CN112348006A - 一种无人机信号识别方法、系统、介质及设备 - Google Patents
一种无人机信号识别方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112348006A CN112348006A CN202110028566.5A CN202110028566A CN112348006A CN 112348006 A CN112348006 A CN 112348006A CN 202110028566 A CN202110028566 A CN 202110028566A CN 112348006 A CN112348006 A CN 112348006A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle signal
- data
- training
- 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.)
- Pending
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
- G06F2218/08—Feature extraction
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人机信号识别方法、系统、介质及设备,属于无人机技术领域,用于解决无人机信号识别效率低的技术问题,此方法包括步骤:1)获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;无人机信号数据为射频信号数据;2)根据无人机信号识别任务构建残差网络模型,使用训练数据对残差网络模型进行训练,得到训练好的无人机信号识别模型;3)将待识别的无人机信号数据输入到无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。本发明具有操作简单、识别全面且精度高等优点。
Description
技术领域
本发明主要涉及无人机技术领域,具体涉及一种无人机信号识别方法、系统、介质及设备。
背景技术
近年来,无人机越来越广泛地应用于各行各业,极大地方便了人们的工作。但无人机在一些重点区域的频繁使用也容易造成技术、隐私及公共安全等问题。通过无人机可能造成窥探隐私、影响飞机起落、携运走私非法物品等一系列安全隐患。因此,对无人机进行识别及探测变得十分重要。
目前,针对无人机的检测主要是通过传统的视觉检测方法或信号处理方法。由于无人机机身小巧,机动性能强,而且视觉检测方法需要将无线信号经过时频变换转换成二维图像,必然需要大量的计算,且转换成时频图后,信号特征不明显,很容易造成漏检、误检。
传统的信号处理方法则首先需要对采集得到的无线信号做大量的前期预处理工作,包括频谱处理、滤波处理等,预处理后再通过人工提取无人机信号特征,但无人机信号的通信频段、调制模式都存在着很大的差异。因此,使用传统的无线信号处理方法需要大量的预处理操作才能得到较为清晰的信号特征,因此需要较强的专业知识及人力时间成本。另外,在深度学习方法中,普通的卷积神经网络容易出现过拟合和梯度消失或梯度爆炸的问题,在网络层数较深时会出现网络退化的现象。当训练及测试样本较少时,网络训练的泛化能力较差,容易在检测过程出现漏检和误检的问题。
另外无人机信号识别方法,主要研究方向是通过检测无人机信号判断是否存在无人机,而对无人机的型号和无人机的飞行模式则没有关注。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的问题,本发明提供一种操作简单、原理清晰、识别全面且精度高的无人机信号识别方法、系统、介质及设备。
为解决上述技术问题,本发明提出的技术方案为:
一种无人机信号识别方法,包括步骤:
1)获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;所述无人机信号数据为无人机射频信号数据;
2)根据无人机信号识别任务构建相应的残差网络模型,使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
3)将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。
作为上述技术方案的进一步改进:
在步骤1)中,从无人机射频数据库中得到无人机信号的原始数据集,再对原始数据集中原始数据进行预处理,得到无人机信号数据。
所述预处理包括依次进行的分段、频域转换、聚合、归一化和升维。
所述分段用于将原始数据集中的原始数据进行分段;所述频域转换用于将时域信号的采样变换为在离散傅里叶变换频域的采样;所述聚合用于将所有频域转换后的数据聚合生成mat文件;所述归一化用于将mat文件中的数据按比例压缩到0-1的范围之间;所述升维用于将一维的无人机信号数据升维成为三维数据。
所述无人机信号识别任务包括无人机是否存在的识别、无人机型号的识别、无人机飞行模式的识别中的一种或多种。
在步骤3)中,在训练好无人机信号识别模型后,再对其进行测试评估。
所述无人机信号识别模型的训练、测试评估采用交验验证方法:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,依次将训练集中的训练数据用于残差网络模型的训练,测试集中的训练数据用于对训练好的无人机信号识别模型进行评估,依次训练n次。
本发明还公开了一种无人机信号识别系统,包括:
第一模块,用于获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;所述无人机信号数据为无人机射频信号数据;
第二模块,用于根据无人机信号识别任务构建相应的残差网络模型,并使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
第三模块,用于将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的无人机信号识别方法的步骤。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的无人机信号识别方法的步骤。
与现有技术相比,本发明的优点在于:
