CN107832787B - 基于双谱自编码特征的雷达辐射源识别方法 - Google Patents
基于双谱自编码特征的雷达辐射源识别方法 Download PDFInfo
- Publication number
- CN107832787B CN107832787B CN201711044609.9A CN201711044609A CN107832787B CN 107832787 B CN107832787 B CN 107832787B CN 201711044609 A CN201711044609 A CN 201711044609A CN 107832787 B CN107832787 B CN 107832787B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- self
- bispectrum
- signal
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于双谱自编码特征的雷达辐射源识别方法。本发明包括如下步骤:步骤1、采集雷达辐射源信号,对雷达辐射源信号进行预处理及滤噪;步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像;步骤3.采用超限学习机稀疏性自编码算法对所提取的双谱图像做特征学习,最后使用超限学习机分类算法构建雷达辐射源识别模型。本发明构建了基于双谱特征学习和超限学习机识别的一体化雷达辐射源分类架构,建立了一种快捷、高效的雷达辐射源信号识别方法。
Description
技术领域
本发明属于雷达辐射源识别领域,涉及一种基于双谱自编码特征的雷达辐射源识别方法,具体的是一种雷达辐射源双谱图像和超限学习机(ELM)自编码特征提取和分类的识别算法。
背景技术
传统的雷达辐射源分类过程实际上是信号的识别过程,即在完成特征提取选择步骤后,采用识别算法进行分类决策。但传统的方法存在以下问题:
1.双谱在辐射源信号分析中能有效处理干扰噪声,可以很好地反映雷达辐射源的本质特征。但由于计算双谱特征过程复杂,形成的特征向量维数较高,使得工程实现面临计算复杂度高等问题;
2.目前用于辐射源识别的神经网络分类算法多数是基于浅层网络结构的,然而浅层网络模型对复杂函数及高维大数据样本的表示能力有限,使得其泛化能力受到一定制约;
3.传统基于深度网络模型结构的智能识别算法大部分依赖于参数迭代更新的学习思想,在处理高维雷达辐射源信号双谱图像特征,往往面临着计算量大、复杂度高等问题。
发明内容
本发明针的目的是对传统雷达辐射源识别算法的不足,提出了一种基于双谱自编码特征的雷达辐射源识别方法,具体的是一种雷达辐射源双谱图像特征和超限学习机(ELM)自编码特征提取和分类的识别算法。
本发明的技术方案主要包括如下步骤:
步骤1、采集雷达辐射源信号,对雷达辐射源信号进行预处理及滤噪;
步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像;
步骤3.采用超限学习机(ELM)稀疏性自编码算法对所提取的双谱图像做特征学习,最后使用超限学习机分类算法构建雷达辐射源识别模型。
所述步骤1的具体实现包括以下几个部分:
1-1.将采集的雷达辐射源信号X(t)经模数转换器采样得到离散雷达信号X(n){x(1),...,x(n),...,x(N)}。
所述的采样频率满足大于等于信号最高频率的两倍;
所述的雷达等电子系统中的噪声来源是热噪声,热噪声是典型的高斯白噪声;
步骤2主要包括雷达辐射源信号分帧及每帧信号的双谱特征求解。其中双谱特征求解有很多种方法,这里我们使用非参数直接估计法,具体实现流程如下:
2-1.将离散雷达信号X(n){x(1),...,x(n),...,x(N)}分成K段,每段M个样本,即N=KM,并减去每段的样本均值;N表示样本的总长度,n表示第n个离散雷达信号样本。
2-2计算每段离散雷达信号X(n)的离散傅里叶变换(DFT)的系数Y(i):
其中,x(i)(t)(t=0,1,Λ,M-1)为第i段的离散辐射源信号。
(i=1,2,Λ,K)其中,0≤λ2≤λ1,λ1+λ2≤fs/2,且fs为采样频率,
Δ0=fs/N0是频率样本间所要求的空间,N0和L1满足M=(2L1+1)N0,
N0是每段数据未补0时的信号长度,k1和k2表示相关的时延。
2-4.离散雷达信号的双谱估计值通过求取K段的平均结果得出,即:
其中ω1=2πf1λ1/N0和ω2=2πf2λ2/N0。
步骤2中需要注意如下2点:
(1)在工程实践和仿真实验时需要双谱特征估计的矩阵维数值,维数过大易导致计算复杂度过高、内存占用大,而维数过小不利于自编码器进行特征学习;
(2)数据分段时,每帧信号可以重叠。
步骤3依据步骤2中提取的雷达信号双谱图像,采用双谱图像特征向量做为超限学习机稀疏自编码器的输入数据,利用ELM自编码器对双谱图像信号进行特征学习与提取,最后将得到的双谱压缩特征经超学习机分类算法做分类器建模与雷达辐射源信号识别。具体计算包括超限学习机稀疏自编码器对雷达信号双谱特征学习及采用所提取的双谱特征构建基于超限学习机算法的智能分类器,具体如下:
3-1.基于超限学习机稀疏自编码器对雷达信号双谱特征学习,其中超限学习机(ELM)的稀疏性自编码器的特征学习模型为:
其中,X1×d表示双谱图像特征数据,H表示自编码隐层神经元映射输出矩阵,β是得到的隐藏层权重,自编码器优化算法中加入了稀疏行限制,为了得到维数更低特征更加紧凑的学习特征,还使用了λ1修正进行优化。此外,采用了一种快速迭代收缩阈值算法(FISTA)来降低光滑凸函数的复计算杂度。
