CN114531324B - 一种基于信道测量的分类方法 - Google Patents
一种基于信道测量的分类方法 Download PDFInfo
- Publication number
- CN114531324B CN114531324B CN202111084922.1A CN202111084922A CN114531324B CN 114531324 B CN114531324 B CN 114531324B CN 202111084922 A CN202111084922 A CN 202111084922A CN 114531324 B CN114531324 B CN 114531324B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- weight vector
- test set
- classification
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明涉及一种基于信道测量的分类方法,属于信道识别环境反向散射通信以及机器学习技术领域。依托的系统包括发射机、接收机及小型射频收发设备;发射机发送PN码以及正弦波;接收机接收经小型射频收发设备反射、吸收后的信号;所述方法,包括:步骤1、接收机接收发射机发送的信号;步骤2、对接收的信号进行特征提取,分别得到特征集X和特征测试集Xt;步骤3、使用特征集X进行训练,得到训练好的分类模型参数;步骤4、对特征测试集Xt进行分类。所述方法时间复杂度和空间复杂度低,在小样本数据条件下,依然能保证高的识别准确率;对高维及非线性分类问题具有很好的泛化性,能用于大多数应用场景信道接收信号进行特征提取。
Description
技术领域
本发明涉及一种基于信道测量的分类方法,属于信道识别环境反向散射通信以及机器学习技术领域。
背景技术
5G通信技术推动了万物互联的物联网技术的发展,物联网的一个重要特征就是大规模连接。每平方公里百万级的连接为物联网系统带来了能量消耗大、硬件费用高和频谱资源短缺三个挑战。环境反向散射系统的被动式通信方式通过反射环境中存在的信号达到和接收机通信的目的,不需要额外的频谱同时也降低了标签的成本,和大规模连接的发展需求相契合。
实际使用时,需要对不同的小型射频收发设备进行分类。由于发射机和接收机之间的传播路径非常复杂,传播的机制也是多种多样的,在电波的传播过程中会受到信道的影响,因此可以利用接收机接收到的信号对信道特性的表征来对小型射频收发设备进行分类。
已有的支持向量机分类算法分类效率比较高,然而在数据记录增加的情况下,即使使用了核函数,线性SVM需要较大的计算和存储成本,因此传统基于SVM分类方法的性能还存在很大的改进空间。利用核函数的特征变换方法是非线性的,在大规模数据的分类时,会产生较大的存储空间,降低计算速度,使用随机傅里叶变换可以做到在大规模数据分类时,特征变换依旧是线性的。使用随机傅里叶特征变换的方法,在准确率较高的同时降低了复杂度。
本发明的目的是致力于解决上述信道测量信号分类复杂度高、设备识别率低的缺陷,提出了一种信道测量分类方法。
发明内容
本发明的目的在于针对小型无线电接收设备存在与否情况下受信道干扰以及设备识别率低的技术缺陷,提出了一种基于信道测量的分类方法。
为达到上述目的,采取如下技术方案:
所述基于信道测量的分类方法,依托的环境反向散射通信系统包括发射机、接收机及小型射频收发设备;发射机通过发射天线发送pn码以及正弦波两种信号;接收机通过接收天线接收经过小型射频收发设备反射、吸收后的信号;
所述基于信道测量的分类方法依托的系统包括发射机、接收机以及小型射频收发设备;
所述基于信道测量的分类方法,包括如下步骤:
步骤1、接收机接收发射机发送的信号;
其中,接收机接收的信号包括不同极化角度以及小型射频收发设备存在与否的信号,极化角度包括±90°、±45°以及0°;
步骤2、对步骤1接收的信号进行特征提取,分别得到特征集X和特征测试集Xt;
其中,特征提取方法,包括但不限于:对接收信号进行小波熵以及自相关系数提取;
步骤3、使用特征集X进行训练,得到训练好的分类模型参数;
其中,分类模型参数包括权重向量和分离间隔;且权重向量特征空间的分离超平面的法向量,记为w;分离间隔为分离面和坐标原点的间隔,记为ρ;
步骤3.1、对特征集X进行随机傅里叶特征变换,得到随机傅里叶特征变换后的特征集Z;
其中,随机傅里叶特征变换计算公式为式(1):
其中,xi为信号特征集X的数据,且特征维数为d,数据个数为n;P(·)为高斯分布,σ为核带宽,hu(d×1)为随机生成的矩阵;u=1,…,dRF;dRF为随机傅里叶特征变换的维度,z(xi)为特征集Z中xi的对应项;
步骤3.2、从随机傅里叶特征变换后的特征集Z中随机选择一个数据点作为初始权重向量w;
步骤3.3、基于w通过黄金分割线搜索计算分离间隔ρ;
步骤3.4、对所有计算wz(xj)-ρ小于0的数据点z(xj)求平均后得到权重向量wm;
其中,xj为信号特征集X的数据,z(xj)为特征集Z中xj的对应项;
步骤3.5、通过随机梯度下降方法计算w和wm间新的权重向量wnew,再用wnew更新权重向量w;
其中,用wnew更新权重向量w,即令w=wnew;
步骤3.6、重复步骤3.3至步骤3.5,直至K次迭代后w基本趋于稳定,记w为最优权重向量w*,并根据黄金分割线搜索计算出最优权重向量w*对应的最优分离间隔ρ*;
其中,K的取值范围大于15小于50,基本趋于稳定的条件为w的模差值小于0.0001;
其中,最优权重向量w*以及最优分离间隔ρ*为训练好的模型参数;
步骤4、对特征测试集Xt进行分类,具体包括如下子步骤:
步骤4.1、对特征测试集Xt进行随机傅里叶特征变换,根据公式(1)得到随机傅里叶特征变换,得到测试集Zt;
步骤4.2、根据步骤3训练得到的w*、ρ*计算w*zt(xti)-ρ*的结果,记为P;
其中,P的维数为1×nt;nt为特征测试集Xt中元素的数量;xti为特征测试集Xt中的第i个元素,zt(xti)为xti进行随机傅里叶特征变换后测试集Zt中的元素;
步骤4.3、根据步骤4.2得到P的元素值进行判断,具体为:若P(v)≥0,则特征测试集Xt中第v个元素对应的待分类数据与训练集数据是同类;否则,若P(v)<0,则特征测试集Xt中第v个元素对应的待分类数据与训练集数据是异类;
其中,v的取值范围为1到nt;
至此,经过步骤1到步骤4,就完成了一种基于信道测量的分类方法。
有益效果
本发明所述的一种基于信道测量的分类方法,与现有分类方法相比,具有如下有益效果:
1.所述方法因避免使用维度无限的核函数,使得算法的时间复杂度和空间复杂度低;
2.所述方法在小样本数据条件下,依然能保证高的识别准确率;
3.所述方法对高维及非线性分类问题具有很好的泛化性;
4.所述方法使用小波熵、自相关系数作为特征,在分类时达到了较高的分辨率,且能用于大多数应用场景信道接收信号进行特征提取。
附图说明
图1是一种基于信道测量的分类方法的流程图;
图2是一种基于信道测量的分类方法信道接收信号实验场景图;
图3是一种基于信道测量的分类方法针对11类信道情况的平均分辨率;
图4是一种基于信道测量的分类方法试验数据C-SVM分类结果。
具体实施方式
下面结合附图和实施例对本发明所述的一种基于信道测量的分类方法做进一步说明和详细描述。
实施例1
本实施例详细阐述了本发明一种基于信道测量的分类方法具体实施时的分类结果,旨在验证一种基于信道测量的分类方法的分类效果。
该实施例的试验中共测量无源标签1~5、含能量收集器的无源标签1~5和纯信道11种情况。发射信号的功率为0dBm,发射信号为PN码,码元速率为100kHz,测量时,移动接收天线的位置,分别测量接收天线和发射天线相距0.6m、1.2m、1.8m、2.4m、3.0m、3.6m时的信道接收信号,每个距离测量5种极化角度的接收信号,极化角度包括0°、45°、90°、-45°和-90°。
测量完毕后进行信号分类,图1为一种基于信道测量的分类方法的流程图,具体分类步骤如下:
步骤1、接收机接收发射机发送的信号;
图2为该实施例具体接收信号的试验场景,其中,接收信号包括天线间不同极化角度以及小型射频收发设备存在与否的信号,极化角度包括±90°、±45°以及0°,在该实施例中,情况包括无源标签1~5、含能量收集器的无源标签1~5和纯信道,共要进行11次训练;
步骤2、对接收信号进行特征提取,得到特征集X;
其中,特征包括:接收信号的小波熵、接收信号的自相关系数;
在该实施例中,取自相关系数前1000点作为特征;同时对接收信号进行4层级的小波分解,对分解后的小波信号得到幅度模值平方后计算熵值得到小波熵。
步骤3、使用特征集X进行训练,模型参数包括权重向量w和分离间隔ρ;
其中,w为特征空间的分离超平面的法向量,ρ为分离面和坐标原点的间隔;
在该实施例中,含标签的信道测量数据的训练集包括500个样本点,纯信道的训练集包括400个样本点。
步骤3.1、对特征集X进行随机傅里叶特征变换,得到随机傅里叶特征变换后的特征集Z;
其中,随机傅里叶特征变换计算公式为式(1):
其中,xi(d×n)为信号特征集X的数据,d为特征维数,n为数据个数。P(·)为高斯分布,σ为核带宽,hu(d×1)为随机生成的矩阵;u=1,…,dRF;dRF为随机傅里叶特征变换的维度,z(xi)为特征集Z中xi的对应项;
步骤3.2、从随机傅里叶特征变换结果已经进行傅里叶随机变换后的数据集合Z中随机选择一个数据点z(xi)作为初始权重向量w;
步骤3.3、通过黄金分割线搜索计算分离间隔ρ;
步骤3.4、对所有计算wz(xi)-ρ小于0的数据点z(xi)求平均后得到权重向量wm;
步骤3.5、通过随机梯度下降方法计算w和wm间新的权重向量wnew,记为新的权重向量w;
步骤3.6、重复步骤3.3至步骤3.5,直至K次迭代后w基本趋于稳定,记w为最优的权重向量w*,根据黄金分割线搜索计算出对应的最优分离间隔ρ*;
其中,K的取值范围大于15小于30时w能够趋于稳定,趋于稳定的条件为w的模差值小于0.0001,在该实施例中,通过多次训练,发现在K为25时,w的模差值小于0.000093,视为w已经稳定;
步骤4、对接收信号进行分类,具体包括如下子步骤:
接收机接收发射机发送出来的信号,求接收信号的小波熵和自相关系数作为特征得到特征测试集Xt;
该实施例中11种情况的测试集均包括300个测试样本点,和训练集的比例约为60%。
步骤4.1、对特征测试集Xt进行随机傅里叶特征变换,根据公式(1)得到随机傅里叶特征变换的结果Zt;