本发明的无人机信号识别方法,可通过无人机信号识别模型直接对无人机信号进行识别,而不需要将无人机信号先转换成图像,再通过图像进行识别,节省人力成本,原理清晰,操作简便,最终通过无人机信号识别无人机存在、型号及飞行模式;另外针对普通卷积神经网络容易过拟合和梯度消失的问题,采用残差网络模型,通过卷积层和池化层来提取信号特征、利用残差网络跳跃连接的特性,在网络层数较深的情况下,加入初始层的直接映射,防止过拟合和梯度消失,解决网络退化的问题,从而提高识别精度。另外采用交验验证方法,从而使得所有训练数据可作为测试集进行测试,保证模型的精度。
附图说明
图1为本发明的方法在实施例的流程图。
图2为本发明的预处理在实施例的流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本实施例的无人机信号识别方法,包括步骤:
1)获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;其中无人机信号数据为无人机射频信号数据;其中无人机信号识别任务包括无人机是否存在的识别、无人机型号的识别和无人机飞行模式的识别;
2)根据无人机信号识别任务构建相应的残差网络模型,使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
3)将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,得到无人机是否存在、无人机型号以及无人机飞行模式等信息,从而完成无人机信号的识别。
本发明的无人机信号识别方法,针对普通卷积神经网络容易过拟合和梯度消失的问题,采用残差网络模型,通过卷积层和池化层来提取信号特征,利用残差网络跳跃连接的特性,在网络层数较深的情况下,加入初始层的直接映射,防止过拟合和梯度消失,解决网络退化的问题,从而提高识别精度;本发明通过无人机信号识别模型直接对无人机信号进行识别,而不需要将无人机信号先转换成图像,再通过图像进行识别,节省人力成本,原理清晰,操作简便;另外能对无人机是否存在、无人机型号和无人机飞行模式进行识别,识别全面。
本实施例中,在步骤1)中,从无人机射频数据库中得到无人机信号的原始数据集,再对原始数据集中原始数据进行预处理,得到无人机信号数据。如图2所示,其中预处理包括依次进行的分段、频域转换、聚合、归一化和升维。具体地,分段用于将原始数据集中的原始数据进行分段;频域转换用于将时域信号的采样变换为在离散傅里叶变换频域的采样;聚合用于将所有频域转换后的数据聚合生成mat文件;归一化用于将mat文件中的数据按比例压缩到0-1的范围之间;升维用于将一维的无人机信号数据升维成为三维数据。上述预处理过程简单快速,不需要进行时频转换,数据处理效率高且能避免常规预处理采用时频图进行特征提取而导致的漏检和误检。
本实施例中,在步骤3)中,在训练好的无人机信号识别模型,再对其进行测试评估。其中无人机信号识别模型的训练、测试评估采用交验验证方法,具体为:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,依次将训练集中的训练数据用于残差网络模型的训练,测试集中的训练数据用于对训练好的无人机信号识别模型进行评估,依次训练n次。由于采用上述交验验证方法,从而使得所有训练数据可作为测试集进行测试,保证模型的精度。
本发明结合深度学习(残差神经网络模型),通过直接对无人机信号进行处理,提取特征,可通过添加无人机信号数据,对新的无人机进行识别,具有极高的可拓展性。
本发明还公开了一种无人机信号识别系统,包括:
第一模块,用于获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;其中无人机信号数据为无人机射频信号数据;
第二模块,用于根据无人机信号识别任务构建相应的残差网络模型,并使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
第三模块,用于将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。
本发明的无人机信号识别系统,用于执行如上所述的方法,同样具有如上方法所述的优点。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的无人机信号识别方法的步骤。
本发明进一步公开了一种计算机设备,包括存储器和处理器,存储器上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的无人机信号识别方法的步骤。
本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
下面通过一个具体的实施例来对本发明内容作进一步详细说明。
本发明基于Keras深度学习框架下完成的,硬件配置如下:Intel(R) Core(TM)i7-9700KF CPU@3.60GHz 8核CPU,16G内存,NVIDIA GeForce RTX 2060 SUPER,8GB。软件配置:Ubuntu系统,Python 3.5。
结合图1和图2,无人机信号识别方法的详细流程为:
1、从无人机射频数据库中得到原始DroneRF数据集,再对原始DroneRF数据集中的原始数据以100为单位进行分段,以csv文件的形式保存下来,避免内存溢出;将分段后的数据进行频域转换,每2048个点转换成一个频域样本,再将转换后的样本根据类别的不同以mat的数据格式进行存储,对mat文件中的数据进行归一化处理,将所有mat文件的数据聚合到一个csv文件中,在训练前,加载一维数据并将其转换成三维的可供训练的数据,如从2048升维为1x2048x1。
2、无人机信号识别的任务划分具体包括无人机是否存在的识别、无人机型号的识别、无人机飞行模式的识别。
根据无人机信号识别任务,对数据加入标签,如无人机信号不存在,则加入标签00000,无人机存在标签则为1xxxx;不同型号无人机的标签分别为100xx、101xx、110xx、111xx;不同无人机运作模式的标签分别为10000、10001、10010、10011、10100、10101、10110、10111、11000、11001、11010、11011、11100、11101、11110、11111等。
3、构建用于无人机信号识别的残差网络模型;
残差网络模型包含3个残差块,首先使用Reshape对输入进行升维,再加入ZeroPadding层,残差块包括1个卷积核为1x1的卷积层、两个卷积核为3x1的卷积层、跳跃连接、ReLu激活函数层和最大池化层;残差模块后依次为全连接层、Dropout层、全连接层、Softmax层。其中ReLu层为非线性激活函数,对非线性的数据特征进行分类,即当ReLu层的输入为x,输出则为max(x,0)。对于ReLu,当输入大于0,则输出与输入相等,否则输出为0。
残差网络模型中的卷积层提取输入数据的空间特征,纠正线性单元(ReLu)引入非线性激活函数对非线性数据特征进行分类,池化层进行二次特征提取,通过跳跃连接,在网络层数加深时,加入初始层的直接映射,防止过拟合和网络退化,全连接层把分布式特征表示映射到样本标记空间,全连接层的输出传递到Softmax层进行分类。
残差网络模型直接对原始无线信号进行处理,而不需要将无人机信号先转换成图像,再通过图像进行识别。残差网络模型通过卷积层和池化层来提取信号特征、利用残差网络跳跃连接的特性,在网络层数较深的情况下,加入初始层的直接映射,防止过拟合和梯度消失,解决网络退化的问题。
4、通过预处理后的数据对残差网络模型进行训练以及测试评估
加入10组交叉验证方法,将原始数据集分为10组,每次选取一组作为验证集,其它数据作为训练集,依次训练10次,因此所有数据都可参与到训练以及测试评估当中。其训练中使用Adam优化器,学习率设定为0.001,batch_size设定为10,epoch设定为200,且设置了提前结束策略,当验证损失连续10个epoch不再下降,则提前停止训练。其中损失函数采用交叉熵损失函数。
5、无人机信号通过数据预处理、残差网络模型提取特征、损失函数计算误差、Softmax分类输出分类结果来判断无人机是否存在、无人机型号、无人机运作模式,实现无人机信号识别。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种无人机信号识别方法,其特征在于,包括步骤:
1)获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;所述无人机信号数据为无人机射频信号数据;
2)根据无人机信号识别任务构建相应的残差网络模型,使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
3)将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。
2.根据权利要求1所述的无人机信号识别方法,其特征在于,在步骤1)中,从无人机射频数据库中得到无人机信号的原始数据集,再对原始数据集中原始数据进行预处理,得到无人机信号数据。
3.根据权利要求2所述的无人机信号识别方法,其特征在于,所述预处理包括依次进行的分段、频域转换、聚合、归一化和升维。
4.根据权利要求3所述的无人机信号识别方法,其特征在于,所述分段用于将原始数据集中的原始数据进行分段;所述频域转换用于将时域信号的采样变换为在离散傅里叶变换频域的采样;所述聚合用于将所有频域转换后的数据聚合生成mat文件;所述归一化用于将mat文件中的数据按比例压缩到0-1的范围之间;所述升维用于将一维的无人机信号数据升维成为三维数据。
5.根据权利要求1~4中任意一项所述的无人机信号识别方法,其特征在于,所述无人机信号识别任务包括无人机是否存在的识别、无人机型号的识别、无人机飞行模式的识别中的一种或多种。
6.根据权利要求1~4中任意一项所述的无人机信号识别方法,其特征在于,在步骤3)中,在训练好无人机信号识别模型后,再对其进行测试评估。
7.根据权利要求6所述的无人机信号识别方法,其特征在于,所述无人机信号识别模型的训练、测试评估采用交验验证方法:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,依次将训练集中的训练数据用于残差网络模型的训练,测试集中的训练数据用于对训练好的无人机信号识别模型进行评估,依次训练n次。
8.一种无人机信号识别系统,其特征在于,包括:
第一模块,用于获取无人机信号数据,根据无人机信号识别任务定义无人机信号数据的标签类别,对无人机信号数据进行分类标注,得到训练数据集;训练数据集中的每条训练数据包括无人机信号数据及其标签类别;所述无人机信号数据为无人机射频信号数据;
第二模块,用于根据无人机信号识别任务构建相应的残差网络模型,并使用训练数据对所构建的残差网络模型进行训练,得到训练好的无人机信号识别模型;
第三模块,用于将待识别的无人机信号数据输入到训练好的无人机信号识别模型,输出其对应的标签类别,完成无人机信号的识别。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的无人机信号识别方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的无人机信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028566.5A CN112348006A (zh) | 2021-01-11 | 2021-01-11 | 一种无人机信号识别方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028566.5A CN112348006A (zh) | 2021-01-11 | 2021-01-11 | 一种无人机信号识别方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348006A true CN112348006A (zh) | 2021-02-09 |
Family
ID=74428132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110028566.5A Pending CN112348006A (zh) | 2021-01-11 | 2021-01-11 | 一种无人机信号识别方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348006A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177514A (zh) * | 2021-05-20 | 2021-07-27 | 浙江波誓盾科技有限公司 | 无人机信号检测方法、装置及计算机可读存储介质 |
CN113408425A (zh) * | 2021-06-21 | 2021-09-17 | 湖南翰坤实业有限公司 | 一种生物语言解析的集群控制方法及系统 |
