CN110874603A - 一种认知信息对抗中深度置信网络情报提取装置及方法 - Google Patents
一种认知信息对抗中深度置信网络情报提取装置及方法 Download PDFInfo
- Publication number
- CN110874603A CN110874603A CN201811004115.2A CN201811004115A CN110874603A CN 110874603 A CN110874603 A CN 110874603A CN 201811004115 A CN201811004115 A CN 201811004115A CN 110874603 A CN110874603 A CN 110874603A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- layer
- information
- dbn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000013500 data storage Methods 0.000 claims abstract description 5
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 239000005441 aurora Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种认知信息对抗中深度置信网络情报提取装置及方法，涉及认知电子战技术领域。本发明的装置包括DBN网络深度学习平台、前端多源传感器、数据存储器，通过前端多源传感器实时采集海量的目标特征数据输入DBN网络输入层，通过输入层将原始信息上传；基于DBN网络的深度学习架构，通过非监督贪婪逐层方法训练获得生成模型的权值，通过它将值传递到隐层，反过来，形成的权值会被随机选择，以重构原始输入数据；通过双向数据层与隐层多次迭代，获得海量侦察数据的特征真实表达；通过顶层数据特征向量分类融合，形成高精度的海量侦察数据的分析情报信息；将高维特征的投影到低维空间，验证编码训练数据的相似性，以表达海量侦察数据的真实特征。
Description
技术领域
本发明涉及认知电子战技术领域，尤其涉及一种认知信息对抗中深度置信网络情报提取装置及方法。
背景技术
空天地一体化信息对抗的战争双方都企图通过截获、干扰、欺骗、控制信息来把握战场主动权。在很多信息对抗场景中，侦察方无法获知侦察数据的先验信息，同时还需要在通信侦察中识别的多址方式、估计信号参数、识别调制方式，捕获跳频图案，在雷达侦察中识别雷达5参数、指纹特征、工作模式等，甚至需要获取目标的军事目的、信息欺骗、行为特征、协作方式、战术意图等情报信息。因此，在无先验知识下，能够对海量侦察数据的精确分析、识别、形成精确情报对现代空天地一体化信息对抗，军事对抗具有重要意义，也是信息情报获取、战场认知和战场指挥控制的瓶颈和核心。
面对纷繁复杂的海量侦察数据，传统的数据分析方法已经无法面对。因此，急需相应的高效方法进行海量侦察数据分析，提高海量数据分析能力和分析精度，并且保证在恶劣的信道条件下分析出的稳定和可靠情报特征，同时在海量芜杂的侦察数据，挖掘出有价值的情报信息。
针对海量侦察数据分析，深度学习方法首先从纷繁复杂海量侦察数据，提取数据初级特征，然后到中级区域，进行目标识别，跳频图案分析、参数估计、雷达参数提取、图像特征提取，进而到高级区域，进行调制方式识别、参数估计调整、多址方式识别、雷达工作模式、图像特征识别，最后到更为高级区域的军事情报，目标行为、支援特性、干扰意图、信息欺骗等识别，以挖掘出更深层次作战情报信息。
目前数据分析方法分为两大类：基于特征提取的统计模式识别方法和基于决策理论的最大似然假设检验方法。前者首先要从数据中提取出特征向量，然后通过模式识别系统来确定识别分类；后者是一种多假设的求似然问题，其特点是通过观察待识别数据形式，设定为某一种候选方式，然后通过相似性判断来确定其确定的具体方式。
基于决策理论的最大似然假设检验方法，需要更多的先验知识，例如分布函数的形式和均值、方差以及信噪比参数等，针对海量侦察数据而言，几乎没有先验知识可以利用。其次，未知参数的存在，导致似然比分类的统计量参数表达式很复杂，计算量偏大，难于进行实时处理。如果简化似然比函数，导致分类信息的丢失，分类性能的下降。因而在似然比函数的简化方法与分类性能损失之间存在一个折中的问题。同时，似然比方法对模型失配和参数偏差比较敏感。
基于特征提取的统计模式识别方法，就抵抗噪声这部分而言，虽然采用了如高阶累积量等抗噪性能较好的特征值，但是特征值对抑制噪声的作用还是很有局限性。在识别器的设计上，大多算法采用了单独分类器、单独识别器，这并不能满足数据特征值变化较大的识别问题。提取的数据特征通过识别，也未融合判决成相应情报信息。
当前的特征提取、分类、回归等方法可以作为浅层结构算法，其局限性在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种认知信息对抗中深度置信网络情报提取装置及方法，基于DBN(Deep Belief Network，深度置信网络)网络的深度学习架构，能获得海量侦察数据的特征真实表达，形成高精度的、高可靠性的海量侦察数据的融合情报信息。
为解决上述技术问题，本发明所采取的技术方案是：
一方面，本发明提供一种认知信息对抗中深度置信网络情报提取装置，包括DBN网络深度学习平台、前端多源传感器、数据存储器；所述DBN网络深度学习平台采用数字芯片Xilinx FPGA V6芯片XC6VHX255T-2FFG1155C实现，用于完成高速多信息处理与融合；所述前端多源传感器为1×N传感器阵列，包括若干图像传感器和若干激光雷达传感器，用于获取目标特征；所述数据存储器采用FLASH AT24C02，为DBN网络深度学习平台外部可扩展的存储芯片，用于存储前端多源传感器采集信息；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口连接前端多源传感器；
通过DBN网络的FPGA深度学习平台ALU单元，形成具有特性权值功能的网络模块，并且通过模块之间的通信传递，形成深度学习网络的通用IP软核；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口，获取目标特征的高速数据流数据，形成高速无缝数据连接；通过DBN网络深度学习平台外部可扩展的FLASH存储芯片，形成具有特征的知识库，形成快速的信息知识识别访问。
进一步地，所述图像传感器采用海康DS-2CE16C3T-IT3型号，激光雷达传感器采用VelodyneHDL-64E型号。
另一方面，本发明还提供一种认知信息对抗中深度置信网络情报提取方法，该方法采用上述的认知信息对抗中深度置信网络情报提取装置实现，利用DBN网络深度学习平台中的软件程序实现认知信息对抗中深度置信网络情报提取，具体方法如下：
步骤1：前端多源传感器实时采集海量的目标特征数据；前端多源传感器连接DBN网络输入层，通过输入层将原始信息上传；
步骤2：针对数据流的处理，在靠近底层海量数据使用贝叶斯信念网络(DeepBoltzmann Machine，简称DBM)，即有向图模型，层中节点之间没有连接，而在最远离部分使用限制玻尔兹曼机(Restricted Boltzmann Machine简称RBM)；
步骤3：通过结合DBM和RBM，增加隐藏层的层数，得到DBN，多层RBM与DBM形成DBN；DBN是一个概率生成模型，生成模型是建立一个海量数据和特征之间的联合分布，DBN底层由多个RBM层组成；DBN网络被“限制”为一个数据层和一个隐层，层间存在连接，但层内的单元间不存在连接；
步骤4：建立DBM网络；
隐层单元被训练去捕捉在数据层表现出来的高阶数据的相关性，该部分由DBM构成，通过概率转移双向刻画数据特征；最顶网络构成数据相关、融合性能，一个DBM的连接是通过自顶向下的生成权值来指导确定的；
步骤5：训练概率生成模型DBN的权值；
DBN深度学习网络通过非监督贪婪逐层方法预训练获得生成DBN模型的权值，获得海量侦察数据的初步特征，初步特征包括信噪比、信道模型、调制方式、雷达参数、视觉参数；在该训练阶段，在海量数据层产生一个向量，通过该向量将多源数据的特征值传递到隐层；反过来，所形成的权值会被随机的选择，以重构原始的输入数据；
步骤6：更新及获取权值，新多源数据的表达特征激活单元将向隐藏层网络传递激活单元，获得新的权值；
通过深度权值训练，在训练过程中，首先将初始特征向量值传递给隐藏层单元；然后由隐藏层单元重建特征向量；这些重构的特征向量再次映射给隐藏层单元，获取新的隐藏层单元；通过增加网络的层数改变训练数据的概率，通过双向数据层与隐层的多次迭代，获得越来越接近海量数据特征的真实表达，进而获得高层次的信息特征；
步骤7：获得数据输出判决；
在数据流的最高两层，通过数据特征向量分类融合，通过顶层的融合函数，融合相邻近的特征信息；通过训练数据获取海量数据学习特征标签集，将海量数据学习特征标签集附加到顶层，同时DBN利用邻域的相关关系，达到生成模型的特征变换不变性，而且更容易得变换到高维特征，形成高精度的海量侦察数据的分析情报信息。
采用上述技术方案所产生的有益效果在于：本发明提供的一种认知信息对抗中深度置信网络情报提取装置及方法，提出基于DBN网络的深度学习架构，通过非监督贪婪逐层方法去训练获得生成模型的权值，通过它将值传递到隐层，反过来，所形成的权值会被随机的选择，以重构原始的输入数据；通过双向数据层与隐层的多次迭代，以获得海量侦察数据的特征真实表达。并且通过顶层的数据特征向量分类融合，形成高精度的海量侦察数据的分析情报信息；将高维特征的投影到低维空间，验证编码训练数据的相似性，以表达海量侦察数据的真实特征；本发明能提高获取海量侦察数据情报信息的可靠性，以获得最优的海量侦察数据融合情报信息。
附图说明
图1为本发明实施例提供的认知信息对抗中深度置信网络情报提取装置示意图；
图2为本发明实施例提供的基于DBN网络的深度学习架构示意图；
图3为本发明实施例提供的基于模糊函数的深度学习决策示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种认知信息对抗中深度置信网络情报提取装置，如图1所示，包括DBN网络深度学习平台、前端多源传感器、数据存储器。DBN网络深度学习平台采用数字芯片XilinxFPGAV6芯片XC6VHX255T-2FFG1155C实现，用于完成高速多信息处理与融合。前端多源传感器为1×N传感器阵列，包括若干图像传感器和若干激光雷达传感器，用于获取目标辐射和接收高频电磁波。图像传感器采用海康DS-2CE16C3T-IT3型号，激光雷达传感器采用VelodyneHDL-64E型号。数据存储器为DBN网络深度学习平台外部可扩展的存储芯片FLASHAT24C02，用于存储前端多源传感器采集信息。通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口连接前端多源传感器。
通过DBN网络的FPGA深度学习平台ALU单元，形成具有特性权值功能的网络模块，并且通过模块之间的通信传递，形成深度学习网络的通用IP软核，形成具有可移植特性；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的万兆网络光口，获取前端多源传感器的高速数据流数据，形成高速无缝数据连接；通过DBN网络深度学习平台外部可扩展的FLASH存储芯片，形成具有特征的知识库，形成快速的信息知识识别访问。
采用上述的认知信息对抗中深度置信网络情报提取装置实现的一种认知信息对抗中深度置信网络情报提取方法，利用DBN网络深度学习平台中存储的软件程序实现认知信息对抗中深度置信网络情报提取，具体方法如下：
前端多源传感器实时采集海量的目标特征数据；前端多源传感器连接DBN网络输入层，通过输入层将原始信息上传；首先针对数据流的处理，在靠近底层海量数据使用贝叶斯信念网络(Deep Boltzmann Machine，DBM)，即有向图模型，层中节点之间没有链接，而在最远离部分使用限制玻尔兹曼机(Restricted Boltzmann Machine，RBM)，通过结合DBM和RBM，增加隐藏层的层数，得到DBN。DBN是一个概率生成模型，生成模型是建立一个海量数据和特征之间的联合分布。DBN底层由多个RBM层组成。DBN网络被“限制”为一个数据层和一个隐层，层间存在连接，但层内的单元间不存在连接。
然后，通过数据流的最高两层，通过数据特征融合，这样更高级的输出将会提供一个理想参考，这样顶层就会融合相邻近的特征信息。
最后，在海量数据学习特征标签集将被附加到顶层，同时DBN利用邻域的相关关系，达到生成模型的特征变换不变性，而且更容易得变换到高维特征。
本实施例中采用的基于DBN网络的深度学习架构如图2所示。
基于模糊函数的深度学习决策以解决单纯分类器无法适应大范围数据特征跳变的问题。该方法采用了一种新的结合精确度和不确定性的模糊密度概念，提高了识别的可靠性。模糊积分融合多个分类器，以获得近似最优的融合结果，它结合分类器的精确度和不确定性来提高整体分类的可靠性。如图3所示，该方法通过分类器的特征分类结果，训练选择有效的模糊密度，确定合适的模糊函数。其中，f(x)为分类后不同数据特征，x为超完备基。根据所选择的模糊函数，合理选择多个分类器最大化统一，降低了组合分类器带来的自适应分类算法的不均匀。特征输出和训练选择有效的模糊密度可以并行处理，根据模糊函数参数调整，合并数据特征，输出融合情报信息。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种认知信息对抗中深度置信网络情报提取装置，其特征在于：该装置包括DBN网络深度学习平台、前端多源传感器、数据存储器；所述DBN网络深度学习平台采用数字芯片Xilinx FPGA V6芯片XC6VHX255T-2FFG1155C实现，用于完成高速多信息处理与融合；所述前端多源传感器为1×N传感器阵列，包括若干图像传感器和若干激光雷达传感器，用于获取目标特征；所述数据存储器FLASH AT24C02为DBN网络深度学习平台外部可扩展的存储芯片，用于存储前端多源传感器采集信息；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口连接前端多源传感器；
通过DBN网络的FPGA深度学习平台ALU单元，形成具有特性权值功能的网络模块，并且通过模块之间的通信传递，形成深度学习网络的通用IP软核；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口，获取目标特征的高速数据流数据，形成高速无缝数据连接；通过DBN网络深度学习平台外部可扩展的FLASH存储芯片，形成具有特征的知识库，形成快速的信息知识识别访问。
2.根据权利要求1所述的认知信息对抗中深度置信网络情报提取装置，其特征在于：所述图像传感器采用海康DS-2CE16C3T-IT3型号，激光雷达传感器采用VelodyneHDL-64E型号。
3.一种认知信息对抗中深度置信网络情报提取方法，其特征在于：该方法采用权利要求1所述的认知信息对抗中深度置信网络情报提取装置实现，利用DBN网络深度学习平台中的软件程序实现认知信息对抗中深度置信网络情报提取，具体方法如下：
步骤1：前端多源传感器实时采集海量的目标特征数据；前端多源传感器连接DBN网络输入层，通过输入层将原始信息上传；
步骤2：针对数据流的处理，在靠近底层海量数据使用贝叶斯信念网络(DeepBoltzmann Machine，简称DBM)，即有向图模型，层中节点之间没有连接，而在最远离部分使用限制玻尔兹曼机(Restricted Boltzmann Machine简称RBM)；
步骤3：通过结合DBM和RBM，增加隐藏层的层数，得到DBN，多层RBM与DBM形成DBN；DBN网络被“限制”为一个数据层和一个隐层，层间存在连接，但层内的单元间不存在连接；
步骤4：建立DBM网络；
隐层单元被训练去捕捉在数据层表现出来的高阶数据的相关性，该部分由DBM构成，通过概率转移双向刻画数据特征；最顶网络构成数据相关、融合性能，一个DBM的连接是通过自顶向下的生成权值来指导确定的；
步骤5：训练概率生成模型DBN的权值；
DBN深度学习网络通过非监督贪婪逐层方法预训练获得生成DBN模型的权值，获得海量侦察数据的初步特征，初步特征包括信噪比、信道模型、调制方式、雷达参数、视觉参数；在该训练阶段，在海量数据层产生一个向量，通过该向量将多源数据的特征值传递到隐层；反过来，所形成的权值会被随机的选择，以重构原始的输入数据；
步骤6：更新及获取权值，新多源数据的表达特征激活单元将向隐藏层网络传递激活单元，获得新的权值；
通过深度权值训练，在训练过程中，首先将初始特征向量值传递给隐藏层单元；然后由隐藏层单元重建特征向量；这些重构的特征向量再次映射给隐藏层单元，获取新的隐藏层单元；通过增加网络的层数改变训练数据的概率，通过双向数据层与隐层的多次迭代，获得越来越接近海量数据特征的真实表达，进而获得高层次的信息特征；
步骤7：获得数据输出判决；
在数据流的最高两层，通过数据特征向量分类融合，通过顶层的融合函数，融合相邻近的特征信息；通过训练数据获取海量数据学习特征标签集，将海量数据学习特征标签集附加到顶层，同时DBN利用邻域的相关关系，达到生成模型的特征变换不变性，而且更容易得变换到高维特征，形成高精度的海量侦察数据的分析情报信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811004115.2A CN110874603A (zh) | 2018-08-30 | 2018-08-30 | 一种认知信息对抗中深度置信网络情报提取装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811004115.2A CN110874603A (zh) | 2018-08-30 | 2018-08-30 | 一种认知信息对抗中深度置信网络情报提取装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110874603A true CN110874603A (zh) | 2020-03-10 |
Family
ID=69715537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811004115.2A Pending CN110874603A (zh) | 2018-08-30 | 2018-08-30 | 一种认知信息对抗中深度置信网络情报提取装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874603A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112148244A (zh) * | 2020-10-09 | 2020-12-29 | 天津大学 | 基于fpga与高精度柔性触觉传感器的触感采集认知平台 |
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN114185842A (zh) * | 2021-11-30 | 2022-03-15 | 电子科技大学长三角研究院(湖州) | 一种基于片上网络的分布式数据级融合系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| US20170274906A1 (en) * | 2016-03-23 | 2017-09-28 | Magna Electronics Inc. | Vehicle driver monitoring system |
| US20180150701A1 (en) * | 2016-11-29 | 2018-05-31 | Samsung Electronics Co., Ltd. | Method and apparatus for determining abnormal object |
| CN208781248U (zh) * | 2018-08-30 | 2019-04-23 | 沈阳航空航天大学 | 一种认知信息对抗中深度置信网络情报提取装置 |
-
2018
- 2018-08-30 CN CN201811004115.2A patent/CN110874603A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170274906A1 (en) * | 2016-03-23 | 2017-09-28 | Magna Electronics Inc. | Vehicle driver monitoring system |
| US20180150701A1 (en) * | 2016-11-29 | 2018-05-31 | Samsung Electronics Co., Ltd. | Method and apparatus for determining abnormal object |
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| CN208781248U (zh) * | 2018-08-30 | 2019-04-23 | 沈阳航空航天大学 | 一种认知信息对抗中深度置信网络情报提取装置 |
Non-Patent Citations (3)
| Title |
|---|
| ZOUXY09: "Deep Learning(深度学习)学习笔记整理系列之（六）", pages 1 - 6, Retrieved from the Internet <URL:zouxy09, HTTPS://BLOG.CSDN.NET/ZOUXY09/ARTICLE/DETAILS/8781396> * |
| 王利伟，朱晓丹，王建等, 人工智能在电子侦察中的应用分析, pages 1 - 4 * |
| 王利伟;朱晓丹;王建;刘宇辰;: "人工智能在电子侦察中的应用分析", 航天电子对抗, no. 02, pages 1 - 4 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112148244A (zh) * | 2020-10-09 | 2020-12-29 | 天津大学 | 基于fpga与高精度柔性触觉传感器的触感采集认知平台 |
| CN112148244B (zh) * | 2020-10-09 | 2022-02-01 | 天津大学 | 基于fpga与高精度柔性触觉传感器的触感采集认知平台 |
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN112497216B (zh) * | 2020-12-01 | 2022-02-11 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN114185842A (zh) * | 2021-11-30 | 2022-03-15 | 电子科技大学长三角研究院(湖州) | 一种基于片上网络的分布式数据级融合系统及方法 |
| CN114185842B (zh) * | 2021-11-30 | 2024-01-30 | 电子科技大学长三角研究院(湖州) | 一种基于片上网络的分布式数据级融合系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | MR‐DCAE: Manifold regularization‐based deep convolutional autoencoder for unauthorized broadcasting identification | |
| Daradkeh et al. | Development of effective methods for structural image recognition using the principles of data granulation and apparatus of fuzzy logic | |
| Zhang et al. | Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction | |
| Zhou et al. | Automatic radar waveform recognition based on deep convolutional denoising auto-encoders | |
| CN110874603A (zh) | 一种认知信息对抗中深度置信网络情报提取装置及方法 | |
| CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
| KR20210053052A (ko) | 컬러 복원방법 및 장치 | |
| CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
| CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
| CN110796199A (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
| Parashar et al. | Deep learning pipelines for recognition of gait biometrics with covariates: a comprehensive review | |
| Shen et al. | Node identification in wireless network based on convolutional neural network | |
| CN112115830A (zh) | 一种基于比特域特征提取的目标分布式融合识别方法 | |
| Devi et al. | A review of image classification and object detection on machine learning and deep learning techniques | |
| Lee et al. | Probing the purview of neural networks via gradient analysis | |
| CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
| Lu et al. | An efficient network for multi-scale and overlapped wildlife detection | |
| Xia et al. | Radar waveform recognition based on a two‐stream convolutional network and software defined radio | |
| Ouafae et al. | Novelty detection review state of art and discussion of new innovations in the main application domains | |
| Gai et al. | Spectrum sensing method based on residual cellular network | |
| CN111860613B (zh) | 一种基于多源异构信号的多目标追踪及状态预测方法 | |
| Nayak et al. | Exploiting spatio-temporal scene structure for wide-area activity analysis in unconstrained environments | |
| CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
| CN208781248U (zh) | 一种认知信息对抗中深度置信网络情报提取装置 | |
| Bello et al. | Deep Learning-Based SOLO Architecture for Re-Identification of Single Persons by Locations |
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 |