CN113030950A - 一种基于深度学习技术的小型无人机分类方法 - Google Patents

一种基于深度学习技术的小型无人机分类方法 Download PDF

Info

Publication number
CN113030950A
CN113030950A CN202110258429.0A CN202110258429A CN113030950A CN 113030950 A CN113030950 A CN 113030950A CN 202110258429 A CN202110258429 A CN 202110258429A CN 113030950 A CN113030950 A CN 113030950A
Authority
CN
China
Prior art keywords
spectrogram
network
target
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.)
Pending
Application number
CN202110258429.0A
Other languages
English (en)
Inventor
罗俊海
陈燕平
毛谨
郑龙
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110258429.0A priority Critical patent/CN113030950A/zh
Publication of CN113030950A publication Critical patent/CN113030950A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/047—Probabilistic or stochastic 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度学习技术的小型无人机分类方法，包括以下步骤：S1、模拟小型无人机微多普勒信号，并利用模拟信号训练深度神经网络；S2、未知目标类别的检测：将检测目标的频谱图添加到神经网络的训练集中，判断该目标是否为未知目标类；S3、频谱图的预处理，去除机身的频率，提高频谱图的信噪比；S4、生成频谱图的对抗训练，利用生成性对抗网络生成新的频谱图来训练分类器。本发明利用认知雷达系统中目标微多普勒频谱图对网络进行训练，提升小型无人机目标分类的精度；基于目标主散射体的建模方法，减少微多普勒信号模拟仿真过程的耗费时间；训练对抗式自动编码器，对频谱图进行去噪处理，增加认知雷达识别小型无人机的距离范围。

Description

一种基于深度学习技术的小型无人机分类方法
技术领域
本发明属于无人机分类技术领域，特别涉及一种基于深度学习技术的小型无人机分类方法。
背景技术
由于现代科技的迅速发展导致了近年来小型无人机数量的激增，小型无人机被广泛应用于各个领域。但同时由于其成本低、操作简单等特点，无人机也被应用于犯罪、恐怖主义活动，对国家经济安全造成一定的威胁。由于小型无人机速度相对较小且普遍尺寸小，使其很难与自然目标(如鸟类)区分开来，因此检测分类小型无人机存在一定的困难，提高小型无人机的分类技术迫在眉睫。近年来，提出了利用雷达信号处理技术来区分鸟类和小型无人机，利用从频谱图和倒谱图中提取的特征进行分类。同时小型无人机具有重叠和快速变化的特性，识别小型无人机的类别是一个更加困难的问题。因此，增强雷达识别小型无人机类型的能力显得尤其重要，以便进行威胁评估和对策分析。
军用雷达是一种用于发现目标并确定其位置的电子战系统，发展十分迅速。在大多数情况下军用雷达都可以获取海陆空目标的运动学信息(如运动目标的地理位置、速度以及方向)，同时军用雷达系统还可以利用运动目标微多普勒特性来获取目标的类型信息。运动目标的微多普勒特性由目标机体上的运动部件决定。对于特定目标运动部件的数量、位置以及运动模式都是固定的，因此可以利用目标微多普勒特征对目标的类型进行分类。同时通过分析目标微多普勒特征还可以了解目标运动部件的详细属性，例如转动频率、螺旋桨叶片数量以及叶片长度。由于雷达成像和目标散射机制的原理不同，对雷达微多普勒频谱图的分析比对光学图像的分析更加复杂长。因此，如何高效地利用微多普勒频谱图进行自动目标识别(ATR)是十分关键的。
在雷达信号中自动识别复杂模式是认知雷达系统中感知-行动周期的关键。认知雷达是一种能够选择适应雷达环境的发射波形的雷达系统。认知雷达能够与动态环境进行智能交互，基于环境感知和专家推理调整发射和接收功能，实现最佳输出信噪比，提供最优的目标识别能力。认知雷达利用雷达与环境之间相互作用的计算机模型提供先验知识，根据接收机的反馈来调整发射波形来提升系统的性能。认知雷达系统的性能提升主要包含三种方式：接收机到发射机的反馈；从环境中学习的智能信号处理方法；雷达信息存储。
在常规雷达中，目标识别通常依赖于从接收到的雷达信号中提取预定义的目标特征。这些目标特征通常是由雷达信号处理领域的专家经过长期研究定义的。认知雷达可以利用深度学习技术从而代替该方法，从知识库中自动提取相关特征，然后知识辅助处理器根据提取的特征对目标进行分类。
从AlexNet卷积神经网络(CNN)实现图像识别功能以来，深度学习技术在模式识别领域应用广泛，如分割、语音识别和人脸识别。深度学习技术在目标识别的第一个应用是利用合成孔径雷达图像进行自动识别。自此，深度神经网络在雷达识别中广泛应用，其中包含深度学习在目标分类中的应用以及利用微多普勒频谱图对人类步态和手势进行识别。但深度学习技术在目标识别方面取得的成功仍不能很好地应用于军事领域。大型标记数据集是深度学习在商业领域中应用成功的关键，但在军事方面通常无法获得大型标记数据集。此外，军事领域决策失误的代价通常比商业应用高得多。因此就需要更加稳健的系统提升目标分类识别的性能。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习技术的小型无人机分类方法，利用认知雷达系统中目标微多普勒频谱图对网络进行训练，提升小型无人机目标分类的精度；基于目标主散射体的建模方法，减少微多普勒信号模拟仿真过程的耗费时间；训练对抗式自动编码器，对频谱图进行去噪处理，增加认知雷达识别小型无人机的距离范围。
本发明的目的是通过以下技术方案来实现的：一种基于深度学习技术的小型无人机分类方法，包括以下步骤：
S1、模拟小型无人机微多普勒信号，并利用模拟信号训练深度神经网络；
S2、未知目标类别的检测：认知雷达检测未知目标的存在，调度特定的雷达测量，将检测目标的频谱图添加到神经网络的训练集中，根据输出判断该目标是否为未知目标类；
S3、频谱图的预处理，去除机身的频率，提高频谱图的信噪比；
S4、生成频谱图的对抗训练，利用生成性对抗网络生成新的频谱图来训练分类器。
进一步地，所述步骤S1中，使用已知的散射体来表示小型无人机，包括点散射体、圆柱体、椭球体、平三角形板和细线；对雷达信号样本，确定其散射体的位形态，然后计算该散射体的相关雷达截面，将所有散射体的贡献值相加得到整个目标的反射雷达信号。
进一步地，所述步骤S2中，未知目标的检测通过以下方式实现：在卷积神经网络的soft-max层设置一个阈值，将检测到的目标输入卷积神经网络，如果soft-max层的最大输出没有超过阈值则声明检测目标为未知目标类。
进一步地，所述步骤S2中，未知目标的检测通过GANomaly方法实现；GANomaly网络由三个子网络组成：
自动编码器，充当生成器，用于生成新的频谱图；
编码器，与自动编码器的结构相同，作用是压缩自动编码器生成的谱图，与自动编码器共同构成了生成对抗网络中的生成网络；
判别网络，即判别器，用于区分真实测量频谱图以及生成网络生成的频谱图，即要将真实测量图判别为真，将生成图判别为假；
GANomaly网络的三个子网络都对应一个损失函数，第一个子网络的损失是自动编码器的创建损失，用测量频谱图与生成频谱图之间的差异Lenc来表示；第二个子网络的损失是编码网络的损失，用真实频谱图与生成频谱图在多维空间的差异Lcon来表示；第三个网络的损失是判别网络的损失，用二分类的交叉熵损失Ladv来表示；
在训练阶段，生成网络的目标是尽量生成真实的频谱图去欺骗判别网络，而判别网络则尽量区分真实测量频谱图与生成频谱图，即交替优化生成网络与判别网络；由于网络仅使用已知类别的频谱图进行训练，对于未知目标类别自动编码器不能准确的重构其频谱图，则生成频谱图与真实测量频谱图之间存在差异，GANomaly网络利用这种差异来检测未知目标类别，当二者存在差异时，则将检测目标判定为未知目标类。
进一步地，所述步骤S3中，采用自动编码器进行去噪。
本发明的有益效果是：本发明采用基于深度学习的小型无人机分类方法，利用认知雷达系统中目标微多普勒频谱图对网络进行训练，提升小型无人机目标分类的精度；基于目标主散射体的建模方法，减少微多普勒信号模拟仿真过程的耗费时间；训练对抗式自动编码器，对频谱图进行去噪处理，增加认知雷达识别小型无人机的距离范围。
附图说明
图1为本发明中认识雷达结构图；
图2为本发明中基于微多普勒频谱图对小型无人机分类的深度学习方法流程图。
图3为本发明的深度学习GANomaly方法对抗训练的原理图；
图4为本发明中InfoGAN结构图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
图1为认知雷达的结构图，其中包含认知雷达的两个关键要素：感知-行动周期和知识库(KB)。知识辅助处理器(KAP)使用知识库中的先验知识来控制雷达调度器、自适应发射机发送的波形、自适应接收机中滤波器的参数和采样率以及雷达信号处理中的参数和配置。信号处理通常包括脉冲压缩、多普勒滤波、检测、跟踪和分类等流程。同时知识辅助处理器可以根据雷达信号的变化来更新知识库。
如图2所示，本发明的一种基于深度学习技术的小型无人机分类方法，在训练阶段使用目标模型的模拟雷达信号生成训练集。通过将短时傅里叶变换(STFT)将时域信号的重叠序列转换为微多普勒频谱图。通过预处理去除小型无人机机身的多普勒频率，归一化谱图。在测试阶段，利用训练好的神经网络对测量的雷达信号进行分类。具体包括以下步骤：
S1、模拟小型无人机微多普勒信号，并利用模拟信号训练深度神经网络；
因为小型无人机等目标的机械结构复杂且其是运动目标，运动部件会使得雷达散射截面(RCS)具有时变性。因此为减少微多普勒信号的仿真时间，使用已知的散射体来表示小型无人机，包括点散射体、圆柱体、椭球体、平三角形板和细线；对雷达信号样本，确定其散射体的位形态，然后计算该散射体的相关雷达截面，将所有散射体的贡献值相加得到整个目标的反射雷达信号，然后通过将短时傅里叶变换(STFT)将时域信号的重叠序列转换为微多普勒频谱图。
S2、未知目标类别的检测：对于新类别的目标，在深度神经网络的训练集没有类似的微多普勒频谱图，因此认知雷达需要先检测未知目标的存在，调度特定的雷达测量，将检测目标的频谱图添加到神经网络的训练集中，根据输出判断该目标是否为未知目标类；
未知目标的检测可以通过以下方式实现：在卷积神经网络的soft-max层设置一个阈值，将检测到的目标输入卷积神经网络，如果soft-max层的最大输出没有超过阈值则声明检测目标为未知目标类。
未知目标的检测的另一种方法是通过GANomaly方法实现，是一种基于对抗训练的自动编码器，图3显示了GANomaly方法检测未知目标的流程图。GANomaly网络由三个子网络组成：
自动编码器，充当生成器，用于生成新的频谱图；
编码器，与自动编码器的结构相同，作用是压缩自动编码器生成的谱图，与自动编码器共同构成了生成对抗网络中的生成网络；
判别网络，即判别器，用于区分真实测量频谱图以及生成网络生成的频谱图，即要将真实测量图判别为真，将生成图判别为假；
GANomaly网络的三个子网络都对应一个损失函数，第一个子网络的损失是自动编码器的创建损失，用测量频谱图与生成频谱图之间的差异Lenc来表示；第二个子网络的损失是编码网络的损失，用真实频谱图与生成频谱图在多维空间的差异Lcon来表示；第三个网络的损失是判别网络的损失，用二分类的交叉熵损失Ladv来表示；
在训练阶段，生成网络的目标是尽量生成真实的频谱图去欺骗判别网络，而判别网络则尽量区分真实测量频谱图与生成频谱图，即交替优化生成网络与判别网络；由于网络仅使用已知类别的频谱图进行训练，对于未知目标类别自动编码器不能准确的重构其频谱图，则生成频谱图与真实测量频谱图之间存在差异，GANomaly网络利用这种差异来检测未知目标类别，当二者存在差异时，则将检测目标判定为未知目标类。
在训练阶段，生成网络的目标是尽量生成真实的频谱图去欺骗判别网络，而判别网络则尽量区分真实测量频谱图与生成频谱图，即交替优化生成网络与判别网络；由于网络仅使用已知类别的频谱图进行训练，对于未知目标类别自动编码器不能准确的重构其频谱图，则生成频谱图与真实测量频谱图之间存在差异，GANomaly网络利用这种差异来检测未知目标类别。
S3、频谱图的预处理，去除机身的频率，提高频谱图的信噪比；在短距离范围内收集的微多普勒频谱图具有相对较高的信噪比(SNR)，但在长距离范围内信噪比则会降低，认识雷达识别小型无人机的能力也会降低。采用自动编码器去噪，生成对抗网络中的自动编码器可用于恢复数据。在预处理过程中采用去噪对抗式编码器提高频谱图的信噪比，对无人机叶片旋转相关信息进行部分恢复，增加目标分类器的精度。
S4、生成频谱图的对抗训练，利用生成性对抗网络生成新的频谱图来训练分类器；降低训练集不平衡影响，提升判别器分类能力。基于机器学习的目标分类的训练集数量之间通常存在差异。这种数据不平衡会对训练过程中分类器的收敛精度造成影响。可以通过以下几种方法降低不平衡训练集的影响。第一种是保持训练集不变，修改训练过程或分类器以降低影响。第二种是通过增加无关的类生成数据来对训练集进行修改。本发明利用InfoGAN网络生成无关训练数据，InfoGAN是对GAN的一种改进。图4显示了一个InfoGAN网络的结构，该网络由生成器、判别器以及辅助装置组成。生成器的输入包含两部分：噪声向量z和潜码c。基于信息的正则化，在潜码中引入一种结构，使得聚集特征相似的频谱图。与GAN网络类似，生成器试图通过生成的频谱图来混淆判别器，判别器试图区分生成频谱图与真实测量频谱图。不同在于，判别器还需计算分布Q(c|G(c，z)，用于表示潜码与生成谱图之间的关联程度。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于深度学习技术的小型无人机分类方法，其特征在于，包括以下步骤：
S1、模拟小型无人机微多普勒信号，并利用模拟信号训练深度神经网络；
S2、未知目标类别的检测：认知雷达检测未知目标的存在，调度特定的雷达测量，将检测目标的频谱图添加到神经网络的训练集中，判断该目标是否为未知目标类；
S3、频谱图的预处理，去除机身的频率，提高频谱图的信噪比；
S4、生成频谱图的对抗训练，利用生成性对抗网络生成新的频谱图来训练分类器。
2.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S1中，使用已知的散射体来表示小型无人机，包括点散射体、圆柱体、椭球体、平三角形板和细线；对雷达信号样本，确定其散射体的位形态，然后计算该散射体的相关雷达截面，将所有散射体的贡献值相加得到整个目标的反射雷达信号。
3.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S2中，未知目标的检测通过以下方式实现：在卷积神经网络的soft-max层设置一个阈值，将检测到的目标输入卷积神经网络，如果soft-max层的最大输出没有超过阈值则声明检测目标为未知目标类。
4.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S2中，未知目标的检测通过GANomaly方法实现；GANomaly网络由三个子网络组成：
自动编码器，充当生成器，用于生成新的频谱图；
编码器，与自动编码器的结构相同，作用是压缩自动编码器生成的谱图，与自动编码器共同构成了生成对抗网络中的生成网络；
判别网络，即判别器，用于区分真实测量频谱图以及生成网络生成的频谱图，即要将真实测量图判别为真，将生成图判别为假；
GANomaly网络的三个子网络都对应一个损失函数，第一个子网络的损失是自动编码器的创建损失，用测量频谱图与生成频谱图之间的差异Lenc来表示；第二个子网络的损失是编码网络的损失，用真实频谱图与生成频谱图在多维空间的差异Lcon来表示；第三个网络的损失是判别网络的损失，用二分类的交叉熵损失Ladv来表示；
在训练阶段，生成网络的目标是尽量生成真实的频谱图去欺骗判别网络，而判别网络则尽量区分真实测量频谱图与生成频谱图，即交替优化生成网络与判别网络；由于网络仅使用已知类别的频谱图进行训练，对于未知目标类别自动编码器不能准确的重构其频谱图，则生成频谱图与真实测量频谱图之间存在差异，GANomaly网络利用这种差异来检测未知目标类别，当二者存在差异时，则将检测目标判定为未知目标类。
5.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S3中，采用自动编码器进行去噪。
CN202110258429.0A 2021-03-10 2021-03-10 一种基于深度学习技术的小型无人机分类方法 Pending CN113030950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110258429.0A CN113030950A (zh) 2021-03-10 2021-03-10 一种基于深度学习技术的小型无人机分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110258429.0A CN113030950A (zh) 2021-03-10 2021-03-10 一种基于深度学习技术的小型无人机分类方法

Publications (1)

Publication Number Publication Date
CN113030950A true CN113030950A (zh) 2021-06-25

Family

ID=76468900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110258429.0A Pending CN113030950A (zh) 2021-03-10 2021-03-10 一种基于深度学习技术的小型无人机分类方法

Country Status (1)

Country Link
CN (1) CN113030950A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256488A (zh) * 2018-01-19 2018-07-06 中国人民解放军陆军装甲兵学院 一种基于微多普勒特征提取和深度学习的雷达目标识别方法
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN111368653A (zh) * 2020-02-19 2020-07-03 杭州电子科技大学 一种基于r-d图与深度神经网络的低空小目标检测方法
CN112184654A (zh) * 2020-09-24 2021-01-05 上海电力大学 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108256488A (zh) * 2018-01-19 2018-07-06 中国人民解放军陆军装甲兵学院 一种基于微多普勒特征提取和深度学习的雷达目标识别方法
CN111368653A (zh) * 2020-02-19 2020-07-03 杭州电子科技大学 一种基于r-d图与深度神经网络的低空小目标检测方法
CN112184654A (zh) * 2020-09-24 2021-01-05 上海电力大学 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ALBERT HUIZING 等: "Deep Learning for Classification of Mini-UAVs Using Micro-Doppler Spectrograms in Cognitive Radar", 《IEEE AEROSPACE AND ELECTRONIC SYSTEMS MAGAZINE》 *
HE LI 等: "Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 *
QIN YA 等: "A network security entity recognition method based on feature template and CNN-BiLSTM-CRF", 《FRONTIERS OF INFORMATION TECHNOLOGY & ELECTRONIC ENGINEERING》 *
YING LIU 等: "Recognition and Classification of Rotorcraft by Micro-Doppler Signatures Using Deep Learning", 《INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE》 *
朱松豪 等: "基于半监督生成式对抗网络的异常行为检测", 《南京邮电大学学报》 *

Similar Documents

Publication Publication Date Title
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
CN101587186B (zh) 一种雷达脉内调制信号的特征提取方法
Regev et al. Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network
CN106483514B (zh) 一种基于eemd和支持向量机的飞机运动模式识别方法
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
CN109901130B (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN108051781A (zh) 一种基于dbn模型的雷达信号工作模式识别方法
CN112115822B (zh) 一种水下移动目标智能融合感知方法
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
Chen et al. Attention-based dual-stream vision transformer for radar gait recognition
CN111695461B (zh) 一种基于图频特性的雷达杂波智能分类方法
Wu et al. Target detection in clutter/interference regions based on deep feature fusion for HFSWR
CN112083393A (zh) 基于谱图平均时间特征的间歇采样转发干扰识别方法
CN113640768B (zh) 一种基于小波变换的低分辨雷达目标识别方法
Qiao et al. Human activity classification based on micro-Doppler signatures separation
KR101234192B1 (ko) 바이스태틱 레이더의 송수신 각도 추출 장치
CN116797796A (zh) Drfm间歇采样下基于时频分析与深度学习的信号识别方法
CN113341392B (zh) 一种基于多站雷达微多普勒运动测向的人体行为分类方法
CN103116740A (zh) 一种水下目标识别方法及其装置
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
Nguyen et al. A parallel neural network-based scheme for radar emitter recognition
Guven et al. Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system
CN113030950A (zh) 一种基于深度学习技术的小型无人机分类方法
CN108549076B (zh) 一种基于速度节奏图的多种类无人机场景识别方法
CN116340533B (zh) 一种基于知识图谱的星载电磁频谱大数据智能处理系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625