摘要
一种基于黎曼流形特征对齐的电磁信号对抗鲁棒性增强方法,将信号数据集进行归一化处理,划分为训练集、验证集和测试集;采用投影梯度下降算法在训练集样本上生成对抗样本;提取干净样本和对抗样本的深层特征表示并将其映射到单位球面构成的黎曼流形空间;随后对于不同类别采用迭代优化策略计算特征分布的黎曼均值:初始化阶段分别计算两类特征的均值作为初始质心;在后续每轮迭代中,通过对数映射将特征投影至当前质心的切空间,计算欧式均值后再通过指数映射回到流形空间作为最终的黎曼质心;计算质心一致性损失和流形特征损失去更新模型;对于训练后模型进行对抗攻击测试。本发明不仅提高了分类准确性,还增强对抗攻击的鲁棒性。
技术关键词
样本
鲁棒性
黎曼
梯度下降算法
训练集
球面
神经网络模型
电磁
测地线距离
更新模型参数
模型超参数
数据
顶点
信号特征
复信号
定义
指数
阶段
多层次
系统为您推荐了相关专利信息
茶制作工艺
茶叶表面
桂花香料
揉捻方式
深度学习算法
智能预测方法
嵌入式轨道板
地铁车辆
BP神经网络
轮轨力