3-2.采用所提取的双谱特征构建基于超限学习机算法的智能分类器,针对多层堆叠的自编码器,级联的两个自编码器之间的数学表达式为:
Hi=g(Hi-1·β)
其中Hi是第i层输出,Hi-1是第i-1层输出,g(·)是自编码层的激活函数。假设共采用K层超限学习机稀疏自编码器做雷达辐射源双谱特征提取,则第K层自编码器的输出HK便是从输入双谱信号中提取的双谱自编码特征,即自编码后提取的特征为:HK=g(HK-1·β)。
3-3.将ELM自编码器输出的提取特征HK作为ELM分类器的输入,训练ELM分类器,其输出则是最终的雷达辐射源识别结果Y=g(HKβ+b),其中β是ELM分类器的输出权重,g(·)是ELM分类器隐层的激活函数,HK是特征向量,b是偏置。
本发明有益效果如下:
与现有基于传统图像处理的特征提取方法相比,基于超限学习机堆叠自编码双谱特征提取在雷达辐射源识别中非常高效且易于实现,不需要花费大量时间做参数调节。同时,使用ELM算法做分类器学习和建模,比传统的深度学习方法更高效。因此,本算法构建了基于双谱特征学习和超限学习机识别的一体化雷达辐射源分类架构,建立了一种快捷、高效的雷达辐射源信号识别方法。
本发明能够实现无监督的基于ELM的稀疏性自编码特征提取,并结合有监督的ELM分类算法,将整个雷达辐射源识别过程融合为一个整体,在保证高识别率和可靠性的基础上降低特征提取和辐射源识别的计算复杂度。
附图说明
图1本发明系统整体框架;
图2本发明整体程序设计流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
通用的雷达信号双谱估计方法和信号双谱的自编码特征提取及分类方法的实现步骤,在发明内容内已有详细的介绍,即本发明的技术方案主要包括如下步骤:
如图1和2所示,本发明的技术方案主要包括如下步骤:
步骤1、采集雷达辐射源信号,对雷达辐射源信号进行预处理及滤噪;
步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像;
步骤3.采用超限学习机(ELM)稀疏性自编码算法对所提取的双谱图像做特征学习,最后使用超限学习机分类算法构建雷达辐射源识别模型。
所述步骤1的具体实现包括以下几个部分:
1-1.将采集的雷达辐射源信号X(t)经模数转换器采样得到离散雷达信号X(n){x(1),...,x(n),...,x(N)}。
所述的采样频率满足大于等于信号最高频率的两倍;
所述的雷达等电子系统中的噪声来源是热噪声,热噪声是典型的高斯白噪声;
步骤2主要包括雷达辐射源信号分帧及每帧信号的双谱特征求解。其中双谱特征求解有很多种方法,这里我们使用非参数直接估计法,具体实现流程如下:
2-1.将离散雷达信号X(n){x(1),...,x(n),...,x(N)}分成K段,每段M个样本,即N=KM,并减去每段的样本均值;N表示样本的总长度,n表示第n个离散雷达信号样本。
2-2计算每段离散雷达信号X(n)的离散傅里叶变换(DFT)的系数Y(i):
其中,x(i)(t)(t=0,1,Λ,M-1)为第i段的离散辐射源信号。
(i=1,2,Λ,K)其中,0≤λ2≤λ1,λ1+λ2≤fs/2,且fs为采样频率,
Δ0=fs/N0是频率样本间所要求的空间,N0和L1满足M=(2L1+1)N0,
N0是每段数据未补0时的信号长度,k1和k2表示相关的时延。
2-4.离散雷达信号的双谱估计值通过求取K段的平均结果得出,即:
其中ω1=2πf1λ1/N0和ω2=2πf2λ2/N0。
步骤2中需要注意如下2点:
(1)在工程实践和仿真实验时需要双谱特征估计的矩阵维数值,维数过大易导致计算复杂度过高、内存占用大,而维数过小不利于自编码器进行特征学习;
(2)数据分段时,每帧信号可以重叠。
步骤3依据步骤2中提取的雷达信号双谱图像,采用双谱图像特征向量做为超限学习机稀疏自编码器的输入数据,利用ELM自编码器对双谱图像信号进行特征学习与提取,最后将得到的双谱压缩特征经超学习机分类算法做分类器建模与雷达辐射源信号识别。具体计算包括超限学习机稀疏自编码器对雷达信号双谱特征学习及采用所提取的双谱特征构建基于超限学习机算法的智能分类器,具体如下:
3-1.基于超限学习机稀疏自编码器对雷达信号双谱特征学习,其中超限学习机(ELM)的稀疏性自编码器的特征学习模型为:
其中,X1×d表示双谱图像特征数据,H表示自编码隐层神经元映射输出矩阵,β是得到的隐藏层权重,自编码器优化算法中加入了稀疏行限制,为了得到维数更低特征更加紧凑的学习特征,还使用了λ1修正进行优化。此外,采用了一种快速迭代收缩阈值算法(FISTA)来降低光滑凸函数的复计算杂度。
3-2.采用所提取的双谱特征构建基于超限学习机算法的智能分类器,针对多层堆叠的自编码器,级联的两个自编码器之间的数学表达式为:
Hi=g(Hi-1·β)
其中Hi是第i层输出,Hi-1是第i-1层输出,g(·)是自编码层的激活函数。假设共采用K层超限学习机稀疏自编码器做雷达辐射源双谱特征提取,则第K层自编码器的输出HK便是从输入双谱信号中提取的双谱自编码特征,即自编码后提取的特征为:HK=g(HK-1·β)。
3-3.将ELM自编码器输出的提取特征HK作为ELM分类器的输入,训练ELM分类器,其输出则是最终的雷达辐射源识别结果Y=g(HKβ+b),其中β是ELM分类器的输出权重,g(·)是ELM分类器隐层的激活函数,HK是特征向量,b是偏置。
为了达到更好的距离检测效果,以下将从实际应用时参数的选择与设计方面展开介绍,以作为该发明用于其他应用的参考:
本方法是以非参数的双谱直接估计方法来求解雷达信号双谱值的,双谱估计矩阵的维数大小取值,维数过大时所占用的内存和所带来的计算量都是巨大的。
此外在2-1步骤中,每段信号的含有M个样本,M的取值尽量是2的指数幂倍数。相邻两个信号段之间的取值可以有重叠。
在3-1步骤中,FISTA算法的详细应用步骤如下:
(1)计算光滑凸梯度函数▽p的Lipschitz常数γ;
(2)以y1=β0∈Rn,t1=1为初始点进行迭代,迭代次数为j,j≥1时如下:
c)yj+1=βj+((tj-1)/(tj+1))(βj-βj-1)
在3-4步骤中,在ELM网络设计中,根据实践经验训练数据占总数据的比例取值在(0.7,0.8)区间,核函数选择sigmoid()或RLU修正线性单元函数是效果较好。其次隐藏层节点神经元的数目并不是越多越好,实际应用时还需要多次试验寻找最佳的隐藏层神经元数目。
本发明本项目提出基于ELM模型的深度学习识别框架,随机产生神经网络的输入权值,为深度学习识别框架提供简单有效的解决方案,解决BP算法存在的固有问题如局部最小化、耗时等问题在CNN训练中也存在。并且超越了传统辐射源识别方法,将雷达辐射源特征提取与分类预测融合为一个整体。
Claims (4)
1.基于双谱自编码特征的雷达辐射源识别方法,其特征在于包括如下步骤:
步骤1、采集雷达辐射源信号,对雷达辐射源信号进行预处理及滤噪;
步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像;
步骤3、采用超限学习机稀疏性自编码算法对所提取的双谱图像做特征学习,最后使用超限学习机分类算法构建雷达辐射源识别模型;
所述步骤1的具体实现包括以下几个部分:
1-1.将采集的雷达辐射源信号X(t)经模数转换器采样得到离散雷达信号X(n){x(1),...,x(n),...,x(N)};
所述步骤2包括雷达辐射源信号分帧及每帧信号的双谱特征求解;使用非参数直接估计法求解双谱特征,具体实现流程如下:
2-1.将离散雷达信号X(n){x(1),...,x(n),...,x(N)}分成L段,每段M个样本,即N=LM,并减去每段的样本均值;N表示样本的总长度,n表示第n个离散雷达信号样本;
2-2计算每段离散雷达信号X(n)的离散傅里叶变换(DFT)的系数Y(i):
其中,x(i)(t)(t=0,1,…,M-1)为第i段的离散辐射源信号;
其中,0≤λ2≤λ1,λ1+λ2≤fs/2,且fs为采样频率,Δ0=fs/N0是频率样本间所要求的空间,N0和L1满足M=(2L1+1)N0,N0是每段数据未补0时的信号长度,k1和k2表示相关的时延;
2-4.离散雷达信号的双谱估计值通过求取K段的平均结果得出,即:
其中ω1=2πf1λ1/N0和ω2=2πf2λ2/N0;
所述的步骤3实现具体如下:
3-1.基于超限学习机稀疏自编码器对雷达信号双谱特征学习,其中超限学习机的稀疏性自编码器的特征学习模型为:
其中,X表示双谱图像特征数据,H表示自编码隐层神经元映射输出矩阵,β是得到的隐藏层权重;
3-2.采用所提取的双谱特征构建基于超限学习机算法的智能分类器,针对多层堆叠的自编码器,级联的两个自编码器之间的数学表达式为:
Hi=g(Hi-1·β)
其中Hi是第i层输出,Hi-1是第i-1层输出,g(·)是自编码层的激活函数;假设共采用K层超限学习机稀疏自编码器做雷达辐射源双谱特征提取,则第K层自编码器的输出HK便是从输入双谱信号中提取的双谱自编码特征,即自编码后提取的特征为:HK=g(HK-1·β);
3-3.将ELM自编码器输出的提取特征HK作为ELM分类器的输入,训练ELM分类器,其输出则是最终的雷达辐射源识别结果Y=g(HKβ+b),其中β是ELM分类器的输出权重,g(·)是ELM分类器隐层的激活函数,HK是特征向量,b是偏置。
2.根据权利要求1所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于自编码器优化算法中加入了稀疏性限制,同时使用了l1修正进行优化。
3.根据权利要求2所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于自编码器优化算法采用了一种快速迭代收缩阈值算法来降低光滑凸函数的计算复杂度。
4.根据权利要求2所述的基于双谱自编码特征的雷达辐射源识别方法,其特征在于所述的采样频率满足大于等于信号最高频率的两倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711044609.9A CN107832787B (zh) | 2017-10-31 | 2017-10-31 | 基于双谱自编码特征的雷达辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711044609.9A CN107832787B (zh) | 2017-10-31 | 2017-10-31 | 基于双谱自编码特征的雷达辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832787A CN107832787A (zh) | 2018-03-23 |
CN107832787B true CN107832787B (zh) | 2020-09-22 |
Family
ID=61650177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711044609.9A Active CN107832787B (zh) | 2017-10-31 | 2017-10-31 | 基于双谱自编码特征的雷达辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832787B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446877B (zh) * | 2018-09-01 | 2022-01-07 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
CN109614905B (zh) * | 2018-12-03 | 2022-10-21 | 中国人民解放军空军工程大学 | 一种雷达辐射源信号深度脉内特征自动提取方法 |
CN109934304B (zh) * | 2019-03-25 | 2022-03-29 | 重庆邮电大学 | 一种基于超限隐特征模型的盲领域图像样本分类方法 |
CN110109060B (zh) * | 2019-03-27 | 2022-11-22 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
CN110197209B (zh) * | 2019-05-15 | 2022-07-26 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110187321B (zh) * | 2019-05-30 | 2022-07-22 | 电子科技大学 | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 |
CN111340076B (zh) * | 2020-02-17 | 2020-10-02 | 中国人民解放军32802部队 | 一种对新体制雷达目标未知模式的零样本识别方法 |
CN111568409B (zh) * | 2020-04-27 | 2021-03-16 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN111582373A (zh) * | 2020-05-09 | 2020-08-25 | 电子科技大学 | 一种基于加权迁移极限学习机算法的辐射源识别方法 |
CN111767848B (zh) * | 2020-06-29 | 2022-04-12 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN112087774B (zh) * | 2020-09-14 | 2023-04-18 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112578360B (zh) * | 2020-11-12 | 2023-09-19 | 中国人民解放军空军预警学院 | 一种基于变换域提取雷达信号脉内特征参数的方法 |
CN112578359B (zh) * | 2020-11-12 | 2023-09-19 | 中国人民解放军空军预警学院 | 一种通过双谱变换处理提取雷达信号脉内特征参数的方法 |
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN115456035B (zh) * | 2022-11-10 | 2023-04-07 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
CN116400302B (zh) * | 2023-06-05 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达信号接收处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005056876A (ja) * | 2003-08-01 | 2005-03-03 | Fujitsu Ltd | イオン注入の不純物濃度分布用パラメータにおける多階層構造のデータベース及びそれのデータ抽出プログラム |
RU2013138771A (ru) * | 2013-08-20 | 2015-02-27 | Юрий Иванович Логинов | Дихотомический мультипликативный разностно-относительный способ определения координат местоположения источника импульсного радиоизлучения |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
CN107085704A (zh) * | 2017-03-27 | 2017-08-22 | 杭州电子科技大学 | 基于elm自编码算法的快速人脸表情识别方法 |
CN107133643A (zh) * | 2017-04-29 | 2017-09-05 | 天津大学 | 基于多特征融合及特征选择的乐音信号分类方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
-
2017
- 2017-10-31 CN CN201711044609.9A patent/CN107832787B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005056876A (ja) * | 2003-08-01 | 2005-03-03 | Fujitsu Ltd | イオン注入の不純物濃度分布用パラメータにおける多階層構造のデータベース及びそれのデータ抽出プログラム |
