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！

龙图腾网获悉电子科技大学申请的专利基于自适应阈值的开集辐射源个体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：CN116522240B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310473969.X，技术领域涉及：G06F18/2415；该发明授权基于自适应阈值的开集辐射源个体识别方法是由李建清;江涛;王姣;黄浩;王宏设计研发完成，并于2023-04-27向国家知识产权局提交的专利申请。

本基于自适应阈值的开集辐射源个体识别方法在说明书摘要公布了：本发明公开了一种基于自适应阈值的开集辐射源个体识别方法，首先基于辐射源已知数据集，通过深度度量学习获取预训练模型并用作特征提取器，使用特征提取器处理辐射源数据集，建立辐射源特征表示库，再计算初始动态阈值和用于调节动态阈值的自适应阈值调节函数，根据自适应阈值调节函数，实时调节动态阈值以获得自适应阈值，并以此判断测试集为已知辐射源或未知辐射源，最后依据识别结果，实时更新或新增辐射源特征表示库、动态阈值，再进行下一轮识别。本发明的方法可自适应调节每类辐射源的实时动态判别阈值，使其适应不同场景和不平衡数据下的开集辐射源个体识别，提高识别的准确性，增强鲁棒性与适应性，同时满足实际应用场景的实时性需求。

本发明授权基于自适应阈值的开集辐射源个体识别方法在权利要求书中公布了：1.一种基于自适应阈值的开集辐射源个体识别方法，具体步骤如下： S1、基于辐射源已知数据集，通过深度度量学习获取预训练模型并用作特征提取器； 所述步骤S1具体如下： 首先采集辐射源信号，对采集的原始信号数据进行统一预处理后获得辐射源IQ信号数据集，预处理包括：重采样、频谱搬移、低通滤波、滑动裁切、归一化； 然后构建深度度量学习模型，其结构包括：输入层，主干网络层，投影层，分类层；同时，采用损失函数用于衡量模型预测与真实目标之间的差异，以优化模型参数；具体如下： 输入层：可接收的输入大小设置为L，1,2； 其中，L表示信号长度； 主干网络层：采用Resnet18结构，通过全局平均池化层GAP输出m维特征向量； 投影层：采用多层感知机MLP结构，三层MLP，每层都有批量归一化BN，前两层有整流线性单元ReLU，输出层没ReLU，最终输出类别数的特征向量； 分类层：多分类函数取Softmax函数； 损失函数：为CircleLoss与CrossEntropyLoss的加权和，其表示如下： ； ； 其中，表示正样本信号总数；表示负样本信号总数；、分别表示第个正样本、第个负样本；pt、nt分别表示该样本为正样本、负样本；、、、、为超参，表示比例系数，、分别表示正样本、负样本的相似度目标值，、分别表示调整正样本和负样本的阈值；且、、、由一个超参margin进行调整，；；；；、分别表示正样本、负样本的相似度得分，、分别表示正样本、负样本的相似度比较值，表示当正样本的相似度得分小于正样本的相似度目标值时，计算得到的值为正；否则为零；表示当负样本的相似度得分大于负样本的相似度目标值时，计算得到的值为正；否则为零； ； 其中，C表示辐射源信号类别总数，c表示类别；yc表示指示变量，如果该类别c和样本的类别相同，则yc为1，否则为0；pc表示对于观测样本属于类别c的预测概率； ； 其中，，为超参，分别表示CircleLoss与CrossEntropyLoss的权重； 最后根据预处理后的辐射源IQ信号数据集，训练深度度量学习模型直到收敛情况、准确率最优，将此时模型保存为特征提取器； S2、使用特征提取器处理辐射源数据集，建立辐射源特征表示库，包括辐射源标签、特征向量、特征向量中心； 所述步骤S2具体如下： 首先，基于预处理后的辐射源IQ信号数据集，通过特征提取器获取对应特征向量； 其中，表示第n类第i个样本的特征向量，xm表示特征向量第m维的值，T表示向量的转置操作； 然后按照辐射源个体类别标签n，分别储存特征向量，建立辐射源特征表示库； 最后，基于每类的特征向量，计算每类特征向量中心X_centern以表示该类辐射源，此时共q个样本的第n类特征向量中心X_centern的计算式如下： ； 其中，表示第n类第i个样本对应特征向量在第m维的值； S3、基于步骤S2建立的辐射源特征表示库，计算初始动态阈值和用于调节动态阈值的自适应阈值调节函数； 所述步骤S3具体如下： S31、基于辐射源特征表示库，计算每一类特征向量中心与其同类及异类特征向量的距离，获取相似度矩阵Ssame、Sdiff； 距离计算采用余弦距离，计算式如下： ； 其中，A，B分别表示两个特征向量，，； 则第n类的同类相似度矩阵计算式如下： ； 则第n类的异类相似度矩阵计算式如下： ； 其中，表示第n类的特征向量中心，表示第n类第个同类特征向量，表示第i类第个异类特征向量，、分别表示同类、异类的测试样本数； S32、根据第n类的相似度矩阵，分别设定初始阈值α与精细度f，步数为，通过逐步增加阈值，计算不同阈值k下第n类的分辨率ACCn，并根据最佳分辨率定位第n类的当前最佳动态阈值； 分辨率ACCn计算式如下： ； 其中，表示的第i个余弦距离，表示的第i个余弦距离，Num表示正确的数量，表示异类识别正确则Num加一，表示同类识别正确则Num加一，Numsame、Numdiff分别表示同类、异类的测试样本数； S33、设定初始特征向量用量、精细度σ、抽取次数β，通过r逐步增加特征向量用量，即从特征表示库每类中β次随机抽取数量的特征向量，基于步骤S2，多次求取不同特征向量用量对应下的特征向量中心，并基于步骤S31计算此时的同类相似度矩阵与异类相似度矩阵； S34、基于步骤S32，计算不同特征向量用量对应的第n类的最佳动态阈值，直到动态阈值趋于稳定，第n类的最佳动态阈值为，计算特征表示库中所有N个类别的阈值平均变化为，最终通过与进行拟合，获得辐射源特征向量用量强相关的自适应阈值调节函数； 其中，与的拟合方法根据实际场景调整，获得对应的辐射源特征向量用量强相关的自适应阈值调节函数； S4、根据自适应阈值调节函数，实时调节动态阈值以获得自适应阈值，并以此判断测试集为已知辐射源或未知辐射源； S5、依据识别结果，实时更新或新增辐射源特征表示库、动态阈值，再进行下一轮识别。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。