申请/专利权人:西南交通大学
申请日:2023-12-12
公开(公告)日:2024-04-12
公开(公告)号:CN117874487A
主分类号:G06F18/213
分类号:G06F18/213;G06F18/214;G06F18/24;G06N3/0475;G06N3/094;G06N3/098
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明涉及辐射源识别技术领域,涉及一种未知辐射源识别方法、装置、设备及可读存储介质,所述方法包括获取辐射源信息和预设的对抗神经网络模型;将辐射源信息进行特征提取,得到特征向量;根据特征向量划分训练集和测试集,并根据训练集确定锚样本、正样本和负样本;根据锚样本、正样本和负样本对预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;根据第一损失函数、测试集和训练集对预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;将每个客户端训练后的对抗神经网络模型进行联邦学习,得到全局模型,本发明对神经网络的损失函数进行优化,提高了训练集中样本特征的聚集性,使神经网络的识别精度更高。
主权项:1.一种未知辐射源识别方法,其特征在于,包括:获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;将所述辐射源信息进行特征提取,得到特征向量;根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
全文数据:
权利要求:
百度查询: 西南交通大学 一种未知辐射源识别方法、装置、设备及可读存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。