CN113449682A - 一种基于动态融合模型识别民航领域射频指纹的方法 - Google Patents
一种基于动态融合模型识别民航领域射频指纹的方法 Download PDFInfo
- Publication number
- CN113449682A CN113449682A CN202110799593.2A CN202110799593A CN113449682A CN 113449682 A CN113449682 A CN 113449682A CN 202110799593 A CN202110799593 A CN 202110799593A CN 113449682 A CN113449682 A CN 113449682A
- Authority
- CN
- China
- Prior art keywords
- value
- model
- modal
- signal
- radio frequency
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000003491 array Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F2218/08—Feature extraction
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于动态融合模型识别民航领域射频指纹的方法,属于信号识别技术领域,解决了现有信号特征值提取困难,识别效率和准确率低的问题。包括:通过信号采集器,按照频点对空采集通信信号,分选出待识别信号;根据动态融合模型中每个残差网络模型对应的模态值,对待识别信号分别提取模态特征数组后传入对应的残差网络模型中,计算出每个残差网络模型中各类别的先验概率值,再取出每个残差网络模型的测试准确率,通过联合分布置信函数,计算出动态融合模型中各类别的融合概率值;基于各类别的融合概率值,取最大融合概率值对应的类别,得到待识别信号的设备身份类别。实现了动态提取信号特征,自动调节网络参数,提高识别效率和准确率。
Description
技术领域
本发明涉及信号识别技术领域,尤其涉及一种基于动态融合模型识别民航领域射频指纹的方法。
背景技术
射频指纹是无线通信设备的物理层本质特征,不同的无线设备拥有不同的射频指纹,所以射频指纹被广泛用于无线设备的身份识别和接入认证。
在对射频指纹信号识别中,由于信号级别数据简单,为了提高射频指纹识别准确率,目前很多方法均基于信号参数,提取多种信号参数特征组成多维特征数组,结合神经网络模型训练实现射频指纹的目标识别。
现有方法增加了信号分析建模以及提取多类特征的难度,同时,由于信号本身的特点,采用复杂神经网络模型极易产生过拟合,而采用简单的神经网络模型虽然能够完成模型训练,但是其通过融合计算得到的准确率提高实际也极为有限。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于动态融合模型识别民航领域射频指纹的方法,用以解决现有信号特征值提取困难,无法动态调整模型融合数量,识别效率和准确率低的问题。
本发明实施例提供了一种基于动态融合模型识别民航领域射频指纹的方法,包括如下步骤:
通过信号采集器,按照频点对空采集通信信号,分选出待识别信号;
根据动态融合模型中每个残差网络模型对应的模态值,对待识别信号分别提取模态特征数组后传入对应的残差网络模型中,计算出每个残差网络模型中各类别的先验概率值,再取出每个残差网络模型的测试准确率,通过联合分布置信函数,计算出动态融合模型中各类别的融合概率值;
基于各类别的融合概率值,取最大融合概率值对应的类别,得到待识别信号的设备身份类别。
基于上述方法的进一步改进,待识别信号是广播式自动相关监视ADS-B信号,分选过程包括:
计算通信信号的最高峰值和最低峰值的平均值,平均值与预置系数的乘积作为底噪阈值;
遍历通信信号,得到高于底噪阈值的第一个通信信号点和最后一个通信信号点;
计算最后一个通信信号点与第一个通信信号点的数据长度差值,作为特征值;
将特征值传入训练好的聚类模型中,得到通信信号的类别值;
识别通信信号的类别值是否是ADS-B信号对应的类别值,如果不是,则放弃通信信号,对下一段采集的通信信号进行分选识别;如果是,则通信信号为待识别的ADS-B信号。
基于上述方法的进一步改进,所述动态融合模型由至少两个对应不同模态值的残差网络模型组成,残差网络模型的训练和组合过程包括:
建立信号样本库,截取所述信号样本库中信号同步头射频指纹段,得到样本集;
迭代设置模态值,基于所述样本集生成模态特征数组,构建所述模态值对应的残差网络模型;训练所述残差网络模型,直至得到最大模态值,退出迭代;将小于等于最大模态值的所有模态值放入模态值数组中;
选择所述模态值数组中至少两个模态值对应的残差网络模型进行组合,对应得到多个组合模型;根据其中每个残差网络模型训练后得到的测试准确率和各类别的先验概率值,通过联合分布置信函数,计算出每个组合模型中各类别的融合概率值,取最大融合概率值对应的类别作为所述射频指纹段被识别出来的类别,并计算每个组合模型的融合准确率;
根据预置的资源消耗率阈值,结合所述融合准确率,取出适合应用场景的组合模型作为最终的动态融合模型。
基于上述方法的进一步改进,建立信号样本库包括如下步骤:
固定频点对空采集样本通信信号;
对样本通信信号,采用分选过程,分选出ADS-B信号作为样本信号;
建立simulink模型,根据协议字段解析样本信号,得到样本信号唯一标识;
基于样本信号唯一标识,对样本信号进行标注和归类,建立信号样本库。
基于上述方法的进一步改进,残差网络模型是非对称卷积核多通道残差网络,构建残差网络模型包括:
建立非对称卷积层,其中初始卷积核为(n,2)形态,后续卷积核为(n,1)形态,其中n≠1,2;
建立多通道残差块,残差块第一个卷积核的输入通道值与模态值一致;
建立非对称池化层,其中最终输出层采用平均池化方式,在最终输出层之前采用最大值池化方式。
基于上述方法的进一步改进,样本集包括训练集和测试集;训练残差网络模型,直至得到最大模态值的过程包括:
①设置初始迭代次数i=1,初始模态值ki=k1=1;
②基于模态值ki,生成ki通道下的实虚双通道形式的特征数组;
④如果ki=1,迭代次数i=i+1,模态值ki=ki-1+1,返回到步骤②;
如果1<ki≤4,迭代次数i=i+1,模态值ki=ki-1+2,返回到步骤②;
如果ki>4,计算最后3次训练的测试准确率均值pmean,当pki>pmean,迭代次数i=i+1,模态值ki=ki-1+2,返回到步骤②;当pki≤pmean,取ki-1为最大模态值,退出迭代;
⑤将小于等于最大模态值ki-1的所有模态值k1,k2,…,ki-1放入模态值数组中。
基于上述方法的进一步改进,基于模态值ki,生成ki通道下的实虚双通道形式的特征数组是当所述模态值ki大于1时,对所述样本集中的射频指纹段信号进行非降采样小波变换以及傅里叶变换的联合变换;当所述模态值ki为1时,采用降采样小波变换以及傅里叶变换的联合变换。
基于上述方法的进一步改进,非降采样小波变换以及傅里叶变换的联合变换包括:
采用非降采样小波变换,将样本集中的射频指纹段的信号分解为近似信息和细节信息;
将近似信息和细节信息组合为特征信息;
对特征信息进行时频傅里叶变换,根据模态值ki,从变换得到的时频信号实部数组和时频信号虚部数组中选取特征数据,堆叠得到三维多通道形式的数组,三维多通道形式为ki×N×2,其中ki表示当前模态值,N表示射频指纹段的信号长度,2表示实部和虚部;
将模态值ki作为通道值,将三维多通道形式数组拆分为ki通道下的实虚双通道形式的数组。
基于上述方法的进一步改进,联合分布置信函数是对至少两个残差网络模型的各类别置信函数进行建模得到,并引入了冲突系数和模糊值,表示为:
M1,2,…,T(A)=g(Q,θ,m1,m2,…,mT)
其中,A∈(A1、A2、……、AM,θ),θ∈{θ1、θ2、……、θT},表示共有M类射频指纹信号,T个残差网络模型进行融合,AM表示第M类射频指纹信号,mT表示组合模型中第T个残差网络模型的单一置信函数,Q表示冲突系数,θT表示组合模型中第T个残差网络模型的模糊值,定义为1-pT,pT表示第T个残差网络模型的测试准确率;联合分布置信函数符合约束条件
基于上述方法的进一步改进,冲突系数表示为单一置信函数在各类别交集不为空时所有组合方式取值的乘积之和,计算公式如下:
其中,As1,As2,…,AsT∈(A1、A2、……、AM,θ),AM表示第M类射频指纹信号,θ表示残差网络模型的模糊值,mT(AsT)表示进行组合的第T个残差网络模型识别为第AsT类射频指纹信号的单一置信函数,根据第T个残差网络模型的测试准确率与第AsT类先验概率值的乘积计算得到
与现有技术相比,本发明至少可实现如下有益效果之一:
1、动态调整模态值与融合模型数量,对通信信号提取多通道下实虚双通道形式的特征数组,降低信号分析中多维特征提取和选择的难度;
2、自动根据不同模态数据,构建具有不同网络参数的多通道非对称残差网络模型,降低了对数据形态的要求,有效提升识别准确率;
3、截取信号同步头作为信号识别的模型学习区域,既可获取射频指纹的特征,又可加快训练速度,便于对实时监测信号的快速识别;
4、自动调节联合分布置信函数的参数,根据最优的融合模型得到融合概率值,达到比高模态数据更高的准确率,更低的资源与时间的消耗。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中基于动态融合模型识别民航领域射频指纹的方法流程图;
图2为本发明实施例中得到动态融合模型的过程图;
图3为本发明实施例中残差网络模型的改进部分实例图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种基于动态融合模型识别民航领域射频指纹的方法,如图1所示,包括如下步骤:
S11:通过信号采集器,按照频点对空采集通信信号,分选出待识别信号;
具体来说,采用Tektronix公司的RSA6120B的信号采集器,采集时间长度设置为160μs,中心频率设置为1090MHz,采样率设置为150MHz。需要说明的是,对空采集的频段混用信号包括有效信号和杂波信号,共用四类,其中有效信号有三类,分别是ATC信号(AirTraffic Control,航空交通控制信号)、ADS-B信号(Automatic Dependent Surveillance–Broadcast,广播式自动相关监视信号)以及ADS-B应答信号;杂波信号主要体现为中间信号采集不全,数据长度有明显特征,本实施例中分选出来的待识别信号是三类有效信号中的ADS-B信号,分选过程包括:
S111:计算通信信号的最高峰值和最低峰值的平均值,平均值与预置系数的乘积作为底噪阈值;
需要说明的是,预置系数根据大量信号的有效值与底噪值统计分析得到,在不同环境下,取值不同。
假设整段通信信号的最高峰值为max,最低峰值为min,优选地,在无干扰环境下,预置系数取值为1.2,可以更好地聚类出杂波信号,此时:
底噪阈值=1.2×(max+min)/2;
S112:遍历通信信号,得到高于底噪阈值的第一个通信信号点和最后一个通信信号点;
S113:计算最后一个通信信号点与第一个通信信号点的数据长度差值,作为通信信号的特征值;
S114:将特征值传入训练好的聚类模型中,得到通信信号的类别值;
优选地,聚类模型采用K-MEANS聚类算法,针对上述四类通信信号的特征值进行识别训练,每类特征值对应一个类别值,经过多次训练及对各类通信信号特征值的分析,取特征值均值最大的一类为ADS-B信号,该类别值对应的就是ADS-B信号。
S115:识别得到的类别值是否是ADS-B信号对应的类别值,如果不是,则放弃该段通信信号,对下一段采集的通信信号进行分选识别;如果是,则该段通信信号为待识别的ADS-B信号,执行步骤S12。
S12:根据动态融合模型中每个残差网络模型对应的模态值,对待识别信号分别提取模态特征数组后传入对应的残差网络模型中,计算出每个残差网络模型中各类别的先验概率值,再取出每个残差网络模型的测试准确率,通过联合分布置信函数,计算出动态融合模型中各类别的融合概率值;
需要注意的是,动态融合模型由至少两个对应不同模态值的残差网络模型组成,在该步骤之前,要先通过步骤S10对多个对应不同模态值的残差网络模型进行训练和组合,再从中取出适合应用场景的组合模型作为动态融合模型,对步骤S10进一步细分,如图2所示,训练和组合过程包括:
S101:建立信号样本库,截取信号样本库中信号同步头射频指纹段,得到样本集;
其中,建立信号样本库包括:
①固定频点对空采集样本通信信号;
示例性地,使用实时频谱分析仪,采集时间长度设置为160μs,中心频率设置为1090MHz,采样率设置为150MHz,每次截取3万点长度的信号为完整信号。
②对样本通信信号,采用分选过程,分选出ADS-B信号作为样本信号;
需要说明的是,可以采用与步骤S11中相同的分选过程,分选出ADS-B信号。
③建立simulink模型,根据协议字段解析样本信号,得到样本信号唯一标识;
④基于样本信号唯一标识,对样本信号进行标注和归类,建立信号样本库。
需要说明的是,因ADS-B信号的信息段带有数据信息,同步头已经具备了射频指纹的特征,所以根据射频指纹的定义,仅取该信号同步头作为目标识别的模型学习区域。
示例性地,考虑到不同目标发射通道以及器件造成的射频差异,本实施例中对信号同步头前8μs,即前1024个点作为目标识别的模型学习区域;从信号样本库中取20类ADS-B信号,固定训练集为每类560个信号,测试集为每类100个信号,在模型多次训练过程中采用相同的训练集和测试集。
S102:迭代设置模态值,基于样本集生成模态特征数组,构建模态值对应的残差网络模型;训练残差网络模型,直至得到最大模态值,退出迭代;将小于等于最大模态值的所有模态值放入模态值数组中;
需要说明的是,输入到残差网络模型的特征数组是通过对样本集中射频指纹段的信号进行非降采样小波变换以及傅里叶变换的联合变换后,根据设置的模态值而选取的特征数据。
考虑到信号点多,数据简单,为了避免网络模型过拟合,通过采用非降采样小波变换,可以丰富细节信息,便于神经网络学习。所以,仅当模态值为1时,采用降采样小波变换,当模态值大于1时,均采用非降采样小波变换。
小波变换的近似信息和细节信息的多层向下分离符合以下公式:
f(t)=fA(t)+fD(t) 公式(1)
其中,fA为近似特征函数,fD为细节特征函数,脚标n代表小波分解的层级。
通过对不同信噪比的大量数据交叉验证,小波变换在信噪比较稳定的情况下,采用以特定组合方式可以达到很高的准确率,用公式(3)将近似信息和细节信息组合为特征信息,g(t)代表小波分解信号特征的特殊组合方式:
由于近似特征函数与细节特征函数可以分解为不同层级,公式(3)中k与m代表各自分解的最高层级。
对特征信息进行时频傅里叶变换,分为时频信号实部数组Greal(F)和时频信号虚部数组Gimag(F),公式如下所示:
其中,ω表示频率,t表示时间,dt表示时间间隔,e-iωt为复变函数。
在本实施例中,在非降采样小波变换中,近似特征函数与细节特征函数分解为相同层级,即在公式(3)中统一分解为k,且k与当前的模态值相同,则根据公式(4)得到时频信号实部数组Greal(F),表现形式如公式(6)所示,根据公式(5)得到时频信号虚数组Gimag(F),表现形式如公式(7)所示:
将实部和虚部数组堆叠,得到的矩阵形式如公式(8)所示:
该矩阵模式为一个三维数组,其中小波分解的特征信息g(t)是一维数组N,在非降采样小波变换中,N代表截取信号的同步头长度值,实部和虚部数组形式是k×N,所以最后堆叠后的矩阵形式为k×N×2。考虑到图像输入方式一般为对称矩阵形式,以及ADS-B信号的复数域特征,将三维数组k×N×2拆分为k通道下的N×2的实虚双通道形式。
示例性的,取信号同步头前1024个点作为目标识别的模型学习区域,当模态值大于1时,进行非降采样小波变换和傅里叶变换后,得到三维数组矩阵,形式为k×1024×2,最后拆分为k通道下1024×2的实虚双通道形式。
需要说明的是,当模态值为1时采用降采样小波变换,为了保证数据对齐,以及与网络模型输入参数匹配,可以对多层分解的近似信息和细节信息进行其它方式组合,确保数据对齐为N个点,最终生成的三维数组形式为1×N×2即可。
针对实虚双通道需求,构建的残差网络模型是非对称卷积核多通道残差网络,相对于简单的支持向量机SVM、BP神经网络,准确率会更高,同时,残差网络层数的堆叠相比SVM、BP神经网络也不会造成梯度消失现象。
构建残差网络模型包括:
①建立非对称卷积层,其中初始卷积核为(n,2)形态,后续卷积核为(n,1)形态,其中n≠1,2;
设置x为残差网络模型的输入数组,即根据模态值生成的模态特征数组,本实施例中使用卷积核为1的表达形式conv(1,1)(x)来代替x,即输入层的形式为:
f(x)=conv(1,1)(x) 公式(9)
卷积层的形式为:
g(x)=conv(n,2)(x)或者g(x)=conv(n,1)(x) 公式(10)
在网络模型堆叠中,g(x)的形态根据池化层的变化而变化。
②建立多通道残差块,残差块第一个卷积核的输入通道值与模态值一致,根据当前模态值的变化而动态调整;
由于多模态数据变换后,残差块第一个卷积核的输入通道值会根据模态值变换而不断变换,因此,残差块的输出通道值设置为大于估算的最大模态值,优选地,根据以往信号训练状态,将残差块的输出通道值设为32,在后续模态值迭代增加时,输入通道值随之增大,加大数据上采样变化,适配池化后数据形态的要求。
残差块的输出形式为:
h(x)=f(x)+g(x) 公式(11)
③建立非对称池化层,其中最终输出层采用平均池化方式,在最终输出层之前采用最大值池化方式,用公式(12)和公式(13)表示最大池化方式,用公式(14)表示平均池化方式:
p1(x)=MaxPool(2,2)(x) 公式(12)
p2(x)=MaxPool(2,1)(x) 公式(13)
p3(x)=AvegPool(2,1)(x) 公式(14)
示例性地,针对1024个信号点现有技术一般拆分为(32,32)数据形式,采用(3,3)卷积核;而根据本实施例方案,构建的残差网络模型改进部分如图3所示,另外还包括至少2层全连接层:
将初始卷积核设计为(3,2)形态,根据池化形态,后续卷积核调整为(3,1)形态。
第一层残差块表示为h1(x),池化模块采用公式(12)的p1(x):
h1(x)=conv(32,1,1)(x)+conv(32,3,2)(x)
其中,根据模态值设置卷积模块的通道数为32;
第二层到第四层设置相同的残差块,表示为h2-4(x),第二层池化模块采用公式(13)的p2(x):
h2-4(x)=conv(32,1,1)(x)+conv(32,3,1)(x)
第三层池化模块也采用p2(x),第四层池化模块采用公式(14)的p3(x)。
在确定了残差网络输入的模态特征数组,以及网络模型构建方式后,在网络模型无融合的状态下,迭代设置模态值,基于样本集生成模态特征数组,构建模态值对应的残差网络模型;训练残差网络模型,直至得到最大模态值,退出迭代;将小于等于最大模态值的所有模态值放入模态值数组,其中样本集包括训练集和测试集,整个过程包括:
①设置初始迭代次数i=1,初始模态值ki=k1=1;
②基于模态值ki,生成ki模态特征数组;
④如果ki=1,迭代次数i=i+1,模态值ki=ki-1+1,返回到步骤②;
如果1<ki≤4,迭代次数i=i+1,模态值ki=ki-1+2,返回到步骤②;
⑤将小于等于最大模态值ki-1的所有模态值k1,k2,…,ki-1放入模态值数组中。
具体来说,最后3次训练的测试准确率均值pmean的计算公式如下所示:
其中,r表示最后3次迭代次数与第i次迭代的差值。
示例性地,基于前述获取的训练集和测试集示例数据,以及图3建立的残差网络模型实例,迭代设置模态值,训练残差网络模型,得到测试准确率如表1所示,在模态值设置为10时,开始呈现下降趋势,测试准确率96.55%小于最后3次训练的测试准确率均值96.63%,所以,最大模态值为前一次设置的8,接下来就要将模态值为1、2、4、6、8的残差网络模型进行选择性组合,再判断得到最优的组合模型作为最终的动态融合模型。
表1不同模态值对应的残差网络模型的测试准确率
本步骤中自动根据不同模态数据,构建具有不同网络参数的多通道非对称残差网络模型,降低了对数据形态的要求,有利于不同模态数据训练,有效提升了识别准确率。
S103:选择模态值数组中至少两个模态值对应的残差网络模型进行组合,对应得到多个组合模型;根据其中每个残差网络模型训练后得到的测试准确率和各类别的先验概率值,通过联合分布置信函数,计算出每个组合模型中各类别的融合概率值,取最大融合概率值对应的类别作为射频指纹段被识别出来的类别,并计算每个组合模型的融合准确率。
需要说明的是,在步骤S102中可以得到保存的单一残差网络模型的测试准确率和各类别的先验概率值,在计算单一残差网络模型以及融合残差网络模型的置信函数的时,对每个残差网络模型引入模糊值,从而加强置信函数的可靠性。
具体来说,每个单一残差网络模型中各类别的置信函数设置为:
mi(A1、A2、……AM,θi)=(piqi1,piqi2,……piqiM,1-pi) 公式(16)
其中,M表示共有M类射频指纹信号,AM表示第M类射频指纹信号;θi表示第i个残差网络模型的模糊值,定义为1-pi;pi表示第i个残差网络模型的测试准确率;qid为信号数据在第i个残差网络模型识别为第d类的先验概率值,符合约束条件
基于DS证据理论(Dempster-Shafer envidence theory)的决策融合算法,对T个单一的残差网络模型进行融合。
将单一模型置信函数在各类别交集不为空时所有组合方式取值的乘积之和作为冲突系数Q,计算公式如下所示:
其中,As1,As2,…,AsT∈(A1、A2、……、AM,θ),mT(AsT)表示进行组合的第T个残差网络模型识别为第AsT类射频指纹信号的置信函数;θ∈{θ1、θ2、……、θT}表示T个残差网络模型各自的模糊值;
联合分布置信函数是对动态融合模型中每个残差网络模型的各类别置信函数进行建模得到,T个残差网络模型置信函数在A类时取值的乘积之和即为A类的融合概率值,联合分布置信函数表示为:
M1,2,…,T(A)=g(Q,θ,m1,m2,…,mT) 公式(18)
其中,A∈(A1、A2、……、AM,θ),θ∈{θ1、θ2、……、θT},mT表示组合模型中第T个残差网络模型的单一置信函数,θT表示组合模型中第T个残差网络模型的模糊值,联合分布置信函数符合约束条件
结合冲突系数,联合分布置信函数的计算公式如下:
根据联合分布置信函数计算出来的结果即为融合概率值;基于测试集,取最大融合概率值对应的类别作为射频指纹段信号最终被识别出来的类别,对每个组合模型计算得到融合准确率。
值得注意的是,在选择多个模态值对应的残差网络模型进行组合时,优先选择小模态值对应的残差网络模型,并且组合个数尽量少,优选地,组合的网络模型个数小于等于3。
S104:根据预置的资源消耗率阈值,结合融合准确率,取出适合应用场景的组合模型作为最终的动态融合模型。
需要说明的是,在动组合模型的资源消耗率小于预置的资源消耗率阈值的情况下,融合准确率的高低选择、资源消耗率的大小选择或者融合准确率与资源消耗率的优先选择可以结合实际应用场景的侧重点来设置,从而取出最优的组合模型作为最终的动态融合模型。
优选地,在组合模型的资源消耗率小于预置的资源消耗率阈值情况下,当应用场景侧重于高准确率时,取出融合准确率最高的组合模型;当应用场景侧重于高性能时,取出资源消耗率最小的组合模型;当应用场景侧重于准确率和性能平衡时,取出融合准确率次高的组合模型。
示例性地,在表2中列出了几种具有代表性的组合模型,其中3,(1,2,4)表示选择模态值为1、2、4对应的3个残差网络模型进行组合。在表2中组合模型的融合准确率都在97%以上,并且任意一个组合模型都大于表1非融合状态下最大模态值8对应的残差网络模型的测试准确率,这时,如果应用场景侧重于高性能,可以选择3,(1,2,8)组合;如果侧重于高准确率,可选择3,(2,6,8)组合;如果侧重于准确率和性能平衡,可以选择3,(1,6,8)组合。需要说明的是,针对20类射频指纹信号,98.05%准确率是目前现有资料中提到的最高准确率。
表2动态融合模型的融合准确率
在确定了最终的动态融合模型后,实时传入分选出来的待识别信号,根据动态融合模型中每个残差网络模型对应的模态值,对待识别信号分别提取模态特征数组后传入对应的残差网络模型中,计算出每个残差网络模型中各类别的先验概率值,再取出每个残差网络模型的测试准确率,通过联合分布置信函数,计算出动态融合模型中各类别的融合概率值。
S13:基于各类别的融合概率值,取最大融合概率值对应的类别,得到待识别信号的设备身份类别。
具体来说,通过联合分布置信函数的计算,得到动态融合模型中各类别的融合概率值,其中最大融合概率值对应的类别,就是传入的待识别信号最终被识别出来的设备身份类别。
与现有技术相比,在航空射频信号形态确定的情况下,根据信号特征的自动提取与残差网络模型的有效结合,可以实现效率最高、识别最精准的自动化目标识别方法,并且在本实施例提供了一套完整的自动化目标智能识别的流程,自动根据不同模态数据,构建具有不同网络参数的多通道非对称残差网络模型,自动根据识别得到的最大模态值,进行多个网络模型的组合,建立合理的置信函数融合多组低模态数据的先验概率值,取出最优的融合模型,达到比高模态数据更高的准确率,更低的资源与时间的消耗。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于动态融合模型识别民航领域射频指纹的方法,其特征在于,包括如下步骤:
通过信号采集器,按照频点对空采集通信信号,分选出待识别信号;
根据动态融合模型中每个残差网络模型对应的模态值,对所述待识别信号分别提取模态特征数组后传入对应的残差网络模型中,计算出所述每个残差网络模型中各类别的先验概率值,再取出所述每个残差网络模型的测试准确率,通过联合分布置信函数,计算出所述动态融合模型中各类别的融合概率值;
基于所述各类别的融合概率值,取最大融合概率值对应的类别,得到所述待识别信号的设备身份类别。
2.根据权利要求1所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述待识别信号是广播式自动相关监视ADS-B信号,分选过程包括:
计算所述通信信号的最高峰值和最低峰值的平均值,所述平均值与预置系数的乘积作为底噪阈值;
遍历所述通信信号,得到高于所述底噪阈值的第一个通信信号点和最后一个通信信号点;
计算所述最后一个通信信号点与第一个通信信号点的数据长度差值,作为所述通信信号的特征值;
将所述特征值传入训练好的聚类模型中,得到通信信号的类别值;
识别所述通信信号的类别值是否是ADS-B信号对应的类别值,如果不是,则放弃所述通信信号,对下一段采集的通信信号进行分选识别;如果是,则所述通信信号为待识别的ADS-B信号。
3.根据权利要求1所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述动态融合模型由至少两个对应不同模态值的残差网络模型组成,残差网络模型的训练和组合过程包括:
建立信号样本库,截取所述信号样本库中信号同步头射频指纹段,得到样本集;
迭代设置模态值,基于所述样本集生成模态特征数组,构建所述模态值对应的残差网络模型;训练所述残差网络模型,直至得到最大模态值,退出迭代;将小于等于最大模态值的所有模态值放入模态值数组中;
选择所述模态值数组中至少两个模态值对应的残差网络模型进行组合,对应得到多个组合模型;根据其中每个残差网络模型训练后得到的测试准确率和各类别的先验概率值,通过联合分布置信函数,计算出每个组合模型中各类别的融合概率值,取最大融合概率值对应的类别作为所述射频指纹段被识别出来的类别,并计算每个组合模型的融合准确率;
根据预置的资源消耗率阈值,结合所述融合准确率,取出适合应用场景的组合模型作为最终的动态融合模型。
4.根据权利要求3所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述建立信号样本库包括如下步骤:
固定频点对空采集样本通信信号;
对所述样本通信信号,采用所述分选过程,分选出ADS-B信号作为样本信号;
建立simulink模型,根据协议字段解析所述样本信号,得到样本信号唯一标识;
基于所述样本信号唯一标识,对样本信号进行标注和归类,建立信号样本库。
5.根据权利要求3所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述残差网络模型是非对称卷积核多通道残差网络,所述构建残差网络模型包括:
建立非对称卷积层,其中初始卷积核为(n,2)形态,后续卷积核为(n,1)形态,其中n≠1,2;
建立多通道残差块,所述残差块第一个卷积核的输入通道值与所述模态值一致;
建立非对称池化层,其中最终输出层采用平均池化方式,在最终输出层之前采用最大值池化方式。
6.根据权利要求3所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述样本集包括训练集和测试集;所述训练所述残差网络模型,直至得到最大模态值的过程包括:
①设置初始迭代次数i=1,初始模态值ki=k1=1;
②基于模态值ki,生成ki通道下的实虚双通道形式的特征数组;
③根据所述ki模态特征数组,构建模态值ki对应的残差网络模型,基于所述训练集训练残差网络模型,得到各类别的先验概率值,基于所述测试集计算残差网络模型的测试准确率pki,保存当前残差网络模型;
④如果ki=1,迭代次数i=i+1,模态值ki=ki-1+1,返回到步骤②;
如果1<ki≤4,迭代次数i=i+1,模态值ki=ki-1+2,返回到步骤②;
如果ki>4,计算最后3次训练的测试准确率均值pmean,当pki>pmean,迭代次数i=i+1,模态值ki=ki-1+2,返回到步骤②;当pki≤pmean,取ki-1为最大模态值,退出迭代;
⑤将小于等于最大模态值ki-1的所有模态值k1,k2,…,ki-1放入模态值数组中。
7.根据权利要求6所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述基于模态值ki,生成ki通道下的实虚双通道形式的特征数组是当所述模态值ki大于1时,对所述样本集中的射频指纹段信号进行非降采样小波变换以及傅里叶变换的联合变换;当所述模态值ki为1时,采用降采样小波变换以及傅里叶变换的联合变换。
8.根据权利要求7所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述非降采样小波变换以及傅里叶变换的联合变换包括:
采用非降采样小波变换,将所述样本集中的射频指纹段信号分解为近似信息和细节信息;
将所述近似信息和细节信息组合为特征信息;
对所述特征信息进行时频傅里叶变换,根据所述模态值ki,从变换得到的时频信号实部数组和时频信号虚部数组中选取特征数据,堆叠得到三维多通道形式的数组,所述三维多通道形式为ki×N×2,其中ki表示当前模态值,N表示射频指纹段的信号长度,2表示实部和虚部;
将模态值ki作为通道值,将所述三维多通道形式数组拆分为ki通道下的实虚双通道形式的数组。
9.根据权利要求1或3所述的基于动态融合模型识别民航领域射频指纹的方法,其特征在于,所述联合分布置信函数是对至少两个残差网络模型的各类别置信函数进行建模得到,并引入了冲突系数和模糊值,表示为:
M1,2,…,T(A)=g(Q,θ,m1,m2,…,mT)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799593.2A CN113449682B (zh) | 2021-07-15 | 2021-07-15 | 一种基于动态融合模型识别民航领域射频指纹的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799593.2A CN113449682B (zh) | 2021-07-15 | 2021-07-15 | 一种基于动态融合模型识别民航领域射频指纹的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449682A true CN113449682A (zh) | 2021-09-28 |
CN113449682B CN113449682B (zh) | 2023-08-08 |
Family
ID=77816233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799593.2A Active CN113449682B (zh) | 2021-07-15 | 2021-07-15 | 一种基于动态融合模型识别民航领域射频指纹的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449682B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567340A (zh) * | 2022-04-28 | 2022-05-31 | 成都和为时代科技有限公司 | 基于相关算法的ads-b信号接收基带处理方法及系统 |
CN114615666A (zh) * | 2022-03-11 | 2022-06-10 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053945A1 (en) * | 2010-08-30 | 2012-03-01 | Honda Motor Co., Ltd. | Belief tracking and action selection in spoken dialog systems |
US20180285542A1 (en) * | 2015-10-20 | 2018-10-04 | Grg Banking Equipment Co., Ltd. | Method and device for authenticating identify by means of fusion of multiple biological characteristics |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
CN110490134A (zh) * | 2019-08-20 | 2019-11-22 | 四川九洲电器集团有限责任公司 | 信号识别方法、设备及存储介质 |
CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
CN111245821A (zh) * | 2020-01-08 | 2020-06-05 | 中国科学院信息工程研究所 | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 |
WO2020215676A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 基于残差网络的图像识别方法、装置、设备及存储介质 |
AU2019101755A4 (en) * | 2019-09-06 | 2020-11-12 | Jiangsu Huakang Information Technology Co. Ltd | Method for quantitatively analyzing electrocardiogram signal based on extremum energy decomposition method |
CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112507898A (zh) * | 2020-12-14 | 2021-03-16 | 重庆邮电大学 | 一种基于轻量3d残差网络和tcn的多模态动态手势识别方法 |
-
2021
- 2021-07-15 CN CN202110799593.2A patent/CN113449682B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053945A1 (en) * | 2010-08-30 | 2012-03-01 | Honda Motor Co., Ltd. | Belief tracking and action selection in spoken dialog systems |
US20180285542A1 (en) * | 2015-10-20 | 2018-10-04 | Grg Banking Equipment Co., Ltd. | Method and device for authenticating identify by means of fusion of multiple biological characteristics |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
WO2020215676A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 基于残差网络的图像识别方法、装置、设备及存储介质 |
CN110490134A (zh) * | 2019-08-20 | 2019-11-22 | 四川九洲电器集团有限责任公司 | 信号识别方法、设备及存储介质 |
AU2019101755A4 (en) * | 2019-09-06 | 2020-11-12 | Jiangsu Huakang Information Technology Co. Ltd | Method for quantitatively analyzing electrocardiogram signal based on extremum energy decomposition method |
CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
CN111245821A (zh) * | 2020-01-08 | 2020-06-05 | 中国科学院信息工程研究所 | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 |
CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112507898A (zh) * | 2020-12-14 | 2021-03-16 | 重庆邮电大学 | 一种基于轻量3d残差网络和tcn的多模态动态手势识别方法 |
Non-Patent Citations (6)
Title |
---|
JUNQING ZHANG等: "Radio Frequency Fingerprint Identification for Narrowband Systems, Modelling and Classification", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》, vol. 16, pages 3974 - 3987, XP011872417, DOI: 10.1109/TIFS.2021.3088008 * |
ZHI-JUN WU等: "A 4D Trajectory Prediction Model Based on the BP Neural Network", 《J. INTELL. SYST.》, pages 1 - 13 * |
别锋锋等: "基于ICEEMDAN-ELM的管道声信号识别方法研究", 《噪声与振动控制》, vol. 39, no. 4, pages 205 - 211 * |
柯小路: "证据理论中信任函数的合成方法研究与应用", 《中国博士学位论文全文数据库 信息科技辑》, no. 2016, pages 140 - 6 * |
郑娜娥等: "基于射频指纹的辐射源个体识别技术综述", 《信息工程大学学报》, vol. 21, no. 3, pages 285 - 289 * |
黄晓芬: "并联TBCC可调内转进气道模态转换流动特性研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2020, pages 004 - 36 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114615666A (zh) * | 2022-03-11 | 2022-06-10 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
CN114615666B (zh) * | 2022-03-11 | 2023-06-13 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
CN114567340A (zh) * | 2022-04-28 | 2022-05-31 | 成都和为时代科技有限公司 | 基于相关算法的ads-b信号接收基带处理方法及系统 |
CN114567340B (zh) * | 2022-04-28 | 2022-07-12 | 成都和为时代科技有限公司 | 基于相关算法的ads-b信号接收基带处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113449682B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN113449682B (zh) | 一种基于动态融合模型识别民航领域射频指纹的方法 | |
US7447338B2 (en) | Method and system for face detection using pattern classifier | |
CN109379153B (zh) | 一种频谱感知方法 | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
CN110047506B (zh) | 一种基于卷积神经网络和多核学习svm的关键音频检测方法 | |
CN111935721B (zh) | 一种实现异构网络共存的方法和系统 | |
US8352395B1 (en) | Training an attentional cascade | |
KR20190106922A (ko) | 지능형 음원 분리 방법 및 장치 | |
CN111311702A (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN113537053B (zh) | 一种构建民航领域射频指纹识别模型的方法 | |
Fonseca et al. | Self-supervised learning from automatically separated sound scenes | |
CN111310719A (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114242066A (zh) | 语音处理方法、语音处理模型的训练方法、设备及介质 | |
CN113037668A (zh) | 一种毫米波点对点通信信道均衡方法 | |
CN116363712B (zh) | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 | |
CN101515329B (zh) | 基于多种特征的图像匹配方法 | |
CN110265060A (zh) | 一种基于密度聚类的说话人数目自动检测方法 | |
CN111310680A (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN104166837A (zh) | 采用最相关的兴趣点的各组的选择的视觉语音识别方法 | |
CN112134634B (zh) | 基于随机森林算法的频谱感知方法、系统及介质 | |
CN104166855A (zh) | 通过跟踪讲话者的嘴部的一组感兴趣点的局部变形来进行视觉语音识别的方法 | |
CN112866150A (zh) | 一种无线信道特征提取与降维方法及系统 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
CN111488840A (zh) | 一种基于多任务学习模型的人体行为分类方法 |
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 |