CN112163574A - 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统 - Google Patents

一种基于深度残差网络的etc干扰信号发射机的识别方法及系统 Download PDF

Info

Publication number
CN112163574A
CN112163574A CN202011320179.0A CN202011320179A CN112163574A CN 112163574 A CN112163574 A CN 112163574A CN 202011320179 A CN202011320179 A CN 202011320179A CN 112163574 A CN112163574 A CN 112163574A
Authority
CN
China
Prior art keywords
residual error
network
layer
interference signal
training
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.)
Pending
Application number
CN202011320179.0A
Other languages
English (en)
Inventor
曾德国
鲁加战
李志坚
李振宇
刘晓俊
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.)
Nanjing Aerospace Industry Technology Co ltd
Original Assignee
Nanjing Aerospace Industry Technology Co ltd
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 Nanjing Aerospace Industry Technology Co ltd filed Critical Nanjing Aerospace Industry Technology Co ltd
Priority to CN202011320179.0A priority Critical patent/CN112163574A/zh
Publication of CN112163574A publication Critical patent/CN112163574A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统，识别方法主要包括如下步骤：步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，进而识别ETC干扰信号类型。本发明能够自动地从训练集数据中提取对ETC干扰信号识别有用的抽象特征，无需人工参与提取特征，此外，引入标签平滑，批量归一化等方式进一步提升识别网络的泛化性能。

Description

一种基于深度残差网络的ETC干扰信号发射机的识别方法及 系统
技术领域
本发明涉及一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统，涉及无线信号发射机个体识别领域。
背景技术
ETC是电子不停车收费系统，是高速公路或桥梁自动收费。通过安装在车辆挡风玻璃上的车载电子标签与收费站ETC车道上的微波天线之间进行的专用短程通讯，利用计算机联网技术与银行进行后台结算处理，从而达到车辆通过高速公路或桥梁收费站无需停车而能交纳高速公路或桥梁费用的目的。目前，一些不法分子利用无线电干扰机干扰ETC的收费系统，达到逃避过路费的目的，造成一定的经济损失，对高速公路ETC的发展产生较大的负面影响。所以，需要一种识别ETC干扰器个体的方法用来识别干扰信息并记录干扰源发射个体的特征，进而实现留存证据、追缴纳费甚至追究法律责任的后续处理工作。
在现有技术中仅有针对干扰源定位的方法，此类定位方法无法进行深度特征提取，导致网络识别的泛化能力不高，因此难以对干扰信号发射机进行有效的个体识别。
发明内容
发明目的：一个目的是提出一种基于深度残差网络的ETC干扰信号发射机的识别方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。
技术方案：一种基于深度残差网络的ETC干扰信号发射机的识别方法，包括以下步骤：
步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；
步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；
步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；
步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。
在进一步的实施例中，步骤2中所述训练集、验证集和测试集占每类干扰信号数据的比例分别为60%、20%和20%；
步骤3中利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%。
在进一步的实施例中，步骤4进一步包括：
步骤4-1、在深度残差网络中引入恒等映射并进一步提取ETC干扰信号的深层抽象特征；
步骤4-2、在深度残差网络中引入批量归一化操作以及标签平滑策略；
步骤4-3、训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；
步骤4-4、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。
在进一步的实施例中，深度残差网络通过引入恒等映射的思想，在一定程度上解决了由于卷进神经网络深度的增加造成识别模型识别性能下降的情况，充分发挥了卷进神经网络的深度的优势，能够提取ETC干扰信号的深层抽象特征。通过恒等映射，打破了传统神经网络n-1层的输出只能给n层作为输入的惯例，这样处理后，网络的泛化能力更强。其中，设计的深度残差识别网络基本结构主要包括卷积层，池化层，非线性映射层，残差块以及全连接层。利用卷积操作的“局部连接”和“权值共享”的特性，有效地解决了训练的开销。通过卷积、池化和非线性映射等操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理，从而在减小模型训练量的同时保留有用的特征信息。
在进一步的实施例中，为了加快深度残差识别网络的收敛速度，在设计网络的时候引入批量归一化(Bacth Normalization, BN)的操作。为BN的定义如下：
Figure DEST_PATH_DEST_PATH_IMAGE001
Figure DEST_PATH_DEST_PATH_IMAGE002
