CN114254672A - 基于双路注意力卷积神经网络的通信辐射源个体识别方法 - Google Patents

基于双路注意力卷积神经网络的通信辐射源个体识别方法 Download PDF

Info

Publication number
CN114254672A
CN114254672A CN202111543092.4A CN202111543092A CN114254672A CN 114254672 A CN114254672 A CN 114254672A CN 202111543092 A CN202111543092 A CN 202111543092A CN 114254672 A CN114254672 A CN 114254672A
Authority
CN
China
Prior art keywords
radiation source
attention
baseband
signal
neural network
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.)
Pending
Application number
CN202111543092.4A
Other languages
English (en)
Inventor
张卫锋
张希宁
张明根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing Shenzhi Technology Co ltd
Original Assignee
Jiaxing Shenzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing Shenzhi Technology Co ltd filed Critical Jiaxing Shenzhi Technology Co ltd
Priority to CN202111543092.4A priority Critical patent/CN114254672A/zh
Publication of CN114254672A publication Critical patent/CN114254672A/zh
Pending legal-status Critical Current

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
    • G06F2218/08—Feature extraction
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F2218/02—Preprocessing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，涉及射频指纹识别技术领域。本发明提供的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，通过直接利用接收机采集的射频IQ信号自动抽取射频指纹特征，并通过双路注意力卷积神经网络中的空间注意力分支分析射频指纹特征向量中每一维度的重要性，通过通道注意力分支自动判断多种射频指纹特征各自的重要性，并依据重要性对多种射频指纹特征同时在通道和空间两个维度上进行融合，获得具有强判别力的辐射源射频指纹特征，从而提高对不同类型的辐射源个体识别效率，提高个体识别任务的准确率。

Description

基于双路注意力卷积神经网络的通信辐射源个体识别方法
技术领域
本发明涉及射频指纹识别技术领域，特别涉及一种基于双路注意力卷积神经网络的通信辐射源个体识别方法。
背景技术
作为无线频谱监控和物联网安全通信领域共同的重点研究课题之一，通信辐射源个体识别是指通过侦收通信辐射源的发射信号，利用信号处理、机器学习、模式识别等技术从中提取能够区分不同通信辐射源的射频指纹特征，通过分类或聚类算法区分单个通信辐射源，实现个体识别。
现有通信辐射源个体识别方法可以分为两个阶段：射频指纹特征提取阶段和个体识别阶段。其中射频指纹特征提取阶段在通信辐射源个体识别问题中至关重要。已有的技术方案普遍基于信号暂态特征和稳态特征，例如调制参数、杂散特征、时频特征、高阶谱特征等。。
在实现本发明的过程中，申请人发现现有技术存在以下技术问题：
现有技术提供的通信辐射源个体识别方法对先验信息的依赖程度较高，针对不同类型的辐射源需要信号处理专家设计或选择针对性的射频指纹特征提取方法，无法满足快速监控、快速响应的需求。
发明内容
为了解决现有技术存在的上述问题，本发明提供了一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，通过以数据驱动方式自动提取多种射频指纹特征，自动判断不同特征的重要性并进行特征融合，从而解决现有通信辐射源个体识别方法对不同类型的辐射源个体识别效率低、准确率低的技术问题，达到提高对不同类型的辐射源个体识别效率及准确率的技术效果。本发明提供的技术方案如下：
根据本发明实施例的一个方面，提供一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，其特征在于，所述方法包括：
通过接收机采集各通信辐射源个体的射频信号，并通过频谱搬移得到各通信辐射源个体对应的基带IQ信号；
对每一段基带IQ信号进行预处理，获得归一化的基带IQ信号；
将归一化的基带IQ信号输入到双路注意力卷积神经网络后，提取各通信辐射源个体的射频指纹特征并进行个体识别。
优选的，所述通过频谱搬移得到各通信辐射源个体对应的基带IQ信号的步骤，包括：
将各通信辐射源个体的射频信号与接收机本地载波相乘实现频谱搬移，并通过低通滤波得到各通信辐射源个体对应的基带IQ信号，各通信辐射源个体对应的基带IQ信号S(t)计算公式如公式(1)：
Figure BDA0003414843970000021
其中，R(t)表示接收机接收到的通信辐射源个体的射频信号，fc表示接收机本地载波频率，LPF表示低通滤波器。
优选的，所述对每一段基带IQ信号进行预处理，获得归一化的基带IQ信号的步骤，包括：
计算各基带IQ信号对应的平均幅度值和标准差，对于每个通信辐射源个体，将所述通信辐射源个体对应的基带IQ信号减去所述平均幅度值后得到的差值除以所述标准差，得到所述通信辐射源个体所对应归一化的基带IQ信号
Figure BDA0003414843970000022
各通信辐射源个体所对应归一化的基带IQ信号
Figure BDA0003414843970000023
计算公式如公式(2)：
Figure BDA0003414843970000024
其中，μ为各基带IQ信号对应的平均幅度值，σ为各基带IQ信号对应的标准差。
优选的，所述双路注意力卷积神经网络的包括卷积分支、空间注意力分支和通道注意力分支，此时，所述双路注意力卷积神经网络的计算步骤包括：
令所述双路注意力卷积神经网络的输入
Figure BDA0003414843970000025
其中，Cin表示通道数量，Lin为每个通道对应的长度；
利用卷积分支对各输入进行卷积操作，设卷积核数量为Cout，每个卷积核大小为k，卷积步幅为s，填零数为p，得到卷积操作的输出
Figure BDA0003414843970000026
Lout的计算公式如公式(3)：
Figure BDA0003414843970000027
其中，int表示向下取整数；
利用空间注意力分支计算空间注意力分布，所述空间注意力分支由下采样和上采样构成，所述下采样由一维卷积-ReLU激活-池化级联构成，所述上采样由反卷积-ReLU激活-上采样构成，所述上采样输出经sigmoid函数后得到空间注意力图a＝{α1,…,αLout}，αi的计算公式如公式(4)：
αi＝sigmoid(Ai),i＝1,2,…,Lout 公式(4)；
利用通道注意力分支计算通道注意力分布，所述通道注意力分支由全连接层和tanh激活构成，第二个全连接层的输出经sigmoid函数得到通道注意力图b＝{β1,…,βCout}，βi的计算公式如公式(5)：
βi＝sigmoid[P·tanh(W·x)T]i 公式(5)；
其中，
Figure BDA0003414843970000031
为第一个全连接层的参数，
Figure BDA0003414843970000032
为第二个全连接层的参数；
将所述卷积分支、所述空间注意力分支、所述通道注意力分支对应的输出进行融合，得到所述双路注意力卷积神经网络的输出，所述双路注意力卷积神经网络的输出z的计算公式如公式(6)：
Figure BDA0003414843970000033
与现有技术相比，本发明提供的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法具有以下优点：
本发明提供的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，通过直接利用接收机采集的射频IQ信号自动抽取射频指纹特征，并通过双路注意力卷积神经网络中的空间注意力分支分析射频指纹特征向量中每一维度的重要性，通过通道注意力分支自动判断多种射频指纹特征各自的重要性，并依据重要性对多种射频指纹特征同时在通道和空间两个维度上进行融合，获得具有强判别力的辐射源射频指纹特征，从而提高对不同类型的辐射源个体识别效率，提高个体识别任务的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明一个实施例提供的一种实施环境的示意图。
图2是根据一示例性实施例示出的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法的方法流程图。
图3是本发明实施例示出的一种双路注意力卷积神经网络的卷积层结构图。
图4是基于传统卷积神经网络的通信辐射源个体识别结果混淆矩阵示意图。
图5是本发明实施例示出的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法的通信辐射源个体识别结果混淆矩阵示意图。
图6是根据一示例性实施例示出的一种用于实现基于双路注意力卷积神经网络的通信辐射源个体识别方法的装置框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例(但不限于所举实施例)与附图详细描述本发明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在一种可能的实施方式中，本发明实施例所涉及的实施环境的示意图可以如图1所示。在图1所示实施环境的示意图中，该实施环境包括至少一个通信辐射源个体10、至少一个接收器20以及服务器30。
其中，通信辐射源个体10用于产生射频信号，需要说明的是，通信辐射源个体可以是生物，也可以是非生物；
接收器20用于接收通信辐射源个体10产生的射频信号，并将射频信号发送至服务器30，接收器20与服务器30通过有线或无线方式电信号连接；
