问题1：干扰信号提取及所在的时间区间的识别研究.pdfVIP

1问题1：干扰信号提取及所在的时间区间的识别研究

本章为了应对电磁辐射和声发射环境下样本冗余的新型信号识别任务需求，开展冗余

信号的数据筛选研究，以缓解冗余信号在识别模型训练过程中带来大量内存和计算资源浪

费的问题。本文在模型训练之前对所有的训练集样本进行预筛选，通过删除冗余样本并仅

保留有价值的样本，达到缩减数据集规模和控制深度学习模型训练成本的目的。这一过程

被称为核心集选择，基本示意图如图5-1所示。

图5-1：核心集选择示意图

本章开展了冗余信号的数据筛选研究，旨在利用样本在模型训练早期的信息进行冗余

信号的删除与代表性子集的保留，以提升模型的训练效率并控制模型的训练成本。

1.1支持向量机

在本章工作中，所提出方法构造了一个边界样例选择器，用于解决决策边界附近的重

要样本难以定位的问题，其中边界样例选择器的主体为K个“一对多”的线性SVM，K为

信号数据集中的类别个数。

1.1.1几何间隔最大化超平面

SVM的基本思想是通过深入分析训练集样本的分布情况，找到一个既能够正确划分训

练集样本又能够最大化几何间隔的超平面。这样的超平面不仅可以有效地区分不同类别的

样本，还能为距离超平面最近的样本提供足够大的预测置信度。形式化来说，几何间隔最

大化的超平面求解问题可以表示为如下最优化问题:



max

a,ba(5-1)

s.t.(

yax+b),

y

其中，和分别表示超平面的法向量和位移，和分别表示训练集中的样本及其标

abx



签，为训练集样本数，为训练集的几何间隔。该公式的约束条件指的是训练集中任一

N

2



样本距超平面的几何间隔不小于，=。

a

1−112

显然，最大化几何间隔即为最大化a，这本质上等价于最小化a。因此，上

22

述约束可以重写为如下公式：

1

12

mina

a,b2(5-2)

s.t.y(axb

+)1,

可以看到，公式(5-2)实际上是一个凸二次规划问题，引入拉格朗日乘子0后可以将

i

其转换