CN112183279A - 基于iq图特征的通信辐射源个体识别方法 - Google Patents
基于iq图特征的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112183279A CN112183279A CN202010996665.8A CN202010996665A CN112183279A CN 112183279 A CN112183279 A CN 112183279A CN 202010996665 A CN202010996665 A CN 202010996665A CN 112183279 A CN112183279 A CN 112183279A
- Authority
- CN
- China
- Prior art keywords
- data
- radiation source
- matrix
- path
- neural network
- 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
- G06F2218/12—Classification; Matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于IQ图特征的通信辐射源个体识别方法。该方法为：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据；对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；分别对所有类别的I、Q路数据进行维度变化，将一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图，将其作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。本发明能够对不同辐射源信号进行分类，并且识别正确率高。
Description
技术领域
本发明涉及通信技术领域，特别是一种基于IQ图特征的通信辐射源个体识别方法。
背景技术
在通信系统中，发送接收方的主要关注点是信号携带的信息。然而在接收到的信号中不仅承载了需要的信息，也在无形中夹杂了发射机个体的硬件信息，而这部分信息属于发射机个体的“指纹”。随着科技的进步，我们能够将这些附带的指纹信息与对应的辐射源个体连接起来，从而达到识别辐射源个体的目的。
在军事领域，对敌方的通信电台进行识别，从而确定敌方的武器平台，对初步了解战场态势有着极其重要的作用。但是，在实际的斗争中，很难获取足够的敌方电台数据，样本量不足时，特征提取和特征选择会出现偏差，提取的特征不能代表目标的本质特征，因此，小样本学习变得越来越重要。
CNN的经典用例是执行图像分类，CNN神经网络通过卷积核对数据的卷积，能识别图片中的某些特征。通过多年的发展，相比其他神经网络CNN发展的较为成熟，在图片识别方面，CNN有着突出的能力。近年来，与CNN神经网络搭配的特征有小波变换、双谱特征、经验模态分解等，并且都能得到很好的识别效果。
对电台数据，通过接收机采样，得到的是一维的IQ数据。通过对IQ数据的观察可知，当I路数据呈现出现特定波形时，Q路数据也会呈现出对应的变化。这种I路与Q路对应的变化，在同一电台数据中有重复性，在不同电台数据中存在差异性：特征的重复性，为解决小样本学习提供了思路，可以充分利用采集到的小部分数据，学习出在后面数据序列中也会出现的特征；特征的差异性，是区分不同辐射源的基础。
目前，送入CNN神经网络的数据为一维数据，但是通过CNN中的卷积核的卷积，使得不相邻的数据产生了关联，这种处理方法对不同种类的通信信号数据进行分类是没有意义的。
发明内容
本发明的目的在于提供一种基于IQ图特征的通信辐射源个体识别方法，达到对不同种类的通信信号数据进行分类的功能。
实现本发明目的的技术解决方案为：一种基于IQ图特征的通信辐射源个体识别方法，包括以下步骤：
步骤1，数据归一化：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据，a为100-200的整数；
步骤2，对归一化后的数据进行截取、拼接：对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；b为500-1000的整数，c为1000-2000的整数；
步骤3，对数据进行维度变化：分别对所有类别的I路和Q路数据进行维度变化，将原本的一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图；
步骤4，CNN神经网络分类：将得到的二维矩阵图作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。
进一步地，步骤1所述的数据归一化，具体过程如下：
将采集得到的所有类别辐射源的I路数据、Q路数据分别进行归一化，并且将最大值变为a，归一化公式为：
其中Y为归一化的结果，X为需要归一化的数据。
进一步地，步骤2所述的对归一化后的数据进行截取、拼接，具体过程如下：
分别对m个类别的辐射源数据进行截取，m为自然数，每个类别的数据分为I、Q两路，在每第b个数据点的位置进行截断，每个类别取样本个数为c，得到m×c×(2×b)个数据作为训练集。
进一步地，步骤3所述的对数据进行维度变化，具体过程如下：
对得到的大小为c×2×b矩阵，其中数据段的个数为c，IQ路数据拼接在一起的数据点为2×b；将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，I路数据得到的图片特征在左，Q路数据得到的图片特征在右，拼接得到维度为c×2×b的IQ图矩阵；对训练数据进行采样使得维度减小，对矩阵的列每4个点取一次值，得到维度为
的IQ图矩阵，得到训练集大小为
进一步地，步骤4所述的CNN神经网络分类，其中CNN神经网络的结构为两层卷积层+两层全连接层+softmax分类层，参数设置如下：
| 初始学习率 | 卷积核大小 | 优化方法 | 迭代次数 | 批次大小 | epoch |
| 0.0001 | 7 | Adam | 100000 | 30 | 200 |
本发明与现有技术相比，其显著优点为：(1)将一维的IQ路数据转换成二维的IQ波形，再对IQ图进行拼接，得到训练样本与测试样本，由于波形的重复性与特异性，这种数据处理方法取得了比较好的正确率；(2)针对这种波形变化上的重复性与特异性，提出了IQ图特征，通过对I、Q路数据的截取转化，得到数据变化处的波形图片的矩阵，明确像素在相邻的区域所代表的具体含义，让输入神经网络的数据有实际的意义；(3)利用成熟的CNN神经网络，实现对波形图片的分类，从而确定特定辐射源个体，取得了比较好的实验结果。
附图说明
图1是同一类型不同个体两部电台IQ图变化处的截取片段示意图。
图2是截取特征片段示意图。
图3是特征拼接过程示意图，其中(a)为截取的IQ路数据示意图，(b)为二维IQ图矩阵拼接后的示意图。
图4是神将网络结构示意图。
具体实施方式
通过对IQ路数据波形的观察，我们发现如图1所示，每个辐射源采集得到的数据波形在特定时间段具有重复性，在不同的辐射源个体中，重复的信号有具有个体的差异性。这样我们可以通过重复性降低训练集的数量，通过特异性将不同的辐射源个体分开。
本发明提供一种基于IQ图特征的通信辐射源个体识别方法，包括以下步骤：
步骤1，数据归一化：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据，a为100-200的整数；
步骤2，对归一化后的数据进行截取、拼接：对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；b为500-1000的整数，c为1000-2000的整数；
步骤3，对数据进行维度变化：分别对所有类别的I路和Q路数据进行维度变化，将原本的一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图；
步骤4，CNN神经网络分类：将得到的二维矩阵图作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。
进一步地，步骤1所述的数据归一化，具体过程如下：
将采集得到的所有类别辐射源的I路数据、Q路数据分别进行归一化，并且将最大值变为a，归一化公式为：
其中Y为归一化的结果，X为需要归一化的数据。
进一步地，步骤2所述的对归一化后的数据进行截取、拼接，具体过程如下：
分别对m个类别的辐射源数据进行截取，m为自然数，每个类别的数据分为I、Q两路，在每第b个数据点的位置进行截断，每个类别取样本个数为c，得到m×c×(2×b)个数据作为训练集。
进一步地，步骤3所述的对数据进行维度变化，具体过程如下：
对得到的大小为c×2×b矩阵，其中数据段的个数为c，IQ路数据拼接在一起的数据点为2×b；将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，I路数据得到的图片特征在左，Q路数据得到的图片特征在右，拼接得到维度为c×2×b的IQ图矩阵；对训练数据进行采样使得维度减小，对矩阵的列每4个点取一次值，得到维度为
的IQ图矩阵，得到训练集大小为
进一步地，步骤4所述的CNN神经网络分类，其中CNN神经网络的结构为两层卷积层+两层全连接层+softmax分类层，参数设置如下：
| 初始学习率 | 卷积核大小 | 优化方法 | 迭代次数 | 批次大小 | epoch |
| 0.0001 | 7 | Adam | 100000 | 30 | 200 |
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例
一种基于IQ图特征的通信辐射源个体识别方法，包括以下步骤：
步骤1，数据归一化：为了避免数据幅度对特征的影响，我们所有类别的电台数据归一化，得到幅度最大值为200的I、Q路数据；
步骤2，对归一化后的数据进行截取、拼接：对归一化的I\Q路数据，取每1000个点为一个数据样本，每一类电台我们截取2000个样本，得到训练集；
步骤3，对数据进行维度变化：分别对所有类别的I路和Q路数据进行维度变化，将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵。再将I路矩阵在左边，对应的Q路矩阵在右边，将矩阵进行拼接；
步骤4，CNN神经网络分类：将上面得到的二维矩阵图作为神经网络的输入，用每个类别电台的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试；
步骤1所述的数据归一化阶段，具体过程如下：
将采集得到的所有类别辐射源IQ路数据进行归一化，并且将最大值变为200，处理公式为：
其中Y为归一化的结果，X为需要归一化的数据。
步骤2所述的对归一化后的数据进行截取、拼接阶段，具体过程如下：
分别对a个类别的辐射源数据，进行截取。每个类别的数据分为IQ两路，在每第1000个数据点的位置进行截断，每个类别取样本个数为2000，得到a×2000×(2×1000)的数据。
步骤3所述的对数据进行维度变化阶段，具体过程如下：
对得到的大小为2000×2000矩阵，其中第一个2000为数据段的个数，第二个为IQ路数据拼接在一起的数据点。将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到维度为200×2000的IQ图矩阵。为了尽可能多的得到训练数据，我们对训练数据进行采样使得维度减小，降低矩阵大小，对矩阵的列每四个点取一次值，得到维度为200×500的IQ图矩阵。得到训练集大小为a×2000×200×500。
步骤4所述的CNN神经网络分类阶段，具体过程如下：
神经网络采用CNN神经网络，网络结构为两层卷积层+两层全连接层，网络结构如下图所示：
本发明是在CNN神经网络的基础上，运用数据处理方法，将一维的IQ路数据转换成二维的IQ图特征，结合神将网络对图片处理的强大能力，从而较好的对不同类别的辐射源个体进行分类，达到比较好的效果。该方法具有重要的现实意义和应用价值。
(1)对信号接收机采集得到的信号，将数据进行归一化，再将数据的幅度值变为200；
(2)结合图2，对数据进行截取，采集得到的数据为IQ两路数据，每1000个数据点截取一次，每个类别的辐射源数据截取2000个样本，每个类别的数据得到2000*1000的I路数据与2000*1000的Q路数据，将IQ路数据拼接起来，得到2000*2000的训练集；
(3)别对所有类别的I路和Q路数据进行维度变化，将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵。再将I路矩阵在左边，对应的Q路矩阵在右边，将矩阵进行拼接，如图3(a)～(b)所示；
(4)结合图4，使用CNN神经网络分类：将上面得到的二维矩阵图作为神经网络的输入，用每个类别电台的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试。
本实施例在5类类超短波电台数据上达到了93％的识别率，在5类短波电台数据上达到了85％的识别正确率。
Claims (5)
1.一种基于IQ图特征的通信辐射源个体识别方法，其特征在于，包括以下步骤：
步骤1，数据归一化：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据，a为100-200的整数；
步骤2，对归一化后的数据进行截取、拼接：对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；b为500-1000的整数，c为1000-2000的整数；
步骤3，对数据进行维度变化：分别对所有类别的I路和Q路数据进行维度变化，将原本的一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图；
步骤4，CNN神经网络分类：将得到的二维矩阵图作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。
2.根据权利要求1所述的基于IQ图特征的通信辐射源个体识别方法，其特征在于，步骤1所述的数据归一化，具体过程如下：
将采集得到的所有类别辐射源的I路数据、Q路数据分别进行归一化，并且将最大值变为a，归一化公式为：
其中Y为归一化的结果，X为需要归一化的数据。
3.根据权利要求1所述的基于IQ图特征的通信辐射源个体识别方法，其特征在于，步骤2所述的对归一化后的数据进行截取、拼接，具体过程如下：
分别对m个类别的辐射源数据进行截取，m为自然数，每个类别的数据分为I、Q两路，在每第b个数据点的位置进行截断，每个类别取样本个数为c，得到m×c×(2×b)个数据作为训练集。
4.据权利要求3所述的基于IQ图特征的通信辐射源个体识别方法，其特征在于，步骤3所述的对数据进行维度变化，具体过程如下：
对得到的大小为c×2×b矩阵，其中数据段的个数为c，IQ路数据拼接在一起的数据点为2×b；将原本的一维IQ路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，I路数据得到的图片特征在左，Q路数据得到的图片特征在右，拼接得到维度为c×2×b的IQ图矩阵；对训练数据进行采样使得维度减小，对矩阵的列每4个点取一次值，得到维度为
的IQ图矩阵，得到训练集大小为
5.根据权利要求4所述的基于IQ图特征的通信辐射源个体识别方法，其特征在于，步骤4所述的CNN神经网络分类，其中CNN神经网络的结构为两层卷积层+两层全连接层+softmax分类层，参数设置如下：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996665.8A CN112183279B (zh) | 2020-09-21 | 2020-09-21 | 基于iq图特征的通信辐射源个体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996665.8A CN112183279B (zh) | 2020-09-21 | 2020-09-21 | 基于iq图特征的通信辐射源个体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183279A true CN112183279A (zh) | 2021-01-05 |
| CN112183279B CN112183279B (zh) | 2022-06-10 |
Family
ID=73956780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010996665.8A Active CN112183279B (zh) | 2020-09-21 | 2020-09-21 | 基于iq图特征的通信辐射源个体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183279B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113866375A (zh) * | 2021-09-17 | 2021-12-31 | 华南师范大学 | 出水含氮物智能在线监测方法和系统 |
| CN114091545A (zh) * | 2021-12-02 | 2022-02-25 | 中国人民解放军国防科技大学 | 基于深度残差收缩网络的辐射源个体识别方法及装置 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147898A1 (en) * | 2015-11-20 | 2017-05-25 | Infinity Augmented Reality Israel Ltd. | Method and a system for determining radiation sources characteristics in a scene based on shadowing analysis |
| CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
| CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
| 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 |
| CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
| US20190034786A1 (en) * | 2017-07-26 | 2019-01-31 | James Ghawaly, JR. | System and Method for Making Nuclear Radiation Detection Decisions and/or Radionuclide Identification Classifications |
| CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
| CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
| CN110348288A (zh) * | 2019-05-27 | 2019-10-18 | 哈尔滨工业大学（威海） | 一种基于77GHz毫米波雷达信号的手势识别方法 |
| CN110991378A (zh) * | 2019-12-11 | 2020-04-10 | 中国人民解放军空军工程大学 | 一种功率放大器个体识别方法及装置 |
| CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
| 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 |
| CN111310680A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 一种基于深度学习的辐射源个体识别方法 |
| CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
| CN111401226A (zh) * | 2020-03-13 | 2020-07-10 | 电子科技大学 | 一种辐射源快速识别方法 |
| CN111507297A (zh) * | 2020-04-24 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种基于度量信息矩阵的雷达信号识别方法及系统 |
| 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 |
-
2020
- 2020-09-21 CN CN202010996665.8A patent/CN112183279B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147898A1 (en) * | 2015-11-20 | 2017-05-25 | Infinity Augmented Reality Israel Ltd. | Method and a system for determining radiation sources characteristics in a scene based on shadowing analysis |
| CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
| US20190034786A1 (en) * | 2017-07-26 | 2019-01-31 | James Ghawaly, JR. | System and Method for Making Nuclear Radiation Detection Decisions and/or Radionuclide Identification Classifications |
| 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 |
| CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
| CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
| CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
| CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
| CN110348288A (zh) * | 2019-05-27 | 2019-10-18 | 哈尔滨工业大学（威海） | 一种基于77GHz毫米波雷达信号的手势识别方法 |
| CN110991378A (zh) * | 2019-12-11 | 2020-04-10 | 中国人民解放军空军工程大学 | 一种功率放大器个体识别方法及装置 |
| CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
| CN111310680A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 一种基于深度学习的辐射源个体识别方法 |
| CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
| 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 |
| CN111401226A (zh) * | 2020-03-13 | 2020-07-10 | 电子科技大学 | 一种辐射源快速识别方法 |
| 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 |
| CN111507297A (zh) * | 2020-04-24 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种基于度量信息矩阵的雷达信号识别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| MINGXIN KONG等: "Radar Emitter Identification Based on Deep Convolutional Neural Network", 《2018 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND INFORMATION SCIENCES (ICCAIS)》 * |
| ZHILING XIAO等: "Radar Emitter Identification Based on Feedforward Neural Networks", 《2020 IEEE 4TH INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
| 吴琼: "基于改进CNN的雷达辐射源识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 蒋兵: "基于时频分析的雷达信号脉内调制识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113866375A (zh) * | 2021-09-17 | 2021-12-31 | 华南师范大学 | 出水含氮物智能在线监测方法和系统 |
| CN114091545A (zh) * | 2021-12-02 | 2022-02-25 | 中国人民解放军国防科技大学 | 基于深度残差收缩网络的辐射源个体识别方法及装置 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
| CN114358064B (zh) * | 2021-12-23 | 2022-06-21 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183279B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183279B (zh) | 基于iq图特征的通信辐射源个体识别方法 | |
| CN102541954B (zh) | 一种商标检索方法及系统 | |
| CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
| CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
| CN112867010A (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
| CN111624570A (zh) | 基于二维卷积神经网络的雷达目标识别方法 | |
| CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
| Wu et al. | Recognizing automatic link establishment behaviors of a short-wave radio station by an improved unidimensional densenet | |
| CN114091545A (zh) | 基于深度残差收缩网络的辐射源个体识别方法及装置 | |
| CN105375992B (zh) | 基于梯度算子和数学形态学的频谱空洞检测方法 | |
| CN108122000A (zh) | 一种基于特征学习的车标识别方法 | |
| CN111931618A (zh) | 基于可分离式残差三维稠密卷积的高光谱分类方法 | |
| CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
| Xiang et al. | Scientific image tampering detection based on noise inconsistencies: A method and datasets | |
| CN116721343A (zh) | 一种基于深度卷积神经网络的跨域田间棉铃识别方法 | |
| CN114998708B (zh) | 一种基于图谱信号的茶叶种类识别方法和装置 | |
| CN110738194A (zh) | 一种基于点云有序编码的三维物体识别方法 | |
| CN115393693A (zh) | 一种基于icrn的序贯uwb-ir图像车辆目标识别方法 | |
| CN114581790A (zh) | 基于图像增强与多特征融合的小目标检测方法 | |
| CN112329534A (zh) | 基于二维加权残差卷积神经网络的雷达目标识别方法 | |
| CN109146846B (zh) | 无参考型图像质量评价系统及方法 | |
| CN111178510A (zh) | 基于卷积神经网络的自适应分组卷积模块设计方法 | |
| CN114863536B (zh) | 一种基于复合特征空间的生成人脸检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |