CN116842457A - 一种基于长短时记忆网络的雷达辐射源个体识别方法 - Google Patents
一种基于长短时记忆网络的雷达辐射源个体识别方法 Download PDFInfo
- Publication number
- CN116842457A CN116842457A CN202310874509.8A CN202310874509A CN116842457A CN 116842457 A CN116842457 A CN 116842457A CN 202310874509 A CN202310874509 A CN 202310874509A CN 116842457 A CN116842457 A CN 116842457A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- short
- long
- radar
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000015654 memory Effects 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 230000036962 time dependent Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000032683 aging Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于长短时记忆网络的雷达辐射源个体识别方法,涉及雷达信号处理领域。方法为:首先基于长短时记忆神经网络架构设计网络模型并使用triplet对网络模型进行优化,然后对原始脉冲波形数据进行预处理生成序列化后的包络信号输入网络中,通过隐藏层的LSTM单元提取包含时序依赖关系的个体特征向量,最后将特征向量输入到分类层进行分类,得到个体识别的结果。本方法具有处理时效快、特征精度高、分类效果好的特点。
Description
技术领域
本发明属于雷达信号处理领域,特别是一种基于长短时记忆网络的雷达辐射源个体识别方法。
背景技术
雷达辐射源个体识别是电子对抗的重要组成部分和发展方向,它主要依据侦察到的不同雷达辐射源信号之间的差异,并与已知雷达个体的参数或特征进行比较,识别出每一个雷达辐射源,从而为电子对抗提供情报支撑。
根据不同雷达发射机制造工艺的误差、器件特性随时间的漂移、调制系统的不均衡等特性,导致雷达发射信号中存在着一些稳定可测的、有区分性的信号特征,可以用于区分不同的雷达辐射源,这就是雷达辐射源个体特征。雷达辐射源个体识别技术的关键在于个体特征的提取方法。
目前,雷达辐射源个体识别的个体特征提取方法主要有以下几类:
第一类是传统的参数比对的方法,采用雷达脉冲信号的射频、重频、脉宽的分布差异进行个体识别,但是这类方法处理复杂,而且提取到的雷达脉冲信号的参数都属于粗测的参数,而且没有提取到深度特征,依据这类参数进行个体识别的精度较低。
第二类是精细脉间特征分析的方法,但是这类方法只能处理固定重频和重频参差的情况,且依赖于晶振的误差率,局限较大,泛化性低,且处理耗时长。
第三类是常规的深度学习方法如CNN等方法,利用深度学习的强大特征提取能力,使得分类性能有了很大的提升,但是没有对特征空间进行优化,也无法完成时序特征的提取。
在这种情况下,需要找到一种耗时短、泛化性强、精度高的雷达辐射源个体识别的新方法,完成对雷达辐射源个体的可区分性特征的提取,实现更好的雷达辐射源个体识别效果。
发明内容
本发明的目的在于提供一种耗时短、泛化性强、精度高的雷达辐射源个体识别方法,实现本发明目的的技术解决方案为:本申请提供一种基于长短时记忆网络的雷达辐射源个体识别方法,包括以下步骤:
步骤1、基于长短时记忆神经网络架构设计网络模型,确定网络时序、数据输入形式和网络结构,使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息;
步骤2、将原始的已知雷达脉冲波形数据进行预处理,提取脉冲包络并将分段序列化为网络需要的数据形式;
步骤3、使用triplet设计损失函数,结合经预处理的时序数据训练网络模型;
步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本,经过训练好的网络模型提取所有样本的个体特征;
步骤5、将提取的特征向量集合经过softmax分类层,输出不同雷达个体的识别结果。
可选的,步骤1所述基于长短时记忆神经网络架构设计网络模型,确定网络时序、数据输入形式和网络结构,使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息,包括:
步骤1.1、选择网络的初始输入特征为脉冲包络信号,信号的长度确定为L=3000,雷达辐射源个体数量为N;
步骤1.2、确定网络每次梯度更新的样本数batch=32,网络的时序为K=50,网络输入层的节点数为X=L/K=60,每个LSTM单元的隐层数量为S=5;
步骤1.3、确定每个LSTM单元的隐层数量为S1=5,方向为单向,隐层的节点数为S2=128,输出层的节点数为num_cls=N;
步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。
可选的,将原始的已知雷达脉冲波形数据进行预处理,提取脉冲包络并将分段序列化为网络需要的数据形式,包括:
步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据,假设侦收到的雷达原始脉冲波形对应的信号形式为:
其中,n(t)为高斯噪声,a(t)为雷达辐射源特性函数,为信号包络;正交变换定义如下:
令解析信号则z(t)的幅度/>即为信号s(t)的包络;
步骤2.2、对包络数据进行归一化处理,截取包络曲线的前N=3000点数据,不足3000点的进行置零处理;
步骤2.3、对数据进行分段序列化处理:一个batch包含m个脉冲,即输入数据为X=(z1;z2;…;zm),其中batch表示原始脉冲数据存储的批次,zi表示batch中的第i个脉冲的包络信号;
将信号zi划分成K个时序,序列化后的数据格式为:
可选的,使用triplet设计损失函数,结合经预处理的时序数据训练网络模型,包括:
步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失,对于包含m个样本的batch数据D(a,p,n),第i个样本对应的损失为:
li=max{d(ai,pi)-d(ai,ni)+margin,0}
其中,a,p,n分别代表锚点、正例和负例;总的损失定义为:L=LS+Lt,其中LS为交叉熵损失,Lt为triplet损失;根据数据的特点确定margin值,取值为0.5-1;
步骤3.2、以L为损失函数,结合步骤1的网络结构和步骤2的序列化数据样本,训练足够的轮次直至得到收敛的网络模型
本发明与现有技术相比,其显著优点为:(1)特征提取建立在脉冲包络等脉内时变信息基础上,处理时间短,泛化性强;(2)将原始数据进行序列化,然后通过LSTM长短时记忆神经网络单元,可以提取出包含脉内时序依赖信息的雷达辐射源个体特征,提升了特征提取精度;(3)使用triplet loss方法对特征空间进行优化,使得特征空间可以更好地表示个体间的差异性,提高了个体识别的分类正确率。
附图说明
图1为本发明一种基于长短时记忆网络的雷达辐射源个体识别方法的流程示意图。
图2为本发明的网络结构示意图。
图3本发明实施例中使用本发明方法使用3个行波管体制雷达个体的数据进行个体特征提取的结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
结合图1,本发明一种基于长短时记忆网络的雷达辐射源个体识别方法,具体实现步骤如下:
步骤1、基于长短时记忆神经网络架构设计网络模型,确定网络时序、数据输入形式和网络结构,使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息,如图2所示,具体如下:
步骤1.1、选择网络的初始输入特征为脉冲包络信号,信号的长度确定为L=3000,雷达辐射源个体数量为N;
步骤1.2、确定网络每次梯度更新的样本数batch=32,网络的时序为K=50,网络输入层的节点数为X=L/K=60,每个LSTM单元的隐层数量为S=5;
步骤1.3、确定每个LSTM单元的隐层数量为S1=5,方向为单向,隐层的节点数为S2=128,输出层的节点数为num_cls=N;
步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。
步骤2、将原始的已知雷达脉冲波形数据进行预处理,提取脉冲包络并将分段序列化为网络需要的数据形式,具体如下:
步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据,假设侦收到的雷达原始脉冲波形对应的信号形式为:
其中,n(t)为高斯噪声,a(t)为雷达辐射源特性函数,为信号包络。正交变换定义如下:
令解析信号则z(t)的幅度/>即为信号s(t)的包络。
步骤2.2、对包络数据进行归一化处理,截取包络曲线的前N=3000点数据,不足3000点的进行置零处理。
步骤2.3、对数据进行分段序列化处理。一个batch包含m个脉冲,即输入数据为X=(z1;z2;…;zm),其中zi表示batch中的第i个脉冲的包络信号。将信号zi划分成K个时序,即序列化后的数据格式为:
步骤3、设计损失函数,结合经预处理的时序数据训练网络模型,具体如下:
步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失,对于包含m个样本的batch数据D(a,p,n),第i个样本对应的损失为:
li=max{d(ai,pi)-d(ai,ni)+margin,0}
其中,a,p,n分别代表锚点、正例和负例。总的损失定义为:L=LS+Lt,其中LS为交叉熵损失,Lt为triplet损失。根据数据的特点确定margin值,一般取0.5-1,使网络收敛的同时提取的个体特征具有可区分性。
步骤3.2、以L为损失函数,结合步骤1的网络结构和步骤2的序列化数据样本,训练足够的轮次直至得到收敛的网络模型。
步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本,经过训练好的网络模型提取所有样本的个体特征;
步骤5、将提取的特征向量集合经过softmax分类层,输出不同雷达个体的识别结果。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例1
1.实验条件:
此次实验选取18组行波管体制的雷达辐射源的脉冲波形数据作为训练数据,包含了3个行波管体制雷达个体。每一组数据对应一个雷达个体。同时实验选取了19组雷达辐射源的脉冲波形数据作为测试数据,每组数据对应一个雷达个体。脉冲波形数据为二进制数据,依次存储各脉冲的采样点数据,每组脉冲波形数据包含2000个雷达脉冲。
硬件平台:服务器、CPU为Intel Xeon(R)E5-2640 v3、主频2.6GHz、GPU为NVIDIAGeForce RTX 3060;
操作系统:Ubuntu 18.04.6 LTS;
开发工具:Python3.7、torch1.12.0、torchvision0.13.0。