步骤4.2、根据步骤3训练得到的w*、ρ*计算w*zt(xti)-ρ*的结果进行分类;
其中,当结果大于等于0的信号即为该类,在该实施例中,使用11次训练后得到的11组w*、ρ*进行分类,图3为11种情况的平均分辨率结果。
图3显示,使用自相关系数和小波熵作为特征,以实际信道测量数据进行测试,11种信道情况之间的识别率都较高,达到了93%以上,得到了较好的分辨结果。
图4为该试验得到的测试数据集使用C-SVM的分辨率结果,本发明的一种基于信道测量的分类方法的分类结果与之相比,在不使用核函数的情况下,较低维度的特征空间映射降低了数据训练的计算复杂度,同时达到了同等的分类效果。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (8)
1.一种基于信道测量的分类方法依托的环境反向散射通信系统包括发射机、接收机及小型射频收发设备;发射机通过发射天线发送pn码以及正弦波两种信号;接收机通过接收天线接收经过小型射频收发设备反射、吸收后的信号,其特征在于:所述方法,包括如下步骤:
步骤1、接收机接收发射机发送的信号;
步骤2、对步骤1接收的信号进行特征提取,分别得到特征集X和特征测试集Xt;
步骤3、使用特征集X进行训练,得到训练好的分类模型参数;
其中,分类模型参数包括权重向量和分离间隔,分别记为w和ρ;
步骤3.1、对特征集X进行随机傅里叶特征变换,得到随机傅里叶特征变换后的特征集Z;其中,随机傅里叶特征变换计算公式为式(1):
其中,xi为信号特征集X的数据,且特征维数为d,数据个数为n;P(·)为高斯分布,σ为核带宽,hu(d×1)为随机生成的矩阵;u=1,…,dRF;dRF为随机傅里叶特征变换的维度,z(xi)为特征集Z中xi的对应项;
步骤3.2、从随机傅里叶特征变换后的特征集Z中随机选择一个数据点作为初始权重向量w;
步骤3.3、基于w通过黄金分割线搜索计算分离间隔ρ;
步骤3.4、对所有计算wz(xj)-ρ小于0的数据点z(xj)求平均后得到权重向量wm;
其中,xj为信号特征集X的数据,z(xj)为特征集Z中xj的对应项;
步骤3.5、通过随机梯度下降方法计算w和wm间新的权重向量wnew,再用wnew更新权重向量w;
步骤3.6、重复步骤3.3至步骤3.5,直至K次迭代后w基本趋于稳定,记w为最优权重向量w*,并根据黄金分割线搜索计算出最优权重向量w*对应的最优分离间隔ρ*;
其中,最优权重向量w*以及最优分离间隔ρ*为训练好的模型参数;
步骤4、对特征测试集Xt进行随机傅里叶变换并进行分类,具体为:
步骤4.1、对特征测试集Xt进行随机傅里叶特征变换,根据公式(1)得到随机傅里叶特征变换,得到测试集Zt;
步骤4.2、根据步骤3训练得到的w*、ρ*计算w*zt(xti)-ρ*的结果,记为P;
其中,xti为特征测试集Xt中的第i个元素,zt(xti)为xti进行随机傅里叶特征变换后测试集Zt中的元素;
步骤4.3、根据步骤4.2得到P的元素值进行判断,具体为:若P(v)≥0,则特征测试集Xt中第v个元素对应的待分类数据与训练集数据是同类;否则,若P(v)<0,则特征测试集Xt中第v个元素对应的待分类数据与训练集数据是异类。
2.依据权利要求1所述的一种基于信道测量的分类方法,其特征在于:步骤1中,接收机接收的信号包括不同极化角度以及小型射频收发设备存在与否的信号,极化角度包括±90°、±45°以及0°。
3.依据权利要求2所述的一种基于信道测量的分类方法,其特征在于:步骤2中,特征提取方法,包括:对接收信号进行小波熵以及自相关系数提取。
4.依据权利要求3所述的一种基于信道测量的分类方法,其特征在于:步骤3中的权重向量特征空间的分离超平面的法向量;分离间隔为分离面和坐标原点的间隔。
5.依据权利要求1所述的一种基于信道测量的分类方法,其特征在于:步骤3.5中,用wnew更新权重向量w,即令w=wnew。
6.依据权利要求5所述的一种基于信道测量的分类方法,其特征在于:步骤3.6中,K的取值范围大于15小于50,基本趋于稳定的条件为w的模差值小于0.0001。
7.依据权利要求1所述的一种基于信道测量的分类方法,其特征在于:步骤4.2中,P的维数为1×nt;nt为特征测试集Xt中元素的数量。
8.依据权利要求7所述的一种基于信道测量的分类方法,其特征在于:步骤4.3中,v的取值范围为1到nt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084922.1A CN114531324B (zh) | 2021-09-16 | 2021-09-16 | 一种基于信道测量的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084922.1A CN114531324B (zh) | 2021-09-16 | 2021-09-16 | 一种基于信道测量的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114531324A CN114531324A (zh) | 2022-05-24 |
CN114531324B true CN114531324B (zh) | 2023-07-25 |
Family
ID=81618674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111084922.1A Active CN114531324B (zh) | 2021-09-16 | 2021-09-16 | 一种基于信道测量的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114531324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225432B (zh) * | 2022-07-15 | 2023-05-16 | 军工保密资格审查认证中心 | 一种AmBC的正交时频空间调制LS信道估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302217A (zh) * | 2018-12-06 | 2019-02-01 | 玉林师范学院 | 一种高效的mimo系统发射天线选择方法 |
CN109299698A (zh) * | 2018-09-30 | 2019-02-01 | 北京交通大学 | 一种基于支持向量机的无线信道场景识别方法 |
CN110381002A (zh) * | 2019-07-18 | 2019-10-25 | 黄山市上光科技有限公司 | 一种基于svm的qam-ofdm均衡算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548136A (zh) * | 2016-10-19 | 2017-03-29 | 中科院成都信息技术股份有限公司 | 一种无线信道场景分类方法 |
US10872209B2 (en) * | 2018-10-13 | 2020-12-22 | Massachusetts Institute Of Technology | Methods and apparatus for radio frequency sensing in diverse environments |
US11675066B2 (en) * | 2019-08-08 | 2023-06-13 | Syracuse University | Motion detection and classification using ambient wireless signals |
CN111275003B (zh) * | 2020-02-19 | 2023-08-01 | 煤炭科学研究总院 | 基于类最优高斯核多分类支持向量机的微震信号识别方法 |
CN112422213B (zh) * | 2020-11-11 | 2022-06-14 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
-
2021
- 2021-09-16 CN CN202111084922.1A patent/CN114531324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299698A (zh) * | 2018-09-30 | 2019-02-01 | 北京交通大学 | 一种基于支持向量机的无线信道场景识别方法 |
CN109302217A (zh) * | 2018-12-06 | 2019-02-01 | 玉林师范学院 | 一种高效的mimo系统发射天线选择方法 |
CN110381002A (zh) * | 2019-07-18 | 2019-10-25 | 黄山市上光科技有限公司 | 一种基于svm的qam-ofdm均衡算法 |
Non-Patent Citations (4)
Title |
---|
Orthogonality Deficiency of Massive MIMO Channels: Distribution and Relationship With Performance;Jihua Lu;《IEEE Signal Processing Letters 》;全文 * |
可见光定位系统中扩展LED ID的双频率或运算调制方法;冯立辉;《光学技术》;全文 * |
基于深度信念网络的无线信道二分查找方法;毛勇华;代兆胜;桂小林;;计算机工程(07);全文 * |
基于随机森林算法的信道场景分类模型研究;陈能美;刘晓静;;重庆理工大学学报(自然科学)(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114531324A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Survey on CSI-based indoor positioning systems and recent advances | |
Wu et al. | A deep neural network-based indoor positioning method using channel state information | |
Ruan et al. | Tagtrack: Device-free localization and tracking using passive rfid tags | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
CN110636466A (zh) | 一种机器学习下基于信道状态信息的WiFi室内定位系统 | |
CN109375154A (zh) | 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法 | |
US20220207250A1 (en) | Rfid tag quantity estimation system, rfid tag quantity estimation method, and processor-readable medium | |
CN114531324B (zh) | 一种基于信道测量的分类方法 | |
Zhai et al. | A new sense-through-foliage target recognition method based on hybrid differential evolution and self-adaptive particle swarm optimization-based support vector machine | |
Tsai et al. | Refined autoencoder-based CSI hidden feature extraction for indoor spot localization | |
Zhai et al. | A novel sense-through-foliage target recognition system based on sparse representation and improved particle swarm optimization-based support vector machine | |
Wu et al. | Super-resolution TOA and AOA estimation for OFDM radar systems based on compressed sensing | |
Yao et al. | Exploring tag-free rfid-based passive localization and tracking via learning-based probabilistic approaches | |
CN111523571B (zh) | 一种用于分布式大规模多天线系统的半监督学习定位方法 | |
Gao et al. | Supervised Contrastive Learning‐Based Modulation Classification of Underwater Acoustic Communication | |
Ren et al. | Radar emitter signal classification based on mutual information and fuzzy support vector machines | |
Gao et al. | Extreme learning machine ensemble for CSI based device-free indoor localization | |
Fan et al. | Multiple object activity identification using RFIDs: A multipath-aware deep learning solution | |
Xie et al. | A novel method for few-shot specific emitter identification in non-cooperative Scenarios | |
Chu et al. | SA-Loc: Scenario adaptive localization in highly dynamic environment using adversarial regressive domain adaptation | |
Zhou et al. | Specific emitter identification via feature extraction in Hilbert-Huang transform domain | |
CN105204018B (zh) | 一种利用多帧信息的二维doa跟踪方法 | |
CN110543896B (zh) | 一种基于半监督朴素贝叶斯的异构众包指纹标注方法 | |
Mingqiu et al. | Radar signal feature extraction based on wavelet ridge and high order spectral analysis | |
Mingqiu et al. | Classification of radar signals using time-frequency transforms and fuzzy clustering |
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 |