CN113361204A - 一种基于sae的雷达辐射源pri调制识别方法 - Google Patents
一种基于sae的雷达辐射源pri调制识别方法 Download PDFInfo
- Publication number
- CN113361204A CN113361204A CN202110688330.4A CN202110688330A CN113361204A CN 113361204 A CN113361204 A CN 113361204A CN 202110688330 A CN202110688330 A CN 202110688330A CN 113361204 A CN113361204 A CN 113361204A
- Authority
- CN
- China
- Prior art keywords
- pri
- sae
- training
- modulation
- radar radiation
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于SAE的雷达辐射源PRI调制样式识别方法,通过仿真软件产生三种相似度高的雷达辐射源PRI调制样式的数据集,将PRI数值与TOA关联生成二维分布特征,二值化后逐行合并为一维向量,分别产生训练集和测试集;设置SAE识别网络参数,使用训练集训练SAE网络;将测试集输入至完成训练的SAE网络,得到不同脉冲丢失条件下的PRI调制样式的识别率。本发明通过利用SAE网络提取雷达辐射源PRI参数的特征,保证脉冲丢失条件下仍可保证良好的识别能力,训练耗时少,提高在脉冲缺失下雷达辐射源PRI调制样式的识别率。
Description
技术领域
本发明涉及采用无线电波的反射或再辐射的定位或存在检测领域,尤其是指一种基于SAE的雷达辐射源PRI调制样式识别方法。
背景技术
雷达辐射源识别是雷达对抗侦察中的重要组成部分,直接影响后续雷达辐射源行为推理和威胁评估结果的准确性。雷达辐射源PRI(Pulse Repeat Interval,脉冲重复间隔,本技术领域通用简写PRI)调制样式是雷达辐射源典型信号参数,相对于其他特征参数而言,稳定性和差异性优越,从中可提取关于雷达辐射源的平台、型号、工作状态等重要信息。通过对PRI调制样式特征的提取和应用,更加清晰地挖掘雷达辐射源的细微特征差异,进而提高精确识别率,故而识别雷达辐射源PRI调制具有重要意义。
随着雷达技术的快速发展,雷达体制和用途不断更新换代,信号形式愈变复杂,参数特征快捷变化,传统的参数匹配方法用于识别难以较好地解决问题。因此,研究人员从识别的两个根本问题入手,特征构建和识别算法。一方面,通过构建具有唯一性的参数特征表征雷达辐射源,提高不同雷达辐射源之间的差异性;另一方面,通过优异的识别算法提取不同雷达辐射源特征之间的细微区别,以实现提高识别率的目的。
申请号为201510907373.1、申请公布号为CN105403863A、申请人为哈尔滨工业大学、发明名称为”基于多特征提取的雷达脉冲重复间隔调制识别方法”的中国发明专利公开了一种雷达脉冲重复间隔调制方式识别方法,该发明通过定义7个特征量,实现对6种PRI调制方式的识别,但是脉冲丢失率对该方法的影响较大。
发表在《电子信息对抗技术》2020年5月刊的”一种基于全卷积神经网络的雷达PRI调制样式识别方法”,在该方法中采用深度学习网络中的长短时记忆网络和全卷积神经网络实现对不同PRI调制方式的识别,提高了脉冲丢失条件下的识别率,但是其识别对象的差异性较大,未考虑当不同PRI调制相似性大的条件下的识别问题。
发明内容
基于此,有必要针对现有技术中存在的上述问题,提供一种识别率高、训练耗时短、能够消除PRI数值的影响的基于SAE的雷达辐射源PRI调制样式识别方法。
为实现上述目的,本发明的技术方案是,所述方法的步骤如下:
步骤一,构建雷达辐射源PRI调制样式的数据集:
(1a)、利用Matlab仿真软件生成3种不同雷达辐射源PRI调制的数据集,包括PRI参差、PRI组变和PRI滑变;
(1b)、PRI参差调制变化规律为:以19μs,21μs,20μs,23μs四个值周期循环变化,
PRI组变调制变化规律为:以19μs,19μs,20λs,20λs,21μs,21μs,23μs,23μs周期重复,其中每个值均重复两次,
PRI滑变调制变化规律为:以19μs,23μs,20μs,21μs,21μs,20μs,23μs,19μs周期循环,包含19μs,23μs,20μs,21μs四个值的双向单滑,
(1c)、PRI参差、滑变和组变等调制的样本包含若干周期;
步骤二,对上述3种雷达辐射源PRI调制的数据进行预处理,生成训练集和测试集:
(2a)、将PRI随TOA的变化规律曲线转化为PRI-TOA的二维分布图;
(2b)、将(2a)中的PRT-TOA二维分布图二值化后转换为一维向量;
(2c)、随机产生(2b)不同程度丢失脉冲条件下的PRI参差调制、PRI滑变调制、PRI滑变调制的样本数量每类为1000,样本总数为3000;其中,每类训练样本为700,总数2100,构成训练集;每类测试样本为300,总数900,构成测试集;
