CN113109782A - 一种直接应用于雷达辐射源幅度序列的新型分类方法 - Google Patents
一种直接应用于雷达辐射源幅度序列的新型分类方法 Download PDFInfo
- Publication number
- CN113109782A CN113109782A CN202110407205.1A CN202110407205A CN113109782A CN 113109782 A CN113109782 A CN 113109782A CN 202110407205 A CN202110407205 A CN 202110407205A CN 113109782 A CN113109782 A CN 113109782A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- convolution
- network
- layer
- data
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种直接应用于雷达辐射源幅度序列的新型分类方法,它包括:一、数据预处理模块搭建;二、数据处理和提取模块;三、数据处理层;四、信息过滤层;五、辐射源分类识别层;本发明相较于需要输入时频图像的以往方法,能够直接输入辐射源幅度序列。序列数据相较于时频图像所需要的内存更小,因此不仅能够节省大量转换时间,而且同时能够处理更多数据。本发明还能够自主学习和提取特征,相较于人工提取特征能够更加全面准确的提取信息,从而有效提升识别准确率。
Description
技术领域
本发明涉及电子对抗技术领域,具体涉及一种直接应用于雷达辐射源幅度序列的新型分类方法。
背景技术
雷达辐射源识别是电子战的一个重要组成部分和关键步骤,在完成信号截获和脉冲参数分析后,需要对信号进行进一步分析,以得到辐射源型号甚至是个体信息。传统的雷达辐射源识别方法需要手动提取并选取特征,过于依赖情报人员经验,并且在低信噪比时表现不够良好;另一方面,雷达技术的不断进步使得当前电子对抗侦察所要面对的电磁环境日益复杂,信号在时域、频域和空域交迭情况复杂,所以迫切需要探究适用于雷达辐射源识别的新方法。
为了探究替代传统雷达辐射源识别的方法,众多学者将机器学习引入雷达辐射源识别,但是机器学习存在模型普适性较差、识别有交迭的不完整数据时精度较低、训练模型需要运用大量样本等问题。随着这些年深度学习在语音识别、图像、自然语言识别领域的不断突破,如何将深度学习运用到辐射源识别领域,从而有效提升识别效率和精度成为当前重点关注的问题。以往文献都是先将辐射源幅度序列转换为时频图像来进行识别,但将幅度序列转换为时频图像需要耗费大量的工作量,时频图像在低信噪比时识别效果也较差,因此无法应用于实际战场。
发明内容
本发明的目的是为了解决上述问题而提供的一种直接应用于雷达辐射源幅度序列的新型分类方法。
1、一种直接应用于雷达辐射源幅度序列的新型分类方法,它包括:
一、数据预处理模块搭建
1)将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度,作为数据并打上标签;
2)将读取的数据预处理后按比例分为训练集、测试集、验证集,并将其随机打散;
3)将要分类的数据标签变成独热码的形式;
二、数据处理和提取模块
利用一维卷积神经网络将输入到网络中的辐射源序列信息进行处理和提取;
所述的一维卷积神经网络,包括:归一化层、两层卷积层和一层最大池化层;
按以下步骤操作:
1)计算输入的辐射源幅度序列数据的均值;
2)计算输入辐射源幅度序列数据的标准差;
3)归一化处理;
4)对经过上面归一化处理得到的数据进行重构;
5)将Dropout引入一维卷积神经网络;
6)将卷积层1和卷积层2中的ReLU激活函数替换为LeakyReLU激活函数;
三、数据处理层,利用改进后的时间卷积网络对一维卷积神经网络提取的信息进行处理和学习;
包括以下步骤:
1)时间卷积网络运用4层卷积层来进行数据的处理和学习;
2)这4层卷积层分别由两个残差网络连接;
3)为了防止过拟合,在时间卷积网络中也加入dropout,大小设置为0.2;
4)4层卷积层的ReLU激活函数替换为LeakyReLU激活函数;
四、信息过滤层
其包括如下:
1)注意力机制能够计算当前输入序列和输出的匹配程度;
2)网络会根据匹配程度的不同,分配给信号不同的权重系数, 通过对辐射源信号进行加权求和,得到最后的注意力辐射源信号;
3)注意力机制在辐射源幅度序列识别中采用的是自动加权方式;
五、辐射源分类识别层
包括:
1)设置全连接层的参数,用来分类辐射源信号;
2)为了快速得到最优的解,避免达到局部最优解,采用Adam优化算法;
3)损失函数采用交叉熵函数;
4)引入早停机制;
5)初始学习率设置为0.001,最大训练轮数设置为50;
所述的步骤一中训练集、测试集、验证集的比例为14:7:9;
所述的步骤一中数据标签为:FMCW、Frank、P1、P2、P3、P4、BPSK和Costas;
