.png){kind=icon}
返回
Specific Emitter Identification Based on Semi-Supervised Active Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIM.2025.3635832.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特定辐射源识别（SEI）在通信系统的安全和管理中发挥着关键作用，特别是在仪器设备和物联网（IoT）的背景下。当前基于深度学习的SEI方法高度依赖大规模标注数据集；然而，标注所需的高成本和专业技能限制了其实际应用。为应对这些挑战，我们提出了SSAL-SEI，一种将主动学习与半监督学习相结合的辐射源识别方法。在主动学习阶段，采用同时考虑不确定性和多样性的平衡采样策略，动态选择最具信息量的未标注样本，同时保持标注时的类别分布均衡。在随后的半监督阶段，进一步利用未标注数据增强特征表示能力。为评估所提方法的鲁棒性，实验在包含10、20和30类的自动相关监视广播（ADS-B）数据集以及包含16类的Wi-Fi数据集上展开，并与多种SOTA模型进行对比。结果表明，所提策略不仅显著提升了半监督学习的性能，也为在有限标注条件下优化SEI技术提供了有效指导。
Keyword:
Active learning
dynamic sample selection
limited samples
semi-supervised learning
specific emitter identification (SEI)
期刊
IF:
5.9
论文数:
2.0W
被引数:
5.8W
机构
引用论文
Semi-Supervised Learning For Signal Recognition With Sparsity And Robust Promotion基于稀疏性和鲁棒性促进的半监督学习信号识别
PREAI
分享收藏Semi-Supervised Specific Emitter Identification via Dual Consistency Regularization基于双重一致性正则化的半监督特定发射器识别
PREAI
分享收藏Radio Classify Generative Adversarial Networks: A Semi-supervised Method for Modulation Recognition
PREAI
分享收藏How to measure uncertainty in uncertainty sampling for active learning主动学习不确定度抽样中如何测量不确定度.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Semi-Supervised Specific Emitter Identification Method Using Metric-Adversarial Training基于度量对抗训练的半监督特定辐射源识别方法
OAAI
OAAI分享收藏
查看更多内容