无源无监督迁移学习综述

迁移学习由于解决了领域之间的分布差异引起的领域迁移问题而引起了人们的关注。现有的迁移学习方法绝大多数需要访问源域数据,访问源域数据可能因为源域数据涉及隐私、数据量过大占据较大的存储空间以及计算成本等原因而带来难题。因此,很多研究开始关注无源无监督的方法,即从预先训练的源模型向不可访问的未标记目标领域执行迁移。首先介绍了无源无监督迁移学习的定义,然后简述了无监督迁移学习的研究现状,最后总结了部分方法在数据集上的表现,有利于进一步的研究。     

辐射源个体识别研究综述

辐射源个体识别作为一种电子侦察技术,在战场敌我识别、目标态势感知、无线网络安全、频谱资源管理等军用和民用领域均具有重要应用价值。通过对国内外辐射源个体识别领域的研究进行系统性梳理,介绍了基于传统机器学习、深度学习、迁移学习等3类辐射源个体识别方法并分析了其优缺点。传统基于深度学习的辐射源个体识别方法假设训练数据与测试数据是同分布的,但在真实测试场景中,由于辐射源个体的中心频率、发送速率、接收距离以及接收机等都可能发生变化,导致训练数据与测试数据分布往往不同。迁移学习作为一种解决数据不同分布的技术逐渐成为辐射源个体识别领域的主流研究方向,重点介绍了基于迁移学习的辐射源个体识别方法,讨论了所提出方法未来的研究方向与面临的挑战,并给出相应的解决方案,同时对辐射源个体识别的未来研究方向进行了展望。     

多源域适应方法综述

域适应是解决源域样本和目标域样本不满足独立同分布问题的迁移学习范式,是当下研究的重点方法。然而实际情况下获取源域样本的渠道和方法并不唯一,这会导致源域中存在多种不同分布的样本。多源域适应方法是解决源域样本分布多样性问题的有效途径,其主要研究各源域分布间的关系和与目标域分布对齐的策略,进一步减轻各域之间的域偏移,具有实用意义和挑战价值。随着深度学习技术的不断进步,多源域适应方法主要使用深度神经网络提取各域的域不变特征作为分布对齐的依据,结合使用度量准则衡量分布差异或者利用对抗思想对齐域间分布。经过理论证明和实验验证,多源域适应方法训练的模型比单源域方法训练的模型具有更好的泛化性能,更符合现实需求。通过介绍多源域适应的研究现状和相关概念,对现有算法进行总结和综述,按照迁移方式不同对多源域适应方法进行分类,进一步分析多源域适应方法性能的实验结果,阐述其存在的不足和缺点,并对多源域适应领域的发展和趋势进行预测。