基于引导自适应协同的领域适应漏缆周界入侵算法  

Based on Guided Adaptive Co-Training Domain Adaptation Leaky Cable Perimeter Intrusion Algorithm

作　　者：王子烜 张宇星 吕俊事 许高明[1] 谢晋雄 刘太君[1] WANG Zixuan;ZHANG Yuxing;LV Junshi;XU Gaoming;XIE Jinxiong;LIU Taijun

机构地区：[1]宁波大学未来无线研究院,浙江宁波315211 [2]中国合格评定国家认可中心,北京100062 [3]深圳出入境检验检疫科学研究院,广东深圳518010

出　　处：《数据通信》2025年第1期13-18,共6页

基　　金：国家自然科学基金项目(62371266,62071264)。

摘　　要：随着泄漏电缆(简称漏缆)周界入侵监控系统的不断演进,其所面临的环境适应难题以及高昂的再训练成本日益凸显。针对这一挑战,本研究聚焦于开发有效的漏缆入侵检测领域适应的方法,旨在解决不同环境中模型性能的普适性问题。研究发现,目标域内有限的有标签数据与丰富的无标签数据往往蕴含着不尽相同的特征信息,如何有效地整合并利用这两类数据源,成为提升模型泛化能力的关键所在。为此,本文提出了名为GACN(Guided Adaptive Co-training Network)的引导式自适应协同学习网络。GACN以内源性任务作为导向,驱动引导协同学习任务,并通过自适应阈值策略,生成更为稳健的伪标签,确保模型能够在有限的真实标签指导下稳健地挖掘潜在的广泛特征。实验结果表明,GACN模型在面对复杂多变的应用场景时,展现出卓越的领域适应性能,且在目标域每类仅有4个带标签样本的情况下依然能达到97.89%的预测准确率,性能优于传统方法,具备广阔的实际应用前景。

关 键 词：漏缆监测 领域适应 周界入侵 协同学习 自适应 

分 类 号：X924.2[环境科学与工程—安全科学]