CN112183279B - 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 PDF

Info

Publication number
CN112183279B
CN112183279B CN202010996665.8A CN202010996665A CN112183279B CN 112183279 B CN112183279 B CN 112183279B CN 202010996665 A CN202010996665 A CN 202010996665A CN 112183279 B CN112183279 B CN 112183279B
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.)
Active
Application number
CN202010996665.8A
Other languages
English (en)
Other versions
CN112183279A (zh
Inventor
雷迎科
陈悦
潘必胜
李星
陈翔
张孟伯
滕飞
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010996665.8A priority Critical patent/CN112183279B/zh
Publication of CN112183279A publication Critical patent/CN112183279A/zh
Application granted granted Critical
Publication of CN112183279B publication Critical patent/CN112183279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于IQ图特征的通信辐射源个体识别方法
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：
Figure BDA0002692759200000021
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
Figure BDA0002692759200000022
的IQ图矩阵，得到训练集大小为
Figure BDA0002692759200000023
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：
Figure BDA0002692759200000041
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
Figure BDA0002692759200000042
的IQ图矩阵，得到训练集大小为
Figure BDA0002692759200000043
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：
Figure BDA0002692759200000051
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：
Figure FDA0003583209710000011
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，得到大小为m×c×(2×b)的训练集。
4.根据权利要求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，得到大小为
Figure FDA0003583209710000021
的IQ图矩阵，得到训练集大小为
Figure FDA0003583209710000022
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：
初始学习率为0.0001，卷积核大小为7，优化方法为Adam，迭代次数为100000，批次大小为30，epoch为200。
CN202010996665.8A 2020-09-21 2020-09-21 基于iq图特征的通信辐射源个体识别方法 Active CN112183279B (zh)

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 CN112183279A (zh) 2021-01-05
CN112183279B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
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

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9928441B2 (en) * 2015-11-20 2018-03-27 Infinity Augmented Reality Israel Ltd. Method and a system for determining radiation sources characteristics in a scene based on shadowing analysis
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
CN111310719B (zh) * 2020-03-10 2021-07-06 电子科技大学 一种未知辐射源个体识别及检测的方法
CN111582320B (zh) * 2020-04-17 2022-10-14 电子科技大学 一种基于半监督学习的动态个体识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Radar Emitter Identification Based on Deep Convolutional Neural Network;Mingxin Kong等;《2018 International Conference on Control, Automation and Information Sciences (ICCAIS)》;20181210;309-314 *
Radar Emitter Identification Based on Feedforward Neural Networks;Zhiling Xiao等;《2020 IEEE 4th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC)》;20200513;555-558 *
基于改进CNN的雷达辐射源识别算法研究;吴琼;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215;第2020年卷(第2期);I136-1761 *
基于时频分析的雷达信号脉内调制识别技术研究;蒋兵;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;第2019年卷(第1期);I136-1545 *

Also Published As

Publication number Publication date
CN112183279A (zh) 2021-01-05

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
CN112684427A (zh) 基于串行二次强化训练的雷达目标识别方法
Wu et al. Recognizing automatic link establishment behaviors of a short-wave radio station by an improved unidimensional densenet
CN110569884A (zh) 基于深度学习和形态学的高光谱遥感影像分类方法
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
CN111624570A (zh) 基于二维卷积神经网络的雷达目标识别方法
CN114943253A (zh) 一种基于元学习模型的射频指纹小样本识别方法
CN118260571A (zh) 基于多模态特征融合和深度学习的卫星信号个体识别方法
CN112329538B (zh) 一种基于微波视觉的目标分类方法
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
CN116246092A (zh) 基于自注意力卷积神经网络的声呐图像分类系统及方法
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
CN115273122A (zh) 一种基于深度学习的身份证识别方法及装置
CN114581790A (zh) 基于图像增强与多特征融合的小目标检测方法
CN111079850B (zh) 波段显著度的深度空谱联合高光谱图像分类方法
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
CN111178510A (zh) 基于卷积神经网络的自适应分组卷积模块设计方法
Zhang et al. Split-Conv: A Resource-efficient Compression Method for Image Quality Assessment Models

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