其中，假设神经网络的一层具有d维输入特征向量
Figure DEST_PATH_DEST_PATH_IMAGE003
，
Figure DEST_PATH_DEST_PATH_IMAGE004
代表输入特征向量x的均值，
Figure DEST_PATH_RE-DEST_PATH_IMAGE005
代表输入特征向量x的方差，
Figure DEST_PATH_DEST_PATH_IMAGE006
代表输入特征向量x第k维的特征值，
Figure DEST_PATH_RE-DEST_PATH_IMAGE007
代表归一化后输入特征向量x第k维的特征值，
Figure DEST_PATH_DEST_PATH_IMAGE008
代表
Figure DEST_PATH_657177DEST_PATH_IMAGE007
经过缩放和平移后的归一化特征值，
Figure DEST_PATH_RE-DEST_PATH_IMAGE009
和
Figure DEST_PATH_DEST_PATH_IMAGE010
代表可学习的平移和缩放参数，BN插入在网络的任何层中；
由于深度网络模型容易出现过拟合的现象，为了增强网络的泛化能力，在设计模型时引入标签平滑的策略。标签平滑定义如下：
在神经网络的研究中，对于分类识别问题，常常把训练样本的标签转换为one-hot向量编码的形式。则对于常用于分类识别的交叉熵损失函数来说，使用one-hot编码是无法保证模型的泛化能力，容易造成过拟合。标签平滑是一种对损失函数的修正方法，使得神经网络在一定程度上考虑错误标签所贡献的损失。
假设调制信号样本为
Figure DEST_PATH_RE-DEST_PATH_IMAGE011
, 以二分类为例，其中，
Figure DEST_PATH_DEST_PATH_IMAGE012
是训练的标签，为0或者为1。在每次迭代训练时，并不直接将
Figure DEST_PATH_512001DEST_PATH_IMAGE011
放到训练集中，而是设置一个错误率
Figure DEST_PATH_RE-DEST_PATH_IMAGE013
，以
Figure DEST_PATH_DEST_PATH_IMAGE014
的概率将
Figure DEST_PATH_947530DEST_PATH_IMAGE011
代入训练，以
Figure DEST_PATH_342739DEST_PATH_IMAGE013
的概率将
Figure DEST_PATH_RE-DEST_PATH_IMAGE015
代入训练。这样，模型在训练时，既有正确标签输入，又有错误标签输入。通过这种方式训练出来的模型不会全力匹配每个一个训练标签，而是在一定程度上的匹配。这样，假设出现错误标签，模型受到的影响更小。
当神经网络采用交叉熵损失函数时，对于每个样本
Figure DEST_PATH_DEST_PATH_IMAGE016
，网络的损失函数表示为：
Figure DEST_PATH_RE-DEST_PATH_IMAGE017
式中
Figure DEST_PATH_DEST_PATH_IMAGE018
表示网络预测样本
Figure DEST_PATH_94795DEST_PATH_IMAGE016
类别为1时的概率，
Figure DEST_PATH_DEST_PATH_IMAGE019
表示预测的样本类别，其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：
Figure DEST_PATH_DEST_PATH_IMAGE020
其中：
Figure DEST_PATH_RE-DEST_PATH_IMAGE021
当标签为0时，并不把0直接放到训练，而是将其替换为一个比较小的数
Figure DEST_PATH_448416DEST_PATH_IMAGE013
，同样地，如果标签为1，将其替换成比较接近于1的数
Figure DEST_PATH_DEST_PATH_IMAGE022
。
在进一步的实施例中，在训练深度残差网络的过程中，通过反向传播算法不断地迭代更新各层之间的连接权重，使得整个ETC干扰信号识别网络能够较为准确的学习。其中，公式(1)反映了识别网络提取第k层的特征与第k-1层特征之间的关系。
Figure DEST_PATH_DEST_PATH_IMAGE023
Figure DEST_PATH_DEST_PATH_IMAGE024
式中的
Figure DEST_PATH_DEST_PATH_IMAGE025
代表非线性激活函数，能够增强网络的非线性表达能力。在最后一次卷积操作后，引入全连接层的操作，全连接层起到了将卷积层、池化层学习到的“分布式特征表示”映射到样本标记空间的作用。
Figure DEST_PATH_403864DEST_PATH_IMAGE025
代表非线性激活函数，
Figure DEST_PATH_DEST_PATH_IMAGE026
表示特征值，
Figure DEST_PATH_RE-DEST_PATH_IMAGE027
表示第k层第j个特征，
Figure DEST_PATH_DEST_PATH_IMAGE028
表示第k-1层第i个特征值，
Figure DEST_PATH_RE-DEST_PATH_IMAGE029
表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，
Figure DEST_PATH_DEST_PATH_IMAGE030
表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。
在进一步的实施例中，步骤4-4进一步包括：使用训练好的深度残差识别网络对测试干扰样本类型进行识别。首先，将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中，将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别。通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，可以计算出识别网络的识别精度的定量衡量。通过该网络，能够精确识别ETC干扰信号类型，进而确定干扰发射机类型，方便后期对违法车辆进行追查和惩罚。
一种基于深度残差网络的ETC干扰信号发射机的识别系统，其特征是包括用于定向接受ETC干扰信号，构建ETC干扰信号数据集的第一模块；用于将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集的第二模块；用于对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示的第三模块；以及用于构建深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型的第四模块。
