CN110018447A - 基于双谱分析与卷积神经网络的信号发射机个体识别方法 - Google Patents
基于双谱分析与卷积神经网络的信号发射机个体识别方法 Download PDFInfo
- Publication number
- CN110018447A CN110018447A CN201910282858.4A CN201910282858A CN110018447A CN 110018447 A CN110018447 A CN 110018447A CN 201910282858 A CN201910282858 A CN 201910282858A CN 110018447 A CN110018447 A CN 110018447A
- Authority
- CN
- China
- Prior art keywords
- individual
- bispectrum
- signal
- transmitter
- radio signal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- 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
Abstract
为了应对日益复杂的电磁环境,不仅需要对截获的无线电信号进行分类分析,还需要能够识别出不同的发射机。目前采用的无线电信号发射机个体识别方法在低信噪比条件下效果较差。本发明提出一种基于双谱分析与深度卷积神经网络相结合的发射机个体识别方法。主要步骤为:步骤一,对不同发射机个体发射的信号采用直接双谱法进行分析,得到双谱特征矩阵,并将其转化为二维特征图像;步骤二,使用本发明的卷积神经网络对二维特征图像进行分类;步骤三,输出分类结果,识别出不同发射机个体。本发明可应用在通信发射设备的个体识别和电子对抗中各类辐射源发射机的识别等领域。
Description
技术领域
本发明是一种电子对抗领域的技术,具体是一种基于双谱分析与卷积神经网络的信号发 射机个体识别方法。
背景技术
特殊辐射源识别(Specific Emitter Identification,SEI)起源于军事情报,用于识 别和跟踪特定的发射机,即提取单个辐射源(可能为同类型)的射频和信息指纹,并与个体载 体相关联、确定辐射源个体及其平台的过程。SEI技术通过分析发射机信号中隐含的、固有 的个体特征,达到了降低识别模糊度、提高可信度的目的,并且具有可重复性。但是,用于 雷达信号识别的SEI技术通常依赖于高信噪比和良好的信道传播条件。然而脉冲间和脉冲内 的信息很容易在低信噪比和波动信噪比下被掩盖,对特征提取造成困难。此外,现代通信通 常采用高数据速率和不规则突发传输,并部署在多径衰落较为普遍的室内或城市地区,导致 在不同的噪声和信道条件下SEI技术的特征提取受限。因此,在复杂电磁环境中,特殊辐射 源识别的研究具有重要的意义。在军事领域可以更快速的发现敌方雷达设备,提高我方电子 对抗能力,在民用领域,可以识别出非法设备,提高网络安全性。
对无线电信号发射机个体的识别,本质上是对信号无意调制的研究。信号无意调制产生 的主要原因是由于信号源个体中发射机内部的振荡器、调制器、发射管、电源等各种元器件 及其相应电路所产生的不希望存在的信号之间相互调制所引起的一种调制形式。而此调制形 式相对于有意调制是非人为所加入的,故称之为“无意”的调制,又由于无意调制对每部雷 达信号源个体都具有唯一性,这类似于人类指纹的唯一性,故又可称之为“指纹”调制,它 是信号发射机个体的固有属性,不可能完全去除,因此它与无线电发射机个体之间又是一一 对应的。由于调制形式和调制量对于无线电信号源个体所发射信号的影响是细微的,故又可 称之为细微调制。即使是相同生产厂商,生产的相同型号、相同批次的无线电信号源个体, 其也具有不同的无意调制形式,这是由于即使同类型的电子元器件和电路,在其使用性能上 仍然有细微的个体差异,且这种差异存在一定的稳定性。由于无意调制的产生只与无线电信 号源个体自身的固有属性有关,使得无意调制在复杂电磁信号环境中拥有其独特的、无法替 代的作用,因而使其实际应用价值巨大。
根据不同的应用场景和信号的特点,SEI技术可分为两大类:基于雷达信号的SEI和基 于通信信号的SEI,在雷达信号的情况下,SEI技术总是基于脉内分析、分形理论、图形表示 的分布、雷达信号参数以及采用分层雷达信号聚类的聚集等方法。基于通信信号的SEI技术 主要分为:瞬态(暂态)信号技术、稳态信号技术和非线性技术。瞬态信号实际上是发射机 输出功率从零到数据通信所需电平时产生的一种短暂的无线电发射,而稳态信号通常定义为 暂态信号的结束和整个信号结束之间的部分。基于稳态信号的SEI技术有多种类型,如基于 调制、基于前导码、基于杂散参数、基于小波等方法。
无线电信号的双谱具有时移不变性、尺度变化性和相位保持性的三个特点,一维辐射源 信号的双谱保留了绝大部分信号信息,所以信号的双谱成为了用来识别不同无线电发射机个 体的有效方法,并由此产生了很多信号双谱特征提取方法。如径向积分双谱(RIB)、轴向积 分双谱(AIB)、圆周积分双谱(CIB)和围线积分双谱(SIB)。
卷积神经网络(Convolutional Neural Networks,CNN),其早期模型叫作神经认知机是 受到视觉系统的神经机制的启发而提出的一种生物物理模型。卷积神经网络可以看作是一种 特殊的多层感知机或前馈神经网络,具有局部连接、权值共享的特点,其中大量的神经元按 照一定的方式组织起来,以对视野中的交叠区域产生反应。自提出以来,卷积神经网络取得 了突飞猛进的发展,在图像分类与识别、目标定位与监测的大规模竞赛中经常名列前茅、成 绩显著。
目前对无线电信号发射机个体识别存在的问题主要有信号指纹特征提取方法复杂以及在 低信噪比条件下的识别率不高。针对目前研究存在的问题,本发明提出一种基于双谱和卷积 神经网络的无线电信号发射机个体识别方法,可以有效地提高低信噪比下的无线电信号发射 机的识别效果。
发明内容
本发明要解决的问题在于:已有的无线电发射机个体识别方法,信号指纹特征提取过程 复杂,需要进行大量的计算,且在低信噪比条件下识别效果差,即无法在低信噪比下对无线 电发射机个体进行有效的识别。
为解决上述问题,本发明提供如下技术方案:
本申请实例第一方面提供了一种无线电信号指纹特征提取的一种方法。具体步骤如下:
将无线电信号通过本发明的双谱分析方法处理后,得到该无线电信号的双谱特征矩阵;
对该矩阵使用图像变换方法生成CNN所需的二维特征图像;
该图像可用于网络模型的训练与实际分类处理;
本申请实例的第一方面的,双谱分析方法采用双谱分析的非参数化中的直接方法。
本申请实例的第一方面的,双谱特征矩阵包含无线电信号指纹特征信息,可以用来进行 无线电发射机个体识别。
本申请实例的第一方面的,二维特征图像是由信号经双谱分析处理后得到的二维特征矩 阵得到的灰度图像。
本申请实例第二方面提供了一种CNN网路结构模型,包括:
两个卷积块,两个池化块,一个分类器以及输入层和输出层;根据数据结构处理的先后 次序其网络架构分别是输入层、卷积块1、池化块1、卷积块2、池化块2、分类器、输出层。 从以上技术方案以及实验结果发现,本发明实例具有以下优点:
采用双谱图来提取信号指纹特征,避免了信号指纹特征的丢失;利用卷积神经网络来提 取信号指纹特征,避免了人工提取信号指纹特征,节省了大量人工成本;利用卷积神经网络 来进行发射机个体识别,提高了对低信噪比条件下的发射机个体识别准确率。
附图说明
为更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要 使用的附图做简单介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本 领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附 图。
图1为本发明提供的无线电发射机个体识别流程示意图
图2为本发明实施例提供的雷达信号发射机识别流程的示意图
图3为本发明实施例提供的不同发射机发射的BPSK信号的双谱三维图像
图4为本发明实施例提供的不同发射机发射的BPSK信号的双谱等高图像
图5为本发明实施例提供的训练CNN所用的二维特征图像
图6为本发明实施例提供的CNN结构图
图7为本发明实施例提供的无线电发射机识别率图
具体实施方式
下面将结合本实施例中的附图,对本实施例中的技术方案进行清晰、完整的描述,显然, 所描述的实例仅仅是本发明的一部分实例,而不是全部实例。基于本发明中的实例,本领域 技术人员在没有做出创造性劳动前提下所获得的所有其他实例,都属于本发明的保护范围。
如图2所示,本实例主要步骤包括:第一步,产生调制类型为BPSK的多个雷达发射机信 号;第二步,双谱分析处理信号数据,得到双谱特征矩阵;第三步,生成二维特征图像;第 四步,构造CNN,利用产生的仿真数据集训练CNN;第五步,输出分类结果。
步骤1,产生调制类型为BPSK的多个雷达发射机信号:
步骤1.1:在-10db,-8db,-6db,-4db,-2db,0db共6种信噪比下,每种信噪比下对BPSK信号 添加相位噪声,模拟产生三台发射机信号,记为发射机#1,发射机#2,发射机#3;
步骤2,双谱分析处理信号数据,得到双谱特征矩阵:
双谱分析直接法的推导如下:
假设观测数据{x(0),x(1),…x(N-1)}的长度为N,采样频率为fs,在双谱域内ω1,ω2轴的频率 采样点数为N0,频率抽样间隔Δ0=fs/N0,可用如下方法得到双谱的直接估计:
(1)将N个数据分成K段,每段M个数据,即N=KM;
(2)每段数据减去它的均值,使它的均值为零,如果需要,每段数据可以加一些零,以便于 做FFT运算;
(3)对第i段数据{xi(0),xi(1),…xi(M-1)}做DFT,即
这里i=1,2,…,K。
(4)通常可以取M=M1N0,M1为正的奇数,也就是M1=2L1+1。适当选择N0保证M为偶数。根据DFT系数得到双谱估计表达式为
i=1,2,…,K,0≤λ2≤λ1,λ1+λ2≤fs/2
Δ0是双谱区域沿水平和垂直方向上所要求的两频率采样点之间的间隔。
(5)计算观测数据的双谱估计
这里
步骤2.1利用双谱理论,求得信号双谱特征矩阵
步骤2.2利用双谱特征图像得到不同无线电发射机产生的信号的双谱三维图像如图3所示。
双谱等高图像如图4所示。
步骤3,利用图像处理的方法,生成二维特征图像,如图5所示
步骤4,构造卷积神经网络,利用产生的仿真数据集训练CNN:
步骤4.1:构造卷积神经网络,网络结构包含两个卷积块,两个池化块,一个分类器以及输入 层和输出层;根据数据结构处理的先后次序其网络架构分别是输入层、卷积块1、池化块1、 卷积块2、池化块2、分类器、输出层,网络结构如图6所示;
步骤4.2:在上述数据预处理的数据中选取样本,样本数量是每种信噪比下条件下,发射机#1、 发射机#2,、发射机#3的样本数量各为1200份。
步骤4.3:采用随机梯度下降法来更新卷积层与全连接层连接的权值,初始学习率为0.05。
步骤4.4:训练样本数量为上述所选的数据样本,将其乱序排序,训练集和测试集数据从随机 中产生,比例为7:3。
步骤5,输出分类结果:
步骤5.1:分别将同一信噪比下得到的不同发射机发射的BPSK信号的双谱分析后的二维图像 放入CNN中进行分类,得到识别结果。总体识别率如图7所示。
以上对本发明实施例所提供的内容、结构和参数进行了详细介绍,本文应用了具体个例 对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法 以及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式 及应用范围上都会有改变之处,综上所述,本说明书不应理解为对本发明的限制。
Claims (4)
1.一种结合双谱和卷积神经网络的无线电发射机个体识别方法,其特征在于,
基于不同发射机个体产生的无线电信号,使用双谱分析方法,得到双谱特征矩阵,将其转化为二维特征图像;利用训练好的CNN对不同发射机发射的无线电信号进行分类,从而识别出不同的发射机个体。
2.根据权利要求1所述的方法,其特征在于,
本发明使用双谱分析中非参数化方法中的直接方法,将无线电信号通过本发明的双谱分析方法处理后,得到该无线电信号的双谱特征矩阵,对该矩阵使用图像变换方法生成CNN所需的二维特征图像,该图像可用于网络模型的训练与实际分类处理。
3.根据权利要求1所述的方法,其特征在于,
CNN网络结构包含两个卷积块,两个池化块,一个分类器以及输入层和输出层;根据数据结构处理的先后次序其网络架构分别是输入层、卷积块1、池化块1、卷积块2、池化块2、分类器、输出层。
4.根据权利要求3所述的方法,其特征在于,
分类器将输入数据向量化后拼接,通过全连接层和Softmax层进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282858.4A CN110018447A (zh) | 2019-04-09 | 2019-04-09 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282858.4A CN110018447A (zh) | 2019-04-09 | 2019-04-09 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110018447A true CN110018447A (zh) | 2019-07-16 |
Family
ID=67190861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282858.4A Pending CN110018447A (zh) | 2019-04-09 | 2019-04-09 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018447A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978028A (zh) * | 2019-03-12 | 2019-07-05 | 北京理工大学 | 一种基于集成深度学习的特定辐射源识别方法 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
CN114362834A (zh) * | 2021-12-09 | 2022-04-15 | 重庆邮电大学 | 一种基于bilstm的物理层攻击检测与识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1712182A1 (en) * | 2005-04-14 | 2006-10-18 | Esaote S.p.A. | Method of ultrasonic detection and localization of contrast agent microbubbles and method for local drug administration by using microbubble carriers |
WO2010060153A1 (en) * | 2008-11-28 | 2010-06-03 | The University Of Queensland | A method and apparatus for determining sleep states |
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
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 |
CN109117747A (zh) * | 2018-07-23 | 2019-01-01 | 电子科技大学 | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
-
2019
- 2019-04-09 CN CN201910282858.4A patent/CN110018447A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1712182A1 (en) * | 2005-04-14 | 2006-10-18 | Esaote S.p.A. | Method of ultrasonic detection and localization of contrast agent microbubbles and method for local drug administration by using microbubble carriers |
WO2010060153A1 (en) * | 2008-11-28 | 2010-06-03 | The University Of Queensland | A method and apparatus for determining sleep states |
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
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 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN109117747A (zh) * | 2018-07-23 | 2019-01-01 | 电子科技大学 | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
方成 等: "基于全双谱和卷积神经网络的信号分类方法", 《计算机应用研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978028A (zh) * | 2019-03-12 | 2019-07-05 | 北京理工大学 | 一种基于集成深度学习的特定辐射源识别方法 |
CN109978028B (zh) * | 2019-03-12 | 2020-12-01 | 北京理工大学 | 一种基于集成深度学习的特定辐射源识别方法 |
WO2021103206A1 (zh) * | 2019-11-27 | 2021-06-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111767848B (zh) * | 2020-06-29 | 2022-04-12 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112087774B (zh) * | 2020-09-14 | 2023-04-18 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
CN114362834A (zh) * | 2021-12-09 | 2022-04-15 | 重庆邮电大学 | 一种基于bilstm的物理层攻击检测与识别方法 |
CN114362834B (zh) * | 2021-12-09 | 2023-11-24 | 重庆邮电大学 | 一种基于bilstm的物理层攻击检测与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018447A (zh) | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 | |
Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
Sa et al. | Specific emitter identification techniques for the internet of things | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN113406579B (zh) | 一种基于深度强化学习的伪装干扰波形生成方法 | |
CN106501778A (zh) | 一种基于射频隐身性能优化的dmrs稳健波形设计方法 | |
CN116299408B (zh) | 一种多雷达自主协同探测系统及探测方法 | |
Zhang et al. | Research on modern radar emitter modelling technique under complex electromagnetic environment | |
Dakic et al. | LoRa signal demodulation using deep learning, a time-domain approach | |
CN115392285A (zh) | 一种基于多模态的深度学习信号个体识别模型防御方法 | |
Zhang et al. | Data augmentation aided few-shot learning for specific emitter identification | |
CN114943246A (zh) | 一种基于双谱特征提取的半监督特定辐射源识别方法 | |
Xia et al. | Radar waveform recognition based on a two‐stream convolutional network and software defined radio | |
Xia et al. | Over-the-air radar emitter signal classification based on SDR | |
CN109978028B (zh) | 一种基于集成深度学习的特定辐射源识别方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
Zhang et al. | Interference signal recognition based on multi-modal deep learning | |
Wu et al. | Target recognition for satellite communication by employing higher‐order statistics | |
CN113705646A (zh) | 基于半监督元学习的射频细微特征信息提取方法及系统 | |
Yang et al. | Conventional neural network-based radio frequency fingerprint identification using raw I/Q data | |
Wang et al. | Evaluation of deep learning model in the field of electromagnetic signal recognition | |
Wen et al. | RF Transmitter Identification and Classification Based on Deep Residual Shrinkage 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190716 |
|
WD01 | Invention patent application deemed withdrawn after publication |