全局信息与局部信息,实现非结构化数据的自动知识抽取,再通过图数据库工具将其读入第二知识图谱中,得到初始知识图谱;
9、(1e)对初始知识图谱进行实体对齐,得到辐射源个体知识图谱;
10、(2)采用trans-x算法获取各辐射源个体的语义特征向量:
11、对辐射源个体知识图谱采用trans-x算法处理,得到知识图谱中所有辐射源个体的语义特征向量;
12、(3)采集辐射源个体信号,利用深度学习网络获取辐射源个体信号的深度特征向量;
13、(4)将语义特征向量与深度特征向量进行融合,得到融合后的特征;
14、(5)构建用于实现特征分类的分类器并训练,利用训练好的分类器对融合后的特征进行识别分类,得到辐射源个体的联合驱动识别结果。
15、与现有技术相比,本专利技术具有以下优点:
16、第一、本专利技术在构建知识图谱时,引入了辐射源领域的外部知识,将外部领域知识融合到知识图谱中,不仅可以丰富知识图谱的内容,使其不仅仅依赖于信号波形特征,还能包含更广泛的外部领域知识,从而克服了纯数据驱动方法数据获取成本高、鲁棒性不高的问题;且知识图谱的构建利用了结构化、半结构化和非结构化数据的多样性,使得对辐射源个体的信息建模更加全面。
17、第二、本专利技术中trans-x算法的应用,能够有效地将知识图谱中的实体嵌入到连续的向量空间中,为深度学习模型提供了输入基础;通过定义损失函数和迭代优化,捕获辐射源个体在知识图谱中的关联性和语义信息,从而增强了模型的语义表达能力。
18、第三、由于本专利技术将深度学习模型与知识图谱相结合,通过融合语义特征与深度特征,充分发挥了两者的优势;这种特征融合策略提高了最终特征向量的表征能力,使得辐射源个体识别具有更强的可解释性和鲁棒性。
19、第四、本专利技术在特征融合阶段引入了注意力机制,提升了辐射源个体识别方法的灵活性和表达能力;通过注意力机制,系统可以动态地调整不同特征的权重,使得在融合过程中更加关注重要的信息;这种动态权重调整使得模型更加适应不同辐射源个体的特征差异,提高了模型的自适应性。
本文档来自技高网...【技术保护点】
1.一种知识与数据联合驱动的智能辐射源个体识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于:步骤(1b)中所述图数据库工具至少包括Neo4j、ArangoDB,用于知识图谱的构建与查询;所述三元组的实体至少包括雷达个体名称、国家、搭载平台与生产商。
3.根据权利要求1所述的方法,其特征在于:步骤(2)中所述Trans-X算法至少包括Trans E和Trans H,用于计算辐射源个体的语义特征向量。
4.根据权利要求3所述的方法,其特征在于:步骤(2)中所述对辐射源个体知识图谱采用Trans-X算法处理,具体是:通过定义损失函数衡量知识图谱中实体的语义相似性,采用迭代优化的方式不断更新实体的嵌入向量,使得损失函数逐渐减小,得到最优的语义特征表示,实现对辐射源个体在辐射源个体知识图谱中的关联性和语义信息的捕获。
5.根据权利要求1所述的方法,其特征在于:所述步骤(3)中采集辐射源个体信号,利用深度学习网络获取辐射源个体信号的深度特征向量,实现步骤如下:
6.根据权利要求5所述的方法,其特征在于:
7.根据权利要求5所述的方法,其特征在于:步骤(3b)中所述基于深度学习的分类模型,是利用卷积神经网络CNN、长短期记忆网络LSTM或残差神经网络Resnet构建得到。
8.根据权利要求1所述的方法,其特征在于:述步骤(4)中所述融合,采用的特征融合方法至少包括特征相加、特征相乘以及引入注意力机制,所述的语义特征与深度特征大小无需保持一致。
9.根据权利要求1所述的方法,其特征在于:述步骤(5)中所述构建用于实现特征分类的分类器并训练,利用训练好的分类器对融合后的特征进行识别分类,实现步骤如下:
...【技术特征摘要】
1.一种知识与数据联合驱动的智能辐射源个体识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于:步骤(1b)中所述图数据库工具至少包括neo4j、arangodb,用于知识图谱的构建与查询;所述三元组的实体至少包括雷达个体名称、国家、搭载平台与生产商。
3.根据权利要求1所述的方法,其特征在于:步骤(2)中所述trans-x算法至少包括trans e和trans h,用于计算辐射源个体的语义特征向量。
4.根据权利要求3所述的方法,其特征在于:步骤(2)中所述对辐射源个体知识图谱采用trans-x算法处理,具体是:通过定义损失函数衡量知识图谱中实体的语义相似性,采用迭代优化的方式不断更新实体的嵌入向量,使得损失函数逐渐减小,得到最优的语义特征表示,实现对辐射源个体在辐射源个体知识图谱中的关联性和语义信息的捕获。
5.根据权利要求1所述的方法,...
【专利技术属性】
技术研发人员:杨淑媛,詹梦瑶,冯志玺,马悦,任淑榕,齐卓越,王翰林,杨晨,翟蕾,肖程洪,武强,
申请(专利权)人:西安电子科技大学,
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。