CN109033780A - 一种基于小波变换和神经网络的边缘计算接入认证方法 - Google Patents
一种基于小波变换和神经网络的边缘计算接入认证方法 Download PDFInfo
- Publication number
- CN109033780A CN109033780A CN201810718435.8A CN201810718435A CN109033780A CN 109033780 A CN109033780 A CN 109033780A CN 201810718435 A CN201810718435 A CN 201810718435A CN 109033780 A CN109033780 A CN 109033780A
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- wavelet transformation
- signal
- access authentication
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2133—Verifying human interaction, e.g., Captcha
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波变换和神经网络的边缘计算接入认证方法,包括以下步骤:S1.接收设备对发送设备进行信号采集和存储,得到N个一维信号样本;S2.采用小波变换将每个一维信号样本变换为二维矩阵样本;S3.对于多个不同的发射设备,重复以上S1~S2操作,以设备编号为反馈,存入样本库;S4.利用基于神经网络的图像识别算法,以样本中矩阵为训练数据,编号为反馈对神经网络中的参数进行训练;S5.利用训练得到的神经网络对待检测波形进行分类,判定其所属设备。本发明利用小波变换,将一维信号数据变换为二维数据,再利用基于神经网络的识别技术对其进行训练和识别,提高了识别的准确性。
Description
技术领域
本发明涉及边缘计算中终端设备接入认证领域,尤其涉及一种基于小波变换和神经网络的边缘计算接入认证方法。
背景技术
终端节点的接入认证是边缘计算安全性的一个关键且具有挑战性的问题。射频指纹识别,通过使用硬件和制造不一致引起的发送信号变化来提取指纹以执行终端节点访问认证,是边缘计算设备认证的一种有前途的解决方案。射频指纹识别是一种不对称的认证方法,终端仅需发射信号,不需要任何额外的算法,而接收端可以进行较为复杂的计算处理来实现对发送端的身份认证,尤其适合边缘计算下的终端节点识别,由边缘侧的复杂计算支持资源有限终端的可信接入认证。
然而射频指纹识别,使用接收到的一维信号作为训练数据,存在训练数据的特征较少(相对图像处理)、同时无法使用目前较为成熟基于深度学习的图像识别技术等问题。
近年,基于神经网络的深度学习逐渐取代传统的机器学习算法成为大量数据训练与分类的高效算法,深度学习无需事先创建特征,能够利用大数据同时对特征提取和分类进行训练,有效地降低了识别的错误概率。小波变换,由于其能同时兼顾信号在时间和频率上的特性,可以将一维的时间-幅度信号,变换为二维的时间(平移)-频率(尺度)-幅度信号数据。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于小波变换和神经网络联合的边缘计算接入认证方法,利用小波变换,将一维信号数据变换为二维数据,再利用基于神经网络的识别技术对其进行训练和识别,提高了识别的准确性。
本发明的目的是通过以下技术方案来实现的:一种基于小波变换和神经网络的边缘计算接入认证方法,包括以下步骤:
S1.接收设备对发送设备进行信号采集和存储,得到N个一维信号样本;
S2.采用小波变换将每个一维信号样本变换为二维矩阵样本;
S3.对于多个不同的发射设备,重复以上S1~S2操作,以设备编号为反馈,将每个样本编写为“矩阵_编号”形式,存入样本库;
S4.利用基于神经网络的图像识别算法,以样本中矩阵为训练数据,编号为反馈对神经网络中的参数进行训练,得到训练后的神经网络;
S5.利用训练后的神经网络对待检测波形进行分类,判定其所属设备。
具体地,所述步骤S1包括以下子步骤:
S101.接收设备检测接收到的开机瞬态信号起始点位置;
S102.从起始点位置开始,采集一个发送设备的M个开机瞬态信号样本点,作为一个信号样本;
S103.在信号样本中,编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
S104.对信号样本进行归一化处理,归一化后处于-1~1之间:
式中,ampi表示信号样本中的第i个样本点幅值,i=1,2,...,M,ampmax表示样本信号中最大的样本点幅值,ampmin表示信号样本中最小的样本点幅值;
S105.按照步骤S101~S104采集N个归一化信号样本存放到样本库中。
具体地,所述步骤S2通过小波变换将一维信号样本变换为二维矩阵,以此满足识别处理的要求,包括:
S201.以某母小波函数为小波基,对信号进行小波变换
式中,f(t)表示原始一维信号,ψa,τ(t)表示小波基,τ表示平移量,a表示尺度,WT(a,τ)则是变换后的二维矩阵数据;
S202.以τ为横轴,a为纵轴,不同的颜色代表矩阵中数据的值,根据WT(a,τ)生成二维图像。
具体地,所述步骤S3包括:
S301.对于每一个样本,以其设备编号作为反馈,为了便于神经网络参数调整,将反馈写作向量形式,向量长度为设备数量,该设备编号所对应的元素设为1,其余均置0:
Train_Y=[0,0,…,1,…,0];
S302.将矩阵数据与反馈向量一一对应存入样本库中:
式中,Xaτ表示样本中第a行第τ列的值。
优选地,所述步骤S101中,起始点位置检测的方法包括但不限于绝对幅度值检测和斜率检测。
优选地,所述步骤S201中,小波变换的母小波函数的选择包括但不限于haar、dB2、bior和morl。
优选地,所述步骤S4中,基于神经网络的图像识别算法包括但不限于逻辑回归、浅层神经网络、深层神经网络、卷积神经网络和循环神经网络。
优选地,所述步骤S4中,由于浅层的简单的神经网络训练速度较快,在较短的迭代周期内能够达到较高的识别率和较低的代价函数,故在处理简单的样本,或接收方计算能力有限并且对识别结果要求不高时,采用浅层神经网络;由于深层的较为复杂的神经网络训练速度较慢,需要多次迭代才能达到要求的识别结果,但深层的复杂神经网络的代价函数能够在多次参数调整后达到更低的值,故在处理较为复杂的样本时采用深层神经网络。
本发明的有益效果是:(1)本发明利用小波变换,将一维信号数据变换为二维数据,再利用基于神经网络的识别技术对其进行训练和识别,提高了识别的准确性;(2)本发明对识别结果从识别准确率和代价函数两个方面进行度量,具有更高的可信度;(3)本发明针对射频指纹识别难度和神经网络深度特性,分析了不同神经网络的适用情况,提出了针对不同识别场景的神经网络选择建议,使计算资源可以得到有效地利用。
附图说明
图1为本发明的方法流程图;
图2为本发明中使用的三层神经网络示意图;
图3为本发明中使用的三层神经网络迭代得到的代价函数和识别率变化图;
图4为本发明中使用的五层神经网络示意图;
图5为本发明中使用的五层神经网络迭代得到的代价函数和识别率变化图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于小波变换和神经网络的边缘计算接入认证方法,包括以下步骤:
S1.接收设备对发送设备进行信号采集和存储,得到N个一维信号样本;
S2.采用小波变换将每个一维信号样本变换为二维矩阵样本;
S3.对于多个不同的发射设备,重复以上S1~S2操作,以设备编号为反馈,将每个样本编写为“矩阵_编号”形式,存入样本库;
S4.利用基于神经网络的图像识别算法,以样本中矩阵为训练数据,编号为反馈对神经网络中的参数进行训练,得到训练后的神经网络;
S5.利用训练后的神经网络对待检测波形进行分类,判定其所属设备。
具体地,所述步骤S1包括以下子步骤:
S101.接收设备检测接收到的开机瞬态信号起始点位置;
S102.从起始点位置开始,采集一个发送设备的M个开机瞬态信号样本点,作为一个信号样本;
S103.在信号样本中,编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
S104.对信号样本进行归一化处理,归一化后处于-1~1之间:
式中,ampi表示信号样本中的第i个样本点幅值,i=1,2,...,M,ampmax表示样本信号中最大的样本点幅值,ampmin表示信号样本中最小的样本点幅值;
S105.按照步骤S101~S104采集N个归一化信号样本存放到样本库中。
具体地,所述步骤S2通过小波变换将一维信号样本变换为二维矩阵,以此满足识别处理的要求,包括:
S201.以某母小波函数为小波基,对信号进行小波变换
式中,f(t)表示原始一维信号,ψa,τ(t)表示小波基,τ表示平移量,a表示尺度,WT(a,τ)则是变换后的二维矩阵数据;
S202.以τ为横轴,a为纵轴,不同的颜色代表矩阵中数据的值,根据WT(a,τ)生成二维图像。
具体地,所述步骤S3包括:
S301.对于每一个样本,以其设备编号作为反馈,为了便于神经网络参数调整,将反馈写作向量形式,向量长度为设备数量,该设备编号所对应的元素设为1,其余均置0:
Train_Y=[0,0,…,1,…,0];
S302.将矩阵数据与反馈向量一一对应存入样本库中:
式中,Xaτ表示样本中第a行第τ列的值。
所述步骤S101中,起始点位置检测的方法包括但不限于绝对幅度值检测和斜率检测。
例如,在采用绝对幅度值检测时:阈值设为0.003,当某个点信号幅度的绝对值大于0.003时,将该点作为起始点位置进行采样;在本申请的实施例中,M=800,可以从起始点位置采集800个开机瞬态信号样本点,作为一个信号样本;也可以从起始点前100个位置开始,采集起始点位置前100个开机瞬态信号样本点和起始点后700个开机瞬态信号样本点,作为一个信号样本。
所述步骤S201中,小波变换的母小波函数的选择包括但不限于haar、dB2、bior和morl。在本申请的实施例中,采用dB2波形函数为母小波,对信号波形进行小波变换:
所述步骤S4中,基于神经网络的图像识别算法包括但不限于逻辑回归、浅层神经网络、深层神经网络、卷积神经网络和循环神经网络。
在本申请的实施例中,步骤S4分别采用浅层神经网络(3层,单隐层,隐层的神经元为20个,如图2所示)和深层神经网络(5层,3隐层,隐层的神经元分别为20个、7个、5个,如图4所示)为例,对训练过程进行说明,具体地:第一步,输入二维矩阵与反馈一一对应的训练数据:
第二步,以为特征,Train_Y=[0,0,…,1,…,0]为反馈值,分别对该3层神经网络和5层神经网络进行训练,具体地:
前向传播:
Z[l]=W[l]·A[l-1]+b[l]
A[l]=g[l](Z[l])
反向传播:
dZ[l]=dA[l]*g[l]′(Z[l])
dA[l-1]=W[l]T·dZ[l]
其中,W[l]和b[l]为第l层的参数;
代价函数:
其中,为神经网络预测值,y(i)为实际反馈值;
参数调整:
其中,α为学习率,在本次实施方案中,分别设为0.02和0.002,通过训练不断调整参数W[l]和b[l],使神经网络的预测结果达到满意的程度。
3层神经网络和5层神经网络的代价函数以及识别率分别显示在图3和图5中。可以得到以下结论:
1)浅层神经网络训练速度更快,代价函数下降快,在迭代次数在2000次时就能达到较好的识别结果;而深层神经网络训练速度慢,需要迭代约5000次才能达到满意的结果;
2)深层神经网络能达到更小的代价函数值:浅层神经网络在训练2000次后,代价函数基本稳定在0.01附近,而深层神经网络随着迭代次数的增加,最终可以达到0.00005。
3)建议在处理较为简单的样本或接收方计算能力有限并且对识别结果要求不高的情况下采用浅层神经网络;建议在处理较为复杂的样本时采用深层神经网络或更复杂的卷积神经网络和循环神经网络。
综上,本发明发送设备的信号进行采集,利用小波变换将采集到的一维信号样本变换为二维图像数据。使用基于神经网络的图像识别算法对其进行训练和识别。针对不同的训练数据和边缘计算能力的场景,分别给出了高效快速或更为追求精度的方法。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:包括以下步骤:
S1.接收设备对发送设备进行信号采集和存储,得到N个一维信号样本;
S2.采用小波变换将每个一维信号样本变换为二维矩阵样本;
S3.对于多个不同的发射设备,重复以上S1~S2操作,以设备编号为反馈,将每个样本编写为“矩阵_编号”形式,存入样本库;
S4.利用基于神经网络的图像识别算法,以样本中矩阵为训练数据,编号为反馈对神经网络中的参数进行训练,得到训练后的神经网络;
S5.利用训练后的神经网络对待检测波形进行分类,判定其所属设备。
2.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S1包括以下子步骤:
S101.接收设备检测接收到的开机瞬态信号起始点位置;
S102.从起始点位置开始,采集一个发送设备的M个开机瞬态信号样本点,作为一个信号样本;
S103.在信号样本中,编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
S104.对信号样本进行归一化处理,归一化后处于-1~1之间:
式中,ampi表示信号样本中的第i个样本点幅值,i=1,2,...,M,ampmax表示样本信号中最大的样本点幅值,ampmin表示信号样本中最小的样本点幅值;
S105.按照步骤S101~S104采集N个归一化信号样本存放到样本库中。
3.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S2包括:
S201.以某母小波函数为小波基,对信号进行小波变换
式中,f(t)表示原始一维信号,ψa,τ(t)表示小波基,τ表示平移量,a表示尺度,WT(a,τ)则是变换后的二维矩阵数据;
S202.以τ为横轴,a为纵轴,不同的颜色代表矩阵中数据的值,根据WT(a,τ)生成二维图像,以此满足图像处理的要求。
4.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S3包括:
S301.对于每一个样本,以其设备编号作为反馈,为了便于神经网络参数调整,将反馈写作向量形式,向量长度为设备数量,该设备编号所对应的元素设为1,其余均置0:
Train_Y=[0,0,…,1,…,0];
S302.将矩阵数据与反馈向量一一对应存入样本库中:
式中,Xaτ表示样本中第a行第τ列的值。
5.根据权利要求2所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S101中,起始点位置检测的方法包括但不限于绝对幅度值检测和斜率检测。
6.根据权利要求3所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S201中,小波变换的母小波函数的选择包括但不限于haar、dB2、bior和morl。
7.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S4中,基于神经网络的图像识别算法包括但不限于逻辑回归、浅层神经网络、深层神经网络、卷积神经网络和循环神经网络。
8.根据权利要求7所述的一种基于小波变换和神经网络的边缘计算接入认证方法,其特征在于:所述步骤S4中,由于浅层的简单的神经网络训练速度较快,在较短的迭代周期内能够达到较高的识别率和较低的代价函数,故在处理简单的样本,或接收方计算能力有限并且对识别结果要求不高时,采用浅层神经网络;由于深层的较为复杂的神经网络训练速度较慢,需要多次迭代才能达到要求的识别结果,但深层的复杂神经网络的代价函数能够在多次参数调整后达到更低的值,故在处理较为复杂的样本时采用深层神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718435.8A CN109033780B (zh) | 2018-07-03 | 2018-07-03 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718435.8A CN109033780B (zh) | 2018-07-03 | 2018-07-03 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033780A true CN109033780A (zh) | 2018-12-18 |
CN109033780B CN109033780B (zh) | 2019-07-02 |
Family
ID=65521489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810718435.8A Active CN109033780B (zh) | 2018-07-03 | 2018-07-03 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033780B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN110648343A (zh) * | 2019-09-05 | 2020-01-03 | 电子科技大学 | 基于六阶样条尺度函数的图像边缘检测方法 |
CN111049814A (zh) * | 2019-12-04 | 2020-04-21 | 苏州大学 | 一种在边缘计算环境中针对污染攻击的计算验证的方法 |
CN111982855A (zh) * | 2020-08-12 | 2020-11-24 | 广东工业大学 | 一种通过光谱信号进行物质识别的方法及其应用 |
CN112070067A (zh) * | 2020-10-12 | 2020-12-11 | 乐普(北京)医疗器械股份有限公司 | 一种光体积描计信号的散点图分类方法和装置 |
CN114615666A (zh) * | 2022-03-11 | 2022-06-10 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656596A (zh) * | 2013-11-22 | 2015-05-27 | 西安科技大学 | 基于无线远程通讯与指纹信息提取、控制的设备管理系统 |
CN105678273A (zh) * | 2016-01-14 | 2016-06-15 | 上海大学 | 射频指纹识别技术瞬态信号的起始点检测算法 |
-
2018
- 2018-07-03 CN CN201810718435.8A patent/CN109033780B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656596A (zh) * | 2013-11-22 | 2015-05-27 | 西安科技大学 | 基于无线远程通讯与指纹信息提取、控制的设备管理系统 |
CN105678273A (zh) * | 2016-01-14 | 2016-06-15 | 上海大学 | 射频指纹识别技术瞬态信号的起始点检测算法 |
Non-Patent Citations (4)
Title |
---|
李文龙等: "跳频通信中的射频指纹识别技术", 《解放军理工大学学报(自然科学版)》 * |
葛春苑: "基于神经网络的人脸识别系统研究", 《中国优秀硕士学位论文全文数据库》 * |
谢非佚等: "一种优化的基于信号幅度排序的射频指纹提取和识别算法", 《网络空间安全》 * |
谢非佚等: "基于射频指纹识别技术的轻量级接入认证研究", 《通信技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN110648343A (zh) * | 2019-09-05 | 2020-01-03 | 电子科技大学 | 基于六阶样条尺度函数的图像边缘检测方法 |
CN110648343B (zh) * | 2019-09-05 | 2022-09-23 | 电子科技大学 | 基于六阶样条尺度函数的图像边缘检测方法 |
CN111049814A (zh) * | 2019-12-04 | 2020-04-21 | 苏州大学 | 一种在边缘计算环境中针对污染攻击的计算验证的方法 |
CN111049814B (zh) * | 2019-12-04 | 2021-09-28 | 苏州大学 | 一种在边缘计算环境中针对污染攻击的计算验证的方法 |
CN111982855A (zh) * | 2020-08-12 | 2020-11-24 | 广东工业大学 | 一种通过光谱信号进行物质识别的方法及其应用 |
CN112070067A (zh) * | 2020-10-12 | 2020-12-11 | 乐普(北京)医疗器械股份有限公司 | 一种光体积描计信号的散点图分类方法和装置 |
CN112070067B (zh) * | 2020-10-12 | 2023-11-21 | 乐普(北京)医疗器械股份有限公司 | 一种光体积描计信号的散点图分类方法和装置 |
CN114615666A (zh) * | 2022-03-11 | 2022-06-10 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
CN114615666B (zh) * | 2022-03-11 | 2023-06-13 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109033780B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033780B (zh) | 一种基于小波变换和神经网络的边缘计算接入认证方法 | |
Li et al. | Dn-detr: Accelerate detr training by introducing query denoising | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
Sun et al. | Fast object detection based on binary deep convolution neural networks | |
Wu et al. | Deep filter banks for land-use scene classification | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN108108751A (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
Hong-hai et al. | Radar emitter multi-label recognition based on residual network | |
CN106529397B (zh) | 一种非约束环境中的人脸特征点定位方法及系统 | |
CN108616471B (zh) | 一种基于卷积神经网络的信号调制识别方法和装置 | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
Wang et al. | Research and experiment of radar signal support vector clustering sorting based on feature extraction and feature selection | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
Tripathi et al. | Real time object detection using CNN | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
Xia et al. | Combination of multi‐scale and residual learning in deep CNN for image denoising | |
Park et al. | Enhanced machine learning algorithms: deep learning, reinforcement learning, and q-learning | |
Zhang et al. | Multi-weather classification using evolutionary algorithm on efficientnet | |
CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
Liu et al. | Automatic labeling of large amounts of handwritten characters with gate-guided dynamic deep learning | |
Zhao | Image semantic segmentation method based on GAN network and FCN model | |
CN111553202B (zh) | 进行活体检测的神经网络的训练方法、检测方法及装置 | |
Lee et al. | Performance enhancement of the branch length similarity entropy descriptor for shape recognition by introducing critical points |
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 |