CN115935154B - 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 - Google Patents
基于稀疏表示与近端算法的射频信号特征遴选与识别方法 Download PDFInfo
- Publication number
- CN115935154B CN115935154B CN202310232775.0A CN202310232775A CN115935154B CN 115935154 B CN115935154 B CN 115935154B CN 202310232775 A CN202310232775 A CN 202310232775A CN 115935154 B CN115935154 B CN 115935154B
- Authority
- CN
- China
- Prior art keywords
- sparse
- radio frequency
- network
- cvcnn
- frequency signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 238000012886 linear function Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,其以遴选出稀疏特征进行信号识别为目标,首先获取物联网WiFi设备信号,输入搭建的复数卷积神经网络,实现原始特征的提取;接着为特征层添加稀疏参数,并在损失函数中加入正则化项对稀疏参数进行约束;然后采用随机梯度下降算法与近端梯度下降算法对稀疏参数进行反向传播过程;最后得到稀疏特征,并实现信号识别任务。本发明解决了网络提取的原始特征冗余而造成的信号识别任务准确率下降与资源浪费的问题,适用于多种不同的射频信号,在射频信号识别领域具有较高的应用价值。
Description
技术领域
本发明涉及深度学习、信号处理、稀疏表示领域,具体涉及一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法。
背景技术
随着大数据的广泛普及与物联网的快速发展,射频信号处理技术在无线通信领域发挥越来越重要的作用,无论是移动通信、智能家居,还是空中电子干扰、卫星通信等,都与这项技术联系紧密。而随着信号种类、数量的增加与电磁环境的日益复杂,传统射频信号识别技术逐渐难以满足识别任务性能与鲁棒性的要求。
深度学习方法可以提取射频信号的深层特征,训练深度网络模型实现射频信号识别任务,既可以节省人工提取信号特征的成本,也可以带来性能与鲁棒性的提升,在射频信号识别领域具有重要意义。
然而基于深度学习的射频信号识别技术在构建多层神经网络解决高维复杂信号问题上取得优异效果的同时也带来了提取的特征冗余,模型储存空间大等问题。因此提出一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,去除冗余特征,遴选出关键特征,增强模型的可解释性。
发明内容
为解决现有射频信号识别技术的不足,本发明提供一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,在保证识别性能的前提下,去除冗余特征,遴选出关键特征,增强了模型的可解释性。
为了实现上述目标,本发明采用如下技术方案:
一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,具体包括以下步骤:
步骤一,采集物联网WiFi设备信号,记作X;
步骤二,将信号X输入搭建的CVCNN网络中提取原始特征z,用于训练得到遴选后的关键特征;
步骤三,为原始特征添加稀疏参数λ,并在CVCNN网络的损失函数中添加对稀疏参数正则化的约束项;
步骤四,根据上一步添加约束项的损失函数,采用随机梯度下降算法与近端梯度下降算法分别对CVCNN网络的权重与稀疏参数进行前向传播与反向传播训练过程;
步骤五,根据前向传播与反向传播过程得到的关键特征,完成信号识别任务。
进一步地,所述步骤一中,,其中N为信号样本数,经过CVCNN网络Dense层后输出原始特征z,并通过训练最终得到遴选后的关键特征/>,Softmax激活函数根据遴选后的关键特征将这些信号样本识别为k={y i ,j=1,2,…,K},其中K为信号类别数;通过最大后验概率准则MAP将信号样本x i 识别为/>,即
。
进一步地,所述步骤二中将X输入搭建的CVCNN网络,经过9层由复数卷积层、ReLU线性函数层、批标准化层、最大池化层构成的核心操作层,接着输入展平层,并由全连接Dense层输出特征,再经过ReLU线性函数、Dense层与Softmax激活函数输出识别结果;其中经过Dense层提取出的原始特征z用来进行关键特征的遴选。
进一步地,所述步骤三的具体步骤如下:
步骤3-1,稀疏参数λ的维度与原始特征z的维度相同,原始特征z添加稀疏参数λ后得到关键特征:;
步骤3-2,在损失函数中加入L1正则化约束,具体如下公式:
;
其中第一项为判别识别性能的交叉熵损失,w为CVCNN网络的参数;第二项为稀疏惩罚,α为正则化项的权重。
进一步地,所述步骤四的具体步骤如下:
步骤4-1,CVCNN网络中除稀疏参数外,采用随机梯度下降算法来更新CVCNN网络的参数w,具体为:;其中,w t+1、w t 分别为第t+1、t次训练时的参数w,η为CVCNN网络的学习率,t=1,2,…,T,T为训练周期;步骤4-2,稀疏参数λ采用加速近端梯度下降算法更新,具体为:/>;
其中,近端算子具体表示为如下公式:
。
进一步地,前向传播中最大池化操作选取特该区域中征数值最大值作为输出,反向传播中通过该最大值在相应位置传递梯度,其余位置均为0。
本发明还进一步提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如上所述的方法。
本发明还进一步提供一种基于稀疏表示与近端算法的射频信号特征遴选与识别设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如上所述方法的指令。
本发明所达到的有益效果:本发明创造性地在卷积神经网络的反向传播过程中引入稀疏表示与近端梯度下降算法,能有效地去除冗余特征,遴选出关键特征,提高网络模型的可解释性。而且本发明适用于多种物联网设备射频信号,具有较高的准确性与鲁棒性。
附图说明
图1是本发明射频信号识别方法流程图;
图2是搭建的复数卷积神经网络结构;
图3是基于稀疏表示的神经网络训练流程图。
实施方式
下面结合附图以及实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,具体包括以下步骤:
步骤一,采集物联网WiFi设备信号,记作X;
步骤二,将信号X输入搭建的CVCNN网络中提取原始特征z,用于训练得到遴选后的关键特征;
步骤三,为原始特征添加稀疏参数λ,并在CVCNN网络的损失函数中添加对稀疏参数正则化的约束项;
步骤四,根据上一步添加约束项的损失函数,采用随机梯度下降算法与近端梯度下降算法分别对CVCNN网络的权重与稀疏参数进行前向传播与反向传播训练过程;
步骤五,根据前向传播与反向传播过程得到的关键特征,完成信号识别任务。
步骤一中,,其中N为信号样本数,经过CVCNN网络Dense层后输出为1024维度的原始特征z,并通过训练最终得到遴选后的关键特征,Softmax激活函数根据遴选后的关键特征将这些信号样本识别为k={y i ,j=1,2,…,K},其中K为信号类别数。通过最大后验概率准则(Maximum A Posteriori Estimation,MAP)将信号样本x i 识别为/>,即/>。
步骤二中,将信号X输入搭建的如图2所示的CVCNN网络,经过9层由复数卷积层、ReLU线性函数、批标准化、最大池化层构成的核心操作层,接着输入展平层,并由Dense层输出特征,再经过ReLU线性函数、Dense层与Softmax激活函数输出为识别结果。其中经过Dense层提取出1024维度的原始特征z用来进行关键特征的遴选,并通过Softmax激活函数进行信号识别任务。
步骤二具体步骤包括:
步骤2-1,添加复数卷积层,其中复数卷积核为W=A+jB,对于输入的I/Q路样本信号进行如公式(1)的复数卷积操作,经过复数卷积操作后通过公式(2)的ReLU线性函数映射输出:
;
式中,real(X)为X的实部,imag(X)为X的虚部。
步骤2-2,添加批标准化层,将经过复数卷积层与ReLU线性函数映射后的特征数值分布标准化为正态分布,并通过添加参数对数值进行调整,将数值落入适当的范围,增强网络的表达能力。批标准化过程为对信号X经过ReLU线性函数映射后的特征数值,计算出/>的均值μ与方差σ2,进行标准化/>,得到输出,具体为如下公式:
;
其中,为批标准化层的参数,在前向传播与反向传播的训练过程进行更新。
步骤2-4,在最大池化层后添加展平层,在通过展平层过渡后进行全连接层操作,对学习到的特征表示映射到样本空间,接着进行公式(6)的Softmax激活函数操作将多分类的输出值转换为范围在[0,1],和为1的概率分布,实现信号识别与分类任务:
。
步骤三中,为原始特征添加稀疏参数λ,并在损失函数中添加对稀疏函数正则化的约束项,具体步骤包括:
步骤3-1,稀疏参数λ的维度与原始特征z维度相同,初始时λ均设为1,经过前向传播与反向传播更新,如λ最终为0,对应的关键特征将失效。
。
步骤3-2,为了将更多的λ更新为0,在损失函数中加入L1正则化约束,具体如下公式:;
其中第一项为判别识别性能的交叉熵损失,w为CVCNN网络的各层参数(如)的统称;第二项为稀疏惩罚,α为正则化项的权重。
步骤四中,根据上一步添加的损失函数,如图3所示,采用随机梯度下降算法与近端梯度下降算法分别对网络模型权重与稀疏参数进行反向传播,具体步骤包括:
步骤4-1,网络中稀疏参数外,复数卷积层,批标准化层,池化层,全连接层均采用随机梯度下降算法来更新w,具体为公式(9):
;
其中,w t+1、w t 分别为第t+1、t次训练时的参数w,η为CVCNN网络的学习率,t=1,2,…,T,T为训练周期。
步骤4-2,L1正则化是一个不可微的凸函数,稀疏参数λ采用加速近端梯度下降算法更新,具体为公式(10):
;
其中,近端算子具体表示为公式(11):
(11)。
步骤五中,根据前向传播与反向传播过程得到的Dense层最终输出的关键特征,完成信号识别任务。
本发明创造性地在卷积神经网络的反向传播过程中引入稀疏表示与近端梯度下降算法,能有效地去除冗余特征,遴选出关键特征,提高网络模型的可解释性。而且本发明适用于多种物联网设备射频信号,具有较高的准确性与鲁棒性。
本发明的实施例采用100类民航客机广播式自动相关监视系统(ADS-B,Automatic Dependent Surveillance-Broadcast)信号(数据集如表1所示)用于射频信号特征遴选与识别实验,选用的ADS-B射频信号为复值信号,利用搭建的神经网络进行特征提取,特征遴选与识别。在正则化项的权重α选取不同值的情况下,得到特征维度、准确率acc,精确率presion,召回率recall和f1score,如表2所示。由实验结果可得,所提出的方法可以去除冗余特征,选取关键特征用以进一步完成识别任务。且随着α的增加,特征稀疏度随着增加,但如果α取值过大,会使得稀疏后的关键特征难以完成识别任务,导致难以识别100类ADS-B信号。
表1 用于实验的若干组ADS-B设备的复基带信号数据集
参数 | 取值 |
采样频率 | 50MHz |
载波频率 | 1090MHz |
带宽 | 10MHz |
调制方式 | 脉冲位置调制 |
信噪比 | 30 dB |
信号格式 | IQ(2, 6000) |
训练集、验证集 | 21282、2362 |
航空器类别数 | 100 |
信号接收器 | USRP SM200B |
采集地点 | 中国民航产业化基地(距机场30 km) |
采集时间 | 2020.06.03-2020.06.23 |
采集天线 | 全向天线 |
表2 在ADS-B信号上的实验性能
正则化项权重α | 特征维度 | acc | precision | recall | f1_score |
0 | 1024 | 99.14% | 0.9941 | 0.9914 | 0.9905 |
10 -3 | 315 | 99.20% | 0.9950 | 0.9920 | 0.9909 |
10 -2 | 237 | 99.79% | 0.9980 | 0.9979 | 0.9979 |
10 -1 | 219 | 99.84% | 0.9984 | 0.9984 | 0.9984 |
1 | 200 | 8.15% | 0.0207 | 0.0815 | 0.0273 |
基于相同的技术方案,本发明还公开了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述基于稀疏表示与近端算法的射频信号特征遴选与识别方法。
基于相同的技术方案,本发明还公开了一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述基于稀疏表示与近端算法的射频信号特征遴选与识别方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,其特征是:具体包括以下步骤:
步骤一,采集物联网WiFi设备信号,记作X;
步骤二,将信号X输入搭建的CVCNN网络中提取原始特征z,用于训练得到遴选后的关键特征;
步骤三,为原始特征添加稀疏参数λ,并在CVCNN网络的损失函数中添加对稀疏参数正则化的约束项;
步骤四,根据上一步添加约束项的损失函数,采用随机梯度下降算法与近端梯度下降算法分别对CVCNN网络的权重与稀疏参数进行前向传播与反向传播训练过程;
步骤五,根据前向传播与反向传播过程得到的关键特征,完成信号识别任务;
所述步骤一中,X={xi,i=1,2,…,N},其中N为信号样本数,经过CVCNN网络Dense层后输出原始特征z,并通过训练最终得到遴选后的关键特征Softmax激活函数根据遴选后的关键特征将这些信号样本识别为k={yi,j=1,2,…,K},其中K为信号类别数;通过最大后验概率准则MAP将信号样本xi识别为/>
所述步骤二中将X输入搭建的CVCNN网络,经过9层由复数卷积层、ReLU线性函数层、批标准化层、最大池化层构成的核心操作层,接着输入展平层,并由全连接Dense层输出特征,再经过ReLU线性函数、Dense层与Softmax激活函数输出识别结果;其中经过Dense层提取出的原始特征z用来进行关键特征的遴选。
2.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,其特征是:所述步骤三的具体步骤如下:
步骤3-1,稀疏参数λ的维度与原始特征z的维度相同,原始特征z添加稀疏参数λ后得到关键特征:
步骤3-2,在损失函数中加入L1正则化约束,具体如下公式:
其中第一项为判别识别性能的交叉熵损失,w为CVCNN网络的参数;第二项为稀疏惩罚,α为正则化项的权重。
3.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,其特征是:所述步骤四的具体步骤如下:
步骤4-1,CVCNN网络中除稀疏参数外,采用随机梯度下降算法来更新CVCNN网络的参数w,具体为:
其中,η为CVCNN网络的学习率,t=1,2,…,T,T为训练周期;
步骤4-2,稀疏参数λ采用加速近端梯度下降算法更新,具体为:
其中,近端算子具体表示为如下公式:
4.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法,其特征是:前向传播中最大池化操作选取特征数值最大值作为输出,反向传播中通过该最大值在相应位置传递梯度,其余位置均为0。
5.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,其特征是:所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至4中任一所述的方法。
6.一种基于稀疏表示与近端算法的射频信号特征遴选与识别设备,其特征是:包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至4中任一所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232775.0A CN115935154B (zh) | 2023-03-13 | 2023-03-13 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232775.0A CN115935154B (zh) | 2023-03-13 | 2023-03-13 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935154A CN115935154A (zh) | 2023-04-07 |
CN115935154B true CN115935154B (zh) | 2023-11-24 |
Family
ID=86651051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310232775.0A Active CN115935154B (zh) | 2023-03-13 | 2023-03-13 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935154B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713912A (zh) * | 2024-02-05 | 2024-03-15 | 成都大公博创信息技术有限公司 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN109886406A (zh) * | 2019-02-25 | 2019-06-14 | 东南大学 | 一种基于深度压缩的复数卷积神经网络压缩方法 |
CN115393219A (zh) * | 2022-08-29 | 2022-11-25 | 南昌航空大学 | 基于退化复四元数卷积神经网络的图像去噪方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12020167B2 (en) * | 2018-05-17 | 2024-06-25 | Magic Leap, Inc. | Gradient adversarial training of neural networks |
US10832139B2 (en) * | 2018-06-22 | 2020-11-10 | Moffett Technologies Co. Limited | Neural network acceleration and embedding compression systems and methods with activation sparsification |
US11681922B2 (en) * | 2019-11-26 | 2023-06-20 | Numenta, Inc. | Performing inference and training using sparse neural network |
-
2023
- 2023-03-13 CN CN202310232775.0A patent/CN115935154B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN109886406A (zh) * | 2019-02-25 | 2019-06-14 | 东南大学 | 一种基于深度压缩的复数卷积神经网络压缩方法 |
CN115393219A (zh) * | 2022-08-29 | 2022-11-25 | 南昌航空大学 | 基于退化复四元数卷积神经网络的图像去噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115935154A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929603B (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN110009095B (zh) | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 | |
CN106446895A (zh) | 一种基于深度卷积神经网络的车牌识别方法 | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN115935154B (zh) | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN111723666B (zh) | 一种基于半监督学习的信号识别方法和装置 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN101783777A (zh) | 数字调制信号识别方法 | |
CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN113886587A (zh) | 一种基于深度学习的数据分类方法以及图谱的建立方法 | |
CN108596204B (zh) | 一种基于改进型scdae的半监督调制方式分类模型的方法 | |
CN116980824B (zh) | 一种轻量化的加权集成学习室内csi定位方法 | |
CN112836788A (zh) | 一种用于干扰类型识别的低功耗深度学习网络方法 | |
CN110378229B (zh) | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 | |
CN108346287B (zh) | 基于影响因素分析的交通流量序列模式匹配方法 | |
CN109558819A (zh) | 一种用于遥感图像目标检测的深度网络轻量化方法 | |
CN113376586A (zh) | 一种双分量雷达信号分类模型构建方法 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN112738724A (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN106874920A (zh) | 基于小波包分析和支持向量机的车牌字符识别方法 | |
Tao et al. | Radar emitter signal recognition method based on improved collaborative semi-supervised learning | |
Holubnychyi et al. | Machine learning technique based on Gaussian mixture model for environment friendly communications | |
Huang et al. | A method for extracting fingerprint feature of communication satellite signal |
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 |