所述的步骤二一维卷积神经网络参数为:卷积层1的卷积核数量设置为32,卷积核的时域窗长度设为5,最大池化层的窗口大小设为2;卷积层2的卷积核数量设置为16,卷积核的时域窗长度设为5。
所述的Dropout设置为0.2;
所述的步骤三中时间卷积网络包括时间卷积网络1和时间卷积网络2,分别包括两层:第一个卷积层和第二个卷积层;
具体参数为:第一个卷积层的卷积核时域窗长度设为5,卷积核数量设为32,第二个卷积层的卷积核时域窗长度也设置为5,卷积核数量设置为16;时间卷积网络2采用与时间卷积网络1相同的参数。
所述的全连接层的参数为8;
所述的早停机制为:当验证集误差不再减小,经过3轮训练后仍没有改善,则终止训练,否则模型会完成50 轮训练后再终止。
本发明提供了一种直接应用于雷达辐射源幅度序列的新型分类方法,它包括:一、数据预处理模块搭建;二、数据处理和提取模块;三、数据处理层;四、信息过滤层;五、辐射源分类识别层;本发明相较于需要输入时频图像的以往方法,能够直接输入辐射源幅度序列。序列数据相较于时频图像所需要的内存更小,因此不仅能够节省大量转换时间,而且同时能够处理更多数据。本发明还能够自主学习和提取特征,相较于人工提取特征能够更加全面准确的提取信息,从而有效提升识别准确率。
附图说明
图1 为基于改进一维卷积神经网络与时间卷积网络的新型分类方法流程图;
图2 为改进后时间卷积网络;
图3为 5种模型在不同信噪比条件下识别准确率;
图4 为模型对8种信号在不同信噪比的识别情况;
图5为 8种信号的整体混淆矩阵。
具体实施方式
实施例1
一种直接应用于雷达辐射源幅度序列的新型分类方法,它包括:将辐射源幅度序列识别分为了5个步骤:首先,将辐射源幅度序列数据读取完以后,将数据经过预处理之后变成网络能直接识别的数据形式;随后,利用改进后的一维卷积神经网络提取输入数据的关键信息;然后,利用改进后的时间卷积网络对提取的信息进行学习;再然后,通过注意力机制将时间卷积网络学习到的信息进一步筛选;最后,利用全连接层将筛选之后的信息分类8种辐射源信号。
如图1所示,一种直接应用于雷达辐射源幅度序列的新型分类方法,具体流程为:
1、数据预处理模块,将输入到网络中的辐射源幅度序列进行预处理,使其能够满足网络的要求。
具体的,对于输入的辐射源幅度序列进行预处理是非常重要的过程,直接读取的幅度序列数据并不能直接输入到网络中直接进行分类识别,需要将其转化为网络能够识别的形式。
预处理模块包括以下步骤:
将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度,作为数据并打上标签;输入到本发明的网络之中,并转换数据的格式。
具体的,将训练集数据转换成(179200, 1024, 1)的形式,将测试集数据转换成(76800, 1024,1)的形式。
2)将读取的数据预处理后按比例分为训练集、测试集、验证集,并将其随机打散。
具体地,训练集、测试集、验证集的比例为14/3:7/3:3 。
3)将要分类的数据类别的标签变成独热码的形式。
2、数据处理和提取模块,利用改进的一维卷积神经网络将输入到网络中的辐射源序列信息进行处理和提取。
具体的,在一维卷积神经网络(One-Dimensional Convolutional NeuralNetworks, 1DCNN)前面加入批归一化层来归一化输入的辐射源幅度序列数据,能够把数据集都映射到原点周围,进而一定程度上加快模型训练的速度;卷积神经网络是一种具有局部连接,权值共享等特性的深层前馈神经网络。一维卷积神经网络能够提取辐射源幅度序列中包含的信息,将其输入到时间卷积网络中进行学习。
数据处理和提取模块包括以下步骤:
1)计算输入的辐射源幅度序列数据的均值。
2)计算输入辐射源幅度序列数据的标准差。
3)归一化处理。
4)重构,对经过上面归一化处理得到的数据进行重构
5)本发明所用的一维卷积神经网络包括两层卷积层和一层最大池化层。
具体的,卷积层1的卷积核数量设置为32,卷积核的时域窗长度设为5,最大池化层的窗口大小设为2;卷积层2的卷积核数量设置为16,卷积核的时域窗长度设为5。
6)为了防止过拟合,将Dropout引入一维卷积神经网络。
过拟合指的是模型在训练数据上损失函数比较小,预测准确率较高,但是在测试数据上损失函数比较大,预测准确率较低。Dropout可以随机地临时选择一些中间层中的神经元,使这些神经元不起作用,即在本次迭代中输出为零,同时保持输入层和输出层的神经元数目不变。在反向传播并更新参数的过程中,与这些节点相连的权值也不需要更新。但是这些节点并不从网络中删除,并且其权值也保留下来,以使这些节点在下一次迭代时重新被选中作为起作用点而参与权值的更新。Dropout的大小设置为0.2。
7)将卷积层1和卷积层2中的ReLU激活函数替换为LeakyReLU激活函数来增加模型零值附近拟合能力。
3、数据处理层,利用改进后的时间卷积网络对一维卷积神经网络提取的信息进行处理和学习。
具体的,时间卷积网络(Temporal Convolutional Network,TCN)是在传统卷积神经网络基础上进行改进和优化而得到的一种新型网络结构。时间卷积网络主要是由卷积神经网络和残差结构连接构成,同时引入因果卷积和空洞卷积。因果卷积能够实现序列建模,空洞卷积能够在不增加池化层的前提下扩大感受野,来学习长序列数据。时间卷积网络能够将从一维卷积神经网络中提取的信息进行学习,使其能够输出到全连接层进行分类输出。如图2所示,包括以下步骤:
