CN110321930A - 一种基于循环神经网络的非法广播信号分类方法 - Google Patents
一种基于循环神经网络的非法广播信号分类方法 Download PDFInfo
- Publication number
- CN110321930A CN110321930A CN201910486778.0A CN201910486778A CN110321930A CN 110321930 A CN110321930 A CN 110321930A CN 201910486778 A CN201910486778 A CN 201910486778A CN 110321930 A CN110321930 A CN 110321930A
- Authority
- CN
- China
- Prior art keywords
- frequency point
- illegal
- legal
- data
- broadcast singal
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开一种基于循环神经网络的非法广播信号分类方法,属于无线电信号监测管理技术领域。首先,利用LabVIEW与USRP接收广播电台信号,在对接收到的信号进行质量判定后,再将每个频点的数据进行分段处理,从而制作出训练样本和测试样本。利用合法广播信号频点库对比预分类区分出非法频点的非法信号,再利用深度学习分类,使得网络输出信号的预测值,进而对预测值进行数据处理完成非法广播信号的分类识别。本发明能够以较快的速度、较高的精度判断出是否有非法信号的存在,操作简单,有助于无线电管理部门进行电台监测与管理。
Description
技术领域
本发明属于无线电信号监测管理技术领域,涉及到一种基于循环神经网络的非法广播信号分类方法,是一种利用循环神经网络对非法广播信号进行分类识别的方法。
背景技术
非法广播信号是一种未经广播电视管理部门和无线电管理机构批准而擅自设置并利用广播频率向社会进行播音宣传的非法电台。若不加以管制,则会扰乱广播秩序、干扰民航通信、甚至影响社会稳定,因此需要一种行之有效的方式进行非法广播信号的监测。经过调研发现,直接进行非法广播信号监测的研究较少,而与之相关联的电台指纹识别主要有两种方法:一是通过高阶统计量或其他方式对时域信号进行特征的提取,然后再通过分类器对信号进行分类;二是通过多属性决策方案对频谱扫描的数据进行处理。但由于非法广播信号本身特征不明显,所以在使用以上方法进行特征提取时,可能会舍弃掉有用特征而造成估计正确率的下降。另外,也有通过神经网络进行分类的方法,但这些方法要么是针对某一频点的信号进行分类,要么是借助硬件设备进行分析处理。因此,这些方案大多不能有效地实现无线电信号的监管及非法广播信号的识别。
发明内容
本发明的主要目的是的是为了解决现有技术的问题,提供一种基于循环神经网络的非法广播信号分类方法。
本发明采用的技术方案为:
一种基于循环神经网络的非法广播信号分类方法,在对采集到的信号进行频点库对比预分类的基础上,用深度学习构建长短期记忆-循环神经网络,使得网络输出信号的预测,进而对预测值进行数据处理完成非法广播信号的分类识别。包括以下步骤:
第一步,利用LabVIEW+USRP2030获取合法广播信号和非法广播信号数据
1.1)以一台USRP2030作为接收机,通过网线与LabVIEW连接后,调用FM接收机代码,分别采集合法频点的广播电台信号作为合法广播信号数据;测试区域内FM广播的各频点为合法频点;
1.2)非法广播信号分为两种,一种是占用合法频点发射的信号,称为合法频点的非法广播信号;另一种为占用非法频点发射的信号,称为非法频点的非法广播信号;合法频点为步骤1.1)中的测试区域内FM广播频点,非法频点为除合法频点外且处于88-108MHz内的频点,这两种频点信号均为未经有关部门允许而发射的信号。令另一台USRP2030作为信号发射机,分别发射合法频点的非法广播信号和非法频点的非法广播信号,再利用步骤1.1)中的FM接收机分别采集本步骤的信号发射机发射的各频点信号作为非法广播信号数据;
1.3)在相同的时间内分别通过步骤1.1)和步骤1.2)采集到的信号作为一组信号数据,并在不同的时间点重复操作步骤1.1)和步骤1.2),得到多组信号数据;
第二步,对每组信号分别进行数据质量判定
2.1)除非法频点的数据外,将合法频点的合法广播信号和合法频点的非法广播信号的数据进行分段处理,分别取出各数据的一部分进行混合得到质量判定的训练样本,各数据的另一部分混合作为质量判定的测试样本;对数据进行分段处理时,保证训练样本的数据量不小于测试样本。
2.2)利用循环神经网络对步骤2.1)中的训练样本进行训练,并使用步骤2.1)中的测试样本进行测试。若测试正确率不低于某一阈值,则说明采集的信号质量较高,可进一步用于后续判断,即进行第三步,否则舍弃该组数据并返回第一步重新采集;根据多次实验结果可确定该阈值为97%。
第三步,制作分类样本及合法广播信号频点库
3.1)根据步骤1.1)中的合法频点制作合法广播信号频点库;
3.2)将多组合法频点的非法广播信号数据和合法广播信号数据混合作为分类训练样本,剩余各组的数据作为分类测试样本;通常,分类测试样本与分类训练样本的数据量之比控制在(0.15-0.35):1的范围内。
第四步,与合法广播信号频点库对比进行预分类
4.1)将步骤3.2)的分类测试样本中各数据与合法广播信号频点库进行对比,分类出非法频点的非法广播信号,并输出分类结果为非法频点的非法广播信号;
4.2)将步骤4.1)得到的非法频点的非法广播信号数据剔除,生成新的分类测试样本,此时分类测试样本中只包含合法频点的合法广播信号数据和合法频点的非法广播信号数据;
第五步,构建深度学习网络并进行二分类
5.1)利用循环神经网络对步骤3.2)中的分类训练样本进行训练并使用步骤4.2)中的分类测试样本进行测试,自动提取信号的特征,获得测试集的预测值;
5.2)对预测值进行数据处理,获得二分类结果,完成非法广播信号的分类识别。
所述的步骤2.2)和步骤5.1)中,通过循环神经网络进行数据质量判定和自动提取信号的特征,从而对广播信号进行二分类;构建的循环神经网络为长短期记忆-循环神经网络,总共由五层组成,分别是一层输入层、三层隐藏层和一层输出层;其中,输入层载入样本数据,并转化样本的维度以适应隐藏层;输出层将隐藏层的结果转化为与标签有关系的预测值;三个隐藏层的内部结构一致,均由遗忘门、输入门以及输出门三个“门”组成,遗忘门决定上一时刻的单元状态Cn-1有多少保留到当前时刻的Cn中,输入门决定当前时刻网络的输入Xn有多少保存到单元状态Cn中,输出门用于控制单元状态Cn有多少输出到神经网络的当前输出值On。
所述的步骤5.2)中,对预测值进行数据处理并获得二分类结果,其子步骤为:
5.2.1)对步骤5.1)得到的预测值矩阵按行进行数值大小的比较,并返回每行最大值的索引值,由于是对信号进行二分类,故返回的索引值为0或1;
5.2.2)判断每个合法频点的预测值经过步骤5.2.1)后,得到的0多还是1多;
5.2.3)若得到的0多,则将该合法频点的预测标签设置为(0,1),反之则设置为(1,0);
5.2.4)输出分类结果,当预测标签设置为(0,1)时,输出的结果为合法频点的非法广播信号,当预测标签设置为(1,0)时,输出的结果为合法频点的合法广播信号,从而实现信号的二分类。
本发明的有益效果:本发明的方法识别准确率高且操作简单,故无线电监测管理人员只要将采集的数据送入网络中即可判断出哪些是黑广播信号,便于对黑广播信号进行监管和查处。
附图说明
图1是本发明的基于循环神经网络的非法广播信号分类方法的系统框图。
图2是本发明中长短期记忆-循环神经网络的内部结构图。
图3是本发明的方法对质量较低的数据进行质量判定时测试正确率与学习率的关系曲线。
图4是本发明的方法对质量较高的数据进行质量判定时测试正确率与学习率的关系曲线。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
基于循环神经网络的非法广播信号分类方法,其系统总体框图如图1所示。该方法可分为四个环节,分别为:信号数据采集、信号数据质量判定、频点库+神经网络分类以及预测值处理。其中,信号数据采集过程可以获取实验所需数据,并将频点信息保存在数据中,以进行频点库分类。信号数据质量判定的作用是判定数据质量的好坏,数据的质量直接影响了分类的正确率。频点库预分类可以将非法频点的非法广播信号区分出来,神经网络分类则是通过构建循环神经网络,令网络自动提取特征并估计出预测值。预测值处理的作用是利用神经网络的输出值,实现估计正确率的计算以及分类结果的输出。具体步骤如下:
第一步,利用LabVIEW+USRP2030获取合法广播信号和非法广播信号数据
1.1)以一台USRP2030作为接收机,通过网线与LabVIEW连接后,调用FM接收机代码,分别采集各频点广播电台的信号作为合法广播信号数据。大连市内FM广播共有16个频点的合法广播,此时的频点实际上是指以该频点为中心频点的频段。由于USRP接收机自身原因,有些频点的信号接收机接收不到,因此只采集了其中11个合法频点的数据。在采集时,每组只采集8个频点的数据,采样时间为5s,每秒采集200 000个数据点,因此每个频点会保存100 0000个采样点数据;
1.2)非法广播信号分为两种,一种是占用合法频点发射的信号,另一种为占用非法频点发射的信号。合法频点为1.1)中的采集频点,非法频点为除合法频点且处于88-108MHz内的频点,这两种信号均为未经有关部门允许而发射的信号。因此,为了采集非法广播信号的数据,用另外一台USRP作为信号发射机来产生非法广播信号,发射载频既包含8个合法频点也包含8个非法频点。接收机的接收频点由发射信号的频点决定,其余参数与步骤1.1)相同;
1.3)在相同的时间内分别通过步骤1.1)和步骤1.2)采集到的信号作为一组信号,且在不同的时间点重复操作步骤1.1)和步骤1.2),得到多组信号数据;
第二步,对每组信号分别进行数据质量判定
2.1)对于非法频点的信号,只需要与合法频点库对比即可区分出来,故此类信号不需经过神经网络分类,也无需进行数据质量判定。因此,将合法频点的数据进行分段处理,每组信号有16种数据(8个合法频点的合法广播信号及合法频点的非法广播信号),每一种数据有200k*5=100 0000个数据,在自测时,将各频点的前50 0000个数据组合起来作为质量判定的训练样本,后50 0000的组合作为质量判定的测试样本;
2.2)将制作好的质量判定的训练样本送入循环神经网络进行训练,并使用质量判定的测试样本进行测试。以两组数据为例,得到测试正确率与学习率的关系曲线如图3和图4所示。图中,横坐标为学习率,纵坐标为测试正确率。从图4中可以知道,适当的调整学习率可以使自测的正确率逼近1,而图3的最大正确率却低于93%。根据多次实验可知,当一组数据自测的正确率较低时,说明这组数据在采集中出现的问题导致数据质量不高。所以,在实际测试中,会将该组数据舍弃并重新进行采集。
第三步,制作分类样本及合法广播信号频点库
3.1)根据步骤1.1)中的合法频点制作合法广播信号的频点库;
3.2)利用前三组合法频点的合法广播信号数据和非法广播信号数据组成分类训练样本,每组数据包含16个信号,每个信号的长度为100 0000。将每个信号分割成500个样本,每个样本长度为2000,因此总共有16*3*500=24000个训练样本,维度为24000*2000。分类测试样本则直接将一组数据分成12000*2000的维度。
第四步,与频点库对比进行预分类
4.1)将步骤3.2)的测试样本中各数据与合法广播信号频点库进行对比,分类出非法频点的非法广播信号,并输出分类结果为“非法频点的非法广播信号”;
4.2)将步骤3.2)的测试样本中的非法频点的非法广播信号数据剔除,生成新的分类测试样本,此时该测试样本中只包含合法频点的合法广播信号数据和合法频点的非法广播信号数据;
第五步,构建深度学习网络并进行二分类
5.1)构建的循环神经网络为长短期记忆-循环神经网络,其总共由五层组成,分别是一层输入层,三层隐藏层,一层输出层。其中输入层载入样本数据,并转化样本的维度以适应隐藏层。输出层将隐藏层的结果转化为与标签有一定关系的预测值。而三个隐藏层的内部结构一致,如图2所示,均由遗忘门、输入门以及输出门三个“门”组成。遗忘门决定上一时刻的单元状态Cn-1有多少保留到当前时刻的Cn中;输入门决定了当前时刻网络的输入Xn有多少保存到单元状态Cn中;输出门用来控制单元状态Cn有多少输出到神经网络的当前输出值On;
5.2)对预测值进行数据处理,并获得分类结果的具体步骤如下;
5.2.1)对得到的预测值矩阵按行进行数值比较,返回每行最大值的索引值。由于为二分类,故返回的索引值为0或1;
5.2.2)判断每个频点的预测值经过步骤5.2.1)后,得到的0多还是1多;
5.2.3)若得到的0多,则将该频点的预测标签设置为(0,1),反之则设置为(1,0);
5.2.4)输出分类结果,当预测标签设置为(0,1)时,输出的结果为“合法频点的非法信号”,当预测标签设置为(1,0)时,输出的结果为“合法频点的合法信号”,从而实现信号的二分类;
表1一组数据具体测试结果
5.2.5)将预测标签值与实际标签值进行比较,获得估计的正确率。经过实验发现,六组测试样本的正确率最终都为1.0,说明分类结果全部正确,其中一组数据的具体测试结果如上表1所示。
正确率Acc由式(1)计算,其中,Sum为总频点个数,Wro为估计错误的频点个数。Wro的计算规则为:当某频点的数据错误段数达到总段数的一半以上时,说明该频点预测错误;公式如下:
Claims (2)
1.一种基于循环神经网络的非法广播信号分类方法,其特征在于,步骤如下:
第一步,利用LabVIEW+USRP2030获取合法广播信号和非法广播信号数据
1.1)以一台USRP2030作为接收机,通过网线与LabVIEW连接后,调用FM接收机代码,分别采集合法频点的广播电台信号作为合法广播信号数据;测试区域内FM广播的各频点为合法频点;
1.2)非法广播信号分为两种,一种是占用合法频点发射的信号,称为合法频点的非法广播信号;另一种为占用非法频点发射的信号,称为非法频点的非法广播信号;合法频点为步骤1.1)中的测试区域内FM广播频点,非法频点为除合法频点外且处于88-108MHz内的频点;令另一台USRP2030作为信号发射机,分别发射合法频点的非法广播信号和非法频点的非法广播信号,再利用步骤1.1)中的FM接收机分别采集本步骤的信号发射机发射的各频点信号作为非法广播信号数据;
1.3)在相同的时间内分别通过步骤1.1)和步骤1.2)采集到的信号作为一组信号数据,并在不同的时间点重复操作步骤1.1)和步骤1.2),得到多组信号数据;
第二步,对每组信号分别进行数据质量判定
2.1)除非法频点的数据外,将合法频点的合法广播信号和合法频点的非法广播信号的数据进行分段处理,分别取出各数据的一部分进行混合得到质量判定的训练样本,各数据的另一部分混合作为质量判定的测试样本;对数据进行分段处理时,保证训练样本的数据量不小于测试样本;
2.2)利用循环神经网络对步骤2.1)中的训练样本进行训练,并使用步骤2.1)中的测试样本进行测试;若测试正确率不低于阈值97%,则进行第三步,否则舍弃该组数据并返回第一步重新采集;
第三步,制作分类样本及合法广播信号频点库
3.1)根据步骤1.1)中的合法频点制作合法广播信号频点库;
3.2)将多组合法频点的非法广播信号数据和合法广播信号数据混合作为分类训练样本,剩余各组的数据作为分类测试样本;分类测试样本与分类训练样本的数据量之比控制在(0.15-0.35):1的范围内;
第四步,与合法广播信号频点库对比进行预分类
4.1)将步骤3.2)的分类测试样本中各数据与合法广播信号频点库进行对比,分类出非法频点的非法广播信号,并输出分类结果为非法频点的非法广播信号;
4.2)将步骤4.1)得到的非法频点的非法广播信号数据剔除,生成新的分类测试样本,此时分类测试样本中只包含合法频点的合法广播信号数据和合法频点的非法广播信号数据;
第五步,构建深度学习网络并进行二分类
5.1)利用循环神经网络对步骤3.2)中的分类训练样本进行训练并使用步骤4.2)中的分类测试样本进行测试,自动提取信号的特征,获得测试集的预测值;
5.2)对预测值进行数据处理,获得二分类结果,完成非法广播信号的分类识别;
所述的步骤5.2)中,对预测值进行数据处理并获得二分类结果,其子步骤为:
5.2.1)对步骤5.1)得到的预测值矩阵按行进行数值大小的比较,并返回每行最大值的索引值,返回的索引值为0或1;
5.2.2)判断每个合法频点的预测值经过步骤5.2.1)后,得到的0多还是1多;
5.2.3)若得到的0多,则将该合法频点的预测标签设置为(0,1),反之则设置为(1,0);
5.2.4)输出分类结果,当预测标签设置为(0,1)时,输出的结果为合法频点的非法广播信号,当预测标签设置为(1,0)时,输出的结果为合法频点的合法广播信号,从而实现信号的二分类。
2.根据权利要求1所述的一种基于循环神经网络的非法广播信号分类方法,其特征在于,所述的步骤2.2)和步骤5.1)中,通过循环神经网络进行数据质量判定和自动提取信号的特征,从而对广播信号进行二分类;构建的循环神经网络为长短期记忆-循环神经网络,共由五层组成,分别是一层输入层、三层隐藏层和一层输出层;其中,输入层载入样本数据,并转化样本的维度以适应隐藏层;输出层将隐藏层的结果转化为与标签有关系的预测值;三个隐藏层的内部结构一致,均由遗忘门、输入门以及输出门组成,遗忘门决定上一时刻的单元状态Cn-1有多少保留到当前时刻的Cn中,输入门决定当前时刻网络的输入Xn有多少保存到单元状态Cn中,输出门用于控制单元状态Cn有多少输出到神经网络的当前输出值On。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486778.0A CN110321930B (zh) | 2019-06-05 | 2019-06-05 | 一种基于循环神经网络的非法广播信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486778.0A CN110321930B (zh) | 2019-06-05 | 2019-06-05 | 一种基于循环神经网络的非法广播信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321930A true CN110321930A (zh) | 2019-10-11 |
CN110321930B CN110321930B (zh) | 2021-03-26 |
Family
ID=68120739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486778.0A Active CN110321930B (zh) | 2019-06-05 | 2019-06-05 | 一种基于循环神经网络的非法广播信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321930B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572555A (zh) * | 2021-08-17 | 2021-10-29 | 张立嘉 | 一种基于零样本学习的黑广播监测方法 |
CN115842597A (zh) * | 2023-02-09 | 2023-03-24 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017044025A1 (en) * | 2015-09-11 | 2017-03-16 | Telefonaktiebolaget Lm Ericsson (Publ) | A wireless device and method for triggering cell reselection |
CN108152791A (zh) * | 2017-12-06 | 2018-06-12 | 南京航空航天大学 | 基于grnn神经网络的无线电作弊信号定位系统 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
-
2019
- 2019-06-05 CN CN201910486778.0A patent/CN110321930B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017044025A1 (en) * | 2015-09-11 | 2017-03-16 | Telefonaktiebolaget Lm Ericsson (Publ) | A wireless device and method for triggering cell reselection |
CN108152791A (zh) * | 2017-12-06 | 2018-06-12 | 南京航空航天大学 | 基于grnn神经网络的无线电作弊信号定位系统 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
TIMOTHY JAMES O’SHEA: "Over-the-Air Deep Learning Based Radio Signal Classification", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
周忠超: "基于 LabVIEW编程实现异常信号自动检测", 《中国无线电》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572555A (zh) * | 2021-08-17 | 2021-10-29 | 张立嘉 | 一种基于零样本学习的黑广播监测方法 |
CN113572555B (zh) * | 2021-08-17 | 2023-11-17 | 张立嘉 | 一种基于零样本学习的黑广播监测方法 |
CN115842597A (zh) * | 2023-02-09 | 2023-03-24 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及系统 |
CN115842597B (zh) * | 2023-02-09 | 2023-05-02 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110321930B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109581546B (zh) | 基于微波链路衰减及偏振信息的降雨类型识别方法 | |
CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
CN109061600B (zh) | 一种基于毫米波雷达数据的目标识别方法 | |
CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN107682109B (zh) | 一种适用于无人机通信系统的干扰信号分类识别方法 | |
CN110321930A (zh) | 一种基于循环神经网络的非法广播信号分类方法 | |
CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN111428631A (zh) | 无人机飞控信号可视化识别分选方法 | |
CN111612640A (zh) | 一种数据驱动的车险欺诈识别方法 | |
CN106843941A (zh) | 信息处理方法、装置和计算机设备 | |
CN112348006A (zh) | 一种无人机信号识别方法、系统、介质及设备 | |
CN114776304B (zh) | 一种深海矿产异常区识别的方法、装置、设备及介质 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
CN115499092A (zh) | 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN105743756A (zh) | WiFi系统中基于adaboost算法的帧检测方法 |
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 |