一种基于卷积去噪自编码关系网络的少样本学习方法

本发明涉及一种基于卷积去噪自编码关系网络的少样本学习方法。

背景技术：

1、对于航天器的在轨运行过程，因为空间环境的复杂，导致实验仿真无法完全模拟实际运行情况，所以需要依靠真实实验的数据样本量很少，即数据不仅成本高昂，且每一次的数据都是非常珍贵的。并且由于航天器在轨运行耗费巨大的经济资源，为了维护航天器热控系统的安全性，可靠性和稳定性，研究少样本数据是十分必要的。

技术实现思路

1、针对现有技术的上述问题，本发明提供了一种基于卷积去噪自编码关系网络的少样本学习方法，以实现基于卷积去噪自编码关系网络的少样本学习方法。该方法适用于各种少样本学习任务，包括分类、识别和预测等应用场景。

2、本发明的该方法首先进行数据预处理。在开始学习之前，需要对少样本数据进行预处理。这包括数据清洗、标准化和归一化等步骤，以确保数据的一致性和可比性。第二步是卷积特征提取。采用卷积神经网络对预处理后的数据进行特征提取。卷积层可以有效地捕捉数据中的局部空间特征，并通过激活函数引入非线性变换。多个卷积层和池化层的组合可以逐渐提取出数据的高级抽象特征。第三步是去噪自编码器构建。提取的特征通过去噪自编码器进行重构和降噪处理。去噪自编码器是一种无监督学习方法，通过在输入特征上施加噪声并尝试重构原始输入，可以学习到数据的低维表示和潜在特征。这有助于去除特征中的噪声和冗余信息，提高数据的表征能力。第四步是关系网络建模。利用自编码器中学习到的关系模式，构建样本之间的关系网络。关系网络用于捕捉样本之间的相似性和差异性，通过节点和边的连接表示样本之间的关系。可以使用图神经网络等技术来对关系网络进行建模和学习，以获取样本之间更丰富的交互信息。最后一步是分类预测。通过利用关系网络中的信息进行分类和预测。关系网络提供了样本之间的关联性信息，可以帮助提升分类器的性能。

3、通过上述具体实施方式，本发明的方法能够充分利用少量样本数据中的信息，提高模型的泛化能力和分类准确率。实验证明，该方法在少样本学习任务中具有较高的实用价值，能够有效地解决少样本学习中的挑战。

技术特征：

1.一种基于卷积去噪自编码关系网络的少样本学习方法，其特征在于包括：

2.根据权利要求1所述的基于卷积去噪自编码关系网络的少样本学习方法，其特征在于：

技术总结
本发明提供了一种基于卷积去噪自编码关系网络的少样本学习方法，适用于空间任务领域。本发明结合了卷积去噪自编码和关系网络技术，以实现少样本学习。首先将输入数据集(102)拆分为样本集(103)与查询集(104)，通过去噪自编码器对输入的数据进行特征提取(105)和去噪处(106)，得到高质量的特征；利用卷积降噪自编码器关系网络(107)对提取得到的特征进行关联和推理，通过学习特征之间的关系(108)，系统能够更好地理解数据的内在结构和规律，从而实现对少样本的准确学(110)。本发明通过充分挖掘少样本数据中的信息，能够更好地适应实际空间环境的变化和复杂性，提供更可靠的决策支持。

技术研发人员：李可,李源淦,李鹏蛟,武昊鹏,阚艳,庞丽萍,杨顺昆
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/1/15