面向非均衡类别的半监督辐射源识别方法

面向非均衡类别的半监督辐射源识别方法

TN911.7; 针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法.该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类.同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能.在4类失衡仿真数据集上的实验结果表明,存在40％无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34％和2.6...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:雷达学报 2022-08, Vol.11 (4), p.713-727
Hauptverfasser: 谭凯文, 张立民, 闫文君, 徐从安, 凌青, 刘恒燕
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 727
container_issue 4
container_start_page 713
container_title 雷达学报
container_volume 11
creator 谭凯文
张立民
闫文君
徐从安
凌青
刘恒燕
description TN911.7; 针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法.该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类.同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能.在4类失衡仿真数据集上的实验结果表明,存在40％无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34％和2.69％,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路.
doi_str_mv 10.12000/JR22043
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_ldxb202204016</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>ldxb202204016</wanfj_id><sourcerecordid>ldxb202204016</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1006-ce80a649247d8c52c26c656090cfc93e13b96b4ce81a5d79d0b91d6506800b8d3</originalsourceid><addsrcrecordid>eNpjYBAwNNAzNDIwMND3CjIyMjAxZmHgNDKwNNU1sjCO4GDgLS7OTDIwNjMyNTMwNuFkMHs5d9HTCRNfzp33dG77i4ULn2_c_bRj9fNZLU97u57Pnvh87uIX-yY83dDybNeEF-vbgFLPpu18tnkqDwNrWmJOcSovlOZmCHVzDXH20PXxd_d0dvTRLTY0MDDTTU61MEg0M7E0MjFPsUg2NUo2Mks2A9psaZCclmxpnGponGRplmQCVGaYaJpibplikGRpmGJmamBmYWCQZJFizM2gCjG3PDEvLTEvPT4rv7QoD2hjfE5KRZKRAciHBoZmxgBOxlb-</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>面向非均衡类别的半监督辐射源识别方法</title><source>DOAJ Directory of Open Access Journals</source><source>Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals</source><creator>谭凯文 ; 张立民 ; 闫文君 ; 徐从安 ; 凌青 ; 刘恒燕</creator><creatorcontrib>谭凯文 ; 张立民 ; 闫文君 ; 徐从安 ; 凌青 ; 刘恒燕</creatorcontrib><description>TN911.7; 针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法.该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类.同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能.在4类失衡仿真数据集上的实验结果表明,存在40％无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34％和2.69％,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路.</description><identifier>ISSN: 2095-283X</identifier><identifier>DOI: 10.12000/JR22043</identifier><language>chi</language><publisher>海军航空大学信息融合研究所 烟台 264001</publisher><ispartof>雷达学报, 2022-08, Vol.11 (4), p.713-727</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/ldxb/ldxb.jpg</thumbnail><link.rule.ids>314,780,784,864,27924,27925</link.rule.ids></links><search><creatorcontrib>谭凯文</creatorcontrib><creatorcontrib>张立民</creatorcontrib><creatorcontrib>闫文君</creatorcontrib><creatorcontrib>徐从安</creatorcontrib><creatorcontrib>凌青</creatorcontrib><creatorcontrib>刘恒燕</creatorcontrib><title>面向非均衡类别的半监督辐射源识别方法</title><title>雷达学报</title><description>TN911.7; 针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法.该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类.同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能.在4类失衡仿真数据集上的实验结果表明,存在40％无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34％和2.69％,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路.</description><issn>2095-283X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2022</creationdate><recordtype>article</recordtype><recordid>eNpjYBAwNNAzNDIwMND3CjIyMjAxZmHgNDKwNNU1sjCO4GDgLS7OTDIwNjMyNTMwNuFkMHs5d9HTCRNfzp33dG77i4ULn2_c_bRj9fNZLU97u57Pnvh87uIX-yY83dDybNeEF-vbgFLPpu18tnkqDwNrWmJOcSovlOZmCHVzDXH20PXxd_d0dvTRLTY0MDDTTU61MEg0M7E0MjFPsUg2NUo2Mks2A9psaZCclmxpnGponGRplmQCVGaYaJpibplikGRpmGJmamBmYWCQZJFizM2gCjG3PDEvLTEvPT4rv7QoD2hjfE5KRZKRAciHBoZmxgBOxlb-</recordid><startdate>20220801</startdate><enddate>20220801</enddate><creator>谭凯文</creator><creator>张立民</creator><creator>闫文君</creator><creator>徐从安</creator><creator>凌青</creator><creator>刘恒燕</creator><general>海军航空大学信息融合研究所 烟台 264001</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20220801</creationdate><title>面向非均衡类别的半监督辐射源识别方法</title><author>谭凯文 ; 张立民 ; 闫文君 ; 徐从安 ; 凌青 ; 刘恒燕</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1006-ce80a649247d8c52c26c656090cfc93e13b96b4ce81a5d79d0b91d6506800b8d3</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2022</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>谭凯文</creatorcontrib><creatorcontrib>张立民</creatorcontrib><creatorcontrib>闫文君</creatorcontrib><creatorcontrib>徐从安</creatorcontrib><creatorcontrib>凌青</creatorcontrib><creatorcontrib>刘恒燕</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>雷达学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>谭凯文</au><au>张立民</au><au>闫文君</au><au>徐从安</au><au>凌青</au><au>刘恒燕</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>面向非均衡类别的半监督辐射源识别方法</atitle><jtitle>雷达学报</jtitle><date>2022-08-01</date><risdate>2022</risdate><volume>11</volume><issue>4</issue><spage>713</spage><epage>727</epage><pages>713-727</pages><issn>2095-283X</issn><abstract>TN911.7; 针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法.该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类.同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能.在4类失衡仿真数据集上的实验结果表明,存在40％无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34％和2.69％,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路.</abstract><pub>海军航空大学信息融合研究所 烟台 264001</pub><doi>10.12000/JR22043</doi><tpages>15</tpages></addata></record>
fulltext fulltext
identifier ISSN: 2095-283X
ispartof 雷达学报, 2022-08, Vol.11 (4), p.713-727
issn 2095-283X
language chi
recordid cdi_wanfang_journals_ldxb202204016
source DOAJ Directory of Open Access Journals; Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals
title 面向非均衡类别的半监督辐射源识别方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-19T13%3A07%3A13IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E9%9D%A2%E5%90%91%E9%9D%9E%E5%9D%87%E8%A1%A1%E7%B1%BB%E5%88%AB%E7%9A%84%E5%8D%8A%E7%9B%91%E7%9D%A3%E8%BE%90%E5%B0%84%E6%BA%90%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95&rft.jtitle=%E9%9B%B7%E8%BE%BE%E5%AD%A6%E6%8A%A5&rft.au=%E8%B0%AD%E5%87%AF%E6%96%87&rft.date=2022-08-01&rft.volume=11&rft.issue=4&rft.spage=713&rft.epage=727&rft.pages=713-727&rft.issn=2095-283X&rft_id=info:doi/10.12000/JR22043&rft_dat=%3Cwanfang_jour%3Eldxb202204016%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=ldxb202204016&rfr_iscdi=true