步骤三,设计SAE网络:
(3a)、利用栈式自动编码器自动提取一维向量的特征,其结构和参数设计为:输入层为一维向量维度1600,第一层隐含层节点数为800,第二层隐含层节点数为50,输出层为分类识别数目3,则SAE整体架构为1600-800-50-3;
(3b)、训练参数设置为:学习率为0.1,训练块大小为10,迭代次数为200;
步骤四,利用步骤二产生的训练集输入至步骤三中设计的SAE网络,完成SAE网络训练:
利用步骤二产生的PRI调制训练集,通过SAE逐层贪婪预训练和参数微调完成训练,得到识别PRI调制的网络;在本步骤中,采用梯度下降算法进行更新自动编码器的参数;
步骤五,利用步骤二产生的测试集输入至步骤四中完成训练的SAE网络,输出雷达辐射源PRI调制的类别标签,得到对应的PRI调制样式。
在其中一个实施例中,在步骤(1c)中,PRI参差取8个周期,PRI滑变和组变取4个周期。
在其中一个实施例中,在步骤(2a)生成PRI-TOA二维分布过程如下:
第1步,设定PRI-TOA二维分布矩阵为AM×N,其中M为PRI出现的数值个数,N为PRI循环的最小周期数;
第2步,在N个TOA值分别对应的PRI值处置1,其余位置为0,生成二维0-1矩阵;
第3步,对二维分布特征在O×O的二维矩阵内进行随机分布。
在其中一个实施例中,步骤(2b)将(2a)中生成的二维0-1矩阵AO×O转化成一维0-1矩阵,维度为O×O。
在其中一个实施例中,步骤(2c)生成不同程度丢失脉冲条件下的样本:
第1步,随机产生丢失脉冲的个数P(0≤P≤MN/2),保证50%以上的完整性;
第2步,随机产生P个丢失脉冲所在的位置(i,j),其中1≤i≤M,1≤i≤N,并将对应的Ai,j由1置为0;
第3步,训练样本脉冲丢失率设置为0至10%,测试样本脉冲丢失率设置为0至50%。
本发明根据实际中雷达辐射源常见的三种PRI调制样式,基于常规参数生成对应的数据集;截取一定长度的雷达辐射源脉间参数随脉冲时序的变化规律生成二维分布特征,二值化后转换为一维向量,分别生成训练集和测试集;设计SAE的网络参数,利用训练集训练SAE网络;输入不同脉冲缺失程度的测试样本至完成训练的SAE网络,得到不同脉冲缺失条件下的雷达辐射源PRI调制样式形式识别率。与现有的技术方案相比,本发明的有益效果是:
(1)本发明由于采用SAE提取PRI调制样式的特征,因此在脉冲丢失条件下任然可以保持较高的识别率,且训练耗时较短;
(2)本发明在构建PRI调制样式的特征时,生成二维分布特征,并将其二值化和随机分布一定尺寸内,可以消除PRI数值的影响。
本发明可用于电子情报侦察、电子支援和威胁告警中对截获的雷达辐射源信号的分析与识别。
附图说明
图1为本发明的算法流程图。
图2为二值化后的PRI-TOA二维分布特征图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明实施方式中,为了使读者更好地理解本发明而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本发明所要求保护的技术方案。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。其中,脉冲重复间隔,Pulse RepeatInterval,本技术领域通用简写PRI;脉冲到达时间,Time of Arrival,本技术领域通用简写TOA;栈式自动编码器,Stacked AutoEncoder,本技术领域通用简写SAE。
参见图1所示,图1为本实施例中的基于SAE的雷达辐射源PRI调制识别方法的算法流程图。本实施例中识别方法的包括以下步骤:
步骤一,构建雷达辐射源PRI调制方式的数据集:
(1a)、利用Matlab仿真软件生成3种相似度较高的雷达辐射源脉冲重复间隔(PRI)调制样式的数据集,包括PRI参差、PRI组变和PRI滑变;
(1b)、PRI参差调制变化规律为:以19μs,21μs,20μs,23μs四个值周期循环变化;PRI组变调制变化规律为:以19μs,19μs,20μs,20μs,21μs,21μs,23μs,23μs周期重复,其中每个值均重复两次;PRI滑变调制变化规律为:以19μs,23μs,20μs,21μs,21μs,20μs,23μs,19μs周期循环,包含19μs,23μs,20μs,21μs四个值的双向单滑;
(1c)、PRI参差重复周期取8,PRI滑变和PRI组变重复周期取4。
步骤二,对雷达辐射源PRI调制方式的样本集进行预处理,生成训练集和测试集:
将PRI随TOA(脉冲到达时间)的变化规律转化为PRI-TOA的二维分布图,其中行数为PRI出现的数值个数;列数为PRI循环的最小周期数,即TOA的个数;
参见图2所示,将PRI-TOA二维分布图二值化,每个TOA对应的数值置为1,其余位置为0,并随机分布在40×40的范围内。其后,逐行合并为一维向量。
随机产生脉冲丢失0至10%条件下的三种PRI调制样式的样本,样本总数为2100,每类700,作为训练样本,分别随机产生脉冲丢失0、10%、20%、30%、40%和50%条件下的三种PRI调制样式的样本,每个丢失率对应样本总数为900,每类PRI调制样式样本为300,作为测试样本。
