CN116243248A - 基于多标签分类网络的多分量干扰信号识别方法 - Google Patents

基于多标签分类网络的多分量干扰信号识别方法 Download PDF

Info

Publication number
CN116243248A
CN116243248A CN202310218279.XA CN202310218279A CN116243248A CN 116243248 A CN116243248 A CN 116243248A CN 202310218279 A CN202310218279 A CN 202310218279A CN 116243248 A CN116243248 A CN 116243248A
Authority
CN
China
Prior art keywords
interference signal
output
module
label
classification network
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
Application number
CN202310218279.XA
Other languages
English (en)
Inventor
肖易寒
张瑞
陈涛
郭立民
蒋伊琳
宋柯
于祥祯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Shanghai Radio Equipment Research Institute
Original Assignee
Harbin Engineering University
Shanghai Radio Equipment Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University, Shanghai Radio Equipment Research Institute filed Critical Harbin Engineering University
Priority to CN202310218279.XA priority Critical patent/CN116243248A/zh
Publication of CN116243248A publication Critical patent/CN116243248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT‑v2模块的全局特征提取能力对多分量干扰信号进行高效分类识别。此发明解决了当前多类别分类网络对训练集中未曾出现的信号组合无法识别的问题，对训练样本数的要求较低，突破了现有的雷达有源干扰识别方法的应用局限。

Description

基于多标签分类网络的多分量干扰信号识别方法
技术领域
本发明涉及一种基于多标签分类网络的多分量干扰信号识别方法，属于雷达干扰信号识别领域。
背景技术
随着不同辐射源数量的增加，电磁环境变得愈发复杂，信号密度大，脉冲序列交织程度高，频谱上甚至出现激烈的争夺与对抗。雷达可能接收到多个有意或无意的干扰信号，这些干扰信号在时域或频域上发生混叠形成多分量干扰信号。由于接收到的混合信号可能存在的干扰种类未知、数量未知，往往会对雷达探测带来较大的影响。为了更有效和更有针对性的采取抗干扰措施，需要对雷达回波中可能存在的未知干扰信号进行准确迅速的样式识别，从而保证雷达的工作性能。
通过对现有技术文献的检索发现，瞿启哲等在《IEEE Transactions onVehicular Technology》(2020,69(12):15035-45)上发表的“JRNet:Jamming RecognitionNetworks for Radar Compound Suppression Jamming Signals”利用干扰信号的显著功率谱特征，提出一种基于鲁棒功率谱特征的干扰识别网络，提高对细微特征的识别能力。但是该方法只考虑了固定几种组合干扰类型，讨论的干扰类型有限。朱孟涛等在《SignalProcessing》上发表的“Automatic modulation recognition of compound signalsusing a deep multi-label classifier:A case study with radar jamming signals”提出了一种新的基于深度多标签学习的复合信号信号框架，将多标签分类方法应用于复合雷达干扰信号的识别研究。虽然对不可见信号组合具有较好的可扩展性，但由于没有对网络进行深度挖掘导致其性能有所欠缺。
已有文献检索结果表明，现有对于多分量干扰样式识别算法主要通过基于多类别分类的方法进行识别。虽然在有些领域能取得一定结果，但可扩展性差，只能识别固定类型的多分量干扰信号，并且随着干扰类型的增加，对其识别准确率会有一定的影响。而已有的多标签分类方法对信号特征的挖掘深度不够，因此提出了一种基于多标签分类网络的多分量干扰信号识别方法，其通过将干扰信号转换为二维时频图像，通过ML-SGMViTv2网络提取干扰信号全局特征用于分类，精确度更高，可扩展性更强，解决了当前雷达多分量干扰信号识别的应用局限。
发明内容
针对现有干扰信号识别算法的缺点和不足，本发明设计了一种基于ML-SGMViTv2的多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT-v2模块的全局特征提取能力对多分量干扰信号进行高效分类识别。此发明解决了当前多类别分类网络对训练集中未曾出现的信号组合无法识别的问题，对训练样本数的要求较低，突破了现有的雷达有源干扰识别方法的应用局限。
本发明的目的是这样实现的：主要包括如下步骤：
步骤一：获取由雷达回波信号和多个干扰信号线性叠加形成的多分量干扰信号
Figure BDA0004115778380000021
表示构成单一干扰信号分量的个数，最多由q种干扰分量构成，Ji(n)表示接收到的干扰信号，Ai为通过环境传播时调制的振幅系数，awgn(n)表示加性高斯白噪声，xt(n)表示真实目标回波信号。
步骤二：对多分量干扰信号进行预处理。首先对多分量干扰信号进行时频变换，得到其时间-频率联合分布图像X(t,ω)，
Figure BDA0004115778380000022
其中，ω表示频率，h(τ-t)为分析窗函数。
步骤三：将训练集输入多标签分类网络进行训练：
所述的多标签分类网络包括MobileViT-v2模块、SandGlass模块、全局平均池化模块、全连接层和多阈值优化模块，损失函数设定为二元交叉熵函数；
步骤三一：将训练集时频图像输入所提出的ML-SGMViTv2网络，利用MobileViT-v2模块提取信号的全局特征，并通过SandGlass模块去除冗余信息，降低模型参数，得到全局特征矩阵F；
步骤三二：将全局特征矩阵F输入全局平均池化模块层中，得到AvgPool(F)；将AvgPool(F)输入值全连接层中得到信号全局特征向量Gq
Gq＝FC(AvgPool(F))
Figure BDA0004115778380000023
其中，FC代表全连接层操作，H,W为特征矩阵F的行和列值，F(i,j)代表特征矩阵F第i行，第j列的元素。
步骤三三：利用Sigmoid函数作为激活函数，其将一个实值输出z转换为范围为(0,1)的概率输出。将全局特征向量Gq输入至Sigmoid函数分类层中，第j个输出标签的Sigmoid层的输出pj计算为
Figure BDA0004115778380000024
其中，gj为全局特征向量的第j个元素，q为全连接层的输出节点数。
步骤三四：采用二元交叉熵作为损失函数，分别对q个输出标签进行独立计算：
V(pj，tj)＝-tjlog(pj)-(1-tj)log(1-Pj)，j＝1,2，…，q
其中pj表示ML-SGMViTv2模型对第j个标签的输出，tj表示其对应的真实标签。
步骤三五：利用梯度下降法以及余弦退火算法对ML-SGMViTv2网络进行优化。
步骤四：根据输出结果对判定阈值进行优化：
阈值策略会极大地影响多标签分类器的性能，因此采用多阈值策略。该步骤根据训练样本X的输入标签向量T和经过特征提取后得到的输出概率向量P，将阈值校准视为一个优化问题，对多阈值向量M进行优化。由l个训练样本诱导第j个标签的阈值如下：
Figure BDA0004115778380000031
/>
式中，yij，tij∈(0，1)分别表示训练样本si的第j个标签的决策标签和真实标签。
步骤五：将测试集输入训练好的多标签分类网络中，得到输入信号中包含的干扰信号分量。
与现有技术相比，本发明的有益效果是：本发明针对现有方法识别类型固定、鲁棒性差的问题，设计了更智能化的多分量干扰信号识别方法。通过对多种干扰信号进行组合建模分析，从信号时频图像的角度，采用ML-SGMViTv2网络提取信号全局特征进行识别。仿真实验证明了所提出的ML-SGMViTv2网络识别多分量干扰信号的有效性。相较于CNN提取信号局部特征的方法，利用信号的全局特征识别精度更高。与多类别分类方式而言，多标签分类方式对未知组合类型信号仍能保证一定的识别率，可扩展性更强。
附图说明
图1是本发明的总体流程图；
图2是本发明中ML-SGMViTv2网络的结构示意图；
图3是本发明中ML-SGMViTv2网络随迭代次数的性能变化曲线；
图4是本发明中ML-SGMViTv2网络对训练集中未知组合信号的识别性能度量。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
步骤一：建立多分量雷达干扰信号数学模型。
仿真生成雷达多分量干扰信号，构成多分量干扰信号包括雷达回波信号、压制类干扰、灵巧噪声干扰、欺骗类干扰等。输入信号模型为：
Figure BDA0004115778380000032
k∈(1，q)表示单一干扰信号分量的个数，Ji(n)表示接收到的干扰信号，Ai为通过环境传播时调制的振幅系数，awgn(n)表示高斯白噪声，xt(n)表示真实目标回波信号。
步骤二：对多分量干扰信号进行预处理。
对多分量干扰信号进行时频变换，得到信号的时间-频率联合分布图像。采用短时傅里叶变换(short-time Fourier transform,STFT)对干扰信号进行时频变换，将一维干扰信号转换为二维时频图像X(t，ω)。
Figure BDA0004115778380000041
其中，ω表示频率，h(τ-t)为分析窗函数。
(2)每种信号在每个干燥比下生成若干张时频图像，若考虑给定q，k变化的情况，则所有可能的信号组合N的个数可以定义为：
Figure BDA0004115778380000042
(3)对时频图像进行预处理，对图像进行尺度归一化及数据标准化，提升模型泛化能力。
步骤三：构建并训练ML-SGMViTv2多标签分类网络
所述的ML-SGMViTv2多标签分类网络包括MobileViT-v2模块、SandGlass模块、全局平均池化模块、全连接层和多阈值优化模块，损失函数设定为二元交叉熵函数；
步骤三一：构建MobileViT-v2模块。MobileViT-v2模块是ML-SGMViTv2网络的核心模块，其使用可分离自注意力的方法，通过两个单独的线性计算代替二次多头自注意力机制(Multi-headed self-attention,MHA)来编码全局信息，以解决MHA在资源受限设备上高效推理的局限性。
可分离自注意力的结构受多头自注意力机制的启发，与MHA类似，对输入x使用三个分支处理，分别是输入I、键K和值V，输入分支I使用WI∈Rd的线性层将x中的每个d维Token映射到一个标量。该线性投影为内积操作，计算潜在Token L和x之间的距离，得到一个k维向量。然后对这个k维向量进行softmax操作，产生上下文得分cs＝Rk
上下文得分cs用于计算上下文向量cv。具体而言，使用权值为WK∈Rd×d的键分支K将输入x线性投影到d维空间，产生输出xk∈Rk×d。上下文向量cv∈Rd则计算为xk的加权和：
Figure BDA0004115778380000043
cv编码的上下文信息与x中的所有Token共享。为此，输入x使用权重为WV∈Rd×d的值分支V线性投影到d维空间，然后激活函数ReLU产生输出xv∈Rk×d。然后，cv中的上下文信息通过广播元素的乘法运算传播到xV。然后，生成的输出被输入到另一个权重为WO∈Rd×d的线性层，以产生最终的输出y。
Figure BDA0004115778380000051
其中，*和∑分别是可广播的元素级乘法和求和运算。
步骤三二：构建SandGlass模块。Sandglass模块为瓶颈模块，其在更高维度进行恒等映射与空间变换，可以有效缓解信息损失与梯度混淆。
Sandglass模块在原始的逆残差模块中先进行升维再进行降维，同时对两个1×1卷积顺序进行了调整。针对1×1卷积难以获取空间信息这一问题，引入深度卷积编码空间信息，将深度卷积置于两个1×1卷积之外，并在高维特征之间建立短连接，有助于更多的信息从输入传递给输出，从而有更多的梯度回传。
假设Si表示输入向量，So表示输出向量，该模块可用如下公式进行描述：
Figure BDA0004115778380000052
Figure BDA0004115778380000053
其中，
Figure BDA0004115778380000054
分别表示1×1卷积与深度卷积，确保了深度卷积在高维空间处理并得到更丰富的特征表达。
步骤三三：将训练集时频图像输入所提出的ML-SGMViTv2网络，利用MobileViT-v2模块提取信号的全局特征，并通过SandGlass模块去除冗余信息，降低模型参数，得到全局特征矩阵F；随后将全局特征矩阵F输入全局平均池化模块层中，得到AvgPool(F)；将AvgPool(F)输入值全连接层中得到信号全局特征向量Gq
Gq＝FC(AvgPool(F))
Figure BDA0004115778380000055
其中，FC代表全连接层操作，H，W为特征矩阵F的行和列值，F(i，j)代表特征矩阵F第i行，第j列的元素。
步骤三四：利用Sigmoid函数作为激活函数，其将一个实值输出z转换为范围为(0，1)的概率输出。将全局特征Gq输入至Sigmoid函数分类层中，第j个输出标签的Sigmoid层的输出pj计算为
Figure BDA0004115778380000061
其中，gj为全局特征向量的第j个元素，q为全连接层的输出节点数。
步骤三五：采用二元交叉熵作为损失函数，分别对q个输出标签进行独立计算：
V(pj，tj)＝-tjlog(pj)-(1-tj)log(1-pj)，j＝1,2，…，q
其中pj表示ML-SGMViTv2模型对第j个标签的输出，tj表示其对应的真实标签。利用梯度下降法实现对ML-SGMViTv2网络的优化。
步骤三六：根据输出结果对判定阈值进行优化：
根据训练样本X的输入标签向量T和经过特征提取后得到的输出概率向量P，将阈值校准视为一个优化问题，对多阈值向量M进行优化。由l个训练样本诱导第j个标签的阈值如下：
Figure BDA0004115778380000062
式中，yij，tij∈(0，1)分别表示训练样本si的第j个标签的决策标签和真实标签。
步骤四：将测试集输入训练好的多标签分类网络中，得到输入信号中包含的干扰信号分量。
对噪声调幅干扰、噪声调频干扰、白噪声卷积干扰、白噪声乘积干扰、频谱弥散干扰、间歇采样转发干扰以及回波信号7种信号进行组合构成多分量干扰信号数据集，共127种组合方式。每种组合在-8dB、-6dB、-4dB、-2dB、0dB、2dB、4dB、6dB、8dB、10dB共10种干噪比下分别生成20张时频图像，共生成25400张视频图构成数据集，并按照7∶3划分训练集与测试集。每个样本均设置对应的多标签向量。
图3所示为训练网络随迭代次数的性能变化曲线。从仿真图可以看出，本发明所设计的方法拥有较高的识别准确率，在测试集上整体识别率高达99.7％，优于基于多类别分类的同类型网络以及基于局部特征的多标签卷积神经网络(MLCNN)。
图4所示为本发明所提方法对训练集中未知组合信号的识别性能度量。实验按照构成多分量干扰信号的单一干扰分量最大个数将原始数据集分为已知信号组合和未知信号组合，其中将80％已知组合样本用于训练，20％已知组合样本及全部未知组合样本用于测试。从测试结果可以看出，本发明所提方法对未知组合的识别性能随着训练组合数的增加而快速提高，在最大已知组合数(126)时达到最大精度，此时对7种单一干扰分量构成的未知多分量干扰信号的识别精度为98.5％。当最多包含3个单一干扰分量组合构成的多分量干扰信号用于训练时，对64种未知组合信号的识别精度便能达到93.98％，可以极大地减少训练所需的数据成本。

Claims (2)

1.基于多标签分类网络的多分量干扰信号识别方法，其特征在于，步骤如下：
步骤一：获取由雷达回波信号和多个干扰信号线性叠加形成的多分量干扰信号
Figure FDA0004115778370000011
表示构成单一干扰信号分量的个数，最多由q种干扰分量构成，Ji(n)表示接收到的干扰信号，Ai为通过环境传播时调制的振幅系数，awgn(n)表示加性高斯白噪声，xt(n)表示真实目标回波信号；
步骤二：对多分量干扰信号进行预处理；对多分量干扰信号进行时频变换，得到其时间-频率联合分布图像X(t,ω)，
Figure FDA0004115778370000012
其中，ω表示频率，h(τ-t)为分析窗函数；
步骤三：将训练集输入多标签分类网络进行训练：多标签分类网络包括MobileViT-v2模块、SandGlass模块、全局平均池化模块、全连接层和多阈值优化模块，损失函数设定为二元交叉熵函数；
步骤四：根据输出结果对判定阈值进行优化：根据训练样本X的输入标签向量T和经过特征提取后得到的输出概率向量P，将阈值校准视为一个优化问题，对多阈值向量M进行优化；由l个训练样本诱导第j个标签的阈值如下:
Figure FDA0004115778370000013
式中，yij,tij∈(0,1)分别表示训练样本si的第j个标签的决策标签和真实标签；
步骤五：将测试集输入训练好的多标签分类网络中，得到输入信号中包含的干扰信号分量。
2.根据权利要求1所述的基于多标签分类网络的多分量干扰信号识别方法，其特征在于，步骤三包括：
步骤三一：将训练集时频图像输入所提出的ML-SGMViTv2网络，利用MobileViT-v2模块提取信号的全局特征，并通过SandGlass模块去除冗余信息，降低模型参数，得到全局特征矩阵F；
步骤三二：将全局特征矩阵F输入全局平均池化模块层中，得到AvgPool(F)；将AvgPool(F)输入值全连接层中得到信号全局特征向量Gq：
Gq＝FC(AvgPool(F))
Figure FDA0004115778370000021
其中，FC代表全连接层操作，H,W为特征矩阵F的行和列值，F(i,j)代表特征矩阵F第i行，第j列的元素；
步骤三三：利用Sigmoid函数作为激活函数，其将一个实值输出z转换为范围为(0,1)的概率输出；将全局特征向量Gq输入至Sigmoid函数分类层中，第j个输出标签的Sigmoid层的输出pj计算为：
Figure FDA0004115778370000022
其中，gj为全局特征向量的第j个元素，q为全连接层的输出节点数；
步骤三四：采用二元交叉熵作为损失函数，分别对q个输出标签进行独立计算：
V(pj,tj)＝-tjlog(pj)-(1-tj)log(1-pj),j＝1,2,...,q
其中pj表示ML-SGMViTv2模型对第j个标签的输出，tj表示其对应的真实标签；
步骤三五：利用梯度下降法以及余弦退火算法对ML-SGMViTv2网络进行优化。
CN202310218279.XA 2023-03-09 2023-03-09 基于多标签分类网络的多分量干扰信号识别方法 Pending CN116243248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310218279.XA CN116243248A (zh) 2023-03-09 2023-03-09 基于多标签分类网络的多分量干扰信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310218279.XA CN116243248A (zh) 2023-03-09 2023-03-09 基于多标签分类网络的多分量干扰信号识别方法

Publications (1)

Publication Number Publication Date
CN116243248A true CN116243248A (zh) 2023-06-09

Family

ID=86631033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310218279.XA Pending CN116243248A (zh) 2023-03-09 2023-03-09 基于多标签分类网络的多分量干扰信号识别方法

Country Status (1)

Country Link
CN (1) CN116243248A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233706A (zh) * 2023-11-16 2023-12-15 西安电子科技大学 一种基于多层通道注意力机制的雷达有源干扰识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233706A (zh) * 2023-11-16 2023-12-15 西安电子科技大学 一种基于多层通道注意力机制的雷达有源干扰识别方法
CN117233706B (zh) * 2023-11-16 2024-02-06 西安电子科技大学 一种基于多层通道注意力机制的雷达有源干扰识别方法

Similar Documents

Publication Publication Date Title
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
Li et al. Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM
Li Research on radar signal recognition based on automatic machine learning
CN111079847B (zh) 一种基于深度学习的遥感影像自动标注方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN113156376B (zh) 基于sacnn的雷达辐射源信号识别方法
Hong-hai et al. Radar emitter multi-label recognition based on residual network
CN104732244A (zh) 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN111222442A (zh) 一种电磁信号分类方法和装置
Ulapane et al. Hyper-parameter initialization for squared exponential kernel-based gaussian process regression
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
Shen et al. Node identification in wireless network based on convolutional neural network
CN112684427A (zh) 基于串行二次强化训练的雷达目标识别方法
CN114636975A (zh) 基于谱图融合和注意力机制的lpi雷达信号识别方法
CN116243248A (zh) 基于多标签分类网络的多分量干扰信号识别方法
Huang et al. Radar waveform recognition based on multiple autocorrelation images
Paul et al. Dimensionality reduction of hyperspectral image using signal entropy and spatial information in genetic algorithm with discrete wavelet transformation
CN117421667A (zh) 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法
Ghavidel et al. Sonar data classification by using few-shot learning and concept extraction
CN114675249A (zh) 基于注意力机制的雷达信号调制方式识别方法
CN114897002A (zh) 基于LPINet的低截获概率雷达信号脉内调制识别方法
CN116797846A (zh) 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置
CN116430317A (zh) 一种辐射源调制样式与个体识别方法及系统
He et al. Bd-net: a multiplication-less dnn with binarized depthwise separable convolution

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