CN111582320B - 一种基于半监督学习的动态个体识别方法 - Google Patents

一种基于半监督学习的动态个体识别方法 Download PDF

Info

Publication number
CN111582320B
CN111582320B CN202010302865.9A CN202010302865A CN111582320B CN 111582320 B CN111582320 B CN 111582320B CN 202010302865 A CN202010302865 A CN 202010302865A CN 111582320 B CN111582320 B CN 111582320B
Authority
CN
China
Prior art keywords
layer
data
training
unknown
sample
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.)
Expired - Fee Related
Application number
CN202010302865.9A
Other languages
English (en)
Other versions
CN111582320A (zh
Inventor
王厚钧
杨海芬
张昊
杨睿
周军
周亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010302865.9A priority Critical patent/CN111582320B/zh
Publication of CN111582320A publication Critical patent/CN111582320A/zh
Application granted granted Critical
Publication of CN111582320B publication Critical patent/CN111582320B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

该发明公开了一种基于半监督学习的动态个体识别方法，该方法涉及辐射源个体识别技术领域。为尝试解决个体间相似的辐射源个体识别准确率低，同时有效检测未知类的问题，本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试，而且还可以检测无标签的未知个体，然后自动加标签，同时迭代更新数据库。本方法对已知类识别准确率达到99％以上，而且未知类的误差率小于0.6％。

Description

一种基于半监督学习的动态个体识别方法
技术领域
本发明涉及辐射源个体识别技术领域，更具体的，是涉及一种基于半监督学习，对辐射源个体进行动态识别，以及对没有标签的未知辐射源个体进行检测和自动加标签，并动态迭代数据库的方法。
背景技术
随着通信技术的飞速发展，通信信号的体制和调制样式复杂多样，对通信信号的探测与识别方法提出了更高的要求，同时信号环境日趋密集，使得常规的识别方法很难适应实际需要，无法有效地对通信信号进行识别。通信信号识别可以分为辐射源个体识别与信号调制方式识别。辐射源个体识别是通过提取设备的细微特征，从而实现识别辐射源个体的目的。该技术已经深入到各个工程技术领域，例如无线频谱管理、无线通信安全等领域。
深度学习由多层神经网络结构构成，十分擅长发现高维数据的潜在结构和模式。从浅层接收原始数据输入，每一层抽取对象的特征，随着层数加深，抽取的特征越来越抽象，最后构建出数据的高层特征。将深度学习与辐射源个体识别相结合，运用深度学习来发掘大量数据的细微特征，并以此进行分类，可以大大提高准确率，来更好地应对信息量激增与电磁环境越来越复杂的实际情况。但是深度学习方法难以应用于实时性要求高的识别场景,因为其算法是批量模式的，即假设所有的训练数据预先给定，通过最小化定义在所有训练数据上的经验误差得到分类器。这种学习方法当数据规模大时，计算复杂度高、响应慢。在线学习方法则设定训练数据是持续到来的，不断利用训练样本更新当前的模型，大大降低了学习算法的空间复杂度和时间复杂度，同时大大增强了实时性。因此将在线学习运用到辐射源个体识别中，不断对网络进行训练，可以克服网络实时性差的问题。
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，以及在未知类检测方面的问题，本发明提出一种基于神经网络的辐射源个体识别以及未知个体检测的方法。
本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试。技术方案为一种基于半监督学习的动态个体识别方法，包括以下步骤：
步骤1：将实测辐射源信号数据分类，每个型号个体均可以选择相同的，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；
步骤2：将所有数据样本做下采样，由于部分时间段并没有实际发送、接收信息，因此将未发送信号的空白部分过滤掉；
步骤3：对上述步骤获得的信号加窗，然后将窗函数平移，进行短时傅立叶变换，以获得时频域上的特性；
连续情况下：
Figure RE-GDA0002544684020000021
其中，w(t)为窗函数，x(t)为待变换的信号,ω是频率；由公式看出，STFT可看作在窗函数时间内对信号进行变换，得到傅里叶频谱；
离散情况下：
Figure RE-GDA0002544684020000022
其中，w[n]是窗函数，x[n]是待变换的信号，ω是频率；由公式看出，STFT可解释为首先滤波器经ejωn，然后对待变换信号滤波，滤波后的信号经e-jωn调制得到最终结果；
步骤4：由于特征之间的量纲和取值范围不同，不利于后续进行分类，因此对步骤3得到的数据进行归一化；归一化公式为：
Figure RE-GDA0002544684020000023
其中
Figure RE-GDA0002544684020000024
为原始数据的均值，σ为原始数据的标准差；
步骤5：构建网络模型并进行训练，网络模型共七层；
第一层为二维卷积层，第二层为池化层，第三层为Dropout层，第四层为二维卷积层，第五层为池化层，第六层为Dropout层，第七层为全连接层；
其中，第一层和第四层的二维卷积层输出矩阵的高度和宽度(hout，wout)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，
Figure RE-GDA0002544684020000025
第二层和第五层的池化层是对卷积层的降维处理，减轻网络训练时的算力压力，提升训练速度；
第三层和第六层的Dropout层是对前一层的输出进行随机选择，删除一半的数据；
第七层全连接层，先对输入数据输入Flatten层进行一维化，然后进行全连接；
已知的M类进行分类识别的情况：将加了标签之后M个类全部数据的80％样本数据组成训练集，输入到步骤5中的网络中，进行训练，网络训练拟合之后，使用M个类全部数据的其余的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，输出结果测试合格即为训练完成；
步骤7：根据步骤6训练得到的网络模型，对已知的M类数据和未知类数据进行检测，并对检测出来的未知类加新标签；
将M类的已知数据步骤6训练好的网络模型，并输出，网络模型第六层输出值的平均值向量Xave；
Figure RE-GDA0002544684020000031
Xm,k表示第m个样本输出向量的第k个元素，m是样本在网络倒数第二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；
然后将训练集的样本所对应输出值Xtrain按照每N个样本分组，共分成L1组，求得每组样本和Xave之间夹角余弦cos(θ)train和欧氏距离
Figure RE-GDA0002544684020000032
最大和最小值，获得L1个阈值
Figure RE-GDA0002544684020000033
和阈值
Figure RE-GDA0002544684020000034
Figure RE-GDA0002544684020000035
Figure RE-GDA0002544684020000036
用测试集以及未知类样本对应的输出值Xtest同样分别按照每N个样本分组，共分成L2组，采用上面两公式的方法依次求每组样本的
Figure RE-GDA0002544684020000037
和
Figure RE-GDA0002544684020000038
若与前述参数组成的联合参数阈值进行比较，若第S组样本符合条件：
Figure RE-GDA0002544684020000039
并且
Figure RE-GDA00025446840200000310
Figure RE-GDA00025446840200000311
则该组样本被检测为未知类对应的样本；
步骤8：将检测出来的样本自动加标签为第M+1类，和已知的M类数据一起通过步骤6的网络模型，将网络模型最后的输出层由M输出变为M+1输出，训练网络；网络更新后，按照步骤7，继续检测新的未知类，将步骤6、步骤7、步骤8循环下去，实现辐射源个体的动态识别，以及通过在线学习，更新数据库和分类器。
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：
Figure RE-GDA0002544684020000041
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：
Figure RE-GDA0002544684020000042
为尝试解决个体间相似的辐射源个体识别准确率低，同时有效检测未知类的问题，本发明依据信号的时频域特征，使用神经网络进行个体识别，而且可以检测无标签的未知个体，然后自动加标签，同时迭代更新数据库。本方法对已知类识别准确率达到99％以上，而且未知类的误差率小于0.6％。从结果来看，本方法显著优于文献《基于深度学习的未知调制类型的信号识别》中利用PCA降维算法和t_SNE降维算法进行未知类检测的结果。
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4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4类和未知类混合情况下，对未知类的检测准确率。
图7为本发明第二次和第三次更新数据库时，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：对上述步骤获得的信号，根据下述公式进行短时傅里叶变换(STFT，short-time Fourier transform)，以求的其时频域上的二维层次特性。其时频特性如图3所示。
Figure RE-GDA0002544684020000051
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
(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，求出训练集样本对应输出的值的平均值向量Xave
然后将训练集的样本所对应输出值Xtrain按照每100个样本分组，共分成L1组，求得每组样本和Xave之间夹角余弦cos(θ)train和欧氏距离
Figure RE-GDA0002544684020000052
最大和最小值，获得L1个阈值
Figure RE-GDA0002544684020000053
和阈值
Figure RE-GDA0002544684020000061
Figure RE-GDA0002544684020000062
Figure RE-GDA0002544684020000063
用测试集以及未知类样本对应的输出值Xtest同样分别按照每100个样本分组，共分成L2组，依次求每组样本的
Figure RE-GDA0002544684020000064
和
Figure RE-GDA0002544684020000065
若与前述参数组成的联合参数阈值进行比较，若第S 组样本符合条件：
Figure RE-GDA0002544684020000066
则该组样本被检测为未知类对应的样。具体如图2所示。
第一次更新数据库，M＝4时，检测异常类的误差率为：0.28％
第二次更新数据库，M＝5时，检测异常类的误差率为：0.27％
第三次更新数据库，M＝6时，检测异常类的误差率为：0.56％
图6表示第一次更新数据库事，已知类的识别准确率，和为之类的检测误差率，图7表示连续三次在线更新数据库的已知类的识别准确率，和为之类的检测误差率，并与文献《基于深度学习的未知调制类型的信号识别》中利用PCA降维算法和t_SNE降维算法进行未知类检测的算法的结果进行对比，可见本发明提出的方法有着显著提升。

Claims (1)

1.一种基于半监督学习的动态个体识别方法，包括以下步骤：
步骤1：将实测辐射源信号数据分类，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；
步骤2：将所有数据样本做下采样，由于部分时间段并没有实际发送、接收信息，因此将未发送信号的空白部分过滤掉；
步骤3：对上述步骤获得的信号加窗，然后将窗函数平移，进行短时傅立叶变换，以获得时频域上的特性；
连续情况下：
Figure FDA0003747638210000011
其中，w(t)为窗函数，x(t)为待变换的信号，ω是频率；由公式看出，STFT为在窗函数时间内对信号进行变换，得到傅里叶频谱；
离散情况下：
Figure FDA0003747638210000012
其中，w[b]是窗函数，x[b]是待变换的信号，ω是频率；由公式看出，STFT解释为首先滤波器经ejωb，然后对待变换信号滤波，滤波后的信号经e-jωb调制得到最终结果；
步骤4：由于特征之间的量纲和取值范围不同，不利于后续进行分类，因此对步骤3得到的数据进行归一化；归一化公式为：
Figure FDA0003747638210000013
其中
Figure FDA0003747638210000014
为原始数据的均值，σ为原始数据的标准差；
步骤5：构建网络模型并进行训练，网络模型共七层；
第一层为二维卷积层，第二层为池化层，第三层为Dropout层，第四层为二维卷积层，第五层为池化层，第六层为Dropout层，第七层为全连接层；
其中，第一层和第四层的二维卷积层输出矩阵的高度和宽度(hout，wout)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，
Figure FDA0003747638210000015
第二层和第五层的池化层是对卷积层的降维处理，减轻网络训练时的算力压力，提升训练速度；
第三层和第六层的Dropout层是对前一层的输出进行随机选择，删除一半的数据；
第七层全连接层，先对输入数据输入Flatten层进行一维化，然后进行全连接；
已知的M类进行分类识别的情况：将加了标签之后M个类全部数据的80％样本数据组成训练集，输入到构建的网络模型中，进行训练，网络训练拟合之后，使用M个类全部数据的其余的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，输出结果测试合格即为训练完成；
步骤6：根据步骤5训练得到的网络模型，对已知的M类数据和未知类数据进行检测，并对检测出来的未知类加新标签；
将M类的已知数据步骤5训练好的网络模型，并输出，网络模型第六层输出值的平均值向量Xave；
Figure FDA0003747638210000021
Xm，k表示第m个样本输出向量的第k个元素，m是样本在网络倒数第二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；
然后将训练集的样本所对应输出值Xtrain按照每N个样本分组，共分成L1组，求得每组样本和Xave之间夹角余弦cos(θ)train和欧氏距离
Figure FDA0003747638210000022
最大和最小值，获得L1个阈值
Figure FDA0003747638210000023
和阈值
Figure FDA0003747638210000024
Figure FDA0003747638210000025
Figure FDA0003747638210000026
用测试集以及未知类样本对应的输出值Xtest同样分别按照每N个样本分组，共分成L2组，采用上面两公式的方法依次求每组样本的
Figure FDA0003747638210000027
和
Figure FDA0003747638210000028
若与前述参数组成的联合参数阈值进行比较，若第S组样本符合条件：
Figure FDA0003747638210000029
并且
Figure FDA00037476382100000210
Figure FDA00037476382100000211
则该组样本被检测为未知类对应的样本；
步骤7：将检测出来的样本自动加标签为第M+1类，和已知的M类数据一起通过步骤5的网络模型，将网络模型最后的输出层由M输出变为M+1输出，训练网络；网络更新后，按照步骤6，继续检测新的未知类，将步骤5、步骤6、步骤7循环下去，实现辐射源个体的动态识别，以及通过在线学习，更新数据库和分类器；
所述步骤6中夹角余弦计算方法为：
对于两个p维向量A(x11，x12，...，x1p)与B(x21，x22，...，x2p)，使用类似于夹角余弦的概念来衡量它们间的相似程度：
Figure FDA0003747638210000031
欧氏距离的计算方法为：两个q维向量A(x11，x12，...，x1q)与B(x21，x22，...，x2q)之间的欧氏距离计算如下：
Figure FDA0003747638210000032
CN202010302865.9A 2020-04-17 2020-04-17 一种基于半监督学习的动态个体识别方法 Expired - Fee Related CN111582320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010302865.9A CN111582320B (zh) 2020-04-17 2020-04-17 一种基于半监督学习的动态个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010302865.9A CN111582320B (zh) 2020-04-17 2020-04-17 一种基于半监督学习的动态个体识别方法

Publications (2)

Publication Number Publication Date
CN111582320A CN111582320A (zh) 2020-08-25
CN111582320B true CN111582320B (zh) 2022-10-14

Family

ID=72121223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010302865.9A Expired - Fee Related CN111582320B (zh) 2020-04-17 2020-04-17 一种基于半监督学习的动态个体识别方法

Country Status (1)

Country Link
CN (1) CN111582320B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111832720B (zh) * 2020-09-21 2020-12-29 电子科技大学 一种可配置神经网络推理与在线学习融合计算电路
CN112183659B (zh) * 2020-10-15 2023-04-07 电子科技大学 一种基于卷积神经网络的未知信号辐射源识别方法
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
CN114692665B (zh) * 2020-12-25 2024-05-24 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于度量学习的辐射源开集个体识别方法
CN112508193B (zh) * 2021-02-02 2021-05-07 江西科技学院 一种深度学习平台
CN112949720B (zh) * 2021-03-04 2022-08-05 电子科技大学 一种基于三元组损失的未知辐射源辨别方法
CN113177520B (zh) * 2021-05-26 2022-06-28 电子科技大学 一种基于集成学习的智能辐射源识别方法
CN113838013A (zh) * 2021-09-13 2021-12-24 中国民航大学 基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置
CN113887502B (zh) * 2021-10-21 2023-10-17 西安交通大学 一种通信辐射源时频特征提取与个体识别方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
CN107256398A (zh) * 2017-06-13 2017-10-17 河北工业大学 基于特征融合的奶牛个体识别方法
CN107292298A (zh) * 2017-08-09 2017-10-24 北方民族大学 基于卷积神经网络和分类器模型的牛脸识别方法
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
CA2972052A1 (en) * 2016-06-30 2017-12-30 Sightline Innovation Inc. System, method, and module for biomarker detection
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
CN109472216A (zh) * 2018-10-18 2019-03-15 中国人民解放军91977部队 基于信号非高斯特性的辐射源特征提取和个体识别方法
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
CN111310719A (zh) * 2020-03-10 2020-06-19 电子科技大学 一种未知辐射源个体识别及检测的方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
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
CN113205140A (zh) * 2021-05-06 2021-08-03 中国人民解放军海军航空大学航空基础学院 基于生成式对抗网络的半监督式特定辐射源个体识别方法
CN113887502A (zh) * 2021-10-21 2022-01-04 西安交通大学 一种通信辐射源时频特征提取与个体识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8571272B2 (en) * 2006-03-12 2013-10-29 Google Inc. Techniques for enabling or establishing the use of face recognition algorithms

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2972052A1 (en) * 2016-06-30 2017-12-30 Sightline Innovation Inc. System, method, and module for biomarker detection
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
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
CN107256398A (zh) * 2017-06-13 2017-10-17 河北工业大学 基于特征融合的奶牛个体识别方法
CN107292298A (zh) * 2017-08-09 2017-10-24 北方民族大学 基于卷积神经网络和分类器模型的牛脸识别方法
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
CN109472216A (zh) * 2018-10-18 2019-03-15 中国人民解放军91977部队 基于信号非高斯特性的辐射源特征提取和个体识别方法
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
CN111310719A (zh) * 2020-03-10 2020-06-19 电子科技大学 一种未知辐射源个体识别及检测的方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
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
CN113205140A (zh) * 2021-05-06 2021-08-03 中国人民解放军海军航空大学航空基础学院 基于生成式对抗网络的半监督式特定辐射源个体识别方法
CN113887502A (zh) * 2021-10-21 2022-01-04 西安交通大学 一种通信辐射源时频特征提取与个体识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种基于半监督学习的弹道目标识别方法;田西兰等;《雷达科学与技术》;20171215;651-655 *
基于卷积神经网络的超短波特定信号谱图识别;杨司韩等;《系统工程与电子技术》;20190129;744-751 *
基于特征融合的小样本个体识别算法;王姗姗等;《通信技术》;20210610;1339-1343 *

Also Published As

Publication number Publication date
CN111582320A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582320B (zh) 一种基于半监督学习的动态个体识别方法
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
Zhang et al. Convolutional neural networks for automatic cognitive radio waveform recognition
CN112598024B (zh) 一种基于深度多示例学习和自注意力的医学图像分类方法
CN112819059A (zh) 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN117037427B (zh) 一种地质灾害联网监测预警系统
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN114024808A (zh) 基于深度学习的调制信号识别方法及系统
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN115964670A (zh) 一种频谱异常检测方法
CN116527346A (zh) 基于深度学习图神经网络理论的威胁节点感知方法
Yang et al. A novel convolutional network with a self-adaptation high-pass filter for fault diagnosis of wind turbine gearboxes
Han et al. Bearing fault diagnosis method based on Gramian angular field and ensemble deep learning
CN105809200A (zh) 一种生物启发式自主抽取图像语义信息的方法及装置
CN113191397A (zh) 一种基于最大相关熵准则的多维信号特征融合方法
Yuan et al. A recursive multi-head graph attention residual network for high-speed train wheelset bearing fault diagnosis
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
CN115100733B (zh) Rfid手势识别方法、计算机装置、产品及存储介质
CN111310680A (zh) 一种基于深度学习的辐射源个体识别方法
CN114004295B (zh) 一种基于对抗增强的小样本图像数据拓展方法
CN114724245B (zh) 基于csi的增量学习人体动作识别方法
CN116318925A (zh) 一种多cnn融合入侵检测方法、系统、介质、设备及终端

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221014