CN110764064A - 基于深度卷积神经网络集成的雷达干扰信号识别方法 - Google Patents
基于深度卷积神经网络集成的雷达干扰信号识别方法 Download PDFInfo
- Publication number
- CN110764064A CN110764064A CN201911089194.6A CN201911089194A CN110764064A CN 110764064 A CN110764064 A CN 110764064A CN 201911089194 A CN201911089194 A CN 201911089194A CN 110764064 A CN110764064 A CN 110764064A
- Authority
- CN
- China
- Prior art keywords
- interference signal
- training
- radar interference
- convolutional neural
- neural network
- 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
Images
Classifications
-
- 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
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
基于深度卷积神经网络集成的雷达干扰信号识别方法,属于雷达信号识别领域,本发明为解决采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差,导致识别系统识别准确率低、鲁棒性弱的问题。本发明方法包括以下步骤:步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分;步骤二、对训练集X做有放回的随机采样T次,获得T个相互独立的采样训练集;步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器,根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成,构建模型;步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。
Description
技术领域
本发明属于雷达信号识别领域,涉及利用卷积神经网络对雷达信号进行识别的技术。
背景技术
随着科技水平的不断提高,电子战已经成为现化战争中的重要作战手段,在日益复杂的战场电磁环境中,雷达的抗干扰能力也成为战争胜败的关键,而对雷达干扰信号进行高效地识别和分类是雷达抗干扰技术的基础和关键。雷达干扰信号在识别过程中的关键步骤是特征参数的提取,但是随着现代军事化技术的高速发展,雷达干扰信号的形式也越来越复杂,如果继续依靠人工经验,提取人工特征,需要消耗大量的人类以及物力,特征提取耗时,并且人工提取的特征易受噪声的影响且容易出现特征冗余的现象。所以需要研究新的特征提取的方法,设计出识别准确率高、鲁棒性强的雷达干扰信号识别系统。深度学习是表示学习的一种,能够自动地提取数据有效的特征,可以避免手工提取特征的麻烦。
深度学习中通常采用CNN(Convolutional Neural Networks)卷积神经网络对雷达干扰信号进行特征提取,来提高雷达干扰信号识别系统的准确度。深度学习中,过拟合是一种常见的现象,即模型在训练集上效果很好而在测试集则效果一般或者很差,此时模型的泛化能力较差,因此采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差,导致识别系统识别准确率低、鲁棒性弱。
发明内容
本发明目的是为了解决采用现有深度学习模型识别雷达信号存在过拟合、模型泛化能力差,导致识别系统识别准确率低、鲁棒性弱的问题,提供了一种基于深度卷积神经网络集成的雷达干扰信号识别方法。
本发明所述基于深度卷积神经网络集成的雷达干扰信号识别方法,该方法包括以下步骤:
步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分;
训练集记为X,训练样本个数记为m;
步骤二、对训练集X做有放回的随机采样T次,获得T个相互独立的采样训练集X1,X2,...,XT;每个采样训练集中的采样训练样本个数为m';
步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器,根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成,构建模型;
步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。
优选地,步骤一中雷达干扰信号时域数据集划分的过程为:
步骤一一、对原始雷达数据进行标记形成雷达干扰信号时域数据集:将每个样本存储在一个向量中,向量的前50%标记为样本的实部数据,后50%标记为样本的虚部数据;
步骤一二、将雷达干扰信号时域数据集随机划分为互不相交的三个集合,分别为训练集、验证集和测试集。
优选地,原始雷达数据的种类为12种,每类数据均按3:1:1的比例划分至训练集、验证集和测试集中。
优选地,步骤四的识别过程为:
待测雷达干扰信号并行输入至T个训练好的一维CNN卷积神经网络进行特征提取,每个特征对应输入至一个训练好的支持向量机中进行识别,T个个体学习器共输出T个结果,根据相对多数投票法将票数最多的结果作为模型最终识别结果。
优选地,采样训练集中采样训练样本个数m'与训练集中训练样本个数m相等。
本发明的有益效果:本发明构建识别系统模型时,在常规训练集的基础上通过Bootstrap(自助法)抽样方法得到的T个采样训练集具有一定的差异性,同时采样训练集相互交叠,利用此差异性,结合同质集成学习,进一步提高模型的识别精度和鲁棒性。
附图说明
图1是本发明所述基于深度卷积神经网络集成的雷达干扰信号识别方法的流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
具体实施方式一:结合图1说明本实施方式,所述基于深度卷积神经网络集成的雷达干扰信号识别方法包括以下步骤:
步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分;
训练集记为X,训练样本个数记为m;
步骤一中雷达干扰信号时域数据集划分的过程为:
步骤一一、对原始雷达数据进行标记形成雷达干扰信号时域数据集:将每个样本存储在一个向量中,向量的前50%标记为样本的实部数据,后50%标记为样本的虚部数据;
步骤一二、将雷达干扰信号时域数据集随机划分为互不相交的三个集合,分别为训练集、验证集和测试集。
本实施方式用到的雷达干扰信号时域数据集一共包含12种,每个样本的数据维度由实部数据和虚部数据构成。在数据存储上,每个样本存储在一个向量中,向量的前50%为样本的实部数据,后50%为样本的虚部数据。对于标记好的原始雷达干扰信号时域数据集,需要将其随机划分为互不相交的3个集合,分别为训练集、验证集和测试集。训练集的主要作用是用来训练CNN特征提取模型;验证集则主要用来调整训练过程的网络结构、学习率以及批训练大小等超参数;测试集用来测试模型的泛化能力。将每类干扰信号时域数据集按照3:1:1的比例,随机划分为互不相交的3个集合,组成训练集、验证集和测试集,完成对雷达干扰信号时域数据集的划分。
步骤二、对训练集X做有放回的随机采样T次,获得T个相互独立的采样训练集X1,X2,...,XT;每个采样训练集中的采样训练样本个数为m';
深度学习中,过拟合是一种常见的现象,即模型在训练集上效果很好而在测试集则效果一般或者很差,此时模型的泛化能力较差。经过实验表明,本实施方式的模型存在一定程度的过拟合,所以采用集成学习中的Bagging算法(Bootstrap aggregating,引导聚集算法),减小过拟合对系统识别精度的影响。按照步骤一中的划分数据集的方法,将雷达干扰信号时域数据集划分为训练集、验证集合测试集3部分,其中训练集记为X,训练样本个数记为m。然后利用统计学中的Bootstrap抽样方法(给定包含一定数量样本的数据集,通过有放回的抽取样本构造出一定样本数量的采样集),即对训练集X做有放回的随机采样,每个训练样本被抽取到的概率为1/m,可以得到采样训练集,采样训练样本个数为m'。由于是做有放回的随机采样,所以采样训练集可能存在重复。将上述过程重复T次,可以得到T个相互独立的采样训练集X1,X2,…,XT,T个采样训练集相互独立且具有一定的差异性。通常采样得到的训练样本个数m'和原始训练集中的训练样本个数m保持一致。
步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器,根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成,构建模型;
卷积神经网络是一种层次模型,前层网络通常由卷积层、池化层等叠加形成,具有强大的特征提取功能。本发明使用一维卷积神经网络对一维的雷达干扰信号进行特征提取,一维卷积神经网络的训练是监督学习的一种,在训练过程中,网络会将输入的底层特征组合为深层特征,在网络的末端产生损失,然后通过反向传播,利用优化算法不断更新网络参数,找到使得网络损失最小的参数。本发明使用两个卷积神经网络对雷达干扰信号的实部数据和虚部数据进行特征提取,得到实部特征和虚部特征,然后将实部和虚部特征拼接得到以为特征C(c维)用于识别雷达干扰信号。
本步骤使用有三层卷积的一维卷积神经网络,每层卷积均由卷积层、激活函数层、池化层组成。
除了网络结构之外,学习率也是卷积神经网络训练中的非常重要超参数,学习率过大或者过小都会对网络性能造成很大的影响。本实施方式在网络迭代优化的初期设置较大的学习率,在迭代后期,设置较小的学习率对网络参数进行微调,保持神经网络在全局最优点附近。本实施方式模型的学习率设置为随着训练周期衰减的方案,训练总周期设置为300,初始学习率为0.005,每隔70个训练周期,学习率依次减半。
集成学习的关键是构造“好而不同”的个体学习器,即个体器之间的差异性程度是集成学习的关键,差异性程度越大,则集成的效果就会越明显。通过Bootstrap抽样方法得到的T个采样训练集具有一定的差异性,同时采样训练集相互交叠,充分利用了训练数据集。本方案利用此差异性,结合集成学习,进一步提高模型的识别精度和鲁棒性。本方案将一维卷积神经网络和支持向量机作为个体学习器,其中一维卷积神经网络用于提取雷达干扰信号的深层特征,支持向量机作为分类器,完成对雷达干扰信号时域数据集的识别。将通过Bootstrap抽样方法得到的采样训练集X1,X2,…,XT分别去训练T个一维卷积神经网络和支持向量机个体学习器,因为通过Bootstrap抽样方法得到的T个采样训练集具有一定的差异性,所以训练的T个个体学习器也具有一定的差异性,通过构造同质集成,提高系统的鲁棒性。
步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。
本步骤中将测试样本并行输入到训练好的T个一维卷积神经网络和支持向量机个体学习器中,首先利用T个一维卷积神经网络分别对雷达干扰信号测试样本进行特征提取,得到T个特征向量,然后将提取到的T个特征向量输入到T个支持向量机中,得到各个分类器的识别结果。同样采用相对多数投票法,将每个支持向量机的识别结果投票输出,得到最后的识别结果。最后将模型的输出类型和测试样本自身的类别标号进行对比,衡量系统的识别精度,测试系统的鲁棒性。
具体实施方式二:本实施方式提供另一种方案:选取CNN作为雷达干扰时域信号的特征提取器,选取不同的分类器构造异质集成。所述基于深度卷积神经网络集成的雷达干扰信号识别方法包括以下内容:
一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分。
本发明用到的雷达干扰信号时域数据集一共包含12种,每个样本的数据维度由实部数据和虚部数据构成。在数据存储上,每个样本存储在一个向量中,向量的前50%为样本的实部数据,后50%为样本的虚部数据。对于标记好的原始雷达干扰信号时域数据集,需要将其随机划分为互不相交的3个集合,分别为训练集、验证集和测试集。训练集的主要作用是用来训练CNN特征提取模型;验证集则主要用来调整训练过程的网络结构、学习率以及批训练大小等超参数;测试集用来测试模型的泛化能力。将每类干扰信号时域数据集按照3:1:1的比例,随机划分为互不相交的3个集合,组成训练集、验证集和测试集,完成对雷达干扰信号时域数据集的划分。
二、利用一维卷积神经网络对雷达干扰信号时域数据集进行特征提取。
卷积神经网络是一种层次模型,前层网络通常由卷积层、池化层等叠加形成,具有强大的特征提取功能。本发明使用一维卷积神经网络对一维的雷达干扰信号进行特征提取,一维卷积神经网络的训练是监督学习的一种,在训练过程中,网络会将输入的底层特征组合为深层特征,在网络的末端产生损失,然后通过反向传播,利用优化算法不断更新网络参数,找到使得网络损失最小的参数。本发明使用两个卷积神经网络对雷达干扰信号的实部数据和虚部数据进行特征提取,得到实部特征和虚部特征,然后将实部和虚部特征拼接得到以为特征C(c维)用于识别雷达干扰信号。本发明使用有三层卷积的一维卷积神经网络,每层卷积均由卷积层、激活函数层、池化层组成,为了在减少网络过拟合的影响,在后两层卷积之后,添加dropout层,在一定程度上减少网络过拟合的影响。除了网络结构之外,学习率也是卷积神经网络训练中的非常重要超参数,学习率过大或者过小都会对网络性能造成很大的影响。实验表明,在网络迭代优化的初期,应该设置较大的学习率,在迭代后期,设置较小的学习率对网络参数进行微调,保持神经网络在全局最优点附近。本发明的学习率设置为随着训练周期衰减的方案,训练总周期设置为300,初始学习率为0.005,每隔70个训练周期,学习率依次减半。
三、将一维卷积神经网络提取到的特征,输入到不同的分类器中,构造异质集成。
异质集成中个体学习器由不同的学习算法组成,本实验采用的个体学习器是支持向量机,随机森林、逻辑回归、决策树,这样本身的个体学习器差异比较大,同时由于一维卷积神经网络提取的雷达干扰信号时域数据集的特征向量具有较强的可分性,输入到这些个体分类器中,可以得到较好的识别效果,因而满足集成学习中的个体分类器“好而不同”的思想,通过构造异质集成,进一步提高系统的识别精度和鲁棒性。
四、将测试样本输入雷达干扰信号识别系统中,完成对测试样本干扰情况识别。
将测试样本输入到异质集成识别模型中,通过一维卷积神经网络提取测试样本的特征向量,将提取的特征向量送入到训练好的多个决策分类器中,将每个决策分类器的识别结果按照相对多数投票法投票输出最终的识别结果,即在多个决策分类器对测试样本的预测结果中,决策分类器预测干扰类别数量最多的预测结果即为最后的投票输出。最后,通过决策级融合识别网络输出的类别与测试样本本身的类别标号对比,衡量系统的识别精度。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (5)
1.基于深度卷积神经网络集成的雷达干扰信号识别方法,其特征在于,该方法包括以下步骤:
步骤一、将雷达干扰信号时域数据集划分为训练集、验证集以及测试集三部分;
训练集记为X,训练样本个数记为m;
步骤二、对训练集X做有放回的随机采样T次,获得T个相互独立的采样训练集X1,X2,...,XT;每个采样训练集中的采样训练样本个数为m';
步骤三、采用一维CNN卷积神经网络作为特征提取器、采用支持向量机作为分类器来构造个体学习器,根据步骤二的T个采样训练集来训练T个个体学习器以构造同质集成,构建模型;
步骤四、将待测雷达干扰信号输入至步骤三的模型中进行识别。
2.根据权利要求1所述基于深度卷积神经网络集成的雷达干扰信号识别方法,其特征在于,步骤一中雷达干扰信号时域数据集划分的过程为:
步骤一一、对原始雷达数据进行标记形成雷达干扰信号时域数据集:将每个样本存储在一个向量中,向量的前50%标记为样本的实部数据,后50%标记为样本的虚部数据;
步骤一二、将雷达干扰信号时域数据集随机划分为互不相交的三个集合,分别为训练集、验证集和测试集。
3.根据权利要求2所述基于深度卷积神经网络集成的雷达干扰信号识别方法,其特征在于,原始雷达数据的种类为12种,每类数据均按3:1:1的比例划分至训练集、验证集和测试集中。
4.根据权利要求1所述基于深度卷积神经网络集成的雷达干扰信号识别方法,其特征在于,步骤四的识别过程为:
待测雷达干扰信号并行输入至T个训练好的一维CNN卷积神经网络进行特征提取,每个特征对应输入至一个训练好的支持向量机中进行识别,T个个体学习器共输出T个结果,根据相对多数投票法将票数最多的结果作为模型最终识别结果。
5.根据权利要求1所述基于深度卷积神经网络集成的雷达干扰信号识别方法,其特征在于,采样训练集中采样训练样本个数m'与训练集中训练样本个数m相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089194.6A CN110764064A (zh) | 2019-11-08 | 2019-11-08 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089194.6A CN110764064A (zh) | 2019-11-08 | 2019-11-08 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110764064A true CN110764064A (zh) | 2020-02-07 |
Family
ID=69336899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911089194.6A Pending CN110764064A (zh) | 2019-11-08 | 2019-11-08 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110764064A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368904A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 一种基于电力指纹的电器设备识别方法 |
CN111401298A (zh) * | 2020-04-03 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN112418307A (zh) * | 2020-11-20 | 2021-02-26 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
CN112560596A (zh) * | 2020-12-01 | 2021-03-26 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及系统 |
CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
CN113095386A (zh) * | 2021-03-31 | 2021-07-09 | 华南师范大学 | 一种基于三轴加速度空时特征融合的手势识别方法及系统 |
CN113607068A (zh) * | 2021-07-19 | 2021-11-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN115273237A (zh) * | 2022-08-01 | 2022-11-01 | 中国矿业大学 | 基于集成随机配置神经网络的人体姿态与动作识别方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109857861A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于卷积神经网络的文本分类方法、装置、服务器及介质 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110363221A (zh) * | 2019-06-12 | 2019-10-22 | 河海大学 | 基于Bagging的高光谱遥感协同表示集成学习分类方法 |
CN110414548A (zh) * | 2019-06-06 | 2019-11-05 | 西安电子科技大学 | 基于脑电信号进行情感分析的层级Bagging方法 |
-
2019
- 2019-11-08 CN CN201911089194.6A patent/CN110764064A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109857861A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于卷积神经网络的文本分类方法、装置、服务器及介质 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110414548A (zh) * | 2019-06-06 | 2019-11-05 | 西安电子科技大学 | 基于脑电信号进行情感分析的层级Bagging方法 |
CN110363221A (zh) * | 2019-06-12 | 2019-10-22 | 河海大学 | 基于Bagging的高光谱遥感协同表示集成学习分类方法 |
Non-Patent Citations (1)
Title |
---|
吴杰长 等: "基于选择性S V M集成的模拟电路故障诊断方法", 《设计与研究》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368904B (zh) * | 2020-02-29 | 2023-05-23 | 华南理工大学 | 一种基于电力指纹的电器设备识别方法 |
CN111368904A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 一种基于电力指纹的电器设备识别方法 |
CN111401298A (zh) * | 2020-04-03 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种小样本条件下认知传感网对未确知威胁的识别方法 |
CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN111553482B (zh) * | 2020-04-09 | 2023-08-08 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112418307A (zh) * | 2020-11-20 | 2021-02-26 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
CN112560596A (zh) * | 2020-12-01 | 2021-03-26 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及系统 |
CN112560596B (zh) * | 2020-12-01 | 2023-09-19 | 中国航天科工集团第二研究院 | 一种雷达干扰类别识别方法及系统 |
CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
CN113095386A (zh) * | 2021-03-31 | 2021-07-09 | 华南师范大学 | 一种基于三轴加速度空时特征融合的手势识别方法及系统 |
CN113095386B (zh) * | 2021-03-31 | 2023-10-13 | 华南师范大学 | 一种基于三轴加速度空时特征融合的手势识别方法及系统 |
CN113607068B (zh) * | 2021-07-19 | 2022-08-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN113607068A (zh) * | 2021-07-19 | 2021-11-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN115273237A (zh) * | 2022-08-01 | 2022-11-01 | 中国矿业大学 | 基于集成随机配置神经网络的人体姿态与动作识别方法 |
CN115273237B (zh) * | 2022-08-01 | 2024-01-30 | 中国矿业大学 | 基于集成随机配置神经网络的人体姿态与动作识别方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110764064A (zh) | 基于深度卷积神经网络集成的雷达干扰信号识别方法 | |
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 | |
Neal et al. | Open set learning with counterfactual images | |
US11263524B2 (en) | Hierarchical machine learning system for lifelong learning | |
CN111104595B (zh) | 一种基于文本信息的深度强化学习交互式推荐方法及系统 | |
Kotsiantis | Combining bagging, boosting, rotation forest and random subspace methods | |
CN106294344A (zh) | 视频检索方法和装置 | |
CN112749274B (zh) | 基于注意力机制和干扰词删除的中文文本分类方法 | |
CN112905795A (zh) | 文本意图分类的方法、装置和可读介质 | |
CN111046179A (zh) | 一种面向特定领域开放网络问句的文本分类方法 | |
Jia et al. | Ensemble mutation slime mould algorithm with restart mechanism for feature selection | |
Zaman et al. | Feature selection for online streaming high-dimensional data: A state-of-the-art review | |
Kulkarni et al. | Spleap: Soft pooling of learned parts for image classification | |
Li et al. | Text classification method based on convolution neural network | |
Ramasundaram et al. | Text categorization by backpropagation network | |
Albert et al. | Embedding contrastive unsupervised features to cluster in-and out-of-distribution noise in corrupted image datasets | |
Castaño et al. | An equivalence analysis of binary quantification methods | |
Jeyakarthic et al. | Optimal bidirectional long short term memory based sentiment analysis with sarcasm detection and classification on twitter data | |
Takeda et al. | Training robust deep neural networks on noisy labels using adaptive sample selection with disagreement | |
Hegde et al. | A hybrid approach of deep learning with cognitive particle swarm optimization for the big data analytics | |
Klaiber | A fundamental overview of sota-ensemble learning methods for deep learning: a systematic literature review | |
Grimme et al. | Lost in transformation: Rediscovering llm-generated campaigns in social media | |
US20220222469A1 (en) | Systems, devices and methods for distributed hierarchical video analysis | |
Yang et al. | A two-stage training framework with feature-label matching mechanism for learning from label proportions | |
CN115147719A (zh) | 一种基于增强语义表示的遥感影像深度土地利用分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |