CN115481667A - 一种基于多尺度uda和特征学习的uwb引信目标识别方法 - Google Patents
一种基于多尺度uda和特征学习的uwb引信目标识别方法 Download PDFInfo
- Publication number
- CN115481667A CN115481667A CN202211250833.4A CN202211250833A CN115481667A CN 115481667 A CN115481667 A CN 115481667A CN 202211250833 A CN202211250833 A CN 202211250833A CN 115481667 A CN115481667 A CN 115481667A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- module
- scale
- training
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度UDA和特征学习的UWB引信目标识别方法,包括步骤:根据等效散射中心模型对目标进行建模,基于仿真模型生成多种目标的超宽带引信回波信号,构建存在分布差异的有标签源域数据集和无标签目标域数据集;设计基于多尺度无监督领域自适应网络的模型,包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块;在有标签的源域数据上使用有监督方法对模型进行训练与验证,保存最佳预训练模型及类别特征中心;固定MLP特征学习模块和DNN分类模块,将最佳模型迁移到无标签的目标域数据,使用无监督方法对模型进行训练微调,使用微调后的模型对目标域数据识别,获得引信目标识别结果。
Description
技术领域
本发明涉及无线电引信目标识别领域,特别涉及一种基于多尺度UDA和特征学习的UWB引信目标识别方法。
背景技术
超宽带(Ultra Wide Band,UWB)引信因为其良好的探测和抗干扰性能广泛应用于军事和民用领域,包括着陆制导、自动驾驶、地形测绘等。超宽带引信可获得丰富的目标信息,包括时间域和能量域的一维时域回波序列信息、一维高分辨距离像(High-ResolutionRange Profile,HRRP)信息、距离-多普勒信息、距离-方位信息以及极化域信息等。在超宽带体制下的时域回波序列与HRRP存在极高的相似性,且考虑到引信工作时效性以及平台的限制,因而目前基于超宽带引信的目标识别研究以一维时域回波序列特征为主。现有的基于一维回波序列的目标识别工作主要包括两类:一类是提取回波信号的人工特征,然后通过机器学习算法进行识别。另一种是自动提取深层特征,利用神经网络提取目标特征并进行识别。基于人工特征的方法的性能直接取决于特征的选择,难以同时解决回波信号的幅度、时移和目标方位的敏感问题。而基于自动提取特征的深度学习方法能够直接从回波信号中提取高层抽象特征,训练出泛化能力更强的神经网络分类器,缓解了方位敏感等问题。
但上述方法大多只能在目标信号和已有的信号同分布的条件下实现较好的识别性能。在实际的目标识别场景中,往往面临着无标签、样本分布存在差异等复杂场景问题。在已有数据上训练的一般模型在实际场景中性能下降明显。因而需要针对复杂的应用场景提出针对性的无监督领域自适应(Unsupervised Domain Adaptation,UDA)方法,利用新获取的数据对模型进一步训练,使得模型能够在复杂的目标场景中保持较好的识别能力。
在上述研究基础上,本专利提出一种基于多尺度UDA和特征学习的UWB引信目标识别方法。首先基于超宽带引信体制和目标散射点模型获取目标的回波信号,构建存在分布差异的源域数据集和目标域数据集;其次使用基于多尺度无监督领域自适应网络在有标签的源域数据上进行预训练并保存最佳模型和特征中心;最后在无标签目标域数据上进行适应训练并微调模型,并使用微调后的模型对目标域数据进行识别。该方法可实现对存在分布差异的无标签的目标回波信号的学习和识别,为非合作场景下的基于超宽带引信的目标识别提供一种新的技术途径。
发明内容
为了克服现有技术中的不足,本发明提供一种基于多尺度UDA和特征学习的UWB引信目标识别方法,可利用目标场景中引信获得的存在一定分布差异的无标签目标数据对模型做出适应性调整,使得模型学习到目标数据的信息,在目标数据上取得更好的识别性能。
为了达到上述发明目的,解决其技术问题所采用的技术方案如下:
一种基于多尺度UDA和特征学习的UWB引信目标识别方法,包括以下步骤:
步骤S100:UWB回波信号建模和数据集生成;
根据等效散射中心模型对目标进行建模,基于仿真模型生成多种目标的UWB引信一维回波信号,构建数据分布存在差异的有标签源域数据集与无标签目标域数据集;
步骤S200:基于多尺度无监督领域自适应网络的模型设计;
设计基于多尺度残差网络的无监督领域自适应模型,包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块;
步骤S300:网络模型的预训练;
先使用有标签的源域数据对模型的多尺度CNN特征提取模块和DNN分类模块进行训练与验证,而后对MLP特征学习模块进行训练,保存最佳预训练模型及源域各类别的特征中心;
步骤S400:模型迁移到目标域;
使用目标域的无标签数据对预训练模型进一步训练微调,使用微调后的模型对目标数据识别,进行泛化能力分析。
进一步的,在步骤S100中,基于超宽带引信目标等效散射中心模型,采用时域卷积的方法构建引信目标一维回波信号,并通过引信回波数据分布差异,划分源域数据集和目标域数据集。
进一步的,所述通过引信回波数据分布差异划分源域数据集和目标域数据集的方法包括:
根据观测方位角范围不同划分目标域数据和源域数据;
根据添加高斯噪声的信噪比划分目标域数据和源域数据;
根据随机遮蔽的比例划分目标域数据和源域数据。
进一步的,在步骤S200中,所述网络模型的结构包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块,模型具体包括:
所述多尺度CNN特征提取模块包括:
CNN0:卷积层,最大池化层;CNN1-1~CNN1-4、CNN2-1~CNN2-4、CNN3-1~CNN3-4分别是卷积核尺寸不同的三个前向通路,每个通路包含四个模块,每个模块包含两个卷积层和一个残差连接;DNN1:线性层,BN层,Dropout层,自注意力层;
所述MLP特征学习模块包括:第一个线性层、BN层、ReLU激活和第二个线性层;
所述DNN分类模块为线性层,输出节点数为3;
上述自注意力层的激活函数采用Sigmoid函数,DNN分类模块的激活函数采用Softmax函数,其余层的激活函数采用ReLU函数;Dropout层保留1/2原结点。
进一步的,在步骤S300中,基于有标签的源域数据使用交叉熵损失对多尺度CNN特征提取模块和DNN分类模块进行训练与验证,当验证识别性能稳定时停止训练;而后固定多尺度CNN特征提取模块,对MLP特征学习模块进行训练,所述MLP特征学习模块的训练损失如下公式:
其中,xi为一维回波信号,f(·)为多尺度CNN特征提取模块,g(·)为MLP特征学习模块,c为目标的类别数,Ak为k类目标的样本数量,qk为k类目标的特征中心,zi为样本xi通过网络提取的特征,S(·)为余弦相似度,τ为温度系数,yk为k类的独热标签,yi为第i个样本计算得出的概率分布,yi′为第i个样本的增强样本计算得出的概率分布,为第i个样本的真实标签,H(·)为交叉熵函数,N为批次大小;
经多次迭代后,MLP特征学习模块训练完成,保存MLP特征学习模块以及通过该模块学习得到各类别的源域特征中心。
进一步的,在步骤S400中,在利用目标域的无标签数据对模型进行训练微调时,固定MLP特征学习模块和DNN分类模块,对多尺度CNN特征提取模块进行训练微调,其训练损失如下公式:
Lossall=λc1·im_lossclassifier+λc2·label)_lossclassifier+λm1·im_lossmlp+λm2·cro)_lossmlp,
其中,λ为超参数,四个单项损失函数分别为:
其中,H(·)为交叉熵函数,为第i个样本通过DNN分类模块输出的概率分布,为该批次样本通过分类模块输出的N个概率分布的平均,yi和yi′为第i个样本及其增强样本分别通过MLP特征学习模块得出的特征和权力要求5所述的源域特征中心计算余弦相似度得出的概率分布,为该批次样本通过特征学习模块计算得出的N个概率分布的平均,δ(·)为DNN分类模块,为第i个样本的伪标签。
伪标签的获取方式如下公式:
其中,δ(f(xi))为第i个样本通过DNN分类器模块得到的类别概率分布。
可通过以下公式进一步精炼标签:
进一步的,在步骤S400中,所述使用微调后的模型对目标数据识别,进行泛化能力分析,包括使用微调训练后得到的网络模型,对目标域UWB引信目标数据进行识别,统计平均正确识别率,并分析模型在目标域和源域存在分布差异时的泛化识别性能。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
本发明一种基于多尺度UDA和特征学习的UWB引信目标识别方法,充分利用多尺度CNN模型的抽象特征提取能力与领域适应学习的迁移能力,并结合注意力机制,可以很好的适应引信获取的存在分布差异的无标签目标数据,为非合作场景下的基于超宽带引信的目标识别提供一种新的技术途径。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1为本发明一种基于多尺度UDA和特征学习的UWB引信目标识别方法的流程示意图;
图2为本发明中三种车辆目标散射模型;(a)轮式车;(b)履带车;(c)卡车;
图3为本发明中存在分布差异的源域数据和目标域数据对比;(a)卡车45°方位回波;(b)卡车135°方位回波;(c)卡车20°方位回波;(d)卡车20°方位加5dB白噪声的回波;(e)卡车30°方位回波;(f)卡车30°方位遮蔽15%的回波;
图4为本发明中模型在观测方位角0-90°的源域数据的训练/验证损失和训练/验证准确率;(a)训练/验证损失;(b)训练/验证准确率;
图5为本发明中模型在观测方位角90-180°的目标域数据的微调训练损失和测试准确率;(a)微调训练损失;(b)测试准确率。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例公开一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其流程示意图如图1所示,包括以下步骤:
步骤S100:UWB回波信号建模和数据集生成;
根据等效散射中心模型对目标进行建模,基于仿真模型生成多种目标的UWB引信一维回波信号,构建数据分布存在差异的有标签源域数据集与无标签目标域数据集;
步骤S200:基于多尺度无监督领域自适应网络的模型设计;
设计基于多尺度残差网络的无监督领域自适应模型,包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块;
步骤S300:网络模型的预训练;
先使用有标签的源域数据对模型的多尺度CNN特征提取模块和DNN分类模块进行训练与验证,而后对MLP特征学习模块进行训练,保存最佳预训练模型及源域各类别的特征中心;
步骤S400:模型迁移到目标域;
使用目标域的无标签数据对预训练模型进一步训练微调,使用微调后的模型对目标数据识别,进行泛化能力分析。
下面对上述各步骤进行详细说明:
在步骤S100中,所述数据集的生成模拟实际超宽带引信回波的生成,目标回波是来自多个散射中心的回波的相干叠加。
引信发射高斯脉冲信号s(t),可表示为:
其中,A表示峰值幅度,σ是脉冲方差。
由于路径损耗、天线增益和引信横截面的影响,发射信号的幅度会衰减。此外,引信距散射中心的距离不同造成的时延也反映在接收信号中。因此,接收到的信号可以表示为:
其中,s(t)和n0(t)分别代表传输信号和传输路径噪声,am和τm是第m个散射点引起的幅度衰减和延迟,P是散射中心的个数。
散射点的分布与目标结构有关,因此可以通过分析回波信号来识别目标类型。
在步骤S100中,所述目标的数据类型包括:轮式车、履带车、卡车,散射中心数分别为6、4、12,三种目标的单侧示意图如图2,图中仅标出一半的散射中心。目标类别与标签对应如表1,源域和目标域的数据设置如表2。观测方位角A(源域)的范围分别设置为0-90°、0-60°、0-45°,观测方位角B的范围为0-180°,目标域观测方位角范围设置为方位角B减去方位角A的范围。
表1目标回波信号标签
调制方式 | 标签 |
轮式车 | 0 |
履带车 | 1 |
卡车 | 2 |
表2源域和目标域设置
场景 | 源域 | 目标域 |
1:观测方位不同 | 方位角A | 方位角B/A |
2:目标域加噪 | 回波信号 | 加噪回波信号 |
3:目标域遮蔽 | 回波信号 | 遮蔽回波信号 |
图3列举了三种场景下源域和目标域的引信回波信号进行对比。
在步骤S200中,设计基于多尺度无监督领域自适应网络。具体的,模型的结构参考如图1,所述模型的结构包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块,模型具体包括:
所述多尺度CNN特征提取模块包括:
CNN0:卷积层,内含64个7*1的卷积核,步长为2;最大池化层,窗长为3,步长为2;
CNN1-1:第一个卷积层,内含64个3*1的卷积核,步长为2;第二个卷积层,内含64个3*1的卷积核,步长为1;下采样卷积层,卷积核大小为1,步长为2;输入分别通过两个卷积层和下采样卷积层构成残差结构;
CNN1-2、CNN1-3、CNN1-4和CNN1-1的结构基本相同,不同的是卷积核数量分别为128、256、512;自适应平均池化层,将特征压缩为512*1维;
CNN2-1~CNN2-4的结构与CNN1-1~CNN1-4基本相同,不同的是卷积核尺寸为5*1;CNN3-1~CNN3-4的结构与CNN1-1~CNN1-4基本相同,不同的是卷积核尺寸为7*1;
DNN1:线性层,输出节点数为256;BN层;Dropout层;自注意力层;
所述MLP特征学习模块包括:
第一个线性层,输出节点数为1024;BN层;ReLU激活;第二个线性层,输出节点数为256;
所述DNN分类模块为线性层,输出节点数为3;
上述各层的参数设置如表3所示:
表3多尺度无监督领域自适应网路各层参数设置
上述自注意力层的激活函数采用Sigmoid函数,DNN分类模块的激活函数采用Softmax函数,其余层的激活函数采用ReLU函数;Dropout层保留1/2原结点。
在步骤S300中,模型设计完成后,使用源域数据来训练模型,训练参数的设置如表4。
表4模型训练参数设置
模型在观测方位角0-90°的源域数据上的训练损失及识别准确率如图4所示。图中,模型约于30次迭代处达到收敛,源域识别率在98%以上。而后固定多尺度CNN特征提取模块,对MLP特征学习模块进行20个epoch的训练。
在步骤S400中,将预训练的模型迁移到观测方位角90-180°的目标域数据上进行训练微调,训练参数设置同源域参数,在目标域上的适应训练的损失及识别率如图5所示。预训练的模型在目标数据上的识别率仅有70%,而模型经过约100次迭代的适应训练后,模型在目标域的识别率提升到95%以上。
进一步的,为验证模型的迁移能力,本实施例划分了源域和目标域的观测方位角设置,并进行源域训练、目标域微调和识别,结果如表5所示。由表可知,模型微调后,识别率相比于预训练模型提升明显,验证了模型的迁移能力。
表5观测方位角泛化性分析
源域/目标域/° | 0-45/45-180 | 0-60/60-180 | 0-90/90-180 |
预训练模型 | 59.6% | 62.9% | 70.8% |
微调后模型 | 76.4% | 86.2% | 97.1% |
进一步的,为验证模型的泛化能力,在场景2、场景3的实验设置下使用模型进行源域训练、目标域微调和识别,结果如表6和表7所示。
表6目标域加噪泛化性分析
信噪比/dB | 0 | 5 | 10 | 15 | 20 |
预训练模型 | 36.4% | 36.9% | 42.1% | 57.8% | 88.7% |
微调后模型 | 77.1% | 93.7% | 98.9% | 99.5% | 99.7% |
表7目标域遮蔽泛化性分析
遮挡比例/% | 10% | 15% | 20% | 25% | 30% |
预训练模型 | 90.4% | 85.4% | 82.2% | 78.1% | 75.1% |
微调后模型 | 96.0% | 90.0% | 85.7% | 79.5% | 75.2% |
由表6和表7可以看出,在目标域数据加噪或遮蔽时,源域预训练的模型在目标域的识别性能一般,在利用目标域数据对模型进行训练微调以后,模型对目标域的识别率明显提升,验证了目标域和源域存在分布差异时模型迁移的泛化能力。
因此,本实施例提供的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,充分利用多尺度CNN模型的抽象特征提取能力与领域适应学习的迁移能力,并结合注意力机制,可以很好的适应引信获取的与源域数据存在分布差异的无标签目标数据,为非合作场景下的基于超宽带引信的目标识别提供一种新的技术途径。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,包括以下步骤:
步骤S100:UWB回波信号建模和数据集生成;
根据等效散射中心模型对目标进行建模,基于仿真模型生成多种目标的UWB引信一维回波信号,构建数据分布存在差异的有标签源域数据集与无标签目标域数据集;
步骤S200:基于多尺度无监督领域自适应网络的模型设计;
设计基于多尺度残差网络的无监督领域自适应模型,包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块;
步骤S300:网络模型的预训练;
先使用有标签的源域数据对模型的多尺度CNN特征提取模块和DNN分类模块进行训练与验证,而后对MLP特征学习模块进行训练,保存最佳预训练模型及源域各类别的特征中心;
步骤S400:模型迁移到目标域;
使用目标域的无标签数据对预训练模型进一步训练微调,使用微调后的模型对目标数据识别,进行泛化能力分析。
2.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,在步骤S100中,基于超宽带引信目标等效散射中心模型,采用时域卷积的方法构建引信目标一维回波信号,并通过引信回波数据分布差异,划分源域数据集和目标域数据集。
3.根据权利要求2所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,所述通过引信回波数据分布差异划分源域数据集和目标域数据集的方法包括:
根据观测方位角范围不同划分目标域数据和源域数据;
根据添加高斯噪声的信噪比划分目标域数据和源域数据;
根据随机遮蔽的比例划分目标域数据和源域数据。
4.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,在步骤S200中,所述网络模型的结构包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块,模型具体包括:
所述多尺度CNN特征提取模块包括:
CNN0:卷积层,最大池化层;CNN1-1~CNN1-4、CNN2-1~CNN2-4、CNN3-1~CNN3-4分别是卷积核尺寸不同的三个前向通路,每个通路包含四个模块,每个模块包含两个卷积层和一个残差连接;DNN1:线性层,BN层,Dropout层,自注意力层;
所述MLP特征学习模块包括:第一个线性层、BN层、ReLU激活和第二个线性层;
所述DNN分类模块为线性层,输出节点数为3;
上述自注意力层的激活函数采用Sigmoid函数,DNN分类模块的激活函数采用Softmax函数,其余层的激活函数采用ReLU函数。
5.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,在步骤S300中,基于有标签的源域数据使用交叉熵损失对多尺度CNN特征提取模块和DNN分类模块进行训练与验证,当验证识别性能稳定时停止训练;而后固定多尺度CNN特征提取模块,对MLP特征学习模块进行训练,所述MLP特征学习模块的训练损失如下公式:
其中,xi为一维回波信号,f(·)为多尺度CNN特征提取模块,g(·)为MLP特征学习模块,c为目标的类别数,Ak为k类目标的样本数量,qk为k类目标的源域特征中心,zi为样本xi通过网络提取的特征,S(·)为余弦相似度,τ为温度系数,yk为k类的独热标签,yi为第i个样本计算得出的概率分布,yi′为第i个样本的增强样本计算得出的概率分布,为第i个样本的真实标签,H(·)为交叉熵函数,N为批次大小;
经多次迭代后,MLP特征学习模块训练完成,保存MLP特征学习模块以及通过该模块学习得到各类别的源域特征中心。
6.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,在步骤S400中,在利用目标域的无标签数据对模型进行训练微调时,固定MLP特征学习模块和DNN分类模块,对多尺度CNN特征提取模块进行训练微调,其训练损失如下公式:
Lossall=λc1·im_lossclassifier+λc2·label_lossclassifier+λm1·im_lossmlp+λm2·cro_lossmlp,
其中,λ为超参数,四个单项损失函数分别为:
其中,H(·)为交叉熵函数,为第i个样本通过DNN分类模块输出的概率分布,为该批次样本通过分类模块输出的N个概率分布的平均,yi和yi′为第i个样本及其增强样本分别通过MLP特征学习模块得出的特征和权力要求5所述的源域特征中心计算余弦相似度得出的概率分布,为该批次样本通过特征学习模块计算得出的N个概率分布的平均,δ(·)为DNN分类模块,为第i个样本的伪标签;
伪标签的获取方式如下公式:
其中,δ(f(xi))为第i个样本通过DNN分类器模块得到的类别概率分布。
7.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法,其特征在于,在步骤S400中,所述使用微调后的模型对目标数据识别,进行泛化能力分析,包括使用微调训练后得到的网络模型,对目标域UWB引信目标数据进行识别,统计平均正确识别率,并分析模型在目标域和源域存在分布差异时的泛化识别性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250833.4A CN115481667A (zh) | 2022-10-12 | 2022-10-12 | 一种基于多尺度uda和特征学习的uwb引信目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250833.4A CN115481667A (zh) | 2022-10-12 | 2022-10-12 | 一种基于多尺度uda和特征学习的uwb引信目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481667A true CN115481667A (zh) | 2022-12-16 |
Family
ID=84396051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250833.4A Pending CN115481667A (zh) | 2022-10-12 | 2022-10-12 | 一种基于多尺度uda和特征学习的uwb引信目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481667A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070120A (zh) * | 2023-04-06 | 2023-05-05 | 湖南归途信息科技有限公司 | 一种多标签时序电生理信号的自动识别方法及系统 |
-
2022
- 2022-10-12 CN CN202211250833.4A patent/CN115481667A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070120A (zh) * | 2023-04-06 | 2023-05-05 | 湖南归途信息科技有限公司 | 一种多标签时序电生理信号的自动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109059B (zh) | 一种基于深度学习网络的雷达辐射源信号识别方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN115481667A (zh) | 一种基于多尺度uda和特征学习的uwb引信目标识别方法 | |
Lee et al. | Target identification using bistatic high‐resolution range profiles | |
Sim et al. | Road structure classification through artificial neural network for automotive radar systems | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Li et al. | Sea/land clutter recognition for over-the-horizon radar via deep CNN | |
Jin et al. | Semi-supervised underwater acoustic source localization based on residual convolutional autoencoder | |
CN113484866B (zh) | 一种基于被动声呐方位历程图的多目标检测跟踪方法 | |
Li et al. | Aerospace target identification-Comparison between the matching score approach and the neural network approach | |
Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
CN112666528B (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
Munro et al. | Neural network learning of low-probability events | |
CN113361639A (zh) | 一种基于深度学习的辐射源信号多模型综合分类方法 | |
Choi et al. | Radar target recognition using one-dimensional evolutionary programming–based CLEAN | |
CN113933806A (zh) | 一种天波雷达多路径量测聚类方法 | |
Hanusa et al. | Contact clustering and fusion for preprocessing multistatic active sonar data | |
CN113408422B (zh) | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 | |
Li et al. | Active and Passive Radar Target Fusion Recognition Method Based on Bayesian Network | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN111914802B (zh) | 一种基于迁移学习的电离层返回散射传播模式识别方法 | |
Peng et al. | Clutter classification for cognitive radar with a deep convolutional neural 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 |