RU2013138771A (ru) * | 2013-08-20 | 2015-02-27 | Юрий Иванович Логинов | Дихотомический мультипликативный разностно-относительный способ определения координат местоположения источника импульсного радиоизлучения |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
CN107085704A (zh) * | 2017-03-27 | 2017-08-22 | 杭州电子科技大学 | 基于elm自编码算法的快速人脸表情识别方法 |
CN107133643A (zh) * | 2017-04-29 | 2017-09-05 | 天津大学 | 基于多特征融合及特征选择的乐音信号分类方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
Non-Patent Citations (1)
Title |
---|
超限学习机方法在电脑信号特征提取与分类中的应用研究;续艳慧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107832787A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832787B (zh) | 基于双谱自编码特征的雷达辐射源识别方法 | |
CN109949255B (zh) | 图像重建方法及设备 | |
CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN105184772B (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
CN108304573A (zh) | 基于卷积神经网络和监督核哈希的目标检索方法 | |
CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
CN111078895B (zh) | 基于去噪卷积神经网络的远程监督实体关系抽取方法 | |
Verma et al. | Prediction of diseased rice plant using video processing and LSTM-simple recurrent neural network with comparative study | |
CN110991554B (zh) | 一种基于改进pca的深度网络图像分类方法 | |
Wang et al. | Research on feature extraction and recognition method of underwater acoustic target based on deep convolutional network | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN114581721A (zh) | 基于二值神经网络的多光谱图像轻量化分类方法 | |
CN113297964B (zh) | 基于深度迁移学习的视频目标识别模型及方法 | |
CN117034030A (zh) | 基于正反双向信息融合的脑电图数据对齐算法 | |
CN112381108A (zh) | 一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统 | |
CN113553917B (zh) | 一种基于脉冲迁移学习的办公设备识别方法 | |
Feng et al. | Study on the optimization of CNN based on image identification | |
Wirayasa et al. | Comparison of Convolutional Neural Networks Model Using Different Optimizers for Image Classification | |
TWI722383B (zh) | 應用於深度學習之預特徵萃取方法 | |
CN113177627B (zh) | 优化系统、重新训练系统及其方法及处理器和可读介质 | |
Zhang et al. | Intrinsic plasticity based inference acceleration for spiking multi-layer perceptron | |
Lin | Dance movement recognition method based on convolutional neural network | |
Abdullah et al. | Evaluating the Performance and Behavior of CNN, LSTM, and GRU for Classification and Prediction Tasks. | |
CN113962895B (zh) | 一种自适应生成对抗网络图像降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |