CN108985454B - 民航客机个体目标识别方法 - Google Patents
民航客机个体目标识别方法 Download PDFInfo
- Publication number
- CN108985454B CN108985454B CN201810683112.XA CN201810683112A CN108985454B CN 108985454 B CN108985454 B CN 108985454B CN 201810683112 A CN201810683112 A CN 201810683112A CN 108985454 B CN108985454 B CN 108985454B
- Authority
- CN
- China
- Prior art keywords
- neural network
- aircraft
- module
- ads
- pulse
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明提出的一种民航客机个体目标识别方法,旨在提供一种识别率高的深度学习方法。本发明通过下述技术方案予以实现:以捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号和识别通信信号所属飞行器模块组成卷积神经网络识别系统,其中,捕获飞行器通信信号模块从飞行器原始脉冲波形本身出发,通过高速采集卡采样,将ADS_B原始中频信号保存到本地;制备数据集模块将采集到的通信信号进行脉冲切片并绘制成图像,把ADS_B通信信号的识别特征转换为图像空间结构特征;构建神经网络模块根据目标数量评估深度神卷积经网络的层数;训练神经网络模块基于卷积神经网络算法生成图像样本进行训练;得到识别出信号。
Description
技术领域
本发明涉及一种将深度学习应用到通信信号识别领域的目标识别方法,具体涉及一种基于深度卷积神经网络的民航客机个体目标识别方法。
背景技术
基于光学遥感图像的飞机检测一直是目标识别领域的研究热点。机场与飞行器目标识别是遥感数据分析中的典型应用。目标识别是计算机视觉领域的核心问题之一,而飞机目标的识别是民用领域里的一项重要应用。国内外学者在目标识别方面已经做了大量研究,每种目标识别方法都各有利弊,又都有一定的适用范围。图像预处理与分割图像预处理是目标识别过程中一个必不可少的基本环节。为了对飞机目标进行提取,首先对图像进行平滑预处理,再分割图像目标。图像分割是将所需要的目标部分从图像的背景中分离出来。图像预处理在图像采集中不可避免地会产生图像噪声,而噪声直接影响到对目标边缘轮廓的准确提取。目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置,目标的形态可能存在各种各样的变化,图像的背景千差万别,这些因素导致目标检测并不是一个容易解决的任务。传统目标检测的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域,然后对这些区域提取特征,最后使用训练的分类器进行分类。由于目标可能出现在图像的任何位置,而且目标的大小、长宽比例也不确定,所以最初采用滑动窗口的策略对整幅图像进行遍历,而且需要设置不同的尺度,不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置,但是缺点也是显而易见的:时间复杂度太高,产生冗余窗口太多,这也严重影响后续特征提取和分类的速度和性能。现如今的目标识别方法大部分都需要人工提取样本特征,然后选择适当的分类器进行训练,训练分为多个阶段,训练耗时,占用磁盘空间大:5000张图像产生几百G的特征文件。不仅提取过程繁琐,且结果不一定尽如人意。速度慢:使用GPU,VGG16模型处理一张图像需要47s。由于遥感图像数据量巨大,依靠传统人工判读的方式从中提取特定目标的信息难以适应遥感技术的发展趋势,如何从这些数据中快速、准确的提取所需要的信息成为当今遥感图像解析的重点与难点。针对传统飞机检测方法性能差、准确率低及泛化能力弱等问题,现有技术提出了一种基于深度信念网络的光学遥感图像飞机检测方法。该方法将深度学习引入飞机检测的应用当中,构建了基于深度信念网络及基于卷积神经网络两种飞机检测结构模型,借助优化图像预处理、训练样本获取和改进训练结构等方式,提高检测算法的性能。
稀疏自编码器、深度信念网和卷积神经网络是常用的三种深度学习模型。稀疏自编码器是一种无监督学习算法,其本身是用于降维和特征提取的神经网络。自编码器的核心思想是将输入信号进行编码,使用编码之后的信号重建原始信号,尽量让原始信号与重建信号之间的误差最小。卷积神经网络是一个多层结构的神经网络,每层由多个平面组成,每个平面又是由多个独立神经元组成,是一种非全连接的神经网络结构,包含了两种特殊的结构层:卷积层和次采样层。卷积层由多个特征平面构成,卷积神经网络抽取特征的任务由卷积层完成。同一特征平面包含多个神经元,由于卷积神经网络使用了权值共享,因此这些神经元使用相同的权重进行连接。每个神经元定义了相应的局部感受野感受野,只接受从其局部感受野传输的信号。同一特征平面上神经元的局部感受野具有相同的大小。每个卷积层后面紧跟一个向下采样层,由于数据经过卷积后维数会上升,若不断进行卷积,会不可避免的陷入维数灾难。次采样层与卷积层类似,每个特征平面上的神经元也共享连接权重,且每个神经元仅接受自己感受野中的数据。次采样层中的特征平面与卷积层中的特征平面一一对应,该层中的神经元对其感受野中的数据进行采样(取大,取小,取平均值等),因此向下采样层的特征平面上的神经元的个数往往会减半。深度学习是一种通过组合低层特征形成更加抽象的高层表示(属性类别或特征),以发现数据的分布式特征表示的机器学习方法。深度学习是人工神经网络的发展,通过建立模拟人脑的信息处理神经结构来实现对外部输入的数据进行从低级到高级的特征提取从而能够使机器理解、学习数据获得信息,从而使分类更加智能化。深度学习具有多层非线性映射的深层结构,可以完成复杂的函数逼近;此外深度学习理论可以获取分布式表示,即通过逐层学习算法获取输入数据的主要特征表示。深度学习的概念源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示,发现数据的分布式特征表示,通过一种学习一种深层非线性的网络,将输入样本中最本质的特征表现出来。深度学习与传统浅层学习不同,深度学习在概念上强调了以下两个方面:
1)强调了学习模型的结构层数,模型一般会有多层以上的深度;
2)明确突出了特征学习的过程,即通过组合低层特征形成更适于分类识别的高层特征。随着深度学习的发展,出现了很多基于深度学习的特征,使用这些特征在图像分类时具有优异的效果。但是在图像中进行检测时,需要对图像进行不同尺度的滑动窗口检测,使用深度学习结构进行滑动窗口检测无法达到理想的效率。传统目标检测存在的两个主要问题:一个是基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余;二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
随着现代科学技术的快速发展,空间电磁环境日益复杂,噪声干扰、信道对信号的影响,致使常规识别方法和理论很难适应实际需要,无法有效的对通信信号进行准确识别。
发明内容
本发明的目的是针对现有技术存在的不足之处,提供一种识别精度高、识别率高,泛化性好,基于深度卷积神经网络的民航客机个体目标识别方法。
为了达到上述目的,本发明提出一种民航客机个体目标识别方法,其特征在于包括如下步骤:基于深度卷积神经网络,采用捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号所属飞行器模块组成识别系统,其中,捕获飞行器通信信号模块从飞行器发射的广播式自动相关监视ADS_B信号原始脉冲波形本身出发,通过天线捕获客机通信信号,通过高速采集卡采样,并将飞行器发送的ADS_B通信信号接收和保存在本地;制备数据集模块将采集到的民航广播式自动相关监视ADS_B通信信号在时域对脉冲进行切片并绘制成图像,每个脉冲以图像形式保存,目的是把ADS_B通信信号的识别特征转换为图像空间结构特征;构建神经网络模块为构建深度卷积神经网络模型,根据目标数量、不同目标间脉冲图像的可分性来评估深度神卷积经网络的层数;训练神经网络模块直接使用脉冲图像作为输入,基于卷积神经网络算法通过ADS_B通信信号数据生成图像样本进行训练和参数调优;识别通信信号所属飞行器模块通过深度卷积神经网络测试环节,随机输入测试样本识别客机通信信号,测试深度卷积神经网络的分类正确率,通过信号脉冲本身直接识别出通信信号中的飞行器个体特征进而得到识别出信号所属目标的概率。
本发明首次提出将深度学习算法用于民航客机个体目标识别,具有如下有益效果:
识别精度高。本发明以捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号所属飞行器模块组成卷积神经网络深度学习模型,构建了一个面向通信信号的民航客机个体目标秒级识别系统。使用从接收到的民航客机发射的ADS_B信号进行解译、切包得到训练、测试样本和其对应标签,通过样本对深度卷积神经网络进行训练,训练结束后得到训练模型,测试样本对模型进行测试后得出模型的识别率。有效构建层次式的级联深度网络识别架构,利用目标先验知识对潜在目标进行高效提取,实现“大范围、小目标”的实时识别,大大降低了后续操作的时间复杂度,大幅度提高了检测准确率。将融合特征检测与卷积神经网络结合,可以在使用较小的训练样本的情况下仍然具有较高的检测准确率;实验结果表明,采用相应技术,基于深度学习方法可以在秒级时间得到比传统方法更高的识别精度。
识别率高。本发明直接从民航客机发射的ADS_B信号原始脉冲波形本身出发,通过高速采集卡采样,将采集到的民航ADS_B通信信号在时域将脉冲切片并绘制成图像,信号的识别特征转换为图像空间结构特征,将飞行器发送的广播式通信信号ADS_B接收和保存在本地;利用深度学习的方式来实现对民航广播式自动相关监视(ADS-B)信号的特征提取和实时检测,实现对民航客机的个体目标识别。避免了神经网络训练结果不稳定、容易陷入局部极小的问题.制备数据集模块制备数据集,将接收到的由脉冲串组成的ADS_B信号切包,训练和测试是不再分多步:不再需要额外的硬盘来存储中间层的特征。将采集到的民航ADS_B通信信号在时域将脉冲切片并绘制成图像,信号的识别特征转换为图像空间结构特征,简化了整个目标检测流程,速度的提升也很大,使得本发明的目标识别正确率不依赖对信号特征的提取,增加了识别方法的通用性。在不解译信号的情况下,实现对飞行器(民航客机)的个体目标识别,大大提高了识别效率。在平均每幅图像存在一个误检窗口的标准下,达到98%的检测率。
泛化性好。本发明基于卷积神经网络算法,通过ADS_B通信信号数据生成的图像样本进行训练和参数调优,以有效地识别通信信号中的个体特征,从而做到对应的民航客机个体目标识别。这不但能加快目标检测速度,还能提高目标检测的性能(假阳率少)。采用卷积神经网络直接使用图像的原始数据作为输入,训练好的模型对图像的缩放、平移、旋转等畸变具有不变性,有着很强的泛化性。ADS-B信号时域图中的基本特征无非就是点和边,无论多么复杂的图像都是点和边组成的,卷积神经网络的卷积核,能提取出各种方向的边或者各种形态的点,就可以让卷积层抽象出有效而丰富的空间结构特征,经过几次卷积层和全连接层进而得到信号的高层特征,到高层后就是判别性很高的语义特征,高层抽象化以后虽然没有了目标的形状、纹理、颜色等特征、但此时区分性会很强。
附图说明
为了更清楚地理解本发明,现将通过本发明的具体实施方式,同时参照附图,来描述本发明,其中:
图1是本发明民航客机个体目标识别流程图。
图2是作为飞行器的民航客机ADS_B信号采集流程图。
图3是作为飞行器的民航客机ADS_B信号时域图。
图4是作为飞行器的民航客机ADS_B信号切包图。
图5是作为飞行器的民航客机的个体识别结果图。
图6是识别客机通信信号ADS_B数据集测试结果示意图。下面结合附图对本发明作进一步说明。
具体实施方式
参阅图1。根据本发明,以采用捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号所属飞行器模块组成识别系统。捕获飞行器通信信号模块从飞行器发射的ADS_B信号原始脉冲波形本身出发,通过天线捕获客机通信信号,通过高速采集卡采样将飞行器发送的广播式通信信号ADS_B接收和保存在本地;制备数据集模块制备数据集,将接收到的由脉冲串组成的ADS_B信号切包,将每个脉冲以图像形式保存,信号的识别特征转换为图像空间结构特征,同时解译ADS_B数据,按解译后的结果,属于同一架飞行器的脉冲图像保存在一个文件夹内;构建神经网络模块构建卷积神经网络,为满足分类精度需求,根据目标数量、不同目标间脉冲图像的可分性来评估深度神卷积经网络的层数;训练神经网络模块直接使用图像的原始数据作为输入,基于卷积神经网络算法通过ADS_B通信信号数据生成图像样本进行训练和参数调优;训练神经网络模块通过卷积神经网络卷积核提取出ADS-B通信信号时域脉冲切片图像中各种方向的边或者各种基本特征形态的点,让卷积层抽象出空间结构特征,经过几次卷积层和全连接层进而得到信号的高层特征,用制备好的脉冲数据集训练深度卷积神经网络,满足一定识别率后停止训练;识别通信信号所属飞行器模块为深度卷积神经网络的测试环节,随机输入一定数量的测试样本识别客机通信信号,测试深度卷积神经网络的分类正确率,通过信号脉冲本身直接识别出目标(客机)的概率。有效地识别通信信号中的个体特征,从而做到对应的民航客机个体目标。
ADS-B全称是Automatic Dependent Surveillance-Broadcast,中文是广播式自动相关监视,顾名思义,即无需人工操作或者询问,可以自动地从相关机载设备获取参数向其他飞机或地面站广播飞机的位置、高度、速度、航向、识别号等信息,以供管制员对飞机状态进行监控。它衍生于ADS(自动相关监视),最初是为越洋飞行的航空器在无法进行雷达监视的情况下,希望利用卫星实施监视所提出的解决方案。
每个模块的具体实施步骤是:
参阅图2。捕获飞行器通信信号模块捕获作为飞行器的客机通信信号,接收民航客机ADS-B通信信号,搭建由天线、高速采集卡组成连接计算机的下行链路的接收环境。高速采集卡将采样率设置为50MHz。
参阅图3。民航客机ADS_B信号时域信号采用脉冲位置调制PPM编码,ADS-B消息数据块包含4个传输脉冲的ADS-B消息前导头,每个传输脉冲持续0.5±0.05微秒,第二、第三个与第四传输个脉冲与第一个传输脉冲间隔分别为1.0,3.0和4.5微秒。ADS-B消息数据块在第一个传输脉冲开始后的8微秒开始,把112个1微秒间隔被分派给每一个ADS-B消息,在传送时,将宽度为0.5±0.05微秒的传输脉冲,分为每个间隔的前半部分或者后半部分。若在两个相邻间隔被传送的传输脉冲分别位于前一个间隔的后半部分,以及后一个间隔的前半部分,合并为1.0±0.05微秒的传输脉冲。本发明就是将按时间排列的ADS-B脉冲信号裁剪、切包出来。
参阅图4。制备数据集模块共采集了10个目标的脉冲信号数据,每个目标1500个脉冲。其中1000个用来训练,500个用来测试。数据标签按01,02,…,10与所属目标对应编号。实际接收信号波形明显有四个前导脉冲。制备数据集模块将ADS-B信号脉冲切包,ADS_B通信信号解译和切包同时进行,将同一目标所属信号数据放在同一个文件夹内。
下面对本发明如何构建深度卷积神经网络做进一步阐述。卷积神经网络深度学习模型可以表示为下面的结构。
构建卷积神经网络模块构建了共8层深度卷积网络,拥有5个卷积层和3个全连接层,前3个卷积层后边连接了最大池化层,按顺序包含了输入层→卷积层1→池化层→卷积层2→池化层→卷积层3→池化层→卷积层4→卷积层5→全连接层1→全连接层2→全连接层3→输出层。
深度卷积神经网络的输入为客机目标脉冲图像,所有卷积层的激活函数均为线性整流函数(RectifiedLinearUnit,ReLU),每个卷积层都包含一个卷积计算和一个最大池化计算,全连接层将卷积神将网络的特征图转化为热独编码的向量形式输出。
卷积神将网络模块首先对输入的脉冲图像做卷积运算,卷积计算过程可用如下公式描述:
f(x)=max(0,x)
max(·)表示取最大值。
通过神经网络解决多分类问题最常用的方法是设置n个输出节点,其中n为类型个数。对于每一个样例,神经网络可以得到一个n维数组作为输出结果。如何判断一个输出向量和期望的向量有多接近,交叉熵(crossentropy)是最常用的的评判方法之一。交叉熵刻画了两个概率分布之间的距离,是分类问题中使用比较广的一种损失函数。
假设原始神经网络输出为y1,y2,…yn,那么经过Softmax回归处理之后的输出为:
深度卷积神经网络中主要是最后几个全连接层使用了Dropout。Dropout是指为进一步提高模型的泛化能力,在一次训练过程中可按照一定的概率将某些神经元隐藏,即与该神经元有关参数并不会在这次训练过程中更新,它的权重需要保留下来,保持上一次训练的数值。
最终网络每层的网络配置设置如下:
[227×227×3]INPUT
[56×56×96]CONV1:96 9×9 filters at stride 4,pad 1
[27×27×96]MAXPOOL1:2×2 filters at stride 2
[27×27×96]NORM1:Normalization layer
[27×27×192]CONV2:192 3×3 filters at stride 1,pad:1
[13×13×192]MAXPOOL2:3×3 filters at stride 2
[13×13×192]NORM2:Normalization layer
[13×13×384]CONV3:384 3×3 filters at stride1,pad 1
[13×13×384]CONV4:384 3×3 filters at stride 1,pad:1
[13×13×192]CONV5:192 3×3 filters at stride1,pad 1
[6×6×192]MAXPOOL3:3×3 filters at stride 2
[2048]FC6:2048 neurons
[2048]FC7:2048 neurons
[10]FC8:10neurons(classscores)
本实施例系统环境为windows7-64bit,深度学习卷积神经网络算法开发环境为anaconda+tensorflow+pycharm。训练卷积神经网络模块借助Google深度学习框架tensorflow实现深度神经网络搭建、训练与测试。
训练卷积神经网络模块在开始训练深度卷积神经网络之前,将神经网络所有的权重参数随机初始化为一个接近于0的数,用分布服从均值为0方差为0.1的正态分布随机初始化参数,所有的偏置量初始化为0。网络参数设置为学习率:0.001,迭代次数:1000,每一次迭代样本数量:20,具体设置如下:
model.fit(X,Y,n_epoch=1000,validation_set=0.2,shuffle=True,
show_metric=True,batch_size=20,snapshot_step=10,
snapshot_epoch=False,run_id='Constellation')
参阅图5。本实施例所用的深度卷积神经网络模型对ADS_B脉冲图像数据集进行训练的迭代过程,迭代4000次的Loss和Acc曲线已经趋于平稳。
参阅图6。识别客机通信信号。深度卷积神经网络模型对ADS_B数据集测试结果,利用深度学习卷积神经网络方法识别客机ADS_B通信信号,10个目标的识别率为98.28%。因此,识别客机通信信号。深度卷积神经网络模型对ADS_B数据集测试结果,利用深度学习卷积神经网络方法识别客机ADS_B通信信号,10个目标的识别率为98.28%。因此,比较显示在一个混淆矩阵里面的客机通信信号识别分类结果和实际测得值的精度,在一定程度验证了本发明设计的深度学习卷积神经网络结构在解决基于通信信号的民航客机个体目标识别问题上的有效性。
Claims (8)
1.一种民航客机个体目标识别方法,其特征在于包括如下步骤:基于深度卷积神经网络,采用捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号所属飞行器模块组成识别系统,其中,捕获飞行器通信信号模块从飞行器发射的广播式自动相关监视ADS-B信号原始脉冲波形本身出发,通过天线捕获客机通信信号,通过高速采集卡采样,并将飞行器发送的ADS-B通信信号接收和保存在本地;民航客机ADS-B信号时域信号采用脉冲位置调制PPM编码,ADS-B消息数据块包含4个脉冲的ADS-B消息前导头,每个传输脉冲持续0.5±0.05微秒,第二、第三个与第四个传输脉冲与第一个传输脉冲间隔分别为1.0,3.0和4.5微秒,ADS-B消息数据块在第一个传输脉冲开始后的8微秒开始,把112个1微秒间隔被分派给每一个ADS-B消息,在传送时,将宽度为0.5±0.05微秒的传输脉冲,分为每个间隔的前半部分或者后半部分,若在两个相邻间隔被传送的脉冲分别位于前一个间隔的后半部分,以及后一个间隔的前半部分,则合并为1.0±0.05微秒的传输脉冲,制备数据集模块将采集到的民航广播式自动相关监视ADS-B通信信号在时域对脉冲进行切片并绘制成图像,每个脉冲以图像形式保存,把ADS-B通信信号的识别特征转换为图像空间结构特征,构建神经网络模块为构建深度卷积神经网络模型,根据目标数量、不同目标间脉冲图像的可分性来评估深度神卷积经网络的层数;训练神经网络模块直接使用脉冲图像作为输入,基于卷积神经网络算法通过ADS-B通信信号数据生成图像样本进行训练和参数调优;识别通信信号所属飞行器模块通过深度卷积神经网络测试环节,随机输入测试样本识别客机通信信号,测试深度卷积神经网络的分类正确率,通过信号脉冲本身直接识别出通信信号中的飞行器个体特征进而得到识别出信号所属目标的概率。
2.如权利要求1所述的民航客机个体目标识别方法,其特征在于:训练神经网络模块通过卷积神经网络卷积核提取出ADS-B通信信号时域图中各种方向的边或者各种基本特征形态的点,让卷积层抽象出空间结构特征,经过几次卷积层和全连接层进而得到信号的高层特征,用制备好的脉冲数据集训练深度卷积神经网络,满足一定识别率后停止训练。
3.如权利要求1所述的民航客机个体目标识别方法,其特征在于:捕获飞行器通信信号模块捕获作为飞行器的客机通信信号,接收民航客机ADS-B通信信号,搭建由天线、高速采集卡组成连接计算机的下行链路的接收环境。
4.如权利要求1所述的民航客机个体目标识别方法,其特征在于:制备数据集模块采用脉冲位置调制PPM编码的ADS-B消息数据块格式制备数据集。
5.如权利要求1所述的民航客机个体目标识别方法,其特征在于:制备数据集模块将ADS-B信号脉冲切包,ADS-B通信信号解译和切包同时进行,将同一目标所属信号数据放在同一个文件夹内。
6.如权利要求1所述的民航客机个体目标识别方法,其特征在于:构建卷积神经网络模块拥有5个卷积层和3个全连接层,前3个卷积层后边连接了最大池化层,按顺序包含了输入层→卷积层1→池化层→卷积层2→池化层→卷积层3→池化层→卷积层4→卷积层5→全连接层1→全连接层2→全连接层3→输出层。
7.如权利要求6所述的民航客机个体目标识别方法,其特征在于:深度卷积神经网络的输入为客机目标脉冲图像,所有卷积层的激活函数均为线性整流函数ReLU,每个卷积层都包含一个卷积计算和一个最大池化计算,全连接层将卷积神将网络的特征图转化为热独编码的向量形式输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810683112.XA CN108985454B (zh) | 2018-06-28 | 2018-06-28 | 民航客机个体目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810683112.XA CN108985454B (zh) | 2018-06-28 | 2018-06-28 | 民航客机个体目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985454A CN108985454A (zh) | 2018-12-11 |
CN108985454B true CN108985454B (zh) | 2022-04-01 |
Family
ID=64538660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810683112.XA Active CN108985454B (zh) | 2018-06-28 | 2018-06-28 | 民航客机个体目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985454B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886116B (zh) * | 2019-01-21 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于ads-b的辐射源个体识别方法及装置 |
CN110018453B (zh) * | 2019-03-28 | 2023-05-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
CN110309245B (zh) * | 2019-04-19 | 2021-08-31 | 北京航空航天大学 | 数据管理方法和装置 |
CN110879989B (zh) * | 2019-11-22 | 2022-04-15 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
CN111191583B (zh) * | 2019-12-30 | 2023-08-25 | 郑州科技学院 | 基于卷积神经网络的空间目标识别系统及方法 |
CN111951611A (zh) * | 2020-07-03 | 2020-11-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的ads-b微弱信号检测装置及方法 |
CN112488061B (zh) * | 2020-12-18 | 2022-04-29 | 电子科技大学 | 一种联合ads-b信息的多航空器检测与跟踪方法 |
CN113095258A (zh) * | 2021-04-20 | 2021-07-09 | 深圳力维智联技术有限公司 | 定向信号提取方法、系统、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105812733A (zh) * | 2016-03-15 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种民航空中交通管制的场面监视引导系统 |
CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
CN106646390A (zh) * | 2016-12-29 | 2017-05-10 | 武汉大学 | 一种基于多载波dtmb信号的pn序列目标探测处理方法 |
CN107656266A (zh) * | 2017-08-29 | 2018-02-02 | 安徽四创电子股份有限公司 | 基于ads‑b的s模式二次雷达信息融合系统及其融合方法 |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
US10001376B1 (en) * | 2015-02-19 | 2018-06-19 | Rockwell Collins, Inc. | Aircraft position monitoring system and method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7667647B2 (en) * | 1999-03-05 | 2010-02-23 | Era Systems Corporation | Extension of aircraft tracking and positive identification from movement areas into non-movement areas |
-
2018
- 2018-06-28 CN CN201810683112.XA patent/CN108985454B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10001376B1 (en) * | 2015-02-19 | 2018-06-19 | Rockwell Collins, Inc. | Aircraft position monitoring system and method |
CN105812733A (zh) * | 2016-03-15 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种民航空中交通管制的场面监视引导系统 |
CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
CN106646390A (zh) * | 2016-12-29 | 2017-05-10 | 武汉大学 | 一种基于多载波dtmb信号的pn序列目标探测处理方法 |
CN107656266A (zh) * | 2017-08-29 | 2018-02-02 | 安徽四创电子股份有限公司 | 基于ads‑b的s模式二次雷达信息融合系统及其融合方法 |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
Non-Patent Citations (3)
Title |
---|
Over-the-Air Deep Learning Based Radio Signal Classification;Timothy James O’Shea等;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;20180123;第12卷(第1期);168-179 * |
基于GRNN神经网络的ADS⁃B系统故障率预测;胡水镜;《现代电子技术》;20140801;第37卷(第15期);107-109 * |
通信辐射源个体识别技术研究;丁敏;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180215(第02期);I136-1658 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985454A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985454B (zh) | 民航客机个体目标识别方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
Zhou et al. | Specific emitter identification via bispectrum-radon transform and hybrid deep model | |
CN113191185A (zh) | 一种利用Dense2Net的雷达探测无人机目标分类方法 | |
CN112213688B (zh) | 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
CN104699781B (zh) | 基于双层锚图散列的sar图像检索方法 | |
CN103714353A (zh) | 基于视觉先验模型的极化sar图像分类方法 | |
Zhong et al. | A climate adaptation device-free sensing approach for target recognition in foliage environments | |
CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
Qu et al. | Frequency-Hopping Signal Sorting Based on Deep Leaming | |
Wang et al. | Research on UAV Remote Control Signal Recognition Based on Time-frequency Map | |
CN103886327A (zh) | 基于2d-kpca的极化sar图像分类方法 | |
Zhu et al. | Time-frequency aliasing separation method of radar signal based on capsule neural network |
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 |