《电子测量技术杂志》发表论文赏析

基于深度学习与聚类的开集个体识别技术

来源:电子测量技术杂志2025年第5期北京时间:

作者:未争超,乔强,郎俊杰,杨鸿杰

单位:1.中国电子科技集团公司第五十四研究所 石家庄 050051;2.河北省电磁频谱认知与管控重点实验室 石家庄 050051

摘要:针对开集场景下闭集网络无法有效识别未知类的问题,本研究提出了一种基于深度学习与无监督聚类相结合的辐射源开集个体识别(SEI)方法。通过对原始数据进行精细化的预处理以提取蕴含指纹特征的常规特征波形,将常规特征波形进行闭集网络训练,基于概率度量手段对待识别类样本进行已知/未知判决,对识别成未知类的样本提取残差网络全连接层特征进行无监督降维、聚类处理,通过聚类结果明确未知个体数量。实验结果表明,相对于传统闭集网络识别,本研究所提方法能够在已知类准确识别的前提下,实现对已知/未知类的有效区分,识别正确率均在97%以上,并能准确识别10个未知电台数目,实验结果验证了方法的有效性。

关键词:个体识别;深度学习;无监督聚类;开集

基金资助:国家自然科学基金-联合基金(U20B2071)项目资助

2025年5期其他文献查阅:

面向RTC的微秒级采样实时控制系统设计与实现

通信系统发射通道的雷电防护设计

柔性支承的立式转子主动电磁阻尼减振研究

基于实域粗糙集和NRBO-XGBoost的变压器故障诊断

基于改进YOLOv10n的电动车头盔佩戴检测算法

基于GAN-LSTM改进T-L磁补偿方法

结合注意力和多尺度特征的电动汽车负荷预测

基于双流特征增强网络的超短期光伏功率预测

一种抗差估计的GNSS/UWB/IMU集成式室内外无缝定位方法

基于改进YOLOv8的电梯内电动车检测算法

基于模态分解和误差修正的短期电力负荷预测

基于表面肌电信号估计多自由度手指力的ShuffleVT模型

基于深度学习与聚类的开集个体识别技术

实复域多尺度多层次融合的复合故障定位方法

基于改进YOLOv5s太阳能电池片表面缺陷检测算法

3D打印碳纤维复合材料构件缺陷识别方法研究

改进YOLOv8的电动自行车电池检测算法

基于霍夫梯度的同步并行圆检测方法

锂电池X射线图像增强算法研究

基于GSV-YOLO的飞机起落架缺陷检测方法研究

基于重参数化的光伏电池缺陷检测算法

填文献完整题目 获取完整文献

填写需求
联系方式
注:学术顾问会在1小时内联系您,请留意!