-
题名零记忆增量学习的复合有源干扰识别
- 1
-
-
作者
吴振华
崔金鑫
曹宜策
张强
张磊
杨利霞
-
机构
安徽大学信息材料与智能感知安徽省实验室
中国电子科技集团公司第三十八研究所
天基综合信息系统全国重点实验室
中山大学电子与通信工程学院
-
出处
《电子与信息学报》
北大核心
2025年第1期188-200,共13页
-
基金
国家自然科学基金(62201007,62401007)
中国博士后科学基金(2020M681992)
安徽省自然科学基金(2308085QF199)。
-
文摘
非完备、高动态有源干扰对抗作战环境下,现阶段针对库内多类型单一有源干扰样本所优化训练的静态模型,在面对库外类型多样、参数多变、组合方式多元的复合干扰时,模型无法快速更新且难以应对测试样本数非均衡问题。针对此问题,该文提出一种基于零记忆增量学习的雷达复合有源干扰识别方法。首先,利用元学习训练模式对库内单一干扰进行原型学习,训练出高效的特征提取器,使其具备对库外复合干扰特征有效提取能力。进而,基于超维空间和余弦相似度计算,构建零记忆增量学习网络(ZMILN),将复合干扰原型向量映射到超维空间并存储,从而实现识别模型动态更新。此外,为解决样本数非均衡下复合干扰识别问题,设计直推式信息最大化(TIM)测试模块,通过在互信息损失函数中加入散度约束,对识别模型进一步强化训练以应对非均衡测试样本。实验结果表明,该文所提方法在非均衡测试条件下对4种单一干扰和7种复合干扰进行增量学习后,平均识别准确率达到了93.62%。该方法通过对库内多类型单一干扰知识充分提取,实现对多种组合条件下库外复合干扰的快速动态识别。
-
关键词
雷达有源干扰
零记忆增量学习
非均衡
直推式信息最大化
复合干扰识别
-
Keywords
Radar active jamming
Zero-memory incremental learning
Imbalance
transductive information maximization(tim)
Compound jamming recognition
-
分类号
TN974
[电子电信—信号与信息处理]
-
-
题名多级特征增强的图表示学习模型
被引量：2
- 2
-
-
作者
冯耀
孔兵
周丽华
包崇明
王崇云
-
机构
云南大学信息学院
云南大学软件学院
云南大学生态与环境学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第11期131-140,共10页
-
基金
国家自然科学基金(61762090,62062066,31760152)
云南省教育厅科研基金(2019J0005)。
-
文摘
针对图数据的表示学习在推荐系统、链接预测等图下游任务已展现出重要的研究价值。然而目前主流的方法存在一些缺陷:图卷积网络的固定传播模式限制节点表示的语义表达能力,以及编码器-解码器结构中的正则化重建阻碍学习节点间的差异化特征,这些都可能导致节点表示不能很好适应图下游任务。为此,基于互信息最大化理论提出一种多级特征增强的图表示学习模型,能以无监督的方式生成高质量的节点表示。模型使用提取器保留节点原始属性中的差异化特征,利用注意力聚合器维持编码空间中节点分布的局部相关性和全局差异性,应用深度图信息最大化策略统一全局编码规则。实验结果证明,在几个基准图数据集上该模型在直推式学习和归纳式学习下的编码表现均超过了所有的主流对比基线。
-
关键词
图表示学习
互信息最大化
无监督学习
直推式学习
归纳式学习
-
Keywords
graph representation learning
mutual information maximization
unsupervised learning
transductive learning
inductive learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
