亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進的一致性正則半監(jiān)督輻射源個體識別方法

        2022-03-22 03:34:56呂昊遠(yuǎn)
        計算機工程與設(shè)計 2022年3期
        關(guān)鍵詞:輻射源正則一致性

        呂昊遠(yuǎn),俞 璐

        (陸軍工程大學(xué) 通信工程學(xué)院,江蘇 南京 210007)

        0 引 言

        由于輻射源設(shè)備內(nèi)部硬件制造工藝差異而產(chǎn)生的輻射源細(xì)微特征,對于檢測并識別具有個體特性的輻射源有著重要作用。輻射源個體識別通過檢測手段獲得輻射源細(xì)微特征,提取出反映目標(biāo)身份的信息,確定特定輻射源個體,針對性地對目標(biāo)個體進行有效監(jiān)控[1]。近年來通信輻射源個體識別已成為情報偵查、通信干擾、電子對抗等領(lǐng)域的研究熱點,是現(xiàn)代電磁空間環(huán)境中控制信息權(quán)的關(guān)鍵環(huán)節(jié),在通信網(wǎng)絡(luò)結(jié)構(gòu)分析和電子設(shè)備管制等方面發(fā)揮著巨大作用[2]。

        與傳統(tǒng)的識別方法相比,快速發(fā)展的深度學(xué)習(xí)為輻射源個體識別提供了新的思路,如圖1所示,無需專家先驗知識的深度網(wǎng)絡(luò)通過強大的表征能力,直接從獲取的信號樣本中提取個體細(xì)微特征并進行分類識別[3],可以節(jié)省大量的科研成本,具有很高的學(xué)術(shù)研究價值和廣闊的實際應(yīng)用前景。

        圖1 深度學(xué)習(xí)的個體識別過程

        但有監(jiān)督學(xué)習(xí)的深度模型需要充足的有標(biāo)簽樣本,在非合作通信條件下,獲取到的具有標(biāo)簽信息的輻射源信號樣本數(shù)目非常有限,但實際環(huán)境中又存在大量的無標(biāo)簽信號樣本,針對這種狀況,近期的研究已經(jīng)取得了一定的成就,文獻[4]提出的基于偽標(biāo)簽的輻射源個體識別方法,有效地提升了深度網(wǎng)絡(luò)的識別準(zhǔn)確率。文獻[5]設(shè)計出適合于輻射源信號樣本的自編碼器,通過自編碼器的降維提取信號樣本特征,再經(jīng)過有監(jiān)督的網(wǎng)絡(luò)微調(diào)訓(xùn)練,實驗驗證了方法的可行性。文獻[6]將自編碼器改進成為矩形網(wǎng)絡(luò),提取到更加精準(zhǔn)的個體特征。文獻[7]在樣本集的構(gòu)建上提出創(chuàng)新,將信號數(shù)據(jù)轉(zhuǎn)化為圖片,以簡單的特征轉(zhuǎn)換方法增強了實用性。但這些方法仍然存在一定的波動偶然性,如何根據(jù)少量的有標(biāo)簽信號樣本和大量的無標(biāo)簽信號樣本精準(zhǔn)迅速地提取輻射源個體特征,研究出更加高效的端到端半監(jiān)督個體識別方法還有待研究。

        本文提出改進的一致性正則半監(jiān)督輻射源個體識別方法,在3種一致性正則方法的基礎(chǔ)上,加入偽標(biāo)簽正則項改進算法過程。并根據(jù)實際輻射源設(shè)備采集的信號數(shù)據(jù)設(shè)計Inception深度網(wǎng)絡(luò)驗證算法性能,并與全監(jiān)督方法、偽標(biāo)簽半監(jiān)督方法、自編碼器特征提取方法、改進前的一致性正則方法進行對比,實驗結(jié)果表明,相同的數(shù)據(jù)集設(shè)置條件下,本文方法能夠達到優(yōu)于其它方法的識別性能。

        1 一致性正則半監(jiān)督

        半監(jiān)督學(xué)習(xí)策略中,對于無標(biāo)簽樣本來講,一致性正則方法在實際的深度模型訓(xùn)練中有著巨大的優(yōu)勢,可以有效避免面對“小樣本”問題時深度模型容易陷入過擬合的困境。分別介紹一致性正則的概念和3種基于一致性正則的半監(jiān)督深度學(xué)習(xí)模型。

        1.1 一致性正則

        很多損失函數(shù)都有一致性(consistency)的含義,KL散度和交叉熵都是在訓(xùn)練中最小化深度網(wǎng)絡(luò)預(yù)測和樣本標(biāo)簽間的差值[8],從而希望兩者能夠一致,所以一致性就是一種非常內(nèi)在而本質(zhì)的目標(biāo),在達到這個目標(biāo)的過程中,可以讓深度網(wǎng)絡(luò)得到有效的訓(xùn)練,學(xué)習(xí)到樣本內(nèi)在的不變性[9]。

        但在半監(jiān)督學(xué)習(xí)中,大量的無標(biāo)簽樣本沒有類別標(biāo)簽,為了利用好這些無標(biāo)簽樣本使其發(fā)揮出最大作用,提出了不需要標(biāo)簽信息的一致性正則方法,其基本概念就是,對于一個固定的樣本輸入,即使受到了多次的加噪干擾,深度網(wǎng)絡(luò)對其每次的預(yù)測結(jié)果都應(yīng)該一致。

        一致性正則具體應(yīng)用在半監(jiān)督深度學(xué)習(xí)方法中的思路是,對于有標(biāo)簽樣本,使用標(biāo)準(zhǔn)的交叉熵?fù)p失函數(shù)計算網(wǎng)絡(luò)預(yù)測和真實標(biāo)簽間的誤差,保證少量有標(biāo)簽樣本訓(xùn)練擬合;而對于無標(biāo)簽樣本,就需要使用一致性正則方法,即最小化無標(biāo)簽樣本的多次預(yù)測結(jié)果之間的差值[10],最后加入權(quán)重系數(shù)將有監(jiān)督損失與無監(jiān)督損失兩部分結(jié)合,構(gòu)建出總的半監(jiān)督損失函數(shù)。

        1.2 π模型

        圖2 π模型算法流程

        π模型中大量的無標(biāo)簽樣本也參與到算法的訓(xùn)練之中,大幅降低了模型對于有標(biāo)簽樣本的依賴。

        1.3 時序組合模型

        圖3 時序組合模型算法流程

        在具體的算法中,上一迭代周期的預(yù)測值,并不只是一個周期的預(yù)測結(jié)果,而是引入指數(shù)移動平均(exponential moving average,EMA)思想,將之前所有周期預(yù)測結(jié)果加權(quán)平均累加,再通過偏差校正提高較近迭代周期預(yù)測值的比重,最終得到預(yù)測標(biāo)簽值,其中t為訓(xùn)練中的迭代次數(shù)

        (1)

        加權(quán)平均操作既可以穩(wěn)定當(dāng)前的預(yù)測結(jié)果,減弱早期迭代周期中產(chǎn)生的不穩(wěn)定結(jié)果,對于某一次錯誤的預(yù)測值可以起到平滑的作用,對錯誤預(yù)測有一定的容忍,也能很好地保留歷史信息,使得模型具有更強的魯棒性。

        1.4 師生模型

        圖4 師生模型算法流程

        教師網(wǎng)絡(luò)不直接參與訓(xùn)練,也無需梯度反向傳播更新網(wǎng)絡(luò)參數(shù),其參數(shù)值由原有的學(xué)生網(wǎng)絡(luò)之前迭代周期中的參數(shù)經(jīng)過加權(quán)平均得到。

        師生模型的核心思想中,深度網(wǎng)絡(luò)既充當(dāng)學(xué)生,又充當(dāng)教師。師生關(guān)系就是:作為學(xué)生,利用教師模型產(chǎn)生的目標(biāo)進行學(xué)習(xí)提高識別準(zhǔn)確度,作為教師,對于無標(biāo)簽樣本產(chǎn)生的預(yù)測結(jié)果作為學(xué)生學(xué)習(xí)時的目標(biāo),從而形成一個良性循環(huán)。θt為學(xué)生網(wǎng)絡(luò)在第t個迭代周期中的參數(shù),教師網(wǎng)絡(luò)參數(shù)θ′t的移動計算形式為

        θ′t=αθ′t-1+(1-α)θt

        (2)

        在時序組合模型中,無標(biāo)簽樣本的目標(biāo)標(biāo)簽來自模型前幾個迭代周期預(yù)測結(jié)果的加權(quán)平均。而在師生模型中,無標(biāo)簽樣本的目標(biāo)標(biāo)簽來自教師模型的預(yù)測結(jié)果。由于是通過模型參數(shù)的加權(quán)平均來實現(xiàn)標(biāo)簽預(yù)測,因此在每個訓(xùn)練批次中都可以把無標(biāo)簽中的信息更新到模型中,而不必像時序組合模型需要等到一個訓(xùn)練周期結(jié)束再更新,在穩(wěn)定預(yù)測值的基礎(chǔ)上,有效緩解了網(wǎng)絡(luò)更新緩慢帶來的滯后性的問題。

        2 深度學(xué)習(xí)方法設(shè)計

        通過分析偽標(biāo)簽半監(jiān)督個體識別方法的優(yōu)劣,提出在一致性正則半監(jiān)督方法的基礎(chǔ)上加入偽標(biāo)簽正則項的改進思想,并設(shè)計出適合本文實采信號數(shù)據(jù)的Inception深度網(wǎng)絡(luò)結(jié)構(gòu)。

        2.1 方法改進

        偽標(biāo)簽半監(jiān)督輻射源個體識別方法中,使用少量有標(biāo)簽信號樣本預(yù)先訓(xùn)練深度網(wǎng)絡(luò),利用熵最小化獲得置信度高的預(yù)測分布作為無標(biāo)簽信號樣本的偽標(biāo)簽,無標(biāo)簽信號樣本的交叉熵?fù)p失中將偽標(biāo)簽作為訓(xùn)練目標(biāo),這一部分就是整體損失函數(shù)中的偽標(biāo)簽正則項。

        偽標(biāo)簽輻射源個體識別方法存在著一些問題,當(dāng)無標(biāo)簽信號樣本數(shù)目所占總數(shù)目比重大時,模型在測試集上的識別準(zhǔn)確率不太理想,訓(xùn)練初期的深度網(wǎng)絡(luò)對于大量的無標(biāo)簽信號樣本中的特征信息無法正確表征,會產(chǎn)生錯誤的預(yù)測干擾偽標(biāo)簽的正確賦值,網(wǎng)絡(luò)進一步會受到錯誤偽標(biāo)簽的訓(xùn)練指導(dǎo),在訓(xùn)練過程中產(chǎn)生較大的波動影響最終結(jié)果。但偽標(biāo)簽的思想中降低模型識別概率的熵,可以將網(wǎng)絡(luò)對于無標(biāo)簽信號樣本的識別概率集中到某一類,對于將決策面靠近低密度數(shù)據(jù)分布區(qū)域還是有很大的作用[13]。本文在一致性正則半監(jiān)督方法基礎(chǔ)上,加入偽標(biāo)簽正則項,改進算法訓(xùn)練過程,重新構(gòu)建總的損失函數(shù)。

        DL是有標(biāo)簽信號樣本集,f(x,η;θ) 表示網(wǎng)絡(luò)參數(shù)為θ,η是跟噪聲有關(guān)的參數(shù),深度網(wǎng)絡(luò)對于樣本x的標(biāo)簽預(yù)測值,定義有標(biāo)簽信號樣本預(yù)測標(biāo)簽和真實標(biāo)簽之間的交叉熵?fù)p失函數(shù)

        (3)

        DU是無標(biāo)簽信號樣本集,y′是深度網(wǎng)絡(luò)對無標(biāo)簽信號樣本賦予的偽標(biāo)簽,定義無標(biāo)簽信號樣本預(yù)測標(biāo)簽和偽標(biāo)簽之間的交叉熵?fù)p失函數(shù)

        (4)

        定義所有信號樣本的均方誤差,計算一致性損失

        (5)

        ω1(t)和ω2(t)是權(quán)重系數(shù),控制偽標(biāo)簽正則項和一致性正則項在總體損失函數(shù)中的相對占比重要性,最后結(jié)合3部分損失,定義深度模型總的損失函數(shù)

        (6)

        太小的權(quán)重系數(shù)對于提升模型性能有限,太大又會使性能退化,由于訓(xùn)練前期網(wǎng)絡(luò)的預(yù)測準(zhǔn)確度不高,所以ω1(t)初始值為0,隨著訓(xùn)練迭代次數(shù)的增加而緩慢增長(增長過快會使模型陷入局部最優(yōu))并最終固定。t是迭代次數(shù),T1和T2是兩個固定閾值(T1

        (7)

        ω2(t)表現(xiàn)為高斯增長函數(shù),其初始值較小,也隨著訓(xùn)練迭代次數(shù)的增加而緩慢增長并最終固定

        (8)

        改進的一致性正則半監(jiān)督算法流程如圖5所示。

        圖5 改進的一致性正則算法流程

        具體的算法訓(xùn)練過程如下:

        (1)將少量有標(biāo)簽信號樣本輸入加入Dropout的深度網(wǎng)絡(luò),計算得到的預(yù)測標(biāo)簽和真實標(biāo)簽之間的交叉熵?fù)p失(師生模型中只需由學(xué)生模型的預(yù)測結(jié)果和真實標(biāo)簽比較)。

        (2)將無標(biāo)簽信號樣本輸入深度網(wǎng)絡(luò),將預(yù)測值作為樣本的偽標(biāo)簽,再次經(jīng)過網(wǎng)絡(luò)預(yù)測得到預(yù)測標(biāo)簽值,計算和偽標(biāo)簽之間的交叉熵?fù)p失。

        (3)將全部信號數(shù)據(jù)輸入深度網(wǎng)絡(luò),計算得到的兩個預(yù)測標(biāo)簽值之間的一致性損失(3個模型的兩個預(yù)測值實現(xiàn)方式見表1)。

        (4)把3部分損失進行加權(quán)平均計算構(gòu)建總的損失函數(shù),梯度反向傳播更新網(wǎng)絡(luò)參數(shù)(師生模型中只需更新學(xué)生模型參數(shù),通過學(xué)生模型的參數(shù)移動平均得到教師模型)。

        (5)重復(fù)步驟(1)~步驟(4),直至網(wǎng)絡(luò)訓(xùn)練結(jié)束。

        表1 不同模型預(yù)測值的實現(xiàn)方式

        2.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

        深度學(xué)習(xí)中加深神經(jīng)網(wǎng)絡(luò)層數(shù)是提升深度模型性能的有效方法,但也會使得網(wǎng)絡(luò)參數(shù)量增大,在“小樣本”條件下很容易訓(xùn)練過擬合[14]。Inception網(wǎng)絡(luò)用到密集成分近似或代替局部稀疏結(jié)構(gòu)的思想,以網(wǎng)絡(luò)寬度換取識別準(zhǔn)確度,其中不同大小的卷積核意味著不同尺度特征的融合,使得提取個體特征更為精準(zhǔn)[15]。

        本文在Inception v1基礎(chǔ)上,根據(jù)輸入信號樣本的形式以及對網(wǎng)絡(luò)的需求關(guān)系,設(shè)計出如圖6所示的Inception模型,除輸入輸出層外,中間的特征提取過程包括3條卷積路線和兩個全連接層。

        圖6 Inception結(jié)構(gòu)

        網(wǎng)絡(luò)的輸入信號樣本維數(shù)為2×128,3條卷積路線中,第一條路線的卷積核大小分別為(1,1)和(1,3),第二條路線的卷積核大小分別為(1,1)和(1,8),第三條路線的卷積核為(1,1)。3條路線輸出連接后通過展平轉(zhuǎn)換為一維序列再進入全連接層,第一個全連接層的神經(jīng)元個數(shù)為256,第二個全連接層神經(jīng)元個數(shù)為5,對應(yīng)5個輻射源個體識別的五分類問題,最后通過Softmax層進行分類,訓(xùn)練過程中通過梯度反向傳播持續(xù)優(yōu)化網(wǎng)絡(luò)參數(shù)。除最后一層使用Softmax激活函數(shù),其余層使用Relu激活函數(shù),并且在每層后連接至Dropout層進行正則化,參數(shù)設(shè)置為0.3,實驗選用Adam優(yōu)化器。

        3 實驗與分析

        本節(jié)中介紹實驗條件,包括所用信號數(shù)據(jù)的采集方式和深度模型訓(xùn)練過程中參數(shù)的設(shè)置,分析實驗結(jié)果,比較不同訓(xùn)練集和參數(shù)設(shè)置條件下不同方法的性能。本文實驗運行在一臺惠普OMEN Lapto-p 15筆記本電腦上,硬件配置CPU為Intel(R) Core(TM) i7-10870H 2.2 GHz,GPU為Nvidia RTX 2070 Max-Q,內(nèi)存為DDR4 8G×2,使用Anaconda(2020.02)+PyTorch(1.7.1)+PyCharm的軟件開發(fā)環(huán)境構(gòu)建深度學(xué)習(xí)模型并實現(xiàn)算法的訓(xùn)練與測試。

        3.1 數(shù)據(jù)集準(zhǔn)備

        IQ信號數(shù)據(jù)已經(jīng)被證實了非常適用于深度學(xué)習(xí)輻射源個體識別方法[16],本文實驗直接將IQ信號數(shù)據(jù)輸入至深度網(wǎng)絡(luò)中進行特征提取。使用基于LabVIEW的輻射源數(shù)據(jù)采集方法實際采集到5臺USRP N210設(shè)備的信號數(shù)據(jù),圖7展示了發(fā)射端的實物圖。

        圖7 發(fā)射端實物

        其中數(shù)據(jù)采集過程中的采樣參數(shù)設(shè)置見表2。

        表2 采樣參數(shù)設(shè)置

        圖8展示了具體的信號數(shù)據(jù)采集過程,虛線框中表示在實驗室環(huán)境下,輻射源設(shè)備的通信間隔為1 m,中間無障礙物時信號的發(fā)射與接收,再將獲取的原始信號數(shù)據(jù)經(jīng)過數(shù)模轉(zhuǎn)換和IQ正交雙路解調(diào)輸入至計算機。

        圖8 樣本采集過程

        采集到5臺輻射源設(shè)備的IQ兩路載波信號數(shù)據(jù),對采集到的信號數(shù)據(jù)進行預(yù)處理,用數(shù)據(jù)清洗的方式去除采樣幀初始階段中幀間切換時產(chǎn)生的不規(guī)則樣本點,并且進行功率歸一化的比例變換,圖9所繪制的是一臺輻射源設(shè)備經(jīng)過預(yù)處理后的部分IQ數(shù)據(jù)圖,選取了100個數(shù)據(jù)點。

        圖9 IQ信號數(shù)值

        根據(jù)輻射源設(shè)備個數(shù)將輻射源個體進行類別標(biāo)號,設(shè)置5類標(biāo)簽值,接著將信號數(shù)據(jù)按照一定比例分為訓(xùn)練集和測試集,訓(xùn)練集中的信號樣本在輸入模型前加入數(shù)據(jù)增強操作,包括樣本數(shù)組的隨機數(shù)值遮擋和樣本數(shù)組的翻轉(zhuǎn),最終完成樣本數(shù)據(jù)集的構(gòu)建。

        3.2 實驗參數(shù)設(shè)置

        實驗選取訓(xùn)練集中的少量信號樣本作為有標(biāo)簽訓(xùn)練集和大量信號樣本作為無標(biāo)簽訓(xùn)練集。將劃分好的有標(biāo)簽和無標(biāo)簽信號樣本輸入一致性正則半監(jiān)督深度模型中,其中無標(biāo)簽信號樣本在輸入深度模型之前去除了標(biāo)簽信息,標(biāo)簽值只用在每次訓(xùn)練迭代后計算無標(biāo)簽信號樣本的識別準(zhǔn)確率,不投入深度網(wǎng)絡(luò)指導(dǎo)訓(xùn)練。

        3個一致性正則模型在半監(jiān)督算法中的參數(shù)設(shè)置見表3,其中包括訓(xùn)練過程中的迭代次數(shù)、控制權(quán)重系數(shù)的閾值數(shù)T1和T2、偽標(biāo)簽正則項的固定權(quán)重ωf、參數(shù)移動平均值α、有標(biāo)簽信號樣本輸入網(wǎng)絡(luò)的batch size、Adam優(yōu)化器學(xué)習(xí)率大小。需要注意π模型中沒有移動平均參數(shù),無標(biāo)簽信號樣本的batch size根據(jù)與有標(biāo)簽信號樣本的比例大小做相應(yīng)的設(shè)置。

        表3 模型訓(xùn)練參數(shù)設(shè)置

        3.3 不同模型性能對比實驗

        實驗中將改進的3種一致性正則半監(jiān)督方法與全監(jiān)督方法、偽標(biāo)簽半監(jiān)督方法、自編碼器特征提取方法、改進前的一致性正則半監(jiān)督方法進行對比。表4和表5分別展示了當(dāng)有標(biāo)簽樣本數(shù)為1000和2000時,在不同的有標(biāo)簽訓(xùn)練集與無標(biāo)簽訓(xùn)練集的比例大小的設(shè)置條件下,9種方法在包含900個信號樣本的測試集上的識別準(zhǔn)確率(通過100次蒙特卡洛實驗得出),其中帶*的為改進后添加偽標(biāo)簽正則項的一致性正則半監(jiān)督方法。

        表4 識別準(zhǔn)確率(1000個有標(biāo)簽樣本)

        表5 識別準(zhǔn)確率(2000個有標(biāo)簽樣本)

        固定有標(biāo)簽信號樣本數(shù)目,隨著無標(biāo)簽信號樣本數(shù)目增多,模型的識別準(zhǔn)確率也會增大,但超過一定范圍,過多的無標(biāo)簽樣本數(shù)據(jù)會加大模型對于標(biāo)簽錯誤預(yù)測的概率,使得訓(xùn)練過程中受到影響并出現(xiàn)較大的波動,導(dǎo)致最終的識別性能下降。當(dāng)有標(biāo)簽信號樣本數(shù)目為1000時,一致性正則半監(jiān)督方法的性能提升更為明顯。這說明在標(biāo)簽信號樣本數(shù)目較少的情況下,一致性正則半監(jiān)督學(xué)習(xí)在訓(xùn)練過程中才更能體現(xiàn)出避免過擬合增強魯棒的特性。

        表6展示了不同模型從訓(xùn)練開始到訓(xùn)練結(jié)束的時長。全監(jiān)督算法由于訓(xùn)練集規(guī)模小,訓(xùn)練過程簡單,所以訓(xùn)練時間最短。π模型由于在訓(xùn)練過程中每次迭代網(wǎng)絡(luò)都要預(yù)測兩次,而師生模型中學(xué)生網(wǎng)絡(luò)和教師網(wǎng)絡(luò)各預(yù)測一次,所以兩種模型訓(xùn)練時間較長,師生模型在每個訓(xùn)練批次中都有參數(shù)移動平均更新教師模型的參數(shù),所以相比于π模型,師生模型訓(xùn)練時間更長。偽標(biāo)簽算法訓(xùn)練時間較短,這是因為時序組合模型中所有數(shù)據(jù)都參與了無監(jiān)督訓(xùn)練部分,而偽標(biāo)簽算法中只有無標(biāo)簽數(shù)據(jù)參與無監(jiān)督訓(xùn)練。

        圖10 測試集混淆矩陣

        表6 模型訓(xùn)練時間/s

        3.4 不同深度網(wǎng)絡(luò)對比實驗

        選擇與前文同樣的訓(xùn)練集設(shè)置條件,表7展示基于不同深度網(wǎng)絡(luò)結(jié)構(gòu)下3種一致性正則模型的識別準(zhǔn)確率。對比Inception網(wǎng)絡(luò)和簡單的全連接網(wǎng)絡(luò)以及CNN網(wǎng)絡(luò)的識別準(zhǔn)確率,Inception提取到不同尺度特征有利于識別任務(wù),達到了最好的識別效果。

        表7 不同深度網(wǎng)絡(luò)下的識別準(zhǔn)確率/%

        3.5 參數(shù)變化對比實驗

        圖11繪制了隨著Adam優(yōu)化器學(xué)習(xí)率數(shù)值的減小,3種一致性正則模型識別準(zhǔn)確率變化的折線圖。可以發(fā)現(xiàn),當(dāng)學(xué)習(xí)率為0.001時有著最好的識別性能,學(xué)習(xí)率設(shè)置過大會增加模型難以收斂的風(fēng)險,設(shè)置過小會使模型訓(xùn)練緩慢,易陷入局部最優(yōu)。

        圖11 不同學(xué)習(xí)率下的識別準(zhǔn)確率

        改變投入模型樣本的長度,測試3種模型在測試集上的識別準(zhǔn)確率,實驗結(jié)果如圖12所示,較短的樣本長度不利于特征提取,識別準(zhǔn)確率較低,樣本長度在128時達到穩(wěn)定,長度繼續(xù)增長識別率也不會有明顯變化,而且會大大增加訓(xùn)練時間,甚至?xí)霈F(xiàn)過擬合降低泛化性能的現(xiàn)象。

        圖12 不同樣本長度下模型識別準(zhǔn)確率

        4 結(jié)束語

        針對輻射源個體識別技術(shù)在真實環(huán)境中面臨著“小樣本”問題,本文提出改進的一致性正則半監(jiān)督個體識別方法,介紹了半監(jiān)督學(xué)習(xí)中一致性正則方法的基本思想以及3種一致性正則半監(jiān)督深度模型的算法過程,加入了偽標(biāo)簽正則項進行方法改進,重新定義算法的訓(xùn)練過程,構(gòu)建總的損失函數(shù),并且根據(jù)實際樣本數(shù)據(jù)集的采集情況設(shè)計Inception深度網(wǎng)絡(luò)結(jié)構(gòu)進行算法性能的驗證。

        通過分析不同方法在實際采集的5臺USRP輻射源數(shù)據(jù)集上的分類結(jié)果,可以看到改進后添加偽標(biāo)簽正則項的一致性正則半監(jiān)督方法的識別性能明顯提升,當(dāng)有標(biāo)簽信號樣本數(shù)為1000和2000,所占樣本總數(shù)的四分之一時,師生模型分別得到92.19%和97.96%的最高識別準(zhǔn)確率,通過實驗也驗證了設(shè)計的Inception深度網(wǎng)絡(luò)和選擇的學(xué)習(xí)率、樣本長度參數(shù)的有效性。下一步的工作中,會在深度網(wǎng)絡(luò)對于輻射源個體特征的具體提取形式以及訓(xùn)練過程中超參數(shù)設(shè)置等方面繼續(xù)深入研究探索。

        猜你喜歡
        輻射源正則一致性
        關(guān)注減污降碳協(xié)同的一致性和整體性
        公民與法治(2022年5期)2022-07-29 00:47:28
        注重教、學(xué)、評一致性 提高一輪復(fù)習(xí)效率
        IOl-master 700和Pentacam測量Kappa角一致性分析
        基于博弈論的GRA-TOPSIS輻射源威脅評估方法
        剩余有限Minimax可解群的4階正則自同構(gòu)
        數(shù)字電視外輻射源雷達多旋翼無人機微多普勒效應(yīng)實驗研究
        類似于VNL環(huán)的環(huán)
        外輻射源雷達直升機旋翼參數(shù)估計方法
        基于遷移成分分析的雷達輻射源識別方法研究
        基于事件觸發(fā)的多智能體輸入飽和一致性控制
        二区三区视频在线观看| 成人网站免费大全日韩国产| 国产一区曰韩二区欧美三区| 日产精品一区二区三区免费| 全亚洲最大的私人影剧院在线看| 人妻精品久久久久中文字幕| 伊人蕉久中文字幕无码专区| 日本高清一区二区不卡视频| 国产一区二区三区18p| 亚洲va久久久噜噜噜久久天堂 | 在线av野外国语对白| 少妇人妻av一区二区三区| 日韩在线永久免费播放| 亚洲精品无码成人片久久不卡| 亚洲av无码一区二区乱子仑| 按摩偷拍一区二区三区| 中文字幕免费在线观看动作大片 | 亚洲国产高清在线一区二区三区| 国产成人精品免费视频大全| 国产一级内射一片视频免费| 男女性杂交内射妇女bbwxz| 日本大片免费观看完整视频| 亚洲国产高清在线视频| 日本免费在线一区二区三区| 黑人上司粗大拔不出来电影| 国产一级毛片AV不卡尤物| 成人激情视频一区二区三区| 日日碰狠狠添天天爽超碰97久久| 国产激情精品一区二区三区| 国产真实乱XXXⅩ视频| 美女丝袜诱惑在线播放蜜桃| 朋友的丰满人妻中文字幕| 久久久精品人妻一区亚美研究所| 一二三四中文字幕日韩乱码| 亚洲成人免费av影院| 无码骚夜夜精品| 91网红福利精品区一区二| 国产91会所女技师在线观看| 亚洲国产精品久久人人爱| 亚洲国产成人AV人片久久网站| 在线观看av不卡 一区二区三区|