CN112347921B - Pdw序列预处理方法、系统、计算机设备及存储介质 - Google Patents

Pdw序列预处理方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN112347921B
CN112347921B CN202011228562.3A CN202011228562A CN112347921B CN 112347921 B CN112347921 B CN 112347921B CN 202011228562 A CN202011228562 A CN 202011228562A CN 112347921 B CN112347921 B CN 112347921B
Authority
CN
China
Prior art keywords
pdw
fre
sequence
max
interval
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
CN202011228562.3A
Other languages
English (en)
Other versions
CN112347921A (zh
Inventor
康智
谭茂洲
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202011228562.3A priority Critical patent/CN112347921B/zh
Publication of CN112347921A publication Critical patent/CN112347921A/zh
Application granted granted Critical
Publication of CN112347921B publication Critical patent/CN112347921B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开了一种PDW序列预处理方法、系统、计算机设备及存储介质，基于PDW序列生成PDW特征图，先将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，再将该PDW序列所属的频段[fremin，fremax]映射到区间[nfmin，nfmax]，最后根据给定抽样间隔Δt生成包括频率特征图freFM和幅度特征图PAFM的PDW特征图，生成的PDW特征图中包含了PDW序列中的频率、脉宽、幅度以及到达时间信息。生成PDW特征图后，可以将其馈入经过训练的深度神经网络，能够在一定程度的脉冲特征参数失真条件下实现对信号的识别，输出相应的信号分类结果信息，从而改善识别性能。

Description

PDW序列预处理方法、系统、计算机设备及存储介质
技术领域
本发明涉及信号处理技术领域，尤其涉及一种PDW序列预处理方法、系统、计算机设备及存储介质。
背景技术
基于雷达侦察接收机所截获到的PDW(脉冲描述字)序列实现信号分选是雷达信号处理的重要环节，得到信号分选结果后，利用信号分选结果通过模板匹配、数据库匹配等方法实现目标识别是非常常见的信号处理方法。
雷达信号分选方法的研究始于20世纪70年代，方法多种多样。其中，Mardia等人1989年在文献“New techniques for the deinterleaving of repetitive sequences[J].IEE Proceedings，1989，136(4)：149-154.”中提出了非常著名的累积差值直方图(CDIF)算法。后续在CDIF的基础上，Nelson、Kenichi，以及王兴颖等人又做了各种各样的改进。直方图分选法的特点是基于TOA(Time Of Arrival，脉冲到达时间)信息实现信号分选，没有利用其他的脉冲特征参数，在复杂信号环境中始终存在很大的改进空间。
从上世纪90年代开始，AI算法开始应用于雷达信号分选领域。1990年，James等人在文献“Radar Signal Categorization Using a Neural Network.Proceedings of theIEEE，1990，78(16).”中利用神经网络对信号进行分类。后续梁百川、万建伟、Shieh等人也采用了不同形式的神经网络来实现分选识别。2003年，朱元清等人在文献“支持矢量分析在雷达信号分选中的应用[J].空军雷达学院学报，2003，17(3)：19-21.”中提出了基于支持向量机(SVM)的雷达信号分选方法，后续张葛祥也进行了SVM信号分类识别的研究。
无论是基于人工智能或非人工智能的算法，共同的特点都是使用脉冲或脉冲序列的特征参数信息作为信号分选识别的输入，因此，一旦因为各种原因(例如信噪比差、多径影响)导致PDW序列中的脉冲特征参数信息失真，就会影响到信号分选识别的性能。
发明内容
如前所述，现有算法的共同特点是使用脉冲或脉冲序列的特征参数信息作为信号分选识别的输入，因此一旦出现参数失真，就会影响到信号分选识别的性能。本发明使用PDW序列生成PDW特征图，生成PDW特征图后，可以将其馈入经过训练的深度神经网络，可以在一定程度的脉冲特征参数失真条件下实现对信号的识别，从而改善识别性能。
本发明提出一种PDW序列预处理方法、系统、计算机设备及存储介质，其技术方案如下：
一种PDW序列预处理方法，按照如下步骤基于PDW序列生成PDW特征图，该PDW特征图能够馈入经过训练的深度神经网络进行处理，输出相应的识别结果：
S1.将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
S2.将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近；
S3.给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure BDA0002764401460000031
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure BDA0002764401460000032
Figure BDA0002764401460000033
进一步的，区间[nfmin，nfmax]取[0.1,0.9]，即将频段[fremin，fremax]归一化到区间[0.1,0.9]。
一种PDW序列预处理系统，包括：
特征参数格式转换模块，用于将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
归一化模块，用于将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近；
PDW特征图生成模块，用于根据给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure BDA0002764401460000041
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure BDA0002764401460000042
Figure BDA0002764401460000043
进一步的，区间[nfmin，nfmax]取[0.1,0.9]，即将频段[fremin，fremax]归一化到区间[0.1,0.9]。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的PDW序列预处理方法的步骤。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述的PDW序列预处理方法的步骤。
本发明的有益效果在于：
本发明使用PDW序列生成PDW特征图，生成的PDW特征图中包含了PDW序列中的频率、脉宽、幅度以及到达时间信息。生成PDW特征图后，可以将其馈入经过训练的深度神经网络，能够在一定程度的脉冲特征参数失真条件下实现对信号的识别，输出相应的信号分类结果信息，从而改善识别性能。
附图说明
图1是本发明实施例的频率特征图可视化效果图；
图2是本发明实施例的幅度特征图可视化效果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种PDW序列预处理方法，按照如下步骤基于PDW序列生成PDW特征图，该PDW特征图能够馈入经过训练的深度神经网络进行处理，输出相应的识别结果(识别结果可以是目标的各种属性，和具体应用相关)：
S1.将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi(通常pdwi除包含频率、脉宽、到达时间和幅度值之外，还可能包含脉冲方位和调制类型等其他特征参数信息)转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
S2.将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近，例如[nfmin，nfmax]可取[0.1,0.9]；
S3.给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure BDA0002764401460000061
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure BDA0002764401460000071
Figure BDA0002764401460000072
本发明还提供了一种PDW序列预处理系统，包括：
特征参数格式转换模块，用于将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi(通常pdwi除包含频率、脉宽、到达时间和幅度值之外，还可能包含脉冲方位和调制类型等其他特征参数信息)转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
归一化模块，用于将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近，例如[nfmin，nfmax]可取[0.1,0.9]；
PDW特征图生成模块，用于根据给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure BDA0002764401460000073
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure BDA0002764401460000081
Figure BDA0002764401460000082
相应的，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述PDW序列预处理方法的步骤。此外，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述PDW序列预处理方法的步骤。
在本发明的一个具体实施例中，设定：
K＝8，fremin＝8000(MHz)，fremax＝12000(MHz)，Δt＝50ns，[nfmin，
nfmax]＝[0.1,0.9]。
PDW序列如下：
表1 PDW序列示例
Figure BDA0002764401460000083
Figure BDA0002764401460000091
按照本发明的PDW序列预处理方法方法所生成的频率特征图和幅度特征图如下所示：
Figure BDA0002764401460000092
上述频率特征图和幅度特征图的其可视化效果分别如图1和图2所示，其中，图1-b、图2-b分别是将图1-a、图2-a中处于11.5μs～12.5μs之间的部分放大后的显示。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种PDW序列预处理方法，其特征在于，按照如下步骤基于PDW序列生成PDW特征图，该PDW特征图能够馈入经过训练的深度神经网络进行处理，输出相应的识别结果：
S1.将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
S2.将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近；
S3.给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure FDA0002764401450000011
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure FDA0002764401450000012
Figure FDA0002764401450000021
2.根据权利要求1所述的一种PDW序列预处理方法，其特征在于，区间[nfmin，nfmax]取[0.1,0.9]，即将频段[fremin，fremax]归一化到区间[0.1,0.9]。
3.一种PDW序列预处理系统，其特征在于，包括：
特征参数格式转换模块，用于将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，即将PDW序列[pdw1,pdw2,…,pdwi,…,pdwK-1]中的pdwi转换成格式为[frei,PWi,Toai,PAi]的特征参数向量，其中frei、PWi、Toai、PAi分别是第i个脉冲的频率、脉宽、到达时间以及归一化幅度值；
归一化模块，用于将PDW序列所属的频段[fremin，fremax]归一化到区间[nfmin，nfmax]，即将[pdw1,pdw2,…,pdwi,…,pdwK-1]变换为[pdw’1,pdw’2,…,pdw’i,…,pdw’K-1]，其中pdw’i＝[fre’i,PWi,Toai,PAi]，且满足：
fre’i＝nfmin+(nfmax-nfmin)(frei-fremin)/(fremax-fremin)
其中，[nfmin，nfmax]应包含于区间[0,1]，并与区间[0,1]接近；
PDW特征图生成模块，用于根据给定抽样间隔Δt，按照如下方法生成PDW特征图，包括频率特征图freFM和幅度特征图PAFM：
Figure FDA0002764401450000022
其中：
N＝[(ToaK-1+PWK-1-Toa0)/Δt]，[]为取整运算；
Figure FDA0002764401450000031
Figure FDA0002764401450000032
4.根据权利要求3所述的一种PDW序列预处理系统，其特征在于，区间[nfmin，nfmax]取[0.1,0.9]，即将频段[fremin，fremax]归一化到区间[0.1,0.9]。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1或2所述的PDW序列预处理方法的步骤。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1或2所述的PDW序列预处理方法的步骤。
CN202011228562.3A 2020-11-06 2020-11-06 Pdw序列预处理方法、系统、计算机设备及存储介质 Active CN112347921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011228562.3A CN112347921B (zh) 2020-11-06 2020-11-06 Pdw序列预处理方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011228562.3A CN112347921B (zh) 2020-11-06 2020-11-06 Pdw序列预处理方法、系统、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112347921A CN112347921A (zh) 2021-02-09
CN112347921B true CN112347921B (zh) 2022-05-31

Family

ID=74429399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011228562.3A Active CN112347921B (zh) 2020-11-06 2020-11-06 Pdw序列预处理方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112347921B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925721B (zh) * 2022-04-27 2023-04-25 中国电子科技集团公司第二十九研究所 一种基于U-Net分割网络的信号分选方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954935A (zh) * 2014-05-12 2014-07-30 哈尔滨工业大学 一种最小l1范数下的雷达信号分选方法
GB2545661A (en) * 2015-12-21 2017-06-28 Nokia Technologies Oy A method for analysing media content
WO2017158575A1 (en) * 2016-03-17 2017-09-21 Imagia Cybernetics Inc. Method and system for processing a task with robustness to missing input information
CN106526566A (zh) * 2016-12-07 2017-03-22 中国船舶重工集团公司第七二四研究所 基于fpga高速预处理的信号脉内特征实时分析处理方法
CN108919193A (zh) * 2018-07-12 2018-11-30 中国船舶重工集团公司第七二四研究所 一种基于序列片段挖掘的参数捷变雷达信号分选方法
CN110109059B (zh) * 2019-03-27 2023-04-07 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号识别方法
CN110175560A (zh) * 2019-05-24 2019-08-27 哈尔滨工程大学 一种雷达信号脉内调制识别方法
CN110554356A (zh) * 2019-08-09 2019-12-10 清华大学 一种可见光通信中设备定位方法及系统

Also Published As

Publication number Publication date
CN112347921A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
Wu et al. Robust automatic modulation classification under varying noise conditions
WO2018176889A1 (zh) 一种数字通信信号调制方式自动识别方法
WO2023092923A1 (zh) 复合干扰信号识别方法和系统
Zhao et al. Classification of small UAVs based on auxiliary classifier Wasserstein GANs
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
Arshad et al. Leveraging transfer learning in multiple human activity recognition using WiFi signal
CN111144566B (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
Zhang et al. WiFi-based cross-domain gesture recognition via modified prototypical networks
CN111832462B (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
Shen et al. Node identification in wireless network based on convolutional neural network
CN112347921B (zh) Pdw序列预处理方法、系统、计算机设备及存储介质
Huang et al. Radar waveform recognition based on multiple autocorrelation images
Yang et al. One-dimensional deep attention convolution network (ODACN) for signals classification
CN109472216B (zh) 基于信号非高斯特性的辐射源特征提取和个体识别方法
CN114024808A (zh) 基于深度学习的调制信号识别方法及系统
Park et al. A novel robust feature of modulation classification for reconfigurable software radio
Dong et al. Radar signal modulation recognition based on bispectrum features and deep learning
CN111832632A (zh) 基于高次频谱对称Holder系数的雷达信号分选方法及系统
Nguyen et al. A parallel neural network-based scheme for radar emitter recognition
Zhu et al. A novel modulation classification method in cognitive radios using higher-order cumulants and denoising stacked sparse autoencoder
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
CN115134848A (zh) 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质
Tang et al. Data augmentation for signal modulation classification using generative adverse network
Zhou et al. A Specific Emitter Identification Method Based on RF-DNA and XGBoost

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