CN114997047B - 一种基于循环生成对抗网络的电磁频谱信息补全方法 - Google Patents
一种基于循环生成对抗网络的电磁频谱信息补全方法 Download PDFInfo
- Publication number
- CN114997047B CN114997047B CN202210581309.9A CN202210581309A CN114997047B CN 114997047 B CN114997047 B CN 114997047B CN 202210581309 A CN202210581309 A CN 202210581309A CN 114997047 B CN114997047 B CN 114997047B
- Authority
- CN
- China
- Prior art keywords
- countermeasure network
- sample
- missing
- electromagnetic spectrum
- input
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 49
- 230000000295 complement effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012217 deletion Methods 0.000 claims description 18
- 230000037430 deletion Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013508 migration Methods 0.000 abstract description 4
- 230000005012 migration Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000630 rising effect Effects 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于循环生成对抗网络的电磁频谱信息补全方法，通过将循环生成对抗网络的风格迁移效果运用到分布迁移中，即通过真实样本区域与缺失样本区域的判别器提取真实样本的分布特征，并且通过两个区域的生成器将其分布特征应用于对应的缺失样本，最终达到电磁频谱数据补全的效果。
Description
技术领域
本发明属于电磁频谱态势感知技术领域，更为具体地讲，涉及一种基于循环生成对抗网络的电磁频谱信息补全方法。
背景技术
随着信息科技在军事领域的迅猛发展，网络电磁空间作为一种全新的作战领域，已成为继陆、海、空、天之后的第五维作战空间。作为网络电磁空间的重要组成部分，电磁频谱是指挥控制、电子对抗、敌我识别等信息的共同载体，是连接陆海空天跨域协同作战的纽带。因此电磁频谱态势感知是监测和控制网络电磁空间的重要基础，并可以通过控制电磁频谱进一步控制其他作战域。而通过构建电磁频谱地图，可以获取电磁环境中的电磁辐射源、电磁传播途径、空间环境实体等信息，从而实现对电磁频谱态势的整体感知。因此，构建电磁频谱地图对于电磁态势感知具有重要意义。
由于地理位置、成本等因素，在实际测量中无法获取区域内所有位置的频谱信息，无法覆盖感兴趣区域所有需要检测的位置。因此，如何利用局部的频谱信息来补全构建出该区域完整的电磁频谱地图，具有很重要的学术和应用研究价值。
常见的数据补全方法有：(1)、插值法；(2)生成对抗网络；(3)矩阵补全。上述方法在均匀缺失的理想情况下都有较好的补全效果。但是在实际的电磁环境中，由于测量设备本身的限制，导致部分区域的数据无法获取，因此仅能获取在空间中存在整块缺失的数据。而利用上述算法所补全出的电磁频谱数据误差很大，补全效果很差。因此，如何提升块缺失下的补全效果成为电磁频谱地图构建中一个待研究的现实问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于循环生成对抗网络的电磁频谱信息补全方法，在电磁频谱信息数据块缺失下，快速、准确的实现电磁频谱信息补全。
为实现上述发明目的，本发明一种基于循环生成对抗网络的电磁频谱信息补全方法，其特征在于，包括以下步骤：
(1)、样本数据生成；
(1.1)、通过测量设备或者仿真软件生成完整的电磁频谱数据，然后再进行归一化处理，得到真实样本集X；
(1.2)、对完整的电磁频谱数据先进行块缺失处理，再进行归一化处理，得到缺失样本集F；
(2)、构建循环生成对抗网络结构；
循环生成对抗网络结构由真实样本区域到缺失样本区域的生成对抗网络和缺失样本区域到真实样本区域的生成对抗网络组成，每个生成对抗网络又包含一个生成器和一个判别器；
其中，真实样本区域到缺失样本区域的生成对抗网络的结构为：
Xpre＝G1(X),
Dxpre＝D1(Xpre),Df＝D1(F)
其中，G1表示真实样本区域的生成器，Xpre表示X通过G1的生成值，D1表示真实样本区域的判别器，Dxpre表示Xpre通过D1生成的判别矩阵，Df表示F通过D1生成的判别矩阵；
缺失样本区域到真实样本区域的生成对抗网络的结构为：
Fpre＝G2(F),
Dfpre＝D2(Fpre),Dx＝D2(X)
其中，G2表示缺失样本区域的生成器，Fpre表示F通过G2的生成值，D2表示缺失样本区域的判别器，Dfpre表示Fpre通过D2生成的判别矩阵，Dx表示X通过D2生成的判别矩阵；
(3)、训练循环生成对抗网络并得到补全模型；
(3.1)、在真实样本集X和缺失样本集F中各随机提取N个样本组成样本对，将N个样本对作为一个训练批次输入至循环生成对抗网络；
(3.2)、其中，当真实样本Xi输入到G1中得到对应的Xprei，再将Xprei输入到D1中得到对应的判别矩阵Dxprei；当缺失样本Fi输入到G2中得到对应的Fprei，再将Fprei输入到D2中得到对应的判别矩阵Dfprei；
(3.3)、计算生成器的损失函数值lossG；
其中，valid表示给定的真判别矩阵；
(3.4)、判断损失函数值lossG是否小于给定的阈值e，如果小于，则表示循环生成对抗网络收敛，训练结束并进入步骤(3.9)；否则，通过对lossG反向传播来更新两个生成器G1、G2的参数，然后进入步骤(3.5)；
(3.5)、将真实样本Xi再次输入到更新后的G1中得到对应的再将/>输入到D1中得到对应的判别矩阵/>当缺失样本Fi再次输入到更新后的G2中得到对应的再将/>输入到D2中得到对应的判别矩阵/>同时，将真实样本Xi直接输入到D2中得到对应的判别矩阵Dxi，将缺失样本Fi直接输入到D1得到对应的判别矩阵Dfi；
(3.6)、分别计算判别器D1、D2的损失函数值
其中，false表示给定的假判别矩阵；
(3.7)、通过对进行反向传播更新判别器D1、D2的参数，然后进行步骤(3.8)；
(3.8)、判断当前迭代次数是否到达设置的最大迭代次数，如果到达，则结束训练并进入步骤(3.9)；否则，返回步骤(3.1)进行下一批次训练；
(3.3)、保存训练完成后的生成器G2并作为补全模型；
(4)、电磁频谱数补全处理；
将缺失的电磁频谱数据输入到补全模型中生成完整的频谱数据。
本发明的发明目的是这样实现的：
本发明一种基于循环生成对抗网络的电磁频谱信息补全方法，通过将循环生成对抗网络的风格迁移效果运用到分布迁移中，即通过真实样本区域与缺失样本区域的判别器提取真实样本的分布特征，并且通过两个区域的生成器将其分布特征应用于对应的缺失样本，最终达到电磁频谱数据补全的效果。
同时，本发明一种基于循环生成对抗网络的电磁频谱信息补全方法还具有以下有益效果：
(1)、本发明考虑了一个通用的补全模型，该模型无需特定的缺失方式，即无需指定其为均匀缺失还是块缺失，这给实际的应用提供了很大的便利；
(2)、本发明与经典的生成对抗网络补全算法相比，由于本发明在其基础上增加了网络的循环，因此在分布的学习上更为专一，对于特定环境的频谱数据补全效果会更好。
附图说明
图1是本发明一种基于循环生成对抗网络的电磁频谱信息补全方法流程图；
图2是均匀缺失、块缺失、真实频谱数据可视化结果图；
图3是采样IDW插值、传统生成对抗网络以及本发明在均匀缺失下的补全图；
图4是IDW插值、传统生成对抗网络以及本发明在不同的均匀缺失率下的均方根误差对比曲线；
图5是IDW插值、传统生成对抗网络以及本发明在块缺失下的补全图；
图6是IDW插值、传统生成对抗网络以及本发明在不同的块缺失率下的均方根误差对比曲线。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。本发明对于不同频段的电磁频谱信息数据均可实现高效补全，下面以某一固定频段为例介绍。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种基于循环生成对抗网络的电磁频谱信息补全方法流程图。
在本实施例中，如图1所示，本发明一种基于循环生成对抗网络的电磁频谱信息补全方法，包括以下步骤：
S1、样本数据生成；
S1.1、通过测量设备或者仿真硬件生成完整的电磁频谱数据，然后再进行归一化处理，得到真实样本集X；在本实施例中，通过HFSS电磁仿真软件设计了圆波导喇叭天线，并以此天线在2.4GHz频段生成的空间电磁频谱数据作为真实样本集X；
S1.2、在现有技术中，电磁频谱数据的通用处理方式为均匀缺失处理，而本发明是对完整的电磁频谱数据先进行块缺失处理，再进行归一化处理，得到缺失样本集F；
S2、构建循环生成对抗网络结构；
循环生成对抗网络结构由真实样本区域到缺失样本区域的生成对抗网络和缺失样本区域到真实样本区域的生成对抗网络组成，每个生成对抗网络又包含一个生成器和一个判别器；
其中，真实样本区域到缺失样本区域的生成对抗网络的结构为：
Xpre＝G1(X),
Dxpre＝D1(Xpre),Df＝D1(F)
其中，G1表示真实样本区域的生成器，Xpre表示X通过G1的生成值，D1表示真实样本区域的判别器，Dxpre表示Xpre通过D1生成的判别矩阵，Df表示F通过D1生成的判别矩阵；
缺失样本区域到真实样本区域的生成对抗网络的结构为：
Fpre＝G2(F),
Dfpre＝D2(Fpre),Dx＝D2(X)
其中，G2表示缺失样本区域的生成器，Fpre表示F通过G2的生成值，D2表示缺失样本区域的判别器，Dfpre表示Fpre通过D2生成的判别矩阵，Dx表示X通过D2生成的判别矩阵；
S3、训练循环生成对抗网络并得到补全模型；
S3.1、在真实样本集X和缺失样本集F中各随机提取N个样本组成样本对，将N个样本对作为一个训练批次输入至循环生成对抗网络；在本实施例中，单个样本的规格为360x88，输入样本每个批次有16个，因此输入网络之间数据的规格为16x360x88。
S3.2、其中，当真实样本Xi输入到G1中得到对应的Xprei，再将Xprei输入到D1中得到对应的判别矩阵Dxprei；当缺失样本Fi输入到G2中得到对应的Fprei，再将Fprei输入到D2中得到对应的判别矩阵Dfprei；
S3.3、计算生成器的损失函数值lossG；
其中，valid表示给定的真判别矩阵；
S3.4、判断损失函数值lossG是否小于给定的阈值e＝0.001，如果小于，则表示循环生成对抗网络收敛，训练结束并进入步骤S3.9；否则，通过对lossG反向传播来更新两个生成器G1、G2的参数，然后进入步骤S3.5；
S3.5、将真实样本Xi再次输入到更新后的G1中得到对应的再将/>输入到D1中得到对应的判别矩阵/>当缺失样本Fi再次输入到更新后的G2中得到对应的再将/>输入到D2中得到对应的判别矩阵/>同时，将真实样本Xi直接输入到D2中得到对应的判别矩阵Dxi，将缺失样本Fi直接输入到D1得到对应的判别矩阵Dfi；
S3.6、分别计算判别器D1、D2的损失函数值
其中，false表示给定的假判别矩阵；
S3.7、通过对进行反向传播更新判别器D1、D2的参数，然后进行步骤S3.8；
S3.8、判断当前迭代次数是否到达设置的最大迭代次数epoch＝1000，如果到达，则结束训练并进入步骤S3.9；否则，返回步骤S3.1进行下一批次训练；
S3.9、保存训练完成后的生成器G2并作为补全模型；
S4、电磁频谱数据补全处理；
将缺失的电磁频谱数据输入到补全模型中生成完整的频谱数据。
在本实施例中，如图2所示，图中(a)、(b)、(c)给出了均匀缺失、块缺失、真实频谱数据可视化结果，从图中能看出均匀缺失仅仅是对原图进行一个均匀采样，而反观块缺失是随机取一块部分缺失，其结果更符合实际场景，也更有实际意义。
如图3所示，图3中(a)、(b)、(c)给出了IDW插值、传统生成对抗网络、本发明方法在均匀缺失下的补全效果图，(d)为真实样本示意图，从图中可以看出在均匀缺失的情况下，三种方法都能成功补全，但是本发明方法对补全后的伪影的消除上以及最终生成的图像的分辨率上都是优于其他方法；
图4中(a)、(b)、(c)给出了IDW插值、传统生成对抗网络、本发明方法在不同的均匀缺失率下的均方根误差对比曲线，从图中可以看出本发明方法在不同的缺失率下(20％...90％)其补全图相对于真实图的均方根误差都稳定在0.5以下，而反观其他两种方法，随着缺失率的提高，其均方根误差的上升很不稳定，并且上升的幅度很大，并且都远高于0.5，因此这个也表示本发明方法在均匀缺失上补全效果是远高于其他两种方法的；
如图5所示，图5中(a)、(b)、(c)给出了IDW插值、传统生成对抗网络、本发明方法在块缺失下的补全图，(d)为真实样本示意图；从图中能明显的看出在块缺失的情况下插值法与传统的生成对抗网络对于缺失部分的补全是存在许多伪影，其在块缺失部分的周围表现的更为明显，而反观本发明方法在全局上仍然保持着高分辨率以及逼真的补全效果；
图6中(a)、(b)、(c)给出了IDW插值、传统生成对抗网络、本发明方法在不同的块缺失率下的均方根误差对比曲线；从图中能看出，在块缺失下，插值法和传统的生成对抗网络的补全图与真实图之间的均方根误差在缺失率20％到90％之间都在0.4以上，并且上升幅度很大，而反观本发明方法，在缺失率达到70％之后时，其误差才上升到0.4，并且之后的上升幅度较缓，因此可以看出块缺失下，本发明方法的补全效果是优于其他两种方法。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于循环生成对抗网络的电磁频谱信息补全方法，其特征在于，包括以下步骤：
(1)、样本数据生成；
(1.1)、通过测量设备或者仿真软件生成完整的电磁频谱数据，然后再进行归一化处理，得到真实样本集X；
(1.2)、对完整的电磁频谱数据先进行块缺失处理，再进行归一化处理，得到缺失样本集F；
(2)、构建循环生成对抗网络结构；
循环生成对抗网络结构由真实样本区域到缺失样本区域的生成对抗网络和缺失样本区域到真实样本区域的生成对抗网络组成，每个生成对抗网络又包含一个生成器和一个判别器；
其中，真实样本区域到缺失样本区域的生成对抗网络的结构为：
Xpre＝G1(X),
Dxpre＝D1(Xpre),Df＝D1(F)
其中，G1表示真实样本区域的生成器，Xpre表示X通过G1的生成值，D1表示真实样本区域的判别器，Dxpre表示Xpre通过D1生成的判别矩阵，Df表示F通过D1生成的判别矩阵；
缺失样本区域到真实样本区域的生成对抗网络的结构为：
Fpre＝G2(F),
Dfpre＝D2(Fpre),Dx＝D2(X)
其中，G2表示缺失样本区域的生成器，Fpre表示F通过G2的生成值，D2表示缺失样本区域的判别器，Dfpre表示Fpre通过D2生成的判别矩阵，Dx表示X通过D2生成的判别矩阵；
(3)、训练循环生成对抗网络并得到补全模型；
(3.1)、在真实样本集X和缺失样本集F中各随机提取N个样本组成样本对，将N个样本对作为一个训练批次输入至循环生成对抗网络；
(3.2)、其中，当真实样本Xi输入到G1中得到对应的Xprei，再将Xprei输入到D1中得到对应的判别矩阵Dxprei；当缺失样本Fi输入到G2中得到对应的Fprei，再将Fprei输入到D2中得到对应的判别矩阵Dfprei；
(3.3)、计算生成器的损失函数值lossG；
其中，valid表示给定的真判别矩阵；
(3.4)、判断损失函数值lossG是否小于给定的阈值e，如果小于，则表示循环生成对抗网络收敛，训练结束并进入步骤(3.9)；否则，通过对lossG反向传播来更新两个生成器G1、G2的参数，然后进入步骤(3.5)；
(3.5)、将真实样本Xi再次输入到更新后的G1中得到对应的再将/>输入到D1中得到对应的判别矩阵/>当缺失样本Fi再次输入到更新后的G2中得到对应的/>再将/>输入到D2中得到对应的判别矩阵/>同时，将真实样本Xi直接输入到D2中得到对应的判别矩阵Dxi，将缺失样本Fi直接输入到D1得到对应的判别矩阵Dfi；
(3.6)、分别计算判别器D1、D2的损失函数值
其中，false表示给定的假判别矩阵；
(3.7)、通过对进行反向传播更新判别器D1、D2的参数，然后进行步骤(3.8)；
(3.8)、判断当前迭代次数是否到达设置的最大迭代次数，如果到达，则结束训练并进入步骤(3.9)；否则，返回步骤(3.1)进行下一批次训练；
(3.3)、保存训练完成后的生成器G2并作为补全模型；
(4)、电磁频谱数补全处理；
将缺失的电磁频谱数据输入到补全模型中生成完整的频谱数据。
2.根据权利要求书1所述的基于循环生成对抗网络的电磁频谱信息补全方法，其特征在于，所述valid与false满足：
其中，矩阵大小与对应判别器输出的判别矩阵相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581309.9A CN114997047B (zh) | 2022-05-26 | 2022-05-26 | 一种基于循环生成对抗网络的电磁频谱信息补全方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581309.9A CN114997047B (zh) | 2022-05-26 | 2022-05-26 | 一种基于循环生成对抗网络的电磁频谱信息补全方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114997047A CN114997047A (zh) | 2022-09-02 |
| CN114997047B true CN114997047B (zh) | 2024-05-14 |
Family
ID=83028277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210581309.9A Active CN114997047B (zh) | 2022-05-26 | 2022-05-26 | 一种基于循环生成对抗网络的电磁频谱信息补全方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997047B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109887515A (zh) * | 2019-01-29 | 2019-06-14 | 北京市商汤科技开发有限公司 | 音频处理方法及装置、电子设备和存储介质 |
| CN110288537A (zh) * | 2019-05-20 | 2019-09-27 | 湖南大学 | 基于自注意力的深度生成式对抗网络的人脸图像补全方法 |
| CN113114399A (zh) * | 2021-03-30 | 2021-07-13 | 南京航空航天大学 | 基于生成对抗网络的三维频谱态势补全方法和装置 |
| CN113297988A (zh) * | 2021-05-28 | 2021-08-24 | 东南大学 | 一种基于域迁移和深度补全的物体姿态估计方法 |
| WO2021187672A1 (ko) * | 2020-03-20 | 2021-09-23 | 한양대학교 에리카산학협력단 | 에너지 관리 시스템 및 에너지 관리 방법 |
-
2022
- 2022-05-26 CN CN202210581309.9A patent/CN114997047B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109887515A (zh) * | 2019-01-29 | 2019-06-14 | 北京市商汤科技开发有限公司 | 音频处理方法及装置、电子设备和存储介质 |
| CN110288537A (zh) * | 2019-05-20 | 2019-09-27 | 湖南大学 | 基于自注意力的深度生成式对抗网络的人脸图像补全方法 |
| WO2021187672A1 (ko) * | 2020-03-20 | 2021-09-23 | 한양대학교 에리카산학협력단 | 에너지 관리 시스템 및 에너지 관리 방법 |
| CN113114399A (zh) * | 2021-03-30 | 2021-07-13 | 南京航空航天大学 | 基于生成对抗网络的三维频谱态势补全方法和装置 |
| WO2022206149A1 (zh) * | 2021-03-30 | 2022-10-06 | 南京航空航天大学 | 基于生成对抗网络的三维频谱态势补全方法及装置 |
| CN113297988A (zh) * | 2021-05-28 | 2021-08-24 | 东南大学 | 一种基于域迁移和深度补全的物体姿态估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于深度学习的图像补全算法研究;叶子霄;中国优秀硕士学位论文全文数据库信息科技辑;20210715(第7期);全文 * |
| 基于电磁环境感知的无人机集群航迹规划问题研究;苟艺频;中国优秀硕士学位论文全文数据库工程科技II辑;20230309;全文 * |
| 频谱态势认知关键技术研究;张国勇;中国博士学位论文全文数据库基础科学辑;20220315(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114997047A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation | |
| CN112308133A (zh) | 基于卷积神经网络的调制识别方法 | |
| Margoosian et al. | An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises | |
| CN107765103B (zh) | 一种基于多传感器的复杂环境电磁态势反演方法 | |
| CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
| CN113435247A (zh) | 一种通信干扰智能识别方法、系统及终端 | |
| CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
| CN104539340A (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
| Xiao et al. | Hierarchical tone mapping based on image colour appearance model | |
| Liu et al. | Underwater image colour constancy based on DSNMF | |
| US20230386098A1 (en) | Three-dimensional spectrum situation completion method and device based on generative adversarial network | |
| CN118350051A (zh) | 一种基于联邦学习的隐私性提升方法、系统、装置及介质 | |
| Sotiroudis et al. | Ensemble learning for 5G flying base station path loss modelling | |
| CN114997047B (zh) | 一种基于循环生成对抗网络的电磁频谱信息补全方法 | |
| CN114186589A (zh) | 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法 | |
| CN110261685A (zh) | 一种基于多源信息的区域电磁频谱态势生成方法 | |
| Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
| Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
| CN115601603B (zh) | 模型训练和用电器类别识别方法、设备及存储介质 | |
| Sun et al. | Generative ai for advanced uav networking | |
| Babu et al. | Multipeak mean based optimized histogram modification framework using swarm intelligence for image contrast enhancement | |
| CN114299232B (zh) | 电磁通信波束可视化方法、装置、电子设备及存储介质 | |
| Wang et al. | Infrared small target detection method combined with bilateral filter and local entropy | |
| Zhang et al. | Bearing‐only motion analysis of target based on low‐quality bearing‐time recordings map | |
| CN110929396B (zh) | 一种基于信息几何的电磁态势生成方法 |
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 |