买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌航空大学申请的专利一种基于多对抗域和度量学习的雷达工作模式识别算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115659235B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211272772.1，技术领域涉及：G06F18/241；该发明授权一种基于多对抗域和度量学习的雷达工作模式识别算法是由肖永生;胡义海;黄丽贞;周建江;时晨光;贺丰收;赵珂;方芳;叶爱华;万在红;饶烜;孙成立设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种基于多对抗域和度量学习的雷达工作模式识别算法在说明书摘要公布了：本发明公开了一种基于多对抗域和度量学习的雷达工作模式识别算法，包括以下步骤S1、源域含有标签的雷达数据序列与不含有标签的目标域雷达数据序列一同输入到特征提取器中；S2、通过特征提取器提取出源域与目标域混合数据的特征和类间差异；S3、特征提取器中得到的源域和目标域混合数据特征输入特征分类器中得到特征分类结果，得到不含有标签的目标域雷达数据序列的分类标签，域判别损失，源域分类损失；S4、特征提取器中得到的源域和目标域混合数据特征输入给领域判别器中分别以数据片段的形式进行多特征领域判别，得到子域分类结果和子域分类损失；S5、对模型进行迭代求解，最终得出高可信度的目标域雷达数据分类标签。

本发明授权一种基于多对抗域和度量学习的雷达工作模式识别算法在权利要求书中公布了：1.一种基于多对抗域和度量学习的雷达工作模式识别算法，其特征在于：所述算法包括以下步骤， S1、源域含有标签的雷达数据序列与不含有标签的目标域雷达数据序列一同输入到特征提取器中； S2、通过特征提取器提取出源域与目标域混合数据的特征和类间差异； S3、特征提取器中得到的源域和目标域混合数据特征输入特征分类器中得到特征分类结果，得到不含有标签的目标域雷达数据序列的分类标签、域判别损失、源域分类损失； S4、特征提取器中得到的源域和目标域混合数据特征输入给领域判别器中分别以数据片段的形式进行多特征领域判别，得到子域分类结果和子域分类损失； S5、基于以上类间差异、域判别损失、源域分类损失、子域分类损失对模型进行迭代求解，最终得出高可信度的目标域雷达数据分类标签； 所述S2中的混合数据的特征为特征分类器循环网络BiGRU的输出特征向量，类间差异度量函数公式如下式1所示： 1 式1中表示特征提取器当前混合输出特征为个特征，每个特征向量为N维；表示源域第个样本数据经过特征提取器后提取出的特征，表示提取出的特征矩阵的转置，表示矩阵的2范数，为雷达数据序列样本数目； 所述S3中的特征分类器为，其控制权重为，分类标签是经过带有权重的Softmax分类层得到雷达工作模式分类标签向量；域判别损失度量函数公式如下式2所示： 2 式2中为雷达数据序列样本数目，表示源域第个数据，表示源域第个数据的标签，表示对数据做特征提取处理，表示对数据进行特征分类处理，为交叉熵函数；源域分类损失为改进型加性余弦间隔损失度量函数，其公式如下式3所示： 3 式3中表示雷达数据序列样本数目，表示雷达序列分类数，表示余弦系数，表示余弦间隔，表示源域雷达样本与其自身携带的标签权重的夹角，表示源域雷达样本与非其自身标签权重的夹角； 所述S4中的领域判别器为，其控制权重为，域分类结果为判断当前特征属于源域或目标域，其子域分类损失为，其公式如下式4所示： 4 式4中，为第个域鉴别网络函数，为样本伪标签向量的第个分量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌航空大学，其通讯地址为：330038 江西省南昌市市丰和南大道696号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。