CN108416290B - 基于残差深度学习的雷达信号特征提取方法 - Google Patents
基于残差深度学习的雷达信号特征提取方法 Download PDFInfo
- Publication number
- CN108416290B CN108416290B CN201810182078.8A CN201810182078A CN108416290B CN 108416290 B CN108416290 B CN 108416290B CN 201810182078 A CN201810182078 A CN 201810182078A CN 108416290 B CN108416290 B CN 108416290B
- Authority
- CN
- China
- Prior art keywords
- pulse
- network
- parameters
- hidden layer
- radiation source
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于残差深度学习的雷达信号特征提取方法,通过设计的残差深度学习网络,可用于对复杂电磁环境下的雷达辐射源信号进行深层次的特征提取。其实现步骤是:首先利用数据库中现有的雷达数据训练残差深度网络的参数。然后将截获到的数据送入到残差深度网络输入端,通过多个隐层映射后输出结果,我们将输出的结果作为该脉冲串的深度特征。再次利用聚类方法对获得的深度特征进行聚类,依据相关性准则,计算聚类后的两两辐射源的相关程度进行处理。最后计算融合后每个辐射源的参数,完成分选。本发明能够挖掘数据间的深层次特征,具有分选精度高的优点,可用于目标侦察和干扰源定位领域。
Description
技术领域
本发明属于电子信号侦测技术领域,特别涉及一种基于残差深度学习的雷达信号特征提取方法。
背景技术
复杂电磁信号的特征提取是对信号进行深层次分析的基础,其主要目的是对信号实现变换,表示其本质的属性。几乎目前所有针对信号分析的研究都包含目标特征提取的环节。目标信号特征从发展进程上来划分,主要包括三种类型:模板(Template)特征,模型(Model)特征和模式(Pattern)特征。其中美国SAIP项目主要使用了模板和模型特征。
为了挖掘电磁信号数据中潜在的信息,去除干扰冗余、实现维数压缩,在特征提取方法中,一个很重要的分支是各种线性或非线性变换方法。由于变换域特征来源于机器学习领域的模式识别方法,因此可以将各种变换域特征称之为模式特征。模式特征指在对表征事物或现象的各种形式的信息进行处理和分析时,提取出的足以对事物或现象进行描述、辨认、分类和解释的关键信息的表示。常用的模式特征提取方法为各种线性和非线性变换方法,包括主成分分析、线性判别分析、局部判决嵌入和非负矩阵分解。在模式特征的改进方面,主要的改进方向为基于核函数和基于稀疏约束的特征表示。美国加州大学Y.Q.Li等人提出了基于遗传算法的特征合成方法,并用于目标检测;R.Huan等人提出了基于并行结构的多视角、多特征以及多分类器的组合策略,在MSTAR数据库上取得了较高的识别率。美国宾夕法尼亚州立大学的U.Srinivas以及空军实验室的R.G.Raj等人提出联合多分类器的策略。每个特征对应一个分类准则,得到一个软输出(Soft Output)。三个软输出作为元特征向量送入元分类器,最终得到决策结果。J.P.P.Gomes等人采用多分类器融合来提高SAR ATR识别率。在使用多尺度分解算法提取目标特征后,分别送入最小距离分类器(Minimum Distance Classifier,MDC)、二次高斯分类器(Quadratic GaussianClassifier,QGC)和多层感知器(Multilayer Perceptron,MLP)神经网络三个分类器,最终将输出的三个结果使用投票架构(Voting Architecture)得到判决输出。H.M.Je和S.Pang等人则通过Bagging技术实现SVM的集成,并将其用于人脸检测和分类;英国萨里大学D.S.Frossyniotis等人也提出了基于监督学习和非监督学习的集成SVM的分类系统。
事实上,人工智能技术正在不断地被应用到雷达信号特征提取和识别领域。2010年华中科技大学和香港中文大学基于人的注意机制,研究了雷达信号显著性的快速检测方法,并应用于海上船只检测;2009年伊利诺伊大学和加州大学伯克利分校联合研究了基于稀疏表示的人脸识别方法,研究表明稀疏表示更加符合人的感知方式,因而能够获得更加高效的特征表达和更加稳健的识别性能;2011年加拿大国防部研究与发展中心N.Sandirasegaram等人研究了各种极化、非极化特征组合下雷达信号的性能,该研究表明利用自组织映射技术进行特征组合可以获得更高的识别性能。这些理论和方法有可能对复杂电磁信号的特征提取方法和体制产生深远影响。
将深度学习引入雷达领域对复杂电磁信号进行特征提取和分析是必须的且急迫的。一些研究者已经开始了此方面的研究。N.cheng将自编码器直接应用SAR ATR,但是缺少理论问题的解决;Z.Sun等人采用多层自编码器提取SAR目标纹理和阴影特征,并融合送入协同神经网络(Synergetic Neural Network,SNN)进行识别,但是识别性能不是很理想。
在国内,包括电子科技大学、国防科技大学、西安电子科技大学、北京理工大学等在内的很多大学也都开展了复杂电磁信号特征提取技术的相关研究。
国防科技大学ATR国家重点实验室在目标信号方位角相关性、特征组合、目标识别等方面开展了一系列研究;西安电子科技大学的雷达信号处理国家重点实验室以及智能信息处理研究所在信号特征提取、多特征和多分类器融合、智能识别等领域也开展了深入的研究。电子科技大学重点针对流形空间中信号的特征提取、层级识别等方面开展了研究工作。
A.K.Mishra以及中国民航大学的X.G.Lu等人提取目标二维主分量分析(2DPCA)特征,并应用于SAR目标识别;A.K.Mishra还比较了线性判决分析(Linear DiscriminantAnalysis,LDA)和PCA,认为PCA无论在识别性能上还是结果可信度方面,都优于LDA;海军工程大学的H.Y.Yu等人,以及电子科技大学的H.J.Wang等人分别将独立分量分析(Independent Component Analysis,ICA)用于雷达信号特征分析;浙江工业大学R.H.Huan等将非负矩阵分解(Non-negative Matrix Factorization,NMF)应用于电磁信号的特征提取。
随着当前电磁环境的复杂化,脉间参数多变,参数空间交叠严重,传统分选方法对于截获的非合作复杂脉冲信号的分选效果恶化,迫切需要分析和利用脉冲更多的信息进行分选。传统的五参数特征(频率、幅度、脉宽、到达时间、脉冲间隔时间)描述复杂信号更容易使其含混、交叠。事实表明,目前雷达信号的信息量丰富,工作状态多样,工作体制和波形设计复杂多变,五参数特征描述已无法对复杂雷达体制信号进行完整的描述。
深度学习是一种能够自动从原始数据中自动提取到良好特征的特征学习模型,通过深度学习,从原始的输入数据中,可以得到不同深度层次的特征,而且通过这样的深度学习过程,原始输入数据中所隐藏的数据信息可以逐层提取抽象出来,层数越深,提取出来的特征所代表的数据概念就表达得越深,这也是浅层结构所无法表达和得到的。目前,基于深度学习框架下的雷达辐射源信号分选方法很少。为了提高对截获雷达辐射源信号分选的准确率,就必须寻找传统五参数特征之外的其他特征。
发明内容
针对已有技术存在的不足,本发明的目的在于提供一种残差深度学习的雷达信号特征提取方法。本发明通过改进残差深度网络结构,将传统特征变换到另一个特征空间得到辐射源信号的深度特征,再将得到的深度特征聚类完成辐射源信号的分选。
本发明是通过以下技术方案实现的:深入分析和研究复杂体制雷达辐射源信号的本质特征,在此基础上,通过统计方法分析了各主要机载、舰载等雷达各个参数的分布规律,利用图形化显示全脉冲数据,人工辅助分析信号规律,进而建立了复杂信号智能分析处理的整体框架和基本流程。提出了改进的残差深度学习网络结构,该结构适用于处理雷达辐射源信号;在此基础上,提取出雷达辐射源的深度特征,为了将得到的特征聚类,提出了一种聚类方法对辐射源进行聚类;接着,提出一种相似度融合准则,在该准则的指导下,将聚类后的辐射源进一步融合。最后,计算每个聚类的参数。
分选方法包括如下步骤:
(1)利用数据库中现有的雷达数据训练残差深度网络的参数。
(2)当截获到一连串的脉冲序列时,将该脉冲串内的每一个脉冲用时域、频域、空域、能量域、调制域特征等来表示。这些特征具体包括:频率、到达时间、幅度、脉宽、方位、相位、调频系数、调制码码型、带宽、上升沿下降沿,信号类型。
(3)将步骤2的结果作为已训练的残差深度网络输入端,通过多个隐层映射后输出结果,我们将输出的结果作为该脉冲串的深度特征。
(4)利用聚类方法对脉冲串的深度特征进行聚类,聚为c类。
(5)计算c个类中每一类的特征参数Fi(i=1,2,...,c),Fi包括:中心向量、频率、幅度、重复周期等。
(6)依据相关性准则,计算聚类后的两两辐射源的相关程度。相关程度越高,则辐射源属于同一目标的可能性就越大,融合两个辐射源。相关性准则ρ定义为:
式中,z1和z2表示聚类后两个辐射源的特征向量;ρ表示两个辐射源信号的相似程度(0≤ρ≤1),如果两个辐射源信号来自于同一个目标,则ρ趋近于1,否则,ρ趋近于0。
(7)计算融合后每个辐射源的参数,完成分选。
与现有技术相比,本发明具有以下优点:
第一,将深度学习网络引入到雷达信号数据处理中,在该框架下能够挖掘出更深层次的具有更好可分性的信号特征,克服了分选参数过少的问题。
第二,引入了有效的监督评估机制。在对网络训练时,能够根据评估结果反馈前一级分选网络,提高了系统对电磁环境变化的适应性。
第三,通过所提出的融合准则,编批方式可以有效地合并辐射源参数,减少增批、漏批情况。
附图说明
图1为本发明残差深度网络结构图。
图2为本发明残差深度网络压缩图。
图3为本发明与传统分选方法对高重频雷达信号分选正确率,横坐标1表示传统分选方法,2表示本发明提出的分选方法。
图4为本发明与传统分选方法对宽带雷达信号分选正确率,横坐标1表示传统分选方法,2表示本发明提出的分选方法。
图5为本发明复杂信号“秋月”深度特征提取示意图。
具体实施方式
下面结合附图对本发明的技术方案和效果做进一步的详细说明。具体的实现步骤如下:
(1)本发明中训练残差深度网络的结构如图1所示。针对我们数据库中信号有限以及分选过程需要实时性的特点,我们改进了残差深度网络的设计,通过采用低质分解方法将网络中训练的参数数量大幅度减少,避免了由于数据量不足造成了欠拟合现象,同时也降低了训练所用的时间。网络的压缩过程如图2所示。
(a)假设,网络有3个隐层,每个隐层l的权重记为Wl(l=1,2,3)。然后,将Wl做奇异值分解,即Wl=UlSlVl。
(c)通过下式的梯度计算回传完成网络隐层权重参数的更新;
分选时我们将用压缩后的网络对复杂信号进行分选。
(2)在任意时刻,对截获的N个脉冲串序列分析时,首先计算出脉冲串内的每一个脉冲的特征。具体如下:
(a)计算脉冲幅度、相位:计算脉冲的相位和幅度;
(b)计算脉冲到达时间、脉宽:计算脉冲幅度最大值,取幅度最大值的一半作为门限进行搜索。首先对脉冲数据向前搜索,当搜索到连续三个点幅度值小于门限值时则取该点前后各一点进行两点拟和,求出脉冲到达时间,同理对脉冲数据向后搜索,当搜索到连续三个值小于门限时则取该点前后各一点进行两点拟和,求出脉冲结束时间,将脉冲结束时间减去脉冲到达时间即为脉宽;
(c)信号类型分类识别:采用一种基于特征参数和模糊分辨的信号分类识别方法。它利用信号的特征参数,如脉宽,带宽,相位突变概率,谱的平坦度等许多参数,得到相应的隶属度函数,并进行不同的加权,得到模糊评价函数,对信号类型进行判决。可识别地信号类型有单载频信号(SFM)、线性调频信号(LFM)、非线性调频(NLFM)、二相编码信号(BPSK)、四相编码信号(QPSK)。
(d)信号特征参数计算:对雷达信号的载频、带宽、幅度、起始频率和调频系数(线性调频信号)、调制码码型(相位编码信号)、脉宽、脉冲上升沿、脉冲下降沿等参数进行测量,即根据一个脉冲时宽内的雷达信号数据进行处理估计信号的参数。信号特征参数估计采用基于DFT相位的单频信号频率和初相的估计方法。
(e)对脉冲达到时间采用自适应门限测量,这样可以克服脉冲幅度起伏对到达时间的影响。
然后,将每个脉冲计算得到的时域、频域、空域、能量域、调制域特征进行级联组成特征向量。即:
因此,N个脉冲串的特征表示为
D=[d1,d2,…,dN]
式中,D表示N个脉冲特征组成的矩阵。
(3)将步骤2得到的D作为残差深度网络的输入端,通过图2深度压缩网络的多级隐层前向(forward)计算后,输出的结果作为该脉冲串的深度特征。
为了提高数据处理的效率,本发明采用3个隐层。前一个隐层的输出作为下一个隐层的输入。相应的计算表示为
Xl+1=WlDl,l=1,2,3
式中,W为步骤1训练网络得到的权重,其作用是将输入特征变换到更适合区分的特征空间;l表示第l个隐层单元;Xl+1为第l个隐层特征的输出。
经过3个隐层单元后,最终输出特征维数为N×3的向量;即每一个脉冲经过深度网络后将输入特征维数为10的特征变换为输出维数为3的特征。
(4)利用聚类方法对脉冲串的深度特征进行聚类,聚为c类。
(5)计算c个类中每一类的特征参数Fi(i=1,2,...,c)。具体计算如下:
以第i类为例,计算第i类中的脉冲数ni,然后对ni个脉冲的初始特征求平均,将得到的中心向量ci、频率fi、幅度Ami、重复周期PRIi作为分选得到第i个辐射源的特征参数。
(6)步骤(5)中得到的c个聚类结果可能还可以进一步合并,依据本发明定义的相关性准则,计算聚类后的两两辐射源的相关程度。相关程度越高,则辐射源属于同一目标的可能性就越大,融合两个辐射源。相关性准则ρ定义为:
式中,z1和z2表示聚类后的两个辐射源的特征向量;ρ表示两个辐射源信号的相似程度(0≤ρ≤1),如果两个辐射源信号来自于同一个目标,则ρ趋近于1,否则,ρ趋近于0。
Claims (2)
1.一种基于残差深度学习的雷达信号特征提取方法,其特征在于,其包括如下步骤:
(1)利用数据库中现有的雷达数据训练残差深度网络的参数;训练残差深度网络的参数按如下步骤计算:
(a)假设,网络有3个隐层,每个隐层l的权重记为Wl,其中l=1,2,3;然后,将Wl做奇异值分解,即Wl=UlSlVl;
(c)通过下式的梯度计算回传完成网络隐层权重参数的更新;
(2)当截获到一连串的脉冲序列时,将截获到的该脉冲序列串内的每一个脉冲用多维度特征来表示,包括:频率、到达时间、幅度、脉宽、方位、相位、调频系数、调制码码型、带宽、上升沿下降沿和信号类型;
(3)将步骤(2)的结果作为已训练的残差深度网络输入端,通过多个隐层映射后输出结果,将输出的结果作为该脉冲串的深度特征;
(4)利用聚类方法对脉冲串的深度特征进行聚类,聚为c类;
(5)计算c个类中每一类的特征参数Fi,其中i=1,2,...,c,Fi包括中心向量、频率、幅度、重复周期;
(6)依据相关性准则,计算聚类后的两两辐射源的相关程度;相关程度越高,则辐射源属于同一目标的可能性就越大,融合两个辐射源;相关性准则ρ定义为:
式中,z1和z2表示聚类后两个辐射源的特征向量;ρ表示两个辐射源信号的相似程度,其中0≤ρ≤1,如果两个辐射源信号来自于同一个目标,则ρ趋近于1,否则,ρ趋近于0;
(7)计算融合后每个辐射源的参数,完成信号分选。
2.根据权利要求1所述的基于残差深度学习的雷达信号特征提取方法,其特征在于,所述步骤(3)通过3个隐层映射后输出结果,前一个隐层的输出作为下一个隐层的输入,相应的计算表示为:
Xl+1=WlDl,l=1,2,3;
式中,W为步骤1训练网络得到的权重;D为第l个隐层的输入;l表示第l个隐层单元;Xl+1为第l个隐层特征的输出;经过3个隐层单元后,最终输出特征维数为N×3的向量;即每一个脉冲经过深度网络后将输入特征维数为10的特征变换为输出维数为3的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182078.8A CN108416290B (zh) | 2018-03-06 | 2018-03-06 | 基于残差深度学习的雷达信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182078.8A CN108416290B (zh) | 2018-03-06 | 2018-03-06 | 基于残差深度学习的雷达信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416290A CN108416290A (zh) | 2018-08-17 |
CN108416290B true CN108416290B (zh) | 2022-01-18 |
Family
ID=63129857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810182078.8A Active CN108416290B (zh) | 2018-03-06 | 2018-03-06 | 基于残差深度学习的雷达信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416290B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212491A (zh) * | 2018-10-17 | 2019-01-15 | 中国航天科工集团八五研究所 | 一种基于雷达信号指纹特征的辐射源识别方法 |
CN109490840B (zh) * | 2018-11-22 | 2022-05-31 | 中国人民解放军海军航空大学 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
FR3091355B1 (fr) | 2018-12-27 | 2021-05-21 | Avantix | Système et procédé d’identification de source radar |
CN110109063A (zh) * | 2019-05-20 | 2019-08-09 | 吉林大学 | 一种基于深度信念网络的辐射源重频调制类型识别方法 |
US11303041B2 (en) * | 2019-07-24 | 2022-04-12 | Cypress Semiconductor Corporation | Machine learning-based antenna array validation, prototyping and optimization |
US11481916B2 (en) | 2019-12-12 | 2022-10-25 | Motorola Solutions, Inc. | Method, system and computer program product for emulating depth data of a three-dimensional camera device |
CN111025279B (zh) * | 2019-12-20 | 2023-02-17 | 西北工业大学 | 用于增强雷达目标识别的探测波形设计方法 |
CN111626290B (zh) * | 2019-12-31 | 2024-02-20 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN111190146B (zh) * | 2020-01-13 | 2021-02-09 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111812596A (zh) * | 2020-06-10 | 2020-10-23 | 桂林长海发展有限责任公司 | 一种雷达信号处理方法及系统 |
CN112036239B (zh) * | 2020-07-27 | 2024-02-06 | 西安电子科技大学 | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 |
CN112698265B (zh) * | 2020-11-23 | 2024-09-10 | 中国人民解放军91776部队 | 一种低频辐射源目标的远距探测定位系统及方法 |
CN113095354B (zh) * | 2021-03-03 | 2022-04-29 | 电子科技大学 | 基于辐射源特征子空间知识的未知雷达目标识别方法 |
CN114925721B (zh) * | 2022-04-27 | 2023-04-25 | 中国电子科技集团公司第二十九研究所 | 一种基于U-Net分割网络的信号分选方法 |
CN116310401A (zh) * | 2022-12-19 | 2023-06-23 | 南京航空航天大学 | 一种基于单演特征联合稀疏表示的跨视角sar识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976070A (zh) * | 2016-05-27 | 2016-09-28 | 北京交通大学 | 基于重点元素的矩阵分解及微调方法 |
CN106649665A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种面向图像检索的对象级深度特征聚合方法 |
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 |
CN107423754B (zh) * | 2017-06-28 | 2020-10-30 | 山东航天电子技术研究所 | 一种基于参数多属性自主智能决策的辐射源自动识别系统 |
-
2018
- 2018-03-06 CN CN201810182078.8A patent/CN108416290B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108416290A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416290B (zh) | 基于残差深度学习的雷达信号特征提取方法 | |
CN113156391B (zh) | 一种雷达信号多维特征智能分选方法 | |
US10976429B1 (en) | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
Wang et al. | Research and experiment of radar signal support vector clustering sorting based on feature extraction and feature selection | |
Xiao et al. | Specific emitter identification of radar based on one dimensional convolution neural network | |
CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
Zhao et al. | A novel aggregated multipath extreme gradient boosting approach for radar emitter classification | |
CN111046896B (zh) | 一种跳频信号电台分选方法 | |
Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
Pan et al. | MIML-GAN: A GAN-based algorithm for multi-instance multi-label learning on overlapping signal waveform recognition | |
Zhang et al. | Mode recognition of multifunction radars for few-shot learning based on compound alignments | |
CN113869136B (zh) | 基于多分支网络的半监督极化sar图像分类方法 | |
Shang et al. | HDSS-Net: A novel hierarchically designed network with spherical space classifier for ship recognition in SAR images | |
Liu et al. | A prior-knowledge guided neural network based on supervised contrastive learning for radar HRRP recognition | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
Zhu et al. | Multi-task self-supervised learning for vehicle classification based on carrier-free UWB radars | |
CN116257780A (zh) | 基于盲信号分离的无监督特征提取和自适应的dbscan聚类方法 | |
Sehgal et al. | Automatic Radar Target Identification Using Radar Cross Section Fluctuations and Recurrent Neural Networks | |
Sun et al. | Discriminative canonical correlation analysis with missing samples | |
Wan et al. | Squeeze excitation densely connected residual convolutional networks for specific emitter identification based on measured signals | |
Zhang et al. | A trajectory outlier detection method based on variational auto-encoder | |
Liu | Research on Naive Bayes Integration Method based on Kmeans++ digital teaching clustering |
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 |