CN117332266A - 基于混合熵深度学习网络的无人机射频信号检测识别方法 - Google Patents
基于混合熵深度学习网络的无人机射频信号检测识别方法 Download PDFInfo
- Publication number
- CN117332266A CN117332266A CN202311267949.3A CN202311267949A CN117332266A CN 117332266 A CN117332266 A CN 117332266A CN 202311267949 A CN202311267949 A CN 202311267949A CN 117332266 A CN117332266 A CN 117332266A
- Authority
- CN
- China
- Prior art keywords
- network
- deep learning
- radio frequency
- frequency signal
- aerial vehicle
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 18
- 230000004913 activation Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013138 pruning Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于混合熵深度学习网络的无人机射频信号检测识别方法；其中所述的深度学习网络可以实现较高的识别准确率下减少网络大小以减少对物理硬件计算资源的要求。混合熵深度学习网络包括概率层和骨干网络，骨架网络为深度学习网络，骨架网络的输入数据为概率层的输出数据；概率层由一个与输入特征长度相同的权重向量与一个sigmoid激活层实现，前向传播过程为权重向量经过激活函数后与输入特征进行哈达玛积；本发明通过概率层选择有用的射频信号频率信息，减少连接权重并拟合分类结果，从而实现了高准确率、低代价的无人机射频信号检测和识别。
Description
技术领域
本发明涉及信号识别技术领域，尤其涉及一种基于混合熵深度学习网络的无人机射频信号检测识别方法。
背景技术
传统的无人机射频信号识别包括统计建模和深度学习方法，统计建模主要通过某种合适的变换和映射，人工选取一些特征信息，再通过人KNN或SVM等机器学习方法来判断射频信号的种类；深度学习方法则不依赖于人工特征选取，精度也相较于统计建模更高，但其是实现代价要远高于前者，通常要求实现硬件平台存在专门GPU来保证计算能力。
已有的统计建模方法包括傅里叶变换、短时傅里叶变换、压缩短时傅里叶变换、小波变换后用SVM建立分割超平面等，这类方法对于不同射频信号间差距较大时比较适用，但难以分辨出如同一款无人机的不同模式下的射频信号。当前深度学习检测无人机射频信号的方法有全连接网络、卷积网络、卷积残差网络等，随着网络复杂度的提高，其检测/分类能力也相应提升，能够较好识别一些特征十分相近的信号，但这些网络通常计算体量十分庞大，需要训练的参数高达几十万或上百万。
发明内容
针对上述本发明提出了一种基于混合熵深度学习的无人机射频信号检测识别方法，以解决深度学习识别无人机射频信号时计算代价昂贵问题一种基于混合熵的深度学习网络，能够根据输入特征的有用性，对网络不断剪枝，在保持一个较高的识别准确度情况下，可以通过一个轻量级网络来实现无人机信号的检测识别。本发明提供了。
为解决上述技术问题，本发明是这样实现的：
本发明提供一种基于混合熵深度学习的无人机射频信号检测识别方法，包括以下步骤：
(1)采集射频信号时域数据，将其转换到合适的变换域；
(2)将转换到变换域后的数据集划分为训练集、验证集和测试集；
(3)构建混合熵深度学习网络，混合熵深度学习网络包括概率层和骨架网络，概率层后为骨架网络，骨架网络为深度学习网络，骨架网络的输入数据为概率层的输出数据；其中：概率层由一个与输入特征长度相同的权重向量与一个sigmoid激活层实现，前向传播过程为权重向量经过激活函数后与输入特征进行哈达玛积；
使用训练集训练混合熵深度学习网络，每一轮训练结束后丢弃掉由概率层决定出的对于信号分类无用的特征点，并剪枝掉该特征点对应的到后面骨架网络的连接，重复上述混合熵深度学习网络训练直到不存在无用特征点，最后得到非均匀采样特征上的轻量级深度学习识别网络；
(4)将测试集的数据输入轻量级深度学习识别网络，实现无人机射频信号的检测识别。
本发明中，步骤(1)中，所述射频信号时域数据按照奈奎斯特定理对射频信号进行采样，采样设备包括但不限于如NI USRP-2943R射频接收器，得到离散时域数据集Xt，记总数据量为N。
本发明中，步骤(1)中，相较于以往变换域变换，本发明转换的变换域“颗粒度”更细，得到分辨率更高的变换域数据集Xc，以获得更多潜在可分辨的特征，而多余的特征则通过后面的剪枝丢弃。如变换到频域时，以往方法往往将时域数据通过2048点的离散傅里叶变换转换到离散频域，来降低输入数据维度，在本发明中可以采用如16384点的离散傅里叶变换得到高密度频域谱数据，但在多轮剪枝后仅保留两百多个有用特征点。然而本发明并不局限于离散傅里叶变换。
本发明中，步骤(2)中，所述训练集、验证集和测试集的划分可以对变换域数据集Xc按照常见的8:1:1比例划分，也可以让验证集与测试集相同，记训练集、验证集、测试集大小分别为Ntrain、Nval、Ntest，每条数据还对应着其分类标签yi∈{1,2,…,C}，其中C为待分类的类数。
本发明中，步骤(3)中，所述混合熵深度学习网络的第一层由被称为概率层的结构实现，对于每一个输入特征点，都分配了一个权重(为变换域)，K表示转换到变换域的点数，权重含义是该特征被选中的概率，是一个可训练参数，输入特征值与pk相乘，/>作为骨架网络的每个特征输入点；概率层初始权重设为全零，或者零附近，以保证初始概率为0.5左右，即该特征被选中或不选中概率接近。
本发明中，步骤(3)中，骨架网络包括但不限于全连接、卷积和残差结构，骨架网络的最后一层采用softmax为激活函数。具体的实施例中，骨架网络采用全连接网络，包括4个全连接层。
本发明中，步骤(3)中，利用分类标签指示深度学习网络训练时计算损失或验证/测试时计算准确率，其形式包括但不限于直接表示、独热编码(one-hot)等，任何可能的标签形式都可以通过简单调整网络输出层来实现。
本发明中，步骤(3)中，训练混合熵深度学习网络时，其损失函数采用混合熵，除了传统的交叉熵还加入了平均熵He(p1,p2,…,pK)，混合熵是两者的综合，综合形式包括但不限于求和、加权和、乘积等。损失函数可以提供分类错误程度的衡量并进行误差反向传播更新网络参数。其中，平均熵采用合适的计算形式，使得总体上每个概率层权重趋向于0或1，当趋向于0时表示该位置对应的输入特征对于网络分类无用，反之则反之。平均熵的实现形式包括但不限于对每个特征概率取信息量后求平均。平均熵可以看作是一种对概率层权重的正则化处理。
本发明中，步骤(3)中，混合熵深度学习网络训练时，计算混合熵作为损失函数，进行误差反向传播，方式包括但不限于Adam、随机梯度下降等。在完成第一轮训练后，对网络进行剪枝和循环训练。
本发明中，步骤(3)中，所训练的网络收敛之后，按照概率层中的每一个概率值，决定该位置对应的特征是否对网络的分类有贡献，由于平均熵的存在，在网络收敛时平均熵损失很小，绝大部分概率层中的概率值都趋于0或1，可以按照0.5的门限值，决定特征的取舍。在丢弃无用特征后，连通该位置的概率层以及与骨架网络第一层的连接权重也一并从网络中移除，从而完成剪枝。
本发明中，步骤(3)中，混合熵深度学习网络剪枝之后，除了概率层、概率层与骨架网络第一层的连接，后续网络结构并没有变换，且由于剪枝掉的部分对于网络输入几乎没有任何贡献(概率几乎为0，则从概率层在该位置的输出几乎为0)，则可以在每次循环训练时可以复用从骨架网络第二层开始的网络参数，这些参数是要训练的深度学习网络的权重，可以通过反向传播算法优化的参数，其是在上一轮训练收敛后的，可以直接用于分类预测，所以在该循环训练中可以大幅加速收敛速度。重复循环训练，直至没有多余特征或剩余特征数低于某个预期值，至此得到用于无人机射频信号检测分类的轻量级深度学习网络。
和现有技术相比，本发明的有益效果在于：
本发明通过选择有用的射频信号频率信息，减少连接权重并拟合分类结果，从而实现了高准确率、低代价的无人机射频信号检测和识别系统。本发明的网络在训练过程中是一个不断剪枝的网络，初始参数达到四十万以上的参数，之后不断减半直到十万级参数；在推理阶段，本发明的网络参数为十万级。本发明的混合熵深度学习网络可以实现较高的识别准确率下减少网络大小以大大减少对物理硬件计算资源的要求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于混合熵深度学习的无人机射频信号检测识别的系统的框架。
图2是本发明实施例中混合熵深度学习网络的结构图。
图3是本发明实施例中利用混合熵进行剪枝的流程图。
图4是本发明实施例中所得到的最终识别网络的准确度对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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作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。
本发明实施例中，提出了一种基于混合熵深度学习的无人机射频信号检测识别方法，以16384点的离散傅里叶变换进行变换域转换，全连接网络作为深度学习网络骨架，输出层为独热编码形式，用于对概率层正则化的平均熵用平均信息量来实现。显然，本实施例中所述这些细节上的实现方式只是一种示例和实现方式，其他任意简单组合和替换都属于本发明保护的范围。
本实施例中，基于混合熵深度学习的无人机射频信号检测识别由以下步骤组成：
步骤S1、利用公开无人机射频信号数据集DroneR(IQ采样频率为200MS/s，样本长度为100000个样本点)，DroneR数据集中，射频信号分为10类：(1)背景噪声；(2)第一类示例无人机的状态1；(3)第一类示例无人机的状态2；(4)第一类示例无人机的状态3；(5)第一类示例无人机的状态4；(6)第二类示例无人机的状态2；(7)第二类示例无人机的状态2；(8)第二类示例无人机的状态2；(9)第二类示例无人机的状态2；(10)第三类示例无人机的状态2；
将DroneR数据集中的离散时间射频信号xt用16384点的离散傅里叶变换(DFT)得到高密度离散频域谱xc，得到网络输入数据，其对应的标签为y，在应用时转化为独热编码其中/>是二元域{0,1}。将所有的数据按照8:1:1的比例划分为训练集、验证集、测试集。
其中，步骤S1中的时域到频域的转换，可以分为以下步骤：
步骤S1.1、由于无人机射频信号通常工作在两个频段fH和fL，在采样时需要同时采样两个频段的时域数据和/>两组数据同为100000点的离散时域数据；
步骤S1.2、再通过DFT都转换到16384(K＝16384)点，的频域后得到高频低频离散高密度频域谱和/>由于频谱对称，只取/>和/>的一半点即可代表所有信息；
步骤S1.3、将拼接/>到后仍得到16384点特征的网络输入数据xc，在拼接时为了保证整体数据的平滑性，采用一个标量α对/>进行缩放：
则输入数据为拼接方法并不局限于此方式，如果无人机信号是单频的，也应视为本发明的简单情况。
步骤S2、构建混合熵深度学习网络，其结构如图2所示，通过离散傅里叶DFT变换到的频域特征，经过一个特殊概率层(图2中一列方框来表示)，每个特征都对应一个概率(图2中每个方框)，输入的特征与概率相乘后作为概率层在该位置的输出。之后的深度学习网络是一个L层的全连接层网络，中间的第l层由一个权重Wl、一个偏置bl和一个激活函数σl决定，σl可以为sigmod，relu等常用激活函数，最后一层的激活函数是分类中常用的softmax函数。网络的输出可以用以下公式表示：
其中，p＝[p1,p2,…,pK]T。损失函数则由混合熵决定，本实施例采用的是交叉熵和平均熵的加权和形式：
其中，φ>0为平均熵权重。
其中，步骤S2中混合熵网络的损失函数的构建，可以分为以步骤：
步骤S2.1、混合熵的第一部分为普通交叉熵，其形式为：
步骤S2.2、混合熵的第二部分是平均熵，本实施例中的形式为：
其中Hb(p)为二进制熵；
Hb(p)＝-p log2 p-(1-p)log2(1-p)
步骤S2.3、混合熵为交叉熵与平均熵的加权和，首先确定加权系数φ>0，φ越大则网络越关注于概率层两极分化程度，再将两者加权相加如：
步骤S3、用训练数据集训练混合熵深度学习网络，直至收敛稳定，根据概率层中趋于1的权重的个数是否低于预期的阈值Nth决定是否结束步骤，得到最终网络，否则进行特征丢弃并剪枝相应网络权重后重复本步骤。该步骤可以用图3的循环训练流程图表示。
其中，步骤S3中的剪枝由以下步骤组成，首先记循环训练的轮数为n，则：步骤S3.1、取出概率层的权重p(n)，在网络收敛后可以根据p(n)中的值将特征位置即下标分为两组，趋于1的一组趋于0的一组/>步骤S3.2、丢弃特征/>概率层与第二层之间的权重为/> 则删除的行号属于/>的行，得到剪枝后的权重/>具体实施例中，骨架网络为全连接分类网络，全连接层为4层，第一层为16384输入256输出，第二层为256输入64输出，第三层为64输入16输出，第四层为16输入10输出，对于十种射频信号的判断效果如图4所示；图4中，所有网络的骨架都相同或类似，所有网络都用相同数据训练和测试，训练算法都为Adam后向误差传播算法；除了本发明的混合熵网络训练时以混合熵为损失函数，其它网络训练的损失函数为交叉熵。根据图4结果，虽然本发明训练网络时不断剪枝减少使用的特征点数，减少了第一层全连接的权重数量，最终得到的推理网络参数只有十万级，只有更低的计算资源需求和存储需求，设备代价大大降低，本发明的方法仍可在大幅减少参数量的同时保证准确率。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (9)
1.一种基于混合熵深度学习的无人机射频信号检测识别方法，其特征在于，包括以下步骤：
(1)采集射频信号时域数据，将其转换到合适的变换域；
(2)将转换到变换域后的数据集划分为训练集、验证集和测试集；
(3)构建混合熵深度学习网络，混合熵深度学习网络包括概率层和骨架网络，概率层后为骨架网络，骨架网络为深度学习网络，骨架网络的输入数据为概率层的输出数据；其中：概率层由一个与输入特征长度相同的权重向量与一个sigmoid激活层实现，前向传播过程为权重向量经过激活函数后与输入特征进行哈达玛积；
使用训练集训练混合熵深度学习网络，每一轮训练结束后丢弃掉由概率层决定出的对于信号分类无用的特征点，并剪枝掉该特征点对应的到后面骨架网络的连接，重复上述混合熵深度学习网络训练直到不存在无用特征点，最后得到非均匀采样特征上的轻量级深度学习识别网络；
(4)将测试集的数据输入轻量级深度学习识别网络，实现无人机射频信号的检测识别。
2.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(1)中，射频信号时域数据通过16384点的离散傅里叶变换转换得到高密度频域谱数据。
3.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(2)中，训练集、验证集和测试集按照8:1:1比例划分；训练集、验证集、测试集中的每条数据对应着其分类标签yi∈{1,2,…,C}，其中C为待分类的类数，N为训练集、验证集和测试集中高密度频域谱数据的总量，分类标签指示深度学习网络训练时计算损失或验证/测试时计算准确率，分类标签的形式为直接表示或独热编码表示。
4.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，概率层中，对于每一个输入特征点，都分配了一个权重K表示转换到变换域的点数，pk表示特征被选中的概率，是一个可训练参数，概率层的输出为输入特征值/>与pk相乘得到的/>
5.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，骨架网络采用全连接、卷积或残差结构；骨架网络的最后一层采用softmax为激活函数。
6.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，训练混合熵深度学习网络的损失函数为混合熵，混合熵是交叉熵和平均熵的综合，综合形式为求和、加权和或乘积，平均熵的实现形式为对每个特征概率取信息量后求平均。
7.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，训练的网络收敛之后，每个概率层权重趋向于0或1，当趋向于0时表示该位置对应的输入特征对于网络分类无用，当趋向于1时则反之，概率层权重门限值为0.5。
8.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，采用误差反向传播算法对混合熵深度学习网络进行训练，误差反向传播算法为Adam算法或随机梯度下降算法。
9.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，混合熵深度学习网络循环训练时，复用从骨架网络第二层开始的网络参数，这些参数是在上一轮训练收敛后的，直接用于分类预测，重复循环训练，直至没有多余特征或剩余特征数低于预期值，至此得到用于无人机射频信号检测分类的轻量级深度学习网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311267949.3A CN117332266A (zh) | 2023-09-27 | 2023-09-27 | 基于混合熵深度学习网络的无人机射频信号检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311267949.3A CN117332266A (zh) | 2023-09-27 | 2023-09-27 | 基于混合熵深度学习网络的无人机射频信号检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332266A true CN117332266A (zh) | 2024-01-02 |
Family
ID=89278450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311267949.3A Pending CN117332266A (zh) | 2023-09-27 | 2023-09-27 | 基于混合熵深度学习网络的无人机射频信号检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332266A (zh) |
-
2023
- 2023-09-27 CN CN202311267949.3A patent/CN117332266A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113515770A (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
| CN110210644A (zh) | 基于深度神经网络集成的交通流量预测方法 | |
| CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
| CN112241724B (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及系统 | |
| CN114120041B (zh) | 一种基于双对抗变分自编码器的小样本分类方法 | |
| CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
| CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
| CN114881093B (zh) | 一种信号分类识别方法 | |
| CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
| CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
| CN112784031B (zh) | 一种基于小样本学习的客服对话文本的分类方法和系统 | |
| CN112464717A (zh) | 一种遥感图像目标检测方法、系统、电子设备和存储介质 | |
| CN110543832A (zh) | 基于随机森林和卷积神经网络的脑电数据分类方法 | |
| CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
| CN113206808A (zh) | 一种基于一维多输入卷积神经网络的信道编码盲识别方法 | |
| CN112966544A (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
| CN113239809B (zh) | 基于多尺度稀疏sru分类模型的水声目标识别方法 | |
| CN114139577A (zh) | 基于一维卷积自编码网络的故障电弧识别方法及装置 | |
| CN113259289A (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN117332266A (zh) | 基于混合熵深度学习网络的无人机射频信号检测识别方法 | |
| CN114970638A (zh) | 雷达辐射源个体开集识别方法及系统 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
| CN112529035A (zh) | 识别不同电台个体种类的智能识别方法 | |
| Binu et al. | Support vector neural network and principal component analysis for fault diagnosis of analog circuits | |
| CN114157544B (zh) | 基于卷积神经网络的帧同步方法、设备及介质 |
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 |