CN112347910B - 一种基于多模态深度学习的信号指纹识别方法 - Google Patents
一种基于多模态深度学习的信号指纹识别方法 Download PDFInfo
- Publication number
- CN112347910B CN112347910B CN202011220547.4A CN202011220547A CN112347910B CN 112347910 B CN112347910 B CN 112347910B CN 202011220547 A CN202011220547 A CN 202011220547A CN 112347910 B CN112347910 B CN 112347910B
- Authority
- CN
- China
- Prior art keywords
- signal
- deep learning
- modal
- mode
- layer
- 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
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
- 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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模态深度学习的信号指纹识别方法,包括以下步骤:S1、对原始信号进行多种变换域空间的特征表示,并将多种特征表示组合为信号的多模态特征;S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络,通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器,并通过分类器进行信号指纹的识别。本发明通过利用信号原始波形数据切片,时域、频域、变换域多种特征表示,组合为信号的多模态特征;继而利用多模态深度学习模型对信号的多模态特征进行提取和分类,充分学习到信号的细微差异,最终可以有效实现对信号指纹的识别。
Description
技术领域
本发明涉及信号指纹识别技术领域,具体涉及一种基于多模态深度学习的信号指纹识别方法。
背景技术
伴随着电磁频谱环境的复杂化和认知无线电技术带来的智能化革新,频谱管理面临愈来愈多的困难。不论是对于民用领域电台监管还是军事领域电子侦察,信号的指纹识别是频谱管控的重要基础。信号的指纹识别是指信号辐射源个体之间的细微特征,这些细小的差异来源于系统的器件组成,来源于设备在生产过程中由环境、制造工艺等因素而产生的辐射源固有的、与发射信号无关的个体差异。合理的、具备普遍性的细微信号指纹识别具有重要的意义。信号指纹识别一般可分为特征提取和识别两个阶段。传统的特征提取主要是基于专家规则对信号进行时域、频域的特征定义,如信号的包络。目前业内也涌现了大量基于变换域的特征提取,这些包括了双谱、希尔伯特黄、连续小波等时频变换方法,较之于传统手段,这些变换方法具备更高的自适应性。在识别阶段,传统的方法主要是设计和维护特征数据库,将待识别信号与库中已有知识进行比对。诸如贝叶斯、K邻近、支持向量机等的机器学习方法和以深度卷积神经网络和循环神经网络为代表的深度学习技术也运用于信号指纹的识别应用中。
然而,即便依靠先进的特征提取和识别技术,信号的指纹识别也存在着客观的环境适应性问题,不同的特征变换方法和深度学习网络具有局限性,即在某些情况下某一种方法比较适用,而在另一种环境下其他的一种方法又更为有效。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于多模态深度学习的信号指纹识别方法解决了信号的指纹识别存在环境适应性的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于多模态深度学习的信号指纹识别方法,包括以下步骤:
S1、对原始信号进行多种变换域空间的特征表示,并将多种特征表示组合为信号的多模态特征;
S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络,通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器,并通过分类器进行信号指纹的识别。
进一步地:所述步骤S1的具体步骤为:
S11、对原始输入的信号数据按照固定长度切片作为单帧输入,切片长度为n(n=2i,i=6,7,8…),获取i类切片数据,将每类单帧数据记为Si;
S12、对原始输入的信号波形数据进行完整的时域、频域以及变换域的空间处理,进而再获取固定尺寸的二维图像,并统一利用双三插值进行图像压缩并做灰度化处理,记第j类变换得到的图像为Gj;
S13、将原始信号的切片序列和频谱图像的集合C={S1,S2,S3,…,G1,G2,G3,…}作为信号的多模态特征。
进一步地:所述步骤S12中的空间处理具体为:通过快速傅里叶变换、短时傅里叶变换、双谱变换、连续小波变换、希尔伯特黄变换、魏格纳-威尔分布、Cohen类分布获取脉内波形数据的时频和时相图。
进一步地:所述图像Gj的尺寸为Kj×Kj,Kj的取值包括但不限于128、224、256和512。
进一步地:所述步骤S2中构建多模态深度学习网络的具体步骤为:
S21、对集合C中的每一个切片数据特征Si,设计一个m(m=4,5,6…)层结构的深度神经网络模型,所述深度神经网络模型的第一层为输入层,中间层位长短时记忆层,将最后一个长短时记忆层作为输出层,输出结果为OSi;
S22、对集合C中的每一个图像特征Gj,构建t(t=3,4,5…)层结构的深度卷积神经网络或含r(r=2,3,4…)个单元的残差网络,其中每个残差单元包含两次短路连接k(k=2,3,4…)个卷积层、2个非线性整流函数激活层和1个最大池化层,将最后一个池化层作为输出层,输出结果为OGj;
S23、将输出结果OSi和OGj进行合并,并进行p(p=2,3…)层全连接层的处理,对最后全连接层的输出以Sigmoid函数进行激活,构建多模态深度学习网络。
进一步地:所述步骤S2中训练多模态深度学习网络的具体步骤为:针对每一种单模态特征,准备数量一致的训练模型和测试数据模型,利用误差的反向传播对损失函数进行迭代优化,并朝其值减小的方向更新网络权重系数,当到达预设的迭代轮数或损失值不再降低时,停止网络训练,得到训练好的多模态深度学习网络。
进一步地:所述步骤S2中识别信号指纹的具体步骤为:将集合C中的多模态特征作为训练好的多模态深度学习网络的模型输入,得到识别结果。
本发明的有益效果为:本发明提供一种基于多模态深度学习的信号指纹识别方法,解决单模态下特征变换加分类识别方法的环境局限性。本发明通过利用信号原始波形数据切片,时域、频域、变换域多种特征表示,组合为信号的多模态特征;继而利用多模态深度学习模型对信号的多模态特征进行提取和分类,充分学习到信号的细微差异,最终可以有效实现对信号指纹的识别。同时,本发明可以快速进行更新、有效利用该领域前沿的特征表示和分类识别器的研究成果,提升信号指纹识别在不同环境下的适应性和拓展性。
附图说明
图1为本发明流程框架图;
图2为本发明中测试信号源信号样本数据分布图;
图3为本发明中基于双谱变换的单模态识别混淆矩阵示意图;
图4为本发明中基于希尔伯特黄变换的单模态识别混淆矩阵示意图;
图5为本发明中基于双谱变换及希尔伯特黄变换的多模态识别混淆矩阵示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于多模态深度学习的信号指纹识别方法,包括以下步骤:
S1、对原始信号进行多种变换域空间的特征表示,并将多种特征表示组合为信号的多模态特征;具体步骤为:
S11、对原始输入的信号数据按照固定长度切片作为单帧输入,切片长度为n(n=2i,i=6,7,8…),获取i类切片数据,将每类单帧数据记为Si;
S12、对原始输入的信号波形数据进行完整的时域、频域以及变换域的空间处理,进而再获取固定尺寸的二维图像,并统一利用双三插值进行图像压缩并做灰度化处理,记第j类变换得到的图像为Gj;
空间处理具体为:通过快速傅里叶变换、短时傅里叶变换、双谱变换、连续小波变换、希尔伯特黄变换、魏格纳-威尔分布、Cohen类分布获取脉内波形数据的时频和时相图。
所述图像Gj的尺寸为Kj×Kj,Kj的取值包括但不限于128、224、256和512。
S13、将原始信号的切片序列和频谱图像的集合C={S1,S2,S3,…,G1,G2,G3,…}作为信号的多模态特征。
S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络,通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器,并通过分类器进行信号指纹的识别。
构建多模态深度学习网络的具体步骤为:
S21、对集合C中的每一个切片数据特征Si,设计一个m(m=4,5,6…)层结构的深度神经网络模型,所述深度神经网络模型的第一层为输入层,中间层位长短时记忆层,将最后一个长短时记忆层作为输出层,输出结果为OSi;
S22、对集合C中的每一个图像特征Gj,构建t(t=3,4,5…)层结构的深度卷积神经网络或含r(r=2,3,4…)个单元的残差网络,其中每个残差单元包含两次短路连接k(k=2,3,4…)个卷积层、2个非线性整流函数激活层和1个最大池化层,将最后一个池化层作为输出层,输出结果为OGj;
S23、将输出结果OSi和OGj进行合并,并进行p(p=2,3…)层全连接层的处理,对最后全连接层的输出以Sigmoid函数进行激活,构建多模态深度学习网络。
训练多模态深度学习网络的具体步骤为:针对每一种单模态特征,准备数量一致的训练模型和测试数据模型,利用误差的反向传播对损失函数进行迭代优化,并朝其值减小的方向更新网络权重系数,当到达预设的迭代轮数或损失值不再降低时,停止网络训练,得到训练好的多模态深度学习网络。
识别信号指纹的具体步骤为:将集合C中的多模态特征作为训练好的多模态深度学习网络的模型输入,得到识别结果。
为了验证本发明的有效性:采用4台同型的Keysight E8267D信号源,在相同环境下设置相同参数生成单音信号,信号源的功率从-65dBm按照5dBm步进至-30dBm,即包含了8种输出功率下的单音信号数据。
通过以下步骤的操作,对本发明提出的方法进行试验,验证其能否有效区分出这4台同型信号源产生的信号,识别的实现流程如图1所示。在本实例中,信号的多模态特征包括双谱变换特征和希尔伯特黄变换特征。具体的实施步骤如下:
(1)信号的多模态特征表示:
如图2所示,原始信号数据样本总共有1809595条,对所有数据样本进行:1)双谱变换,并对生成的图像进行基于双三次插值的压缩,统一固定至256×256的尺寸,再进行灰度化处理,得到双谱特征灰度图像G1;2)希尔伯特黄变换,并对生成的图像进行基于双三次插值的压缩,统一固定至128×128的尺寸,再进行灰度化处理,得到希尔伯特黄灰度图像G2。
这样,C={G1,G2}就构成了原始信号的多模态特征,即双谱频谱和希尔伯特黄频谱灰度图像的多模态集合。
(2)深度多模态网络的构建:对于步骤(1)中获取的信号多模态特征集合C,用于多模态特征提取和识别结果分类的深度模型包括了两个深度卷积类神经网络。
其中,用于双谱频谱灰度图像特征提取的卷积网络包含5个卷积层,5个最大池化层,最后OG1输出1024个特征。
用于希尔伯特黄频谱灰度图像特征提取的卷积网络包含4个卷积层,3个最大池化层,最后OG2输出1024个特征。
将OG1和OG2的输出进行合并,得到2048个特征,之后再分别连接一个128输出和4输出的全连接层,并添加了一个比例为30%的dropout,最后以Sigmoid函数进行激活。
(3)深度多模态网络的训练:通过步骤(1)的处理得到了原始信号数据样本的双谱和希尔伯特黄频谱灰度图像两种模态特征,两种灰度图像的数量均为1809595张。
将训练、验证、测试数据按照6:2:2的比例进行随机划分,最终两种灰度图像的训练样本为1085757张,验证和测试样本数为361919张。
模型参数反向调整的优化器选择为Adam,当训练轮数达到46轮时损失值不再降低时,停止网络训练,得到训练好的多模态信号指纹识别网络结构。
(4)深度多模态网络的识别:将双谱和希尔伯特黄模态特征测试样本输入到作为步骤(3)得到的模型中,得到4种同型信号源的个体识别结果。
为了验证本发明的有效性,在实施实例中,在同一数据集上,将基于希尔伯特黄和双谱的多模态模型与单独基于双谱、希尔伯特黄的单模态模型进行了识别结果比对。
图3是基于双谱变换的单模态识别混淆矩阵,图4是基于希尔伯特黄变换的单模态识别混淆矩阵,图5是基于双谱变换及希尔伯特黄变换的多模态识别混淆矩阵。此外,表1是以上三种模型在测试数据集上的识别准确率比对。
表1测试数据上的识别准确率比对
从结果中可以看到,多模态模型的识别准确率达到了91.3%,优于单模态的79.7%和76.5%,从混淆矩阵的对比中也能看出本发明所提出的方法对4种同型信号源具有更准确的区分能力。
Claims (5)
1.一种基于多模态深度学习的信号指纹识别方法,其特征在于,包括以下步骤:
S1、对原始信号进行多种变换域空间的特征表示,并将多种特征表示组合为信号的多模态特征;
S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络,通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器,并通过分类器进行信号指纹的识别;
所述步骤S1的具体步骤为:
S11、对原始输入的信号数据按照固定长度切片作为单帧输入,切片长度为n(n=2i,i=6,7,8…),获取i类切片数据,将每类单帧数据记为Si;
S12、对原始输入的信号波形数据进行完整的时域、频域以及变换域的空间处理,进而再获取固定尺寸的二维图像,并统一利用双三插值进行图像压缩并做灰度化处理,记第j类变换得到的图像为Gj;
S13、将原始信号的切片序列和频谱图像的集合C={S1,S2,S3,…,G1,G2,G3,…}作为信号的多模态特征;
所述步骤S2中构建多模态深度学习网络的具体步骤为:
S21、对集合C中的每一个切片数据特征Si,设计一个m(m=4,5,6…)层结构的深度神经网络模型,所述深度神经网络模型的第一层为输入层,中间层位长短时记忆层,将最后一个长短时记忆层作为输出层,输出结果为OSi;
S22、对集合C中的每一个图像特征Gj,构建t(t=3,4,5…)层结构的深度卷积神经网络或含r(r=2,3,4…)个单元的残差网络,其中每个残差单元包含两次短路连接k(k=2,3,4…)个卷积层、2个非线性整流函数激活层和1个最大池化层,将最后一个池化层作为输出层,输出结果为OGj;
S23、将输出结果OSi和OGj进行合并,并进行p(p=2,3…)层全连接层的处理,对最后全连接层的输出以Sigmoid函数进行激活,构建多模态深度学习网络。
2.根据权利要求1所述的基于多模态深度学习的信号指纹识别方法,其特征在于,所述步骤S12中的空间处理具体为:通过快速傅里叶变换、短时傅里叶变换、双谱变换、连续小波变换、希尔伯特黄变换、魏格纳-威尔分布、Cohen类分布获取脉内波形数据的时频和时相图。
3.根据权利要求1所述的基于多模态深度学习的信号指纹识别方法,其特征在于,所述图像Gj的尺寸为Kj×Kj,Kj的取值包括但不限于128、224、256和512。
4.根据权利要求1所述的基于多模态深度学习的信号指纹识别方法,其特征在于,所述步骤S2中训练多模态深度学习网络的具体步骤为:针对每一种单模态特征,准备数量一致的训练模型和测试数据模型,利用误差的反向传播对损失函数进行迭代优化,并朝其值减小的方向更新网络权重系数,当到达预设的迭代轮数或损失值不再降低时,停止网络训练,得到训练好的多模态深度学习网络。
5.根据权利要求4所述的基于多模态深度学习的信号指纹识别方法,其特征在于,所述步骤S2中识别信号指纹的具体步骤为:将集合C中的多模态特征作为训练好的多模态深度学习网络的模型输入,得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220547.4A CN112347910B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多模态深度学习的信号指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220547.4A CN112347910B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多模态深度学习的信号指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347910A CN112347910A (zh) | 2021-02-09 |
CN112347910B true CN112347910B (zh) | 2022-05-31 |
Family
ID=74429774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220547.4A Active CN112347910B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多模态深度学习的信号指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347910B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966610A (zh) * | 2021-03-09 | 2021-06-15 | 金陵科技学院 | 一种基于增量学习的电梯智能指纹识别系统 |
CN114707549B (zh) * | 2022-04-02 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN117544963B (zh) * | 2024-01-04 | 2024-03-26 | 四川大学 | 一种基于FTGan-Yolo的跨模态通信信号的辐射源识别方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985105A (zh) * | 2014-02-20 | 2014-08-13 | 江南大学 | 基于统计建模的Contourlet域多模态医学图像融合方法 |
CN106953821A (zh) * | 2017-03-29 | 2017-07-14 | 西安电子科技大学 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
CN109285538A (zh) * | 2018-09-19 | 2019-01-29 | 宁波大学 | 一种基于常q变换域的加性噪声环境下手机来源识别方法 |
CN109685728A (zh) * | 2018-11-30 | 2019-04-26 | 中南大学 | 基于局部时频域变换的数字图像处理方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN110603625A (zh) * | 2017-05-11 | 2019-12-20 | 科磊股份有限公司 | 用于对准以不同模态所获取的图像的以学习为基础的方法 |
CN111382555A (zh) * | 2020-03-19 | 2020-07-07 | 网易(杭州)网络有限公司 | 数据处理方法、介质、装置和计算设备 |
CN111583964A (zh) * | 2020-04-14 | 2020-08-25 | 台州学院 | 一种基于多模深度特征学习的自然语音情感识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609572B (zh) * | 2017-08-15 | 2021-04-02 | 中国科学院自动化研究所 | 基于神经网络和迁移学习的多模态情感识别方法、系统 |
US10573031B2 (en) * | 2017-12-06 | 2020-02-25 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及系统 |
CN109858540B (zh) * | 2019-01-24 | 2023-07-28 | 青岛中科智康医疗科技有限公司 | 一种基于多模态融合的医学图像识别系统及方法 |
CN111476805B (zh) * | 2020-05-22 | 2023-06-23 | 南京大学 | 一种基于多重约束的跨源无监督域适应分割模型 |
-
2020
- 2020-11-05 CN CN202011220547.4A patent/CN112347910B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985105A (zh) * | 2014-02-20 | 2014-08-13 | 江南大学 | 基于统计建模的Contourlet域多模态医学图像融合方法 |
CN106953821A (zh) * | 2017-03-29 | 2017-07-14 | 西安电子科技大学 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
CN110603625A (zh) * | 2017-05-11 | 2019-12-20 | 科磊股份有限公司 | 用于对准以不同模态所获取的图像的以学习为基础的方法 |
CN109285538A (zh) * | 2018-09-19 | 2019-01-29 | 宁波大学 | 一种基于常q变换域的加性噪声环境下手机来源识别方法 |
CN109685728A (zh) * | 2018-11-30 | 2019-04-26 | 中南大学 | 基于局部时频域变换的数字图像处理方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111382555A (zh) * | 2020-03-19 | 2020-07-07 | 网易(杭州)网络有限公司 | 数据处理方法、介质、装置和计算设备 |
CN111583964A (zh) * | 2020-04-14 | 2020-08-25 | 台州学院 | 一种基于多模深度特征学习的自然语音情感识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
Non-Patent Citations (4)
Title |
---|
A Deep Learning Approach to Human Activity Recognition Based on Single Accelerometer;Yuqing Chen;《2015 IEEE International Conference on Systems, Man, and Cybernetics》;20160114;第1488-1492页 * |
史巧巧.融合多特征的深度学习光学遥感图像舰船目标识别方法研究.《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》.2020,全文. * |
基于变换域时频切片的转发干扰认知算法;王峰;《电波科学学报》;20140430;第29卷(第2期);第358-362页 * |
基于图像特征的雷达信号脉内调制识别算法;龚文斌等;《电光与控制》;20080415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347910A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347910B (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN108665460B (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN110197205B (zh) | 一种多特征来源残差网络的图像识别方法 | |
US7457749B2 (en) | Noise-robust feature extraction using multi-layer principal component analysis | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN109461458B (zh) | 一种基于生成对抗网络的音频异常检测方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN111461244A (zh) | 一种基于SimpleShot的One-Shot学习新方法 | |
CN114387627A (zh) | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
Zhang et al. | Temporal Transformer Networks for Acoustic Scene Classification. | |
CN112966735B (zh) | 一种基于谱重建的监督多集相关特征融合方法 | |
CN111191027B (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN111597925A (zh) | 一种基于dcnn的电力系统暂态信号分析方法 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 | |
Unluturk et al. | Emotion recognition using neural networks |
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 |