在进一步的实施例中，所述第二模块进一步将训练集、验证集和测试集分别按照占总样本集比例为60%，20%和20%划分；
所述第三模块进一步利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%；
所述第四模块进一步在深度残差网络中引入恒等映射并提取ETC干扰信号的深层抽象特征；在深度残差网络中引入批量归一化操作以及标签平滑策略；训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；使用训练好的深度残差识别网络对测试干扰样本类型进行识别；将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中；将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别；通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，计算出识别网络的识别精度的定量衡量；通过深度残差识别网络精确识别ETC干扰信号类型，进而确定干扰发射机类型。
在进一步的实施例中，所述第四模块构建的所述深度残差网络中所述深度残差网络包括卷积层，池化层，非线性映射层，残差块以及全连接层；通过卷积、池化和非线性映射操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理；
所述批量归一化操作定义如下：
Figure DEST_PATH_540448DEST_PATH_IMAGE001
Figure DEST_PATH_209326DEST_PATH_IMAGE002
其中，假设神经网络的一层具有d维输入特征向量
Figure DEST_PATH_858482DEST_PATH_IMAGE003
，
Figure DEST_PATH_612812DEST_PATH_IMAGE004
代表输入特征向量x的均值，
Figure DEST_PATH_349824DEST_PATH_IMAGE005
代表输入特征向量x的方差，
Figure DEST_PATH_404367DEST_PATH_IMAGE006
代表输入特征向量x第k维的特征值，
Figure DEST_PATH_834212DEST_PATH_IMAGE007
代表归一化后输入特征向量x第k维的特征值，
Figure DEST_PATH_75837DEST_PATH_IMAGE008
代表
Figure DEST_PATH_757485DEST_PATH_IMAGE007
经过缩放和平移后的归一化特征值，
Figure DEST_PATH_400956DEST_PATH_IMAGE009
和
Figure DEST_PATH_736123DEST_PATH_IMAGE010
代表可学习的平移和缩放参数，BN插入在网络的任何层中。
所述标签平滑策略如下：
定义调制信号样本为
Figure DEST_PATH_465044DEST_PATH_IMAGE011
，其中，
Figure DEST_PATH_75017DEST_PATH_IMAGE012
是训练的标签，为0或者为1；
在每次迭代训练时，设置一个错误率
Figure DEST_PATH_572995DEST_PATH_IMAGE013
，以
Figure DEST_PATH_344642DEST_PATH_IMAGE014
的概率将
Figure DEST_PATH_461326DEST_PATH_IMAGE011
代入训练，以
Figure DEST_PATH_343832DEST_PATH_IMAGE013
的概率将
Figure DEST_PATH_696315DEST_PATH_IMAGE015
代入训练；
当神经网络采用交叉熵损失函数时，对于每个样本
Figure DEST_PATH_170022DEST_PATH_IMAGE016
，网络的损失函数表示为：
Figure DEST_PATH_607957DEST_PATH_IMAGE017
式中，
Figure DEST_PATH_28574DEST_PATH_IMAGE018
表示网络预测样本类别为1时的概率，
Figure DEST_PATH_907668DEST_PATH_IMAGE019
表示预测的样本类别（样本类别为1或者0），其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：
Figure DEST_PATH_21118DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_RE-DEST_PATH_IMAGE031
表示引入标签平滑后的训练标签，其余各符号含义同上；
其中：
Figure DEST_PATH_477507DEST_PATH_IMAGE021
当标签为0时，并不把0直接放到训练，而是将其替换为一个比较小的数
Figure DEST_PATH_701815DEST_PATH_IMAGE013
，当标签为1，将其替换成比较接近于1的数
Figure DEST_PATH_763312DEST_PATH_IMAGE022
；
所述深度残差网络中的第k层的特征与第k-1层特征之间的关系如下：
Figure DEST_PATH_47662DEST_PATH_IMAGE023
Figure DEST_PATH_DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_115981DEST_PATH_IMAGE025
代表非线性激活函数，
Figure DEST_PATH_143980DEST_PATH_IMAGE026
表示特征值，
Figure DEST_PATH_856721DEST_PATH_IMAGE027
表示第k层第j个特征，
Figure DEST_PATH_46394DEST_PATH_IMAGE028
表示第k-1层第i个特征值，
Figure DEST_PATH_946217DEST_PATH_IMAGE029
表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，
Figure DEST_PATH_918852DEST_PATH_IMAGE030
表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。
有益效果：本发明针对ETC发射机干扰信号的特点，设计出相对应的深度残差识别网络模型，可以精确识别出发射干扰信号的发射机个体类型。在ETC识别发射干扰信号的发射机个体类型领域，首次引入了深度残差网络进行识别。设计的识别网络能够精确识别出发射干扰信号的发射机个体类型。为了增强识别网络的泛化能力，引入标签平滑、批量归一化、L2正则化手段来增强识别网络的泛化能力。
