CN115409073A - 一种面向i/q信号识别的半监督宽度学习方法及装置 - Google Patents
一种面向i/q信号识别的半监督宽度学习方法及装置 Download PDFInfo
- Publication number
- CN115409073A CN115409073A CN202211341465.4A CN202211341465A CN115409073A CN 115409073 A CN115409073 A CN 115409073A CN 202211341465 A CN202211341465 A CN 202211341465A CN 115409073 A CN115409073 A CN 115409073A
- Authority
- CN
- China
- Prior art keywords
- signal
- label
- supervised
- real
- nodes
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向I/Q信号识别的半监督宽度学习方法及装置,该方法首先对场景中采集到的I/Q信号以复数形式进行表征,并随机选取部分数据进行标注,构建半监督I/Q信号数据集作为模型输入;然后构建实特征节点和虚特征节点,采用特征节点构建增强节点,以表征特征节点的实部和虚部的融合特征;采用流形正则化构建损失函数,以将I/Q信号的标签信息从标签数据中传播到无标签数据中;最后将特征节点与增强节点直接与输出层相连,以构建权重矩阵,并结合损失函数构建权重系数的求解方程。本发明不仅能够从无标签数据中提取I/Q信号特征,还能有效地学习I载波与Q载波之间的互耦信息以进一步提高I/Q信号的识别率。
Description
技术领域
本发明属于信号识别技术应用领域,具体涉及一种面向I/Q信号识别的半监督宽度学习方法及装置。
背景技术
随着无线通信技术的不断发展,雷达、无人机和传感器等发射器的种类和数量不断增加,这使得电磁环境更加复杂。因此,在非合作场景下识别和分析接收到的I/Q信号具有重要意义。近年来,深度学习(deep learning,DL)作为自然语言处理、计算机视觉和语音识别领域的一种强大且有效的解决方案,在半监督I/Q信号识别领域也取得了许多成就,主要包括:(1)基于伪标签的I/Q信号识别方法,它首先采用有标签的I/Q数据进行特征提取并训练分类器,然后通过对无标签数据进行预测后与标签数据一同进行特征提取。但该方法建立在一个很高精度的基准模型之上,但当基准模型精度不能够达到要求时,则识别性能不佳。(2)采用生成对抗网络,有效利用少量标签数据和大量未标签数据,通过两个基础网络间的交替对抗训练,更好地学习不同分布域的I/Q信号特征,从而达到比仅用标签数据更好的识别效果。但该方法通常需要较大的计算资源和较长的训练时间。
为了解决上述问题,本文提出了一种面向I/Q信号识别的复数半监督宽度学习方法。相较于深度学习,其结扁平形的设计可以避免过量的冗余节点,降低了需要计算的参数量。此外,它还进一步考虑了以复数形式表征的I/Q信号,通过设计实特征节点和虚特征节点以有效的提取I载波和Q载波之间的互耦信息。经过分析验证,本文提出的一种面向I/Q信号识别的复数半监督宽度学习方法在数据集规模较小时在识别精度和训练时间方面都更有优势。
发明内容
本发明的目的在于针对现有技术的不足,提供一种面向I/Q信号识别的半监督宽度学习方法及装置。
本发明的目的是通过以下技术方案来实现的:本发明实施例第一方面提供了一种面向I/Q信号识别的半监督宽度学习方法,包括以下步骤:
(1)对场景中采集到的I/Q信号以复数形式进行表征,并随机选取部分数据进行标注,构建半监督I/Q信号数据集作为模型输入;
(2)构建实特征节点和虚特征节点,所述实特征节点和所述虚特征节点分别映射所述半监督I/Q信号数据集中的实部特征和虚部特征,采用特征节点构建增强节点,以表征所述特征节点的实部和虚部的融合特征;
(3)采用流形正则化构建损失函数,以将I/Q信号的标签信息从标签数据中传播到无标签数据中;
(4)将所述特征节点与所述增强节点直接与输出层相连,以构建权重矩阵,并结合所述步骤(3)中的损失函数构建权重系数的求解方程。
进一步地,所述步骤(1)中的I/Q信号为双通道信号,所述I/Q信号由I载波和Q载波组成,通过将所述I载波旋转90度以获得所述Q载波;
所述I载波的表达式为:
所述Q载波的表达式为:
进一步地,对所述I/Q信号数据集中的部分数据进行标注,构建带标签的I/Q信号数据集以及无标签的I/Q信号数据集;所述模型输入的I/Q信号数据的实部和虚部均由带标签样本和对应的标签以及无标签样本三部分组成。
进一步地,所述步骤(2)包括以下子步骤:
进一步地,所述步骤(3)包括以下子步骤:
(3.1)所述I/Q信号数据集满足平滑度假设,使用流形正则化对无标签样本的无标签数据进行预测;
(3.2)根据所述I/Q信号数据集的形状约束提取数据的高维特征,并判断数据的模
式之间的相似性;通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预
测,以得出两个样本和对应的模型输出和,根据模型输出和以及两个样本
和之间的成对相似度得出模型的损失函数;
(3.3)构建拉普拉斯矩阵表征信号的特征,拉普拉斯矩阵的表达式为:
(3.4)将所述步骤(3.2)得到的损失函数简化为:
根据简化的损失函数将I/Q信号的标签信息从标签数据中传播到无标签数据中。
进一步地,所述成对相似度通过热核函数计算得出,其表达式为:
进一步地,所述步骤(4)包括以下子步骤:
(4.3)在半监督场景下,将所述步骤(4.2)中的误差结合流形正则化公式做进一步处理,表示为:
以得到最优的网络的权重矩阵。
本发明实施例第二方面提供了一种面向I/Q信号识别的半监督宽度学习装置,包括一个或多个处理器,用于实现上述的面向I/Q信号识别的半监督宽度学习方法。
本发明实施例第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述的面向I/Q信号识别的半监督宽度学习方法。
本发明的有益效果是,本发明将两通道的I/Q信号以复数形式表征,并将其中少部分数据进行标注,其余数据不做标注处理;构建实特征映射节点和虚特征映射节点提取I/Q信号的实部特征和虚部特征;构建增强节点融合实虚特征节点映射的单一载波特征,并进一步增强特征提取能力;将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵;采用热核函数估计相邻两I/Q信号样本之间的相似度;根据所有样本的相似度构建拉普拉斯矩阵映射I/Q信号样本特征;采用流形正则化构建损失函数预测无标签I/Q信号的类型;将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。本发明解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题,进一步扩展了基于宽度学习的识别模型的适用范围;提出的复数半监督宽度学习方法不仅能够从无标签数据中提取I/Q信号特征,还能有效的学习I载波与Q载波之间的互耦信息以进一步提高I/Q信号的识别率。
附图说明
图1本发明的流程示意图;
图2为本发明面向I/Q信号识别的半监督宽度学习装置的一种结构示意图。
具体实施方式
下面根据图1-图2详细说明本发明。
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明中的面向I/Q信号识别的复数半监督宽度学习方法,具体包括如下步骤:
(1)对场景中采集到的I/Q信号以复数形式进行表征,并随机选取部分数据,对部分数据进行标注,构建半监督I/Q信号数据集作为模型输入。
其中,I/Q信号为双通道信号,I/Q信号由I载波和Q载波组成,通过将I载波旋转90度以获得所述Q载波。
I载波的表达式为:
Q载波的表达式为:
综上,作为模型输入的I/Q信号数据的实部和虚部分别可以表示为:
(2)构建实特征节点和虚特征节点,实特征节点和虚特征节点分别映射半监督I/Q信号数据集中的实部特征和虚部特征,采用特征节点构建增强节点,以表征特征节点的实部和虚部的融合特征。
第c对实特征节点和虚特征节点的表达式分别为:
需要说明的是,实部数据生成一组特征节点,虚部生成另外一组特征节点,两组特征节点均是独立的,分别称为实特征节点和虚特征节点。
应当理解的是,和同样均是以随机的方式产生的权重和偏置,可以为
sigmoid线性激活函数,也可以为其他类型的激活函数。这里需要注意的是,根据信号的特
征不同,可以选择不同类型的激活函数,例如Tanh,Relu等。此外,和可以为不同类
型的激活函数,也可以为相同类型的激活函数。例如,为Sigmoid线性激活函数时发生了
训练饱和问题,可以将设置为Relu以缓解该问题。
综上,本发明构建模型的预测输出可以表示为节点集与权重矩阵相乘,具体为:
(3)采用流形正则化构建损失函数,以将I/Q信号的标签信息从标签数据中传播到无标签数据中。
应当理解的是,流形正则化是一个从已标记样本和未标记样本中学习的几何框架。
(3.1)在使用流型正则化对无标签数据进行预测时,I/Q信号数据集必须先满足平滑度假设。
如图1所示,这是一个并行操作,输入的数据会分别经过两条路径。路径1是构建
宽度网络的特征节点和增强节点。路径2就是本步骤,输入数据经过流形正则化框架将通过
标签数据预测无标签数据的标签。最后两条路径汇合,共同构建权重矩阵,完成整体架构的
搭建。这里的平滑度假设条件其实就是流形正则化的充要条件,换句话说,也就是该方法仅
对部分数据场景有效,也就是满足该平滑度假设条件的场景。所以满足该平滑度假设,本文
模型才能建立,满足不了就无法使用文本模型。
(3.2)根据I/Q信号数据集的形状约束提取数据的高维特征,并判断数据的模式之
间的相似性;通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测,以
得出两个样本和对应的模型输出和,根据模型输出和以及两个样本和
之间的成对相似度得出模型的损失函数。
其中,形状约束指的是I/Q信号数据分布的几何形状。该流形正则化过程可以转换为对最小化损失函数过程的求解,根据任意两个数据样本之间的成对相似度构建损失函数,损失函数的表达式为:
另外,成对相似度可以通过热核函数计算,其表达式为:
(3.3)构建拉普拉斯矩阵表征信号的特征,拉普拉斯矩阵的表达式为:
(3.4)将步骤(3.2)得到的损失函数简化为:
然后根据简化的损失函数将I/Q信号的标签信息从带标签数据中传播到无标签数据中。
(4)将特征节点与增强节点直接与输出层相连,以构建权重矩阵,并结合步骤(3)中的损失函数构建权重系数的求解方程。
(4.3)在半监督场景下,将所述步骤(4.2)中的误差结合流形正则化公式做进一步处理,表示为:
所以网络的权重矩阵可以表示为:
至此,根据上述公式,通过标签数据和无标签数据可以得到网络的权重矩阵,从而完成识别模型的构建。
本发明通过将两通道的I/Q信号以复数形式表征,并将其中少部分数据进行标注,其余数据不做标注处理;构建实特征映射节点和虚特征映射节点提取I/Q信号的实部特征和虚部特征;构建增强节点融合实虚特征节点映射的单一载波特征,并进一步增强特征提取能力;将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵;采用热核函数估计相邻两I/Q信号样本之间的相似度;根据所有样本的相似度构建拉普拉斯矩阵映射I/Q信号样本特征;采用流形正则化构建损失函数预测无标签I/Q信号的类型;将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。不仅解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题,进一步扩展了基于宽度学习的识别模型的适用范围;提出的复数半监督宽度学习方法不仅能够从无标签数据中提取I/Q信号特征,同时还能有效的学习I载波与Q载波之间的互耦信息,从而有助于进一步提高I/Q信号的识别率。
与前述面向I/Q信号识别的半监督宽度学习方法的实施例相对应,本发明还提供了面向I/Q信号识别的半监督宽度学习装置的实施例。
参见图2,本发明实施例提供的一种面向I/Q信号识别的半监督宽度学习装置,包括一个或多个处理器,用于实现上述实施例中的面向I/Q信号识别的半监督宽度学习方法。
本发明面向I/Q信号识别的半监督宽度学习装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图2所示,为本发明面向I/Q信号识别的半监督宽度学习装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的面向I/Q信号识别的半监督宽度学习方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种面向I/Q信号识别的半监督宽度学习方法,其特征在于,包括以下步骤:
(1)对场景中采集到的I/Q信号以复数形式进行表征,并随机选取部分数据进行标注,构建半监督I/Q信号数据集作为模型输入;
(2)构建实特征节点和虚特征节点,所述实特征节点和所述虚特征节点分别映射所述半监督I/Q信号数据集中的实部特征和虚部特征,采用特征节点构建增强节点,以表征所述特征节点的实部和虚部的融合特征;
(3)采用流形正则化构建损失函数,以将I/Q信号的标签信息从标签数据中传播到无标签数据中;
(4)将所述特征节点与所述增强节点直接与输出层相连,以构建权重矩阵,并结合所述步骤(3)中的损失函数构建权重系数的求解方程。
3.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法,其特征在于,对所述I/Q信号数据集中的部分数据进行标注,构建带标签的I/Q信号数据集以及无标签的I/Q信号数据集;所述模型输入的I/Q信号数据的实部和虚部均由带标签样本和对应的标签以及无标签样本三部分组成。
4.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法,其特征在于,所述步骤(2)包括以下子步骤:
5.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法,其特征在于,所述步骤(3)包括以下子步骤:
(3.1)所述I/Q信号数据集满足平滑度假设,使用流形正则化对无标签样本的无标签数据进行预测;
(3.2)根据所述I/Q信号数据集的形状约束提取数据的高维特征,并判断数据的模式之
间的相似性;通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测,以
得出两个样本和对应的模型输出和,根据模型输出和以及两个样本和之
间的成对相似度得出模型的损失函数;
(3.3)构建拉普拉斯矩阵表征信号的特征,拉普拉斯矩阵的表达式为:
样本成对相似性的对角矩阵D减去所有样本的成对相似性矩阵K,以得到信号特征的拉普拉斯矩阵L;
根据简化的损失函数将I/Q信号的标签信息从标签数据中传播到无标签数据中。
8.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法,其特征在于,所述步骤(4)包括以下子步骤:
(4.3)在半监督场景下,将所述步骤(4.2)中的误差结合流形正则化公式做进一步处理,表示为:
样本的真实标签减去输入数据的映射节点A与权重矩阵之积,然后与标签样本和无
标签样本构成的对角矩阵C的二分之一次方相乘,再对其求范数的平方,得到第一项,补偿
系数与权重矩阵范数的平方相乘,得到第二项,权重矩阵的转置乘上节点集合矩阵
的转置,再乘上拉布拉斯矩阵L,再乘上节点集合矩阵A,然后乘上权重矩阵的迹,再与
补偿系数相乘,得到第三项,最后对第一项、第二项和第三项求和;
以得到最优的网络的权重矩阵。
9.一种面向I/Q信号识别的半监督宽度学习装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-8中任一项所述的面向I/Q信号识别的半监督宽度学习方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,用于实现权利要求1-8中任一项所述的面向I/Q信号识别的半监督宽度学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341465.4A CN115409073B (zh) | 2022-10-31 | 2022-10-31 | 一种面向i/q信号识别的半监督宽度学习方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341465.4A CN115409073B (zh) | 2022-10-31 | 2022-10-31 | 一种面向i/q信号识别的半监督宽度学习方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115409073A true CN115409073A (zh) | 2022-11-29 |
CN115409073B CN115409073B (zh) | 2023-03-24 |
Family
ID=84168450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211341465.4A Active CN115409073B (zh) | 2022-10-31 | 2022-10-31 | 一种面向i/q信号识别的半监督宽度学习方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409073B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007026115A (ja) * | 2005-07-15 | 2007-02-01 | Nippon Telegr & Teleph Corp <Ntt> | ラベル付与システムおよびラベル付与方法 |
US20100297147A1 (en) * | 2006-10-18 | 2010-11-25 | Wyeth | Compositions and methods for modulating tlr14 activity |
US20130095049A1 (en) * | 2010-06-15 | 2013-04-18 | Histocell, S.L. | Antioxidant composition |
JP2015057630A (ja) * | 2013-08-13 | 2015-03-26 | 日本電信電話株式会社 | 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
CN108777777A (zh) * | 2018-05-04 | 2018-11-09 | 江苏理工学院 | 一种基于深度神经网络的监控视频秸秆焚烧巡检方法 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
CN110147852A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
US10429486B1 (en) * | 2017-08-18 | 2019-10-01 | DeepSig Inc. | Method and system for learned communications signal shaping |
CN110613445A (zh) * | 2019-09-25 | 2019-12-27 | 西安邮电大学 | 一种基于dwnn框架的心电信号的识别方法 |
