.png){kind=icon}
返回
Electromagnetic Signal Classification Based on Class Exemplar Selection and Multi-Objective Linear Programming
.png){kind=icon}
OA
AI
DOI：10.3390/rs14051177.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在日益复杂的电磁环境中，各种新型信号类型不断出现；然而，现有的电磁信号分类（ESC）模型无法处理新型信号类型。在此背景下，类增量学习（class-incremental learning）的出现旨在随着新类别的出现逐步更新分类模型。本文提出了一种基于类示例选择和多目标线性规划分类器的电磁信号分类框架（CES-MOLPC），以增量方式持续学习新类别。具体而言，该方法涉及基于归一化互信息的自适应类示例选择和多目标线性规划分类器。前者通过选择关键样本用于保持模型对先前类别的分类能力，后者用于使模型能够快速适应新类别。同时，提出了一种基于交叉熵和蒸馏损失的加权损失函数以微调模型。通过在公开的RML2016.04c数据集和大规模真实世界ACARS信号数据集上的大量实验，验证了所提出的CES-MOLPC方法的有效性。比较实验结果表明，该方法相较于当前最先进的方法能够取得显著提升。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息