CN113177520B - 一种基于集成学习的智能辐射源识别方法 - Google Patents
一种基于集成学习的智能辐射源识别方法 Download PDFInfo
- Publication number
- CN113177520B CN113177520B CN202110577156.6A CN202110577156A CN113177520B CN 113177520 B CN113177520 B CN 113177520B CN 202110577156 A CN202110577156 A CN 202110577156A CN 113177520 B CN113177520 B CN 113177520B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- classification
- classification network
- target
- signals
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F17/148—Wavelet transforms
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
-
- 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
Abstract
本发明公开了一种基于集成学习的智能辐射源识别方法,包括以下步骤:S1、使用集成学习进行数据增强,得到增强数据;S2、根据增强数据,采用训练后的已知目标分类网络对未知目标进行辨识;S3、对未知目标进行标定,并对分类网络进行更新;S4、采用更新后的分类网络对未知目标进行再入识别,得到辐射源识别结果。本发明提高了样本利用率,在小样本的条件下,达到了数据增强的目的,能够更好地对未知电磁目标进行辨识,并且通过已辨识的未知目标重新训练分类网络,并进行再入识别,保证了分类网络的及时更新,提高了识别准确率。
Description
技术领域
本发明属于信号处理领域,具体涉及一种基于集成学习的智能辐射源识别方法。
背景技术
近年来,随着各种信息技术在军事及民用等相关领域的应用,信息战的地位愈加重要,夺取战场上的信息控制权对战场胜负的影响举足轻重。在复杂战场环境下获取的电磁数据存在数据体量大、目标有效样本少的问题。事实上,小样本威胁探测与个体识别技术是海量电磁数据处理的难点,由于不能预先知道电磁目标的信号特征,分类器设计复杂、识别率较低。因此如何在数据量有限和时间短暂的限制条件下,快速准确地对未知目标进行辨识和再入识别,对获得战场的主导权以及预估战事的走向和发展都至关重要。
基于电磁信号数据的目标识别问题在近几年来引起了越来越多的关注。尤其是针对复杂战场环境下的电磁目标,在小样本的条件下,如何有效地进行辨识和再入识别得到了广泛的关注,这是一个很重要且很困难的问题。本发明聚焦电磁信号数据,针对上述问题提出了一种基于信号特征集成的智能辐射源识别学习模型,在充分融合传统信号识别的指纹信息的基础上,通过深度学习网络进一步挖掘辐射源信号隐藏的指纹特征,从而有效解决现有辐射源识别方法准确率低的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于集成学习的智能辐射源识别方法解决了现有技术中辐射源识别准确率低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于集成学习的智能辐射源识别方法,包括以下步骤:
S1、使用集成学习进行数据增强,得到增强数据;
S2、根据增强数据,采用训练后的已知目标分类网络对未知目标进行辨识;
S3、对未知目标进行标定,并对分类网络进行更新;
S4、采用更新后的分类网络对未知目标进行再入识别,得到辐射源识别结果。
进一步地,所述步骤S1具体为:采用5种学习网络对辐射源信号的内在特征进行学习,进行数据增强,获取增强数据。
进一步地,所述的数据增强通过使用信号的不同特征增加训练样本的数量,包括使用I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换作为训练样本。
进一步地,所述步骤S2具体为:
S2.1、采集若干I/Q信号,通过预处理得到对应的I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换类型的样本;
S2.2、构建两个互有交集的样本集,并使用样本集训练2个子分类网络;所述2个子分类网络构成1个分类网络;
S2.3、根据步骤S2.2所述方法,采用步骤S2.1中的样本训练5个分类网络;
S2.4、根据训练后的分类网络,对辐射源进行识别,得到已知的辐射源识别结果以及未知目标的辨识结果。
进一步地,所述步骤S2.4中训练后的分类网络为卷积神经网络训练得到的K分类器。
进一步地,所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、获取平均概率分布P的最大值Pmax和第二大值Psec-max;
S2.45、对辐射源进行识别,判断辐射源的Pmax-Psec-max是否位于区间[0,0.5]中,若是,则该辐射源为未知目标,否则为已知目标。
进一步地,所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取第i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、采集已知目标的内在特征数据,采用步骤S2.41-S2.43所述方法获取已知目标的平均概率分布P1';
S2.45、采用步骤S2.41-S2.43所述方法对辐射源进行识别,得到辐射源的平均概率分布P2';
S2.46、获取平均概率分布P1'和平均概率分布P2'之间的距离,并判断距离是否大于预先设定的阈值,若是,则该辐射源为未知目标,否则为已知目标。
进一步地,所述步骤S2.46中平均概率分布P1'和平均概率分布P2'之间的距离W(P1',P2')具体为:
其中,∏(P1',P2')表示组合分布(P1',P2')的所有可能的联合分布的集合,对于每一个可能的联合分布,从中采样(x,y)~γ得到一个样本x和y;E(x,y)~γ[||x-y||]表示样本对距离的期望值,γ表示从∏(P1',P2')中取出一个元素。
进一步地,所述步骤S3具体为:
S3.1、采用人工标定的方式对已辨识的未知目标进行标定,得到其分类标签;
S3.2、根据已辨识的未知目标与分类标签对分类网络进行训练,获取重新训练后的分类网络。
本发明的有益效果为:
(1)本发明主要针对小样本条件下的未知目标辨识以及再入识别。首先,为了提高训练样本的利用率,利用集成学习的思想,分别使用接收到的射频I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换作为样本集学习信号的指纹特征,训练分类网络,解决样本量少的问题。
(2)本发明为每一类信号训练两个子分类网络,通过平均策略得到每类信号的分类结果;最后通过平均各类信号的分类结果得到最终的分类结果;对于未知目标的辨识问题,通过选择合适的判别指标对网络的输出分布进行约束;如果测试样本的判别指标超过相应的阈值,则判别为未知目标,否则为已知目标;在此基础上,利用已辨识的数量很少的未知目标对网络进行重新训练,实现网络更新,进而对未知目标进行再入识别。
(3)本发明提高了样本利用率,在小样本的条件下,达到了数据增强的目的,能够更好地对未知电磁目标的辨识,并且通过已辨识的未知目标对分类网络进行更新,进行再入识别,保证了分类网络的及时更新,提高了识别准确率。
附图说明
图1为本发明提出的一种基于集成学习的智能辐射源识别方法流程图。
图2为本发明中信号类型预测原理图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
实施例1
如图1所示,一种基于集成学习的智能辐射源识别方法,包括以下步骤:
S1、使用集成学习进行数据增强,得到增强数据;
S2、根据增强数据,采用训练后的已知目标分类网络对未知目标进行辨识;
S3、对未知目标进行标定,并对分类网络进行更新;
S4、采用更新后的分类网络对未知目标进行再入识别,得到辐射源识别结果。
所述步骤S1具体为:采用5种学习网络对辐射源信号的内在特征进行学习,进行数据增强,获取增强数据。
所述的数据增强通过使用信号的不同特征增加训练样本的数量,包括使用I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换(short time Fourier transform,STFT)以及I/Q信号的小波变换作为训练样本。
所述步骤S2具体为:
S2.1、采集若干I/Q信号,通过预处理得到对应的I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换类型的样本;
S2.2、构建两个互有交集的样本集,并使用样本集训练2个子分类网络;所述2个子分类网络构成1个分类网络;
S2.3、根据步骤S2.2所述方法,采用步骤S2.1中的样本训练5个分类网络;
S2.4、根据训练后的分类网络,对辐射源进行识别,得到已知的辐射源识别结果以及未知目标的辨识结果。
所述步骤S2.4中训练后的分类网络为卷积神经网络(convolutional neuralnetwork,CNN)训练得到的K分类器。
所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、获取平均概率分布P的最大值Pmax和第二大值Psec-max;
S2.45、对辐射源进行识别,判断辐射源的Pmax-Psec-max是否位于区间[0,0.5]中,若是,则该辐射源为未知目标,否则为已知目标。
所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取第i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、采集已知目标的内在特征数据,采用步骤S2.41-S2.43所述方法获取已知目标的平均概率分布P1';
S2.45、采用步骤S2.41-S2.43所述方法对辐射源进行识别,得到辐射源的平均概率分布P2';
S2.46、获取平均概率分布P1'和平均概率分布P2'之间的距离,并判断距离是否大于预先设定的阈值,若是,则该辐射源为未知目标,否则为已知目标。
所述步骤S2.46中平均概率分布P1'和平均概率分布P2'之间的距离W(P1',P2')具体为:
其中,∏(P1',P2')表示组合分布(P1',P2')的所有可能的联合分布的集合,对于每一个可能的联合分布,从中采样(x,y)~γ得到一个样本x和y;E(x,y)~γ[||x-y||]表示样本对距离的期望值,γ表示从∏(P1',P2')中取出一个元素。
