CN118395239B 基于注意力蒸餾的雷達工作模式類增量識別方法 （西安電子科技大學）

基于注意力蒸餾的雷達工作模式類增量識本發(fā)明公開了一種基于注意力蒸餾的雷達并將范例集與新訓練樣本一起構成當前階段的學習，對雷達工作模式類增量識別網絡進行訓類增量學習算法可以緩解新模型對舊類別的災2從上一階段的舊訓練集中選取若干個舊訓練樣本構成范例集，并將所述將所述訓練集輸入到預先構建的雷達工作模式類增量識別網絡中行當前階段的雷達工作模式識別；其中，所述雷達工作模式類增量識別網絡包括并行2.根據權利要求1所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在型Mt1為上一階段訓練好的并行注意力時序特征感知原型神經3.根據權利要求2所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在4.根據權利要求3所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在35.根據權利要求3所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在MPL表示MPL損失函數，gt(x)表示將當前階段的訓練集輸入新模型Mt得6.根據權利要求3所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在D表示知識蒸餾損失函數，ρ表示反映新訓練樣本和舊訓練樣本數量關系的權重t7.根據權利要求3所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在p表示p范數。8.根據權利要求3所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在9.根據權利要求1所述的基于注意力蒸餾的雷達工作模式類增量識別方法，其特征在4其中，所述當前階段的測試集包括當前階段的新測試樣本Dia和上一階段的舊測試樣t；t(x)表示將當前階段的訓練集輸入新模型Mt得到的特征向量，αi表5波形和時序任務調度復雜等特點，可以根據任務需求和外部環(huán)境因素自適應地調度策略，6[0012]本發(fā)明提供的基于注意力蒸餾的雷達工作模式類增量識別方法一方面借鑒難例[0014]圖1是本發(fā)明實施例提供的基于注意力蒸餾的雷達工作模式類增量識別方法的一[0015]圖2是本發(fā)明實施例提供的并行注意力一時序特征感知原型神經網絡的結構示意[0016]圖3是本發(fā)明實施例提供的雷達工作模式類增量識別網絡的訓練和測試過程的原[0018]本發(fā)明針對傳統(tǒng)的多功能雷達工作模式識別任務模型不具備持續(xù)學習未知模式7進行當前階段的雷達工作模式識別。[0022]下面對本實施例提供的基于注意力蒸餾的雷達工作模式類增量識別方法進行詳(PulseDescriptionWord，脈沖描述字)參數，該第四Dropout層的輸出相加后作為編碼器8[0034]通道注意力模塊用于對輸入的特征矩陣進行通道特征提取，得到對應的通道特[0038]下面介紹本發(fā)明提供的基于注意力蒸餾的雷達工作模式類增量識別方法中的訓[0041]可選的，在步驟1中，從上一階段的舊訓練集中選取若干個舊訓練樣本構成范例-1為上一階段訓練好的并行注意力-時序特征感知原型神*的歐式距離計算公式為：[0049]進一步的，結合圖3所示的雷達工作模式類增量識別網絡的訓練和測試過程的原9算MDCE(marginDistancebasedCrossEntropy，基于裕度距離的交叉熵)損失、MPLt-1pp[0080]其中，當前階段的測試集包括當前階段的新測試樣本Dia和上一階段的舊測試樣段測試集的分布與當前階段訓練集對應的類原型的距離得到預測結果，預測標簽的公式；[0087]本發(fā)明提供的基于注意力蒸餾的雷達工作模式類增量識別方法一方面借鑒難例K識別準確率也僅下降了9％左右，最終的識別準確率為87.95大大緩解了災難性遺忘問[0096]本發(fā)明將增量學習引入到MFR工作模式的識別中，實