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！

龙图腾网恭喜安徽大学申请的专利基于增量学习的雷达复合干扰识别方法、系统、介质和设备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：CN118519096B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202410446907.4，技术领域涉及：G01S7/02；该发明授权基于增量学习的雷达复合干扰识别方法、系统、介质和设备是由吴振华;崔金鑫;曹宜策;王腾鑫;郭文杰;杨利霞设计研发完成，并于2024-04-15向国家知识产权局提交的专利申请。

本基于增量学习的雷达复合干扰识别方法、系统、介质和设备在说明书摘要公布了：本发明公开了一种基于增量学习的雷达复合干扰识别方法、系统、介质和设备，获取多个带干扰类型标签的雷达干扰时频图数据集；构造基础训练数据集、增量训练数据集和非均衡测试集；利用基础训练数据集和增量训练数据集对预先构建的直推式小样本增量学习雷达复合干扰识别模型分别进行元学习基类训练和增量学习；利用非均衡测试集对增量训练后的直推式小样本增量学习雷达复合干扰识别模型进行直推式学习，得到目标直推式小样本增量学习雷达复合干扰识别模型；将待测雷达干扰时频图像输入至目标直推式小样本增量学习雷达复合干扰识别模型中进行雷达复合干扰识别。本发明实现已知未知复合干扰的一体化快速准确识别。

本发明授权基于增量学习的雷达复合干扰识别方法、系统、介质和设备在权利要求书中公布了：1.一种基于增量学习的雷达复合干扰识别方法，其特征在于，包括：获取多个带干扰类型标签的雷达干扰时频图数据集；其中，干扰类型标签包括单一干扰类型标签和复合干扰类型标签；根据多个带干扰类型标签的雷达干扰时频图数据集，构造基础训练数据集、增量训练数据集和非均衡测试集；其中，基础训练数据集仅包括带单一干扰类型标签的雷达干扰时频图，增量训练数据集仅包括带复合干扰类型标签的雷达干扰时频图，非均衡测试集包括带单一干扰类型标签的雷达干扰时频图和带复合干扰类型标签的雷达干扰时频图；利用基础训练数据集和增量训练数据集对预先构建的直推式小样本增量学习雷达复合干扰识别模型分别进行基类训练和增量学习，得到增量训练后的直推式小样本增量学习雷达复合干扰识别模型；利用非均衡测试集对增量训练后的直推式小样本增量学习雷达复合干扰识别模型进行直推式学习，得到目标直推式小样本增量学习雷达复合干扰识别模型；将待测雷达干扰时频图像输入至目标直推式小样本增量学习雷达复合干扰识别模型中，得到待测雷达干扰时频图像的预测识别结果；其中，直推式小样本增量学习雷达复合干扰识别模型包括基于元学习的基础干扰识别网络模型、基于增量学习的干扰识别网络模型和基于直推式学习的辅助干扰识别网络模型；其中，直推式小样本增量学习雷达复合干扰识别模型的基础网络模型由一个可冻结的特征提取器、一个可训练的固定大小的全连接层和一个可重写的动态增长EM存储器组成；通过插入全连接层将冻结部分与增量部分分开，该全连接层在维数保持固定的超维嵌入空间中输出类向量；其中，直推式小样本增量学习雷达复合干扰识别模型的构建包括三个阶段，三个阶段均采用该基础网络模型结构；第一阶段是基础训练阶段，构建基于元学习的基础干扰识别网络模型；在基础训练阶段，特征提取器是通过适当的锐化注意力进行元学习的CNN网络模型，使用拟正交向量表示不同的干扰类别，用于实现基础已知单一类别干扰的准确识别，同时作为增量训练阶段的预训练模型；第二阶段是增量训练阶段，构建基于增量学习的干扰识别网络模型；在第二阶段中，基于第一阶段的预训练模型，使用极少量新类别复合干扰样本输入网络模型中，在动态增长EM存储器中形成新类别拟正交原型向量；然后对动态增长EM存储器中存储的拟正交原型向量进行双极化，在迭代的情况下重新训练全连接层，得到一个适合目前所有干扰类型的分类器模型；第三阶段是直推式学习阶段，构建基于直推式学习的辅助干扰识别网络模型；在第三阶段中，基于第二阶段训练好的模型，使用非均衡测试集的干扰样本作为查询集，第二阶段的训练集作为支持集，通过直推式学习模型对动态增长EM存储器中存储的类别拟正交原型向量进行直推式学习，得到一个更优的分类器模型。

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安徽大学，其通讯地址为：230000 安徽省合肥市经济技术开发区九龙路111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”。