CN111123232A - 一种具有任务适应性的雷达个体识别系统 - Google Patents
一种具有任务适应性的雷达个体识别系统 Download PDFInfo
- Publication number
- CN111123232A CN111123232A CN201911095053.5A CN201911095053A CN111123232A CN 111123232 A CN111123232 A CN 111123232A CN 201911095053 A CN201911095053 A CN 201911095053A CN 111123232 A CN111123232 A CN 111123232A
- Authority
- CN
- China
- Prior art keywords
- radar
- convolution
- network
- module
- radar individual
- 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
- 230000005855 radiation Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种具有任务适应性的雷达个体识别系统,用于针对特定的雷达个体识别任务进行网络结构设计,并利用搜索设计得到的最优的网络结构对雷达个体辐射源进行分类识别,包括数据预处理模块、雷达个体识别网络结构搜索模块、雷达个体识别模型微调训练模块以及雷达个体识别辨识模块。本发明能够根据相应任务从预定义的操作集中搜索最适用于雷达个体识别任务的网络结构,得到具有任务适应性的高精确度、高鲁棒的雷达个体识别模型。
Description
技术领域
本发明涉及雷达辐射源信号处理领域、深度学习网络结构搜索领域、特征提取领域,尤其涉及一种具有任务适应性的雷达个体识别系统。
背景技术
“了如指掌,掌控全局”,雷达辐射源个体识别,是电子对抗战“战场掌控”的关键,是复杂电磁态势分析和敌方目标威胁估计的重要依据,也是电子侦察、支援告警等集成作战平台的核心。然而传统深度学习特征提取方法,在强电子对抗环境中普适性差、且雷达个体识别模型由于识别方法本身参数确定时的随机性特征,不同研究者所带来的参数人为选择因素的影响将影响到目标识别的准确性和置信度。因此,复杂作战环境下根据任务设计对应雷达识别仿真系统一直是雷达电子对抗国防发展的一项重要技术,成为国际上雷达识别的一个难点和前沿。
发明内容
针对目前雷达个体识别系统设计本身不具有任务普适性且准确度和置信度均有待提高的问题,本发明的目的在于提供一种具有任务适应性的雷达个体识别系统,从预定义的操作集中搜索得到最适用于雷达个体识别任务的网络结构,得到具有任务适应性的高精确度、高鲁棒的雷达个体识别模型,对于实现复杂电磁对抗战场下的雷达个体识别模型的快速设计和精准识别具有十分重大的意义。。
本发明的目的是通过以下技术方案实现的:一种具有任务适应性的雷达个体识别系统,包括数据预处理模块、雷达个体识别网络结构搜索模块、雷达个体识别模型微调训练模块以及雷达个体识别辨识模块。数据采集传感器、数据库、具有任务适应性的雷达个体识别系统以及结果显示模块依次相连,所述数据采集传感器对雷达个体辐射源数据进行采集,并将数据储存到所述的数据库中,数据库中包含历史雷达个体辐射源数据为具有任务适应性的雷达个体识别系统提供数据支持。具有任务适应性的雷达个体识别系统识别得到的结果将通过结果显示模块输出显示。
进一步地,数据预处理模块,用以进行雷达个体辐射源数据进行预处理,采用如下过程完成:
(1)从数据库中采集n个雷达个体辐射源数据样本对(X,Y),Y为X=(x1,x2,…,xd)所对应的标签,d为一个雷达个体辐射源数据的特征维度。
(4)将图像缩放到后续模块要求的大小。
进一步地,雷达个体识别网络结构搜索模块,利用带有门控开关的梯度下降算法在预定义的操作集中优化过参数化网络的结构参数和卷积参数,根据网络结构参数进行剪枝搜索得到最具有任务适应性的网络结构,采用如下过程完成:
(1)定义过参数化网络的搜索操作模块集,包括:
(1.1)形如K×K_DeWConvE_IdentityY的深度可分离卷积模块:其中K表示卷积核大小,DeWConv表示深度可分离卷积,E表示扩展率,Identity表示该模块具有跳跃连接,Y为1表示模块有跳跃连接,Y为0表示模块无跳跃连接。DeWConv模块具体操作包括两个步骤,一是通道卷积DeWConvC,二是逐点卷积DeWConvP,通道卷积选择M个大小为K×K、深度为1的卷积核W,每个卷积核分别与一个输入特征通道进行卷积操作,因此M为输入特征图Y的通道数:
DeWConvC操作后的特征图的尺寸与通道数保持不变。DeWConvP逐点卷积操作阶段,选取N个大小为1×1,深度为M的卷积核W′,将DeWConvC操作后的特征图与选取的卷积核进行卷积操作:
DeWConv操作的主要想法是通过DeWConvC和DeWConvP的组成,既保留对特征图空间信息的学习和不同卷积核的组合,又能减少模型的参数量。假设感受野大小是s,则传统卷积操作的参数量为s2MN,DeWConv操作的参数量为s2M+MN,相比传统卷积操作大大减少。
(1.2)非线性变换层:网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换,该函数表达式如下,其中z代表该层输入的特征图:
(1.3)池化层:用到了最大值池化和全局平均池化两种池化方式,全局平均池化用在最后一个卷积层之后,其他地方都采用最大值池化;
(1.4)稠密连接块:稠密连接块由多个连接层组成,连接层又是由卷积层、池化层和非线性变换层构成;稠密连接块中的每个连接层与其他所有连接层都相连接,其输入由之前的所有卷积层的输入构成,而其输出也将作为所有之后的卷积层的输入,用公式表示为:
lm=δm(lm-1,lm-2,…,l1) (17)
公式(17)中(lm-1,lm-2,…,l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图,δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作,其中卷积操作都先补零使输入输出的特征图大小一致。
(2)根据预定义的网络层数D构建深度为D的过参数网络F1,其中网络的每一层包含预定义操作模块集中的所有操作模块,层与层之间操作模块之间全连接,利用到路径二值化思想来解决上述问题:即将路径上的架构参数二值化,并使得在训练过程中只有一个路径处于激活状态。这样一来GPU显存的需求就降到和正常训练一个水平。二值化开关门表示如下:
基于二值化开关门g,一个过参数网络层的输出为:
在过参数网络F1的输出后加上一层全连接层,用于将输出的特征图进行降维提纯,得到维数与类别数num_class相等的Logits向量(a1,a2,…anum_class),训练的损失函数为权重衰减项的交叉熵分类损失:
其中LossCE为交叉熵分类损失,batchsize为一个训练批次的样本数量,λ‖w‖2为权重惩罚项以减轻过拟合。
在训练这些二值化架构参数的时候,使用对应的二值化开关门的梯度来更新网络结构参数αi:
(3)设置模型优化器、学习率、模型迭代次数等训练参数,训练网络以致损失Loss收敛,根据网络结构参数将过参数网络F1进行“剪枝”,转化成任务最优的雷达个体识别单网络F2。
进一步地,雷达个体识别模型微调训练模块,对上述雷达个体识别网络结构搜索模块搜索得到的单网络F2进一步在雷达个体辐射源数据集上进行训练微调。采用如下过程完成:
(1)继续使用损失函数Loss对单网络F2继续微调训练;
(2)采用阶梯下降的学习率LRfinetune。
其中lr为基础学习率,epoch为当前训练轮次,Step为学习率下降周期,MIter为训练总轮次。
(3)在线微调训练至损失函数值Loss收敛,选取最优网络参数,得到具有任务适应性的雷达个体识别最优模型Fopt。
进一步地,雷达个体识别辨识模块,用以对新采集得到的雷达个体辐射源数据进行分类辨识。采用如下过程完成:
(1)对新采集的到的雷达个体辐射源数据样本Xt=(x1,x2,…,xd),d为雷达个体辐射源数据的特征维度。
其中,mean(X)是求均值函数,std(X)是求标准差函数。
(4)将图像缩放到后续模块要求的大小。
(5)将预处理后的数据作为预测输入,利用训练好的具有任务适应性的雷达个体识别最优模型Fopt进行预测:
进一步地,雷达个体识别辨识模块得到的结果将通过结果显示模块输出显示。
本发明的技术构思为:本发明对采集到的雷达辐射源个体数据进行预处理,并利用网络搜索算法从预定义的操作集形成的过参数化网络中搜索剪枝得到最适用于对应任务的雷达个体识别单网络结构;并对搜索得到的具有任务适应性的单网络结构进行进一步微调训练,得到具有任务适应性的雷达个体识别最优模型,从而建立具有任务适应性的雷达个体识别系统。
本发明的有益效果主要表现在:1、根据对应任务搜索设计得到最适用的雷达个体识别模型,大大提高了识别的准确性和置信度;2、可以得到传统模型所不具有的更合理的模块连接方式和堆叠方式,且可以很方便地引入更多操作模块;3、合理地定义网络深度和操作集,可以在更简单的网络中得到更优的雷达个体识别精度。
附图说明
图1是一种具有任务适应性的雷达个体识别系统的基本硬件结构图;
图2是一种具有任务适应性的雷达个体识别系统的功能模块图。
具体实施方式
下面根据附图具体说明本发明。
实施例1
发明的目的是通过以下技术方案实现的:一种具有任务适应性的雷达个体识别系统,包括数据预处理模块5、雷达个体识别网络结构搜索模块6、雷达个体识别模型微调训练模块7 以及雷达个体识别辨识模块8。数据采集传感器1、数据库2、具有任务适应性的雷达个体识别系统3以及结果显示模块4依次相连,所述数据采集传感器1对雷达个体辐射源数据进行采集,并将数据储存到所述的数据库2中,数据库2中包含历史雷达个体辐射源数据为具有任务适应性的雷达个体识别系统3提供数据支持。具有任务适应性的雷达个体识别系统3识别得到的结果将通过结果显示模块4输出显示。
所述数据预处理模块5,用以进行雷达个体辐射源数据进行预处理,采用如下过程完成:
(1)从数据库中采集n个雷达个体辐射源数据样本对(X,Y),Y为X=(x1,x2,…,xd)所对应的标签,d为一个雷达个体辐射源数据的特征维度。
(4)将图像缩放到后续模块要求的大小。
所述雷达个体识别网络结构搜索模块6,利用带有门控开关的梯度下降算法在预定义的操作集中优化过参数化网络的结构参数和卷积参数,根据网络结构参数进行剪枝搜索得到最具有任务适应性的网络结构,采用如下过程完成:
(1)定义过参数化网络的搜索操作模块集,包括:
(1.1)形如K×K_DeWConvE_IdentityY的深度可分离卷积模块:其中K表示卷积核大小,DeWConv表示深度可分离卷积,E表示扩展率,Identity表示该模块具有跳跃连接,Y为1表示模块有跳跃连接,Y为0表示模块无跳跃连接。DeWConv模块具体操作包括两个步骤,一是通道卷积DeWConvC,二是逐点卷积DeWConvP,通道卷积选择M个大小为K×K、深度为1的卷积核W,每个卷积核分别与一个输入特征通道进行卷积操作,因此M为输入特征图Y的通道数:
DeWConvC操作后的特征图的尺寸与通道数保持不变。DeWConvP逐点卷积操作阶段,选取N个大小为1×1,深度为M的卷积核W′,将DeWConvC操作后的特征图与选取的卷积核进行卷积操作:
DeWConv操作的主要想法是通过DeWConvC和DeWConvP的组成,既保留对特征图空间信息的学习和不同卷积核的组合,又能减少模型的参数量。假设感受野大小是s,则传统卷积操作的参数量为s2MN,DeWConv操作的参数量为s2M+MN,相比传统卷积操作大大减少。
(1.2)非线性变换层:网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换,该函数表达式如下,其中z代表该层输入的特征图:
(1.3)池化层:用到了最大值池化和全局平均池化两种池化方式,全局平均池化用在最后一个卷积层之后,其他地方都采用最大值池化;
(1.4)稠密连接块:稠密连接块由多个连接层组成,连接层又是由卷积层、池化层和非线性变换层构成;稠密连接块中的每个连接层与其他所有连接层都相连接,其输入由之前的所有卷积层的输入构成,而其输出也将作为所有之后的卷积层的输入,用公式表示为:
lm=δm(lm-1,lm-2,…,l1) (29)
公式(29)中(lm-1,lm-2,…,l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图,δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作,其中卷积操作都先补零使输入输出的特征图大小一致。
(2)根据预定义的网络层数D构建深度为D的过参数网络F1,其中网络的每一层包含预定义操作模块集中的所有操作模块,层与层之间操作模块之间全连接,利用到路径二值化思想来解决上述问题:即将路径上的架构参数二值化,并使得在训练过程中只有一个路径处于激活状态。这样一来GPU显存的需求就降到和正常训练一个水平。二值化开关门表示如下:
基于二值化开关门g,一个过参数网络层的输出为:
在过参数网络F1的输出后加上一层全连接层,用于将输出的特征图进行降维提纯,得到维数与类别数num_class相等的Logits向量(a1,a2,…anum_class),训练的损失函数为权重衰减项的交叉熵分类损失:
其中LossCE为交叉熵分类损失,batchsize为一个训练批次的样本数量,λ‖w‖2为权重惩罚项以减轻过拟合。
在训练这些二值化架构参数的时候,使用对应的二值化开关门的梯度来更新网络结构参数αi:
(3)设置模型优化器、学习率、模型迭代次数等训练参数,训练网络以致损失Loss收敛,根据网络结构参数将过参数网络F1进行“剪枝”,转化成任务最优的雷达个体识别单网络F2。
所述雷达个体识别模型微调训练模块7,对上述雷达个体识别网络结构搜索模块6搜索得到的单网络F2进一步在雷达个体辐射源数据集上进行训练微调。采用如下过程完成:
(1)继续使用损失函数Loss对单网络F2继续微调训练;
(2)采用阶梯下降的学习率LRfinetune。
其中lr为基础学习率,epoch为当前训练轮次,Step为学习率下降周期,MIter为训练总轮次。
(3)在线微调训练至损失函数值Loss收敛,选取最优网络参数,得到具有任务适应性的雷达个体识别最优模型Fopt。
所述雷达个体识别辨识模块8,用以对新采集得到的雷达个体辐射源数据进行分类辨识。
采用如下过程完成:
(1)对新采集的到的雷达个体辐射源数据样本Xt=(x1,x2,…,xd),d为雷达个体辐射源数据的特征维度。
其中,mean(X)是求均值函数,std(X)是求标准差函数。
(4)将图像缩放到后续模块要求的大小。
(5)将预处理后的数据作为预测输入,利用训练好的具有任务适应性的雷达个体识别最优模型Fopt进行预测:
雷达个体识别辨识模块8得到的结果将通过结果显示模块4输出显示。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种具有任务适应性的雷达个体识别系统,包括依次相连的数据预处理模块、雷达个体识别网络结构搜索模块、雷达个体识别模型微调训练模块以及雷达个体识别辨识模块。
3.根据权利要求1所述一种具有任务适应性的雷达个体识别系统,其特征在于:雷达个体识别网络结构搜索模块,利用带有门控开关的梯度下降算法在预定义的操作集中优化过参数化网络的结构参数和卷积参数,根据网络结构参数进行剪枝搜索得到最具有任务适应性的网络结构,采用如下过程完成:
(1)定义过参数化网络的搜索操作模块集,包括:
(1.1)形如K×K_DeWConvE_IdentityY的深度可分离卷积模块:其中K表示卷积核大小,DeWConv表示深度可分离卷积,E表示扩展率,Identity表示该模块具有跳跃连接,Y为1表示模块有跳跃连接,Y为0表示模块无跳跃连接。DeWConv模块具体操作包括两个步骤,一是通道卷积DeWConvC,二是逐点卷积DeWConvP,通道卷积选择M个大小为K×K、深度为1的卷积核W,每个卷积核分别与一个输入特征通道进行卷积操作,因此M为输入特征图Y的通道数:
DeWConvC操作后的特征图的尺寸与通道数保持不变。DeWConvP逐点卷积操作阶段,选取N个大小为1×1,深度为M的卷积核W′,将DeWConvC操作后的特征图与选取的卷积核进行卷积操作:
DeWConv操作的主要想法是通过DeWConvC和DeWConvP的组成,既保留对特征图空间信息的学习和不同卷积核的组合,又能减少模型的参数量。假设感受野大小是s,则传统卷积操作的参数量为s2MN,DeWConv操作的参数量为s2M+MN,相比传统卷积操作大大减少。
(1.2)非线性变换层:网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换,该函数表达式如下,其中z代表该层输入的特征图:
(1.3)池化层:用到了最大值池化和全局平均池化两种池化方式,全局平均池化用在最后一个卷积层之后,其他地方都采用最大值池化;
(1.4)稠密连接块:稠密连接块由多个连接层组成,连接层又是由卷积层、池化层和非线性变换层构成;稠密连接块中的每个连接层与其他所有连接层都相连接,其输入由之前的所有卷积层的输入构成,而其输出也将作为所有之后的卷积层的输入,用公式表示为:
lm=δm(lm-1,lm-2,…,l1) (5)
公式(5)中(lm-1,lm-2,…,l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图,δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作,其中卷积操作都先补零使输入输出的特征图大小一致。
(2)根据预定义的网络层数D构建深度为D的过参数网络F1,其中网络的每一层包含预定义操作模块集中的所有操作模块,层与层之间操作模块之间全连接,利用到路径二值化思想来解决上述问题:即将路径上的架构参数二值化,并使得在训练过程中只有一个路径处于激活状态。这样一来GPU显存的需求就降到和正常训练一个水平。二值化开关门表示如下:
基于二值化开关门g,一个过参数网络层的输出为:
在过参数网络F1的输出后加上一层全连接层,用于将输出的特征图进行降维提纯,得到维数与类别数num_class相等的Logits向量(a1,a2,…anum_class),训练的损失函数为权重衰减项的交叉熵分类损失:
其中LossCE为交叉熵分类损失,batchsize为一个训练批次的样本数量,λ‖w‖2为权重惩罚项以减轻过拟合。
在训练这些二值化架构参数的时候,使用对应的二值化开关门的梯度来更新网络结构参数αi:
(3)设置模型优化器、学习率、模型迭代次数等训练参数,训练网络以致损失Loss收敛,根据网络结构参数将过参数网络F1进行“剪枝”,转化成任务最优的雷达个体识别单网络F2。
5.根据权利要求1所述一种具有任务适应性的雷达个体识别系统,其特征在于:所述雷达个体识别辨识模块,用以对新采集得到的雷达个体辐射源数据进行分类辨识。采用如下过程完成:
(1)对新采集的到的雷达个体辐射源数据样本Xt=(x1,x2,…,xd),d为雷达个体辐射源数据的特征维度。
其中,mean(X)是求均值函数,std(X)是求标准差函数。
(4)将图像缩放到后续模块要求的大小。
(5)将预处理后的数据作为预测输入,利用训练好的具有任务适应性的雷达个体识别最优模型Fopt进行预测:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095053.5A CN111123232B (zh) | 2019-11-11 | 2019-11-11 | 一种具有任务适应性的雷达个体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095053.5A CN111123232B (zh) | 2019-11-11 | 2019-11-11 | 一种具有任务适应性的雷达个体识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123232A true CN111123232A (zh) | 2020-05-08 |
CN111123232B CN111123232B (zh) | 2022-03-18 |
Family
ID=70495217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095053.5A Expired - Fee Related CN111123232B (zh) | 2019-11-11 | 2019-11-11 | 一种具有任务适应性的雷达个体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123232B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711978A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 高置信度快速雷达辐射源个体识别仪 |
CN112711977A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 一种简捷的雷达辐射源个体高精度深度识别仪 |
CN112712102A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 可同时识别已知和未知雷达辐射源个体的识别仪 |
CN112949824A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 一种基于神经网络的多输出多任务特征评估方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108875696A (zh) * | 2018-07-05 | 2018-11-23 | 五邑大学 | 基于深度可分离卷积神经网络的脱机手写汉字识别方法 |
CN109063759A (zh) * | 2018-07-20 | 2018-12-21 | 浙江大学 | 一种应用于图片多属性预测的神经网络结构搜索方法 |
WO2019108923A1 (en) * | 2017-11-30 | 2019-06-06 | Google Llc | Neural architecture search using a performance prediction neural network |
CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
CN110059804A (zh) * | 2019-04-15 | 2019-07-26 | 北京迈格威科技有限公司 | 待搜索网络训练方法、数据处理方法及装置 |
CN110097176A (zh) * | 2019-05-07 | 2019-08-06 | 东华理工大学 | 一种应用于空气质量大数据异常检测的神经网络结构搜索方法 |
-
2019
- 2019-11-11 CN CN201911095053.5A patent/CN111123232B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019108923A1 (en) * | 2017-11-30 | 2019-06-06 | Google Llc | Neural architecture search using a performance prediction neural network |
CN108875696A (zh) * | 2018-07-05 | 2018-11-23 | 五邑大学 | 基于深度可分离卷积神经网络的脱机手写汉字识别方法 |
CN109063759A (zh) * | 2018-07-20 | 2018-12-21 | 浙江大学 | 一种应用于图片多属性预测的神经网络结构搜索方法 |
CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
CN110059804A (zh) * | 2019-04-15 | 2019-07-26 | 北京迈格威科技有限公司 | 待搜索网络训练方法、数据处理方法及装置 |
CN110097176A (zh) * | 2019-05-07 | 2019-08-06 | 东华理工大学 | 一种应用于空气质量大数据异常检测的神经网络结构搜索方法 |
Non-Patent Citations (3)
Title |
---|
HAN CAI 等: "ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware", 《ARXIV》 * |
HAO LUO 等: "Bag of Tricks and a Strong Baseline for Deep Person Re-Identification", 《 2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW)》 * |
涂同珩: "基于自动机器学习的雷达信号识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711978A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 高置信度快速雷达辐射源个体识别仪 |
CN112711977A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 一种简捷的雷达辐射源个体高精度深度识别仪 |
CN112712102A (zh) * | 2020-11-13 | 2021-04-27 | 浙江大学 | 可同时识别已知和未知雷达辐射源个体的识别仪 |
CN112949824A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 一种基于神经网络的多输出多任务特征评估方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111123232B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123232B (zh) | 一种具有任务适应性的雷达个体识别系统 | |
CN108564109B (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN112233723B (zh) | 基于深度学习的蛋白质结构预测方法及系统 | |
CN109635947B (zh) | 基于答案采样的机器阅读理解模型训练方法及装置 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN113158445B (zh) | 一种卷积记忆残差自注意力机制的航空发动机剩余使用寿命预测算法 | |
CN113128355A (zh) | 一种基于通道剪枝的无人机图像实时目标检测方法 | |
CN108960330A (zh) | 基于快速区域卷积神经网络的遥感图像语义生成方法 | |
CN110988804B (zh) | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 | |
CN111126570A (zh) | 预训练复数全卷积神经网络的sar目标分类方法 | |
CN113420639A (zh) | 基于生成对抗网络的近地面红外目标数据集建立方法及装置 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
Zhang et al. | Fast real-time causal linewise progressive hyperspectral anomaly detection via cholesky decomposition | |
CN107016359A (zh) | 一种复杂环境下基于t分布的人脸快速识别方法 | |
CN115690549A (zh) | 一种基于并联交互架构模型实现多维度特征融合的目标检测方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 | |
CN113177521B (zh) | 一种基于组合孪生网络的智能辐射源识别方法 | |
CN113920391B (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
CN113111774A (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN111888767B (zh) | 一种模拟环境中的导弹灰盒仿真器弹道配准方法 | |
CN116612378B (zh) | 一种基于ssd改进的不平衡数据及复杂背景下水下小目标检测方法 | |
CN116520252B (zh) | 一种空中目标智能识别方法与系统 | |
CN111612127B (zh) | 用于高光谱图像分类的多方向信息传播卷积神经网络构建方法 | |
CN116776230B (zh) | 一种基于特征压印与特征迁移识别信号的方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220318 |