CN109829352A - 融合多层稀疏学习与多视角学习的通信指纹识别方法 - Google Patents
融合多层稀疏学习与多视角学习的通信指纹识别方法 Download PDFInfo
- Publication number
- CN109829352A CN109829352A CN201811385665.3A CN201811385665A CN109829352A CN 109829352 A CN109829352 A CN 109829352A CN 201811385665 A CN201811385665 A CN 201811385665A CN 109829352 A CN109829352 A CN 109829352A
- Authority
- CN
- China
- Prior art keywords
- feature
- sparse
- dictionary
- sparse coding
- tree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 12
- 230000001052 transient effect Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 3
- 230000000007 visual effect Effects 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 101150097524 Mccc1 gene Proteins 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 241000256602 Isoptera Species 0.000 claims 1
- 238000013459 approach Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种融合多层稀疏学习与多视角学习的通信指纹识别方法，1)对原始稳态信号和原始瞬态信号，采用稀疏自动编码器抑制噪声；并对去噪信号，采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码方法得到变换域上的特征；2)对变换域上二阶矩阵形式的特征，再采用稀疏编码方法，获得更简洁准确地刻画信号细微特征的低维特征；3)对多频点、多调制方式的电台，为了综合提取其不同工作载频和模式下的共性特征，采用树结构稀疏编码；4)来自不同视角的特征，采用多视角典型相关分析进行多种稀疏编码特征融合，并采用全连接神经网络进行分类。
Description
技术领域
本发明涉及的是一种融合多层稀疏学习与多视角学习的通信指纹识别方法，属于通信对抗、认知无线电领域的通信指纹识别技术子领域。
背景技术
每个通信辐射源个体由于元器件性能、生产工艺以及调试等方面的随机离散性，总是会使其辐射的信号带有区别与其它辐射源个体的特征。近年来国内外许多科研机构在这一方面进行了深入的研究，所提取的通信辐射源特征总体可归类为暂态信号特征和稳态特征。
暂态特征指的是在开关机或工作方式转换时辐射源的信号中提取的特征。国外公开文献对于通信辐射源个体特征的研究主要集中在暂态特征上。稳态特征指从通信辐射源稳定工作时辐射的信号中提取的个体特征。
实际应用中能获得的通信辐射源特征样本通常比较少，而提取的特征维数比较高，特别是采用现代信号处理方法提取的双谱、时频分布、小波变换等矩阵形式的特征，其维数一般非常高，针对矩阵形式的数据，一般的做法是对矩阵按行 (或列)首尾相连将其换成向量形式。在通信辐射源个体识别应用中，常用做法是先计算方形路径积分双谱(SIB)、选择双谱做、径向积分双谱(RIB)等，再采用主成分分析、流形嵌入等方法进一步降维。
上述传统方法都没有综合考虑信号噪声问题、融合利用多种特征的问题、多载频电台的问题等。
发明内容
本发明的目的在于，提供一种融合多层稀疏学习与多视角学习的通信指纹识别方法，提高通信指纹识别精度。
实现本发明的目的的技术解决方案为：一种融合多层稀疏学习与多视角学习的通信指纹识别方法，步骤如下：
(1)对原始稳态信号和原始瞬态信号，采用稀疏自动编码器抑制噪声；并对去噪信号，采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码等方法得到变换域上的特征；
(2)对变换域上二阶矩阵形式的特征，再采用稀疏编码方法，获得更简洁准确地刻画信号细微特征的低维特征；
(3)对多频点、多调制方式的电台，为了综合提取其不同工作载频和模式下的共性特征，采用树结构稀疏编码；
(4)来自不同视角的特征，采用多视角典型相关分析进行特征融合，并采用全连接神经网络进行分类。
有益效果，本发明与现有技术相比，其显著优点：(1)采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码等方法得到多种变换域上的特征，特征客刻画更全面；(2)对多频点、多调制方式的电台，通过采用树结构稀疏编码，能综合提取不同工作载频和模式下的共性特征；(3)对来自不同视角的特征，采用多视角典型相关分析进行特征融合，能有效地提高通信指纹识别精度。
实验结果表明，基于本发明中的方法能提高通信指纹识别精度，在的电子对抗、无线网络安全、电磁频谱管理和认知无线电等方面都具有广泛的应用前景。
附图说明
图1是本发明融合多层稀疏学习与多视角学习的通信指纹识别方法的流程图。
图2是通信指纹识别硬件设备组成框图。
图3是多调制方式多载频电台数据样本之间的树状结构关系示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1所示，融合多层稀疏学习与多视角学习的通信指纹识别方法的具体实施步骤：
1、究采用超外差中频数字化接收方案进行数据采集。所采用的硬件设备组成如图2所示，主要由天线、高保真模拟通道、采集卡、DSP处理器和工控机等组成。其中天线、高保真模拟通道实现通信信号的高保真接收，DSP处理器主要进行预处理和信号特征分析，工控机进行特征提取降维和分类处理。
2、对原始稳态信号和原始瞬态信号，采用稀疏自动编码器抑制噪声。
3、对去噪信号，采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码等方法得到变换域上的特征。
4、对变换域上二阶矩阵形式的特征，再采用稀疏编码方法，获得更简洁准确地刻画信号细微特征的低维特征。对信号编码矩阵、双谱、循环谱等不同的变换域特征，采用判别型稀疏编码引入判别信息，使提取的特征更有利于分类：
设所有样本的矩阵为X＝[x1,x2,...,xN]∈RM×N，D＝[d1,d2,...,dK]∈RM×K为过完备字典，可定义判别型稀疏编码的目标函数为：
其中是X在字典D上的表示系数矩阵。引入项使得最后获得的稀疏编码系数在类内距离最小，类间距离最大。
该优化问题中D和B同时变化时，目标函数不一定是凸优化问题；固定B，优化问题是关于D的凸函数；固定D，则是关于B的凸函数。因此可通过固定一个变量求解另外一个变量的交替优化求解方法解决稀疏编码问题。过完备字典D 给定，该问题是关于B的带有范数的凸优化问题，并通过梯度下降算法等来求解。判别型稀疏编码中，设计具有区分表示能力的字典D十分关键，针对不同的数据样本类型具体设计。
5、对多频点、多调制方式的电台，采用树结构稀疏编码综合提取其不同工作载频和模式下的共性特征：
对于同一部电台，不同调制方式、不同工作载频下的的样本数据可以形成树状的结构关系。
设有两部电台分别记为电台1和电台2，每部对应有4个双谱特征样本，其中在2个不同的载频处各有2个样本。如图3所示，特征样本之间可以构成树状结构的关系，其中根节点包括所有的特征样本，第二层的节点和分别包括调制方式1和调制方式2的所有样本，第三层中的节点则分别包括不同载频处的特征样本，叶子节点与具体每个特征样本相对应。具体可以记为：第0层： 第1层：第2层： 第3层：
可以定义树T，用于表示电台在不同调制方式不同载频下工作时所获得的数据样本之间的树状结构关系。
定义1：树T包含d层，第i(i＝0,1,..,d-1)层的节点集合为 ni为第i层的节点数。其中，n0＝1，根节点当i＝1,2,...,i-1时， ni≥1。每个数据样本在第i层属于且只属于某一个节点，即满足：(1) (2)
针对各个调制方式下的每一工作载频，分别根据其对应的数据特点构造一个分字典，所有分字典综合构成稀疏编码的完整字典D。考虑到来自不同调制方式、不同工作载频的样本可以形成树状的结构关系，字典D中的各个元素之间也可形成如图3所示的树状结构(叶子节点对应字典D的元素，各调制方式下各载频分别对应一个分字典)。在基于该字典D对某一个样本进行稀疏编码时，对编码系数施加反映该树结构的正则化约束，以刻画字典元素间的树状结构关系。
具体地，对每一个训练样本xk，设其对应的稀疏编码系数为β(k)。为了引入字典元素间先验的树结构关系信息，在对xk进行稀疏编码时，在编码系数β(k)上施加一个能反映该先验结构关系的约束——树结构正则化项，通过求解如下优化问题得到xk的结构化稀疏编码系数：
其中β(k)＝[βk,1,βk,2,...,βk,n]T∈Rn为n维系数向量，D为字典。编码系数向量β(k)中，与节点相对应的元素构成向量字典元素之间的树状结构关系通过树结构正则化项引入，权重反映节点Gj i中的字典元素之间的相关性强度，参数λ用于调节重构误差与正则化惩罚之间的平衡。该优化可以通过梯度下降算法来求解。
在稀疏编码的过程中，通过在线学习的方法得到最终的结构化稀疏编码字典 D。结构化稀疏编码系数则作为多频点、多调制方式的通信辐射源的个体特征。
所有的结构化稀疏编码系数向量构成矩阵该矩阵即可作为数据样本集X＝[x1,x2,xk,...,xN]对应的通信辐射源个体特征集。
6、对来自不同视角的特征，采用多核学习、多视角典型相关分析(Multi-viewCanonical Correlation Analysis,mCCA)等多视角学习方法进行特征融合，并采用全连接神经网络进行分类。
典型相关性分析(CCA)用于学习两组多维变量之间的线性相关性。在学习过程中，利用CCA寻找两个基投影向量，使原始两组多维变量在这两个基向量上投影后，所形成的新变量之间的相关性最大化。将CCA用于处理两个视角模式的学习，可通过投影向量的转化去除不同视角的冗余信息。对于成对的观察样本集记和CCA的目标是分别为样本集X和Y寻找两组基向量和使得随机变量和之间的相关系数ρ达到最大，即：
上式等价于
对于多视角学习问题，对m个不同空间的特征组进行融合，以实现不同空间之间的信息互补，可通过将各组多维变量两两组合，最大化每两组变量在转化空间中的相关性，从而得到最有利于分类的特征，即：
其中，假定所给的模式通过自然属性的切分被分配到m个特征空间中。定义每个特征空间所对应的特征为矩阵形式{S(1),...,S(m)}。能处理多组多维变量的CCA期望获得转换矩阵(其中nl为每个特征空间的维数)，使得每两组数据S(k),S(l)在对应转换矩阵W(k),W(l)上的投影的相关性达到最大。将式(5)展开，可知其目标函数含有项，为进一步简化，可以要求每个视角数据在其对应转化矩阵上的投影与所有变量投影的数学期望最大程度地逼近，即则目标函数的展开式中只有m项，可大大降低计算复杂度。多视角的典型相关分析的求解可以转化为如下的广义特征值问题:
以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均以包含在本发明的保护范围之内。
Claims (6)
1.一种融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，包括以下步骤：
(1)对原始稳态信号和原始瞬态信号，采用稀疏自动编码器抑制噪声；并对去噪信号，采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码方法得到变换域上的特征；
(2)对变换域上二阶矩阵形式的特征，再采用稀疏编码方法，获得更简洁准确地刻画信号细微特征的低维特征；
(3)对多频点、多调制方式的电台，为了综合提取其不同工作载频和模式下的共性特征，采用树结构稀疏编码；
(4)来自不同视角的特征，采用多视角典型相关分析进行多种稀疏编码特征融合，并采用全连接神经网络进行分类。
2.根据权利要求1所述的融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，步骤(1)中对原始稳态信号和原始瞬态信号，采用稀疏自动编码器抑制噪声；并对去噪信号，采用双谱分析、循环谱分析、基于过完备信号字典的稀疏编码等方法得到变换域上的特征。
3.根据权利要求1所述的融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，步骤(2)中，对信号编码矩阵、双谱、循环谱不同的变换域特征，采用判别型稀疏编码引入判别信息，使提取的特征更有利于分类：
设所有样本的矩阵为X＝[x1,x2,...,xN]∈RM×N，D＝[d1,d2,...,dK]∈RM×K为过完备字典，可定义判别型稀疏编码的目标函数为：
其中是X在字典D上的表示系数矩阵；引入项使得最后获得的稀疏编码系数在类内距离最小，类间距离最大；
该优化问题中D和B同时变化时，目标函数不一定是凸优化问题；固定B，优化问题是关于D的凸函数；固定D，则是关于B的凸函数；因此通过固定一个变量求解另外一个变量的交替优化求解方法解决稀疏编码问题；过完备字典D给定，该问题是关于B的带有范数的凸优化问题，并通过梯度下降算法等来求解；判别型稀疏编码中，设计具有区分表示能力的字典D十分关键，针对不同的数据样本类型具体设计。
4.根据权利要求1所述的融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，步骤(3)中，对多频点、多调制方式的电台，采用树结构稀疏编码综合提取其不同工作载频和模式下的共性特征：
对于同一部电台，不同调制方式、不同工作载频下的的样本数据可以形成树状的结构关系。
5.根据权利要求1所述的融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，设有两部电台分别记为电台1和电台2，每部对应有4个双谱特征样本，其中在2个不同的载频处各有2个样本；特征样本之间可以构成树状结构的关系，其中根节点包括所有的特征样本，第二层的节点和分别包括调制方式1和调制方式2的所有样本，第三层中的节点则分别包括不同载频处的特征样本，叶子节点与具体每个特征样本相对应；
具体记为：第0层：第1层： 第2层：第3层：
定义树T，用于表示电台在不同调制方式不同载频下工作时所获得的数据样本之间的树状结构关系；
定义1：树T包含d层，第i(i＝0,1,..,d-1)层的节点集合为ni为第i层的节点数；其中，n0＝1，根节点当i＝1,2,...,i-1时，ni≥1；每个数据样本在第i层属于且只属于某一个节点，即满足：(1) (2)
针对各个调制方式下的每一工作载频，分别根据其对应的数据特点构造一个分字典，所有分字典综合构成稀疏编码的完整字典D；考虑到来自不同调制方式、不同工作载频的样本可以形成树状的结构关系，字典D中的各个元素之间也可形成树状结构，叶子节点对应字典D的元素，各调制方式下各载频分别对应一个分字典；在基于该字典D对某一个样本进行稀疏编码时，对编码系数施加反映该树结构的正则化约束，以刻画字典元素间的树状结构关系；
对每一个训练样本xk，设其对应的稀疏编码系数为β(k)；为了引入字典元素间先验的树结构关系信息，在对xk进行稀疏编码时，在编码系数β(k)上施加一个能反映该先验结构关系的约束——树结构正则化项，通过求解如下优化问题得到xk的结构化稀疏编码系数：
其中β(k)＝[βk,1,βk,2,...,βk,n]T∈Rn为n维系数向量，D为字典；编码系数向量β(k)中，与节点相对应的元素构成向量字典元素之间的树状结构关系通过树结构正则化项引入，权重反映节点中的字典元素之间的相关性强度，参数λ用于调节重构误差与正则化惩罚之间的平衡；该优化通过梯度下降算法来求解；
在稀疏编码的过程中，通过在线学习的方法得到最终的结构化稀疏编码字典D；结构化稀疏编码系数则作为多频点、多调制方式的通信辐射源的个体特征；
所有的结构化稀疏编码系数向量构成矩阵该矩阵即可作为数据样本集X＝[x1,x2,xk,...,xN]对应的通信辐射源个体特征集。
6.根据权利要求1所述的融合多层稀疏学习与多视角学习的通信指纹识别方法，其特征在于，步骤(4)中，来自不同视角的特征，采用多核学习、多视角典型相关分析(Multi-view Canonical Correlation Analysis,mCCA)等多视角学习方法进行特征融合，并采用全连接神经网络进行分类；
典型相关性分析(CCA)用于学习两组多维变量之间的线性相关性；在学习过程中，利用CCA寻找两个基投影向量，使原始两组多维变量在这两个基向量上投影后，所形成的新变量之间的相关性最大化；将CCA用于处理两个视角模式的学习，可通过投影向量的转化去除不同视角的冗余信息；对于成对的观察样本集记和CCA的目标是分别为样本集X和Y寻找两组基向量和使得随机变量和之间的相关系数ρ达到最大，即：
上式等价于
对于多视角学习问题，对m个不同空间的特征组进行融合，以实现不同空间之间的信息互补，可通过将各组多维变量两两组合，最大化每两组变量在转化空间中的相关性，从而得到最有利于分类的特征，即：
其中，假定所给的模式通过自然属性的切分被分配到m个特征空间中；定义每个特征空间所对应的特征为矩阵形式{S(1),...,S(m)}；能处理多组多维变量的CCA期望获得转换矩阵其中nl为每个特征空间的维数，使得每两组数据S(k),S(l)在对应转换矩阵W(k),W(l)上的投影的相关性达到最大；将式(5)展开，知其目标函数含有项；为进一步简化，要求每个视角数据在其对应转化矩阵上的投影与所有变量投影的数学期望最大程度地逼近，即则目标函数的展开式中只有m项，能大大降低计算复杂度；多视角的典型相关分析的求解可以转化为如下的广义特征值问题:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385665.3A CN109829352B (zh) | 2018-11-20 | 2018-11-20 | 融合多层稀疏学习与多视角学习的通信指纹识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385665.3A CN109829352B (zh) | 2018-11-20 | 2018-11-20 | 融合多层稀疏学习与多视角学习的通信指纹识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109829352A true CN109829352A (zh) | 2019-05-31 |
| CN109829352B CN109829352B (zh) | 2024-06-11 |
Family
ID=66859173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811385665.3A Active CN109829352B (zh) | 2018-11-20 | 2018-11-20 | 融合多层稀疏学习与多视角学习的通信指纹识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829352B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
| CN112163457A (zh) * | 2020-09-03 | 2021-01-01 | 中国联合网络通信集团有限公司 | 一种通信电台识别方法及装置 |
| CN112183300A (zh) * | 2020-09-23 | 2021-01-05 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107251041A (zh) * | 2015-03-25 | 2017-10-13 | 英特尔公司 | 用于保护并控制对数据进行访问的技术 |
| CN107403084A (zh) * | 2017-07-21 | 2017-11-28 | 中国计量大学 | 一种基于步态数据的身份识别方法 |
| CN108198147A (zh) * | 2018-01-02 | 2018-06-22 | 昆明理工大学 | 一种基于判别字典学习的多源图像融合去噪的方法 |
| CN108573263A (zh) * | 2018-05-10 | 2018-09-25 | 西安理工大学 | 一种联合结构化稀疏表示与低维嵌入的字典学习方法 |
-
2018
- 2018-11-20 CN CN201811385665.3A patent/CN109829352B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107251041A (zh) * | 2015-03-25 | 2017-10-13 | 英特尔公司 | 用于保护并控制对数据进行访问的技术 |
| CN107403084A (zh) * | 2017-07-21 | 2017-11-28 | 中国计量大学 | 一种基于步态数据的身份识别方法 |
| CN108198147A (zh) * | 2018-01-02 | 2018-06-22 | 昆明理工大学 | 一种基于判别字典学习的多源图像融合去噪的方法 |
| CN108573263A (zh) * | 2018-05-10 | 2018-09-25 | 西安理工大学 | 一种联合结构化稀疏表示与低维嵌入的字典学习方法 |
Non-Patent Citations (1)
| Title |
|---|
| 万源;张景会;吴克风;孟晓静;: "基于多层非负局部Laplacian稀疏编码的图像分类", 计算机应用, no. 09, pages 47 - 52 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
| CN110751044B (zh) * | 2019-09-19 | 2022-07-29 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
| CN112163457A (zh) * | 2020-09-03 | 2021-01-01 | 中国联合网络通信集团有限公司 | 一种通信电台识别方法及装置 |
| CN112183300A (zh) * | 2020-09-23 | 2021-01-05 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
| CN112183300B (zh) * | 2020-09-23 | 2024-03-22 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
| CN112464713B (zh) * | 2020-10-21 | 2022-11-08 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109829352B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829352A (zh) | 融合多层稀疏学习与多视角学习的通信指纹识别方法 | |
| Rahmani et al. | Unsupervised feature learning based on sparse coding and spectral clustering for segmentation of synthetic aperture radar images | |
| Dash et al. | Handwritten numeral recognition using non‐redundant stockwell transform and bio‐inspired optimal zoning | |
| CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
| CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
| CN108304357A (zh) | 一种基于字体流形的中文字库自动生成方法 | |
| Demirci et al. | Many-to-many feature matching using spherical coding of directed graphs | |
| Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
| CN101783777A (zh) | 数字调制信号识别方法 | |
| CN109739999A (zh) | 一种高效的果蝇神经网络哈希搜索wmsn数据方法 | |
| CN110473140A (zh) | 一种基于图嵌入的极限学习机的图像降维方法 | |
| CN114692665A (zh) | 基于度量学习的辐射源开集个体识别方法 | |
| CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
| CN116226721A (zh) | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 | |
| CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
| Xie et al. | Virtual Adversarial Training‐Based Semisupervised Specific Emitter Identification | |
| Mishra et al. | Kohonen self organizing map with modified k-means clustering for high dimensional data set | |
| Melek et al. | Fast matching pursuit for sparse representation‐based face recognition | |
| CN111612319A (zh) | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 | |
| CN101877065A (zh) | 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法 | |
| CN113225300B (zh) | 一种基于图像的大数据分析方法 | |
| Long et al. | Power quality disturbance identification and optimization based on machine learning | |
| Patil et al. | Pattern recognition using genetic algorithm | |
| Li et al. | EMI signal feature enhancement based on extreme energy difference and deep auto‐encoder | |
| Zhai et al. | Deep product quantization for large-scale image retrieval |
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 |