CN111310719A - 一种未知辐射源个体识别及检测的方法 - Google Patents
一种未知辐射源个体识别及检测的方法 Download PDFInfo
- Publication number
- CN111310719A CN111310719A CN202010159776.3A CN202010159776A CN111310719A CN 111310719 A CN111310719 A CN 111310719A CN 202010159776 A CN202010159776 A CN 202010159776A CN 111310719 A CN111310719 A CN 111310719A
- Authority
- CN
- China
- Prior art keywords
- layer
- value
- output
- minimum value
- matrix
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种未知辐射源个体识别及检测的方法,属于信号识别领域。针对现有技术中对未知信号识别效率、准确率低的问题,采用神经网络对信号记性特征提取,计算特征的各项差异性数据,将待识别信号的各项差异性数据与训练神经网络样本信号的各项差异性数据进行逐层次的比较,依次筛选出未知类信号,然后对未知类信号进行标签添加;本发明技术方案检测未知类的误差率为0.28%,说明本发明方法具有高准确率的优点。
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,是涉及一种基于神经网络,并对未知辐射源个体进行检测和自动加标签的方法。
背景技术
随着通信技术的发展与频谱管理变得越来越复杂,通信信号的识别正变得越来越重要,尤其在非协作式通信中,辐射源个体识别在辐射源的搜索、截获、分析、识别以及定位中拥有广泛的应用。
辐射源个体识别有两种方法,人工手动识别和机器自动识别。人工识别方法将不同类型的接收机接收到的信号进行初步处理后,通过示波器、频谱仪等仪器进行个体识别。这种方法准确率不高,能识别的类型有限且人工识别效率极低。自动识别主要是将神经网络与辐射源个体识别结合起来,利用带有分类标签的大量数据,使设备能够通过神经网络来获得自主学习、自动决策与自动更新的能力。但是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对数据有严苛要求,要求有大量加好分类标签的数据,并且都是已经分好类的数据。每当数据集发生变动,即有未被标签的未知类的数据存在,就无法正常训练和识别。而且现有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。
本发明基于信号二维层次上的时频域特征,利用神经网络进行辐射源个体识别,对未知源进行检测以及自动加标签,是针对目前辐射源个体识别相关问题的有效尝试。
发明内容
针对辐射源在未知类检测方面检测效率低的问题,本发明提出一种基于神经网络的高效率高识别率的辐射源个体识别以及未知个体检测方法。
本发明技术方案为一种未知辐射源个体识别及检测的方法,该方法包括:
步骤1:获取训练样本;
针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号,然后接收这些信号作为训练样本;
步骤2:将所有训练样本做下采样,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:求每个训练样本的能量谱密度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)*nuum;
步骤6:将得到的矩阵进行划分,根据每个训练样本所代表的时间长度,设计合理的nwidth值;每个训练样本包含nwidth个分窗,即nWidth列,每个数据文件被分为nnum/nwidth个训练样本,即每个训练样本维度均是((Nfft/2)+1)*nWidth;
步骤7:计算步骤6得到的训练样本的均值最小值μtrain1、方差最小值σ2 train1、标准差σtrain1最小值;
步骤8:对步骤6得到的所有训练样本数据进行z-score标准化;
步骤9:采用步骤7得到的训练样本数据对神经网络进行训练;
所述神经网络包括七层:
第一层为二维卷积层,其参数设置为92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251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377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;
其中: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;
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+1hout=(hin-fpool)/spool+1cout=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;
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;
步骤10:去掉神经网络中的第七层,将步骤7得到数据输入神经网络,第六层的输出作为神经网络的输出,计算出步骤7得到的所有数据的均值最小值μtrain2、方差的最小值σ2 train2、标准差的最小值σtrain2、最大最小值差距的最小值Max-Mintrain、训练样本对应输出的值的平均值向量Xave、输出值与Xave之间的夹角余弦最小值cos(θ)train、输出值与Xave之间的欧氏距离最小值
X1,k表示样本输入神经网络后第六层的输出值,m是样本在神经网络第六层输出的中间值的维度,n是样本对应的输出值向量的数量;
步骤10:在实际检测过程中,采用步骤2到步骤7的方法计算出待检测信号的均值、方差、标准差分别对应的与步骤7得到的均值最小值μtrain1、方差最小值σ2 train1、标准差σtrain1最小值进行比较,当待检测信号的均值、方差、标准差分别对应小于均值最小值μtrain1、方差最小值σ2 train1、标准差σtrain1时认为待检测信号为未知类信号,并对该信号添加标签;不符合上述条件的信号进行步骤11处理;
步骤11:将步骤10剩余的信号输入步骤9建立的去掉第七层的神经网络,计算第六层输出值的均值、方差、标准差、最大最小值差距、与Xave之间的夹角余弦、与Xave之间的欧氏距离;
当剩余信号输入神经网络后第六层输出值的均值、方差、标准差、最大最小值差距、与Xave之间的夹角余弦、与Xave之间的欧氏距离依次对应小于均值最小值μtrain2、方差的最小值σ2 train2、标准差的最小值σtrain2、最大最小值差距的最小值Max-Mintrain、输出值与Xave之间的夹角余弦最小值cos(θ)train、输出值与Xave之间的欧氏距离最小值则认为该信号为未知类信号,对该信号进行添加标签;其余信号为已知类信号。
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。
进一步的,所述步骤11中夹角余弦计算方法为:
对于两个m维向量A(x11,x12,...,x1m)与B(x21,x22,...,x2m),可以使用类似于夹角余弦的概念来衡量它们间的相似程度:
欧氏距离的计算方法为:两个n维向量A(x11,x12,...,x1n)与B(x21,x22,...,x2n)之间的欧氏距离计算如下:
本发明采用特制提取,然后对比各特制的方式依次分层次的识别未知类信号,具有识别率高误差小的优点,误差率仅为0.28%。
附图说明
图1为本发明提供的基于神经网络的辐射源个体识别以及未知类检测的总体框架图。
图2为本发明提供的根据联合参数检测未知类的流程图。
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为本发明已知类训练下的个体识别的混淆矩阵与准确率。
图6为本发明已知类和未知类混合情况下,对未知类的检测准确率。
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1,一种基于神经网络的辐射源个体识别以及未知类检测的方法,具体包括以下步骤:
步骤一:将本发明采用的数据集按照个体分类,每个个体的中频信号频率均为21.4MHz,发送信号带宽均为5MHz,信号采集带宽均为5MHz/10MHz,信号调制方式均为BPSK/16QAM或BPSK/QPSK其中一种组合,信号波形均为W1/W2,即每个个体均有8种工作模式;
步骤二:将每个数据样本文件读入MATLAB中,做下采样,间隔取值,提取出数据值。然后通过设定阈值,将在对应时间段没有实际发送、接收信号的空白部分过滤掉。
步骤三: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;
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;
求每个训练样本的能量谱密度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;
将得到的矩阵进行划分,根据每个训练样本所代表的时间长度,设计合理的nwidth值;每个训练样本包含nWidth个分窗,即nwidth列,每个数据文件被分为nnum/nwidth个训练样本,即每个训练样本维度均是((Nfft/2)+1)*nwidth;
步骤四:对上述步骤得到的样本数据进行z-score标准化。
步骤五:参照图4,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92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251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377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。
步骤六:通过神经网络提取特征信息进行训练并输出识别结果
已知的M类进行分类识别的情况::将加了标签之后的4类全部数据的80%样本数据组成训练集,输入到步骤五中的网络中,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。分类结果如图5所示,平均准确率达到99%。
步骤七:根据步骤六训练得到的网络模型,检测已知的4类数据和未知类数据,并对检测出来的未知类数据样本加标签
(1)第一次检测:对步骤三获取的数据样本进行第一次检测,利用训练集的样本均值最小值μtrain1、样本方差最小值σ2 train1、样本标准差最小值σtrain1所组成的联合参数阈值,对未知类进行检测,将检测出来的未知类加新标签。
(2)第二次检测,将步骤六获得的训练好的网络模型去除最后一层,其他参数保持不变,将M类的已知数据通过上述修改后的网络模型,并输出,然后根据训练集的样本所对应输出值的均值最小值μtrain2、方差的最小值σ2 train2、标准差的最小值σtrain2、最大最小值差距的最小值Max-Mintrain,以及输出值与Xave之间的夹角余弦最小值cos(θ)train、输出值与Xave之间的欧氏距离最小值组成联合参数阈值。
用测试集以及未知类样本对应的输出值的上述各参数的值μtest、σ2 test、σtest、Max-Mintest、cos(θ)test、与前述参数组成的联合参数阈值进行比较,若均小于前述阈值,则该样本被检测为异常类。具体如图2所示。
统计已知的4类被误判的数量和未知类没有被成功检测的数量,计算总体检测误差率,如图6所示,误差率仅仅为0.28%。
Claims (3)
1.一种未知辐射源个体识别及检测的方法,该方法包括:
步骤1:获取训练样本;
针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号,然后接收这些信号作为训练样本;
步骤2:将所有训练样本做下采样,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WinLen以及重叠点数noverlap,计算窗滑动次数nnum;
步骤5:求每个训练样本的能量谱密度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,根据每个训练样本所代表的时间长度,设计合理的nwidth值;每个训练样本包含nWidth个分窗,即nWidth列,每个数据文件被分为nnum/nWidth个训练样本,即每个训练样本维度均是((Nfft/2)+1)*nWidth;
步骤7:计算步骤6得到的训练样本的均值最小值μtrain1、方差最小值σ2 train1、标准差ntrain1最小值;
步骤8:对步骤6得到的所有训练样本数据进行z-score标准化;
步骤9:采用步骤7得到的训练样本数据对神经网络进行训练;
所述神经网络包括七层:
第一层为二维卷积层,其参数设置为92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251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377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;
其中: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;
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;
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;
步骤10:去掉神经网络中的第七层,将步骤7得到数据输入神经网络,第六层的输出作为神经网络的输出,计算出步骤7得到的所有数据的均值最小值μtrain2、方差的最小值σ2 train2、标准差的最小值σtrain2、最大最小值差距的最小值Max-Mintrain、训练样本对应输出的值的平均值向量Xave、输出值与Xave之间的夹角余弦最小值cos(θ)train、输出值与Xave之间的欧氏距离最小值
X1,k表示样本输入神经网络后第六层的输出值,m是样本在神经网络第六层输出的中间值的维度,n是样本对应的输出值向量的数量;
步骤10:在实际检测过程中,采用步骤2到步骤7的方法计算出待检测信号的均值、方差、标准差分别对应的与步骤7得到的均值最小值μtrain1、方差最小值σ2 train1、标准差σtrain1最小值进行比较,当待检测信号的均值、方差、标准差分别对应小于均值最小值μtrrain1、方差最小值σ2 train1、标准差σtrain1时认为待检测信号为未知类信号,并对该信号添加标签;不符合上述条件的信号进行步骤11处理;
步骤11:将步骤10剩余的信号输入步骤9建立的去掉第七层的神经网络,计算第六层输出值的均值、方差、标准差、最大最小值差距、与Xave之间的夹角余弦、与Xave之间的欧氏距离;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159776.3A CN111310719B (zh) | 2020-03-10 | 2020-03-10 | 一种未知辐射源个体识别及检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159776.3A CN111310719B (zh) | 2020-03-10 | 2020-03-10 | 一种未知辐射源个体识别及检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310719A true CN111310719A (zh) | 2020-06-19 |
CN111310719B CN111310719B (zh) | 2021-07-06 |
Family
ID=71147951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010159776.3A Active CN111310719B (zh) | 2020-03-10 | 2020-03-10 | 一种未知辐射源个体识别及检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310719B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
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 |
US20190303752A1 (en) * | 2018-03-27 | 2019-10-03 | Hewlett Packard Enterprise Development Lp | Rf interference categorization using machine learning |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
-
2020
- 2020-03-10 CN CN202010159776.3A patent/CN111310719B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
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 |
US20190303752A1 (en) * | 2018-03-27 | 2019-10-03 | Hewlett Packard Enterprise Development Lp | Rf interference categorization using machine learning |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111582320B (zh) * | 2020-04-17 | 2022-10-14 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112087774B (zh) * | 2020-09-14 | 2023-04-18 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111310719B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN113076994B (zh) | 一种开集域自适应图像分类方法及系统 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN110705722A (zh) | 一种工业设备故障诊断的诊断模型及其构建方法和应用 | |
CN104616280B (zh) | 基于最大稳定极值区域和相位一致性的图像配准方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN111751133A (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN112990259A (zh) | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 | |
CN112257741A (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Wiling | Locust Genetic Image Processing Classification Model-Based Brain Tumor Classification in MRI Images for Early Diagnosis | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN110874576A (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
CN113033667B (zh) | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN112383488A (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 |
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 |