CN112801003A - 一种无人机辐射源调制样式识别方法及装置 - Google Patents
一种无人机辐射源调制样式识别方法及装置 Download PDFInfo
- Publication number
- CN112801003A CN112801003A CN202110162473.1A CN202110162473A CN112801003A CN 112801003 A CN112801003 A CN 112801003A CN 202110162473 A CN202110162473 A CN 202110162473A CN 112801003 A CN112801003 A CN 112801003A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- training
- unmanned aerial
- aerial vehicle
- 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
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
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)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人机辐射源调制样式识别方法及装置,包括以下步骤:S1:信号模型及时频分析;S2:能量阈值降噪:采用能量阈值降噪法;S3:图像降维与归一化:对降噪处理后的时频图进行降维处理,使用等间隔采样法对高维时频图进行降维;S4:CNN及其训练:选用ReLU和最大池化函数进行处理;S5:算法流程:训练信号和待识别信号首先进行相同预处理,即短时傅里叶变换、能量阈值降噪、图像降维及归一化处理,并输出训练集和测试集;随后将训练集送入CNN进行网络训练与优化;S6:信号及参数设置;S7:模型评价指标;S8:仿真实验:采用高信噪比信号用于网络训练,低信噪比信号测试。本发明,识别率更高且低信噪比环境适应性更强。
Description
技术领域
本发明涉及无人机辐射源调制样式识别技术领域,具体是一种无人机辐射源调制样式识别方法及装置。
背景技术
近年来,低空空域的开放使得无人机市场规模迅速扩大,民用和商用无人机因而在诸多领域备受青睐,如无人机送快递、无人机巡线等。无人机的广泛应用为日常生活带来便利,但同时也因其低慢小特点为低空空域安全带来隐患。在电力领域,大中型变电站、重要输电线路等电力基础设施均面临无人机造成的低空安全风险问题。
为此,我们提出一种无人机辐射源调制样式识别方法及装置。
发明内容
本发明的目的在于提供一种无人机辐射源调制样式识别方法及装置,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种无人机辐射源调制样式识别方法及装置,包括以下步骤:
S1:信号模型及时频分析:
信号模型为:s(t)=x(t)+n(t)
其中:n(t)为噪声,x(t)和s(t)分别为发送端信号和接收端信号;
一维时域信号稳定性较差,时频变换能够形成更为稳定的特征;STFT为时频变换方法,给定一个时间宽度很短的窗函数w(t),则信号s(t)的STFT定义为:STFTws(w,b)=∫s(t)w(t-b)e-jwtdt;
S2:能量阈值降噪:采用能量阈值降噪法;
能量阈值降噪法定义为:
其中:|Ii,j|表示时频图中每个像素点的能量值,η为阈值门限系数;
图像质量评价指标:选择SSIM作为评价指标;该指标由三种对比模块组成,分别为亮度、对比度和结构;x和y是两张图像,SSIM指标的定义为:
其中:μx,μy,σx,σy和σxy分别是图像x,y的均值、标准差和互协方差;
S3:图像降维与归一化:对降噪处理后的时频图进行降维处理,使用等间隔采样法对高维时频图进行降维;
时频图中的数值存在较大差异性,针对量纲不一致问题可以采用标准化区间缩放法将不用规格的数据转换到同一规格;本文采用区间缩放法,为便于计算,将时频图矩阵I变为向量化表示,记作α=[α1,α2,…,αi,…,αm],对每一个列向量αi做区间缩放,如下:
S4:CNN及其训练:选用ReLU和最大池化函数进行处理,经过多个卷积层和池化层提取特征后,全连接层用于整合卷积层或者池化层中具有类别区分的局部信息;最后一层全连接层的输出值被传递给输出层,采用softmax层进行分类,最终输出各类概率表示为
式中:Sj是每类输出的概率,最大概率类判定为最终识别结果;
S5:算法流程:训练信号和待识别信号首先进行相同预处理,即短时傅里叶变换、能量阈值降噪、图像降维及归一化处理,并输出训练集和测试集;随后将训练集送入CNN进行网络训练与优化;
S6:信号及参数设置:利用2种不同扩频方式下BPSK调制的DSSS信号进行仿真实验,一种是通过改变扩频码长度即扩频因子来实现扩频;另一种方式为固定扩频码长度,通过改变符号率来改变等效带宽实现扩频;
S7:模型评价指标:
在机器学习任务中,F1值是评价系统性能的常用指标,其为查准率和召回率的调和平均数,其定义为
式中:P为查准率,R为召回率,F1值多用来评价二分类任务性能;对于多任务,利用宏平均作为模型评价指标,即
式中:n代表类别总数;
平均时间作为算法复杂度的衡量指标,用于计算特征提取和训练识别的时间总和,其表示为:Ttotal=Tfeature+Ttrain;
S8:仿真实验:采用高信噪比信号用于网络训练,低信噪比信号测试。
优选的,所述步骤S2中SSIM的取值范围在0到1之间,SSIM值越接近1表示降噪效果越好,和原图像具有越好的结构相似度。
优选的,所述步骤S4中CNN的训练终止条件有两种,即迭代次数达到预设值或者损失函数值不再减小,此时认为模型收敛。
优选的,所述步骤S5中当迭代次数或者损失函数值不再降低时,则CNN训练完毕;测试集输入网络后输出分类识别结果。
优选的,所述步骤S8中CNN的卷积核大小均为3×3,步长为1;池化层采用大小为2×2,步长为2的最大池化函数。
优选的,所述步骤S8中各层保持不同的特征图(feature map)数量,两层CNN对应32和64;三层CNN对应32、64和128;四层CNN对应64、32、12和8。
优选的,所述步骤S8中CNN的优化采用学习率自适应的Adam函数,学习率α=0.001,矩估计的指数衰减率β1和β2分别为0.9和0.999,用于数值稳定的小常数ξ=1×10-8。
优选的,所述步骤S8中训练网络中采用keep_prob=0.5的dropout正则化,即随机失活50%的神经元;激活函数采用ReLU;训练80个epoch;数据集的随机划分采用Sklearn库中的train_test_split函数,训练集和测试集按照7.5:2.5比例划分。
与现有技术相比,本发明的有益效果是:利用短时傅里叶变换、能量阈值降噪等获取预处理时频图,随后送入CNN进行特征映射与分类识别;在信号预处理环节,本文提出的能量阈值降噪法能够有效抑制噪声干扰,信噪比为-6dB时的识别率达到0.97;与传统特征及其他识别方法相比,识别率更高且低信噪比环境适应性更强。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明-5dB时的DSSS信号时频图。
图2为本发明在信噪比为-10dB和10dB时不同门限下SSIM值比较。
图3为本发明降维后时频图。
图4为本发明的算法流程图。
图5为本发明不同层数CNN识别结果对比。
图6为本发明-10dB下的混淆矩阵。
图7为各算法识别结果对比。
图8为各算法时间对比。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1-6,本发明实施例中,一种无人机辐射源调制样式识别方法及装置,包括以下步骤:
S1:信号模型及时频分析:
信号模型为:s(t)=x(t)+n(t)
其中:n(t)为噪声,x(t)和s(t)分别为发送端信号和接收端信号;
一维时域信号稳定性较差,时频变换能够形成更为稳定的特征;STFT为时频变换方法,给定一个时间宽度很短的窗函数w(t),则信号s(t)的STFT定义为:STFTws(w,b)=∫s(t)w(t-b)e-jwtdt;
S2:能量阈值降噪:采用能量阈值降噪法;
能量阈值降噪法定义为:
其中:|Ii,j|表示时频图中每个像素点的能量值,η为阈值门限系数;
图像质量评价指标:选择SSIM作为评价指标;该指标由三种对比模块组成,分别为亮度、对比度和结构;x和y是两张图像,SSIM指标的定义为:
其中:μx,μy,σx,σy和σxy分别是图像x,y的均值、标准差和互协方差;
S3:图像降维与归一化:对降噪处理后的时频图进行降维处理,使用等间隔采样法对高维时频图进行降维;
时频图中的数值存在较大差异性,针对量纲不一致问题可以采用标准化区间缩放法将不用规格的数据转换到同一规格;本文采用区间缩放法,为便于计算,将时频图矩阵I变为向量化表示,记作α=[α1,α2,…,αi,…,αm],对每一个列向量αi做区间缩放,如下:
S4:CNN及其训练:选用ReLU和最大池化函数进行处理,经过多个卷积层和池化层提取特征后,全连接层用于整合卷积层或者池化层中具有类别区分的局部信息;最后一层全连接层的输出值被传递给输出层,采用softmax层进行分类,最终输出各类概率表示为
式中:Sj是每类输出的概率,最大概率类判定为最终识别结果;
S5:算法流程:训练信号和待识别信号首先进行相同预处理,即短时傅里叶变换、能量阈值降噪、图像降维及归一化处理,并输出训练集和测试集;随后将训练集送入CNN进行网络训练与优化;
S6:信号及参数设置:利用2种不同扩频方式下BPSK调制的DSSS信号进行仿真实验,一种是通过改变扩频码长度即扩频因子来实现扩频;另一种方式为固定扩频码长度,通过改变符号率来改变等效带宽实现扩频;
S7:模型评价指标:
在机器学习任务中,F1值是评价系统性能的常用指标,其为查准率和召回率的调和平均数,其定义为
式中:P为查准率,R为召回率,F1值多用来评价二分类任务性能;对于多任务,利用宏平均作为模型评价指标,即
式中:n代表类别总数;
平均时间作为算法复杂度的衡量指标,用于计算特征提取和训练识别的时间总和,其表示为:Ttotal=Tfeature+Ttrain;
S8:仿真实验:采用高信噪比信号用于网络训练,低信噪比信号测试。
优选的,所述步骤S2中SSIM的取值范围在0到1之间,SSIM值越接近1表示降噪效果越好,和原图像具有越好的结构相似度。
优选的,所述步骤S4中CNN的训练终止条件有两种,即迭代次数达到预设值或者损失函数值不再减小,此时认为模型收敛。
优选的,所述步骤S5中当迭代次数或者损失函数值不再降低时,则CNN训练完毕;测试集输入网络后输出分类识别结果。
优选的,所述步骤S8中CNN的卷积核大小均为3×3,步长为1;池化层采用大小为2×2,步长为2的最大池化函数。
优选的,所述步骤S8中各层保持不同的特征图(feature map)数量,两层CNN对应32和64;三层CNN对应32、64和128;四层CNN对应64、32、12和8。
优选的,所述步骤S8中CNN的优化采用学习率自适应的Adam函数,学习率α=0.001,矩估计的指数衰减率β1和β2分别为0.9和0.999,用于数值稳定的小常数ξ=1×10-8。
优选的,所述步骤S8中训练网络中采用keep_prob=0.5的dropout正则化,即随机失活50%的神经元;激活函数采用ReLU;训练80个epoch;数据集的随机划分采用Sklearn库中的train_test_split函数,训练集和测试集按照7.5:2.5比例划分。
如图7-8,为验证本文识别算法的有效性,选择已有经典方法进行对比;采用STFT变换获取时频图,并提取图像的方向梯度直方图特征与局部二值模式特征特征,融合后经PCA实现降维,再采用SVM进行分类,并结合KNN分类器进行对比;利用BP神经网络对DSSS信号进行分类;提出利用4层CNN与STFT时频图结合进行信号分类,对比实验结果如图7所示;图7对比结果表明:无人机测控信号识别与截获方法未进行降噪等预处理,其在低信噪比条件下的识别效果不佳;采用的HOG与LBP联合特征稳定性一般,即使在高信噪比条件下识别结果也难达到1;利用高斯滤波器进行图像降噪,但在低信噪比条件下效果不及本文方法;为进一步对比计算复杂度,给出图8所示各算法识别所用平均时间;其中,特征提取用时为每种信号产生50个样本并完成特征提取的时间;训练识别为运行80个epoch的时耗;综合对比图7与图8结果,虽然常规特征提取耗时短,但稳定性不佳;本文算法需一定时耗完成特征提取与训练识别,但具有较好的鲁棒性,在低信噪比条件下具备较高的识别率;此外,降噪处理能够一定程度缓解对低信噪比数据集的标注需求。
本发明的工作原理是:利用短时傅里叶变换、能量阈值降噪等获取预处理时频图,随后送入CNN进行特征映射与分类识别;在信号预处理环节,本文提出的能量阈值降噪法能够有效抑制噪声干扰,信噪比为-6dB时的识别率达到0.97;与传统特征及其他识别方法相比,识别率更高且低信噪比环境适应性更强。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种无人机辐射源调制样式识别方法及装置,其特征在于:包括以下步骤:
S1:信号模型及时频分析:
信号模型为:s(t)=x(t)+n(t)
其中:n(t)为噪声,x(t)和s(t)分别为发送端信号和接收端信号;
一维时域信号稳定性较差,时频变换能够形成更为稳定的特征;STFT为时频变换方法,给定一个时间宽度很短的窗函数w(t),则信号s(t)的STFT定义为:STFTws(w,b)=∫s(t)w(t-b)e-jwtdt;
S2:能量阈值降噪:采用能量阈值降噪法;
能量阈值降噪法定义为:
其中:|Ii,j|表示时频图中每个像素点的能量值,η为阈值门限系数;
图像质量评价指标:选择SSIM作为评价指标;该指标由三种对比模块组成,分别为亮度、对比度和结构;x和y是两张图像,SSIM指标的定义为:
其中:μx,μy,σx,σy和σxy分别是图像x,y的均值、标准差和互协方差;
S3:图像降维与归一化:对降噪处理后的时频图进行降维处理,使用等间隔采样法对高维时频图进行降维;
时频图中的数值存在较大差异性,针对量纲不一致问题可以采用标准化区间缩放法将不用规格的数据转换到同一规格;本文采用区间缩放法,为便于计算,将时频图矩阵I变为向量化表示,记作α=[α1,α2,...,αi,...,αm],对每一个列向量αi做区间缩放,如下:
S4:CNN及其训练:选用ReLU和最大池化函数进行处理,经过多个卷积层和池化层提取特征后,全连接层用于整合卷积层或者池化层中具有类别区分的局部信息;最后一层全连接层的输出值被传递给输出层,采用softmax层进行分类,最终输出各类概率表示为
式中:Sj是每类输出的概率,最大概率类判定为最终识别结果;
S5:算法流程:训练信号和待识别信号首先进行相同预处理,即短时傅里叶变换、能量阈值降噪、图像降维及归一化处理,并输出训练集和测试集;随后将训练集送入CNN进行网络训练与优化;
S6:信号及参数设置:利用2种不同扩频方式下BPSK调制的DSSS信号进行仿真实验,一种是通过改变扩频码长度即扩频因子来实现扩频;另一种方式为固定扩频码长度,通过改变符号率来改变等效带宽实现扩频;
S7:模型评价指标:
在机器学习任务中,F1值是评价系统性能的常用指标,其为查准率和召回率的调和平均数,其定义为
式中:P为查准率,R为召回率,F1值多用来评价二分类任务性能;对于多任务,利用宏平均作为模型评价指标,即
式中:n代表类别总数;
平均时间作为算法复杂度的衡量指标,用于计算特征提取和训练识别的时间总和,其表示为:Ttotal=Tfeature+Ttrain;
S8:仿真实验:采用高信噪比信号用于网络训练,低信噪比信号测试。
2.根据权利要求1所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S2中SSIM的取值范围在0到1之间,SSIM值越接近1表示降噪效果越好,和原图像具有越好的结构相似度。
3.根据权利要求1所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S4中CNN的训练终止条件有两种,即迭代次数达到预设值或者损失函数值不再减小,此时认为模型收敛。
4.根据权利要求1所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S5中当迭代次数或者损失函数值不再降低时,则CNN训练完毕;测试集输入网络后输出分类识别结果。
5.根据权利要求1所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S8中CNN的卷积核大小均为3×3,步长为1;池化层采用大小为2×2,步长为2的最大池化函数。
6.根据权利要求5所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S8中各层保持不同的特征图(feature map)数量,两层CNN对应32和64;三层CNN对应32、64和128;四层CNN对应64、32、12和8。
7.根据权利要求6所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S8中CNN的优化采用学习率自适应的Adam函数,学习率α=0.001,矩估计的指数衰减率β1和β2分别为0.9和0.999,用于数值稳定的小常数ξ=1×10-8。
8.根据权利要求7所述的一种无人机辐射源调制样式识别方法及装置,其特征在于:所述步骤S8中训练网络中采用keep_prob=0.5的dropout正则化,即随机失活50%的神经元;激活函数采用ReLU;训练80个epoch;数据集的随机划分采用Sklearn库中的train_test_split函数,训练集和测试集按照7.5:2.5比例划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162473.1A CN112801003B (zh) | 2021-02-05 | 2021-02-05 | 一种无人机辐射源调制样式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162473.1A CN112801003B (zh) | 2021-02-05 | 2021-02-05 | 一种无人机辐射源调制样式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801003A true CN112801003A (zh) | 2021-05-14 |
CN112801003B CN112801003B (zh) | 2022-06-17 |
Family
ID=75814444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110162473.1A Active CN112801003B (zh) | 2021-02-05 | 2021-02-05 | 一种无人机辐射源调制样式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801003B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
CN115761713A (zh) * | 2022-07-05 | 2023-03-07 | 广西北投信创科技投资集团有限公司 | 一种车牌识别方法、系统、电子设备和可读存储介质 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN111401226A (zh) * | 2020-03-13 | 2020-07-10 | 电子科技大学 | 一种辐射源快速识别方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
-
2021
- 2021-02-05 CN CN202110162473.1A patent/CN112801003B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN111401226A (zh) * | 2020-03-13 | 2020-07-10 | 电子科技大学 | 一种辐射源快速识别方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
CN114154545B (zh) * | 2021-12-07 | 2022-08-05 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
CN115761713A (zh) * | 2022-07-05 | 2023-03-07 | 广西北投信创科技投资集团有限公司 | 一种车牌识别方法、系统、电子设备和可读存储介质 |
CN115761713B (zh) * | 2022-07-05 | 2023-05-23 | 广西北投信创科技投资集团有限公司 | 一种车牌识别方法、系统、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112801003B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801003B (zh) | 一种无人机辐射源调制样式识别方法 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
Gao et al. | Fusion image based radar signal feature extraction and modulation recognition | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN112101487B (zh) | 一种细粒度识别模型的压缩方法和设备 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN114675249A (zh) | 基于注意力机制的雷达信号调制方式识别方法 | |
CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
CN116150670A (zh) | 一种基于特征去相关解耦的任务无关脑纹识别方法 | |
CN114358056A (zh) | 基于深度学习的无人机信号识别方法及系统 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN113489514B (zh) | 基于自组织映射神经网络的电力线通信噪声识别方法及装置 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN116388933B (zh) | 基于深度学习的通信信号盲识别系统 | |
CN116010783B (zh) | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
CN113869238A (zh) | 一种认知车联网智能频谱感知方法及系统 | |
CN117204856B (zh) | 基于脑电数据的驾驶员情绪状态检测方法和装置 | |
CN114118163B (zh) | 一种基于机器学习的光纤入侵检测方法 | |
CN117017288B (zh) | 跨被试情绪识别模型及其训练方法、情绪识别方法、设备 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 | |
CN117786511A (zh) | 一种具有磁信号特征车辆的分类识别方法及装置 | |
CN115980685A (zh) | 基于gcn的雷达辐射源工作模式识别方法及其装置 |
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 |