附图说明
图1是基于深度残差网络的ETC干扰信号识别模型示意图。
图2是本发明的工作流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
申请人认为，现有技术中，仅有针对干扰源定位的方法，并没有对干扰信号发射机进行个体识别的方法。为此，本发明旨在提供一种基于深度残差网络的ETC干扰信号发射机的识别方法，并进一步提出一种能够实现上述方法的系统，有效提升ETC干扰信号的识别精度，并且解决目前逃避高速公路收费的问题。
本文的基本思路是针对ETC发射机干扰信号的特点，设计相对应的深度残差识别网络，对干扰信号进行深度特征提取，以达到精确识别出发射干扰信号的发射机个体类型。首先，通过结合地感线圈定向接受ETC干扰信号构建ETC干扰信号数据集；对获取的ETC干扰信号数据集，按照一定的比例划分成训练集、验证集和测试集；接着，针对ETC干扰信号的特点，设计基于深度残差网络的ETC干扰信号识别模型，其能够自动地从训练集数据中提取对ETC干扰信号识别有用的抽象特征，无需人工参与提取特征，此外，引入标签平滑，批量归一化等方式进一步提升识别网络的泛化性能。其基于深度残差网络的ETC干扰信号发射机识别模型如图1所示。上述基于深度残差网络的ETC干扰识别模型包含2个卷积层，2个池化层、3个残差块（每个残差块包含两次卷积操作以及2次非线性映射操作）以及3个全连接层。
具体步骤如下：
步骤1、通过结合地感线圈定向接受ETC干扰信号构建ETC干扰信号数据集；
步骤2、将ETC干扰信号数据集按照一定的比例划分成训练集、验证集和测试集。其中，训练集、验证集和测试集占总样本集的比例为60%，20%和20%。
步骤3、由于ETC干扰信号的数据维度较大，为了消除干扰样本的特征向量的冗余特征，减小噪声的影响，以获得更加高效、更加低维的特征表示。因此，对训练集、验证集和测试集的干扰信号进行主成分分析（PCA），获取干扰信号低维特征表示。假设干扰信号的初始特征维度为A，对特征向量A进行PCA变换，其原理是通过较少的特征分量来表示初始特征维度A的绝大多数特性，将初始特征维度A中相关性较高的分量转换成彼此不相关的特征分量，新的特征分量为主成分B。实验表明，当B的特征维度占A的特征维度的30%时，对干扰信号识别的精度提升最优。
步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。
步骤4-1、深度残差网络通过引入恒等映射的思想，在一定程度上解决了由于卷进神经网络深度的增加造成识别模型识别性能下降的情况，充分发挥了卷进神经网络的深度的优势，能够提取ETC干扰信号的深层抽象特征。通过恒等映射，打破了传统神经网络n-1层的输出只能给n层作为输入的惯例，这样处理后，网络的泛化能力更强。其中，设计的深度残差识别网络基本结构主要包括卷积层，池化层，非线性映射层，卷积块以及残差块。利用卷积操作的“局部连接”和“权值共享”的特性，有效地解决了训练的开销。其中，前两层卷积层的卷积核的数量为32,64，残差块中卷积核的数量为32,64，全连接层的神经元个数为32,64,128。识别网络采取的非线性激活函数为ReLU激活函数，网络的学习率采取随着训练轮数逐次递减的策略，初始学习率设置为0.001。通过卷积、池化和非线性映射等操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理，从而在减小模型训练量的同时保留有用的特征信息。
步骤4-2、在训练深度残差网络的过程中，通过反向传播算法不断地迭代更新各层之间的连接权重，使得整个ETC干扰信号识别网络能够较为准确的学习。其中，下式反映了识别网络提取第k层的特征与第k-1层特征之间的关系。
Figure DEST_PATH_220521DEST_PATH_IMAGE023
Figure DEST_PATH_581095DEST_PATH_IMAGE032
式中的
Figure DEST_PATH_499372DEST_PATH_IMAGE025
代表非线性激活函数，能够增强网络的非线性表达能力。在最后一次卷积操作后，引入全连接层的操作，全连接层起到了将卷积层、池化层学习到的“分布式特征表示”映射到样本标记空间的作用。
Figure DEST_PATH_869174DEST_PATH_IMAGE025
代表非线性激活函数，
Figure DEST_PATH_759769DEST_PATH_IMAGE026
表示特征值，
Figure DEST_PATH_714081DEST_PATH_IMAGE027
表示第k层第j个特征，
Figure DEST_PATH_322917DEST_PATH_IMAGE028
表示第k-1层第i个特征值，
Figure DEST_PATH_496409DEST_PATH_IMAGE029
表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，
Figure DEST_PATH_38249DEST_PATH_IMAGE030
表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。
步骤4-3、为了加快深度残差识别网络的收敛速度，在设计网络的时候引入批量归一化(Bacth Normalization, BN)的操作。由于在深度神经网络中，如果每层的数据分布都不一样的话，将会导致网络非常难收敛和训练，而BN的作用是把每层的数据都转换成均值0，方差为1的状态，这就使得每层的数据分布保持一致，网络更加容易收敛。为BN的定义如下：
Figure DEST_PATH_6205DEST_PATH_IMAGE001
Figure DEST_PATH_102337DEST_PATH_IMAGE002
其中，假设神经网络的一层具有d维输入特征向量
Figure DEST_PATH_220466DEST_PATH_IMAGE003
，
Figure DEST_PATH_85654DEST_PATH_IMAGE004
代表输入特征向量x的均值，
Figure DEST_PATH_224511DEST_PATH_IMAGE005
代表输入特征向量x的方差，
Figure DEST_PATH_807939DEST_PATH_IMAGE006
代表输入特征向量x第k维的特征值，
Figure DEST_PATH_588813DEST_PATH_IMAGE007
代表归一化后输入特征向量x第k维的特征值，
Figure DEST_PATH_574087DEST_PATH_IMAGE008
代表
Figure DEST_PATH_883845DEST_PATH_IMAGE007
经过缩放和平移后的归一化特征值，
Figure DEST_PATH_610362DEST_PATH_IMAGE009
和
Figure DEST_PATH_663769DEST_PATH_IMAGE010
代表可学习的平移和缩放参数，BN插入在网络的任何层中。
步骤4-4、由于深度网络模型容易出现过拟合的现象，为了增强网络的泛化能力，在设计模型时引入标签平滑的策略。标签平滑定义如下：
在神经网络的研究中，对于分类识别问题，常常把训练样本的标签转换为one-hot向量编码的形式。则对于常用于分类识别的交叉熵损失函数来说，使用one-hot编码是无法保证模型的泛化能力，容易造成过拟合。标签平滑是一种对损失函数的修正方法，使得神经网络在一定程度上考虑错误标签所贡献的损失。
假设调制信号样本为
Figure DEST_PATH_503549DEST_PATH_IMAGE011
, 以二分类为例，其中，
Figure DEST_PATH_515367DEST_PATH_IMAGE012
是训练的标签，为0或者为1。在每次迭代训练时，并不直接将
Figure DEST_PATH_807808DEST_PATH_IMAGE011
放到训练集中，而是设置一个错误率
Figure DEST_PATH_664906DEST_PATH_IMAGE013
，以
Figure DEST_PATH_765717DEST_PATH_IMAGE014
的概率将
Figure DEST_PATH_417278DEST_PATH_IMAGE011
代入训练，以
Figure DEST_PATH_462594DEST_PATH_IMAGE013
的概率将
Figure DEST_PATH_388962DEST_PATH_IMAGE015
代入训练。这样，模型在训练时，既有正确标签输入，又有错误标签输入。通过这种方式训练出来的模型不会全力匹配每个一个训练标签，而是在一定程度上的匹配。这样，假设出现错误标签，模型受到的影响更小。
当神经网络采用交叉熵损失函数时，对于每个样本
Figure DEST_PATH_937755DEST_PATH_IMAGE016
，网络的损失函数表示为：
Figure DEST_PATH_RE-DEST_PATH_IMAGE033
式中
Figure DEST_PATH_180124DEST_PATH_IMAGE018
表示网络预测样本
Figure DEST_PATH_447157DEST_PATH_IMAGE016
类别为1时的概率，
Figure DEST_PATH_646058DEST_PATH_IMAGE019
表示预测的样本类别，其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：
Figure DEST_PATH_DEST_PATH_IMAGE034
其中：
Figure DEST_PATH_580516DEST_PATH_IMAGE021
当标签为0时，并不把0直接放到训练，而是将其替换为一个比较小的数
Figure DEST_PATH_839459DEST_PATH_IMAGE013
，同样地，如果标签为1，将其替换成比较接近于1的数
Figure DEST_PATH_313DEST_PATH_IMAGE022
。
步骤4-5、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。首先，将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中，将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别。通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，可以计算出识别网络的识别精度的定量衡量。通过该网络，能够精确识别ETC干扰信号类型，进而确定干扰发射机类型，方便后期对违法车辆进行追查和惩罚。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征是包括以下步骤：
步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；
步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；
步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；
步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。
2.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于：
步骤2中所述训练集、验证集和测试集占每类干扰信号数据的比例分别为60%、20%和20%；
步骤3中利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%。
3.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4进一步包括：
步骤4-1、在深度残差网络中引入恒等映射并进一步提取ETC干扰信号的深层抽象特征；
步骤4-2、在深度残差网络中引入批量归一化操作以及标签平滑策略；
步骤4-3、训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；
步骤4-4、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。
4.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-1中所述深度残差网络包括卷积层，池化层，非线性映射层，残差块以及全连接层；通过卷积、池化和非线性映射操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理。
5.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-2中所述批量归一化操作定义如下：
Figure 811387DEST_PATH_IMAGE002
Figure 46059DEST_PATH_IMAGE004
其中，假设神经网络的一层具有d维输入特征向量
Figure DEST_PATH_IMAGE005
，
Figure 810884DEST_PATH_IMAGE006
代表输入特征向量x的均值，
Figure DEST_PATH_IMAGE007
代表输入特征向量x的方差，
Figure 345771DEST_PATH_IMAGE008
代表输入特征向量x第k维的特征值，
Figure DEST_PATH_IMAGE009
代表归一化后输入特征向量x第k维的特征值，
Figure 272270DEST_PATH_IMAGE010
代表
Figure 463080DEST_PATH_IMAGE009
经过缩放和平移后的归一化特征值，
Figure DEST_PATH_IMAGE011
和
Figure 749704DEST_PATH_IMAGE012
代表可学习的平移和缩放参数，BN插入在网络的任何层中；
步骤4-2中所述标签平滑策略如下：
定义调制信号样本为
Figure DEST_PATH_IMAGE013
，其中，
Figure 881041DEST_PATH_IMAGE014
是训练的标签，为0或者为1；
在每次迭代训练时，设置一个错误率
Figure DEST_PATH_IMAGE015
，以
Figure 227708DEST_PATH_IMAGE016
的概率将
Figure 656547DEST_PATH_IMAGE013
代入训练，以
Figure 950125DEST_PATH_IMAGE015
的概率将
Figure DEST_PATH_IMAGE017
代入训练；
当神经网络采用交叉熵损失函数时，对于每个样本
Figure 194025DEST_PATH_IMAGE018
，网络的损失函数表示为：
Figure 931167DEST_PATH_IMAGE020
式中
Figure DEST_PATH_IMAGE021
表示网络预测样本
Figure 893307DEST_PATH_IMAGE018
类别为1时的概率，
Figure 256155DEST_PATH_IMAGE022
表示预测的样本类别，其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：
Figure 308556DEST_PATH_IMAGE024
式中，表示引入标签平滑后的训练标签，其余各符号含义同上；
其中：
Figure 731447DEST_PATH_IMAGE026
当标签为0时，并不把0直接放到训练，而是将其替换为
Figure 649725DEST_PATH_IMAGE015
，当标签为1，将其替换成
Figure DEST_PATH_IMAGE027
。
6.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-3中所述深度残差网络中的第k层的特征与第k-1层特征之间的关系如下：
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE031
式中，代表非线性激活函数，
Figure 157542DEST_PATH_IMAGE032
表示特征值，
Figure DEST_PATH_IMAGE033
表示第k层第j个特征，
Figure 861187DEST_PATH_IMAGE034
表示第k-1层第i个特征值，
Figure DEST_PATH_IMAGE035
表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，
Figure 720559DEST_PATH_IMAGE036
表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。
7.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-4进一步包括：
步骤4-4a、将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中；
步骤4-4b、将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别；
步骤4-4c、通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，计算出识别网络的识别精度的定量衡量；通过深度残差识别网络精确识别ETC干扰信号类型，进而确定干扰发射机类型。
8.一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征是包括如下模块：
用于定向接受ETC干扰信号，构建ETC干扰信号数据集的第一模块；
用于将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集的第二模块；
用于对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示的第三模块；
用于构建深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型的第四模块。
9.根据权利要求8所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于：
所述第二模块进一步将训练集、验证集和测试集分别按照占总样本集比例为60%，20%和20%划分；
所述第三模块进一步利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%；
所述第四模块进一步在深度残差网络中引入恒等映射并提取ETC干扰信号的深层抽象特征；在深度残差网络中引入批量归一化操作以及标签平滑策略；训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；使用训练好的深度残差识别网络对测试干扰样本类型进行识别；将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中；将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别；通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，计算出识别网络的识别精度的定量衡量；通过深度残差识别网络精确识别ETC干扰信号类型，进而确定干扰发射机类型。
10.根据权利要求8所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于：
所述第四模块构建的所述深度残差网络中所述深度残差网络包括卷积层，池化层，非线性映射层，残差块以及全连接层；通过卷积、池化和非线性映射操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理；
批量归一化操作定义如下：
Figure 611285DEST_PATH_IMAGE002
Figure 50357DEST_PATH_IMAGE004
其中，假设神经网络的一层具有d维输入特征向量
Figure 326617DEST_PATH_IMAGE005
，
Figure 825732DEST_PATH_IMAGE006
代表输入特征向量x的均值，
Figure 453022DEST_PATH_IMAGE007
代表输入特征向量x的方差，
Figure 180938DEST_PATH_IMAGE008
代表输入特征向量x第k维的特征值，
Figure 842864DEST_PATH_IMAGE009
代表归一化后输入特征向量x第k维的特征值，
Figure 247300DEST_PATH_IMAGE010
代表
Figure 96307DEST_PATH_IMAGE009
经过缩放和平移后的归一化特征值，
Figure 142761DEST_PATH_IMAGE011
和
Figure 147276DEST_PATH_IMAGE012
代表可学习的平移和缩放参数，BN插入在网络的任何层中；
标签平滑策略如下：
定义调制信号样本为
Figure 988193DEST_PATH_IMAGE013
，其中，
Figure 324496DEST_PATH_IMAGE014
是训练的标签，为0或者为1；
在每次迭代训练时，设置一个错误率
Figure 909061DEST_PATH_IMAGE015
，以
Figure 14420DEST_PATH_IMAGE016
的概率将
Figure 776971DEST_PATH_IMAGE013
代入训练，以
Figure 600571DEST_PATH_IMAGE015
的概率将
Figure 723248DEST_PATH_IMAGE017
代入训练；
当神经网络采用交叉熵损失函数时，对于每个样本
Figure 214272DEST_PATH_IMAGE018
，网络的损失函数表示为：
Figure 131412DEST_PATH_IMAGE020
式中，
Figure 193040DEST_PATH_IMAGE021
表示网络预测样本
Figure 119408DEST_PATH_IMAGE018
类别为1时的概率，
Figure 199359DEST_PATH_IMAGE022
表示预测的样本类别，其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：
Figure 552980DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE037
表示引入标签平滑后的训练标签，其余各符号含义同上；
其中：
Figure 633063DEST_PATH_IMAGE026
当标签为0时，并不把0直接放到训练，而是将其替换为
Figure 97542DEST_PATH_IMAGE015
，当标签为1，将其替换成
Figure 297579DEST_PATH_IMAGE027
；
所述深度残差网络中的第k层的特征与第k-1层特征之间的关系如下：
Figure 556522DEST_PATH_IMAGE029
Figure 589813DEST_PATH_IMAGE031
式中，
Figure 123563DEST_PATH_IMAGE038
代表非线性激活函数，
Figure 178106DEST_PATH_IMAGE032
表示特征值，
Figure 607951DEST_PATH_IMAGE033
表示第k层第j个特征，
Figure 380735DEST_PATH_IMAGE034
表示第k-1层第i个特征值，
Figure 203328DEST_PATH_IMAGE035
表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，
Figure 846799DEST_PATH_IMAGE036
表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。
CN202011320179.0A 2020-11-23 2020-11-23 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统 Pending CN112163574A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011320179.0A CN112163574A (zh) 2020-11-23 2020-11-23 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011320179.0A CN112163574A (zh) 2020-11-23 2020-11-23 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统

Publications (1)

Publication Number Publication Date
CN112163574A true CN112163574A (zh) 2021-01-01

Family

ID=73865946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011320179.0A Pending CN112163574A (zh) 2020-11-23 2020-11-23 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统

Country Status (1)

Country Link
CN (1) CN112163574A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699819A (zh) * 2021-01-04 2021-04-23 安徽容知日新科技股份有限公司 一种模型训练方法、装置和信号识别装置
CN113271272A (zh) * 2021-05-13 2021-08-17 侯小琪 一种基于残差神经网络的单通道时频混叠信号盲分离方法
CN113469110A (zh) * 2021-07-15 2021-10-01 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN113743534A (zh) * 2021-09-17 2021-12-03 黄河水利职业技术学院 基于深度残差网络下的变压器油中气体复合成像识别方法
CN114065741A (zh) * 2021-11-16 2022-02-18 北京有竹居网络技术有限公司 用于验证表述的真实性的方法、设备、装置和介质
CN114866166A (zh) * 2022-03-08 2022-08-05 西北大学 基于CNN的Wi-Fi子载波跨协议干扰识别方法
CN114866172A (zh) * 2022-07-05 2022-08-05 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
CN116091502A (zh) * 2023-04-10 2023-05-09 厦门微图软件科技有限公司 基于改进深度残差网络的弱标签工业缺陷图像分类方法
CN116992255A (zh) * 2023-07-13 2023-11-03 华北电力大学 一种暂态电压稳定特征量的筛选方法、系统及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596069A (zh) * 2018-04-18 2018-09-28 南京邮电大学 基于深度3d残差网络的新生儿疼痛表情识别方法及系统
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN110197205A (zh) * 2019-05-09 2019-09-03 三峡大学 一种多特征来源残差网络的图像识别方法
CN111325155A (zh) * 2020-02-21 2020-06-23 重庆邮电大学 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596069A (zh) * 2018-04-18 2018-09-28 南京邮电大学 基于深度3d残差网络的新生儿疼痛表情识别方法及系统
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN110197205A (zh) * 2019-05-09 2019-09-03 三峡大学 一种多特征来源残差网络的图像识别方法
CN111325155A (zh) * 2020-02-21 2020-06-23 重庆邮电大学 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699819A (zh) * 2021-01-04 2021-04-23 安徽容知日新科技股份有限公司 一种模型训练方法、装置和信号识别装置
CN113271272B (zh) * 2021-05-13 2022-09-13 侯小琪 一种基于残差神经网络的单通道时频混叠信号盲分离方法
CN113271272A (zh) * 2021-05-13 2021-08-17 侯小琪 一种基于残差神经网络的单通道时频混叠信号盲分离方法
CN113469110A (zh) * 2021-07-15 2021-10-01 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN113469110B (zh) * 2021-07-15 2024-05-07 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN113743534A (zh) * 2021-09-17 2021-12-03 黄河水利职业技术学院 基于深度残差网络下的变压器油中气体复合成像识别方法
CN114065741A (zh) * 2021-11-16 2022-02-18 北京有竹居网络技术有限公司 用于验证表述的真实性的方法、设备、装置和介质
CN114866166B (zh) * 2022-03-08 2023-01-10 西北大学 基于CNN的Wi-Fi子载波跨协议干扰识别方法
CN114866166A (zh) * 2022-03-08 2022-08-05 西北大学 基于CNN的Wi-Fi子载波跨协议干扰识别方法
CN114866172B (zh) * 2022-07-05 2022-09-20 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
CN114866172A (zh) * 2022-07-05 2022-08-05 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
CN116091502A (zh) * 2023-04-10 2023-05-09 厦门微图软件科技有限公司 基于改进深度残差网络的弱标签工业缺陷图像分类方法
CN116992255A (zh) * 2023-07-13 2023-11-03 华北电力大学 一种暂态电压稳定特征量的筛选方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN112163574A (zh) 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统
CN107679557B (zh) 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN113076994B (zh) 一种开集域自适应图像分类方法及系统
CN111126332B (zh) 基于轮廓特征的跳频信号分类方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN110532932A (zh) 一种多分量雷达信号脉内调制方式识别方法
CN115438708A (zh) 一种基于卷积神经网络和多模态融合的分类识别方法
CN113052126B (zh) 一种基于深度学习的双阈值开集信号调制识别方法
CN116388933B (zh) 基于深度学习的通信信号盲识别系统
CN110988804A (zh) 一种基于雷达脉冲序列的雷达辐射源个体识别系统
CN107798334A (zh) 一种汽车电子标识数据和视频识别数据的匹配方法及装置
TWI775186B (zh) 射頻指紋訊號處理裝置及射頻指紋訊號處理方法
CN110852358A (zh) 一种基于深度学习的车辆类型判别方法
CN112348006A (zh) 一种无人机信号识别方法、系统、介质及设备
CN104573699A (zh) 基于中等场强磁共振解剖成像的实蝇识别方法
CN108596664B (zh) 一种电子车票的单边交易费用确定方法、系统及装置
CN115392326A (zh) 基于联合多模态信息与域对抗神经网络的调制识别方法
CN111144462B (zh) 一种雷达信号的未知个体识别方法及装置
CN117688455B (zh) 一种基于数据质量与强化学习的元任务小样本分类方法
CN115941407A (zh) 基于递归式卷积网络和注意力机制的信号调制识别方法
CN112350745B (zh) 一种跳频通信电台的分选方法
CN114492744A (zh) 一种基于对抗生成网络的地海杂波谱数据样本生成方法
CN115620172B (zh) 一种基于跨域多特征海上舰船目标智能化综合识别方法
CN116894223A (zh) 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法
CN116614333A (zh) 一种基于马尔可夫转换场与深度学习的调制识别方法

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