CN118395239B 基于注意力蒸馏的雷达工作模式类增量识别方法 （西安电子科技大学）

基于注意力蒸馏的雷达工作模式类增量识本发明公开了一种基于注意力蒸馏的雷达并将范例集与新训练样本一起构成当前阶段的学习，对雷达工作模式类增量识别网络进行训类增量学习算法可以缓解新模型对旧类别的灾2从上一阶段的旧训练集中选取若干个旧训练样本构成范例集，并将所述将所述训练集输入到预先构建的雷达工作模式类增量识别网络中行当前阶段的雷达工作模式识别；其中，所述雷达工作模式类增量识别网络包括并行2.根据权利要求1所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在型Mt1为上一阶段训练好的并行注意力时序特征感知原型神经3.根据权利要求2所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在4.根据权利要求3所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在35.根据权利要求3所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在MPL表示MPL损失函数，gt(x)表示将当前阶段的训练集输入新模型Mt得6.根据权利要求3所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在D表示知识蒸馏损失函数，ρ表示反映新训练样本和旧训练样本数量关系的权重t7.根据权利要求3所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在p表示p范数。8.根据权利要求3所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在9.根据权利要求1所述的基于注意力蒸馏的雷达工作模式类增量识别方法，其特征在4其中，所述当前阶段的测试集包括当前阶段的新测试样本Dia和上一阶段的旧测试样t；t(x)表示将当前阶段的训练集输入新模型Mt得到的特征向量，αi表5波形和时序任务调度复杂等特点，可以根据任务需求和外部环境因素自适应地调度策略，6[0012]本发明提供的基于注意力蒸馏的雷达工作模式类增量识别方法一方面借鉴难例[0014]图1是本发明实施例提供的基于注意力蒸馏的雷达工作模式类增量识别方法的一[0015]图2是本发明实施例提供的并行注意力一时序特征感知原型神经网络的结构示意[0016]图3是本发明实施例提供的雷达工作模式类增量识别网络的训练和测试过程的原[0018]本发明针对传统的多功能雷达工作模式识别任务模型不具备持续学习未知模式7进行当前阶段的雷达工作模式识别。[0022]下面对本实施例提供的基于注意力蒸馏的雷达工作模式类增量识别方法进行详(PulseDescriptionWord，脉冲描述字)参数，该第四Dropout层的输出相加后作为编码器8[0034]通道注意力模块用于对输入的特征矩阵进行通道特征提取，得到对应的通道特[0038]下面介绍本发明提供的基于注意力蒸馏的雷达工作模式类增量识别方法中的训[0041]可选的，在步骤1中，从上一阶段的旧训练集中选取若干个旧训练样本构成范例-1为上一阶段训练好的并行注意力-时序特征感知原型神*的欧式距离计算公式为：[0049]进一步的，结合图3所示的雷达工作模式类增量识别网络的训练和测试过程的原9算MDCE(marginDistancebasedCrossEntropy，基于裕度距离的交叉熵)损失、MPLt-1pp[0080]其中，当前阶段的测试集包括当前阶段的新测试样本Dia和上一阶段的旧测试样段测试集的分布与当前阶段训练集对应的类原型的距离得到预测结果，预测标签的公式；[0087]本发明提供的基于注意力蒸馏的雷达工作模式类增量识别方法一方面借鉴难例K识别准确率也仅下降了9％左右，最终的识别准确率为87.95大大缓解了灾难性遗忘问[0096]本发明将增量学习引入到MFR工作模式的识别中，实