所述步骤S3具体为:
S3.1、采用人工标定的方式对已辨识的未知目标进行标定,得到其分类标签;
S3.2、根据已辨识的未知目标与分类标签对分类网络进行训练,获取重新训练后的分类网络。
实施例2
本实施例提供基于集成学习的智能辐射源识别方法,具体如下。
Step 1:使用集成学习进行数据增强。
本节探讨在小样本条件下,如何通过集成学习提高电磁目标的样本利用率,实现数据增强。目前基于深度学习的辐射源识别方法主要通过CNN直接学习接收到的射频I/Q信号的内在、隐藏指纹特征。对于复杂的战场环境,仅在小样本条件下学习射频I/Q信号来辨识未知目标和识别已知目标远远不够。为了解决这个问题,本发明采用同时对射频I/Q信号以及I/Q信号的I分量,即in-phase同相或实部;Q分量,即quadrature正交相位或虚部的指纹特征进行学习,在不增加实际样本数量以及信号采集难度的基础上,提高样本利用率,从而改善目标识别的准确率。
另外,本发明充分考虑融合传统信号识别的指纹信息,在训练上述三类不同信号形态的基础上,还引入了射频I/Q信号的短时傅里叶变换以及小波变换等经典指纹特征用于信号隐藏特征的学习。
总之,本发明集成了五种学习网络,融合了射频I/Q信号的五种不同特征,包括射频I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换对信号的内在特征进行学习,在小样本条件下实现了数据增强。
Step 2:在小样本条件下,利用训练好的网络对未知电磁目标进行辨识。
为了对未知目标进行辨识,首先训练已知目标的分类网络,包括分别使用射频I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换五类不同的样本训练五种分类网络,每种分类网络包括两个子训练网络,两个子网络的训练集不同但有交集,通过对两个自网络的测试结果进行平均得到该类训练样本对应的分类网络的最终结果。通过上述步骤分别得到五种网络的分类结果,然后对五种网络的结果进行平均得到算法的最终结果。具体原理如图2所示。
对于K类已知目标识别问题,首先,基于不同的样本集,使用CNN训练得到五种K分类器,每种K分类器包括两个子分类器,分别对应的输出为pi∈[0,1]K,i=1,2,...,10,通过平均,得到测试样本在第t=[i/2]([i/2]表示i/2向上取整)种分类网络下属于各类已知目标的概率Pt∈[0,1]K,t=1,2,...,5,然后使用平均策略,得到最后的概率分布P∈[0,1]K。
对于未知目标,网络的输出分布P具有一定的特点。基于P的分布特点设置判别指标Pmax-Psec-max进行未知目标辨识,其中Pmax表示P的最大值,Psec-max表示P的第二大值。另外,Wasserstein距离也被用作判别指标,度量已知目标与未知目标网络输出分布之间的距离,定义如下:
其中,∏(P1,P2)表示组合分布(P1,P2)的所有可能的联合分布的集合。对于每一个可能的联合分布,可以从中采样(x,y)~γ得到一个样本x和y,并计算出这对样本的距离||x-y||,所以可以计算该联合分布下,样本对距离的期望值E(x,y)~γ[||x-y||]。在所有可能的联合分布中能够对这个期望值取到的下界就是Wasserstein距离。如果测试目标的网络输出与所有已知目标网络输出的Wasserstein距离都大于某个阈值时,测试目标被辨识为未知目标,反之,则为已知目标。未知目标辨识准确率的计算公式为:
Acc1=(判别正确的已知测试目标数量+判别正确的未知测试目标数量)/测试样本总数。
在本实施例中,未知目标的Pmax-Psec-max值在95%的置信区间内基本分布在[0,0.5],该判别指标的阈值选为0.5。指标Wasserstein距离在两种不同目标下的分布差别明显,即未知目标在95%的的置信区间内基本分布在[100,+∞],故该判别指标的阈值选为100。
Step 3:在小样本条件下,对网络进行更新。
在Step 2的基础上,将未知目标辨识出来之后,对网络进行重新训练,使得网络的结构与输入目标实时匹配。首先,对已辨识的未知目标信号进行标定,增加对应的标签;然后对网络进行重新训练,得到K+1分类网络,至此网络更新结束。
Step 4:在小样本条件下,对未知目标进行再入识别。
在Step 3网络更新的基础上,对已辨识的未知目标进行再入识别。由于网络更新的过程中包含训练样本的增加,这使得每个子网络的输入结构发生变化。因此对应的再入识别测试样本集也要进行调整。通过上述步骤实现未知目标的再入识别。未知目标再入识别准确率公式为:
Acc2=(判别正确的已知测试目标数量+判别正确的已辨识的未知测试目标数量)/测试样本总数。
本发明主要针对小样本条件下的未知目标辨识以及再入识别。首先,为了提高训练样本的利用率,利用集成学习的思想,分别使用接收到的射频I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换作为样本集学习信号的指纹特征,训练分类网络,解决样本量少的问题;然后,为每一类信号训练两个子分类网络,通过投票策略得到每类信号的分类结果。最后通过平均各类信号的分类结果得到最终的分类结果。对于未知目标的辨识问题,通过选择合适的判别指标对网络的输出分布进行约束。如果测试样本的判别指标超过相应的阈值,则判别为未知目标,否则为已知目标。在此基础上,利用已辨识的数量很少的未知目标对网络进行重新训练,实现网络更新,进而对未知目标进行再入识别。
Claims (5)
1.一种基于集成学习的智能辐射源识别方法,其特征在于,包括以下步骤:
S1、使用集成学习进行数据增强,得到增强数据;
S2、根据增强数据,采用训练后的已知目标分类网络对未知目标进行辨识;
S3、对未知目标进行标定,并对分类网络进行更新;
S4、采用更新后的分类网络对未知目标进行再入识别,得到辐射源识别结果;
所述步骤S1具体为:采用5种学习网络对辐射源信号的内在特征进行学习,进行数据增强,获取增强数据;
所述的数据增强通过使用信号的不同特征增加训练样本的数量,包括使用I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换作为训练样本;
所述步骤S2具体为:
S2.1、采集若干I/Q信号,通过预处理得到对应的I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换类型的样本;
S2.2、构建两个互有交集的样本集,并使用样本集训练2个子分类网络;所述2个子分类网络构成1个分类网络;
S2.3、根据步骤S2.2所述方法,采用步骤S2.1中的样本训练5个分类网络;
S2.4、根据训练后的分类网络,对辐射源进行识别,得到已知的辐射源识别结果以及未知目标的辨识结果;
所述步骤S2.4中训练后的分类网络为卷积神经网络训练得到的K分类器。
2.根据权利要求1所述的基于集成学习的智能辐射源识别方法,其特征在于,所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、获取平均概率分布P的最大值Pmax和第二大值Psec-max;
S2.45、对辐射源进行识别,判断辐射源的Pmax-Psec-max是否位于区间[0,0.5]中,若是,则该辐射源为未知目标,否则为已知目标。
3.根据权利要求1所述的基于集成学习的智能辐射源识别方法,其特征在于,所述步骤S2.4具体为:
S2.41、根据训练后的5个分类网络,获取第i个子分类网络的输出为pi∈[0,1]K,i=1,2,...,10,所述分类网络的2个子分类网络相邻;
S2.42、将每种分类网络的2个子分类网络输出取平均,得到第t种分类网络的输出为Pt∈[0,1]K,t=1,2,...,5;
S2.43、根据分类网络的输出,获取平均概率分布P为:
S2.44、采集已知目标的内在特征数据,采用步骤S2.41-S2.43所述方法获取已知目标的平均概率分布P1';
S2.45、采用步骤S2.41-S2.43所述方法对辐射源进行识别,得到辐射源的平均概率分布P2';
S2.46、获取平均概率分布P1'和平均概率分布P2'之间的距离,并判断距离是否大于预先设定的阈值,若是,则该辐射源为未知目标,否则为已知目标。
5.根据权利要求1所述的基于集成学习的智能辐射源识别方法,其特征在于,所述步骤S3具体为:
S3.1、采用人工标定的方式对已辨识的未知目标进行标定,得到其分类标签;
S3.2、根据已辨识的未知目标与分类标签对分类网络进行训练,获取重新训练后的分类网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577156.6A CN113177520B (zh) | 2021-05-26 | 2021-05-26 | 一种基于集成学习的智能辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577156.6A CN113177520B (zh) | 2021-05-26 | 2021-05-26 | 一种基于集成学习的智能辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177520A CN113177520A (zh) | 2021-07-27 |
CN113177520B true CN113177520B (zh) | 2022-06-28 |
Family
ID=76927072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577156.6A Active CN113177520B (zh) | 2021-05-26 | 2021-05-26 | 一种基于集成学习的智能辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177520B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707549B (zh) * | 2022-04-02 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
CN111340191A (zh) * | 2020-02-27 | 2020-06-26 | 福州大学 | 基于集成学习的僵尸网络恶意流量分类方法及系统 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111582373A (zh) * | 2020-05-09 | 2020-08-25 | 电子科技大学 | 一种基于加权迁移极限学习机算法的辐射源识别方法 |
CN111898583A (zh) * | 2020-08-13 | 2020-11-06 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及系统 |
CN112613443A (zh) * | 2020-12-29 | 2021-04-06 | 北京理工大学重庆创新中心 | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015197377A (ja) * | 2014-04-01 | 2015-11-09 | 株式会社東芝 | 放射線モニタリングシステム、方法及びプログラム |
-
2021
- 2021-05-26 CN CN202110577156.6A patent/CN113177520B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
CN111340191A (zh) * | 2020-02-27 | 2020-06-26 | 福州大学 | 基于集成学习的僵尸网络恶意流量分类方法及系统 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111582373A (zh) * | 2020-05-09 | 2020-08-25 | 电子科技大学 | 一种基于加权迁移极限学习机算法的辐射源识别方法 |
CN111898583A (zh) * | 2020-08-13 | 2020-11-06 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及系统 |
CN112613443A (zh) * | 2020-12-29 | 2021-04-06 | 北京理工大学重庆创新中心 | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 |
Non-Patent Citations (3)
Title |
---|
Individual Identification Technology of Communication Radiation Sources Based on Deep Learning;Yiming Chen et al.;《2020 IEEE 20th International Conference on Communication Technology (ICCT)》;20201224;1301-1305 * |
基于时差的宽带相干多辐射源测向算法;杨健 等;《数据采集与处理》;20150630;第30卷(第6期);1262-1270 * |
基于深度卷积神经网络的雷达辐射源识别算法研究;孔明鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210115;I136-1101 * |
Also Published As
Publication number | Publication date |
---|---|
CN113177520A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN101867699A (zh) | 基于分块的非特定目标实时跟踪方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN113177520B (zh) | 一种基于集成学习的智能辐射源识别方法 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
CN112749633A (zh) | 分离与重构的个体辐射源识别方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN113177521B (zh) | 一种基于组合孪生网络的智能辐射源识别方法 | |
CN116721343A (zh) | 一种基于深度卷积神经网络的跨域田间棉铃识别方法 | |
CN111898400A (zh) | 一种基于多模态特征融合的指纹活性检测方法 | |
CN110068799A (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
Bolton et al. | Random set framework for context-based classification with hyperspectral imagery | |
CN115169469A (zh) | 基于深度子领域自适应的辐射源个体识别方法 | |
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 | |
CN109344873B (zh) | 一种深度神经网络的训练样本挖掘方法及装置 | |
CN111460456B (zh) | 一种基于敏感度实现清晰决策树与模糊决策树的攻击方法 | |
CN112465884B (zh) | 基于生成式特征表示网络的多元遥感影像变化检测方法 | |
CN112865915B (zh) | 用于对抗深度学习的无线电信号伪造方法 | |
Chen et al. | Individual identification of communication radiation sources based on Inception and LSTM network |
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 |