CN113076996B - 一种改进粒子群极限学习机的辐射源信号识别方法 - Google Patents
一种改进粒子群极限学习机的辐射源信号识别方法 Download PDFInfo
- Publication number
- CN113076996B CN113076996B CN202110353155.3A CN202110353155A CN113076996B CN 113076996 B CN113076996 B CN 113076996B CN 202110353155 A CN202110353155 A CN 202110353155A CN 113076996 B CN113076996 B CN 113076996B
- Authority
- CN
- China
- Prior art keywords
- learning machine
- value
- extreme learning
- particles
- radiation source
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Radiation (AREA)
- Complex Calculations (AREA)
Abstract
本发明揭示了一种改进粒子群极限学习机的辐射源信号识别方法,该方法包括以下步骤:S1:将辐射源信号进行预处理;S2:对S1步骤得到的预处理后的信号提取特征参数,获取训练样本以及测试样本;S3:将S2步骤中得到的训练样本放入极限学习机中,并初始化粒子群优化算法的参数,以指数函数法获取学习因子值;S4:经过S3步骤中极限学习机的学习,算出均方误差作为适度值与惯性权重划分,并不断更新粒子的速度与位置,调整极限学习机的连接权重和阈值。该方法主要解决传统优化极限学习机分类精度不高等问题,在信噪比较低的环境下快速寻优且识别率达到95%以上,该方法能够快速寻优,提高学习效率,来增加个体识别的正确率。
Description
技术领域
本发明涉及一种改进粒子群极限学习机的辐射源信号识别方法,可用于信号处理技术领域。
背景技术
辐射源个体识别技术,又称辐射源“指纹”识别或者特定辐射源识别(SpecificEmitter Identification,SEI),是指对接收的电磁信号进行特征测量,并根据已有的先验信息确定产生信号的辐射源个体。因为这项技术有着非常广泛的应用前景但又无现成理论支持,目前已逐步成为电子侦察领域的研究热点和难点,但目前识别分类器仍然存在一些缺陷,比如分类器的识别率低、训练学习速度慢等问题,因此需要一些新的分类器弥补这些缺陷或者代替现有辐射源信号的个体识别系统。
极限学习机(ELM)通过随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,在训练过程中,只需改变隐含层神经元的个数,用最小二乘的方法对输出层权重矩阵寻求最优解,具有学习速度快、泛化性能好等优点。极限学习机[5](ELM)主要通过随机产生的连接权值和阈值进行分类识别,而不能寻找到最佳的网络结构,导致精度不高。当训练样本多时,优化后的极限学习机也会存在学习时间长、寻优效果一般等问题,难以满足实际应用的需求。
目前已经提出的基于辐射源信号目标识别的分类器有:徐玉龙,王金明等人在2014年“数据采集与处理”上发表的论文“基于小波熵的辐射源指纹特征提取方法”中使用概率神经网络作为分类器,仅在20dB的环境下识别率达到95%以上,但在较低的信噪比环境下识别率不能满足分类要求。
Feixiang Z,Yongxiang L,Kai H在2017年“Mathematical Problems inEngineering”期刊上发表的论文“Radar Target Classification Using anEvolutionary Extreme Learning Machine Based on Improved Quantum-BehavedParticle Swarm Optimization”中利用粒子群优化极限学习机完成基于雷达信号的分类,虽其学习效率速度较快,容易陷入局部最优状态,其精准度略低,还需对其优化提高精度。
发明内容
本发明的目的就是为了解决现有技术中存在的上述问题,提出一种改进粒子群极限学习机的辐射源信号识别方法。
本发明的目的将通过以下技术方案得以实现:一种改进粒子群极限学习机的辐射源信号识别方法,该方法包括以下步骤:
S1:将辐射源信号进行预处理;
S2:对S1步骤得到的预处理后的信号提取样本熵、排列熵、盒维数和信息维数四个特征参数,获取训练样本以及测试样本;
S3:将S2步骤中得到的训练样本放入极限学习机中,并初始化粒子群优化算法的参数,以指数函数法获取学习因子值;
S4:经过S3步骤中极限学习机的学习,算出均方误差作为适度值与惯性权重划分,并不断更新粒子的速度与位置,调整极限学习机的连接权重和阈值;
S5:不断重复S4步骤进行学习训练,寻求全局最优解,直至找到均方误差小于或等于设定值,训练结束,对应的连接权值和隐含层神经元的阈值为极限学习机的优化参数;
S6:将测试样本放入S5步骤中已经优化好的极限学习机中,算出输出层数据,对数据四舍五入取值,得到预测样本的类型。
优选地,在所述S1步骤中,将3类对讲机信号进行滤波处理,根据不同时间段、不同噪声环境进行3类信号分段,每个信号分成100段,每一段数据选择1000个点,并把分段好的信号构成实验数据集X。
优选地,在所述S2步骤中,对实验数据X进行时域分析,每1000个点提取样本熵、排列熵、盒维数和信息维数四个特征参数,组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
优选地,在所述S3步骤中,设置粒子群的粒子由极限学习机的连接权重W和隐含层神经元的阈值b组成,粒子个数为100,初始化粒子群的速度和位置,并用指数函数获取学习因子值c。
优选地,在所述S4步骤中,把训练样本strain放入极限学习机中,算出均方误差作为适度值并划分惯性权重,不断更新粒子的速度与位置。
优选地,在所述S5步骤中,不断学习训练,判断均方误差是否达到设定最小值0.005,若达到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数;若未达到,将当前最小误差的粒子作为初始值重新学习。
优选地,在所述S6步骤中,把优化后的参数放入极限学习机中,将50组测试样本stest导入优化后的ELM中,计算出神经网络的输出,四舍五入后即预测样本的类型,并算出识别率。
优选地,在所述S1步骤中,对辐射源信号的滤波,是将信号重构吸引子重构成矩阵形式,然后进行奇异值分解的滤波,再将滤波后的信号进行分段构成实验数据集X;在所述S2步骤中,对辐射源信号进行特征提取,单使用熵值作为特征会出现特征值重叠现象,对讲机类型增加时会导致识别率降低,引入分形维数的盒维数和信息维数作为特征,避免冗余,提高识别率;每1000个点提取这四个特征组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
优选地,在所述S3步骤中,设定粒子群初始的速度和位置,粒子群在寻优过程中,在前阶段希望粒子多向局部极值学习,加快粒子迭代速度,c1的值取较大值,c2的值取较小值,后阶段正好相反,用指数函数提高学习效率,其公式如下:
其中t为当前迭代次数,T为总的迭代次数。
优选地,在所述S4步骤中,把训练样本strain放入极限学习机,根据粒子的初始位置,计算出均方误差并作为适度值,改进粒子群优化算法是根据均方误差值划分惯性权重:设置粒子群的粒子数为100个,在第t次迭代过程中,第i个粒子适度值为εi,那么其种群最小适度值为εmin和平均的适度值为εavg,求得当前种群适度值小于εavg的平均值为εavg1和大于εavg的平均值为εavg2,然后将其分为三个不同的子群进行改变惯性权重,惯性权重ω产生的规则为:
(1)将εi小于εavg1的粒子分为一类,其说明该粒子为种群中最优的粒子,极大程度的接近全局最优,ω取值为0.4;
(2)将εi大于εavg2的粒子分为另一类,其说明该粒子为种群中最差的粒子,将ω取值为0.8;
(3)将εi在εavg1和εavg2分为最后一类,利用云模型中X发生器非线性动态取调整ω取值,
云模型改变权重算法公式下:
从而保证了ω∈[0.4,0.8],其中μ和σ2分别为云模型的数学期望和方差,在第t次迭代过程中的粒子适度值为εi,平均适度值为εavg。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:该方法主要解决传统优化极限学习机分类精度不高等问题,在信噪比较低的环境下快速寻优且识别率达到95%以上,该方法能够快速寻优,提高学习效率,来增加个体识别的正确率。
该方法用改进的云自适应优化粒子群算法,利用云模型算法的随机性、稳定性和正态性的特点,使得不同粒子具有不同的惯性权重,兼顾了粒子全局及局部最优的能力,能够精准寻优到最优的粒子;同时利用指数函数设计粒子的学习因子,早期多向局部最优学习,后期向全局最优学习,提高了粒子学习能力。
该方法用改进的云自适应粒子群优化极限学习机,通过优化极限学习机的输入层连接权值和阈值,改变其随机取值带来的不精准度,使得拓扑结构达到最优,提高了预测模型的准确性。
附图说明
图1为本发明的一种改进粒子群极限学习机的辐射源信号识别方法的流程示意图。
图2为本发明的改进粒子群极限学习机算法的流程图。
具体实施方式
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
本发明揭示了一种改进粒子群极限学习机的辐射源信号识别方法,用于雷达、电台和对讲机等辐射源信号识别领域。该方法对对讲机信号进行奇异值分解降噪,然后提取时域的样本熵、排列熵、盒维数和信息维数组成特征向量,利用云模型的稳定性和正态性特点,优化粒子群的权限权重,提高寻优精度;利用指数函数给定粒子群的学习因子,提高学习效率,利用优化后的云自适应粒子群算法进行训练,计算出极限学习机的参数,提高分类识别率。
如图1和图2所示,该方法包括以下步骤:
S1:将辐射源信号进行预处理;
S2:对S1步骤得到的预处理后的信号提取样本熵、排列熵、盒维数和信息维数四个特征参数,获取训练样本以及测试样本;
S3:将S2步骤中得到的训练样本放入极限学习机中,并初始化粒子群优化算法的参数,以指数函数法获取学习因子值;
S4:经过S3步骤中极限学习机的学习,算出均方误差作为适度值与惯性权重划分,并不断更新粒子的速度与位置,调整极限学习机的连接权重和阈值;
S5:不断重复S4步骤进行学习训练,寻求全局最优解,直至找到均方误差小于或等于设定值,训练结束,对应的连接权值和隐含层神经元的阈值为极限学习机的优化参数;
S6:将测试样本放入S5步骤中已经优化好的极限学习机中,算出输出层数据,对数据四舍五入取值,得到预测样本的类型。
在所述S1步骤中,将3类对讲机信号进行滤波处理,根据不同时间段、不同噪声环境进行3类信号分段,每个信号分成100段,每一段数据选择1000个点,并把分段好的信号构成实验数据集X。
在所述S2步骤中,对实验数据X进行时域分析,每1000个点提取样本熵、排列熵、盒维数和信息维数四个特征参数,组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
在所述S3步骤中,设置粒子群的粒子由极限学习机的连接权重W和隐含层神经元的阈值b组成,粒子个数为100,初始化粒子群的速度和位置,并用指数函数获取学习因子值c。
在所述S4步骤中,把训练样本strain放入极限学习机中,算出均方误差作为适度值并划分惯性权重,不断更新粒子的速度与位置。
在所述S5步骤中,不断学习训练,判断均方误差是否达到设定最小值0.005,若达到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数;若未达到,将当前最小误差的粒子作为初始值重新学习。
在所述S6步骤中,把优化后的参数放入极限学习机中,将50组测试样本stest导入优化后的ELM中,计算出神经网络的输出,四舍五入后即预测样本的类型,并算出识别率。
在所述S1步骤中,对辐射源信号的滤波,是将信号重构吸引子重构成矩阵形式,然后进行奇异值分解的滤波,再将滤波后的信号进行分段构成实验数据集X;在所述S2步骤中,对辐射源信号进行特征提取,单使用熵值作为特征会出现特征值重叠现象,对讲机类型增加时会导致识别率降低,引入分形维数的盒维数和信息维数作为特征,避免冗余,提高识别率;每1000个点提取这四个特征组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
在所述S3步骤中,设定粒子群初始的速度和位置,粒子群在寻优过程中,在前阶段希望粒子多向局部极值学习,加快粒子迭代速度,c1的值取较大值,c2的值取较小值,后阶段正好相反,用指数函数提高学习效率,其公式如下:
其中t为当前迭代次数,T为总的迭代次数。
在所述S4步骤中,把训练样本strain放入极限学习机,根据粒子的初始位置,计算出均方误差并作为适度值,改进粒子群优化算法是根据均方误差值划分惯性权重:设置粒子群的粒子数为100个,在第t次迭代过程中,第i个粒子适度值为εi,那么其种群最小适度值为εmin和平均的适度值为εavg,求得当前种群适度值小于εavg的平均值为εavg1和大于εavg的平均值为εavg2,然后将其分为三个不同的子群进行改变惯性权重,惯性权重ω产生的规则为:
(1)将εi小于εavg1的粒子分为一类,其说明该粒子为种群中最优的粒子,极大程度的接近全局最优,ω取值为0.4;
(2)将εi大于εavg2的粒子分为另一类,其说明该粒子为种群中最差的粒子,将ω取值为0.8;
(3)将εi在εavg1和εavg2分为最后一类,利用云模型中X发生器非线性动态取调整ω取值。
自适应改变权重算法如下:
μ=(εavg1-εmin)/3
σ2=μ/10
从而保证了ω∈[0.4,0.8],ω的取值也会随着适度值变化而变化。其中μ和σ2分别为云模型的数学期望和方差,在第t次迭代过程中的粒子适度值为εi,平均适度值为εavg。粒子的惯性权重是用来平衡局部寻优和全局寻优能力,这样就能很好的寻找到最优解。根据速度和位置的公式更新粒子群:
vi(t+1)=ω·vi(t)+c1·r1·[pi(t)-xi]+c2·r2·[gi(t)-xi]
xi(t+1)=xi(t)+vi(t+1)
其中vi(t)和xi(t)是第i个粒子的速度和位置,pi(t)是当前粒子群的局部最优,gi(t)是历史种群的全局最优,r1和r2是在[0,1]之间分布的两个随机数。
寻找最优的连接权重和隐含层神经元的阈值,不断学习训练,计算出每次迭代过程中的适度值,判断是否小于或等于设定的均方误差0.005,若找到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数;若未找到,将当前最小误差的粒子作为初始值重新学习。下面是均方误差计算公式:
ε=mes(Y-Y)
其中Xj=[x1j,x2j,…,x40j]T为神经网络的输入,Y为输入层对应的类别,Y’为神经网络的输出,g()取sin函数为激活函数,m为样本数,输入层有4个神经元,隐含层有40个神经元,输出层1个神经元,Wi=[wi1,wi2,…,wi40]为输入层与隐含层的连接权值,bi=[bi1,bi2,…,bij]为隐含层神经元的阈值,β1i为隐含层与输出层的连接权值。
在所述S6步骤中,完成识别,通过上面步骤把优化后的输入层连接权值W和隐含层神经元的阈值b放入极限学习机中,50组测试样本mtest导入优化后的ELM中,经过计算得到输出层数据Y’,对Y’进行四舍五入,其结果就是预测样本的类型,并计算出识别率。识别率的计算利用以下公式:
识别率=匹配成功的测试样本数目/参与匹配的测试样本总数
测试结果显示本发明的正确识别率在95%以上。
在所述S5步骤中不断学习训练,根据极限学习计算后的均方误差ε,判断是否达到设定的最小值0.005,若达到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数。若未达到,将当前最小误差粒子的速度和位置设置为初始值,重新学习。
该方法用改进的云自适应优化粒子群算法,利用云模型算法的随机性、稳定性和正态性的特点,使得不同粒子具有不同的惯性权重,兼顾了粒子全局及局部最优的能力,能够精准寻优到最优的粒子;同时利用指数函数设计粒子的学习因子,早期多向局部最优学习,后期向全局最优学习,提高了粒子学习能力。
该方法用改进的云自适应粒子群优化极限学习机,通过优化极限学习机的输入层连接权值和阈值,改变其随机取值带来的不精准度,使得拓扑结构达到最优,提高了预测模型的准确性。
本发明尚有多种实施方式,凡采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (9)
1.一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:该方法包括以下步骤:
S1:将辐射源信号进行预处理;
S2:对S1步骤得到的预处理后的信号提取样本熵、排列熵、盒维数和信息维数四个特征参数,获取训练样本以及测试样本;
S3:将S2步骤中得到的训练样本放入极限学习机中,并初始化粒子群优化算法的参数,以指数函数法获取学习因子值;
S4:经过S3步骤中极限学习机的学习,算出均方误差作为适度值与惯性权重划分,并不断更新粒子的速度与位置,调整极限学习机的连接权重和阈值;首先,把训练样本strain放入极限学习机,根据粒子的初始位置,计算出均方误差并作为适度值,改进粒子群优化算法是根据均方误差值划分惯性权重:设置粒子群的粒子数为100个,在第t次迭代过程中,第i个粒子适度值为εi,那么其种群最小适度值为εmin和平均的适度值为εavg,求得当前种群适度值小于εavg的平均值为εavg1和大于εavg的平均值为εavg2,然后将其分为三个不同的子群进行改变惯性权重,惯性权重ω产生的规则为:
(1)将εi小于εavg1的粒子分为一类,其说明该粒子为种群中最优的粒子,极大程度的接近全局最优,ω取值为0.4;
(2)将εi大于εavg2的粒子分为另一类,其说明该粒子为种群中最差的粒子,将ω取值为0.8;
(3)将εi在εavg1和εavg2分为最后一类,利用云模型中X发生器非线性动态取调整ω取值,云模型改变权重算法公式下:
从而保证了ω∈[0.4,0.8],其中μ和σ2分别为云模型的数学期望和方差,在第t次迭代过程中的粒子适度值为εi,平均适度值为εavg;
S5:不断重复S4步骤进行学习训练,寻求全局最优解,直至找到均方误差小于或等于设定值,训练结束,对应的连接权值和隐含层神经元的阈值为极限学习机的优化参数;
S6:将测试样本放入S5步骤中已经优化好的极限学习机中,算出输出层数据,对数据四舍五入取值,得到预测样本的类型。
2.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S1步骤中,将3类对讲机信号进行滤波处理,根据不同时间段、不同噪声环境进行3类信号分段,每个信号分成100段,每一段数据选择1000个点,并把分段好的信号构成实验数据集X。
3.根据权利要求2所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S2步骤中,对实验数据X进行时域分析,每1000个点提取样本熵、排列熵、盒维数和信息维数四个特征参数,组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
4.根据权利要求3所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S3步骤中,设置粒子群的粒子由极限学习机的连接权重W和隐含层神经元的阈值b组成,粒子个数为100,初始化粒子群的速度和位置,并用指数函数获取学习因子值c。
5.根据权利要求4所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S4步骤中,把训练样本strain放入极限学习机中,算出均方误差作为适度值并划分惯性权重,不断更新粒子的速度与位置。
6.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S5步骤中,不断学习训练,判断均方误差是否达到设定最小值0.005,若达到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数;若未达到,将当前最小误差的粒子作为初始值重新学习。
7.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S6步骤中,把优化后的参数放入极限学习机中,将50组测试样本stest导入优化后的ELM中,计算出神经网络的输出,四舍五入后即预测样本的类型,并算出识别率。
8.根据权利要求2或3所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S1步骤中,对辐射源信号的滤波,是将信号重构吸引子重构成矩阵形式,然后进行奇异值分解的滤波,再将滤波后的信号进行分段构成实验数据集X;在所述S2步骤中,对辐射源信号进行特征提取,单使用熵值作为特征会出现特征值重叠现象,对讲机类型增加时会导致识别率降低,引入分形维数的盒维数和信息维数作为特征,避免冗余,提高识别率;每1000个点提取这四个特征组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353155.3A CN113076996B (zh) | 2021-03-31 | 2021-03-31 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353155.3A CN113076996B (zh) | 2021-03-31 | 2021-03-31 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076996A CN113076996A (zh) | 2021-07-06 |
CN113076996B true CN113076996B (zh) | 2022-08-23 |
Family
ID=76614315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353155.3A Active CN113076996B (zh) | 2021-03-31 | 2021-03-31 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076996B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640891B (zh) * | 2021-08-11 | 2022-11-08 | 吉林大学 | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 |
CN114172770B (zh) * | 2021-11-26 | 2023-05-02 | 哈尔滨工程大学 | 量子根树机制演化极限学习机的调制信号识别方法 |
CN115081487A (zh) * | 2022-07-08 | 2022-09-20 | 电子科技大学 | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
CN115687928B (zh) * | 2022-11-11 | 2023-06-27 | 广芯微电子(广州)股份有限公司 | 一种异物识别模型的构建方法、装置及异物识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN111931413A (zh) * | 2020-06-22 | 2020-11-13 | 中国人民解放军陆军军事交通学院 | 基于带极值扰动的混沌粒子群的优化极限学习机高海拔柴油机性能预测方法 |
-
2021
- 2021-03-31 CN CN202110353155.3A patent/CN113076996B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN111931413A (zh) * | 2020-06-22 | 2020-11-13 | 中国人民解放军陆军军事交通学院 | 基于带极值扰动的混沌粒子群的优化极限学习机高海拔柴油机性能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113076996A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076996B (zh) | 一种改进粒子群极限学习机的辐射源信号识别方法 | |
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
Zhao et al. | Local similarity imputation based on fast clustering for incomplete data in cyber-physical systems | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN112818969B (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN107085704A (zh) | 基于elm自编码算法的快速人脸表情识别方法 | |
CN107766893B (zh) | 基于标签多级编码神经网络的目标识别方法 | |
CN107870321B (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
CN114943345B (zh) | 基于主动学习和模型压缩的联邦学习全局模型训练方法 | |
CN108549866B (zh) | 基于密集卷积神经网络的遥感飞机识别方法 | |
CN111681132A (zh) | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN105809200B (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN117037006B (zh) | 一种高续航能力的无人机跟踪方法 | |
CN109165576B (zh) | 一种运动状态识别方法及装置 | |
CN113869451A (zh) | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 | |
CN116630816B (zh) | 基于原型对比学习的sar目标识别方法、装置、设备及介质 | |
CN112699782A (zh) | 基于N2N和Bert的雷达HRRP目标识别方法 | |
CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN113111774B (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
Wang et al. | Kernel-based deep learning for intelligent data analysis | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 |
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 |