[发明专利]一种知识迁移方法、无线网络设备个体识别方法及系统

说明书

本发明公开了一种知识迁移方法、无线网络设备个体识别方法及系统，包括以下步骤：步骤1：获取目标域数据和源域数据作为训练数据；步骤2：采用改进的TrAdaboost算法实现知识迁移；其中改进的TrAdaboost算法中，以Adaboost算法为基础，采用VFKMM算法确定源域和目标域的初始权重分布；本发明采用VFKMM算法确定源域和目标域的初始权重，修正了域的分布；结合TrAdaboost算法结合后，可以充分结合两者的优点；减少了TrAdaboost迭代的次数，实现了模型性能的提升，降低出现过拟合的概率；引入更新因子加入源域权重更新，可以防止权重转移；迭代稳定时可以实现更高的识别精度。

技术领域

本发明涉及无线网络个体识别技术领域，具体涉及一种知识迁移方法、无线网络设备个体识别方法及系统。

背景技术

由于电磁环境复杂和电磁对抗非合作、以及接收设备局限等原因，侦查设备只能接收到少量的样本数据，难以支撑需要大量样本数据训练的分类器。如果只针对小样本数据进行训练，那么得到的模型的泛化能力就会变差，致使个体识别的精度显著降低。

TrAdaboost算法利用辅助训练数据帮助训练目标领域分类器，是一种基于实例的迁移学习算法，被广泛应用，解决了归纳式迁移学习存在的问题。算法关键在于数据权重的调整策略，基本思想是在每一次重复迭代中，降低被误分类的辅助训练数据的权重。那么相对而言，正确分类的训练数据就拥有了更高的权重，通过不断的迭代循环训练，调整误分类样本权重，逐渐降低了差的训练样本对分类器的影响，增大了有益训练样本数据对分类器训练的提高。但是TrAdaboost算法将初始权重平均分配给所有样本，同等对待每一个训练样本；但是与整体样本数据相关性越大的样本数据，其重要性可能越大，则各个样本数据重要性均不相同，平均分配权重显然不合理。并且还存在源域权重下降过快、容易过拟合、易发生负迁移等问题。

发明内容

本发明针对现有技术存在的问题，提供一种提高无线网络设备个体识别精度的知识迁移方法、无线网络设备个体识别方法及系统。

本发明采用的技术方案是：

一种无线帧数据归纳式知识迁移方法，包括以下步骤：

步骤1：获取目标域数据和源域数据作为训练数据；

步骤2：采用改进的TrAdaboost算法实现知识迁移；

其中改进的TrAdaboost算法中，以Adaboost算法为基础，采用VFKMM算法确定源域和目标域的初始权重分布。

进一步的，所述改进的TrAdaboost算法中，以Adaboost算法为基础，引入更新因子C_t＝2(1-ε_t)到源域权重更新，得到目标域权重更新；式中ε_t为目标误差率。

进一步的，所述更新因子确定过程如下：

假设P为第t+1步迭代正确分类目标权重的总和，Q是第t+1步迭代错误分类目标权重的总和；设M为迭代次数，j＝1：n_target为目标数量，如下：

其中，为目标源权重，目标域，为目标分类函数，为样本，n_source为源域样本数，为源域权重；

算法源域权重更新为：

由于

更新因子为：

将更新因子加入源域权重更新，可以得到目标域样本的权重更新