服务器30用于对接收器发送的射频信号进行频谱搬移及预处理后，得到归一化的基带IQ信号，并将各归一化的基带IQ信号输入至双路注意力卷积神经网络提取射频指纹特征并进行个体识别。
图2是根据一示例性实施例示出的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法的方法流程图，如图2所示，该基于双路注意力卷积神经网络的通信辐射源个体识别方法，包括：
步骤100：通过接收机采集各通信辐射源个体的射频信号，并通过频谱搬移得到各通信辐射源个体对应的基带IQ信号。
步骤200：对每一段基带IQ信号进行预处理，获得归一化的基带IQ信号。
步骤300：将归一化的基带IQ信号输入到双路注意力卷积神经网络后，提取各通信辐射源个体的射频指纹特征并进行个体识别。
优选的，步骤100具体包括：
将各通信辐射源个体的射频信号与接收机本地载波相乘实现频谱搬移，并通过低通滤波得到各通信辐射源个体对应的基带IQ信号，各通信辐射源个体对应的基带IQ信号S(t)计算公式如公式(1)：
Figure BDA0003414843970000051
其中，R(t)表示接收机接收到的通信辐射源个体的射频信号，fc表示接收机本地载波频率，LPF表示低通滤波器。
优选的，步骤200具体包括：
计算各基带IQ信号对应的平均幅度值和标准差，对于每个通信辐射源个体，将所述通信辐射源个体对应的基带IQ信号减去所述平均幅度值后得到的差值除以所述标准差，得到所述通信辐射源个体所对应归一化的基带IQ信号
Figure BDA0003414843970000052
各通信辐射源个体所对应归一化的基带IQ信号
Figure BDA0003414843970000053
计算公式如公式(2)：
Figure BDA0003414843970000054
其中，μ为各基带IQ信号对应的平均幅度值，σ为各基带IQ信号对应的标准差。
优选的，步骤300中所述双路注意力卷积神经网络的包括卷积分支、空间注意力分支和通道注意力分支，此时，所述双路注意力卷积神经网络的计算步骤包括：
令所述双路注意力卷积神经网络的输入
Figure BDA0003414843970000055
其中，Cin表示通道数量，Lin为每个通道对应的长度；
利用卷积分支对各输入进行卷积操作，设卷积核数量为Cout，每个卷积核大小为k，卷积步幅为s，填零数为p，得到卷积操作的输出
Figure BDA0003414843970000056
Lout的计算公式如公式(3)：
Figure BDA0003414843970000057
其中，int表示向下取整数；
利用空间注意力分支计算空间注意力分布，所述空间注意力分支由下采样和上采样构成，所述下采样由一维卷积-ReLU激活-池化级联构成，所述上采样由反卷积-ReLU激活-上采样构成，所述上采样输出经sigmoid函数后得到空间注意力图a＝{α1,…,αLout}，αi的计算公式如公式(4)：
αi＝sigmoid(Ai),i＝1,2,…,Lout 公式(4)；
利用通道注意力分支计算通道注意力分布，所述通道注意力分支由全连接层和tanh激活构成，第二个全连接层的输出经sigmoid函数得到通道注意力图b＝{β1,…,βCout}，βi的计算公式如公式(5)：
βi＝sigmoid[P·tanh(W·x)T]i 公式(5)；
其中，
Figure BDA0003414843970000061
为第一个全连接层的参数，
Figure BDA0003414843970000062
为第二个全连接层的参数；
将所述卷积分支、所述空间注意力分支、所述通道注意力分支对应的输出进行融合，得到所述双路注意力卷积神经网络的输出，所述双路注意力卷积神经网络的输出z的计算公式如公式(6)：
Figure BDA0003414843970000063
其中，本发明提供的双路注意力卷积神经网络的卷积层结构图可以如图3所示。
需要说明的是，第N层池化层的输出即为通信辐射源个体的融合后的射频指纹特征，该特征通过由两层全连接层和一层softmax层构成的神经网络分类器即可输出识别结果。
为了直观地说明本发明实施例提供的基于双路注意力卷积神经网络的通信辐射源个体识别方法的有益效果，与基于传统卷积神经网络的识别方法(No Radio LeftBehind:Radio Fingerprinting Through Deep Learning of Physical-Layer HardwareImpairments，IEEE Transactions on Cognitive Communication and Networking,2020.)进行横向对比测试，具体的测试方案以识别5个同批号USRP X310设备为例，过程如下：
信号采集设备：USRP B210；
采集环境：实验室LOS；
测试方法：通过GNURadio控制5个USRP X310均以20ksps速率的BPSK调制样式发射相同的比特流文件，使用USRP B210以1MHz采样率分别采集上述5个USRP X310发射的IQ信号，每个USRP X310设备采集5秒，分割后获得每个辐射源个体4000个训练信号样本和1000个测试信号样本。
其中，基于传统卷积神经网络的通信辐射源个体识别结果混淆矩阵如图4所示，识别准确率为92.8％；本发明实施例提供的基于双路注意力卷积神经网络的通信辐射源个体识别方法，在相同训练和测试数据条件下，通信辐射源个体识别结果混淆矩阵如图5所示，识别准确率为96.2％。对比图4及图5测试结果可明显得知，本发明提供的基于双路注意力卷积神经网络的通信辐射源个体识别方法。
综上所述，本发明提供的一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，通过直接利用接收机采集的射频IQ信号自动抽取射频指纹特征，并通过双路注意力卷积神经网络中的空间注意力分支分析射频指纹特征向量中每一维度的重要性，通过通道注意力分支自动判断多种射频指纹特征各自的重要性，并依据重要性对多种射频指纹特征同时在通道和空间两个维度上进行融合，获得具有强判别力的辐射源射频指纹特征，从而提高对不同类型的辐射源个体识别效率，提高个体识别任务的准确率。
在一种可能的实现方式中，图6是根据一示例性实施例示出的一种用于实现基于双路注意力卷积神经网络的通信辐射源个体识别方法的装置框图。例如，装置600可以被提供为一服务器。参照图6，装置600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理部件622执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件622被配置为执行指令，以执行上述基于双路注意力卷积神经网络的通信辐射源个体识别方法。
装置600还可以包括一个电源组件626被配置为执行装置600的电源管理，一个有线或无线网络接口650被配置为将装置600连接到网络，和一个输入输出(I/O)接口658。装置600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
虽然，前文已经用一般性说明、具体实施方式及试验，对本发明做了详尽的描述，但在本发明基础上，可以对之进行修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
本领域技术人员在考虑说明书及实践这里的发明的后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (4)

1.一种基于双路注意力卷积神经网络的通信辐射源个体识别方法，其特征在于，所述方法包括：
通过接收机采集各通信辐射源个体的射频信号，并通过频谱搬移得到各通信辐射源个体对应的基带IQ信号；
对每一段基带IQ信号进行预处理，获得归一化的基带IQ信号；
将归一化的基带IQ信号输入到双路注意力卷积神经网络后，提取各通信辐射源个体的射频指纹特征并进行个体识别。
2.根据权利要求1所述的方法，其特征在于，所述通过频谱搬移得到各通信辐射源个体对应的基带IQ信号的步骤，包括：
将各通信辐射源个体的射频信号与接收机本地载波相乘实现频谱搬移，并通过低通滤波得到各通信辐射源个体对应的基带IQ信号，各通信辐射源个体对应的基带IQ信号S(t)计算公式如公式(1)：
Figure FDA0003414843960000011
其中，R(t)表示接收机接收到的通信辐射源个体的射频信号，fc表示接收机本地载波频率，LPF表示低通滤波器。
3.根据权利要求2所述的方法，其特征在于，所述对每一段基带IQ信号进行预处理，获得归一化的基带IQ信号的步骤，包括：
计算各基带IQ信号对应的平均幅度值和标准差，对于每个通信辐射源个体，将所述通信辐射源个体对应的基带IQ信号减去所述平均幅度值后得到的差值除以所述标准差，得到所述通信辐射源个体所对应归一化的基带IQ信号
Figure FDA0003414843960000012
各通信辐射源个体所对应归一化的基带IQ信号
Figure FDA0003414843960000013
计算公式如公式(2)：
Figure FDA0003414843960000014
其中，μ为各基带IQ信号对应的平均幅度值，σ为各基带IQ信号对应的标准差。
4.根据权利要求1所述的方法，其特征在于，所述双路注意力卷积神经网络的包括卷积分支、空间注意力分支和通道注意力分支，此时，所述双路注意力卷积神经网络的计算步骤包括：
令所述双路注意力卷积神经网络的输入
Figure FDA0003414843960000015
其中，Cin表示通道数量，Lin为每个通道对应的长度；
利用卷积分支对各输入进行卷积操作，设卷积核数量为Cout，每个卷积核大小为k，卷积步幅为s，填零数为p，得到卷积操作的输出
Figure FDA0003414843960000021
Lout的计算公式如公式(3)：
Figure FDA0003414843960000022
其中，int表示向下取整数；
利用空间注意力分支计算空间注意力分布，所述空间注意力分支由下采样和上采样构成，所述下采样由一维卷积-ReLU激活-池化级联构成，所述上采样由反卷积-ReLU激活-上采样构成，所述上采样输出经sigmoid函数后得到空间注意力图a＝{α1,…,αLout}，αi的计算公式如公式(4)：
αi＝sigmoid(Ai),i＝1,2,…,Lout 公式(4)；
利用通道注意力分支计算通道注意力分布，所述通道注意力分支由全连接层和tanh激活构成，第二个全连接层的输出经sigmoid函数得到通道注意力图b＝{β1,…,βCout}，βi的计算公式如公式(5)：
βi＝sigmoid[P·tanh(W·x)T]i 公式(5)；
其中，
Figure FDA0003414843960000023
为第一个全连接层的参数，
Figure FDA0003414843960000024
为第二个全连接层的参数；
将所述卷积分支、所述空间注意力分支、所述通道注意力分支对应的输出进行融合，得到所述双路注意力卷积神经网络的输出，所述双路注意力卷积神经网络的输出z的计算公式如公式(6)：
Figure FDA0003414843960000025
CN202111543092.4A 2021-12-16 2021-12-16 基于双路注意力卷积神经网络的通信辐射源个体识别方法 Pending CN114254672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111543092.4A CN114254672A (zh) 2021-12-16 2021-12-16 基于双路注意力卷积神经网络的通信辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111543092.4A CN114254672A (zh) 2021-12-16 2021-12-16 基于双路注意力卷积神经网络的通信辐射源个体识别方法

