CN112561055A - 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 - Google Patents
基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 Download PDFInfo
- Publication number
- CN112561055A CN112561055A CN202011428126.0A CN202011428126A CN112561055A CN 112561055 A CN112561055 A CN 112561055A CN 202011428126 A CN202011428126 A CN 202011428126A CN 112561055 A CN112561055 A CN 112561055A
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- electromagnetic disturbance
- neural network
- convolutional neural
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本发明提供了一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法。该方法包括:通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号;通过自适应最优核函数优化处理短时模糊域信号,通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复,得到电磁骚扰信号的时频表示;构建并训练卷积神经网络,将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络,卷积神经网络输出所述电磁骚扰信号的辨识结果。本发明提出的基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法,可在时频域上对各类电磁骚扰及通信信号进行准确的特征提取及辨识。
Description
技术领域
本发明涉及电磁信号辨识技术领域,尤其涉及一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法。
背景技术
日常生活中各类非线性电子电气设备(如变压变流设备、各类开关器件等)的大量使用,以及各类有意或无意的电磁辐射发射(如雷电引起的放电、有意的电磁脉冲骚扰信号等)的存在,对通信信号系统的信息传输过程造成巨大威胁。由于现代通信信号系统多使用调频信号等非稳态信号作为信息传输的载体,空间内的电磁骚扰信号也逐渐趋于复杂化,简单的频域分析方法无法实现对通信信号系统内电磁骚扰的进行精确分析及辨识,为电磁骚扰的抑制及抗干扰技术带来困难。
因此,目前,基于时频域的电磁骚扰分析及研究逐渐引起重视。现有技术中的时频分析方法分包括线性时频分析方法,如短时傅里叶变换(STFT)。该方法受海森堡不确定性限制,其在时频域上的时间分辨率及频率分辨率无法同时达到最优,时频分辨率及时频聚集性能有限。还包括双线性时频分析方法,如Wigner-Ville分布(WVD)。该方法虽然分辨率及时频聚集性能较高,但由于信号函数在时频分布表达式中进行两次乘法运算,所以使信号时频域产生严重的交叉项干扰,影响信号时频分析准确性。
发明内容
本发明的实施例提供了一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法,包括:
通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号;
通过自适应最优核函数优化处理所述短时模糊域信号,通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复,得到所述电磁骚扰信号的时频表示;
构建并训练卷积神经网络,将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络,所述卷积神经网络输出所述电磁骚扰信号的辨识结果。
优选地,所述的通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号,包括:
对于待标识的时域的电磁骚扰信号x(t),它的模糊函数为:
s(t)为信号x(t)的希尔伯特变换,θ,τ为信号变换至模糊域后的对应变量在极坐标系下的表示,ejθτ为模糊域上的复指数信号;
选择一对称时间窗函数w(u),u为窗函数的时间变量,使窗函数中|u|大于时间窗大小T的部分为零,则得到信号x(t)的短时模糊域信号为:
t为信号在时域的时间变量。
优选地,所述的通过自适应最优核函数优化处理所述短时模糊域信号,包括:
基于径向高斯函数,根据所述短时模糊域信号的特征使用最优化方法设计自适应最优核函数为:
σ(ψ)控制高斯核函数在径向角ψ方向上的扩展;
通过所述自适应最优核函数最大化过滤掉所述短时模糊域信号的模糊域内的交叉项,求解所述自适应最优核函数的最优化问题:
约束条件为:
上式中,v为自适应最优核函数的体积。
得到所述自适应最优核函数优化处理后的短时模糊域信号为:
优选地,所述的通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复,得到所述电磁骚扰信号的时频表示,包括:
对优化处理后的短时模糊域信号进行二维傅里叶变换,得到所述电磁骚扰信号的初始的时频域分布:
TFAOK=F2D{TFAOK}·A·Kopt (8)
其中F2D为二维傅里叶变换矩阵;
将所述优化处理后的短时模糊域信号作为压缩感知系统的测量值,二维傅里叶反变换矩阵作为压缩感知矩阵,将所述电磁骚扰信号的初始的时频域分布作为原始信号,构建以下压缩感知系统:
根据压缩感知技术原理求解如下的最优化问题:
得到重构后的所述电磁骚扰信号的时频表示。
优选地,所述的构建并训练卷积神经网络,包括:
在卷积神经网络搭建过程中,定义训练的损失方程,衡量模型输出与实际结果之间的差距,使用均方误差对训练误差进行量化,均方误差E表示为:
其中rj为期望输出的电磁骚扰信号的类别标签,aj(L)为第L层的第j个神经元的输出;
根据训练效果调整卷积神经网络的各层卷积核数目、卷积层数量和全连接层数量的参数,直至通过训练得到可接受的均方误差E。
优选地,所述的将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络,所述卷积神经网络输出所述电磁骚扰信号的辨识结果,包括:
将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵进行归一化处理,对矩阵四周进行0值填充处理后,作为卷积神经网络中的两个输入通道,所述卷积神经网络中的卷积层中各卷积核包含两个通道,经过第一层的多个卷积核处理后,使用tanh激活函数对处理后信息进行进行最大池化处理,实现对所述电磁骚扰信号的时频特征的提取;
在所述卷积神经网络的最后一层池化层后添加全连接层,通过全连接层将电磁骚扰信号的时频特征映射至分类层的类别标记空间,输出所述电磁骚扰信号的类别辨识结果。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提出的基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法,可在时频域上对各类电磁骚扰及通信信号进行准确的特征提取及辨识。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法的实现原理示意图;
图2为本发明实施例提供的一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法的处理流程图;
图3为本发明实施例提供的一种对称窗示意图;
图4为本发明实施例提供的一种神经网络的结构图;
图5为本发明实施例提供的一种tanh函数形状示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例使用自适应最优核函数对WVD(Wigner-Ville Distribution,二次型交换)过程中的交叉项干扰进行抑制,同时,由于核函数在抑制交叉项的同时,会过滤掉一部分信号自项信息,因此,本发明在信号时频域信息构建过程中引入压缩感知技术,恢复自项信息。使用本发明中的时频分析方法,可对各类电磁骚扰及通信信号的时频特性进行精确分析。
本发明实施例基于电磁骚扰及通信信号的时频特性,将时频图像信息作为卷积神经网络的输入,利用卷积神经网络对时频图像特征进行提取,实现电磁骚扰信号的辨识,为电磁骚扰抑制及抗干扰技术研究提供可靠工具。
由于日常环境中各类非线性电子电气设备(如变压变流设备、开关设备)的大量使用,以及空间内各类有意、无意的电磁辐射(如雷电及有意电磁干扰信号)增多,通信信号系统的电磁抗干扰技术研究面临困难。本发明实施例提出的一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法的实现原理示意图如图1所示,该方法保证对各类电磁骚扰及通信信号时频特性的准确分析及分类。该方法的处理流程如图2所示,包括如下的处理步骤:
步骤S10、通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号。
对于待标识的时域的电磁骚扰信号x(t),它的模糊函数为:
s(t)为信号x(t)的希尔伯特变换,θ,τ为信号变换至模糊域后的对应变量在极坐标系下的表示,ejθτ为模糊域上的复指数信号。
图3为本发明实施例提供的一种对称窗示意图。选择一对称时间窗函数w(u),使窗函数中|u|大于时间窗大小T的部分为零,则可以得到信号的短时模糊域信号:
t为信号在时域的时间变量。
步骤S20、通过自适应最优核函数优化处理短时模糊域信号。
基于径向高斯函数,根据信号短时模糊域信号特征,使用最优化方法得到适用此短时窗内信号的最优核函数,以最大化的过滤掉模糊域内的交叉项,进而抑制信号时频表示的交叉项干扰。自适应最优核函数的数学表示为:
σ(ψ)控制高斯核函数在径向角ψ方向上的扩展,称作“扩展函数”,扩展函数确定了核函数的等高线切面的形状。
需求解的最优化问题表示为:
其约束条件为:
由此,得到自适应最优核函数优化处理后的短时模糊域信号:
步骤S30、通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复,得到所述电磁骚扰信号的时频表示。
由于核函数在过滤交叉项的同时,会同时不可避免地过滤一部分信号自项信息,因此,在将模糊域信号变换至时频域的过程中,引入压缩传感的思想,对信号自项信息进行恢复。电磁骚扰信号的时频域表示可由模糊域信号进行二维傅里叶变换得到。因此,对于离散信号,电磁骚扰信号的时频域分布可表示为:
TFAOK=F2D{TFAOK}·A·Kopt (8)
其中F2D为二维傅里叶变换矩阵。将处理后的短时模糊域信号作为压缩感知系统的测量值,二维傅里叶反变换矩阵作为压缩感知矩阵,信号时频表示作为原始信号,构建以下压缩感知系统:
根据压缩感知技术原理,求解最优化问题:
得到重构的电磁骚扰信号的信号时频表示。
步骤S23、基于各电磁骚扰信号及通信信号的时频域表示,进行以电磁骚扰辨识、分类为目的的卷积神经网络训练,本发明实施例提供的一种神经网络的结构如图4所示。
此卷积神经网络的输入层为各电磁骚扰信号及通信信号的时频表示(二维),使用信号时频矩阵的实部和虚部作为卷积神经网络中的两个输入通道,输出为各信号对应的类别标签(一维)。为使数据处理过程简洁,各电磁骚扰信号及通信信号各信号的时频矩阵为方阵形式。时频表示分别用两个矩阵表示,即时频信息的实部矩阵和虚部矩阵,均进行归一化处理。为增强模型对边缘的检测能力,对矩阵四周进行0值填充(Padding)处理。两个矩阵分别对应两个输入通道,即若时频矩阵大小为M×M,则输入信息大小为M×M×2。相应的,卷积层中各卷积核也包含两个通道,大小为N×N×2。经过第一层的k1个卷积核处理后,使用tanh激活函数对处理后信息进行变换,本发明实施例提供的一种tanh函数形状如图5所示,具体表示为:
y(x)=tanh(x) (11)
通过tanh函数在训练过程中引入非线性因素,提高模型的表达能力。经过tanh函数激励层后对信息进行最大池化处理,减小模型大小,提高计算速度,并提高提取特征的鲁棒性。重复卷积层→tanh激励层→池化层排列,实现对各电磁骚扰信号及通信信号时频特征的特征提取。在最后一层池化层后添加全连接层,将电磁骚扰特征提取层提取信息映射至类别标记空间,以作为分类层,实现电磁骚扰辨识输出。
在卷积神经网络搭建过程中,首先定义训练的损失方程,衡量模型输出与实际结果之间的差距。在此模型中,使用均方误差对训练误差进行量化,其表示为:
其中rj为期望输出(类别标签),aj(L)为第L层的第j个神经元的输出。各层卷积核数目、卷积层数量和全连接层数量应根据训练效果进行参数调整,直至通过训练可以得到可接受的误差E。
卷积神经网络训练完成后,输入电磁骚扰信号的时频表示,即可通过神经网络输出电磁骚扰信号的分类标签,完成电磁骚扰信号辨识。
综上所述,本发明实施例的方法在信号时频域信息构建过程中引入压缩感知技术,恢复自项信息。使用本发明中的时频分析方法,可在时频域上对各类电磁骚扰及通信信号进行准确的特征提取及辨识,可对各类电磁骚扰及通信信号的时频特性进行精确分析。
本发明实施例的方法基于骚扰信号时频特性,使用卷积神经网络实现对电磁骚扰的辨识及分类,为电磁骚扰抑制及抗干扰技术的实现提供手段。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法,其特征在于,包括:
通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号;
通过自适应最优核函数优化处理所述短时模糊域信号,通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复,得到所述电磁骚扰信号的时频表示;
构建并训练卷积神经网络,将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络,所述卷积神经网络输出所述电磁骚扰信号的辨识结果。
6.根据权利要求4或5所述的方法,其特征在于,所述的将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络,所述卷积神经网络输出所述电磁骚扰信号的辨识结果,包括:
将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵进行归一化处理,对矩阵四周进行0值填充处理后,作为卷积神经网络中的两个输入通道,所述卷积神经网络中的卷积层中各卷积核包含两个通道,经过第一层的多个卷积核处理后,使用tanh激活函数对处理后信息进行进行最大池化处理,实现对所述电磁骚扰信号的时频特征的提取;
在所述卷积神经网络的最后一层池化层后添加全连接层,通过全连接层将电磁骚扰信号的时频特征映射至分类层的类别标记空间,输出所述电磁骚扰信号的类别辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011428126.0A CN112561055B (zh) | 2020-12-09 | 2020-12-09 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011428126.0A CN112561055B (zh) | 2020-12-09 | 2020-12-09 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561055A true CN112561055A (zh) | 2021-03-26 |
CN112561055B CN112561055B (zh) | 2023-11-07 |
Family
ID=75060710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011428126.0A Active CN112561055B (zh) | 2020-12-09 | 2020-12-09 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561055B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839466A (zh) * | 2022-05-24 | 2022-08-02 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试系统及其测试方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143281A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
CN108460772A (zh) * | 2018-02-13 | 2018-08-28 | 国家计算机网络与信息安全管理中心 | 基于卷积神经网络的广告骚扰传真图像检测系统及方法 |
CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
US20200295863A1 (en) * | 2019-03-13 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Symbol Detection is Shared Wireless Channel Subject to Jamming Interference |
CN111680666A (zh) * | 2020-06-30 | 2020-09-18 | 西安电子科技大学 | 欠采样跳频通信信号深度学习恢复方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
-
2020
- 2020-12-09 CN CN202011428126.0A patent/CN112561055B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143281A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
CN108460772A (zh) * | 2018-02-13 | 2018-08-28 | 国家计算机网络与信息安全管理中心 | 基于卷积神经网络的广告骚扰传真图像检测系统及方法 |
US20200295863A1 (en) * | 2019-03-13 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Symbol Detection is Shared Wireless Channel Subject to Jamming Interference |
CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
CN111680666A (zh) * | 2020-06-30 | 2020-09-18 | 西安电子科技大学 | 欠采样跳频通信信号深度学习恢复方法 |
Non-Patent Citations (3)
Title |
---|
SHRISHAIL M HIREMATH 等: "Blind Identification of Radio Access Techniques Based on Time-Frequency Analysis and Convolutional Neural Network", IEEE * |
余俊 等: "地铁列车整车对外部环境的电磁骚扰特性及其抑制研究", 铁道机车车辆 * |
李小建 等: "超高压系统隔离开关操作电磁骚扰的时频特性", 高电压技术 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839466A (zh) * | 2022-05-24 | 2022-08-02 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试系统及其测试方法 |
CN114839466B (zh) * | 2022-05-24 | 2023-02-28 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试系统及其测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112561055B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
Liu et al. | Texture classification using spectral histograms | |
Do et al. | Texture similarity measurement using Kullback-Leibler distance on wavelet subbands | |
CN106778923B (zh) | 一种电能质量扰动信号分类方法及装置 | |
CN108154223B (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN111415323B (zh) | 图像的检测方法及装置,神经网络的训练方法及装置 | |
CN105718848A (zh) | 一种指纹图像的质量评估方法及装置 | |
Xiong et al. | Fault diagnosis of a rolling bearing based on the wavelet packet transform and a deep residual network with lightweight multi-branch structure | |
CN113674334A (zh) | 基于深度自注意力网络和局部特征编码的纹理识别方法 | |
CN112163558A (zh) | 时间序列数据的特征提取方法、装置、设备及存储介质 | |
CN115937794B (zh) | 小目标对象检测方法、装置、电子设备及存储介质 | |
CN111190158A (zh) | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN106503743A (zh) | 一种数量多且维数高的图像局部特征点自适应聚类方法 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN112561055A (zh) | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 | |
Chan et al. | Wavelets for sensing technologies | |
Yang et al. | A novel convolutional network with a self-adaptation high-pass filter for fault diagnosis of wind turbine gearboxes | |
CN106709915A (zh) | 一种图像重采样操作检测方法 | |
CN106101490A (zh) | 基于时空显著性的视频跨尺度自适应增强方法及装置 | |
CN113052099A (zh) | 一种基于卷积神经网络的ssvep分类方法 | |
Zhu et al. | A median filtering forensics CNN approach based on local binary pattern | |
CN111597925A (zh) | 一种基于dcnn的电力系统暂态信号分析方法 | |
Qian et al. | Identification of conductive leakage signal in power cable based on multi-classification PSO-SVM |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221201 Address after: 100044 Beijing city Haidian District Xizhimen Shangyuan Village No. 3 Applicant after: Beijing Jiaotong University Applicant after: CRRC QINGDAO SIFANG Co.,Ltd. Address before: 100044 Beijing city Haidian District Xizhimen Shangyuan Village No. 3 Applicant before: Beijing Jiaotong University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |