CN109271926B - 基于gru深度卷积网络的智能辐射源识别方法 - Google Patents
基于gru深度卷积网络的智能辐射源识别方法 Download PDFInfo
- Publication number
- CN109271926B CN109271926B CN201811074578.6A CN201811074578A CN109271926B CN 109271926 B CN109271926 B CN 109271926B CN 201811074578 A CN201811074578 A CN 201811074578A CN 109271926 B CN109271926 B CN 109271926B
- Authority
- CN
- China
- Prior art keywords
- layer
- radiation source
- neural network
- radar radiation
- deep neural
- 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
- G06F2218/22—Source localisation; Inverse modelling
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于GRU深度卷积网络的智能辐射源识别方法,主要解决现有技术无法提取到雷达辐射源信号序列化特征的问题,其方案为:对雷达辐射源信号进行分类;仿真雷达辐射源信号,并对雷达辐射源信号进行切片;将切片后的样本转为二维实数样本,对二维实数样本归一化并划分训练样本集与测试样本集;构建基于门控循环单元GRU的深度神经网络;将训练样本集输入深度神经网络中,通过对损失函数的优化,得到训练好的深度神经网络模型;将测试样本集输入到训练好的深度神经网络模型中,得到雷达辐射源信号识别结果。本发明能提取信号前后关联特征,避免人工特征提取和先验知识,复杂度低,分类结果准确,可用于复杂电磁环境下对雷达辐射源识别。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及一种对辐射源信号识别方法,可用于在复杂多变电磁环境下对雷达辐射源信号进行自动化特征提取和相关参数识别。
背景技术
雷达辐射源信号分类识别是现代电子情报侦察系统和电子支援系统的重要组成部分,对国防建设具有重要的意义。经过多年的潜心研究,雷达辐射源信号的识别已经取得了长足的进步。传统的基于五个雷达参数特征的信号识别方法,已经不适用于现代电子战。因此,一些学者从雷达辐射源中提取脉内特征信息进行识别,能在给定的测试信号上得到令人满意的正确率。但是随着科技的发展,电子战日益激烈,更多的高科技雷达被投入使用,并成为主力,这些雷达信号的调制方法多种多样而且复杂。而这些传统方法的缺点也愈发突出。传统方法需要大量的先验知识和复杂的人工特征提取,信号分析方式僵化,对海量信号数据适应能力差,可扩展性差。
哈尔滨工程大学在其申请的专利文献“基于时频分析的自适应辐射源调制识别方法”(申请号:201710562232.X)中公开了一种基于时频分析的自适应辐射源调制识别方法,该方法通过以下步骤:利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量;将大量的打好标签的特征向量作为训练样本,通过深度卷积神经网络进行训练,并利用获得的卷积神经网络分类器进行输入特征向量的分类识别;为了实现对于未知类别的辐射源的识别,构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信,得到最终的识别结果。该方法虽然提出了一种辐射源的识别算法,但是仅仅可以识别辐射源的调制特征,并且在进行信号特征提取时需要大量的先验知识。
西北工业大学在其申请的专利文献“一种基于深度学习的雷达辐射源类别识别方法”(申请号:201711145195.9)中公开了一种基于深度学习的雷达辐射源识别算法,该算法的实现步骤是:利用经过预处理的辐射源信号求取其模糊函数的切片作为特征向量;将大量的打好标签的特征向量作为训练样本,通过深度卷积神经网络进行训练,并利用获得的卷积神经网络分类器进行输入特征向量的分类识别;为了实现对于未知类别的辐射源的识别,构建基于支持向量机的meta识别器来判断卷积神经网络分类器的分类结果是否可信,得到最终的识别结果。然而该方法由于仅仅使用了卷积神经网络完成对信号的特征提取,不能完成对信号的前后关联特征进行提取,因而不适用于复杂的雷达辐射源识别任务。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于GRU深度卷积网络的智能辐射源识别方法,以对雷达辐射源信号前后关联特征进行自动化提取,使其适用于复杂的雷达辐射源识别任务。
实现本发明目的的具体思路是,利用基于GRU的深度神经网络进行辐射源信号的识别。该方法在辐射源信号识别中能够达到较高的识别率,解决传统识别方法对先验知识存在高度依赖性缺点的同时,完成对信号前后关联特征的提取,以在较为复杂情况下对辐射源信号进行识别。从而使辐射源信号识别更加灵活、高效。
根据上述思路,本发明实现方案包括如下:
1.基于GRU深度神经网络的辐射源识别方法,其特征在于:包括如下:
(1)针对线性调频信号LFM、噪声Noise、单频信号CW和复杂调制信号Complex这四大类雷达辐射源信号参数的不同范围,将其划分为十一小类雷达辐射源信号;
(2)使用MATLAB仿真软件对十一小类雷达辐射源信号进行仿真,得到的每一小类均含有20000个样本,最终得到220000个样本;
(3)对(2)得到的220000个雷达辐射源信号进行切片处理,将切片后的样本转换为二维实数样本;
(4)对二维实数样本进行归一化,将归一化后二维实数样本的80%作为训练样本集,将20%作为测试样本集;
(5)构建基于门控循环单元GRU的深度神经网络模型:
(5a)设定基于门控循环单元GRU的深度神经网络的学习率为0.001、批处理大小为512,最大迭代次数为6500步;
(5b)构建用于对信号特征进行自动提取的15层卷积网络结构;
(5c)在15层卷积网络结构的下面,加入用于对信号进行序列化特征提取的两层门控循环单元GRU,得到17层的网络模型;
(5d)在17层的网络模型的下面,加入二层全连接层、一层失活层Dropout和一层分类层,得到21层基于门控循环单元GRU的深度神经网络模型;
(5e)选择基于门控循环单元GRU的深度神经网络模型损失函数f;
(6)对损失函数f进行优化,得到训练好的深度神经网络模型:
(6a)将训练样本集打乱顺序,输入到基于门控循环单元GRU的深度神经网络模型中;
(6b)通过Adam优化算法对损失函数f进行迭代优化,当达到设置的迭代次数时,完成对神经网络的训练,得到训练好的深度神经网络模型;
(7)将测试样本集输入到训练好的深度神经网络模型中,得到识别结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明使用了15层卷积神经网络模型,用于对辐射源信号进行自动特征提取,克服了传统方法在进行辐射源信号特征提取时需要大量先验知识的缺点,该卷积神经网络模型拥有多尺度多通道两大特性,其中,多尺度增加了特征的多样性,多通道能够提取信号多个层次的特征,可以对多种类型的辐射源信号进行识别,增强普适性。
第二,由于本发明在15层卷积神经网络模型后中加入两个门控循环单元GRU层,能够对辐射源信号前后之间的关联特征进行提取,克服了现有深度网络模型无法提取信号序列化特征的缺点,同时提高了识别的精度,简化了识别过程。
附图说明
图1为本发明的实现流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对发明做进一步描述。
参照图1,本发明的实现步骤如下:
步骤1,对雷达辐射源信号进行分类。
针对雷达线性调频信号LFM、噪声Noise、单频信号CW和复杂调制信号Complex这四大类雷达辐射源信号参数的不同范围,按如下规则照将其划分为十一小类雷达辐射源信号;
根据调频斜率、带宽类型的不同,将线性调频信号LFM分为四小类:第一小类带宽为50MHz~500MHz、调频斜率为正,第二小类带宽为1KHz~50MHz、调频斜率为负,第三小类带宽为1KHz~50MHz、调频斜率为正,第四小类带宽为50MHz~500MHz、调频斜率为负;
根据种类的不同,将噪声Noise分为高斯白噪声、有色噪声两小类;
根据载波频率范围的不同,将单频信号CW分为两小类:第一小类载波频率范围为5.0GHz~5.5GHz,第二小类载波频率范围为5.6GHz~6.0GHz;
根据调制方式的不同,将复杂调制信号Complex分为三小类。
步骤2,仿真雷达辐射源信号,获得雷达辐射源信号样本。
使用商用MATLAB仿真软件对步骤1划分的十一小类雷达辐射源信号进行仿真,得到的每一小类均含有20000个样本,最终得到220000个样本。
步骤3,对雷达辐射源信号进行切片处理。
对步骤2得到的220000个雷达辐射源信号样本进行切片处理,即对于每一个雷达辐射源信号,每间隔256个采样点进行切割,切割的长度为512,最终共得到1320000个长度为512的切片数据;
将切片后的样本转换为二维实数样本。
步骤4,对二维实数样本进行归一化并划分训练样本集与测试样本集。
对二维实数样本进行归一化,即用二维实数样本向量点除其绝对值中的最大值,得到归一化后的样本;
将归一化后二维实数样本的80%作为训练样本集,将20%作为测试样本集。
步骤5,构建基于门控循环单元GRU的深度神经网络模型。
(5.1)设定基于门控循环单元GRU的深度神经网络的学习率为0.001、批处理大小为512,最大迭代次数为30000步;
(5.2)构建用于对信号特征进行自动提取的15层卷积网络结构:
该卷积网络结构包括输入层、四个补零层Zero Padding、四个卷积层、四个失活层Dropout、拼接层和变形层Reshape,其结构关系及参数如下:
第一层为输入层,设置可接收的输入大小为(2,512,1);
第二层为第一补零层Zero Padding,用于对输入层数据两端各补两个零;
第三层为第一卷积层,有16个卷积核,每个卷积核的大小为1x19,激活函数为线性整流函数Relu;
第四层为第一失活层Dropout,概率取0.5;
第五层为第二补零层Zero Padding,用于对第四层的输出两端各补两个零;
第六层为第二卷积层,有16个卷积核,每个卷积核的大小为1x23,激活函数为线性整流函数Relu;
第七层为第二失活层Dropout,概率取0.5;
第八层为第三补零层Zero Padding,用于对第七层的输出两端各补两个零;
第九层为第三卷积层,有16个卷积核,每个卷积核的大小为1x27,激活函数为线性整流函数Relu;
第十层为第三失活层Dropout,概率取0.5;
第十一层为第四补零层Zero Padding,用于对第十层的输出两端各补两个零;
第十二层为第四卷积层,有16个卷积核,卷积核的大小为1x31,激活函数为线性整流函数Relu;
第十三层为第四失活层Dropout,概率取0.5;
第十四层为拼接层,用于在第四维度上,将第四层、第七层、第十层、第十三层的输出进行拼接。
第十五层为变形层Reshape,用于将拼接层得到的4D张量变形为3D张量。
(5.3)在15层卷积网络结构的下面,加入用于对信号进行序列化特征提取的两层门控循环单元GRU,得到17层的网络模型;
其结构关系如下:
第十六层为第一门控循环单元GRU层,单元个数设置为312;
第十七层为第二门控循环单元GRU层,单元个数设置为256。
(5.4)在17层的网络模型的下面,加入二层全连接层、一层失活层Dropout和一层分类层,得到21层基于门控循环单元GRU的深度神经网络模型;
其结构关系如下:
第十八层为第一全连接层,神经元个数设置为128,激活函数为线性整流函数Relu;
第十九层为第二全连接层,神经元个数设置为11,激活函数为线性整流函数Relu;
第二十层为第五失活层Dropout,概率取0.5;
第二十一层为分类层,多分类函数取Softmax函数;
(5.5)选择基于门控循环单元GRU的深度神经网络模型损失函数f;
可选的损失函数包括均方误差损失函数、对数似然损失函数、指数损失函数、绝对值损失函数和交叉熵损失函数,本实例选择但不限于交叉熵损失函数,其表示如下:
其中,M为雷达辐射源信号类别总数,c表示具体某一类别;yc为指示变量,如果类别c和样本的类别相同,则yc为1,否则为0;pc表示对于样本属于类别c的预测概率。
步骤6,对损失函数f进行优化,得到训练好的深度神经网络模型。
将训练样本集打乱顺序,输入到步骤5建立的深度神经网络模型中,并使用Adam优化算法迭代更新和调整网络模型,使其损失函数f的值最小;当达到设置的最大迭代次数为30000步时,完成交叉熵损失函数f的优化,得到训练好的深度神经网络模型。
步骤7,将测试样本集输入到训练好的深度神经网络模型中,得到对雷达辐射源信号的识别结果,即识别出其属于步骤1划分的十一小类雷达辐射源信号中的哪一类。
本发明的效果可通过以下仿真进一步说明:
1.仿真条件:
本发明的仿真实验在Intel i7 8700CPU、32G RAM、NVIDIA Tian X、Ubuntu16.04LTS系统下,Keras2.0.9与MATLAB2017b运行平台上,完成本发明中辐射源信号产生和基于GRU的深度神经网络模型的仿真实验。
2.仿真实验内容与结果
实验1:仿真本发明选择交叉熵损失函数f在训练样本集与测试样本集上的值随迭代次数增加的变化,结果如图2。
图2横坐标为迭代的次数,纵坐标为每次迭代时的损失,损失函数值越小代表模型的训练效果越好。其中,实线对应的是交叉熵损失函数f在训练集上的损失值,虚线对应的是交叉熵损失函数f在测试集上的损失值,从图2可以看出,交叉熵损失函数f在训练集的值与在测试集的值均随着迭代次数的增加而降低。当迭代次数大约20000步的时候,交叉熵损失函数f在训练集的值与在测试集的值均趋于平稳。
实验2:仿真本发明搭建的网络模型在测试样本集上的准确率,实验结果见表1。
表1
评价标准 | 总体分类精度(OA) | 平均精度(AA) | Kappa系数 |
值 | 0.9496 | 0.9578 | 0.9446 |
从表1可以看出,整体正确率OA、平均正确率AA和kappa系数均大于0.94,对雷达辐射源信号的识别精度高,效果好。
实验3:仿真本发明搭建的网络模型与现有CLDNN网络模型对比结果,两种方法均在仿真出的雷达辐射源信号上进行训练,训练样本数据、测试样本数据以及采用的数据预处理方式均相同,实验结果见表2。
表2
从表2中可以看出,本发明所提算法训练时间较短,且结果较好。
以上的仿真实验说明,针对辐射源信号的识别,本发明可以完成不同类别的辐射源识别任务,方法有效可行。
Claims (7)
1.一种基于GRU深度卷积网络的智能辐射源识别方法,其特征在于:包括如下:
(1)针对线性调频信号LFM、噪声Noise、单频信号CW和复杂调制信号Complex这四大类雷达辐射源信号参数的不同范围,将其划分为十一小类雷达辐射源信号;
(2)使用MATLAB仿真软件对十一小类雷达辐射源信号进行仿真,得到的每一小类均含有20000个样本,最终得到220000个样本;
(3)对(2)得到的220000个雷达辐射源信号进行切片处理,将切片后的样本转换为二维实数样本;
(4)对二维实数样本进行归一化,将归一化后二维实数样本的80%作为训练样本集,将20%作为测试样本集;
(5)构建基于门控循环单元GRU的深度神经网络模型:
(5a)设定基于门控循环单元GRU的深度神经网络的学习率为0.001、批处理大小为512,最大迭代次数为6500步;
(5b)构建用于对信号特征进行自动提取的15层卷积网络结构;其结构关系如下:
第一层为输入层,可接收的输入大小设置为(2,512,1);
第二层为第一补零层Zero Padding,用于对输入层数据两端各补两个零;
第三层为第一卷积层,有16个卷积核,每个卷积核的大小为1x19,激活函数为线性整流函数Relu;
第四层为第一失活层Dropout,概率取0.5;
第五层为第二补零层Zero Padding,用于对第四层的输出两端各补两个零;
第六层为第二卷积层,有16个卷积核,每个卷积核的大小为1x23,激活函数为线性整流函数Relu;
第七层为第二失活层Dropout,概率取0.5;
第八层为第三补零层Zero Padding,用于对第七层的输出两端各补两个零;
第九层为第三卷积层,有16个卷积核,每个卷积核的大小为1x27,激活函数为线性整流函数Relu;
第十层为第三失活层Dropout,概率取0.5;
第十一层为第四补零层Zero Padding,用于对第十层的输出两端各补两个零;
第十二层为第四卷积层,有16个卷积核,卷积核的大小为1x31,激活函数为线性整流函数Relu;
第十三层为第四失活层Dropout,概率取0.5;
第十四层为拼接层,用于在第四维度上,将第四层、第七层、第十层、第十三层的输出进行拼接;
第十五层为变形层Reshape,用于将拼接层得到的4D张量变形为3D张量;
(5c)在15层卷积网络结构的下面,加入用于对信号进行序列化特征提取的两层门控循环单元GRU,得到17层的网络模型;
(5d)在17层的网络模型的下面,加入二层全连接层、一层失活层Dropout和一层分类层,得到21层基于门控循环单元GRU的深度神经网络模型;
(5e)选择基于门控循环单元GRU的深度神经网络模型损失函数f;
(6)对损失函数f进行优化,得到训练好的深度神经网络模型:
(6a)将训练样本集打乱顺序,输入到基于门控循环单元GRU的深度神经网络模型中;
(6b)通过Adam优化算法对损失函数f进行迭代优化,当达到设置的迭代次数时,完成对神经网络的训练,得到训练好的深度神经网络模型;
(7)将测试样本集输入到训练好的深度神经网络模型中,得到识别结果。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中将所述四大类雷达辐射源信号划分为十一小类雷达辐射源信号,按如下规则划分:
根据调频斜率、带宽类型的不同,将线性调频信号LFM分为四小类:第一小类带宽为50MHz~500MHz、调频斜率为正,第二小类带宽为1KHz~50MHz、调频斜率为负,第三小类带宽为1KHz~50MHz、调频斜率为正,第四小类带宽为50MHz~500MHz、调频斜率为负;
根据种类的不同,将噪声Noise分为高斯白噪声、有色噪声两小类;
根据载波频率范围的不同,将单频信号CW分为两小类:第一小类载波频率范围为5.0GHz~5.5GHz,第二小类载波频率范围为5.6GHz~6.0GHz;
根据调制方式的不同,将复杂调制信号Complex分为三小类。
3.根据权利要求1所述的方法,其特征在于,步骤(3)中对(2)得到的220000个雷达辐射源信号进行切片处理,是对于每一个雷达辐射源信号,每间隔256个采样点进行切割,切割的长度为512,最终共得到1320000个长度为512的切片数据。
4.根据权利要求1所述的方法,其特征在于,步骤(4)中对二维实数样本进行归一化,是用二维实数样本向量点除其绝对值中的最大值,得到归一化后的样本。
5.根据权利要求1所述的方法,其特征在于,步骤(5c)中在15层卷积网络结构的下面加入用于对信号进行序列化特征提取的两层门控循环单元GRU,其结构如下:
第十六层为第一门控循环单元GRU层,单元个数设置为312;
第十七层为第二门控循环单元GRU层,单元个数设置为256。
6.根据权利要求1所述的方法,其特征在于,步骤(5d)中在17层的网络模型的下面加入的二层全连接层、一层失活层Dropout和一层分类层,其结构关系如下:
第十八层为第一全连接层,神经元个数设置为128,激活函数为线性整流函数Relu;
第十九层为第二全连接层,神经元个数设置为11,激活函数为线性整流函数Relu;
第二十层为失活层Dropout,概率取0.5;
第二十一层为分类层,多分类函数取Softmax函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074578.6A CN109271926B (zh) | 2018-09-14 | 2018-09-14 | 基于gru深度卷积网络的智能辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074578.6A CN109271926B (zh) | 2018-09-14 | 2018-09-14 | 基于gru深度卷积网络的智能辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271926A CN109271926A (zh) | 2019-01-25 |
CN109271926B true CN109271926B (zh) | 2021-09-10 |
Family
ID=65188283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811074578.6A Active CN109271926B (zh) | 2018-09-14 | 2018-09-14 | 基于gru深度卷积网络的智能辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271926B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008861A (zh) * | 2019-03-21 | 2019-07-12 | 华南理工大学 | 一种基于全局和局部特征学习的行人再识别方法 |
CN109948722B (zh) * | 2019-03-27 | 2021-05-18 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
CN109977871B (zh) * | 2019-03-27 | 2021-01-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN110189260B (zh) * | 2019-04-15 | 2021-01-26 | 浙江大学 | 一种基于多尺度并行门控神经网络的图像降噪方法 |
CN110489797B (zh) * | 2019-07-18 | 2023-03-24 | 武汉大学苏州研究院 | 一种适用于外辐射源雷达的电磁环境辨识方法 |
CN110596668B (zh) * | 2019-09-20 | 2021-06-04 | 中国人民解放军国防科技大学 | 基于互逆深度神经网络的目标外辐射源被动定位方法 |
CN110988804B (zh) * | 2019-11-11 | 2022-01-25 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
CN111061152B (zh) * | 2019-12-23 | 2021-04-27 | 深圳供电局有限公司 | 基于深度神经网络的攻击识别方法及智慧能源功率控制装置 |
CN111310680B (zh) * | 2020-02-24 | 2022-11-04 | 电子科技大学 | 一种基于深度学习的辐射源个体识别方法 |
CN111401226B (zh) * | 2020-03-13 | 2022-11-01 | 电子科技大学 | 一种辐射源快速识别方法 |
CN111428632A (zh) * | 2020-03-23 | 2020-07-17 | 中国科学院重庆绿色智能技术研究院 | 一种绞车状态检测方法及矿工行为检测方法 |
CN111913156B (zh) * | 2020-08-05 | 2022-06-24 | 电子科技大学 | 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 |
CN112183279B (zh) * | 2020-09-21 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
CN112529035B (zh) * | 2020-10-30 | 2023-01-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 识别不同电台个体种类的智能识别方法 |
CN112308008B (zh) * | 2020-11-12 | 2022-05-17 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
CN112784690B (zh) * | 2020-12-31 | 2022-12-27 | 西安电子科技大学 | 基于深度学习的宽带信号参数估计方法 |
CN112818876B (zh) * | 2021-02-04 | 2022-09-20 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
CN112887239B (zh) * | 2021-02-15 | 2022-04-26 | 青岛科技大学 | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 |
CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113156386A (zh) * | 2021-03-15 | 2021-07-23 | 中国人民解放军海军工程大学 | 一种雷达、辐射源识别方法及计算机可读存储介质 |
CN113156376B (zh) * | 2021-04-15 | 2023-08-11 | 中国人民解放军空军航空大学 | 基于sacnn的雷达辐射源信号识别方法 |
CN115470873B (zh) * | 2022-11-14 | 2023-04-18 | 中国人民解放军国防科技大学 | 一种雷达辐射源识别方法与系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10319374B2 (en) * | 2015-11-25 | 2019-06-11 | Baidu USA, LLC | Deployed end-to-end speech recognition |
US10373610B2 (en) * | 2017-02-24 | 2019-08-06 | Baidu Usa Llc | Systems and methods for automatic unit selection and target decomposition for sequence labelling |
CN107301432B (zh) * | 2017-07-11 | 2020-09-25 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
CN107577662A (zh) * | 2017-08-08 | 2018-01-12 | 上海交通大学 | 面向中文文本的语义理解系统及方法 |
CN107832326B (zh) * | 2017-09-18 | 2021-06-08 | 北京大学 | 一种基于深层卷积神经网络的自然语言问答方法 |
CN107807971A (zh) * | 2017-10-18 | 2018-03-16 | 北京信息科技大学 | 一种自动图像语义描述方法 |
CN107979554B (zh) * | 2017-11-17 | 2019-10-08 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
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 |
CN108243129B (zh) * | 2017-12-15 | 2019-12-24 | 西安电子科技大学 | 基于注意力深度网络的无线电信号特征提取方法 |
CN108202334B (zh) * | 2018-03-22 | 2020-10-23 | 东华大学 | 一种能够识别音乐节拍和风格的舞蹈机器人 |
-
2018
- 2018-09-14 CN CN201811074578.6A patent/CN109271926B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109271926A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271926B (zh) | 基于gru深度卷积网络的智能辐射源识别方法 | |
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN102819745B (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN107462785A (zh) | 基于ga‑svm的电能质量多扰动信号分类识别方法 | |
CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
CN102750551A (zh) | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN109325490A (zh) | 基于深度学习和rpca的太赫兹图像目标识别方法 | |
CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN106203520B (zh) | 基于深度相关向量机的sar图像分类方法 | |
CN104463227A (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
CN114548170A (zh) | 基于gpu端模糊c均值聚类算法的雷达信号分选方法 | |
CN107886108A (zh) | 基于AlexNet网络模型的果蔬分类方法及装置 | |
CN104331711A (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN115935154A (zh) | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 | |
CN115982349A (zh) | 一种基于改进tf-idf的客户用电安全智能分类方法 | |
CN109740692A (zh) | 一种基于主成分分析的逻辑斯蒂回归的目标归类方法 | |
CN103927438A (zh) | 基于连续投影算法的近红外波长变量选择方法 |
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 |