步骤三,设计SAE网络:
利用栈式自动编码器自动提取一维向量的特征,其结构和参数设计为:输入层为一维向量维度1600,第一层隐含层节点数为800,第二层隐含层节点数为50,输出层为分类识别数目3,则SAE整体架构为1600-800-50-3;
训练参数设置为:学习率为0.1,训练块大小为10,迭代次数为200。
步骤四,利用训练集完成SAE网训练:
利用产生的PRI调制训练集,通过SAE逐层贪婪预训练和参数微调完成训练,得到识别PRI调制的网络。在此过程中,采用梯度下降算法进行更新自动编码器的参数。
步骤五,利用测试集输入至完成训练的SAE网络,输出雷达辐射源PRI调制的类别标签,得到对应的PRI调制样式。
本实施例中的基于SAE的雷达辐射源PRI调制样式识别方法,因采用的方案是通过仿真软件产生三种相似度高的雷达辐射源PRI调制样式的数据集,将PRI数值与TOA关联生成二维分布特征,二值化后逐行合并为一维向量,分别产生训练集和测试集;设置SAE识别网络参数,使用训练集训练SAE网络;将测试集输入至完成训练的SAE网络,得到不同脉冲丢失条件下的PRI调制样式的识别率。该技术方案相较与现有技术,具备的优势是:(1)采用基于SAE提取的PRI调制样式的特征,可保证脉冲丢失条件下仍可保证良好的识别能力,且训练耗时少;(2)在构建PEI调制样式的特征时,使用生成二维分布特征,将其二值化和随机分布在一定尺寸内,可以消除PRI数值的影响,提高识别的稳定性。
Claims (5)
1.一种基于SAE的雷达辐射源PRI调制识别方法,其特征在于,所述方法的步骤如下:
步骤一,构建雷达辐射源PRI调制样式的数据集:
(1a)、利用Matlab仿真软件生成3种不同雷达辐射源PRI调制的数据集,包括PRI参差、PRI组变和PRI滑变;
(1b)、PRI参差调制变化规律为:以19λs,21μs,20μs,23λs四个值周期循环变化,
PRI组变调制变化规律为:以19λs,19λs,20μs,20μs,21μs,21μs,23λs,23λs周期重复,其中每个值均重复两次,
PRI滑变调制变化规律为:以19μs,23μs,20μs,21μs,21μs,20μs,23μs,19μs周期循环,包含19μs,23μs,20μs,21μs四个值的双向单滑,
(1c)、PRI参差、滑变和组变等调制的样本包含若干周期;
步骤二,对上述3种雷达辐射源PRI调制的数据进行预处理,生成训练集和测试集:
(2a)、将PRI随TOA的变化规律曲线转化为PRI-TOA的二维分布图;
(2b)、将(2a)中的PRI-TOA二维分布图二值化后转换为一维向量;
(2c)、随机产生(2b)不同程度丢失脉冲条件下的PRI参差调制、PRI滑变调制、PRI滑变调制的样本数量每类为1000,样本总数为3000;其中,每类训练样本为700,总数2100,构成训练集;每类测试样本为300,总数900,构成测试集;
步骤三,设计SAE网络:
(3a)、利用栈式自动编码器自动提取一维向量的特征,其结构和参数设计为:输入层为一维向量维度1600,第一层隐含层节点数为800,第二层隐含层节点数为50,输出层为分类识别数目3,则SAE整体架构为1600-800-50-3;
(3b)、训练参数设置为:学习率为0.1,训练块大小为10,迭代次数为200;
步骤四,利用步骤二产生的训练集输入至步骤三中设计的SAE网络,完成SAE网络训练:
利用步骤二产生的PRI调制训练集,通过SAE逐层贪婪预训练和参数微调完成训练,得到识别PRI调制的网络;在本步骤中,采用梯度下降算法进行更新自动编码器的参数;
步骤五,利用步骤二产生的测试集输入至步骤四中完成训练的SAE网络,输出雷达辐射源PRI调制的类别标签,得到对应的PRI调制样式。
2.根据权利要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法,其特征在于,在步骤(1c)中,PRI参差取8个周期,PRI滑变和组变取4个周期。
3.根据权利要求1所述的一种基于SAE的雷达辐射源PRI调制识别方法,其特征在于,在步骤(2a)生成PRI-TOA二维分布过程如下:
第1步,设定PRI-TOA二维分布矩阵为AM×N,其中M为PRI出现的数值个数,N为PRI循环的最小周期数;
第2步,在N个TOA值分别对应的PRI值处置1,其余位置为0,生成二维0-1矩阵;
第3步,对二维分布特征在O×O的二维矩阵内进行随机分布。
4.根据权利要求3所述的一种基于SAE的雷达辐射源PRI调制识别方法,其特征在于,步骤(2b)将(2a)中生成的二维0-1矩阵AO×O转化成一维0-1矩阵,维度为O×O。
5.根据权利要求4所述的一种基于SAE的雷达辐射源PRI调制识别方法,其特征在于,步骤(2c)生成不同程度丢失脉冲条件下的样本:
第1步,随机产生丢失脉冲的个数P(0≤P≤MN/2),保证50%以上的完整性;
第2步,随机产生P个丢失脉冲所在的位置(i,j),其中1≤i≤M,1≤i≤N,并将对应的Ai,j由1置为0;
第3步,训练样本脉冲丢失率设置为0至10%,测试样本脉冲丢失率设置为0至50%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688330.4A CN113361204B (zh) | 2021-06-21 | 2021-06-21 | 一种基于sae的雷达辐射源pri调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688330.4A CN113361204B (zh) | 2021-06-21 | 2021-06-21 | 一种基于sae的雷达辐射源pri调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361204A true CN113361204A (zh) | 2021-09-07 |
CN113361204B CN113361204B (zh) | 2022-04-12 |
Family
ID=77535545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688330.4A Active CN113361204B (zh) | 2021-06-21 | 2021-06-21 | 一种基于sae的雷达辐射源pri调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361204B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002277541A (ja) * | 2001-03-15 | 2002-09-25 | Mitsubishi Electric Corp | レーダ装置 |
US6876321B1 (en) * | 2004-02-06 | 2005-04-05 | The United States Of America As Represented By The Secretary Of The Navy | Pulse descriptor word collector |
CN105403863A (zh) * | 2015-12-09 | 2016-03-16 | 哈尔滨工业大学 | 基于多特征提取的雷达脉冲重复间隔调制识别方法 |
CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
CN109871757A (zh) * | 2019-01-11 | 2019-06-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于联合时频特征的雷达信号脉内调制类型识别方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
-
2021
- 2021-06-21 CN CN202110688330.4A patent/CN113361204B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002277541A (ja) * | 2001-03-15 | 2002-09-25 | Mitsubishi Electric Corp | レーダ装置 |
US6876321B1 (en) * | 2004-02-06 | 2005-04-05 | The United States Of America As Represented By The Secretary Of The Navy | Pulse descriptor word collector |
CN105403863A (zh) * | 2015-12-09 | 2016-03-16 | 哈尔滨工业大学 | 基于多特征提取的雷达脉冲重复间隔调制识别方法 |
CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
CN109871757A (zh) * | 2019-01-11 | 2019-06-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于联合时频特征的雷达信号脉内调制类型识别方法 |
CN110109060A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 |
Non-Patent Citations (5)
Title |
---|
YE WEN-QIANG等: "Radiant Source Signal Recognition Algorithm based on SAE", 《MATEC WEB OF CONFERENCES》 * |
ZHIYU QU等: "Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Denoising Autoencoder and Deep Convolutional Neural Network", 《2019 IEEE. TRANSLATIONS AND CONTENT MINING ARE PERMITTED FOR ACADEMIC RESEARCH》 * |
叶文强等: "栈式降噪自编码器在辐射源信号识别中的应用", 《空军工程大学学报》 * |
张景云等: "一种基于全卷积神经网络的雷达PRI调制样式识别方法", 《电子信息对抗技术》 * |
陈涛等: "基于时差多参分选的多层感知器网络脉间识别", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
CN117129947B (zh) * | 2023-10-26 | 2023-12-26 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361204B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dreissigacker et al. | Deep-learning continuous gravitational waves | |
US10755188B2 (en) | Unified nonlinear modeling approach for machine learning and artificial intelligence (attractor assisted AI) | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
Besag et al. | Generalized monte carlo significance tests | |
CN106874688B (zh) | 基于卷积神经网络的智能化先导化合物发现方法 | |
CN111898730A (zh) | 一种利用图卷积神经网络结构加速的结构优化设计方法 | |
CN115034261B (zh) | 雷达辐射源信号脉间特征提取方法、设备及存储介质 | |
CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
CN113361204B (zh) | 一种基于sae的雷达辐射源pri调制识别方法 | |
Bialopetravičius et al. | Deriving star cluster parameters with convolutional neural networks-II. Extinction and cluster-background classification | |
CN114821217A (zh) | 一种基于量子经典混合神经网络的图像识别方法及装置 | |
CN103440275A (zh) | 一种基于普利姆的k均值聚类方法 | |
Elsner et al. | Complexity and predictability of hourly precipitation | |
CN114021458A (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
Fessant et al. | On the prediction of solar activity using different neural network models | |
US4318083A (en) | Apparatus for pattern recognition | |
CN116797846A (zh) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 | |
CN102697491A (zh) | 心电图特征波形识别方法和系统 | |
CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
Traoré et al. | A data-driven approach to neural architecture search initialization | |
Wong et al. | Detecting abrupt changes in the spectra of high-energy astrophysical sources | |
Shebanin et al. | Simulation of vector random sequences based on polynomial degree canonical decomposition | |
CN112966544A (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
Al-Malahi et al. | Radar signal sorting using combined residual and recurrent neural network (CRRNN) |
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 |