CN111695444A - 一种基于波原子变换的辐射源个体特征提取方法 - Google Patents
一种基于波原子变换的辐射源个体特征提取方法 Download PDFInfo
- Publication number
- CN111695444A CN111695444A CN202010438295.6A CN202010438295A CN111695444A CN 111695444 A CN111695444 A CN 111695444A CN 202010438295 A CN202010438295 A CN 202010438295A CN 111695444 A CN111695444 A CN 111695444A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- wave
- short
- time signal
- signal
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于波原子变换的辐射源个体特征提取方法,本发明涉及辐射源个体特征提取方法。本发明的目的是为了解决现有辐射源个体特征提取方法对辐射源信号中无意调制信息表征不够充分的问题。过程为:一、接收机接收辐射源脉冲信号,并将辐射源脉冲信号进行分段;二、对第i段短时信号段进行波原子变换,得到第i段短时信号段的波原子系数矩阵;三、得到Hj m,并将其依次排列得到信号段对应的特征;四、重复二至三,对N段短时信号段进行基于波原子变换的特征提取,得到特征,将特征依次排列即得到辐射源脉冲信号的个体特征向量;五、构建分类器,将个体特征向量输入分类器,完成辐射源个体的识别。本发明用于辐射源个体特征提取领域。
Description
技术领域
本发明涉及辐射源个体特征提取方法。
背景技术
辐射源个体识别,是利用辐射源信号中因器件差异而引入的附加调幅、调相信息,完成不同辐射源个体的分辨。这项技术目前已在电子战、网络安全、通信安全等领域中被广泛应用。在辐射源个体识别中,辐射源信号的附加调幅、调相信息被称作无意调制信息,也叫“指纹”特征,是各辐射源的固有特征。在辐射源个体识别中,关键技术之一便是如何利用最少的数据,对这些调幅、调相信息作最充分的表征,即辐射源个体特征提取。目前关于辐射源个体特征提取技术的研究很多,但仍不能较好的、更加充分的完成信号中无意调制信息的表征。
发明内容
本发明的目的是为了解决现有辐射源个体特征提取方法对辐射源信号中无意调制信息表征不够充分的问题,而提出了一种基于波原子变换的辐射源个体特征提取方法。
一种基于波原子变换的辐射源个体特征提取方法具体过程为:
步骤一、接收机接收辐射源脉冲信号,并将辐射源脉冲信号进行分段;
步骤二、对第i段短时信号段Si(t)进行波原子变换,得到第i段短时信号段的波原子系数矩阵{Dj m,n}i,其中j表示尺度,m表示方向,n表示位置;
步骤三、利用信息熵对短时信号段Si(t)的波原子系数矩阵{Dj m,n}i中每个尺度j和每个方向m下的分量进行二次整合,得到Hj m,按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;
步骤四、重复步骤二至三,对N段短时信号段{Si(t)},i=1,2,…N进行基于波原子变换的特征提取,得到{Fi},i=1,2,…N,将特征Fi依次排列即得到辐射源脉冲信号的个体特征向量F;
步骤五、构建分类器,并将步骤四中得到的个体特征向量F输入分类器,完成辐射源个体的识别。
本发明的有益效果为:
整个辐射源个体识别过程中的技术流程如图1所示。先对接收到的辐射源脉冲信号进行分段,然后对分段后的信号做波原子变换,最后利用信息熵对各段信号、各尺度、各方向上的波原子系数进行整合,并组合成辐射源的个体特征向量。其中信号的分段将脉冲信号中各部分所包含的无意调制信息不均匀问题纳入考虑,可以减弱对整段信号进行特征提取时对无意调制信息的平均,利于无意调制信息含量较多的信号段充分发挥其优势。通过波原子变换,将信号从多尺度和多方向上进行分解,将信号中的主信号分量、无意调制分量和噪声分量做了很好的分离,能够对信号中的无意调制信息做最稀疏表示。利用信息熵对波原子系数进行整合,在尽可能多的保留无意调制信息的同时,大大的减少了分类器设计时的计算量,有利于在辐射源个体识别系统中的应用。
本发明能够较为充分的对辐射源个体的无意调制信息进行表征,特征维数低,并能够较好的克服噪声对于辐射源个体识别的影响,最终大大的提升了辐射源个体的识别性能。具体表现为在同一信噪比下相比于采用双谱个体特征,其识别率有较大幅度的提升,平均提升超过10%。并且在低信噪比的情况下表现出了较好的识别效果。
附图说明
图1为本发明具体实施方式一方法实现总体框图;
图2为信号分段示意图,T为原始信号数据点数,S(t)为原始信号,win为窗函数长,step为窗函数每次移动的步长,SN(t)为分段后的短时信号段;
图3为波原子变换对一维信号的频域划分示意图,LH为m为偶数是对应的频率块,RH为m为奇数对应的频率块;
图4为本发明基于波原子变换的辐射源个体特征提取方法的仿真实验结果图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式一种基于波原子变换的辐射源个体特征提取方法的具体过程为:
步骤一、接收机接收辐射源脉冲信号,脉冲信号中各部分所包含的无意调制信息不同,有的部分不同个体辐射源间无意调制信息差异较大,有的部分差异较小;
因此对接收到的辐射源脉冲信号,使用固定窗长的滑动窗函数w(t)进行分段处理,得到一系列短时信号段{Si(t)},i=1,2,…N;
步骤二、对第i段短时信号段Si(t)进行波原子变换,得到第i段短时信号的波原子系数矩阵{Dj m,n}i,其中j表示尺度,m表示方向,n表示位置;
步骤三、利用信息熵对短时信号段Si(t)的波原子系数矩阵{Dj m,n}i中每个尺度j和每个方向m下的分量进行二次整合,得到Hj m,按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;
步骤四、重复步骤二至三,对N段短时信号段{Si(t)},i=1,2,…N进行基于波原子变换的特征提取,得到{Fi},i=1,2,…N,将各段信号所得特征Fi依次排列即可得到辐射源脉冲信号的个体特征向量F;
步骤五、构建分类器,并将步骤四中得到的个体特征向量F输入分类器,完成辐射源个体的识别。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中接收机接收辐射源脉冲信号,脉冲信号中各部分所包含的无意调制信息不同,有的部分不同个体辐射源间无意调制信息差异较大,有的部分差异较小;
因此对接收到的辐射源脉冲信号,使用固定窗长的滑动窗函数w(t)进行分段处理,得到一系列短时信号段{Si(t)},i=1,2,…N,具体过程为
Si(t)=S(t)·w(t)
其中,N为分段后短时信号的段数,Si(t)为分段后的第i段短时信号段,S(t)为接收机接收辐射源脉冲信号(原始信号数据),t为时间,·为乘法。
在利用固定窗长的矩形滑动窗对信号进行分段处理时,信号段之间可存在重复,也可丢弃部分信号数据点。
其他步骤与参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述使用固定窗长的滑动窗函数w(t)对接收机接收的辐射源脉冲信号进行分段处理,获取得到一系列短时信号段{Si(t)},i=1,2,…N;具体过程为:
一一、由滑动窗窗长Win,辐射源脉冲信时域分段段数N,原始信号点数T,确定滑动窗的滑动步长
一二、调用MATLAB中的enframe()函数对接收机接收辐射源脉冲信号S(t)进行处理,即可得到一系列短时信号段{Si(t)},i=1,2,…N。
其他步骤与参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤二中对第i段短时信号段Si(t)进行波原子变换,得到第i段短时信号的波原子系数矩阵{Dj m,n}i,其中j表示尺度,m表示方向,n表示位置,具体过程为:
其中,k∈N+,N+为正整数,ω为数字角频率,αm为中间变量,αm=π/2(m+1/2),g(ω)为冲激函数,其区间为[-7π/6,5π/6],当|ω|≤π/3时,g(ω)满足
g(π/2-ω)2+g(π/2+ω)2=1
g(-π/2-2ω)2+g(π/2+ω)2=1
步骤二二、对短时信号段Si(t)做傅里叶变换,得到其频谱Si(ω),具体过程为:
步骤二五、将j和m从初值逐渐递增,并重复步骤二二至步骤二四,直至j和m达到最大值,并将波原子系数按照j和m进行排列,即可获得短时信号段Si(t)的波原子系数矩阵{Dj m,n}i。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤三中利用信息熵对短时信号段Si(t)的波原子系数矩阵{Dj m,n}i中每个尺度j和每个方向m下的分量进行二次整合,得到Hj m,按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;具体过程为:
其中,M为波原子系数矩阵{Dj m,n}i中(j,m)下系数的个数,pj m,n为每个系数对应的概率值
其中,xj m,n为波原子系数矩阵{Dj m,n}i中(j,m)下的系数;
按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四中将各段信号所得特征Fi依次排列即可得到辐射源脉冲信号的个体特征向量F;具体过程为:
步骤四一、经波原子变换以及信息熵的二次整合之后,能够得到一个特征矩阵
其中,每一行为一段短时信号段所得的特征,L为各段短时信号段所得特征的维数,N为分段后短时信号段的段数;f1 L为第1段短时信号段所得特征的第L个元素,fN L为第N段短时信号段所得特征的第L个元素;
步骤四二、将该特征矩阵,按照行进行拼接,则最终得到整个辐射源脉冲信号的个体特征向量F={f1 1,f1 2,…f1 L,f2 1,f2 2,…f2 L,…,fN 1,fN 2,…fN L}。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤五中分类器的构建,使用支持向量机。
其他步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例比较了基于波原子变换的个体特征提取方法与基于双谱的个体特征提取方法下,辐射源个体的识别性能,具体的按照以下步骤进行:
步骤一、仿真产生多个不同辐射源个体所产生的的脉冲信号,并在脉冲信号中加入不同信噪比的噪声;
步骤二、利用本发明的基于波原子变换的辐射源个体特征提取技术对步骤一中的辐射源脉冲信号进行个体特征提取,得到个辐射源的一系列特征向量;
步骤三、将步骤二中所得特征向量,一部分用于分类器的训练,另一部分用于识别测试,最终得到不同信噪比下的识别正确率;
步骤四、将步骤三种所得的识别率与基于双谱个体特征提取方法下所得的识别率进行对比,分析本发明的优势之处;
在本发明的基于波原子变换的辐射源个体特征提取技术框架下,辐射源个体识别性能有了较大的提升,结果如图4所示。图中基于双谱个体辐射源个体特征提取方法,与本发明相比,波原子个体特征在各信噪比下辐射源个体的识别率均有较大幅度的提升,平均提升10%以上。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述方法具体过程为:
步骤一、接收机接收辐射源脉冲信号,并将辐射源脉冲信号进行分段;
步骤二、对第i段短时信号段Si(t)进行波原子变换,得到第i段短时信号段的波原子系数矩阵{Dj m,n}i,其中j表示尺度,m表示方向,n表示位置;
步骤三、利用信息熵对短时信号段Si(t)的波原子系数矩阵{Dj m,n}i中每个尺度j和每个方向m下的分量进行二次整合,得到Hj m,按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;
步骤四、重复步骤二至三,对N段短时信号段{Si(t)},i=1,2,…N进行基于波原子变换的特征提取,得到{Fi},i=1,2,…N,将特征Fi依次排列即得到辐射源脉冲信号的个体特征向量F;
步骤五、构建分类器,并将步骤四中得到的个体特征向量F输入分类器,完成辐射源个体的识别。
2.根据权利要求1所述一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述步骤一中接收机接收辐射源脉冲信号,并将辐射源脉冲信号进行分段;具体过程为:
使用固定窗长的滑动窗函数w(t)对接收机接收的辐射源脉冲信号进行分段处理,获取得到一系列短时信号段{Si(t)},i=1,2,…N,其中N为分段后短时信号的段数,Si(t)为分段后的第i段短时信号段,具体过程为:
Si(t)=S(t)·w(t)
其中,S(t)为接收机接收辐射源脉冲信号,共有T个数据点,t为时间,·为乘法。
4.根据权利要求3所述一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述步骤二中对第i段短时信号段Si(t)进行波原子变换,得到第i段短时信号段的波原子系数矩阵{Dj m,n}i,其中j表示尺度,m表示方向,n表示位置,具体过程为:
步骤二二、对短时信号段Si(t)做傅里叶变换,得到其频谱Si(ω),具体过程为:
步骤二五、将j和m从初值逐渐递增,当j≥2时m的取值区间为[2j-1+1,2j+1+1],重复步骤二二至步骤二四,直至j和m达到最大值,并将波原子系数按照j和m进行排列,即获得短时信号段Si(t)的波原子系数矩阵{Dj m,n}i。
5.根据权利要求4所述一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述步骤三中利用信息熵对短时信号段Si(t)的波原子系数矩阵{Dj m,n}i中每个尺度j和每个方向m下的分量进行二次整合,得到Hj m,按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi;具体过程为:
其中,M为波原子系数矩阵{Dj m,n}i中(j,m)下系数的个数,pj m,n为每个系数对应的概率值
其中,xj m,n为波原子系数矩阵{Dj m,n}i中(j,m)下的系数;
按j=1,m从大到小,j=2,m从大到小,直到j达到最大值,m从大到小的顺序对Hj m依次排列,最终得到信号段Si(t)对应的特征Fi。
6.根据权利要求5所述一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述步骤四中将各段信号所得特征Fi依次排列即可得到辐射源脉冲信号的个体特征向量F;具体过程为:
步骤四一、经波原子变换以及信息熵的二次整合之后,能够得到一个特征矩阵
其中,每一行为一段短时信号段所得的特征,L为各段短时信号段所得特征的维数,N为分段后短时信号段的段数;f1 L为第1段短时信号段所得特征的第L个元素,fN L为第N段短时信号段所得特征的第L个元素;
步骤四二、将该特征矩阵,按照行进行拼接,则最终得到整个辐射源脉冲信号的个体特征向量F={f1 1,f1 2,…f1 L,f2 1,f2 2,…f2 L,…,fN 1,fN 2,…fN L}。
7.根据权利要求6所述一种基于波原子变换的辐射源个体特征提取方法,其特征在于:所述步骤五中分类器的构建,使用支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438295.6A CN111695444B (zh) | 2020-05-21 | 2020-05-21 | 一种基于波原子变换的辐射源个体特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438295.6A CN111695444B (zh) | 2020-05-21 | 2020-05-21 | 一种基于波原子变换的辐射源个体特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695444A true CN111695444A (zh) | 2020-09-22 |
CN111695444B CN111695444B (zh) | 2023-06-23 |
Family
ID=72477144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438295.6A Active CN111695444B (zh) | 2020-05-21 | 2020-05-21 | 一种基于波原子变换的辐射源个体特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695444B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
CN116881699A (zh) * | 2023-07-17 | 2023-10-13 | 中国船舶集团有限公司第七二三研究所 | 一种辐射源个体长时重频特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN104809447A (zh) * | 2015-05-08 | 2015-07-29 | 上海电机学院 | 一种辐射源个体特征提取方法 |
CN108108712A (zh) * | 2017-12-29 | 2018-06-01 | 哈尔滨工业大学 | 一种基于方差维数的辐射源指纹特征提取方法 |
CN108268837A (zh) * | 2017-12-31 | 2018-07-10 | 厦门大学 | 基于小波熵和混沌特性的辐射源指纹特征提取方法 |
CN109886116A (zh) * | 2019-01-21 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 基于ads-b的辐射源个体识别方法及装置 |
CN110135390A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工业大学 | 基于主信号抑制的辐射源个体识别方法 |
-
2020
- 2020-05-21 CN CN202010438295.6A patent/CN111695444B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809447A (zh) * | 2015-05-08 | 2015-07-29 | 上海电机学院 | 一种辐射源个体特征提取方法 |
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN108108712A (zh) * | 2017-12-29 | 2018-06-01 | 哈尔滨工业大学 | 一种基于方差维数的辐射源指纹特征提取方法 |
CN108268837A (zh) * | 2017-12-31 | 2018-07-10 | 厦门大学 | 基于小波熵和混沌特性的辐射源指纹特征提取方法 |
CN109886116A (zh) * | 2019-01-21 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 基于ads-b的辐射源个体识别方法及装置 |
CN110135390A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工业大学 | 基于主信号抑制的辐射源个体识别方法 |
Non-Patent Citations (4)
Title |
---|
WU ,LW ET.AL: "《基于波原子变换的三维地震信号盲去噪》" * |
WU,LW ET.AL: "《Specific Emitter Identification Using IMF-DNA with a Joint Feature Selection Algorithm》" * |
刘征: "《基于小波包变换的辐射源信号识别》" * |
朱斌: "《雷达辐射源信号特征提取与评价方法研究》" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
CN116881699A (zh) * | 2023-07-17 | 2023-10-13 | 中国船舶集团有限公司第七二三研究所 | 一种辐射源个体长时重频特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111695444B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | A compressed sensing approach to blind separation of speech mixture based on a two-layer sparsity model | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN108549078B (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN111695444A (zh) | 一种基于波原子变换的辐射源个体特征提取方法 | |
Feng et al. | Compressive sensing via nonlocal low-rank tensor regularization | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
Feichtinger et al. | Approximate dual Gabor atoms via the adjoint lattice method | |
Liu et al. | MRI reconstruction via enhanced group sparsity and nonconvex regularization | |
CN110135390B (zh) | 基于主信号抑制的辐射源个体识别方法 | |
CN113238193A (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
CN109586728B (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
Li et al. | Blind separation and extraction of binary sources | |
CN109525215A (zh) | 一种采用峭度谱确定子频带边界的经验小波变换方法 | |
CN113095113B (zh) | 一种用于水下目标识别的小波线谱特征提取方法及系统 | |
CN110147848B (zh) | 一种基于时变滤波理论的辐射源个体特征增强方法 | |
CN117037824A (zh) | 一种声学场景分类的数据增强方法及系统 | |
Yu et al. | SAR image super-resolution base on weighted dense connected convolutional network | |
CN116389198A (zh) | 一种基于指数滤波器的多目标时延稀疏重构估计方法 | |
Zhang et al. | Research on signal denoising method based on adaptive lifting wavelet transform | |
CN115169406A (zh) | 基于经验模态分解的瞬时相位指纹特征增强方法 | |
CN108093266A (zh) | 利用组归一化稀疏表示的图像压缩感知重构系统及其方法 | |
Bian et al. | CSDL‐Net: An iterative network based on compressed sensing and deep learning | |
CN108280470B (zh) | 离散小波域copula模型图像分类方法 | |
US20060245667A1 (en) | 1-D image restoration using a sliding window method | |
CN112054803A (zh) | 一种基于压缩感知的通信信号的分选方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wu Longwen Inventor after: Zhao Yaqin Inventor after: Feng Mengfei Inventor after: Du Ruofei Inventor after: Ren Guanghui Inventor before: Zhao Yaqin Inventor before: Feng Mengfei Inventor before: Wu Longwen Inventor before: Du Ruofei Inventor before: Ren Guanghui |
|
GR01 | Patent grant | ||
GR01 | Patent grant |