标签共享子空间多源迁移学习方法及在雷达辐射源识别中的研究

This project concerns on problems of recognition of novel radar emitter under multiple observation stations. It proposes a new transfer method based on the shared subspace of multiple sources and studies the classification of radar emitters by this method. This method studies the correlations between predicted labels of multiple source domains, explores the way to transform examples in the target domain into ones in the multi-label setting. The proposed method is a new multi-label shared subspace for multiple source domain transfer learning, to avoid the bias that individually assessing the transferability of radar emitter in each source domain causes. This project inductively expands the unsupervised transfer component analysis domain adaptation and studies an inductive transfer component analysis domain adaptation method, based on which source node predictive models are built. This can improve the guidance of a few labeled target examples in the transferable component domain adaptation, and provide theoretical foundation for the map and selection of data from radar emitter in the source domain. The source examples with label noises have much impact on transferability. Thus combining with adaptive clustering algorithms, a transferable component analytic method with local selection is proposed. First we choose those examples with the same label in the local neighborhood. This hinders the transfer of source examples influenced by noise, and enables inductive transfer component analysis to be anti noise. This project introduces multiple source domain shared subspace knowledge transfer method, and designs a transfer learning method suitable for the recognition of novel radar emitters with multiple observation station.

以多观测站新型雷达辐射源分类识别为背景，探索一种新的基于多源标签共享子空间迁移学习方法。分析多源域预测标签之间的相关性，研究目标域样本多标签化处理方法，扩展目标域样本为多标签样本。研究一种新的基于多标签共享子空间的多源迁移学习算法，避免独立评测每个源域雷达辐射源可迁移性带来的偏差。对无监督迁移成分析域匹配方法进行归纳式扩展，研究一种归纳式迁移成分分析的域匹配方法。在此基础上建立源节点预测器模型，提升迁移成分析的域匹配方法中少量带标签目标域样本的指导作用，为源域中雷达辐射源数据的映射和筛选提供理论基础。带有标签噪声的源域样本对可迁移性影响较大，结合自适应聚类算法研究具有区域筛选功能的迁移成分分析域匹配方法。选取局域范围内标签一致的样本，抑制受噪声影响的源域样本的迁移，使得归纳式迁移成分分析具有抗噪能力。结合多源共享子空间迁移方法，设计一种适用于雷达辐射源新体制、型号识别的迁移学习方法。

以多观测站雷达辐射源分类识别为背景，研究基于多个源领域标签共享子空间的迁移学习方法，并探索分布式环境下多源分类建模及应用方法。首先，针对多源数据的迁移难以评测不同源域数据的可迁移性，会带来的偏差的问题，提出了目标域样本多标签化处理方法，扩展目标域样本为多标签样本，解决了分布式多源目标检测的数据融合建模问题。提出了新的多标签共享子空间的多源迁移学习算法，解决了独立评测某个源域的可迁移性带来的偏差。其次，提出了归纳式迁移成分分析的域匹配方法，在此基础上建立的源域预测器模型，提高了迁移成分析的域匹配方法中少量带标签目标域样本的指导作用。第三，针对带有标签噪声的源域样本对迁移性影响较大问题，结合自适应聚类算法提出了具有区域筛选功能的迁移成分分析方法。增强了归纳式迁移成分分析的抗噪能力。第四，针对雷达检测数据标记样本数量少，源域和目标域数据差别大的特点，利用稀疏编码不能取得满意的分类学习效果。提出一种基于核稀疏编码的监督迁移学习方法，解决该情况的源域数据和目标域数据在核空间的稀疏表示的问题。利用最大均值差异缩小源域和目标域的差距，并将稀疏编码应用到迁移学习中，充分利用目标域少量带标记的样本，最大化源域和目标域带标记的同类样本的相关性。第五，一种基于L21范数的鲁棒标签空间降维新方法。由于采集数据集中的样本常存在孤立点问题。针对现有标签空间降维算法未考虑样本和标签向量中的孤立点问题，提出了一种新的压缩式标签空降维方法－鲁棒标签空间降维方法。该方法对编码损失和依赖损失均采用L21范数约束，提出了变形交替迭代更新算法，确保方法的收敛性。结合多源共享子空间知识迁移方法，实现了适用于多观测站新型雷达辐射源分类和图像分类的迁移学习应用。.发表论文21篇，其中SCI检索18篇，EI检索2篇；申请国家技术发明专利10项，授权2项；培养博士、硕士研究生16人，研究成果达到了项目计划要求。

内容获取失败，请点击重试