Publications (1)

Publication Number Publication Date
CN114254672A true CN114254672A (zh) 2022-03-29

Family

ID=80795310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111543092.4A Pending CN114254672A (zh) 2021-12-16 2021-12-16 基于双路注意力卷积神经网络的通信辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN114254672A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116166954A (zh) * 2023-04-20 2023-05-26 南京桂瑞得信息科技有限公司 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116166954A (zh) * 2023-04-20 2023-05-26 南京桂瑞得信息科技有限公司 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法

Similar Documents

Publication Publication Date Title
CN107770263B (zh) 一种基于边缘计算的物联网终端安全接入方法及系统
CN115791640B (zh) 基于分光光谱的肿瘤细胞检测设备及其方法
CN110197127A (zh) 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
CN105205460B (zh) 基于最大方向编码的人脸表情特征提取及识别方法
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN115941407A (zh) 基于递归式卷积网络和注意力机制的信号调制识别方法
CN112019500B (zh) 一种基于深度学习的加密流量识别方法及电子装置
CN116049639B (zh) 脑电图信号的选择性迁移学习方法、装置及存储介质
CN114254672A (zh) 基于双路注意力卷积神经网络的通信辐射源个体识别方法
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
CN115770044A (zh) 基于脑电相位幅值耦合网络的情绪识别方法及装置
CN115439809A (zh) 基于数字孪生的地铁人流密度实时监测系统及其方法
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
CN109558827A (zh) 一种基于个性化卷积神经网络的手指静脉识别方法及系统
CN110472540B (zh) 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法
KR102014234B1 (ko) 무선 프로토콜 자동 분석 방법 및 그를 위한 장치
CN116776181A (zh) 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统
CN105893790A (zh) 针对质谱缺失蛋白质数据的分类方法
CN116206239A (zh) 视频特征提取网络训练方法、装置、电子设备及存储介质
WO2023077592A1 (zh) 一种智能心电信号处理方法
CN113688953B (zh) 基于多层gan网络的工控信号分类方法、装置和介质
CN115100733A (zh) Rfid手势识别方法、计算机装置、产品及存储介质
CN114021637A (zh) 一种基于度量空间下去中心化应用加密流量分类方法及装置
CN112364896B (zh) 基于机器学习的健康信息分布的确定方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220329