2.实验内容:
在上述实验条件下,使用本发明的方法首先对所有的脉冲波形数据进行预处理,每组数据从2000个雷达脉冲中选取质量较高的100-256个脉冲,提取其脉冲包络信号,并进行分段、序列化处理,然后搭建网络,设计损失函数,训练网络模型,在最后一层LSTM单元的输出之前将输出向量降维至2维进行特征可视化,网络模型训练的结果如图3所示。然后使用测试数据序列化后经过网络模型提取个体特征,并通过softmax分类层输出识别结果。
3.结果分析:
由图3可以看出,使用本发明对行波管体制的雷达脉冲数据进行处理和个体识别,从网络提取的个体降维特征上可以看出,本发明方法可以有效提取出可区分的高精度特征。同时在结果上,常规的深度学习CNN方法在测试数据上的识别正确率为68.4%,而本发明的方法取得的识别正确率为84.2%,可以取得更好的个体识别效果。
Claims (4)
1.一种基于长短时记忆网络的雷达辐射源个体识别方法,其特征在于,包括:
步骤1、基于长短时记忆神经网络架构设计网络模型,确定网络时序、数据输入形式和网络结构,使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息;
步骤2、将原始的已知雷达脉冲波形数据进行预处理,提取脉冲包络并将分段序列化为网络需要的数据形式;
步骤3、使用triplet设计损失函数,结合经预处理的时序数据训练网络模型;
步骤4、对未分类的雷达脉冲波形数据进行处理得到数据样本,经过训练好的网络模型提取所有样本的个体特征;
步骤5、将提取的特征向量集合经过softmax分类层,输出不同雷达个体的识别结果。
2.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法,其特征在于,步骤1所述基于长短时记忆神经网络架构设计网络模型,确定网络时序、数据输入形式和网络结构,使用LSTM长短时记忆神经网络单元提取序列数据的时间依赖信息,包括:
步骤1.1、选择网络的初始输入特征为脉冲包络信号,信号的长度确定为L=3000,雷达辐射源个体数量为N;
步骤1.2、确定网络每次梯度更新的样本数batch=32,网络的时序为K=50,网络输入层的节点数为X=L/K=60,每个LSTM单元的隐层数量为S=5;
步骤1.3、确定每个LSTM单元的隐层数量为S1=5,方向为单向,隐层的节点数为S2=128,输出层的节点数为num_cls=N;
步骤1.4、在最后一层LSTM单元后增加一层softmax分类层。
3.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法,其特征在于,将原始的已知雷达脉冲波形数据进行预处理,提取脉冲包络并将分段序列化为网络需要的数据形式,包括:
步骤2.1、对原始脉冲波形信号进行正交变换提取脉冲包络数据,假设侦收到的雷达原始脉冲波形对应的信号形式为:
其中,n(t)为高斯噪声,a(t)为雷达辐射源特性函数,为信号包络;正交变换定义如下:
令解析信号则z(t)的幅度/>即为信号s(t)的包络;
步骤2.2、对包络数据进行归一化处理,截取包络曲线的前N=3000点数据,不足3000点的进行置零处理;
步骤2.3、对数据进行分段序列化处理:一个batch包含m个脉冲,即输入数据为X=(z1;z2;…;zm),其中batch表示原始脉冲数据存储的批次,zi表示batch中的第i个脉冲的包络信号;
将信号zi划分成K个时序,序列化后的数据格式为:
4.根据权利要求1所述的基于长短时记忆网络的雷达辐射源个体识别方法,其特征在于,使用triplet设计损失函数,结合经预处理的时序数据训练网络模型,包括:
步骤3.1、损失函数使用triplet损失优化多分类的交叉熵损失,对于包含m个样本的batch数据D(a,p,n),第i个样本对应的损失为:
li=max{d(ai,pi)-d(ai,ni)+margin,0}
其中,a,p,n分别代表锚点、正例和负例;总的损失定义为:L=LS+Lt,其中LS为交叉熵损失,Lt为triplet损失;根据数据的特点确定margin值,取值为0.5-1;
步骤3.2、以L为损失函数,结合步骤1的网络结构和步骤2的序列化数据样本,训练足够的轮次直至得到收敛的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874509.8A CN116842457A (zh) | 2023-07-17 | 2023-07-17 | 一种基于长短时记忆网络的雷达辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874509.8A CN116842457A (zh) | 2023-07-17 | 2023-07-17 | 一种基于长短时记忆网络的雷达辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842457A true CN116842457A (zh) | 2023-10-03 |
Family
ID=88166989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310874509.8A Pending CN116842457A (zh) | 2023-07-17 | 2023-07-17 | 一种基于长短时记忆网络的雷达辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842457A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN110907908A (zh) * | 2019-10-22 | 2020-03-24 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 基于包络分析的导航雷达信号分选方法 |
CN114826500A (zh) * | 2022-04-21 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的恒包络调制突发信号检测方法与系统 |
CN115270872A (zh) * | 2022-07-26 | 2022-11-01 | 中山大学 | 雷达辐射源个体小样本学习识别方法、系统、装置及介质 |
CN115705393A (zh) * | 2021-08-11 | 2023-02-17 | 华东师范大学 | 一种基于持续学习的雷达辐射源分级识别方法 |
CN115754956A (zh) * | 2022-10-25 | 2023-03-07 | 南京锐码毫米波太赫兹技术研究院有限公司 | 基于包络数据时间序列的毫米波雷达手势识别方法 |
CN115932770A (zh) * | 2022-10-17 | 2023-04-07 | 西安电子科技大学 | 雷达辐射源个体精准智能识别方法、系统、设备及终端 |
CN116165611A (zh) * | 2023-03-06 | 2023-05-26 | 西安电子科技大学 | 雷达辐射源型号精准智能识别方法、系统、设备及终端 |
-
2023
- 2023-07-17 CN CN202310874509.8A patent/CN116842457A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN110907908A (zh) * | 2019-10-22 | 2020-03-24 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 基于包络分析的导航雷达信号分选方法 |
CN115705393A (zh) * | 2021-08-11 | 2023-02-17 | 华东师范大学 | 一种基于持续学习的雷达辐射源分级识别方法 |
CN114826500A (zh) * | 2022-04-21 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的恒包络调制突发信号检测方法与系统 |
CN115270872A (zh) * | 2022-07-26 | 2022-11-01 | 中山大学 | 雷达辐射源个体小样本学习识别方法、系统、装置及介质 |
CN115932770A (zh) * | 2022-10-17 | 2023-04-07 | 西安电子科技大学 | 雷达辐射源个体精准智能识别方法、系统、设备及终端 |
CN115754956A (zh) * | 2022-10-25 | 2023-03-07 | 南京锐码毫米波太赫兹技术研究院有限公司 | 基于包络数据时间序列的毫米波雷达手势识别方法 |
CN116165611A (zh) * | 2023-03-06 | 2023-05-26 | 西安电子科技大学 | 雷达辐射源型号精准智能识别方法、系统、设备及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
Li et al. | Toward convolutional neural networks on pulse repetition interval modulation recognition | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
CN111368920A (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN110490230A (zh) | 基于深度卷积生成对抗网络的水声目标识别方法 | |
CN111310700B (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN113761805B (zh) | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN108549078A (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114021458A (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
CN116842457A (zh) | 一种基于长短时记忆网络的雷达辐射源个体识别方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN113177521B (zh) | 一种基于组合孪生网络的智能辐射源识别方法 | |
CN112966544B (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
CN113111774A (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN113673683A (zh) | 一种基于cgan判别器和生成器的电子鼻识别模型优化方法 | |
CN113406574A (zh) | 一种对多功能雷达工作模式序列的在线聚类方法 | |
CN116842450A (zh) | 一种基于深度度量学习的雷达辐射源个体识别方法 |
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 |