[发明专利]一种基于零次学习的信号开集识别方法

说明书

本发明公开了一种基于零次学习的信号开集识别方法，使用类别已知的信号样本集训练LSTM模型，得到用于信号开集识别的目标模型f；将类别已知的信号样本集输入至训练完成的目标模型f，计算类别已知的信号样本集每一类的特征均值向量以及相似度阈值，得到特征均值向量集合和相似度阈值集合；对待识别信号样本集进行识别。本发明通过零样本学习，通过对未知类信号的特征进行学习，达到了提升开集信号正确分类概率、信号分类精确率的目的。

技术领域

本专利涉及人工智能、信号识别领域，具体涉及一种基于零次学习的信号开集识别方法。

背景技术

现如今，深度学习在学术界和工业界都受到很大的关注。由于深度学习相比传统算法性能得到大幅度提升，深度学习广泛应用于各个领域，例如机器翻译、图像识别、无人驾驶，自然语言处理等。然而，在现实世界的识别分类任务中，由于受到各种客观因素的限制，在训练一个识别器或分类器时，通常很难收集到所有类别的训练样本。更复杂的现实情况是开集识别，在训练时提供的训练数据不是完整的，在测试过程中可以将未知类的样本提交给深度学习模型，这就要求分类器不仅要准确地分类训练过的类，还要有效地处理未经训练的类。开集识别的目标是对已知类(训练过的类)进行分类，同时将未知类(未经训练的类)识别为未知类。开集识别的关键挑战是如何同时降低经过训练的类被分类到未知类的经验分类风险和将未经过训练的未知类被分类到已知类的开放空间风险。在信号开集识别的任务上，一类方法使用传统深度学习模型，使用Softmax置信分数作为开集识别的评判标准容易出现过于自信的情况，未知类样本的模型Softmax置信分数输出也可能很高，无法通过设置置信度阈值的方法评判样本属于未知类还是已知类。为了解决以上问题，提出了Openmax，通过提取模型最后一层全连接层输出进行EVT拟合，在进行Openmax计算，增加开集类别的置信分数，将模型原先的N分类变为N+1分类，该方法能够有效地解决识别不相关的开集图像，但在信号开集识别任务中效果不佳。

另一类方法使用深度学习模型提取样本特征，并不直接使用Softmax置信度分数作为开集识别的评判标准，而使用全连接层的输出，作为样本在高维空间的映射特征，训练模型时通过损失函数激励不同类别的映射空间相互远离或通过损失函数强化模型对样本的特征提取能力。评估样本时，首先载入已知样本数据集，获取类高维空间映射特征平均值，再通过模型提取测试样本高维空间映射特征，对比测试样本与已知类样本的欧式距离等距离来判断测试样本和已知样本的相似度，对样本的相似度设定阈值，小于阈值的样本判断为未知样本。

从分类方法的角度来看，现有的信号开集识别方法都采用基于阈值的分类方案，即深度模型使用经验设置的阈值将输入样本分类到某些已知类中，在分类器工作中阈值起着关键作用。然而，目前对于经验阈值的选择都依赖于已知类信息，而忽略了未知类信息，会因为缺乏未知类样本的可用信息而产生风险，造成大量未知类被分类到已知类。事实上，由于未知类的样本特征数据通常可以从被分类器分类到未知类的低相似度样本中获得，我们可以充分利用它们来降低未知类样本被深度学习模型分类到已知类的风险，进一步提高这些方法对未知类样本识别的稳健性。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种基于零次学习的信号开集识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于零次学习的信号开集识别方法，包括以下步骤：

(1)使用类别已知的信号样本集训练LSTM模型，得到用于信号开集识别的目标模型f；

(2)将类别已知的信号样本集输入至训练完成的目标模型f，计算类别已知的信号样本集每一类的特征均值向量以及相似度阈值，得到特征均值向量集合和相似度阈值集合；