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！

龙图腾网获悉西北工业大学申请的专利一种基于样本映射的少样本水声目标识别方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：CN116343825B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202310330326.X，技术领域涉及：G10L25/51；该发明授权一种基于样本映射的少样本水声目标识别方法是由崔晓东;朱培灿;薛洋涛;王震;李学龙设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本一种基于样本映射的少样本水声目标识别方法在说明书摘要公布了：本发明提供了一种基于样本映射的少样本水声目标识别方法；包括：步骤1，在基数据集上做分类任务训练一个特征提取模块用以对新类的特征提取；步骤2，使用训练好的特征提取模块对新类的样本进行特征提取，并计算每个类的平均特征，根据样本对每个类的中心特征的相似度来将基数据集上的样本映射至新类组成的类型空间中，并给其标记上伪标签；步骤3，使用带伪标签的基数据集样本和支持集样本共同对模型进行微调以拟合新类的特征识别。本发明方法针对在少样本的情况下对水中目标进行检测时，相比于其他的模型具有更高的准确率，同时在加噪的情况下同样可以获得较好的效果。

本发明授权一种基于样本映射的少样本水声目标识别方法在权利要求书中公布了：1.一种基于样本映射的样本水声目标识别方法，其特征在于，包括以下步骤： 步骤1，在基数据集上做分类任务训练一个特征提取模块用以对新类的特征提取； 步骤2，使用训练好的特征提取模块对新类的样本进行特征提取，在求得每个类的均值之后，将被用于与基数据集的特征向量计算相似度并映射至新类的类型空间中作为样本的伪标签； 步骤3，使用带伪标签的基数据集样本和支持集样本共同对模型进行微调以拟合新类的特征识别； 其中，支持集样本与基数据集样本从shipsear数据集中选用数据，基数据集样本包含从shipsear数据集中选用的6类样本；支持集样本从剩余的5类样本中选择；支持集样本中每类样本的数量为1、3或5； 所述步骤1的具体步骤为： 在基数据集下，使用多分类的训练方式训练一个由特征提取器和分类层组成的卷积神经网络，使用交叉熵损失函数对模型进行优化；base和base分别为优化后的特征提取器和分类器的参数，在训练结束后，特征提取器将用于下游的样本识别任务，而分类器将被舍弃，该步骤所使用的公式如I所示： I； 所述步骤2的具体步骤为： 固定的参数对支持集上类的样本提取特征向量，如果每个类有多个样本，则求平均值作为该类的特征向量，其中为支持集上属于类的样本，如公式II所示： II； 在求得每个类的均值之后，将被用于与基数据集的特征向量计算相似度并映射至新类的类型空间中作为样本的伪标签，首先特征与支持集中的类的特征向量计算余弦相似度作为该样本被分类至新类的概率，如公式III所示： III； 将对支持集中个新类的概率拼接作为基样本在新类的类型空间中的伪标签，如公式IV所示： IV； 所述步骤3的具体步骤为： 用两种损失函数加权求和来对整个模型进行优化，其中基数据集的损失函数为KL散度，支持集的损失函数为交叉熵损失； 为样本映射阶段对基数据集中的样本打上的关于新类的伪标签，与是权衡两种损失函数权重的超参数，是来自预训练阶段对特征提取模块优化的参数，是分类层重新初始化的参数，使用SpecAugment来对数据做样本扩增，如公式V所示： V 在微调结束后，模型将固定参数并对测试集样本进行预测，在随机选取多个不同的和组合进行微调并预测后，将所有的预测结果平均化作为最终结果。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。

以上内容由龙图腾AI智能生成。