US20200037974A1 (en) * | 2018-08-02 | 2020-02-06 | Zhejiang University | Deep-learning based separation method of a mixture of dual-tracer single-acquisition pet signals with equal half-lives |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111243620A (zh) * | 2020-01-07 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 语音分离模型训练方法、装置、存储介质和计算机设备 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN111887858A (zh) * | 2020-08-04 | 2020-11-06 | 西安电子科技大学 | 基于跨模态映射的心冲击图信号心率估计方法 |
CN112132149A (zh) * | 2020-09-10 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像语义分割方法及装置 |
US20210233513A1 (en) * | 2019-01-29 | 2021-07-29 | Tencent Technology (Shenzhen) Company Limited | Audio recognition method and system and machine device |
CN113705633A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 基于自适应图的半监督核宽度分类学习方法及设备 |
CN113705635A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 基于自适应图的半监督宽度学习分类方法及设备 |
CN114581434A (zh) * | 2022-03-24 | 2022-06-03 | 生仝智能科技(北京)有限公司 | 基于深度学习分割模型的病理图像处理方法、电子设备 |
-
2022
- 2022-10-31 CN CN202211341465.4A patent/CN115409073B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007026115A (ja) * | 2005-07-15 | 2007-02-01 | Nippon Telegr & Teleph Corp <Ntt> | ラベル付与システムおよびラベル付与方法 |
US20100297147A1 (en) * | 2006-10-18 | 2010-11-25 | Wyeth | Compositions and methods for modulating tlr14 activity |
US20130095049A1 (en) * | 2010-06-15 | 2013-04-18 | Histocell, S.L. | Antioxidant composition |
JP2015057630A (ja) * | 2013-08-13 | 2015-03-26 | 日本電信電話株式会社 | 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム |
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
US10429486B1 (en) * | 2017-08-18 | 2019-10-01 | DeepSig Inc. | Method and system for learned communications signal shaping |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
CN108777777A (zh) * | 2018-05-04 | 2018-11-09 | 江苏理工学院 | 一种基于深度神经网络的监控视频秸秆焚烧巡检方法 |
US20200037974A1 (en) * | 2018-08-02 | 2020-02-06 | Zhejiang University | Deep-learning based separation method of a mixture of dual-tracer single-acquisition pet signals with equal half-lives |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
US20210233513A1 (en) * | 2019-01-29 | 2021-07-29 | Tencent Technology (Shenzhen) Company Limited | Audio recognition method and system and machine device |
CN110147852A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
CN110613445A (zh) * | 2019-09-25 | 2019-12-27 | 西安邮电大学 | 一种基于dwnn框架的心电信号的识别方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111243620A (zh) * | 2020-01-07 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 语音分离模型训练方法、装置、存储介质和计算机设备 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN111887858A (zh) * | 2020-08-04 | 2020-11-06 | 西安电子科技大学 | 基于跨模态映射的心冲击图信号心率估计方法 |
CN112132149A (zh) * | 2020-09-10 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像语义分割方法及装置 |
CN113705633A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 基于自适应图的半监督核宽度分类学习方法及设备 |
CN113705635A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 基于自适应图的半监督宽度学习分类方法及设备 |
CN114581434A (zh) * | 2022-03-24 | 2022-06-03 | 生仝智能科技(北京)有限公司 | 基于深度学习分割模型的病理图像处理方法、电子设备 |
Non-Patent Citations (2)
Title |
---|
YAN-MIN QIAN等: "Past review,current progress,and challenges ahead on the cocktail party problem", 《FRONTIERS OF INFORMATION TECHNOLOGY & ELECTRONIC ENGINEERING》 * |
骆俊锦等: "基于时序二维化和卷积特征融合的表面肌电信号分类方法", 《模式识别与人工智能》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115409073B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boscaini et al. | Anisotropic diffusion descriptors | |
Xiong et al. | Doubly deformable aggregation of covariance matrices for few-shot segmentation | |
Wu et al. | Dual adaptive transformations for weakly supervised point cloud segmentation | |
Zhang | On mode collapse in generative adversarial networks | |
Zhang et al. | An open set domain adaptation algorithm via exploring transferability and discriminability for remote sensing image scene classification | |
He et al. | Diff-font: Diffusion model for robust one-shot font generation | |
Li et al. | Small Object Detection Algorithm Based on Feature Pyramid‐Enhanced Fusion SSD | |
Cheng et al. | Meta-sampler: Almost-universal yet task-oriented sampling for point clouds | |
Diao et al. | Multi-label remote sensing image classification with deformable convolutions and graph neural networks | |
Zheng et al. | Learn from model beyond fine-tuning: A survey | |
Wang et al. | Multi‐scale network for remote sensing segmentation | |
Nie et al. | Multi-label image recognition with attentive transformer-localizer module | |
Ma | Realization of artificial intelligence interactive system for advertising education in the era of 5G integrated media | |
CN115409073B (zh) | 一种面向i/q信号识别的半监督宽度学习方法及装置 | |
Liu et al. | AWEDD: a descriptor simultaneously encoding multiscale extrinsic and intrinsic shape features | |
Zheng et al. | Leaf recognition based on capsule network | |
Xu et al. | Semi-supervised self-growing generative adversarial networks for image recognition | |
Luo et al. | An image classification method based on adaptive attention mechanism and feature extraction network | |
Cheung et al. | Data-scarce surrogate modeling of shock-induced pore collapse process | |
Ha et al. | Comprehensive analysis of privacy in black-box and white-box inference attacks against generative adversarial network | |
Qiu et al. | Few-shot remote sensing image scene classification: Recent advances, new baselines, and future trends | |
Yuan et al. | A decoupled yolov5 with deformable convolution and multi-scale attention | |
Azencot et al. | A Data‐Driven Approach to Functional Map Construction and Bases Pursuit | |
Dong et al. | GAME: GAussian Mixture Error-based meta-learning architecture | |
Wang et al. | CAW: A Remote‐Sensing Scene Classification Network Aided by Local Window Attention |
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 |