面向非均衡类别的半监督辐射源识别方法

TAN Kaiwen,ZHANG Limin,YAN Wenjun,XU Congan,LING Qing,LIU Hengyan

Journal of Radars（2022）

引用 0|浏览5

暂无评分

摘要

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.

查看译文

关键词

Imbalanced category,Generative Adversarial Network (GAN),Specific Emitter Identification (SEI),Semi-supervised learning,Cost-sensitive learning

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要