CN111898531B - 卫星通信信号识别方法、装置及电子设备 - Google Patents
卫星通信信号识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111898531B CN111898531B CN202010749228.6A CN202010749228A CN111898531B CN 111898531 B CN111898531 B CN 111898531B CN 202010749228 A CN202010749228 A CN 202010749228A CN 111898531 B CN111898531 B CN 111898531B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- frequency
- resolution
- time domain
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004891 communication Methods 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000008034 disappearance Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 36
- 238000003860 storage Methods 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000005260 corrosion Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008407 joint function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种卫星通信信号识别方法、装置及电子设备。所述方法包括:获取待识别的卫星通信信号的时域信号;对时域信号进行线性时频表示,得到低分辨率时频灰度图并进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;将有信号的低分辨率时频灰度图对应的时域信号进行二次型时频表示,得到高分辨率时频灰度图并进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果。本申请的卫星通信信号识别过程不需要人工过多参与,即使当需要处理的信号较多较长时,也能保证较高的处理效率和正确率,能够满足某些实时性和准确性要求较高的应用场景的需求。
Description
技术领域
本申请涉及信号识别技术领域,具体涉及一种卫星通信信号识别方法、装置及电子设备。
背景技术
当前,对非合作卫星通信信号的处理在民用和军用方面越来越受到重视,信号处理主要包括信号检测、参数估计、调制样式识别及协议分析等。其中,信号检测是关键的第一步,是一系列后续信号处理的基础。一般的卫星通信信号的检测过程是利用时域或频域检测算法处理接收的数据,并转换为频谱图、瀑布图等可视化载体,由信号处理人员分析信号时频特征并检测感兴趣的信号。
然而发明人发现,上述这种卫星通信信号的检测过程需要处理人员具有较高的专业水平,但是当需处理信号较多较长时,人工处理效率和正确率也随之下降,无法满足某些实时性和准确性要求较高的应用场景的需求。
发明内容
本申请提供了一种卫星通信信号识别方法、装置及电子设备,以解决或部分解决上述问题。
依据本申请的第一方面,提供了一种卫星通信信号识别方法,包括:
获取待识别的卫星通信信号的时域信号;
对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图;
对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
将有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图;
对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到。
依据本申请的第二方面,提供了一种卫星通信信号识别装置,包括:
时域信号获取单元,用于获取待识别的卫星通信信号的时域信号;
信号有无检测单元,用于对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图,对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
信号样式识别单元,用于将存在信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图,对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到。
依据本申请的第三方面,提供了一种电子设备,包括:存储计算机可执行指令的存储器以及处理器,
所述可执行指令在被所述处理器执行时,实现前述卫星通信信号识别方法。
依据本申请的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现前述的卫星通信信号识别方法。
本申请的有益效果是:本申请的卫星通信信号识别方法包括信号检测和信号识别两个方面,第一方面,对卫星通信信号的时域信号先进行线性时频表示,得到对应的低分辨率时频灰度图,再对低分辨率时频灰度图进行预处理后,输入预先训练好的信号检测模型进行信号有无的检测,得到信号有无的检测结果;第二方面,将信号检测模型检测到的存在信号的低分辨率时频灰度图所对应的时域信号先进行二次型时频表示,得到对应的高分辨率时频灰度图,再对高分辨率时频灰度图进行预处理后,输入预先训练好的信号识别模型进行信号样式的识别,得到信号样式的识别结果。本申请实施例的整个卫星通信信号识别过程不需要人工过多参与或干预,即使当需要处理的信号较多较长时,也能保证较高的处理效率和正确率,能够满足某些实时性和准确性要求较高的应用场景的需求。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请一个实施例的卫星通信信号识别方法的流程图;
图2为本申请一个实施例的卫星通信信号的时域信号示意图;
图3为本申请一个实施例的有信号的信号时频灰度图;
图4为本申请一个实施例的信号有无的信号标签及待训练检测矩阵示意图;
图5为本申请一个实施例的信号样式的信号标签及待训练识别矩阵示意图;
图6为本申请一个实施例的径向基神经网络模型训练过程示意图;
图7为本申请一个实施例的时域信号分段示意图;
图8为本申请一个实施例的线性时频表示示意图;
图9为本申请一个实施例的二次型时频表示示意图;
图10为本申请一个实施例的线性时频灰度图的图像增强效果示意图;
图11为本申请一个实施例的二次型时频灰度图的图像增强效果示意图;
图12为本申请一个实施例的时频表示二值图;
图13为本申请一个实施例的形态学滤波后的时频表示二值图;
图14为本申请一个实施例的利用Hough变换提取直线的结果示意图;
图15为本申请一个实施例的卫星通信信号检测与识别的整体流程图;
图16为本申请一个实施例的卫星通信信号识别装置的框图;
图17为本申请一个实施例中电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
基于此,图1示出了根据本申请一个实施例的卫星通信信号识别方法的流程示意图,参见图1,本申请实施例的卫星通信信号识别方法包括如下步骤S110至步骤S150:
步骤S110,获取待识别的卫星通信信号的时域信号。
首先获取待识别的卫星通信信号的时域信号。对于时域信号的获取方式本领域技术人员可根据实际情况灵活选择,例如按照一定采样频率采集设定信号大小和设定信号时长的信号,作为待识别的卫星通信信号的时域信号。如图2所示,给出了一种卫星通信信号的时域信号示意图,该时域信号大小为429312点,采样率为96000Hz,信号时长为4.472s。
步骤S120,对时域信号进行线性时频表示,得到对应的低分辨率时频灰度图。
在得到待识别的卫星通信信号的时域信号后,可以对时域信号进行时频表示,即使用联合时间与频率的函数对时域信号进行转换,描述信号在不同时间和频率的能量密度与强度,形成时频灰度图。常用的时间与频率联合函数可分为线性与二次型(双线性)两种,相应的时频表示可分为线性时频表示与二次型时频表示。
二次型时频表示相比较于线性时频表示,得到的时频灰度图的质量会更高,由于在信号检测阶段,主要的目的是进行信号有无的检测,因此对于图像质量的要求相对不高,采用线性时频表示得到的低分辨率时频灰度图已经能够满足信号检测精度的要求,因此本申请实施例中是先将时域信号进行线性时频表示,得到对应的低分辨率时频灰度图,作为后续信号检测的基础。
步骤S130,对低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果。
在得到低分辨率时频灰度图后,为了保证后续信号检测的精度,这里可以对低分辨率时频灰度图进行一系列的预处理操作,以在一定程度上提高图像质量,之后将预处理后的低分辨率时频灰度图输入预先训练好的信号检测模型中进行信号检测,得到信号有无的检测结果。
例如,对于前述时域信号大小为429312点,采样率为96000Hz,信号时长为4.472s的采样条件,可以得到52幅时频灰度图,对其进行图像预处理后输入到本申请实施例预先训练好的信号检测模型中,可得到17幅时频灰度图中存在信号的信号检测结果,对应的时频灰度图如图3所示。
步骤S140,将有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图。
如果信号检测模型检测出该低分辨率时频灰度图中存在信号,则可以进一步地进行信号识别步骤。这里为了提高信号识别精度,可以先将上述检测出的有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图。
步骤S150,对高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果。
同样为了保证后续信号识别的精度,这里也可以对高分辨率时频灰度图进行一系列的预处理操作,以在一定程度上提高图像质量,最后将预处理后的高分辨率时频灰度图输入预先训练好的信号识别模型中进行信号检测,得到信号样式的识别结果。
例如,根据上述信号检测结果,对存在信号的17幅时频灰度图所对应的时域信号采用二次型时频表示,得到17幅高分辨率时频灰度图,对其进行图像预处理后输入到预先训练好的信号识别模型中,根据信号识别模型输出可得信号样式A共出现7次,信号样式B共出现7次,信号样式C共出现3次。
需要说明的是,上述的信号检测模型和信号识别模型通过分别训练得到。
在本申请的一个实施例中,信号检测模型通过如下方法训练得到:获取多个卫星通信信号的时域信号,对多个时域信号进行线性时频表示,得到多个低分辨率时频灰度图;对多个低分辨率时频灰度图标记信号有无的信号标签;对带有信号标签的多个低分辨率时频灰度图进行预处理,得到待训练检测矩阵;将待训练检测矩阵输入径向基神经网络,对径向基神经网络进行输出信号标签的训练,得到信号检测模型。
对于信号检测模型的训练,可以先获取多个卫星通信信号的时域信号,对这些时域信号进行线性时频表示,得到多个低分辨率时频灰度图,然后对这些低分辨率时频灰度图标记信号有无标签,例如有信号标记为1,无信号标记为0。
为了提高信号检测模型的检测性能,可以将上述带有信号标签的多个低分辨率时频灰度图进行预处理,得到待训练检测矩阵,再将待训练检测矩阵输入到径向基神经网络中,进行输出信号标签的训练。如图4所示,提供了一种信号有无的信号标签及待训练检测矩阵的示意图,通过训练损失值不断更新模型参数得到最终的信号检测模型。
在本申请的一个实施例中,信号识别模型通过如下方法训练得到:获取多个卫星通信信号的时域信号,对多个时域信号进行二次型时频表示,得到多个高分辨率时频灰度图;对多个高分辨率时频灰度图标记信号样式的信号标签;对带有信号标签的多个高分辨率时频灰度图进行预处理,得到待训练识别矩阵;将待训练识别矩阵输入径向基神经网络,对径向基神经网络进行输出信号标签的训练,得到信号识别模型。
对于信号识别模型的训练,同样可以先获取多个卫星通信信号的时域信号,对这些时域信号进行线性时频表示,得到多个高分辨率时频灰度图,然后对这些高分辨率时频灰度图标记信号样式标签,例如信号样式A标记为2,信号样式B标记为4、信号样式C标记为6。
为了提高信号识别模型的识别性能,可以将上述带有信号标签的多个高分辨率时频灰度图进行预处理,得到待训练识别矩阵,再将待训练识别矩阵输入到径向基神经网络中,进行输出信号标签的训练。如图5所示,提供了一种信号样式的信号标签及待训练识别矩阵的示意图,通过训练损失值不断更新模型参数得到最终的信号识别模型。
上述基于信号时频图的特征来对信号进行检测与识别属于模式识别问题,即有无信号出现,出现的是哪一类信号,而基于人工神经网络模型的黑箱方法在模式识别中具有广泛的应用,它通过网络训练来学习和存储大量的输入-输出模式,而不需要通过数学关系式来建立,适用于高度非线性对象。比较经典的人工神经网络如BP(Back Propagation,反向传播)神经网络对网络节点权值进行调整时采用的负梯度下降法,然而该方法进行网络训练时收敛速度慢且易遇到“局部极小点”。因此,本申请实施例对于信号检测模型和信号识别模型的训练采用了另一种改进方法,即径向基神经网络(Radial Basis Function,简称RBF),它具有最佳逼近且避免“局部极小点”的特点,其网络模型建立及训练过程如图6所示。需要说明的是,具体实施时采用哪种神经网络来训练模型,本领域技术人员可根据实际需求灵活选择,在此不一一列举。
由图6可以看出,径向基神经网络由输入层,隐含层,输出层组成。输入节点为xi(i=1:m),m取值由网络训练数据矩阵大小决定;输出节点为yi(i=1:n),n取值由待识别的信号数量决定;隐含层节点(RBF节点)数q由输入输出节点数决定。
在RBF网络中,输入层到隐含层为非线性关系,即隐含层节点激活函数为非线性函数,这里取激活函数为高斯型,即:
其中,x为各输入节点向量组成的输入数据,ci为与x同维数的矩阵,表示第i个隐含层节点高斯函数的中心矩,σi是第i个隐含节点的标准化常数。
隐含层到输出层为线性关系,即:
其中,wij表示第j个隐含层节点到第i个输出层节点的权值,θ为隐含层的阈值。RBF网络的训练就是确定上述网络模型参数的过程,包括参数c、σ、w、θ。
在本申请的一个实施例中,对卫星通信信号的时域信号进行线性时频表示包括:根据快速傅里叶变换对卫星通信信号的时域信号进行分段并计算功率谱密度,得到时域信号的线性时频表示;对卫星通信信号的时域信号进行二次型时频表示包括:利用平滑伪韦格纳分布函数对卫星通信信号的时域信号进行处理,得到时域信号的二次型时频表示。
