CN111310680A - 一种基于深度学习的辐射源个体识别方法 - Google Patents
一种基于深度学习的辐射源个体识别方法 Download PDFInfo
- Publication number
- CN111310680A CN111310680A CN202010110735.5A CN202010110735A CN111310680A CN 111310680 A CN111310680 A CN 111310680A CN 202010110735 A CN202010110735 A CN 202010110735A CN 111310680 A CN111310680 A CN 111310680A
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- width
- pooling
- data
- 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 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000011176 pooling Methods 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 20
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (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 Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种基于深度学习的辐射源个体识别方法，涉及辐射源个体识别技术领域。通过特征提取，然后输入神经网络进行辐射源个体的识别，在神经网络中加入过滤层，本发明过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0，可以明显地减少过拟合现象；这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明能够准确识别各辐射个体。
Description
技术领域
本发明涉及辐射源个体识别技术领域，更具体的，是涉及一种基于深度学习，对具有多种复杂工作模式的辐射源个体进行识别的方法。
背景技术
通信信号识别存在广泛的应用需求，是频谱管理、通信侦查与电子对抗等领域非常重要的一个研究课题。当前的主流研究方向中，通信信号识别根据不同应用场景与目的需求，可进一步分为辐射源个体识别与信号调制方式识别。辐射源个体识别技术由于各个领域的迫切需求，获得了迅速的发展。在非合作通信中，无论辐射源的搜索、截获、识别、定位还是分析，都需要辐射源个体识别技术为复杂电磁环境下的清晰分析和精准决策提供有力的支撑。因此，辐射源个体识别技术日渐成为了通信信号处理领域研究的一个热点。
辐射源个体识别通常有两种手段，即人工手动识别和机器自动识别。人工识别主要采用一系列针对不同类型信号的接收机，将接收到的信号进行初步处理之后，借助示波器、频谱仪、解调器等工具进行识别。传统的识别方法以基于脉冲描述字的五维特征(PulseDescription Word,PDW)的识别方法最为经典。此外，小波包特征、时频特征、分数阶傅里叶变换域特征等参数在个体识别领域中也都取得了一定的识别效果，但不可忽视的是上述成果只适用于被识别的辐射源个体之间有明显差异的情况，比如不同个体的载频差异明显、信号调制类型不同等，在辐射源个体无明显差异的场景下识别准确率低，导致难以在实际中应用。
辐射源个体的自动识别方面，目前的研究重点集中在以深度学习为代表的新型算法上。将深度学习引入辐射源个体识别的处理过程，可以使通信设备或机器具备自我学习、自主决策和自我更新的能力，从而更好地应对未来通信网络发展所带来的用户和数据量大大提升、信号类型不断发展变化和通信环境未知等问题和挑战。但现有方法多是在一维领域对信号进行研究，难以发挥深度学习在处理二维数据上的优势；同时现有的基于神经网络或深度学习进行辐射源个体识别的算法往往网络层数深、结构复杂、参数量极大，存在着训练耗时、网络泛化性差的问题。随着技术的日新月异，各种新体制通信信号不断涌现，单个辐射源也存在由多种调制方式、中心频率、传输速率等变化组合而成的复杂工作模式，同时现代社会电磁干扰日益复杂，导致现有个体识别方法已经难以满足辐射源个体识别的种种需求。
发明内容
针对个体之间无明显差异的辐射源个体识别准确率低，以及对具有多种复杂工作模式的辐射源个体难以识别的问题，提出一种能够准确辐射源个体的方法。
本发明技术方案为一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：
步骤1：获取辐射源个体发送信号；
步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；
步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；
步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；
步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；
步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，设计合理的nWidth值；每个样本包含nWidth个分窗，即nWidth列，每个数据文件被分为nnum/nWidth个样本，即每个样本维度均是((Nfft/2)+1)*nWidth；
步骤7：对上述步骤得到的所有样本数据进行z-score标准化；
步骤8：采用训练好的神经网络对步骤7得到的数据进行识别，得出识别结果。
进一步的，所述步骤8中神经网络包括七层：
第一层为二维卷积层，其参数设置为96个权重矩阵，权重矩阵尺寸为(11,11)，激活函数为Relu函数；
第二层为最大池化层，其参数设置为池化核尺寸(3,3)；
第三层为二维卷积层，其参数设置为256个权重矩阵，权重矩阵尺寸为(5,5)，激活函数为Relu函数；
第四层为最大池化层，其参数设置为池化核尺寸(3,3)；
第五层为二维卷积层，其参数设置为384个权重矩阵，权重矩阵尺寸为(3,3)，激活函数为Relu函数；
第六层为最大池化层，其参数设置为池化核尺寸(3,3)；
第七层为全连接层；
(1)第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数。
输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(hout，wout)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：hin代表输入矩阵高度，win代表输入矩阵宽度，hkenel、wkenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；
(2)第二、四、六层的最大池化层；给定数据的三维度尺寸，即[cin，hin，win]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[fpool*fpool]，池化步长[spool]，计算池化后的样本尺寸，公式如下：
wout＝(win-fpool)/spool+1
hout＝(hin-fpool)/spool+1
cout＝cin
其中wout为池化之后的样本宽度，hout代表池化后的样本高度，cout则代表池化后输出的样本的通道数；池化核的滤波器是不需要保留参数的；不同于卷积层的滤波器，每一个最大池化层滤波器就是一个固定的函数；
(4)全连接层：多维数组需先进行Flatten，然后连接全连接层；Flatten用来将输入“压平”，即把多维的输入一维化，为了从卷积层到全连接层的过渡。
进一步的，在第二、四、六层的最大池化层后设置一过滤层；
设置过滤层后计算公式为：
其中Bernoulli函数是为了生成概率为p的r向量，也就是随机生成一个0、1的向量，z是输入神经元节点的值，y是神经元节点输出的值，w是权重，b是偏置值；f函数是神经元的激活函数，上标～表示过滤后的数据，上标l表示层数，下标i表示节点。
本发明过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0)，可以明显地减少过拟合现象。这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明能够准确识别各辐射个体。
附图说明
图1为本发明提供的基于深度学习的辐射源个体识别方法的总体框架图
图2为本发明所使用数据中信号样本的时域特性
图3为本发明所使用数据中信号样本的时频特性
图4为本发明所设计、搭建的网络模型结构图
图5为本发明全工作模式参与训练下的个体识别的混淆矩阵与准确率
图6为本发明缺失一种(1/25)工作模式参与训练下的个体识别的混淆矩阵，与总体准确率
图7为本发明缺失五种(5/25)工作模式参与训练下的个体识别的混淆矩阵，与总体准确率
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面结合附图对技术方案的实施作进一步的详细描述。
请参考附图1，一种基于深度学习的辐射源个体识别方法，具体包括以下步骤：
步骤1：将本发明采用的数据集分为九个辐射源个体，采样带宽2M，采样率3.84M，采集环境、采集距离、网络模式、信道接入方式均保持相同，每个辐射源个体均可以选择由五种中心频率(225～512MHz)和五种传信率(64～1024kbps)相互组合构成的任意25种工作模式进行工作。
步骤2：将每个数据样本文件读入MATLAB种，做下采样，间隔取值，提取出数据值，其时域特征如图2所示。然后通过设定阈值，将信号幅度相对极低的部分，即在对应时间段没有实际发送、接收信号的空白部分过滤掉。
步骤3：确定相关参数，窗长WinLen根据时间精度需求采用2000、重叠点数noverlap为0、补零点数Nfft根据频率精度需求设置为256；
步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；
步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；
步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，每个样本包含129个分窗，即129列，每个数据文件被分为nnum/129个样本，每个样本维度均是129*129；
步骤7：对上述步骤得到的样本数据进行z-score标准化。即将数据减去均值，然后除以标准差，经过处理的样本数据均值为0，标准差为1；为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理；数据规范化处理是数据挖掘的一项基础工作，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析；z-score标准化，先求出每个样本矩阵的均值与标准差，然后通过下述转化公式的步骤对每一列进行标准化；分别对每个样本矩阵进行标准化；经过处理的样本数据均值为0，标准差为1；转化公式为：
其中
为原始数据的均值，σ为原始数据的标准差，是当前用得最多的数据标准化方式。
步骤8：构建网络模型；网络模型共七层：
第一层为二维卷积层，其参数设置为96个卷积核，卷积核尺寸为(11,11)，激活函数为Relu函数；
第二层为最大池化层，其参数设置为池化核尺寸(3,3)；
第三层为二维卷积层，其参数设置为256个卷积核，卷积核尺寸为(5,5)，激活函数为Relu函数；
第四层为最大池化层，其参数设置为池化核尺寸(3,3)；
第五层为二维卷积层，其参数设置为384个卷积核，卷积核尺寸为(3,3)，激活函数为Relu函数；
第六层为最大池化层，其参数设置为池化核尺寸(3,3)；
第七层为全连接层。
其具体结构如图4所示。
步骤9：通过深度学习提取特征信息进行训练并输出识别结果
(1)全部工作模式参与训练的情况：将加了标签之后的80％样本数据组成训练集，使用Shuffle函数打乱顺序，输入到步骤五中设计、搭建的网络中，进行训练，网络训练拟合之后，使用其余的20％样本数据组成测试集，根据训练得到的网络模型进行测试，输出分类结果。9分类平均正确率为92.11％，9分类的混淆矩阵如图5所示。
(2)部分工作模式缺失的情况：将加了标签之后的80％样本数据，随机剔除一种工作模式的数据，由剩下的部分工作模式缺失的数据组成训练集，使用Shuffle函数打乱顺序，输入到步骤五中设计、搭建的网络中，进行训练，网络训练拟合之后，使用其余的，包含全部工作模式的20％样本数据组成测试集，根据训练得到的网络模型进行测试，输出分类结果。9分类平均正确率为92％，9分类的混淆矩阵如图6所示，可见其识别准确度基本和全部工作模式参与训练的情况保持一致。
(3)部分工作模式缺失的情况：将加了标签之后的80％样本数据，剔除五种工作模式的数据，由剩下的部分工作模式缺失的数据组成训练集，使用Shuffle函数打乱顺序，输入到步骤五中设计、搭建的网络中，进行训练，网络训练拟合之后，使用其余的，包含全部工作模式的20％样本数据组成测试集，根据训练得到的网络模型进行测试，输出分类结果。9分类平均正确率为90％，9分类的混淆矩阵如图7所示，可见其识别准确度和全部工作模式参与训练的情况相比仅仅下降了两个百分点。
Claims (3)
1.一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：
步骤1：获取辐射源个体发送信号；
步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；
步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；
步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；
步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；
步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，设计合理的nWidth值；每个样本包含nWidth个分窗，即nWidth列，每个数据文件被分为nnum/nWidth个样本，即每个样本维度均是((Nfft/2)+1)*nWidth；
步骤7：对上述步骤得到的所有样本数据进行z-score标准化；
步骤8：采用训练好的神经网络对步骤7得到的数据进行识别，得出识别结果。
2.如权利要求1所述的一种基于深度学习的辐射源个体识别方法，其特征在于所述步骤8中神经网络包括七层：
第一层为二维卷积层，其参数设置为96个权重矩阵，权重矩阵尺寸为(11，11)，激活函数为Relu函数；
第二层为最大池化层，其参数设置为池化核尺寸(3，3)；
第三层为二维卷积层，其参数设置为256个权重矩阵，权重矩阵尺寸为(5，5)，激活函数为Relu函数；
第四层为最大池化层，其参数设置为池化核尺寸(3，3)；
第五层为二维卷积层，其参数设置为384个权重矩阵，权重矩阵尺寸为(3，3)，激活函数为Relu函数；
第六层为最大池化层，其参数设置为池化核尺寸(3，3)；
第七层为全连接层；
(1)第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数。
输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(hout，wout)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：hin代表输入矩阵高度，win代表输入矩阵宽度，hkenel、wkenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；
(2)第二、四、六层的最大池化层；给定数据的三维度尺寸，即[cin，hin，win]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[fpool*fpool]，池化步长[spool]，计算池化后的样本尺寸，公式如下：
wout＝(win-fpool)/spool+1
hout＝(hin-fpool)/spool+1
cout＝cin
其中wout为池化之后的样本宽度，hout代表池化后的样本高度，cout则代表池化后输出的样本的通道数；池化核的滤波器是不需要保留参数的；不同于卷积层的滤波器，每一个最大池化层滤波器就是一个固定的函数；
(3)全连接层：多维数组需先进行Flatten，然后连接全连接层；Flatten用来将输入“压平”，即把多维的输入一维化，为了从卷积层到全连接层的过渡。
3.权利要求2所述的一种基于深度学习的辐射源个体识别方法，其特征在于在第二、四、六层的最大池化层后设置一过滤层；
设置过滤层后计算公式为：
其中Bernoulli函数是为了生成概率为p的r向量，也就是随机生成一个0、1的向量，z是输入神经元节点的值，y是神经元节点输出的值，w是权重，b是偏置值；f函数是神经元的激活函数，上标～表示过滤后的数据，上标l表示层数，下标i表示节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110735.5A CN111310680B (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度学习的辐射源个体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110735.5A CN111310680B (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度学习的辐射源个体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310680A true CN111310680A (zh) | 2020-06-19 |
| CN111310680B CN111310680B (zh) | 2022-11-04 |
Family
ID=71158587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010110735.5A Expired - Fee Related CN111310680B (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度学习的辐射源个体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310680B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183279A (zh) * | 2020-09-21 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略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 |
| CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
| WO2019169042A1 (en) * | 2018-02-27 | 2019-09-06 | Cornell University | Ultra-sensitive detection of circulating tumor dna through genome-wide integration |
-
2020
- 2020-02-24 CN CN202010110735.5A patent/CN111310680B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略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 |
| WO2019169042A1 (en) * | 2018-02-27 | 2019-09-06 | Cornell University | Ultra-sensitive detection of circulating tumor dna through genome-wide integration |
| CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIDA DING等: "Specific Emitter Identification via Convolutional Neural Networks", 《IEEE COMMUNICATIONS LETTERS》 * |
| 周东青等: "基于深度限制波尔兹曼机的辐射源信号识别", 《国防科技大学学报》 * |
| 张昊: "基于深度学习的通信信号识别关键技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 徐加驹: "基于深度学习的雷达辐射源识别技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183279A (zh) * | 2020-09-21 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
| CN112183279B (zh) * | 2020-09-21 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
| CN112464713B (zh) * | 2020-10-21 | 2022-11-08 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310680B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
| CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
| CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
| CN111150393B (zh) | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 | |
| CN110942472B (zh) | 一种基于特征融合与自适应分块的核相关滤波跟踪方法 | |
| CN111310700B (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
| CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
| CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
| CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
| Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
| CN106548136A (zh) | 一种无线信道场景分类方法 | |
| CN116612335A (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN113052099B (zh) | 一种基于卷积神经网络的ssvep分类方法 | |
| CN111968669B (zh) | 一种多元混合声信号分离方法及装置 | |
| CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 | |
| Yang et al. | Extraction and denoising of human signature on radio frequency spectrums | |
| CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
| CN115470863A (zh) | 一种基于双重监督的领域泛化脑电信号分类方法 | |
| CN115393693A (zh) | 一种基于icrn的序贯uwb-ir图像车辆目标识别方法 | |
| Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
| CN116010783B (zh) | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 | |
| CN117727333B (zh) | 基于声学识别的生物多样性监测方法及系统 |
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: 20221104 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |