CN114254678A - 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法 - Google Patents

基于去噪引导解耦网络的雷达信号脉冲内调制识别方法 Download PDF

Info

Publication number
CN114254678A
CN114254678A CN202111579593.8A CN202111579593A CN114254678A CN 114254678 A CN114254678 A CN 114254678A CN 202111579593 A CN202111579593 A CN 202111579593A CN 114254678 A CN114254678 A CN 114254678A
Authority
CN
China
Prior art keywords
radar signal
signal
modulation
noise
radar
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
CN202111579593.8A
Other languages
English (en)
Inventor
张祥莉
罗天泽
罗大鹏
张佳朕
肖菲
董蓓
王良波
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.)
China University of Geosciences
Second Construction Engineering Co Ltd of China Construction Third Engineering Division
China Construction Third Bureau Intelligent Technology Co Ltd
Original Assignee
China University of Geosciences
Second Construction Engineering Co Ltd of China Construction Third Engineering Division
China Construction Third Bureau Intelligent 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 China University of Geosciences, Second Construction Engineering Co Ltd of China Construction Third Engineering Division, China Construction Third Bureau Intelligent Technology Co Ltd filed Critical China University of Geosciences
Priority to CN202111579593.8A priority Critical patent/CN114254678A/zh
Publication of CN114254678A publication Critical patent/CN114254678A/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
    • G06F2218/12—Classification; Matching
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06F2218/04—Denoising
    • 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

Landscapes

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

Abstract

本发明公开了一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，具体提出了一种基于Inception结构的去噪引导解耦网络DGDNet，以端到端的方式同时完成雷达信号的去噪和识别。通过全局特征提取器得到雷达信号时频图的全局特征，特征解耦器将纯净雷达信号表达(PSR)从噪声信号表达(NSR)中分离出来，用于学习低信噪比环境下的调制模式识别器，最后通过调制模式识别器完成分类的任务。为了扩大纯净雷达信号表达(PSR)和噪声信号表达(NSR)之间的距离，提出了信号噪声互信息(SNMI)损失的概念。实验结果表明，该方法在‑8dB信噪比下的识别准确率为98.75％，在‑10dB环境下的12种调制格式的雷达信号识别准确率为89.25％。

Description

基于去噪引导解耦网络的雷达信号脉冲内调制识别方法
技术领域
本发明属于模式识别、信息技术领域，可用于雷达电子战。更具体地说，本发明涉及一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法。
背景技术
雷达信号的脉冲调制识别是雷达电子战的一项关键技术。它在现代电子保障测量系统、电子情报系统和雷达预警接收机中发挥着重要作用。准确识别雷达信号的脉冲调制方式，有助于估计雷达发射机的性能，提高雷达信号参数估计的准确性。然而，用于提高脉冲雷达距离分辨率的脉冲压缩技术大大降低了雷达信号的功率谱密度。因此，在正常的雷达工作环境下，接收到的雷达信号的信噪比总是显著降低，从而严重影响雷达信号调制方式的识别精度。低信噪比环境下雷达信号大范围调制类型的准确识别仍有待解决。
因此，需要对雷达信号进行预处理，以消除噪声信号对原始雷达信号的干扰。在雷达信号的去噪过程中，大多集中在传统的去噪方法上，利用神经网络方法对雷达信号去噪和识别的工作开展的不够多。此外，在一些对雷达信号进行神经网络去噪的研究中，提取到的时频特征在噪声较大时仍然有待优化，去噪效果还有待加强。
发明内容
本发明要解决的技术问题主要是，提供一种能去噪效果明显、能准确识别信号调制格式的雷达信号调制识别方法。
为了实现上述目的，本发明构建了基于去噪引导的解耦网络DGDNet，该网络基于Inception结构，以端到端的方式同时完成雷达信号的去噪和识别。本发明提供了一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，包括以下步骤：
通过时频分析方法CTFD将雷达信号转化为时频图像；
将所述时频图像作为去噪引导解耦网络的全局特征提取器的输入，得到融入雷达信号和噪声信号的全局特征；
将所述全局特征作为去噪引导解耦网络的特征解耦器的输入，得到纯净雷达信号特征表达和噪声信号特征表达，所述噪声信号特征表达用于对所述特征解耦器进行训练和优化；
将所述纯净雷达信号特征表达作为去噪引导解耦网络的调制模式识别器的输入，训练所述调制模式识别器执行雷达信号调制格式识别分类任务，得到调制格式识别结果。
优选地，所述通过时频分析方法CTFD将雷达信号转化为时频图像的步骤包括：
在时频分析方法CWD的基础上改进核函数，得到时频分析方法CTFD，改进核函数的表达式为：
Figure BDA0003425653440000021
其中τ是横轴时延，ν是纵轴频移，γ是形状系数，ξ是尺度系数，分别用于调整核函数的形状和大小；
通过所述时频分析方法CTFD对多种调制格式的雷达信号进行时频分析，获得时频图像。
优选地，所述全局特征提取器包括：三层滤波器级联层和大小不一的卷积核，每一级联层前的两个小分支用于提取不同尺度的特征。
优选地，所述特征解耦器包括：纯净雷达特征提取器和噪声特征提取器。
优选地，所述纯净雷达特征提取器包括：4个Inception_A模块、1个Reduction_A模块、7个Inception_B模块和1个反卷积模块。
优选地，所述噪声特征提取器包括：1个Inception_A模块、1个Reduction_A模块、2个Inception_B模块和1个反卷积模块。
优选地，所述调制模式识别器包括：1个Reduction_B模块、3个Inception_C模块和1个FC层，在所述FC层连接SoftMax层，用于将纯净雷达信号特征表达转换为概率值。
优选地，训练所述调制模式识别器执行雷达信号调制格式识别分类任务的步骤，还包括：
利用交叉熵作为损失函数将预测结果与实际调制模式标签进行对比；
通过最小化交叉熵损失函数对所述调制模式识别器进行训练优化。
优选地，在将所述全局特征作为所述特征解耦器的输入，得到纯净雷达信号特征表达和噪声信号特征表达的步骤之后，还包括：
根据所述纯净雷达信号表达和所述噪声信号特征表达构建信号噪声互信息损失函数；
通过最小化所述信号噪声互信息损失函数对所述特征解耦器进行训练优化。
优选地，所述信号噪声互信息损失函数的公式如下：
Figure BDA0003425653440000031
Figure BDA0003425653440000032
其中XPSR和XNSR分别表示纯净雷达信号特征表达和噪声信号特征表达，Pp_n表示两个特征表达之间的联合概率分布，Ppsr和Pnsr分别为两个特征表达的边缘概率分布，通过最小化ISN来使两个特征表达之间的独立性更大。
本发明提供的技术方案具有以下有益效果：
(1)本发明提出了一种新的基于Inception结构的去噪引导解耦网络DGDNet，以端到端的方式同时完成雷达信号的去噪和识别。
(2)通过全局特征提取器得到雷达信号时频图像的特征图，通过特征解耦器将纯净雷达信号表达(PSR)从噪声信号表达(NSR)中分离出来，用于训练低信噪比环境下的雷达信号调制模式识别器，最后通过调制模式识别器完成分类的任务。
(3)为了扩大纯净雷达信号表达(PSR)和噪声信号表达(NSR)之间的距离，提出了信号噪声互信息(SNMI)损失函数的概念。实验结果表明，该方法在-8dB信噪比下的识别准确率为98.75％，在-10dB环境下的12种调制格式的雷达信号识别准确率为89.25％。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例中雷达信号调制识别方法的流程图；
图2为本发明实施例中系统的整体框架图；
图3为本发明实施例中时频分析CTFD核函数的等高线图，其中图3(a)为整体等高线图，图3(b)为图3(a)的局部放大图；
图4为本发明实施例中DGDNet的网络结构图；
图5为本发明实施例中全局特征提取器结构图；
图6为本发明实施例中特征解耦器结构图，其中图6(a)为Inception_A，图6(b)为Inception_B，图6(c)为Reduction_A，图6(d)为Deconv-module；
图7为本发明实施例中调制模式识别器结构图，其中图7(a)为Reduction_B，图7(b)为Inception_C；
图8为本发明实施例中所采用的12种调制方式的时频图像；
图9为本发明方法与其他3种网络识别精度在信噪比不同情况下的对比图；
图10为本发明方法与DGDNet(不采用信号噪声互信息损失SNMI loss)、以及Inceptionv4的识别精度在不同信噪比下的对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1、图2所示，本发明实施例提供了一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，包括以下步骤：
S1：通过时频分析方法CTFD将雷达信号转化为时频图像(TFI)。
时频分析方法CTFD是Cohen类时频分析方法，是在时频分析方法CWD的基础上改进核函数的一种新方法，该核函数沿轴分布，呈椭圆形，满足大部分调频函数如正弦调频信号SFM，二次频率调制信号EQFM，及相位调制信号PSK模糊域互项在轴及其周围分布的特点，使得新核函数的时频分析方法CTFD具有更佳的抗噪能力；
改进核函数的表达式为：
Figure BDA0003425653440000041
其中τ是横轴时延，ν是纵轴频移，γ是形状系数，ξ是尺度系数，用于调整核函数的形状和大小。时频分析方法CTFD的核函数的等高线图如图3所示。
S2：提出了一种去噪引导解耦网络(DGDNet)，所述去噪引导解耦网络的网络结构如图4所示，包括：全局特征提取器(Global feature extractor)、特征解耦器(Featuredisentangler)和调制模式识别器(Modulation mode recognizer)。
S3：将所述时频图像作为所述全局特征提取器的输入，得到融合雷达信号和噪声信号的全局特征。
全局特征提取器是一个词干模块，旨在获取输入时频图像的深层特征。该网络如图5所示，大致由九层组成，其中有三层滤波器级联层。相应地，每一级联层前的两个小分支用于提取不同尺度的特征。时频图像(TFIs)的初始大小为1024×1024，通过图像大小调整和归一化，转换为299×299的张量，输出同时包含有用信息和噪声，即得到融合雷达信号和噪声信号的全局特征。
S4：将所述全局特征作为所述特征解耦器的输入，得到纯净雷达信号特征表达和噪声信号特征表达。
特征解耦器的结构如图6所示，包括：Inception_A、Inception_B、Reduction_A、和反卷积模块Deconv-module；
具体地，如图4所示，特征解耦器分为：纯净雷达特征提取器(Pure radar featureextrator)和噪声特征提取器(Noise feature extractor)；
纯净雷达特征提取器包括：4个Inception_A模块、1个Reduction_A模块、7个Inception_B模块和1个反卷积模块。Inception模块(4个Inception_A模块和7个Inception_B模块)用于提取隐藏在时频图像中的有用信号特征。应用缩减层(1个Reduction_A模块)来减小图像大小。纯净雷达信号表达(PSR)可用于通过反卷积模块重构去噪的时频图。
噪声特征提取器：包括：1个Inception_A模块、1个Reduction_A模块、2个Inception_B模块和1个反卷积模块。噪声特征提取器的输出是噪声信号表达(NSR)，可以用来通过反卷积模块重建噪声图像。
为了扩大纯净雷达信号表达(PSR)和噪声信号表达(NSR)之间的距离，提出了信号噪声互信息(SNMI)损失函数的概念，其公式如下：
Figure BDA0003425653440000051
Figure BDA0003425653440000061
其中XPSR和XNSR分别表示纯净雷达信号特征表达和噪声信号特征表达，Pp_n表示两个特征表达之间的联合概率分布，Ppsr和Pnsr分别为两个特征表达的边缘概率分布，通过最小化ISN来使两个特征表达之间的独立性更大。
在本实施例中，用α来将信号噪声互信息损失函数归一化来和其他的损失匹配，其中α的值设置为0.25。
S5：将所述纯净雷达信号特征表达作为所述调制模式识别器的输入，训练所述调制模式识别器执行雷达信号调制格式识别分类任务，得到调制格式识别结果。
利用交叉熵作为损失函数来将预测结果与实际调制模式标签做对比；
通过最小化所述交叉熵损失函数对所述调制模式识别器进行训练优化。
调制模式识别器的结构如图7所示，包括Reduction_B模块和Inception_C模块；
具体地，如图4所示，调制模式识别器包括：1个Reduction_B模块、3个Inception_C模块和1个FC层。FC层之后是SoftMax层，以将特征表示转换为概率值，在纯净雷达特征提取器的基础上，设计调制模式识别器从PSR中提取可区分的特征表示，实现对至少12种调制格式的分类。
在通过纯净雷达信号特征表达训练调制模式识别器执行雷达信号调制格式识别分类任务的步骤中，还包括：
利用交叉熵作为损失函数来将预测结果与实际调制模式标签做对比；
通过最小化所述交叉熵损失函数对所述调制模式识别器进行训练优化。
本实施例中，对12种调制格式的雷达信号进行了脉冲内调制格式识别，仿真信号参数如表1：
表1仿真信号参数
Figure BDA0003425653440000062
Figure BDA0003425653440000071
识别得到12种时频图像如图8所示，可以看出，本发明方法能准确的对12种调制格式进行分类。
如图9所示，图9为本发明与其他三种网络识别精度在信噪比不同情况下的对比图，表2为四种网络识别率在不同信噪比条件下的具体指标。
表2四种网络识别率在不同信噪比条件下的具体指标
Figure BDA0003425653440000072
从图9和表2，可以看到本发明提出的DGDNet的识别精度在低信噪比的环境下的识别精度要优于其他3个网络。
如图10所示，图10为本发明DGDNet(采用信号噪声互信息损失SNMI loss)、DGDNet(不采用信号噪声互信息损失SNMI loss)、以及Inceptionv4三种网络的识别精度在不同信噪比下的对比图。表3为DGDNet(采用信号噪声互信息损失SNMI loss)、DGDNet(不采用信号噪声互信息损失SNMI loss)、以及Inceptionv4三种网络的识别精度在不同信噪比下的具体指标：
表3三种网络的识别精度在不同信噪比下的具体指标
Figure BDA0003425653440000073
Figure BDA0003425653440000081
从图10和表3中，可以看到本发明DGDNet(采用信号噪声互信息SNMI loss)网络的识别效果在低信噪比环境下要更加的突出。
本发明公开了一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，包括：时频分析方法CTFD将雷达信号转化为时频图像；全局特征提取器提取全局特征；特征解耦器提取纯净雷达信号特征表达和噪声信号特征表达；调制模式识别器执行雷达信号调制格式分类任务。本发明提出了一种新的基于Inception结构的去噪引导的解耦网络DGDNet，以端到端的方式同时完成雷达信号的去噪和识别。通过全局特征提取器得到雷达信号时频图的特征图，特征解耦器将纯净雷达信号表达(PSR)从噪声信号表达(NSR)中分离出来，用于学习低信噪比环境下的雷达信号调制模式识别器，最后调制模式识别器完成分类的任务。为了扩大纯净雷达信号表达(PSR)和噪声信号表达(NSR)之间的距离，提出了信号噪声互信息(SNMI)损失的概念。实验结果表明，该方法在-8dB信噪比下的识别准确率为98.75％，在-10dB环境下的12种调制格式的雷达信号识别准确率为89.25％。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，包括：
通过时频分析方法CTFD将雷达信号转化为时频图像；
将所述时频图像作为去噪引导解耦网络的全局特征提取器的输入，得到融入雷达信号和噪声信号的全局特征；
将所述全局特征作为去噪引导解耦网络的特征解耦器的输入，得到纯净雷达信号特征表达和噪声信号特征表达，所述噪声信号特征表达用于对所述特征解耦器进行训练和优化；
将所述纯净雷达信号特征表达作为去噪引导解耦网络的调制模式识别器的输入，训练所述调制模式识别器执行雷达信号调制格式识别分类任务，得到调制格式识别结果。
2.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述通过时频分析方法CTFD将雷达信号转化为时频图像的步骤包括：
在时频分析方法CWD的基础上改进核函数，得到时频分析方法CTFD，改进核函数的表达式为：
Figure FDA0003425653430000011
其中τ是横轴时延，ν是纵轴频移，γ是形状系数，ξ是尺度系数，分别用于调整核函数的形状和大小；
通过所述时频分析方法CTFD对多种调制格式的雷达信号进行时频分析，获得时频图像。
3.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述全局特征提取器包括：三层滤波器级联层和大小不一的卷积核，每一级联层前的两个小分支用于提取不同尺度的特征。
4.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述特征解耦器包括：纯净雷达特征提取器和噪声特征提取器。
5.如权利要求4所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述纯净雷达特征提取器包括：4个Inception_A模块、1个Reduction_A模块、7个Inception_B模块和1个反卷积模块。
6.如权利要求4所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述噪声特征提取器包括：1个Inception_A模块、1个Reduction_A模块、2个Inception_B模块和1个反卷积模块。
7.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述调制模式识别器包括：1个Reduction_B模块、3个Inception_C模块和1个FC层，在所述FC层连接SoftMax层，用于将纯净雷达信号特征表达转换为概率值。
8.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，训练所述调制模式识别器执行雷达信号调制格式识别分类任务的步骤，还包括：
利用交叉熵作为损失函数将预测结果与实际调制模式标签进行对比；
通过最小化交叉熵损失函数对所述调制模式识别器进行训练优化。
9.如权利要求1所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，在将所述全局特征作为所述特征解耦器的输入，得到纯净雷达信号特征表达和噪声信号特征表达的步骤之后，还包括：
根据所述纯净雷达信号表达和所述噪声信号特征表达构建信号噪声互信息损失函数；
通过最小化所述信号噪声互信息损失函数对所述特征解耦器进行训练和优化。
10.如权利要求9所述的基于去噪引导解耦网络的雷达信号脉冲内调制识别方法，其特征在于，所述信号噪声互信息损失函数的公式如下：
Figure FDA0003425653430000021
Figure FDA0003425653430000022
其中XPSR和XNSR分别表示纯净雷达信号特征表达和噪声信号特征表达，Pp_n表示两个特征表达之间的联合概率分布，Ppsr和Pnsr分别为两个特征表达的边缘概率分布，通过最小化ISN来使两个特征表达之间的独立性更大。
CN202111579593.8A 2021-12-22 2021-12-22 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法 Pending CN114254678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111579593.8A CN114254678A (zh) 2021-12-22 2021-12-22 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111579593.8A CN114254678A (zh) 2021-12-22 2021-12-22 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法

Publications (1)

Publication Number Publication Date
CN114254678A true CN114254678A (zh) 2022-03-29

Family

ID=80794160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111579593.8A Pending CN114254678A (zh) 2021-12-22 2021-12-22 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法

Country Status (1)

Country Link
CN (1) CN114254678A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169422A (zh) * 2022-09-07 2022-10-11 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169422A (zh) * 2022-09-07 2022-10-11 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统
CN115169422B (zh) * 2022-09-07 2022-11-25 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统

Similar Documents

Publication Publication Date Title
CN108845306B (zh) 基于变分模态分解的激光雷达回波信号去噪方法
CN109890043B (zh) 一种基于生成式对抗网络的无线信号降噪方法
CN108921014B (zh) 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN110297218B (zh) 基于生成对抗网络的雷达信号未知调制方式检测方法
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN110610717A (zh) 复杂频谱环境混合信号的分离方法
CN118051831B (zh) 基于CNN-Transformer合作网络模型的水声目标识别方法
CN113488060A (zh) 一种基于变分信息瓶颈的声纹识别方法及系统
CN116359851A (zh) 一种基于融合网络的雷达有源干扰检测识别方法及装置
CN112183225B (zh) 一种基于概率潜在语义分析的水下目标信号特征提取方法
CN112115871B (zh) 适用于行人目标检测的高低频交织边缘特征增强方法
CN114355298B (zh) 一种雷达复合调制脉冲信号识别方法
CN114254678A (zh) 基于去噪引导解耦网络的雷达信号脉冲内调制识别方法
CN115853173A (zh) 一种用于施工安装的建筑幕墙
CN110969203B (zh) 基于自相关和cam网络的hrrp数据去冗余方法
CN110349176B (zh) 基于三重卷积网络和感知干扰学习的目标跟踪方法和系统
CN114282576A (zh) 基于时频分析及去噪的雷达信号调制格式识别方法及装置
CN111968669B (zh) 一种多元混合声信号分离方法及装置
CN117310668A (zh) 融合注意力机制与深度残差收缩网络的水声目标识别方法
CN115100733B (zh) Rfid手势识别方法、计算机装置、产品及存储介质
CN116304561A (zh) 基于深度迁移学习的海洋目标磁异常信号去噪和探测方法
CN116449382A (zh) 一种基于vmd与hba结合的测风激光雷达探测距离提升方法
CN111831693B (zh) 一种基于数值型关联分析的光学遥感载荷指标获取方法
CN113762478A (zh) 射频干扰检测模型、射频干扰检测方法及装置

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