具体实施时,本申请实施例的线性时频表示是以快速傅里叶变换(Fast Fouriertransform,简称FFT)为基础,对时域信号进行分段并计算功率谱密度来实现。如图7所示,提供了一种时域信号分段示意图,其中以128点数据为基本单元计算其功率谱密度,同时为降低功率谱密度计算的协方差,相邻数据单元存在重叠,这里可以取重叠数据点数为64,计算功率谱密度可以采用Welch平均修正周期图法,其采用信号重叠分段、加窗函数和FFT等算法来估计信号序列的功率谱密度。
举例说明,设第n个基本时域数据单元是xn(t),将其分为8段,段与段之间重叠50%,则第i个数据段经过加窗后可以表示为:
其中,a(t)为所加窗函数,常用的如海明窗。
则该数据段的周期图为:
其中,M为数据段长度,U为归一化因子,ω为对应的频率点
由此可得第n个基本时域数据单元的平均周期图为:
其中,大小由采样频率fs及FFT点数决定,这里取fs=96000Hz,FFT点数为256,得到/>大小为128×1,同时取n=128个基本时域数据单元(实际时域信号数据点数为8256)为一帧(由128个128×1列向量组成),则得到二维时频矩阵大小为128×128。以某一段卫星通信下行信号为例,得到其线性时频表示如图8所示。
上述方法为线性时频表示,为了提高时频灰度图像的质量,还可以采用二次型时频表示,利用韦格纳分布函数(Wigner-Ville分布,一种典型的二次型变换方法)来产生二次型时频分布图。信号xn(t)的Wigner-Ville分布表示为:
为抑制不同信号分量之间的交叉影响,这里可以使用平滑伪Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution,简称SPWD),其表达式为:
其中,g(u)和h(τ)为窗函数。
与线性时频表示相同,取时域信号数据点数为8256,用平滑伪Wigner-Ville分布得到的时域信号的二次型时频表示如图9所示。
对比图8与图9可知,采用线性时频表示得到的时频图分辨率相对较低,而采用二次型时频表示可得到极高分辨率的时频图,但是采用二次型时频表示的算法计算量较大并不适合对信号的实时检测,而采用线性时频表示的算法计算量小但因分辨率低导致信号时频特征不够显著难以进行信号样式识别。因此,本申请实施例通过结合不同时频表示方法的优点,可实现对信号的实时检测与准确识别。
在本申请的一个实施例中,预处理包括时频灰度图增强、阈值分割以及形态学滤波中的至少一种或多种。
本申请实施例中对于时频灰度图像的预处理主要包括时频灰度图增强、阈值分割、形态学滤波等。其中灰度增强可使图像对比度得到扩展,进而使图像清晰、特征明显。灰度增强是对像素点灰度值进行某种变换来实现的,常用的变换有线性和非线性变换。本申请实施例可以采用一种基于阈值的线性变换,其变换公式为:
其中,f(xi,yj)为原灰度图像某点灰度值,g(xi,yj)是变换后的灰度图像某点灰度值,k1、k2为变换系数,th1为变换阈值。阈值th1的取值为灰度图像平均灰度值,即
其中,n、m表示灰度图像矩阵维数。
将线性时频表示和二次型时频表示得到的时频灰度图通过自适应滤波进行图像增强。如图10所示,其中图10(a)为进行图像增强之前的线性时频灰度图,图10(b)为进行图像增强之后的线性时频灰度图,如图11所示,其中图11(a)为进行图像增强之前的二次型时频灰度图,图11(b)为进行图像增强之后的二次型时频灰度图。从图10和图11中可以看出,图像增强之后的时频灰度图的对比度得到扩展,图像更加清晰且特征更加明显,为后续神经网络模型的训练、优化以及应用提供较好的数据来源。
图像预处理中阈值分割是一种图像区域分割方法,对于时频灰度图进行阈值分割的目的就是凸显出存在信号的区域。阈值分割就是根据像素点灰度值确定一个阈值,然后将像素点划分为不同集合,并对属于同一集合像素点灰度值进行重新赋值。在时频灰度图中,将像素点划分为目标信号(灰度值赋值为1)与背景噪声(灰度值赋值为0)两部分,即通过阈值分割实现时频灰度图二值化。阈值确定的方法可分为两类:全局阈值法,局部阈值法。全局阈值法运算简单,适用于目标与背景区分较明显的图像;局部阈值法将图像先划分为若干子图像,利用像素点的邻域信息来确定该点的阈值,能适应图像较复杂的情况但运算较复杂。本申请实施例这里可以采用全局阈值法得到时频二值图,如图12所示,其中图12(a)为线性时频表示二值图,图12(b)为二次型时频表示二值图。
由图12可知,采用全局阈值法得到的时频表示二值图存在明显的小目标点(噪声点),这里可以采用形态学滤波方法对其进行消除。形态学滤波方法采用设计的结构元素(相当于窗函数)对图像进行操作,以达到信号检测、噪声消除的目的。常用的形态学滤波操作有腐蚀和膨胀,将其进行组合得到开运算(先腐蚀再膨胀,可清除图像边缘毛刺及孤立点)和闭运算(先膨胀再腐蚀,可填补图像的漏洞和裂缝)。本申请实施例运用开运算得到的时频二值图如图13所示,其中图13(a)为形态学滤波后的线性时频表示二值图,图13(b)为形态学滤波后的二次型时频表示二值图。
需要说明的是,上述列举的几种图像预处理方法可以根据实际情况灵活选择,例如,对于图像质量较差的时频灰度图可以依次进行图像增强、阈值分割和形态学滤波处理,而对于图像质量较高的时频灰度图可以选择性地只进行形态学滤波处理等等。当然预处理的方法也不限于上述列举的几种,本领域技术人员可根据实际需求选择其他方式的预处理操作,在此不一一列举。
在本申请的一个实施例中,该方法还包括:对确定信号样式的高分辨率时频灰度图,利用霍夫变换对高分辨率时频灰度图进行直线提取;计算直线的起始点坐标和终止点坐标,得到对应的信号出现时间和信号消失时间以及信号频率信息,作为信号特征参数信息。
在得到确定信号样式的高分辨率时频灰度图后,可以利用霍夫变换(Hough变换)提取直线并计算直线起始点坐标和终止点坐标,它对应于信号出现时间、信号消失时间以及信号频率信息,可以作为信号特征参数信息。Hough变换原理是图像中任意直线对应于Hough变换空间中的一点,因此寻找Hough变换空间中的峰值点,即对应于图像中的一条直线,同时可反推该直线起始点坐标和终止点坐标。如图14所示,提供了一种利用Hough变换提取直线的结果示意图,其中图14(a)为原高分辨率时频灰度图,图14(b)为提取直线后的高分辨率时频灰度图。
例如,对于前述信号识别模型识别出的17幅高分辨率时频灰度图,识别结果为信号样式A共出现7次,信号样式B共出现7次,信号样式C共出现3次,通过利用霍夫变换对各幅高分辨率时频灰度图进行直线提取,可以得到如下表1的信号特征参数表,其中L1~L4表示时频图中检测到的直线起始点/终止点坐标;[t1,t2]表示该信号在原始时域数据中出现/消失时间点估计值;f0~f3表示该信号中心频率估计值。
表1
如图15所示,提供了一种卫星通信信号检测与识别的整体流程图,该流程主要分为两个方面:
第一方面是信号检测模型和信号识别模型的训练。先采集已知信号样式的时域信号,分别进行线性时频表示和二次型时频表示,得到对应的低分辨率时频灰度图和高分辨率时频灰度图,然后对低分辨率时频灰度图和高分辨率时频灰度图分别进行图像预处理,进行的图像预处理包括时频灰度图像增强、阈值分值以及形态学滤波等,之后将预处理后的低分辨率时频灰度图输入构建好的径向基神经网络中进行训练,得到信号检测模型,将预处理后的高分辨率时频灰度图输入构建好的径向基神经网络中进行训练,得到信号识别模型,进而完成整个模型训练阶段。
第二方面是利用训练好的信号检测模型和信号识别模型进行信号检测与识别。进行信号检测时,对待识别的卫星通信信号的时域信号先进行线性时频表示,得到对应的低分辨率时频灰度图,然后对低分辨率时频灰度图进行上述图像预处理操作,之后将预处理后的低分辨率时频灰度图输入上述训练好的信号检测模型进行检测,得到信号有无的检测结果。进行信号识别时,将检测到有信号的时频灰度图所对应的时域信号先进行二次型时频表示,得到对应的高分辨率时频灰度图,然后对高分辨率时频灰度图进行上述图像预处理操作,之后将预处理后的高分辨率时频灰度图输入上述训练好的信号识别模型进行识别,得到信号样式的识别结果,进而完成整个信号检测与识别流程。
与前述卫星通信信号识别方法同属于一个技术构思,本申请实施例还提供了卫星通信信号识别装置。图16示出了本申请一个实施例的卫星通信信号识别装置的框图,参见图16,卫星通信信号识别装置1600包括:时域信号获取单元1610、信号有无检测单元1620以及信号样式识别单元1630。其中,
时域信号获取单元1610,用于获取待识别的卫星通信信号的时域信号;
信号有无检测单元1620,用于对时域信号进行线性时频表示,得到对应的低分辨率时频灰度图,对低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
信号样式识别单元1630,用于将存在信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图,对高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,信号检测模型和信号识别模型通过训练得到。
在本申请的一个实施例中,信号检测模型通过如下方法训练得到:获取多个卫星通信信号的时域信号,对多个时域信号进行线性时频表示,得到多个低分辨率时频灰度图,其中多个低分辨率时频灰度图已标记信号有无的信号标签;对带有信号标签的多个低分辨率时频灰度图进行预处理,得到待训练检测矩阵;将待训练检测矩阵输入径向基神经网络,对径向基神经网络进行输出信号标签的训练,得到信号检测模型。
在本申请的一个实施例中,信号识别模型通过如下方法训练得到:获取多个卫星通信信号的时域信号,对多个时域信号进行二次型时频表示,得到多个高分辨率时频灰度图,其中多个高分辨率时频灰度图已标记信号样式的信号标签;对带有信号标签的多个高分辨率时频灰度图进行预处理,得到待训练识别矩阵;将待训练识别矩阵输入径向基神经网络,对径向基神经网络进行输出信号标签的训练,得到信号识别模型。
在本申请的一个实施例中,信号有无检测单元具体用于:根据快速傅里叶变换对卫星通信信号的时域信号进行分段并计算功率谱密度,得到时域信号的线性时频表示;信号样式识别单元具体用于:利用平滑伪韦格纳分布函数对卫星通信信号的时域信号进行处理,得到时域信号的二次型时频表示。
在本申请的一个实施例中,预处理包括时频灰度图增强、阈值分割以及形态学滤波中的至少一种或多种。
在本申请的一个实施例中,装置还包括:信号特征参数计算单元,用于对确定信号样式的高分辨率时频灰度图,利用霍夫变换对高分辨率时频灰度图进行直线提取,以及计算直线的起始点坐标和终止点坐标,得到对应的信号出现时间和信号消失时间以及信号频率信息,作为信号特征参数信息。
需要说明的是:
图17示意了电子设备的结构示意图。请参考图17,在硬件层面,该电子设备包括存储器和处理器,可选地还包括接口模块、通信模块等。存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、接口模块、通信模块和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图17中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放计算机可执行指令。存储器通过内部总线向处理器提供计算机可执行指令。
处理器,执行存储器所存放的计算机可执行指令,并具体用于实现以下操作:
获取待识别的卫星通信信号的时域信号;
对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图;
对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
将有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图;
对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到。
上述如本申请图16所示实施例揭示的卫星通信信号识别装置执行的功能可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中卫星通信信号识别方法的步骤,并实现卫星通信信号识别方法在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序当被处理器执行时,实现前述的卫星通信信号识别方法,并具体用于执行:
获取待识别的卫星通信信号的时域信号;
对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图;
对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
将有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图;
对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其特征在于包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种卫星通信信号识别方法,其特征在于,包括:
获取待识别的卫星通信信号的时域信号;
对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图;
对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
将有信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图;
对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到;
所述信号检测模型通过如下方法训练得到:
获取多个卫星通信信号的时域信号,对多个所述时域信号进行线性时频表示,得到多个低分辨率时频灰度图;
对多个所述低分辨率时频灰度图标记信号有无的信号标签;
对带有信号标签的多个所述低分辨率时频灰度图进行预处理,得到待训练检测矩阵;
将所述待训练检测矩阵输入径向基神经网络,对所述径向基神经网络进行输出信号标签的训练,得到所述信号检测模型;
所述信号识别模型通过如下方法训练得到:
获取多个卫星通信信号的时域信号,对多个所述时域信号进行二次型时频表示,得到多个高分辨率时频灰度图;
对多个所述高分辨率时频灰度图标记信号样式的信号标签;
对带有信号标签的多个所述高分辨率时频灰度图进行预处理,得到待训练识别矩阵;
将所述待训练识别矩阵输入径向基神经网络,对所述径向基神经网络进行输出信号标签的训练,得到所述信号识别模型。
2.根据权利要求1所述的方法,其特征在于,
对卫星通信信号的时域信号进行线性时频表示包括:
根据快速傅里叶变换对所述卫星通信信号的时域信号进行分段并计算功率谱密度,得到所述时域信号的线性时频表示;
对卫星通信信号的时域信号进行二次型时频表示包括:
利用平滑伪韦格纳分布函数对所述卫星通信信号的时域信号进行处理,得到所述时域信号的二次型时频表示。
3.根据权利要求1所述的方法,其特征在于,所述预处理包括时频灰度图增强、阈值分割以及形态学滤波中的至少一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对确定信号样式的高分辨率时频灰度图,利用霍夫变换对所述高分辨率时频灰度图进行直线提取;
计算所述直线的起始点坐标和终止点坐标,得到对应的信号出现时间和信号消失时间以及信号频率信息,作为信号特征参数信息。
5.一种卫星通信信号识别装置,其特征在于,包括:
时域信号获取单元,用于获取待识别的卫星通信信号的时域信号;
信号有无检测单元,用于对所述时域信号进行线性时频表示,得到对应的低分辨率时频灰度图,对所述低分辨率时频灰度图进行预处理,将预处理后的低分辨率时频灰度图输入信号检测模型进行信号检测,得到信号有无的检测结果;
信号样式识别单元,用于将存在信号的低分辨率时频灰度图所对应的时域信号进行二次型时频表示,得到对应的高分辨率时频灰度图,对所述高分辨率时频灰度图进行预处理,将预处理后的高分辨率时频灰度图输入信号识别模型进行信号识别,得到信号样式的识别结果;
其中,所述信号检测模型和所述信号识别模型通过训练得到;
所述信号检测模型通过如下方法训练得到:
获取多个卫星通信信号的时域信号,对多个所述时域信号进行线性时频表示,得到多个低分辨率时频灰度图;
对多个所述低分辨率时频灰度图标记信号有无的信号标签;
对带有信号标签的多个所述低分辨率时频灰度图进行预处理,得到待训练检测矩阵;
将所述待训练检测矩阵输入径向基神经网络,对所述径向基神经网络进行输出信号标签的训练,得到所述信号检测模型;
所述信号识别模型通过如下方法训练得到:
获取多个卫星通信信号的时域信号,对多个所述时域信号进行二次型时频表示,得到多个高分辨率时频灰度图;
对多个所述高分辨率时频灰度图标记信号样式的信号标签;
对带有信号标签的多个所述高分辨率时频灰度图进行预处理,得到待训练识别矩阵;
将所述待训练识别矩阵输入径向基神经网络,对所述径向基神经网络进行输出信号标签的训练,得到所述信号识别模型。
6.一种电子设备,其特征在于,包括:存储计算机可执行指令的存储器以及处理器,
所述可执行指令在被所述处理器执行时,实现所述权利要求1至4之任一所述卫星通信信号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010749228.6A CN111898531B (zh) | 2020-07-30 | 2020-07-30 | 卫星通信信号识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010749228.6A CN111898531B (zh) | 2020-07-30 | 2020-07-30 | 卫星通信信号识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898531A CN111898531A (zh) | 2020-11-06 |
CN111898531B true CN111898531B (zh) | 2024-03-26 |
Family
ID=73183771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010749228.6A Active CN111898531B (zh) | 2020-07-30 | 2020-07-30 | 卫星通信信号识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705363B (zh) * | 2021-08-06 | 2024-06-21 | 成都德辰博睿科技有限公司 | 一种特定卫星上行信号的识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693546A (zh) * | 2011-03-23 | 2012-09-26 | 苏州大学 | 一种信号时频特征图像生成方法及装置 |
CN106778610A (zh) * | 2016-12-16 | 2017-05-31 | 哈尔滨工程大学 | 一种基于时频图像特征的脉内调制识别方法 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110889843A (zh) * | 2019-11-29 | 2020-03-17 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10684350B2 (en) * | 2000-06-02 | 2020-06-16 | Tracbeam Llc | Services and applications for a communications network |
US10649080B2 (en) * | 2017-08-08 | 2020-05-12 | The United States Of America As Represented By The Secretary Of The Army | Passive non-linear synthetic aperture radar and method thereof |
-
2020
- 2020-07-30 CN CN202010749228.6A patent/CN111898531B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693546A (zh) * | 2011-03-23 | 2012-09-26 | 苏州大学 | 一种信号时频特征图像生成方法及装置 |
CN106778610A (zh) * | 2016-12-16 | 2017-05-31 | 哈尔滨工程大学 | 一种基于时频图像特征的脉内调制识别方法 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110889843A (zh) * | 2019-11-29 | 2020-03-17 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
Non-Patent Citations (2)
Title |
---|
"Signal Processing Enhancements to Improve Instantaneous Accuracy of a Scanning Bolometer: Application to MERBE";Grant Matthews;《IEEE Transactions on Geoscience and Remote Sensing》;第56卷(第6期);第3421-3431页 * |
"智能信号分类方法研究";李小平;《中国博士学位论文全文数据库 信息科技辑》(2005年第02期);第I136-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898531A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446378B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN110796154B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
EP2919162A1 (en) | Image processing apparatus and image processing method | |
WO2020024585A1 (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN107274401A (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN111652218A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
WO2020077940A1 (en) | Method and device for automatic identification of labels of image | |
CN109242877B (zh) | 图像分割方法及装置 | |
CN112070037B (zh) | 基于遥感影像的道路提取方法、装置、介质及设备 | |
CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
CN111898531B (zh) | 卫星通信信号识别方法、装置及电子设备 | |
CN116152087A (zh) | 无限制对抗样本生成方法、装置、电子设备及存储介质 | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
Song et al. | Depth-aware saliency detection using discriminative saliency fusion | |
CN111062347A (zh) | 一种自动驾驶中交通要素分割方法、电子设备及存储介质 | |
CN113963236A (zh) | 目标检测方法及装置 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN116030346A (zh) | 基于马尔可夫判别器的非成对弱监督云检测方法及系统 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
CN114708185A (zh) | 基于大数据赋能和模型流的目标检测方法、系统及设备 | |
Mendhurwar et al. | Edge‐Detection in Noisy Images Using Independent Component Analysis |
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 |