[发明专利]飞行器电信号分类和识别的小样本迁移学习方法

说明书

本发明涉及一种飞行器小样本电信号分类识别的迁移学习方法,包括：将源域信号进行采集与传输(102)，送入特征提取基础模块源域多尺度残差卷积模块(103)和源域最大池化层(104)，将基础模块中的参数送入目标域的多尺度残差卷积模块(110)和目标域的最大池化层(111)，在训练过程中目标域的全局平均池化层(112)，目标域的随机丢弃层(113)和目标域的全连接层(114)均要进行反向传播更新网络参数(217)，直到迭代步数更新满足目标域迭代步数判断模块条件(220)，从而结束训练(221)。通过该方法，有效解决了实际测试过程中小样本数据的深度学习问题，显著提升了飞行器信号分类和识别的准确率。

技术领域

本发明涉及一种飞行器电信号分类和识别的小样本迁移学习方法，可应用于小样本信号的分类识别。

背景技术

在航空航天领域的一些领域,小样本学习是深度学习领域中的一个重要前沿方向。由于深度学习依赖于大量标记数据，对飞行器进行实测实验的时间和金钱成本极高，且无法采集得到大量的数据，数据标记工作依赖于人工标注；若进行仿真实验，获取的数据准确性也难以得到保证，所以深度学习容易出现过拟合现象且难以提取到足够多的特征。然而，小样本迁移学习可有效解决样本数据量问题并且避免过拟合现象，可利用少量标注样本提取高质量数据特征从而达到信号分类识别的目的。小样本迁移学习的特性受到各个领域的广泛认同，将成为未来小样本信号分类识别的重要技术方法。

发明内容

现有技术的飞行器信号识别与分类方法中的传统机器学习算法存在着局限性，即无法对飞行器的小样本电信号进行分类识别与研究。而在飞行器电信号数据库中，除了经过专家标注过的大数据集之外，还存在着许多标注数据样本少、数据复杂的高维度电信号数据。

本发明提供了一种基于残差膨胀卷积网络算法的小样本飞行器电信号分类识别的迁移学习方法，采用以残差膨胀卷积神经网络为基础的迁移学习模型，对小样本数据进行分类。本发明提出的迁移学习方法能对网络中模型参数进行迁移，即可以把源域(源域应是一个数据量相对较大，且在数据形式和内容上与目标域数据集有所近似的数据集)模型中获取的特征提取能力，迁移到目标域(目标域是一个标注数据样本量少的电信号数据集)模型的分类当中，具有较好的抗过拟合能力，具有对小样本信号的分类识别能力。

本发明通过残差膨胀卷积网络的迁移学习模型构建与训练方法，克服传统机器学习方法对于高维度、小样本复杂数据处理难度大的问题，提高了特征提取能力上和泛化能力。

根据本发明的一个方面，提供了一种飞行器电信号分类和识别的小样本迁移学习方法，其特征在于包括：

把源域信号送入源域多尺度残差卷积模块，从源域信号提取到源域样本的特征图；

再把源域多尺度残差卷积模块得到的特征图送入源域最大池化层，以提高计算速度和特征图的鲁棒性；其中，源域多尺度残差卷积模块与源域最大池化层属于特征提取的基础模块，基础模块的数目根据样本数据的差异而设置；

把提取的源域样本的特征送入源域全局平均池化层，以防止网络过拟合；

再把源域全局平均池化层得到的每个通道的特征图均值传入到源域随机丢弃层，从而通过随机丢弃部分参数达到防止过拟合的目的，其中源域随机丢弃层的公式如下：

x^l＝random_p(x^l-1) (1)

其中，p(x^l-1)为丢弃x^l-1的概率，random表示为随机行为，x是源域数据样本，l是随机丢弃的层数；

然后把经过源域随机丢弃层后的激活单元送入源域全连接层，将分布式特征映射到样本标记空间，公式如下：

x^l＝f(u^l)