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一种基于特征解耦的跨域小样本雷达一维像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：CN116682015B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202310687905.X，技术领域涉及：G06V20/10；该发明授权一种基于特征解耦的跨域小样本雷达一维像目标识别方法是由廖阔;彭曙鹏;卜志纯;潘启迪;陈思情设计研发完成，并于2023-06-12向国家知识产权局提交的专利申请。

本一种基于特征解耦的跨域小样本雷达一维像目标识别方法在说明书摘要公布了：本发明属于雷达目标识别技术领域，具体涉及一种基于特征解耦的跨域小样本雷达一维像目标识别方法。本发明利用仿真数据集和实测数据集作为样本数据，所构建的网络包括特征提取模块、解耦模块、数据增强模块和分类模块，其中解耦模块将原始特征解耦为域无关特征和域相关特征，分类模块包括域分类器和类别分类器，对仿真数据、混合数据和实测数据提取到的域相关特征和域无关特征进行域判别。本发明将仿真数据与实测数据相结合，利用仿真数据辅助实测数据训练，提高了模型对实测目标的识别率。

本发明授权一种基于特征解耦的跨域小样本雷达一维像目标识别方法在权利要求书中公布了：1.一种基于特征解耦的跨域小样本雷达一维像目标识别方法，其特征在于，包括以下步骤： S1、构建数据集： 分别获取目标的一维像仿真数据集和实测数据集作为样本数据，将仿真数据集作为源域S，实测数据集作为目标域T； S2、数据预处理： 对S1中所有样本数据进行预处理，包括中心对齐和能量归一化，每个样本维度为1×N，N为采样点个数； S3、构建网络模型，包括特征提取模块、解耦模块、数据增强模块和分类模块，具体为： 特征提取模块采用一维的Transformer网络作为特征提取器，特征提取器在源域数据预训练、混合数据元训练和目标域数据微调三个不同阶段中是参数共享的；其中预训练阶段输入为源域数据，元训练阶段输入是由数据增强模块对源域数据和目标域数据增强后的混合数据，微调阶段输入为目标域数据；所述数据增强模块采用CutMix数据增强方式，CutMix的目标是通过组合两个训练样本和生成新的训练样本，利用新的训练样本训练模型，合并操作表示为： ， ， 其中，表示二进制掩码，用来掩盖掉部分区域以用另一样本的该部分区域进行填充；为逐点相乘，服从的均匀分布；为了对二进制掩码进行采样，对裁剪区域的边界进行采样，表明两个样本需要混合的区域，裁剪框表示为： ， 其中，为裁剪区域的起点位置，为裁剪区域的长度，为样本维度，确定好裁剪区域后，将掩码区域中的裁剪区域置0，其它区域置1，即可将一个样本中的裁剪区域移除，将另一样本中的裁剪区域填充到该样本中，完成样本混合的操作； 解耦模块由若干全连接层和批归一化层组成，解耦模块的输入经过全连接层、批归一化层和激活函数后，输入多个并联的全连接层，多个并联的全连接层构成第一个解耦模块和第二个解耦模块，其中第一个解耦模用于学习出均值和方差作为域无关特征，第二个解耦模块用于提取域相关特征；解耦模块的输入为特征提取器输出的原始特征，解耦模块将原始特征解耦为域无关特征和域相关特征； 分类模块包括域分类器和类别分类器，域分类器对样本进行二分类，即判断样本是属于仿真域还是实测域，域分类器包括域无关分类器和域相关分类器，域无关分类器用于对仿真数据、混合数据和实测数据提取到的域无关特征进行域判别；域相关分类器用于对仿真数据、混合数据和实测数据提取到的域相关特征进行域判别； 域无关判别损失表示为： ， 其中，为散度损失，为仿真数据经过域无关分类器的输出，为实测数据经过域无关分类器的输出，为混合数据经过域无关分类器的输出；将、、全部置为0.5，目的是使得域无关分类器无法分辨出样本属于实测域还是仿真域； 域相关判别损失表示为： ， 其中，为混合数据所属类别的置信度得分，也即混合数据的混合比例，为交叉熵损失，为仿真数据经过域相关分类器的输出，为实测数据经过域相关分类器的输出，为混合数据经过域相关分类器的输出；将、置1，将、置0，目的是使得域相关分类器能够分辨出样本所属域的类别； 类别分类器包括源域分类器S和目标域分类器T，源域分类器S和目标域分类器T的输入为域无关特征，类别分类损失表示为： ， 其中为仿真数据分类损失，为实测数据分类损失；总损失函数表示为： ， 其中为重构损失： ， 其中为特征提取器提取到的原始特征，和为通过解耦模块分离出的特征，是一个重构网络； S4、将仿真数据作为源域，实测数据作为目标域，利用两个域中的样本进行训练，具体训练步骤为： S41、预训练阶段：利用HRRP仿真数据集来预训练特征提取模块和解耦模块； S42、元训练阶段：元训练阶段的输入是仿真数据和实测数据，数据的输入包含三个分支：仿真数据的支持集、实测数据的支持集以及将仿真数据和实测数据进行数据增强后的混合数据；每一个分支都经过特征提取和解耦，分离出域无关特征和域相关特征，经过解耦模块的特征会经过两个域分类器和两个类别分类器，域分类器用以判别域相关特征与域无关特征，类别分类器用于目标分类； S43、微调阶段：仅输入实测数据，利用实测数据对特征提取模块、解耦模块进行微调获得训练好的网络； S5、将获取的目标雷达一维像输入训练好的网络进行识别。

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。