[发明专利]基于监督学习分类模型的未知类别信号的检测方法在审
| 申请号： | 201810221885.6 | 申请日： | 2018-03-18 |
| 公开（公告）号： | CN108596027A | 公开（公告）日： | 2018-09-28 |
| 发明（设计）人： | 刘雪芳;张劭;杨清海 | 申请（专利权）人： | 西安电子科技大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 西安长和专利代理有限公司 61227 | 代理人： | 黄伟洪 |
| 地址： | 710071 陕西省*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于信号检测、深度学习技术领域，公开了一种基于监督学习分类模型的未知类别信号的检测方法,利用有标签的数据集训练CNN，建立监督学习分类模型；丢掉最后的SoftMax层，利用分类模型进行数据的特征提取；利用CNN提取的特征，使用t‑SNE降维算法可视化检测分类效果，以及取得低维的特征数据；利用降维后的二维数据，使用基于距离的计算公式计算框架的检测准确率。本发明创新地提出了CNN+t‑SNE检测方法，将高维的数据映射到低维空间，使得结果更清晰，且更方便计算；本发明实例中加入的未知类别信号也可以有属于自己的中心能聚集在一个位置，可以说明本发明的分类模型可以很好的提取输入数据的本质特征，且有效地检测出未知类别信号。 | ||
| 搜索关键词： | 分类模型 类别信号 检测 降维 学习 可视化检测 本质特征 低维空间 二维数据 分类效果 计算公式 数据映射 特征数据 特征提取 信号检测 数据集 有效地 监督 准确率 低维 高维 算法 标签 清晰 | ||
【主权项】：
1.一种基于监督学习分类模型的未知类别信号的检测方法，其特征在于，所述基于监督学习分类模型的未知类别信号的检测方法，包括：利用有标签的数据集训练CNN(卷积神经网络)，使得该卷积神经网络可以获得能表征输入数据的最本质的特征；丢掉最后的SoftMax层，利用分类模型进行数据的特征提取；利用CNN提取的特征，使用t‑分布领域嵌入算法(t‑SNE,t‑distributed Stochastic Neighbor Embedding)降维算法对特征降维，得到低维的特征数据，利用低维的特征数据进行可视化，检验特征数据是否能够表征数据集的本质特征；利用降维后的低维数据，使用基于距离的计算公式计算框架的检测准确率。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安电子科技大学，未经西安电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810221885.6/，转载请声明来源钻瓜专利网。
