CN119496583A 一种基于特征迁移的欺骗信号生成方法 （中国电子科技集团公司第五十四研究所）_第1页
CN119496583A 一种基于特征迁移的欺骗信号生成方法 （中国电子科技集团公司第五十四研究所）_第2页
CN119496583A 一种基于特征迁移的欺骗信号生成方法 （中国电子科技集团公司第五十四研究所）_第3页
CN119496583A 一种基于特征迁移的欺骗信号生成方法 （中国电子科技集团公司第五十四研究所）_第4页
CN119496583A 一种基于特征迁移的欺骗信号生成方法 （中国电子科技集团公司第五十四研究所）_第5页
已阅读5页，还剩23页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号中国电子科技集团公司第五十四研本发明提供了一种基于特征迁移的欺骗信先采集通信信号，将信号分割为训练集和验证22.根据权利要求1所述的一种基于特征迁移X和标签集Y共同构成数据集；3.根据权利要求2所述的一种基于特征迁移的欺;步骤2_2：采用Adam优化器对信号调制样式和批训练标签数据集yn；清除优化器关于网络参数θ的累计梯度值；计算34.根据权利要求3所述的一种基于特征迁移的欺骗信号生成步骤3_4：构建均值为0、标准差为1的随机数据xmw，设置权重，则迁移数据为;步骤3_6：计算风格数据xw经过信号调制样式分类神经网络模型中各模块的输出值和;；Lemm=MSE(o;,o;)，其中MSE()表示计计算风格损失值I.w-MSE[Gram(T7),Gram(or)]+MSE[Gram(o?),Gram(o;)]，其中4[0001]本发明涉及电子对抗技术领域，特别是一种基于特征迁5集X和标签集Y共同构成数据集；;[0020]步骤2_2：采用Adam优化器对信号调制样式分类神经网络模型的网络参数进行loss；利用损失值loss和优化器对信号调制样式分类神经网络模型的网络参数进行优制样式分类神经网络模型得到的，获取中第二维度最大值对应的类型与测试标签集6;[0029]步骤3_6：计算风格数据xwe经过信号调制样式分类神经网络模型中各模块的输[0030]步骤3_7：计算内容数据经过信号调制样式分类神经网络模型中各模块的[0032]步骤3_9：清除优化器关于迁移数据的累计梯度值，计算内容损失值Lemm=MSE(o;,o;)，其中MSE()表示计[0033]计算风格损失值I.w-MSE[Gram(o7),Gram(or)]+MSE[Gram(o;),Gram(o:)]，其中Gram()表示计算格拉姆矩阵；7[0055]一种基于特征迁移的欺骗信号生成方法，该方法首先采[0059]采集目标设备信号数据数量为N=11000，根据调制样式共分为M=11类，分别为集，维度分别为PNX1x2xk和PNX1。测试数据集包括测试样本集x8。。[0070]将信号调制样式分类神经网络模型设置为训练模式。从训练样本数据集xman和训练标签数据集ymm随机抽取B=64个样本数据和标签数据，组成批训练样本数据集和批训练标签数据集yn。清除优化器关于网9[0075]步骤3_2：从数据集中随机抽取一个信号数据样;k[0079]步骤3_6：计算风格数据xw经过信号调制样式分类神经网络模型的输出值oi、[0081]步骤3_8：计算对迁移数据xmu经过信号调制样式分类神经网络模型的输出值Lemm=MSE(o;,o;)，其中MSE()表示计[0084]计算风格损失值I.w-MSE[Gram(o7),Gram(or)]+MSE[Gram(o;),Gram(o:)]，其中Gram()表示计算格拉姆矩阵。

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论