问题3：前兆特征数据的危险预判 .pdfVIP

1问题3：前兆特征数据的危险预判

与传统的封闭集信号识别任务类似，前兆特征信号的开集识别可以看作是一个K+1类

的决策问题，其中问题的输入是接收到的具有复杂基带时间序列表示的信号，输出是K+1

信号类别的概率。接收信号的一般形式表示如下：

x(t)=s(t)c(t)+n(t)(7-1)

s(t)c(t)n(t)

式中，为传输的无噪声时间序列信号，为传输信道的脉冲响应，为加性高

斯白噪声（AWGN），x(t)表示接收到的包含同相正交分量格式的复杂基带信号，

x(t)=[x(t),...,x(t)]T。

1N

在电磁辐射和声发射信号环境中，所有前兆特征信号显然无法全部包含在通信系统所

收集到的信号训练集中。传统的信号识别模型缺乏与这些信号相关的信息，从而无法发现

这些从未见过的信号类别。前兆特征信号识别任务的目标是学习一个开放集模型

f(x(t)):R→Y={1,...,K,K+1}。根据如下预期风险最小化公式可以求得最优的开集模型：

argminEI(y,f(x(t))),y=yT

(x,y)D[1,...,yN],yiY(7-2)

fU

1.1未知信息推断模块

[16]

本节通过对已知类信号样本进行合理的信息推理，结合Mixup操作来构造出新类信

号样本的理想替代品。Mixup本质上是一种简单的数据增强方法，其优势是不会消耗太多

额外的计算资源。

算法7-1：未知信息推断

具体来说，算法7-1主要包含三个步骤。第一步，将包含已知类信号的小批量训练集

DDDD

拆分为两个子集和，每个子集都有一半样本，见第1行。第二步，对子集进

KXYX

行合理的信息推断，再基于Mixup操作构造出一个合成替代品的集合D，并将其对应的

mixup

DD

标签设置为K+1，见第2∼6行。第三步，通过添加来扩充小批量子集，然后打乱

mixupY

D

该数据集，参见第7行。新的训练集包含K+1类不同的信号样本，用于向信号识别模

new

型提供其缺失的新类数据决策信息，进而提高模型识别新类信号的能力。

1.2特征提取模块

通常，特征提取是基于预训练的深度神经网络模型从输入数据中得到潜在特征，这些

特征由给定数据一层（最后一层）或多层的激活向量组成。本节考虑到信号的输入数据形

式与图像的输入数据形式差异较大，因此使用的特征提取模块借鉴的是信号领域的识别模

1

型。这里所使用的特征提取模块借鉴了文献[2]提出的深度神经网络