基于深度流数据的雷达信号分选方法
本科毕设内容 提出一种流数据背景下的基于深度学习的智能脉冲分选方法，该方法提取脉冲样本深层类别特征用以聚类，实验表明了该 方法具备良好的可行性与鲁棒性。主要研究内容如下：
1、针对深层类别特征提取任务，本文设计一种对比编码器网络模型 （ContrastiveAutoencoder Network, ConAEnet），通过融合编码解码器、对比学习等 无监督表征学习方法的先进经验，使得所提取深层特征在最大程度上降低信息损 失率的同时保持相对其他脉冲样本的独特性，在稳定训练过程的同时能够提取出 更加具备区分度的深层分类特征。实验表明，该方法在 7 个类别的纯净数据集上 实现了 94%的分选正确率，相较于一般机器学习分选方案精度提高 15%以上，验 证了该方法的可靠性。
2、针对静态数据储存压力过大的问题，本文设计流式对比编码器。该方法基 于脉冲样本数据流训练模型，每个训练迭代仅需存储单个批数据及寄存器，相较于 静态训练对全部样本储存的硬性要求，流式对比编码器的储存需求显著降低。此外， 通过融合数据重现、知识蒸馏等增量学习模块，流式对比编码器较好的克服了灾难 性遗忘问题。实验结果表明，流式对比编码器在不平稳数据集上分选正确率高达 88%，在大大减轻数据存储负担的同时延续了方法的可靠性与鲁棒性。
3、针对深层特征提取与聚类头结合的模型对少量样本不具备分选能力的问题， 本文设计动态中心模块。在流数据训练过程中不断参考当前数据各类别分布状态， 动态调整既有类别中心在深层特征空间下的位置信息。对于紧急小样本分类任务， 仅需判断最近邻中心即可确定样本类别归属。该方法延续了 K-均值聚类**，对 不同稳定程度的数据流具备较为良好的分选能力。实验表明，稳定数据流下的动态 中心分类正确率可达90%，不稳定数据流下的动态中心分类正确率也能达到63%， 远超一般流聚类方法。