CN113537053A (zh) * | 2021-07-15 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 一种构建民航领域射频指纹识别模型的方法 |
CN114332454A (zh) * | 2021-12-29 | 2022-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于图像的船舶抓拍方法和系统 |
CN115809422A (zh) * | 2021-09-13 | 2023-03-17 | 国家电网有限公司 | 一种基于svm的无人机rf信号识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650202A (zh) * | 2018-05-11 | 2018-10-12 | 大唐联诚信息系统技术有限公司 | 一种信号调制模式识别方法及装置 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN110213010A (zh) * | 2019-04-28 | 2019-09-06 | 浙江大学 | 一种基于多通道射频信号的无人机检测系统和方法 |
CN110705450A (zh) * | 2019-09-27 | 2020-01-17 | 北京理工全盛科技有限公司 | 被动式无人机探测装置 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
-
2021
- 2021-01-11 CN CN202110028566.5A patent/CN112348006A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650202A (zh) * | 2018-05-11 | 2018-10-12 | 大唐联诚信息系统技术有限公司 | 一种信号调制模式识别方法及装置 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN110213010A (zh) * | 2019-04-28 | 2019-09-06 | 浙江大学 | 一种基于多通道射频信号的无人机检测系统和方法 |
CN110705450A (zh) * | 2019-09-27 | 2020-01-17 | 北京理工全盛科技有限公司 | 被动式无人机探测装置 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177514A (zh) * | 2021-05-20 | 2021-07-27 | 浙江波誓盾科技有限公司 | 无人机信号检测方法、装置及计算机可读存储介质 |
CN113408425A (zh) * | 2021-06-21 | 2021-09-17 | 湖南翰坤实业有限公司 | 一种生物语言解析的集群控制方法及系统 |
CN113408425B (zh) * | 2021-06-21 | 2022-04-26 | 湖南翰坤实业有限公司 | 一种生物语言解析的集群控制方法及系统 |
CN113537053A (zh) * | 2021-07-15 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 一种构建民航领域射频指纹识别模型的方法 |
CN113537053B (zh) * | 2021-07-15 | 2023-08-22 | 四川九洲电器集团有限责任公司 | 一种构建民航领域射频指纹识别模型的方法 |
CN115809422A (zh) * | 2021-09-13 | 2023-03-17 | 国家电网有限公司 | 一种基于svm的无人机rf信号识别方法及系统 |
CN115809422B (zh) * | 2021-09-13 | 2023-11-21 | 国家电网有限公司 | 一种基于svm的无人机rf信号识别方法及系统 |
CN114332454A (zh) * | 2021-12-29 | 2022-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于图像的船舶抓拍方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348006A (zh) | 一种无人机信号识别方法、系统、介质及设备 | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
KR20170058263A (ko) | 화물을 검사하는 방법 및 그 시스템 | |
Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
CN112633297B (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
WO2023115790A1 (zh) | 化学结构图像的提取方法、装置、存储介质及电子设备 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
CN111126401A (zh) | 一种基于上下文信息的车牌字符识别方法 | |
CN108376257B (zh) | 一种燃气表不完整码字识别方法 | |
CN114818708A (zh) | 关键信息抽取方法、模型训练方法、相关装置及电子设备 | |
CN105205349A (zh) | 马尔科夫毯嵌入式的基于封装的特征选择方法 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN116385957A (zh) | 一种x光图像违禁品检测方法、装置、设备及介质 | |
CN111626373B (zh) | 多尺度加宽残差网络、小目标识别检测网络及其优化方法 | |
CN115115878A (zh) | 一种结合随机遮挡和byol结构的高光谱图像分类方法及其装置 | |
CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
CN111581640A (zh) | 一种恶意软件检测方法、装置及设备、存储介质 | |
CN112965890B (zh) | 一种数据处理方法及相关设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |