CN114841211A - 基于频域数据增强扩充的无人机时频图谱数据库构建方法 - Google Patents
基于频域数据增强扩充的无人机时频图谱数据库构建方法 Download PDFInfo
- Publication number
- CN114841211A CN114841211A CN202210540122.4A CN202210540122A CN114841211A CN 114841211 A CN114841211 A CN 114841211A CN 202210540122 A CN202210540122 A CN 202210540122A CN 114841211 A CN114841211 A CN 114841211A
- Authority
- CN
- China
- Prior art keywords
- time
- unmanned aerial
- frequency
- aerial vehicle
- matrix
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F2218/08—Feature extraction
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于频域数据增强扩充的无人机时频图谱数据库构建方法,其实现的步骤为:采集无人机信号;构造时频矩阵;构造初始时频矩阵数据库;利用频域数据增强方法扩充时频数据库;利用初始数据库中时频矩阵训练残差网络ResNet;利用扩充后的数据库测试ResNet。本发明解决了采集的数据适用范围窄,受特定任务所限构建的无人机时频图谱数据库缺乏部分信道下的无人机时频图谱样本神经网络无法训练的问题。本发明构建的数据库具有样本充足可直接用于无人机识别中,扩充无人机时频图谱后无人机识别任务适用性更加广泛的优点。
Description
技术领域
本发明属于信号处理技术领域,更进一步涉及无人机目标识别技术领域中的一种基于频域数据增强扩充的无人机时频图谱数据库构建方法。本发明通过数据增强构建了可以用于识别无人机型号的无人机时频图谱数据库,可用于微型无人机、轻型无人机、小型无人机目标的识别系统中,为识别系统提供无人机时频图谱数据库。
背景技术
采集不同款式无人机的通信信号,经过短时傅里叶变换STFT(Short TimeFourier Transformation)生成的时频图谱包含无人机纹理各不相同,常用于无人机目标识别与分类任务中,因此无人机时频图谱在无人机目标识别具有显著作用。目前,每次都需要采集无人机信号来生成无人机时频图谱,并将无人机时频图谱划分为训练集和测试集来进行无人机识别与分类,这种方式极大的消耗人力和物力成本,而且生成的无人机时频图谱仅适用于特定任务导致数据适用范围较窄。其次,由于无人机时频图谱样本较少,导致分类系统的识别性能较差。
郝云飞在其发表的论文“基于深度学习的无人机信号检测与识别技术研究”(国防科学技术大学硕士学位论文2022年2月)中公开了一种基于短时傅里叶变换的无人机图谱识别方法。该方法首先是在近似无噪的暗室对通过人为地控制信号采集装备的打开和关闭,采集所有操作信道的纯净无人机信号。其次,对纯净的无人机数据进行短时傅里叶变换生成时频图谱。然后,对无人机图谱划分训练集和测试集。最后,利用区域卷积神经网络R-CNN(Regions with CNN features)进行目标识别得到识别结果。虽然该方法采集纯净的无人机信号消除了干扰信号对于识别性能的影响,并且深度学习对于图像分类具有显著作用,所以采用短时傅里叶变换生成的时频图谱识别准确率更高。但是,该方法仍然存在的不足之处是,该方法每次进行无人机识别时需要采集无人机信号生成无人机时频图谱,极大的消耗人力和物力,而且生成的无人机时频图谱仅适用于由采集数据的无人机所限定的特定任务,导致数据适用范围较窄。
中国人民解放军63892部队在其申请的专利文献“一种基于深度学习的无人机测控信号高速识别方法”(专利申请号:202010481250.7,申请公布号:CN 111709329A)中公开了一种基于无人机测控信号的无人机识别方法。该方法的实现步骤为,1)获取测控信号并采用短时傅里叶变换生成时频图谱;2)将生成时频图谱进行类别标注并划分为训练集和测试集;3)采用无人机数据集,利用卷积神经网络CNN(Convolutional Neural Networks)进行目标识别得到识别结果。虽然采集不同款式无人机的测控信号,经过短时傅里叶变换生成的时频图谱可用于无人机目标识别。但是,该方法仍然存在的不足之处是,由于无人机时频图谱样本受特定任务所限样本少,导致分类系统的识别性能较差。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于频域数据增强扩充的无人机时频图谱数据库构建方法。用于解决无人机根据特定任务采集的数据适用范围窄的问题,以及无人机时频图谱样本受特定任务所限样本少,分类系统的识别性能差的问题。
实现本发明目的的思路是:本发明构建的无人机时频图谱数据库中包含至少20类无人机时频图谱,而每一类别又包含有10000个样本,使得在执行无人机识别任务时,可以实时直接选取数据库中已包含的任务所需要的无人机样本,节约了采集所需要的人力和物力成本,拓宽了数据使用时的适用范围。其次,本发明在构建的无人机时频图谱数据库的基础上,还可以经过频域数据增强技术,对于构建的无人机时频图谱数据库中的样本进行自动扩充,由此采用无人机时频图谱样本执行不同无人机操作信道下无人机分类任务时,构建的无人机时频图谱数据库样本少并且缺乏部分信道下的无人机时频图谱样本,导致缺乏输入样本时神经网络无法训练的问题。
本发明的具体步骤如下:
步骤1,采集无人机信号:
分别采集至少20种类型的无人机,每种类型至少有一架无人机,每架无人机在每种信道下采集长度为K的一段长采样序列,K=3×108;
步骤2,构造时频矩阵:
对每段长采样序列以L为间隔进行均匀分割,得到每段长采样序列分割后的x短采样序列,L=131072个元素,x=228881个;对每个短采样序列进行STFT变换,得到每个短采样序列对应的时频矩阵;
步骤3,构造初始时频图谱数据库:
步骤3.1,将时频矩阵中所属无人机的种类标签标记为V、所在的信道标签标记为C、时频矩阵在每种无人机的每个信道的个数标签标记为O,按照V_C_O的格式为每个时频矩阵命名;
步骤3.2,根据所属无人机的种类,将同种类型无人机的时频矩阵存入相同的文件夹下,每个文件夹的名称用文件夹中存储的时频矩阵所属的无人机类型对应的标签命名,将文件夹中时频矩阵地址与识别标签存入初始时频图谱数据库中,完成初始时频图谱数据库的构建;
步骤4,利用频域数据增强方法扩充初始时频图谱数据库:
步骤4.1,截取初始时频图谱数据库中,每个信道下的每个时频矩阵所在信道下所对应的列,将截取的列中每个元素与其余信道对应列中的每个元素一一对应的进行交换;
步骤4.2,用交换前时频矩阵的类别标签V和所在信道C的取值的命名方式,对交换后的时频矩阵重新命名;
步骤4.3,用重新命名后时频矩阵名字中所属无人机的种类,将同种类型无人机的时频矩阵存入相同的文件夹下,用文件夹中存储重新命名后时频矩阵所属的无人机类型对应的标签为每个文件夹命名,将文件夹中时频矩阵地址与识别标签存入时频图谱数据库中,得到频域数据增强后,各类别和各个信道下扩充样本后的时频图谱数据库。
本发明与现有技术相比较具有以下优点:
第一,由于本发明构建了一个可以实时获取无人机数据的、无人机时频图谱样本众多的无人机时频图谱数据库。数据库中包含至少20类无人机,每一类别又包含有10000个样本,克服了现有技术在执行无人机识别任务时,需要大量时间采集无人机信号无法实时解决无人机识别任务,以及采集数据耗费了大量人力、物力成本的问题。使得本发明具有可实时获取无人机数据解决无人机识别任务,而且数据库中包含无人机类别众多、时频图谱样本充足可直接用于无人机检测与识别系统中的优点。
第二,由于本发明构建了一个能扩充无人机时频图谱样本的无人机时频图谱数据库,克服了采用无人机时频图谱样本执行不同无人机操作信道下无人机分类任务时,构建的无人机时频图谱数据库样本少并且缺乏部分信道下的无人机时频图谱样本,导致缺乏输入样本时神经网络无法训练的问题。使得本发明具有扩充无人机时频图谱,以及生成的样本种类众多,可用于解决各种针对特定信道的无人机识别任务适用性更加广泛的优点。
附图说明
图1是本发明的流程图;
图2是本发明的场景图;
图3是本发明的无人机识别性能仿真图。
具体实施方式
下面结合附图和实施例,对本发明做进一步的详细描述。
参照图1和实施例,对本发明的实现步骤做进一步的详细描述。
步骤1,采集无人机信号。
步骤1.1,搭建无人机工作环境和信号采集装备,为后续的信号采集工作做准备。
本发明的实施例中选取了20种不同类型的20架无人机,每种类型对应一架无人机。每架无人机都工作在两个信道上,分别为5.8GHz下的153信道和161信道,无人机的型号与种类及其对应信道如表1所示。
表1.无人机时频数据库中样本信息表
参照图2对本发明的实施例中信号采集装备和无人机工作原理作进一步的描述。
将表1中每架无人机,放置在距离信号采集装备高度100米处。图2中的通用软件无线电外设USRP X310(Universal Software Radio Peripheral)经光纤与电脑连接,电脑中的GNU radio平台控制USRP X310,将接收的每个无人机的通信信号存储到电脑内存中。
步骤1.2,分别采集153信道和161信道下每架无人机的长采样序列。
第一步,使用GNU Radio控制USRP,以100Msa/s的采样率,采集每架无人机在153信道下的无人机通信信号,持续5分钟,得到20架无人机采样长度均为K的长采样序列,并存储到电脑内存中。
第二步,使用GNU Radio控制USRP,以100Msa/s的采样率,采集每架无人机在161信道下的无人机通信信号,持续5分钟,得到20架无人机采样长度均为K的长采样序列,并存储到电脑内存中。
步骤2,构造时频矩阵。
对每段长采样序列以L为间隔进行均匀分割,得到每段长采样序列分割后的x个短采样序列。对每个短采样序列进行STFT变换,得到每个短采样序列对应的时频矩阵。
在本发明的实施例中,L=131072个元素,x=228881个,按照下式,对每个短采样序列进行STFT变换:
其中,表示第f个短采样序列经过STFT变换后生成的m行n列的时频矩阵,1≤f≤228881,0≤m≤M-1,0≤n≤N-1,M表示STFT变换中时域的维度,M=256,N表示STFT变换中频域的维度,N=512,Σ表示求和操作,yf(i)表示第f个短采样序列中第i个元素,w(·)表示汉明窗函数,d表示STFT变换滑动的长度,d=N,N表示STFT变换中频域的维度,该维度对应时频矩阵的列数,e(·)表示以自然常数e为底的指数操作,j表示虚数单位符号,π表示圆周率。
步骤3,构造初始时频矩阵数据库。
根据时频矩阵所属无人机的种类V、所在信道C下和所处时频矩阵第O个,按照V_C_O的格式为每个时频矩阵命名,将命名后的每个时频矩阵,根据命名中V的数字分别存入与之对应的以V为名称的文件夹下,将文件夹中时频矩阵地址与识别标签存入初始时频图谱数据库中,最终得到初始时频图谱数据库。
在本发明的实施例中,根据无人机的种类、信道信息和时频矩阵个数将每个时频图谱按照V_C_O的格式命名,用以区分不同的无人机型号在不同的信道下的每个时频图谱,其中V表示20种无人机的识别标签,0≤V≤19,C表示无人机的153和161信道,其中C为0代表149信道、C为1代表153信道,C为2代表157信道,C为3代表161信道,C为4代表165信道,O表示一款无人机在某一信道下的共228881个时频矩阵,1≤O≤228881,将命名后的每个时频矩阵根据命名中V对应的数字分别存入以V为名称的文件夹下,将文件夹中每个时频矩阵的绝对路径地址与文件夹名存入时频数据库中。
以表1中的“DJI Mini 2”为例,对与其对应的时频图谱按照V_C_O的格式命名加以说明:将“DJI Mini 2”种无人机定义为第2种无人机,识别标签V标记为2,由于该无人机所处161信道属于第3个信道,故将C标记为3,无人机时频矩阵为第8个时频矩阵,将O标记为8,因此得到DJI Mini 2在161信道下的第8个时频矩阵的命名为2_3_8。
步骤4,扩充初始时频数据库。
步骤4.1,选取初始时频图谱数据库中每个信道下的每个时频矩阵所在信道下所对应的列,将所在信道对应的列与其余信道对应列中的每个元素一一对应的进行交换;
步骤4.2,用交换前时频矩阵的类别标签V和所在信道C的取值的命名方式,对交换后的时频矩阵重新命名,用重新命名后时频矩阵名字中所属无人机的种类,将同种类型无人机的时频矩阵存入相同的文件夹下,用文件夹中存储重新命名后时频矩阵所属的无人机类型对应的标签为每个文件夹命名;
步骤4.3,将重新存入的文件夹中每个时频矩阵的绝对路径地址与文件夹名存入时频数据库,最终得到频域数据增强后,各类别和各个信道下,扩充的时频图谱数据库。
在本发明的实施例中,以表1中的“DJI Mini 2”为例,选取时频图谱数据库中的153信道下,无人机类别标签为2的时频图谱数据库中的每个时频矩阵。根据表2将153信道所对应的105-210列与时频矩阵的5-110、205-310、305-410、405-510列每个元素一一对应进行互换,分别得到无人机类别为1时每个时频矩阵交换后的149、157、161、165信道下的时频矩阵。根据类别标签2和交换后的时频矩阵所在信道149、157、161、165对应的数字标记C,将第O个时频矩阵重新命名为2_C_O,将重新命名后的每个时频矩阵根据命名中2的数字重新存入以2为名称的文件夹下,将重新存入的文件夹中每个时频矩阵的绝对路径地址与文件夹名存入时频数据库,最终得到频域数据增强后第2类、149、157、161、165信道下扩充228881样本的时频图谱数据库。
表2无人机信道对应时频矩阵范围信息表
步骤5,利用初始时频图谱数据库中时频矩阵训练残差网络ResNet(ResidualNetwork)。
步骤5.1,随机选取初始时频图谱数据库中161信道下,类别标签为9-13的占总数80%行,共183104个样本的绝对路径地址与文件夹名组成训练集,将训练集中的每个样本输入到ResNet网络中利用下述损失函数的损失值迭代更新神经元的参数,直至损失函数收敛为止,得到训练好的ResNet网络。
其中,Loss表示损失函数的损失值,Nk表示训练集中样本的总数,ii和MM均表示训练集中样本的序号,cc表示ResNet网络输出无人机类别标签的序号,1≤ii≤183104,1≤MM≤183104,1≤cc≤20,Σ表示求和操作,log表示以自然常数10为底的对数操作,yiicc表示符号函数,当样本序号ii的真实类别序号等于网络输出无人机类别序号cc时,函数值为1,否则,函数值为0,piicc表示观测样本序号为ii时,属于类别序号cc的预测概率。
步骤5.2,将样本库中剩余20%的样本的绝对路径地址与文件夹名组成测试集,输入训练后的ResNet网络测试,得到的识别准确率制作成混淆矩阵。
在本发明实施例中,利用初始时频图谱数据库中161信道下类别标签为9-13的时频图谱,按照占总数228881个80%的绝对路径地址与文件夹名组成训练集,占总数20%的绝对路径地址与文件夹名组成测试集。将训练集中所有的时频矩阵,输入到Python软件数据库的ResNet网络中,迭代更新神经元的参数,当达到最大训练周期max_epoch=100时完成训练,将测试集输入到训练好的ResNet网络中,统计输出类别序号等于无人机真实序号的个数,将统计后的结果除以测试集样本总数得到识别率,并将每类识别率制作成混淆矩阵混淆矩阵的结构如图3(a)所示,其中w行和q列取值1-5代表5类无人机,Hwq表示当测试是类别w时识别为q的识别率。
步骤6,利用扩充后的时频图谱数据库测试ResNet。
从扩充后的时频图谱数据库中,随机选取20%的样本的绝对路径地址与文件夹名组成测试集,输入到训练好的ResNet网络中,输出每类无人机的类别序号,利用公式计算各类无人机的识别率,将所有类别无人机的识别率制作成混淆矩阵,其中,PV表示ResNet网络输出的所有无人机类别序号中属于第V类无人机类别的总数,Q表示测试集样本的总数,TV表示识别为第V类无人机类别的准确率。
在本发明实施例中,利用时频图谱数据库中,扩充数据库中161信道下类别标签为9-13的时频图谱,随机选取占总数20%的绝对路径地址与文件夹名组成测试集。将测试集输入到训练好的ResNet网络中,统计输出类别序号等于无人机真实序号的个数,将每类统计后的结果除以测试集样本总数得到识别率,并将识别率制作成混淆矩阵结果如图3(b)所示。
下面结合仿真实验对本发明的效果做进一步的说明:
1、仿真条件:
本发明的仿真实验的硬件平台为:Intel(R)Core(TM)i7-8700k CPU,处理器的主频率为3.20GHz,内存16GB,一台USRP X310和光纤4条。
本发明的仿真实验的软件平台为:GNU radio软件平台、MATLAB R2020a软件平台、Python 3.7软件平台。
2、仿真内容与结果分析:
为了验证本发明构建的无人机时频图谱数据库的质量,利用Python 3.7软件平台中数据库的残差神经网络ResNet(Residual Network)作为分类器,对无人机的种类进行分类。随机选取初始时频图谱数据库中6种不同类型无人机80%的样本的绝对路径地址与文件夹名组成训练集和20%的样本的绝对路径地址与文件夹名组成测试集,将训练集输入到ResNet分类器中,经过100次迭代训练后得到训练好的ResNet分类器。将测试集输入到训练好的ResNet分类器中,输出ResNet分类器分别对测试集中每个样本所属类别的预测,计算ResNet分类器对测试集中每个样本预测的类别与该样本的类别相符的测试样本个数与测试样本总数的比值,得到6种无人机的识别准确率如图3(a)初始时频数据库的混淆矩阵所示。从扩充后的数据库中,随机选取时频图谱数据库中6种不同类型无人机20%的样本的绝对路径地址与文件夹名组成测试集,将测试集输入到训练好的ResNet分类器中,计算ResNet分类器对测试集中每个样本预测的类别与该样本的类别相符的测试样本个数与测试样本总数的比值,得到6种无人机的识别准确率如图3(b)扩充时频数据库的混淆矩阵所示。目标识别准确率越高,代表构建的无人机时频图谱数据库的质量越好。
图3中的横坐标,从左到右分别表示6种无人机的预测类型和预测为没有无人机信号的7种类别,纵坐标从上到下,分别表示6种无人机的真实类型和没有无人机信号的7种类别。图3的矩阵中元素的值,分别表示纵坐标上每个类别预测为横坐标上的的每个类别的概率,图3中黑底区域标出的对角线上的值,分别表示7种类别正确预测的概率,识别的概率用比值小数表示。
通过对比图3(a)和图3(b)中的混淆矩阵发现,两个混淆矩阵对应行列上每个元素的准确率相近且大于99%,使用初始时频图谱数据库样本的准确率和扩充时频图谱数据库样本的准确率相近且高,因此本发明的方法可以实现有效估计,满足无人机通信信号识别的工程要求。由此可见,本发明的方法与现有技术相比,在执行无人机识别任务时,需要大量时间采集无人机信号无法实时解决无人机识别任务,以及采集数据耗费了大量人力、物力成本以及构建的无人机时频图谱数据库样本少并且缺乏部分信道下的无人机时频图谱样本,导致缺乏输入样本时神经网络无法训练的问题。
本发明的方法可用于微型无人机、轻型无人机、小型无人机目标的识别场景。
需要说明的是,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (2)
1.一种基于频域数据增强扩充的无人机时频图谱数据库构建方法,其特征在于,将无人机信号经过短时傅里叶变换STFT构造时频矩阵,由时频矩阵所属无人机的种类、所在信道下和所处时频矩阵的数目生成初始时频图谱数据库;通过对频域数据增强截取初始时频图谱数据库中每个时频矩阵所在信道下所对应的列,将所在信道对应的列与其余信道对应的列中的每个元素一一对应的进行交换,扩充初始时频数据库;该数据库构建方法的步骤包括如下:
步骤1,采集无人机信号:
分别采集至少20种类型的无人机,每种类型至少有一架无人机,每架无人机在每种信道下采集长度为K的一段长采样序列,K=3×108;
步骤2,构造时频矩阵:
对每段长采样序列以L为间隔进行均匀分割,得到每段长采样序列分割后的x短采样序列,L=131072个元素,x=228881个;对每个短采样序列进行STFT变换,得到每个短采样序列对应的时频矩阵;
步骤3,构造初始时频图谱数据库:
步骤3.1,将时频矩阵中所属无人机的种类标签标记为V、所在的信道标签标记为C、时频矩阵在每种无人机的每个信道的个数标签标记为O,按照V_C_O的格式为每个时频矩阵命名;
步骤3.2,根据所属无人机的种类,将同种类型无人机的时频矩阵存入相同的文件夹下,每个文件夹的名称用文件夹中存储的时频矩阵所属的无人机类型对应的标签命名,将文件夹中时频矩阵地址与识别标签存入初始时频图谱数据库中,完成初始时频图谱数据库的构建;
步骤4,利用频域数据增强方法扩充初始时频图谱数据库:
步骤4.1,截取初始时频图谱数据库中,每个信道下的每个时频矩阵所在信道下所对应的列,将截取的列中每个元素与其余信道对应列中的每个元素一一对应的进行交换;
步骤4.2,用交换前时频矩阵的类别标签V和所在信道C的取值的命名方式,对交换后的时频矩阵重新命名;
步骤4.3,用重新命名后时频矩阵名字中所属无人机的种类,将同种类型无人机的时频矩阵存入相同的文件夹下,用文件夹中存储重新命名后时频矩阵所属的无人机类型对应的标签为每个文件夹命名,将文件夹中时频矩阵地址与识别标签存入时频图谱数据库中,得到频域数据增强后,各类别和各个信道下扩充样本后的时频图谱数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540122.4A CN114841211A (zh) | 2022-05-17 | 2022-05-17 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540122.4A CN114841211A (zh) | 2022-05-17 | 2022-05-17 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841211A true CN114841211A (zh) | 2022-08-02 |
Family
ID=82569114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540122.4A Pending CN114841211A (zh) | 2022-05-17 | 2022-05-17 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260734A (zh) * | 2023-03-23 | 2023-06-13 | 南京航空航天大学 | 面向频谱侦察的无人机集群自适应数据采集方法和系统 |
-
2022
- 2022-05-17 CN CN202210540122.4A patent/CN114841211A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260734A (zh) * | 2023-03-23 | 2023-06-13 | 南京航空航天大学 | 面向频谱侦察的无人机集群自适应数据采集方法和系统 |
CN116260734B (zh) * | 2023-03-23 | 2023-10-13 | 南京航空航天大学 | 面向频谱侦察的无人机集群自适应数据采集方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
Wilf et al. | Computer vision cracks the leaf code | |
CN112052755B (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN112613501A (zh) | 信息审核分类模型的构建方法和信息审核方法 | |
CN110427893A (zh) | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 | |
CN110457677B (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN114841211A (zh) | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 | |
Orduyilmaz et al. | Machine learning-based radar waveform classification for cognitive EW | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN104699781B (zh) | 基于双层锚图散列的sar图像检索方法 | |
CN114324336B (zh) | 一种大豆全生育期生物量无损测量方法 | |
Guillaume Blanchet et al. | A new cost‐effective approach to survey ecological communities | |
CN114528876A (zh) | 基于改进原型网络的小样本信号自动调制识别方法 | |
CN115270851A (zh) | 基于无人机通信信号数据增强的时频图谱重构方法 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN113988226B (zh) | 数据脱敏有效性验证方法、装置、计算机设备及存储介质 | |
CN116385957A (zh) | 一种x光图像违禁品检测方法、装置、设备及介质 | |
CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN115470873B (zh) | 一种雷达辐射源识别方法与系统 | |
CN117076872B (zh) | 一种智能化道路设备信息采集的测试方法及系统 | |
CN111428251B (zh) | 数据处理方法和装置 | |
Min et al. | Specific Emitter Identification Based on Deep Dense Feature Network |
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 |