1)时间卷积网络运用4层卷积层来进行数据的处理和学习。
具体的,时间卷积网络1的第一个卷积层的卷积核时域窗长度设为5,卷积核数量为32,第二个卷积层的卷积核时域窗长度也设为5,卷积核数量为16;时间卷积网络2采用与时间卷积网络1相同的参数.
2)这4层卷积层分别由两个残差网络连接。
3)为了防止过拟合,在时间卷积网络中也加入适当dropout,大小设置为0.2。
4)将这四层卷积层的ReLU激活函数替换为LeakyReLU激活函数来增加模型零值附近拟合能力。
4、信息过滤模块,能够将时间卷积网络学习的信息进一步筛选和过滤,输出到全连接层进行识别。
具体的,对于雷达辐射源识别来说,注意力机制能帮助深度学习模型将已经输出的辐射源信号类型与输入的辐射源幅度序列相匹配,并计算出相应的匹配度权重来帮助网络进一步提升整体识别准确率。
其包括步骤如下:
1)注意力机制能够计算当前输入序列和输出的匹配程度。
2)网络会根据匹配程度的不同,分配给信号不同的权重系数, 通过对辐射源信号进行加权求和,得到最后的注意力辐射源信号,从而使模型关注更重要的辐射源信息。
目前常用的计算方式有以下两种:
5、辐射源分类识别模块,利用全连接层将筛选出来的信号进行分类识别。
具体的,将softmax函数和交叉熵函数结合,能够很好的处理多分类问题,全连接层参数设为8,使其能够分类识别八种辐射源信号。
具体步骤如下:
1)全连接层的参数设置为8,用来分类8种辐射源信号。
2)为了快速得到最优的解,避免达到局部最优解,本发明采用Adam优化算法。
相比较于随机梯度下降等其他优化算法,能够更快到达极小值。
3)损失函数采用交叉熵函数。
交叉熵函数能够更好的处理分类问题,提高识别准确率。
4)为了避免过拟合对结果产生影响,本发明引入了早停机制。
当验证集误差不再减小且再经过3轮的训练仍得不到改善的情况下提前终止训练,否则模型将经过50 轮的训练。
5)初始学习率设置为0.001,最大训练轮数设置为50。
实施例2
本发明所要分类识别的雷达辐射源信号有8种,分别为FMCW、Frank、P1、P2、P3、P4、BPSK和Costas。载频取值范围均为 1kHz~1.2kHz,除Costas 外采样频率均为7kHz。根据实际信号特征,采用 MATLAB 仿真生成实验数据,信噪比范围为-20~10dB,间隔2dB。每类信号在每种信噪比情况下产生2000个样本,每个样本长度1024。信号的主要参数如表1所示。
实验采用的实验测试平台:Intel(R)Core(TM)i7-10750H,NVIDIA GeForce RTX2070 super 本发明的神经网络模型使在TensorFlow平台上所搭建的。
为了进一步探究本发明所采用的网络(图中均用CTA表示)与本发明网络中所用的时间卷积网络(用TCN表示)的优势,选取了采用相同参数的时间卷积网络与本发明网络进行对比;同时,为了进一步探究本发明所采用的深度学习模型对比常见深度学习模型的优势,选择经典的深度学习模型AlexNet、VGG19、ResNet18进行对比。5种模型采用相同的数据集,得到5种模型在不同信噪比条件下识别准确率如图3所示,5种模型训练所用的时间、收敛轮数、准确率和损失如表2所示。
首先对比采用相同参数的时间卷积网络与本发明所采用网络,从表中可以看出,虽然TCN网络在时间上稍快,但是从图中可以发现,本发明所采用的网络模型相较TCN网络在准确率上有较为明显的提升。尤其是当信噪比处于-20~-10dB的时候,本发明所采用的神经网络模型明显优于TCN网络,这说明在低信噪比情况下,本发明所采用的神经网络模型,能够更加准确的识别出雷达辐射源信号。
从图中和表中可以看出,本发明所采用的神经网络模型,无论从时间还是准确率方面都明显优于传统神经网络模型,这说明本发明所采用的神经网络模型收敛速度较快,训练难度对比其他几种网络模型较低;AlexNet对比其他几种模型网络精度最低,虽然单轮所花费的时间较短,但是所需要的轮数较多不适合用于雷达辐射源识别; ResNet18和VGG19对于雷达辐射源识别的准确度基本相似,但VGG19所用时间明显低于ResNet18;综合比较时间卷积网络和常用的经典网络模型,本发明所采用的网络模型能够较好的均衡分类精度和时间,能够更加准确快速的识别雷达辐射源信号。
将发明训练得到的网络模型在不同信噪比下对8种辐射源信号进行识别。可以得到模型对8种信号在不同信噪比的识别情况如下图4所示。
从图中可以看出,当信噪比高于-10dB的时候,本发明所采用的模型对于8种信号的识别基本可以达到100%,即使信噪比处于-16dB时,模型对于8种信号的识别精度依旧能达到90%,能够基本满足模型对于低信噪比下对于信号识别精度的要求。当信噪比的值继续下降时,模型对于8种雷达信号的识别精度也会随之继续降低,当信噪比处于-20dB时,可以看出Costas信号受到信噪比的影响最大,精度会降低到55%左右;P3码受到的影响最小,精度依旧会保持在77%以上;对于BPSK和Frank信号来说,当信噪比处于-20dB时,识别准确率会降低到63%左右;对于其他4种信号识别结果将为均衡,都保持在72%以上。当信号的信噪比较低时,传入模型中的信息会包含大量噪声和干扰,这些噪声和干扰会被模型当作信号特征导入模型,所以当信噪比较低时识别精度会显著下降。
8种信号的整体混淆矩阵如图5所示。从图中可以看出绝大部分信号能够被准确的分类,能够明显的看出一条清晰的对角线。对于这8种信号,在-20~10dB信噪比下,平均准确率均能达到94.7%以上,能够做到较为准确的识别。从图中也可以看出P3和Frank信号受噪声影响相对较小,BPSK和Costas更容易受到噪声影响。
Claims (9)
1. 一种直接应用于雷达辐射源幅度序列的新型分类方法,它包括:
一、数据预处理模块搭建
1)将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度,作为数据并打上标签;
2)将读取的数据预处理后按比例分为训练集、测试集、验证集,并将其随机打散;
3)将要分类的数据标签变成独热码的形式;
二、数据处理和提取模块
利用一维卷积神经网络将输入到网络中的辐射源序列信息进行处理和提取;
所述的一维卷积神经网络,包括:归一化层、两层卷积层和一层最大池化层;
按以下步骤操作:
1)计算输入的辐射源幅度序列数据的均值;
2)计算输入辐射源幅度序列数据的标准差;
3)归一化处理;
4)对经过上面归一化处理得到的数据进行重构;
5)将Dropout引入一维卷积神经网络;
6) 将卷积层1和卷积层2中的ReLU激活函数替换为LeakyReLU激活函数;
三、数据处理层,利用改进后的时间卷积网络对一维卷积神经网络提取的信息进行处理和学习;
包括以下步骤:
1)时间卷积网络运用4层卷积层来进行数据的处理和学习;
2)这4层卷积层分别由两个残差网络连接;
3)为了防止过拟合,在时间卷积网络中也加入dropout,大小设置为0.2;
4)4层卷积层的ReLU激活函数替换为LeakyReLU激活函数;
四、信息过滤层
其包括如下:
1)注意力机制能够计算当前输入序列和输出的匹配程度;
2)网络会根据匹配程度的不同,分配给信号不同的权重系数, 通过对辐射源信号进行加权求和,得到最后的注意力辐射源信号;
3)注意力机制在辐射源幅度序列识别中采用的是自动加权方式;
五、辐射源分类识别层
包括:
1)设置全连接层的参数,用来分类辐射源信号;
2)为了快速得到最优的解,避免达到局部最优解,采用Adam优化算法;
3)损失函数采用交叉熵函数;
4)引入早停机制;
5)初始学习率设置为0.001,最大训练轮数设置为50。
2.根据权利要求1所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的步骤一中训练集、测试集、验证集的比例为14:7:9。
3.根据权利要求2所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的步骤一中数据标签为:FMCW、Frank、P1、P2、P3、P4、BPSK和Costas。
5.根据权利要求4所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的步骤二一维卷积神经网络参数为:卷积层1的卷积核数量设置为32,卷积核的时域窗长度设为5,最大池化层的窗口大小设为2;卷积层2的卷积核数量设置为16,卷积核的时域窗长度设为5。
6.根据权利要求1、2、3、4或5所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的Dropout设置为0.2。
7.根据权利要求6所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的步骤三中时间卷积网络包括时间卷积网络1和时间卷积网络2,分别包括两层:第一个卷积层和第二个卷积层;
具体参数为:时间卷积网络1的第一个卷积层的卷积核时域窗长度设为5,卷积核数量为32,第二个卷积层的卷积核时域窗长度也设为5,卷积核数量设为16;时间卷积网络2采用与时间卷积网络1相同的参数。
8.根据权利要求7所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的全连接层的参数为8。
9.根据权利要求8所述的一种直接应用于雷达辐射源幅度序列的新型分类方法,其特征在于:所述的早停机制为:当验证集误差不再减小,经过3轮训练后仍没有改善,则终止训练,否则模型会完成50 轮的训练后再终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407205.1A CN113109782B (zh) | 2021-04-15 | 2021-04-15 | 一种直接应用于雷达辐射源幅度序列的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407205.1A CN113109782B (zh) | 2021-04-15 | 2021-04-15 | 一种直接应用于雷达辐射源幅度序列的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109782A true CN113109782A (zh) | 2021-07-13 |
