CN112241724B - 一种基于双路卷积长短期神经网络的自动识别方法及系统 - Google Patents
一种基于双路卷积长短期神经网络的自动识别方法及系统 Download PDFInfo
- Publication number
- CN112241724B CN112241724B CN202011186593.7A CN202011186593A CN112241724B CN 112241724 B CN112241724 B CN 112241724B CN 202011186593 A CN202011186593 A CN 202011186593A CN 112241724 B CN112241724 B CN 112241724B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- long
- short
- convolution
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000007774 longterm Effects 0.000 title claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 102100033591 Calponin-2 Human genes 0.000 description 2
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Error Detection And Correction (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种基于双路卷积长短期神经网络的自动识别方法及系统,利用将无线电信号的同向分量和正交分量转换成幅度分量和相位分量;构造双路神经网络,将简单的同向正交分量送入到卷积神经网络,同时,将转换的幅度相位分量送入到长短期神经网络进行识别;然后,将两路神经网络提取的时空特征进行信息融合,连接成一个新的特征矩阵;训练神经网络,使用softmax分类器完成信号识别分类。本发明基于双路卷积长短期神经网络,可以同时提取信号的时间和空间特征,并且为不同的特征选择适合的神经网络,充分利用神经网络提取特征的能力,学习更好的性能,提高分类的准确率。
Description
技术领域
本发明属于深度学习领域,具体涉及一种基于双路卷积长短期神经网络的自动调制识别方法及系统,用于射频信号调制方式识别分类。
背景技术
自动调制识别方法主要有基于似然和基于特征两类。基于似然的识别方法通过接收信号的似然函数,把似然比和对应阈值进行比较,做出判决。基于特征的识别方法关键特征可分为时域特征:瞬时振幅、相位、频率;变换域特征:小波变换、傅里叶变换;高阶统计特征等。传统的方法准确率较低,运算量大,识别困难。深度学习以其杰出的特征提取能力广泛应用于自动调制识别方面。不同的模型结构对于不同的特征有不同的敏感度,因此,用双路神经网络结构提取不同的特征,使识别效果更加准确。
发明内容
发明目的:本发明提供一种基于双路卷积长短期神经网络的自动识别方法及系统,解决的是单个神经网络只能提取单一特征,导致特征提取不完全,从而达到更好的识别效果。
技术方案:本发明所述的一种基于双路卷积长短期神经网络的自动识别方法,具体包括以下步骤:
(1)将无线电信号的同相分量和正交分量转换成幅度分量和相位分量;
(2)构造双路神经网络,将简单的同向正交分量送入到卷积神经网络,同时,将转换的幅度相位分量送入到长短期神经网络进行识别;
(3)将两路神经网络提取的时空特征进行信息融合,连接成一个新的特征矩阵;
(4)训练双路神经网络,使用softmax分类器完成信号识别分类。
进一步地,所述步骤(1)通过以下公式实现:
其中,XA表示信号幅度分量,XP表示信号相位分量,XI和XQ分别代表同相和正交分量。
进一步地,步骤(2)所述的双路神经网络分别为卷积神经网络和长短期神经网路;所述卷积神经网络由一层卷积网络层构成,卷积网络层由卷积滤波和非线性激活函数ReLU构成,卷积网络层的滤波器大小为1*3,个数为256个;所述长短期神经网路由两层神经网络层构成,每层有256个神经单元。
进一步地,步骤(3)所述的两路神经网络提取的特征进行融合,采用特征相连的方式,表达式如下:
其中,concat表示融合后的信息,fCNN(XI/Q)表示信号矩阵X的同相正交(In-phase/Quadrature,I/Q)分量经过卷积神经网络(CNN)之后的特征矩阵,fLSTM(XA/P)表示信号矩阵X的幅度相位(Amplitude/Phase,A/P)分量经过长短期神经网络(LSTM)之后的特征矩阵,表示两个特征矩阵相连。
进一步地,步骤(4)所述的训练双路神经网络采用反向传播算法,多分类激活函数softmax作为最后一层的激活函数,目标函数为交叉熵损失函数,表达式如下:
其中,Loss表示交叉熵损失函数,N为样本个数,yi和分别是输出对象是第i种调制方式的真实概率和预测概率,使用反向传播算法来对损失函数求导;σ函数表示softmax激活函数,z表示输入数据,k表示调制类别数。
本发明还提供一种基于双路卷积长短期神经网络的自动识别系统,包括输入层、卷积神经网络层、长短期神经网路层、融合层以及输出层;所述卷积神经网络层和长短期神经网路层采用并联的方式同时提取信号的不同特征;所述输入层对输入信息进行收集,将采集到的调制信号作为2*128大小的矩阵进行处理,其中信号采样的同相和正交部分分开;所述卷积神经网络层提取信号的空间特征,采用一个卷积层,卷积核大小为1*3,卷积层节点数为256个,后面连接一个dropout层,激活函数使用ReLU函数;所述长短期神经网路层提取信号的时间特征,采用两层LSTM,每层有256个神经单元逐层从调制信号中提取有用信息,并且使用了L2正则化防止模型过度拟合;所述融合层将卷积神经网络提取的空间特征和长短期神经网路提取的时间特征进行融合,两路特征通过特征相连串接成新的特征矩阵。
有益效果:与现有技术相比,本发明的有益效果:本发明基于双路卷积长短期神经网络,可以同时提取信号的时间和空间特征,并且为不同的特征选择适合的神经网络,充分利用神经网络提取特征的能力,学习更好的性能,提高分类的准确率。
附图说明
图1是基于卷积长短期神经网络的自动识别系统结构图;
图2是两路神经网络得到的特征矩阵到融合矩阵的示意图;
图3是LSTM网络对不同输入信号的识别率;
图4是CNN网络对不同输入信号的识别率;
图5是不同LSTM层数对识别性能的影响;
图6是不同CNN层数对识别性能的影响;
图7是不同算法的识别率。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明提供一种基于卷积长短期神经网络的自动识别系统,如图1所示,基于卷积长短期神经网络的自动识别网络结构包括输入层、卷积神经网络(CNN)层和长短期神经网路(LSTM)层、融合层以及输出层;其中CNN层和LSTM层采用并联的方式同时提取信号的不同特征。
输入层主要完成输入信息的收集,将采集到的调制信号作为2*128大小的矩阵进行处理,其中信号采样的同相和正交部分分开。CNN层主要提取信号的空间特征,采用一个卷积层,卷积核大小为1*3,卷积层节点数为256个,后面是一个dropout层,防止模型过度拟合,dropout率设置为0.4,其中激活函数使用ReLU函数,ReLU函数定义为ReLU(x)=max(0,x)。LSTM层主要提取信号的时间特征,采用两层LSTM层,每层有256个神经单元逐层从调制信号中提取有用信息,并且使用了L2正则化防止模型过度拟合。融合层主要将CNN网络提取的空间特征和LSTM提取的时间特征进行融合,两路特征通过特征相连的方式串接成新的特征矩阵。输出层主要完成各个调制方式的预测概率向量,采用全连接层和softmax函数,全连接层将融合特征映射到稀疏空间,softmax函数将全连接输出映射到(0,1)区间内,选取概率最大的节点作为预测目标,最后判定何种调制方式:
其中,表示输出对象是第i种调制方式的预测概率,σ函数表示softmax激活函数,z表示输入数据,k表示调制类别数。
本发明还提供一种基于卷积长短期神经网络的自动识别方法,具体包括以下步骤:
步骤1:利用RadioML2016.10a数据集,将无线电信号的同相分量和正交分量转换成幅度分量和相位分量。
将无线电信号的同相分量和正交分量转换成幅度和相位分量,利用下式进行计算:
式中,XA表示信号幅度分量,XP表示信号相位分量,XI和XQ分别代表同相和正交分量。
步骤2:构造双路神经网络,将简单的同向正交分量送入到卷积神经网络,同时,将转换的幅度相位分量送入到长短期神经网络进行识别。
双路神经网络分别为卷积神经网络(CNN)和长短期神经网路(LSTM)。CNN由一层卷积网络层构成,卷积网络层由卷积滤波和非线性激活函数ReLU构成,卷积网络层的滤波器大小为1*3,个数为256个。LSTM由两层神经网络层构成,每层由256个神经单元。
步骤3:将双路神经网络提取的时空特征进行信息融合,连接成一个新的特征矩阵。
同相正交分量更适合CNN网络提取空间特征,幅度相位分量更适合LSTM网络提取时间特征,将两种特征采用特征相连(“concatenate”)的方式,表达式如下:
其中,concat表示融合后的信息,fCNN(XI/Q)表示信号矩阵X的同相正交(In-phase/Quadrature,I/Q)分量经过卷积神经网络(CNN)之后的特征矩阵,fLSTM(XA/P)表示信号矩阵X的幅度相位(Amplitude/Phase,A/P)分量经过长短期神经网络(LSTM)之后的特征矩阵,表示两个特征矩阵相连,具体方式如图2所示,左边分别表示两路神经网络得到的特征矩阵,采用特征相连的方式,得到右边的融合矩阵。
步骤4:训练双路神经网络,使用softmax分类器完成信号识别分类。
训练神经网络过程采用反向传播算法,多分类激活函数softmax作为最后一层的激活函数,目标函数为交叉熵损失函数,表达式如下:
其中,Loss表示交叉熵损失函数,N为样本个数,yi和分别是输出对象是第i种调制方式的真实概率和预测概率,使用反向传播算法来对损失函数求导,使网络学习更好的性能。
数据集是开源软件无线平台生成的RadioML2016.10a数据集,70%的数据集被随机选择用于训练,30%用于测试。为了避免局部优化,采用最小批数为1024个向量的随机梯度下降法。优化器使用Adam,学习率设置为0.01。模型在GPU上训练100个周期,同时加入了early-stopping机制,耐心值设置为5。实施平台是使用带有Tensorflow的Keras作为后端,配备3.40GHz CPU,16GB RAM和单个NVIDA GeForce GTX 1080GPU的系统。
图3和图4是不同模型输入不同类型的信号训练的模型的性能。从图中得知幅度相位(Amplitude/Phase,A/P)分量更适合于LSTM结构提取时序特征进行序列分类,同相正交(In-phase/Quadrature,I/Q)分量更适合于CNN结构提取空间特征进行信号分类。如果只向LSTM网络提供I/Q分量,结果会很糟,因为LSTM不能提取任何有意义的表示,该模型甚至不能减少训练损失,在数据集上只能给出27%的准确率。同样,CNN网络中的A/P分量也无法产生比I/Q分量更好的效果。
图5是LSTM层数对识别性能的影响。第一层LSTM提取的初步时序特征为输入后,多层LSTM网络进一步提取时序特征。图5表明,LSTM层数过少可能导致特征提取不完全,从而识别效果较差;过多则会达到饱和状态,继续增加层数只会造成网络臃肿,性能难以提升。
图6是CNN层数对识别性能的影响,当采用一层卷积层时,网络有最高的识别精度;当增加卷积层后,网络性能下降,说明网络采取一层卷积层提取的特征就很好的反映调制样式信息,再增加卷积层只会提取冗余特征,只会增加网络复杂度,泛化能力下降。
图7是不同算法的性能比较,图中将本发明(DCL)、CNN2(两个卷积层和两个密集层,滤波器的数量分别是256和80个,大小分别为1*3和2*3,两层密集层的神经单元数量为128和11个)、CNN4(在CNN2基础上增加两层卷积层)、ResNet(三个残差块和三个完全连接的层位于三个残差堆栈后面)、CLDNN(CNN+LSTM+DNN)和AMCNet(四个卷积层,dropout层和高斯噪声层)进行对比,图7表明,五种方法的识别性能均随着信噪比的增加而提高。单个CNN模型只提取空间特征,导致大量有价值的信息丢失,因此识别准确率仅为73%。ResNet模型的核心是在前层和后层之间创建捷径(跳过连接),这些特性使得ResNet能够取得比CNN更好的性能,但是,随着网络的深入,ResNet网络的分类精度会大大降低。CLDNN是CNN、LSTM和DNN的组合,采用的串联的方式,模型结构复杂,识别精度高于除我们提出的网络模型。双路卷积长短期模型能够同时提取时间和空间特征,采用双路融合的方式,识别率最高。显然,本发明的优势十分明显。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种基于双路卷积长短期神经网络的自动识别方法,其特征在于,包括以下步骤:
(1)将无线电信号的同相分量和正交分量转换成幅度分量和相位分量;
(2)构造双路神经网络,将简单的同向正交分量送入到卷积神经网络,同时,将转换的幅度相位分量送入到长短期神经网络进行识别;
(3)将两路神经网络提取的时空特征进行信息融合,连接成一个新的特征矩阵;
(4)训练双路神经网络,使用softmax分类器完成信号识别分类;
步骤(2)所述的双路神经网络分别为卷积神经网络和长短期神经网路;所述卷积神经网络由一层卷积网络层构成,卷积网络层由卷积滤波和非线性激活函数ReLU构成,卷积网络层的滤波器大小为1*3,个数为256个;所述长短期神经网路由两层神经网络层构成,每层由256个存储器单元;
步骤(3)所述的两路神经网络提取的特征进行融合,采用特征相连的方式,表达式如下:
concat=fCNN(XI/Q)⊕fLSTM(XA/P)
其中,concat表示融合后的信息,fCNN(XI/Q)表示经过信号矩阵X的I/Q信息经过CNN网络之后的特征矩阵,fLSTM(XA/P)表示信号矩阵X的A/P信息经过LSTM网络之后的特征矩阵,⊕表示两个特征矩阵相连;
步骤(4)所述的训练双路神经网络采用反向传播算法,多分类激活函数softmax作为最后一层的激活函数,目标函数为交叉熵函数,表达式如下:
其中,N为样本个数,yi和分别是第i个输出项的真实概率和预测概率,使用反向传播算法来对损失函数求导;σ函数表示softmax函数,z表示输入数据,k表示调制类别数。
2.根据权利要求1所述的基于双路卷积长短期神经网络的自动识别方法,其特征在于,所述步骤(1)通过以下公式实现:
其中,XA表示信号幅度信息,XP表示信号相位信息,XI和XQ分别代表同相和正交分量。
3.一种采用如权利要求1或2所述方法的基于双路卷积长短期神经网络的自动识别系统,其特征在于,所述系统包括输入层、卷积神经网络层、长短期神经网路层、融合层以及输出层;所述卷积神经网络层和长短期神经网路层采用并联的方式同时提取信号的不同特征;所述输入层对输入信息进行收集,将采集到的调制信号作为2*128大小的矩阵进行处理,其中信号采样的同相和正交部分分开;所述卷积神经网络层提取信号的空间特征,采用一个卷积层,卷积核大小为1*3,卷积层节点数为256个,后面连接一个dropout层,激活函数使用ReLU函数;所述长短期神经网路层提取信号的时间特征,采用两层LSTM,每层有256个神经单元逐层从调制信号中提取有用信息,并且使用了L2正则化防止模型过度拟合;所述融合层将卷积神经网络提取的空间特征和长短期神经网路提取的时间特征进行融合,两路特征通过特征相连串接成新的特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186593.7A CN112241724B (zh) | 2020-10-30 | 2020-10-30 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186593.7A CN112241724B (zh) | 2020-10-30 | 2020-10-30 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241724A CN112241724A (zh) | 2021-01-19 |
CN112241724B true CN112241724B (zh) | 2023-12-15 |
Family
ID=74170157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186593.7A Active CN112241724B (zh) | 2020-10-30 | 2020-10-30 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241724B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887239B (zh) * | 2021-02-15 | 2022-04-26 | 青岛科技大学 | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 |
CN112702294B (zh) * | 2021-03-24 | 2021-06-22 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113486724A (zh) * | 2021-06-10 | 2021-10-08 | 重庆邮电大学 | 基于cnn-lstm多支流结构和多种信号表示的调制识别模型 |
CN114422311B (zh) * | 2022-01-26 | 2023-08-18 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
CN114611550A (zh) * | 2022-03-04 | 2022-06-10 | 李小平 | 基于复数卷积模块的多特征自动调制识别方法 |
CN115549780B (zh) * | 2022-08-30 | 2024-06-14 | 北京邮电大学 | 光通信网络性能参数监测方法及装置 |
CN115392325B (zh) * | 2022-10-26 | 2023-08-18 | 中国人民解放军国防科技大学 | 一种基于CycleGan的多特征降噪调制识别方法 |
CN117131416B (zh) * | 2023-08-21 | 2024-06-04 | 四川轻化工大学 | 一种小样本调制识别方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108446021A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 基于压缩感知的p300脑机接口在智能家居中的应用方法 |
CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
CN109394258A (zh) * | 2018-09-18 | 2019-03-01 | 平安科技(深圳)有限公司 | 一种肺部呼吸音的分类方法、装置及终端设备 |
CN109597891A (zh) * | 2018-11-26 | 2019-04-09 | 重庆邮电大学 | 基于双向长短时记忆神经网络的文本情感分析方法 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
-
2020
- 2020-10-30 CN CN202011186593.7A patent/CN112241724B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108446021A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 基于压缩感知的p300脑机接口在智能家居中的应用方法 |
CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
CN109394258A (zh) * | 2018-09-18 | 2019-03-01 | 平安科技(深圳)有限公司 | 一种肺部呼吸音的分类方法、装置及终端设备 |
CN109597891A (zh) * | 2018-11-26 | 2019-04-09 | 重庆邮电大学 | 基于双向长短时记忆神经网络的文本情感分析方法 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112241724A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241724B (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及系统 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN111967343A (zh) | 基于简单神经网络和极端梯度提升模型融合的检测方法 | |
CN112731309A (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN113283403B (zh) | 基于对抗学习的伪造人脸视频检测方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
CN113556319B (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
CN112910812B (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
CN115037805B (zh) | 一种基于深度聚类的未知网络协议识别方法、系统、装置及存储介质 | |
CN117743768B (zh) | 基于去噪生成对抗网络和扩散模型的信号去噪方法及系统 | |
CN112615804A (zh) | 一种基于深度学习的短突发水声通信信号调制识别方法 | |
CN116318928A (zh) | 一种基于数据增强和特征融合的恶意流量识别方法及系统 | |
CN113901448A (zh) | 基于卷积神经网络和轻量级梯度提升机的入侵检测方法 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN115331135A (zh) | 基于多域特征区域标准分数差异的Deepfake视频检测方法 | |
CN117201082A (zh) | 融合TextCNN和GAN的网络入侵检测方法 | |
CN114882289B (zh) | 基于自适应确定拒判准则的sar目标开集识别方法 | |
CN116647844A (zh) | 一种基于堆叠集成算法的车载网络入侵检测方法 | |
CN115393802A (zh) | 一种基于小样本学习的铁路场景不常见入侵目标识别方法 | |
CN115643153A (zh) | 基于图神经网络的报警关联分析方法 | |
CN113870869A (zh) | 一种基于样本不均衡的半监督语音测谎方法 | |
CN118468203B (zh) | 基于社会网络和深度学习的海洋通信信号检测方法及装置 | |
CN114301499B (zh) | 一种基于cnn-gru的跳频信号智能接收方法 | |
Zhao et al. | Weak Signal Detection Method Based on Bayesian Neural Network |
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 |