CN113109782B CN113109782B (zh) | 2023-08-15 |
Family
ID=76717515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407205.1A Active CN113109782B (zh) | 2021-04-15 | 2021-04-15 | 一种直接应用于雷达辐射源幅度序列的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578293A (zh) * | 2022-02-28 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种利用截获信号幅度值的电扫雷达信号识别方法 |
CN116559809A (zh) * | 2023-03-28 | 2023-08-08 | 南京桂瑞得信息科技有限公司 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
WO2020224219A1 (zh) * | 2019-05-06 | 2020-11-12 | 平安科技(深圳)有限公司 | 中文分词方法、装置、电子设备及可读存储介质 |
WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
-
2021
- 2021-04-15 CN CN202110407205.1A patent/CN113109782B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
WO2020224219A1 (zh) * | 2019-05-06 | 2020-11-12 | 平安科技(深圳)有限公司 | 中文分词方法、装置、电子设备及可读存储介质 |
WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
Non-Patent Citations (1)
Title |
---|
秦鑫;黄洁;查雄;骆丽萍;胡德秀;: "基于扩张残差网络的雷达辐射源信号识别", 电子学报, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578293A (zh) * | 2022-02-28 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种利用截获信号幅度值的电扫雷达信号识别方法 |
CN116559809A (zh) * | 2023-03-28 | 2023-08-08 | 南京桂瑞得信息科技有限公司 | 一种基于多源融合网络的雷达辐射源个体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113109782B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN107633255A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
CN111723874B (zh) | 一种基于宽度和深度神经网络的声场景分类方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN113050042A (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN113269647A (zh) | 基于图的交易异常关联用户检测方法 | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN111768792A (zh) | 基于卷积神经网络和领域对抗学习的音频隐写分析方法 | |
CN109460872B (zh) | 一种面向移动通信用户流失不平衡数据预测方法 | |
CN114912489A (zh) | 一种信号调制识别方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN111553424A (zh) | 一种基于cgan的图像数据平衡和分类方法 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN111191548B (zh) | 一种基于s变换的放电信号识别方法及识别系统 | |
CN114139655A (zh) | 一种蒸馏式竞争学习的目标分类系统和方法 |
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 |