CN117713912A - 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 - Google Patents
一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 Download PDFInfo
- Publication number
- CN117713912A CN117713912A CN202410164042.2A CN202410164042A CN117713912A CN 117713912 A CN117713912 A CN 117713912A CN 202410164042 A CN202410164042 A CN 202410164042A CN 117713912 A CN117713912 A CN 117713912A
- Authority
- CN
- China
- Prior art keywords
- bigru
- signals
- network
- terminal signal
- complex
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 241000288105 Grus Species 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035699 permeability Effects 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
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于CVCNN‑BiGRU的星链终端信号识别方法和装置,一种基于CVCNN‑BiGRU的星链终端信号识别方法,包括:对筛选后的星链终端信号数据进行预处理,将其分成I和Q两个分量,再发送到复数卷积网络;复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息;4个复数卷积层之后级联BiGRU网络,所述的BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征;根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果。本发明的技术方案可以实现星链信号的分类识别。
Description
技术领域
本发明涉及星链终端信号识别分析技术领域,具体是一种基于CVCNN-BiGRU的星链终端信号识别方法及装置。
背景技术
近年来,随着卫星通信技术发展以及互联网应用环境的变化,针对当前地面网络整体上覆盖受限、光纤渗透率不足、网络速率偏低,特别是农村地区宽带短缺的问题,世界上兴起了卫星互联网的发展浪潮,定位于为光纤和手机基站难以覆盖的人群提供上网服务。星链计划(Starlink)作为当前所有卫星互联网星座中最具代表性的一个,其计划组网规模最大,已发射卫星数量最多,并独立拥有着整个产业链的所有权和控制权。因此,需要聚焦星链终端信号特征,成为当前信号识别关键点。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于CVCNN-BiGRU的星链终端信号识别方法,包括如下步骤:
步骤一,对筛选后的星链终端信号数据进行预处理,将其分成I和Q两个分量,I和Q两个分量分别作为复数的实部和虚部,再发送到复数卷积网络;
步骤二,复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息;
步骤三,4个复数卷积层之后级联BiGRU网络,所述的BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征;
步骤四,根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果。
进一步的,所述的复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息,包括:
复数卷积网络实现方式如下:
复数卷积核矩阵被定为,其中/>和/>同样为实数和虚数矩阵,则复数卷积的表达形式如下所示:
其中表示实数卷积操作,复数卷积的表达形扩展为:
将运算过程替换为矩阵的形式,则复数运算的实部卷积与虚部卷积表达式如下所示:
其中和/>分别表示复数卷积结果的实部与虚部。
进一步的,所述的4个复数卷积层之后级联2层BiGRU网络,所述的2层BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征,包括:
GRU模型由更新门和重置门/>组成,在时刻/>,其输出更新状态表达式如下所示:
其中表示上一时刻的输出状态,/>用来控制上一时刻的信息被带入到当前时刻状态的程度,/>表示当前时刻的候选状态,/>控制了前一刻状态对当前候选状态的影响,分别为权重和偏置,/>为激活函数;
BiGRU将输入序列反转,并以与GRU相同的方式再次计算输出,和/>分别表示正向序列与反向序列的GRU内部权重参数,两个相反方向输出的叠加,输出/>,表示为:
。
进一步的,所述的根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果,包括:
输出状态向量后,将全连接层与之相连,再经过Softmax函数对最后的输出进行计算,得到最终的分类结果,即:
。
一种基于CVCNN-BiGRU的星链终端信号识别装置,应用任一所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,包括九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机和射频开关驱动器;
所述的九元均匀相控圆阵采用九元相控阵列天线,圆阵的方向图是360°全方位无阵列模糊;
所述的开关矩阵通过程控打通不同天线组合,实现天线方向图自动合成;
所述的射频开关驱动器用于根据计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态;
所述的宽频段大带宽接收机将两个天线阵元接收的被测信号数据提供给计算机进行处理;
所述的计算机实现人机对话,控制数据采集的开始与结束,并且将采集到的数据通过软件进行处理,采集到的信号后将结果通过软件界面展现给用户。
本发明的有益效果是:通过本发明的技术方案,可以实现对信号进行特征自动提取,实现星链终端信号分类识别。
附图说明
图1为一种基于CVCNN-BiGRU的星链终端信号识别方法的流程示意图;
图2为一种基于CVCNN-BiGRU的星链终端信号识别系统的实施示意图;
图3为信号抗干扰算法流程图;
图4为星链终端信号分类识别算法流程图;
图5为复数卷积运算过程示意图;
图6为GRU内部结构示意图;
图7为BiGRU的结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
为了使本发明的目的,技术方案及优点更加清楚明白,结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,术语“包括”,“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程,方法,物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程,方法,物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程,方法,物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,一种基于CVCNN-BiGRU的星链终端信号识别方法,包括如下步骤:
步骤一,对筛选后的星链终端信号数据进行预处理,将其分成I和Q两个分量,I和Q两个分量分别作为复数的实部和虚部,再发送到复数卷积网络;
步骤二,复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息;
步骤三,4个复数卷积层之后级联BiGRU网络,所述的BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征;
步骤四,根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果。
进一步的,所述的复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息,包括:
复数卷积网络实现方式如下:
复数卷积核矩阵被定为,其中/>和/>同样为实数和虚数矩阵,则复数卷积的表达形式如下所示:
其中表示实数卷积操作,复数卷积的表达形式扩展为:
将运算过程替换为矩阵的形式,则复数运算的实部卷积与虚部卷积表达式如下所示:
其中和/>分别表示复数卷积结果的实部与虚部。
进一步的,所述的4个复数卷积层之后级联2层BiGRU网络,所述的2层BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征,包括:
GRU模型由更新门和重置门/>组成,在时刻/>,其输出更新状态表达式如下所示:
其中表示上一时刻的输出状态,/>用来控制上一时刻的信息被带入到当前时刻状态的程度,/>表示当前时刻的候选状态,/>控制了前一刻状态对当前候选状态的影响,分别为权重和偏置,/>为激活函数;
BiGRU将输入序列反转,并以与GRU相同的方式再次计算输出,和/>分别表示正向序列与反向序列的GRU内部权重参数,两个相反方向输出的叠加,输出/>,表示为:
。
进一步的,所述的根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果,包括:
输出状态向量后,将全连接层与之相连,再经过Softmax函数对最后的输出进行计算,得到最终的分类结果,即:
。
一种基于CVCNN-BiGRU的星链终端信号识别装置,应用所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,包括九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机和射频开关驱动器;
所述的九元均匀相控圆阵采用九元相控阵列天线,圆阵的方向图是360°全方位无阵列模糊;
所述的开关矩阵通过程控打通不同天线组合,实现天线方向图自动合成;
所述的射频开关驱动器用于根据计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态;
所述的宽频段大带宽接收机将两个天线阵元接收的被测信号数据提供给计算机进行处理;
所述的计算机实现人机对话,控制数据采集的开始与结束,并且将采集到的数据通过软件进行处理,采集到的信号后将结果通过软件界面展现给用户。
具体的,如图2所示,星链终端信号采集系统。从图2可以看出,设备包括:九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机、射频开关驱动器等硬件组成。
圆阵:采用九元相控阵列天线,圆阵的方向图是360°全方位无阵列模糊。通过相控阵列合成方式,使得天线获得高增益,提高系统监测灵敏度。该设计既解决了传统的线阵无法全向监测星链终端信号,又解决了系统监测灵敏度不够问题。为后面优选星链终端信号数据提供了有力手段。
开关矩阵:通过程控打通不同天线组合,实现天线方向图自动合成,从而实现系统高增益的目的。
射频开关驱动器:由计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态。
宽频段大带宽接收机:本系统采用宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理。
计算机:计算机实现人机对话,控制数据采集的开始与结束,并且将采集到的数据通过软件进行处理,采集到的信号后将结果通过软件界面直观的展现给用户。
图3为信号抗干扰算法工作流程。数字中频信号通过数字下变频变为数据基带IQ后,首先发送握手协议信号与天线控制板取得通信。然后,对需要打通的天线进行编码和驻留时间参数设置。其次,对每组天线采集数据进行抗干扰处理。最后,判断编码的天线是否都打通完成。抗干扰处理的具体步骤如下:
步骤1. 发送握手协议信号与天线控制板取得通信。若没有成功,启动延时重发机制,若连续10次重发都没成功,向上位机发送错误类型码,告知人员检查电路连线和系统板子是否工作正常。
步骤2. 对需要打通的天线进行编码(0~N)和驻留时间参数设置。
步骤3. 启动天线控制触发信号。
步骤4. 查询当前组天线i是否打通成功。若没有打通,重发触发信号,若连续重发5次触发信号天线无法打通,向上位机发送一个错误标志码,告知操作人员检修此组天线高低端子是否有损坏。
步骤5. 若此组天线i打通成功,进行延时去抖,这样保证天线处于正常打通状态,采集数据没有抖动。
步骤6. 延时去抖后,按照上位机指令采集一段数据。
步骤7. 对采集到此组数据进行排序,剔除异常数据值。这样就大大提高数据准确度,起到星链终端信号抗干扰目的。
步骤8. 判断按照驻留时间间隔所有天线组是否打通完成,若没有,启动下一组天线打通流程。若打通完成所有天线组,结束轮询,等待下次采集命令。
步骤9.完成上述处理,给出优选后的星链终端信号数据。
图4为星链终端信号分类识别算法工作流程。计算机将接收机接收到的信号数据进行处理,星链终端信号分类识别的具体步骤如下:
步骤1.对选后星链终端信号数据,需要首先进行预处理,将其分成I和Q两个分量,它们分别作为复数的实部和虚部,再将其发送到复数卷积网络中用于识别。
复数卷积网络(CVCNN)实现方式如下:
在复数卷积运算中,对于复数输入矩阵,由于/>和/>分别为实部分量和虚部分量,因此可以利用实数运算模拟复数的计算过程。假设复数卷积核矩阵被定为/>,其中/>和/>同样为实数和虚数矩阵,则复数卷积的表达形式如下所示:
(1)
其中表示实数卷积操作,上述公式可以扩展为:
(2)
图5展示了复数卷积运算过程的示意图,若将运算过程替换为矩阵的形式,则复数运算的实部卷积与虚部卷积表达式如下所示:
(3)
其中和/>分别表示复数卷积结果的实部与虚部。
接着,经过4层复数卷积网络,提取信号的高维特征,其中包括了信号的幅值和相位信息。
步骤2.通过4个复数卷积层之后级联了2层BiGRU网络,用于提取信号的时序特征,BiGRU网络由正向和反向的GRU组成。
GRU网络的内部结构如图6所示。
GRU模型由更新门和重置门/>组成,在时刻/>,其输出更新状态表达式如下所示:
(4)
(5)
(6)
(7)
其中表示上一时刻的输出状态,/>用来控制上一时刻的信息被带入到当前时刻状态的程度,/>表示当前时刻的候选状态,/>控制了前一刻状态对当前候选状态的影响,分别为权重和偏置,/>为激活函数。
单向的GRU只考虑了来自过去的信息,难以提取信号序列前后完整的特征,而BiGRU兼顾了未来信息对当前时刻的影响,能够更好地处理长序列数据中前后时刻的依赖关系,其结构如图7所示。其中,BiGRU将输入序列反转,并以与GRU相同的方式再次计算输出,和/>分别表示正向序列与反向序列的GRU内部权重参数。最终的结果为两个相反方向输出的叠加,则输出/>可以表示为:
(8)
得到输出的状态向量后,将全连接层与之相连,再经过Softmax函数对最后的输出进行计算,得到最终的分类结果,即
(9)
最后,将得到的特征向量输入到全连接层,利用Softmax函数进行分类。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于CVCNN-BiGRU的星链终端信号识别方法,其特征在于,包括如下步骤:
步骤一,对筛选后的星链终端信号数据进行预处理,将其分成I和Q两个分量,I和Q两个分量分别作为复数的实部和虚部,再发送到复数卷积网络;
步骤二,复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息;
步骤三,4个复数卷积层之后级联BiGRU网络,所述的BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征;
步骤四,根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果。
2.根据权利要求1所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,其特征在于,所述的复数卷积网络包括4层复数卷积层,提取发送的信号的高维特征,所述的高维特征包括信号的幅值和相位信息,包括:
复数卷积网络实现方式如下:
复数卷积核矩阵被定为,其中/>和/>同样为实数和虚数矩阵,则复数卷积的表达形式如下所示:
其中表示实数卷积操作,复数卷积的表达形式扩展为:
将运算过程替换为矩阵的形式,则复数运算的实部卷积与虚部卷积表达式如下所示:
其中和/>分别表示复数卷积结果的实部与虚部。
3.根据权利要求2所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,其特征在于,所述的4个复数卷积层之后级联2层BiGRU网络,所述的2层BiGRU网络由正向和反向的GRU组成,用于提取出信号的时序特征,包括:
GRU模型由更新门和重置门/>组成,在时刻/>,其输出更新状态表达式如下所示:
其中表示上一时刻的输出状态,/>用来控制上一时刻的信息被带入到当前时刻状态的程度,/>表示当前时刻的候选状态,/>控制了前一刻状态对当前候选状态的影响,分别为权重和偏置,/>为激活函数;
BiGRU将输入序列反转,并以与GRU相同的方式再次计算输出,和/>分别表示正向序列与反向序列的GRU内部权重参数,两个相反方向输出的叠加,输出/>,表示为:
。
4.根据权利要求3所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,其特征在于,所述的根据提取出的信号的时序特征,得到状态向量,BiGRU网络输出与全连接层连接,经过Softmax函数对全连接层的输出进行计算,得到分类结果,包括:
输出状态向量后,将全连接层与之相连,再经过Softmax函数对最后的输出进行计算,得到最终的分类结果,即:
。
5.一种基于CVCNN-BiGRU的星链终端信号识别装置,其特征在于,应用权利要求1-4任一所述的一种基于CVCNN-BiGRU的星链终端信号识别方法,包括九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机和射频开关驱动器;
所述的九元均匀相控圆阵采用九元相控阵列天线,圆阵的方向图是360°全方位无阵列模糊;
所述的开关矩阵通过程控打通不同天线组合,实现天线方向图自动合成;
所述的射频开关驱动器用于根据计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态;
所述的宽频段大带宽接收机将两个天线阵元接收的被测信号数据提供给计算机进行处理;
所述的计算机实现人机对话,控制数据采集的开始与结束,并且将采集到的数据通过软件进行处理,采集到的信号后将结果通过软件界面展现给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164042.2A CN117713912A (zh) | 2024-02-05 | 2024-02-05 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164042.2A CN117713912A (zh) | 2024-02-05 | 2024-02-05 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117713912A true CN117713912A (zh) | 2024-03-15 |
Family
ID=90144702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410164042.2A Pending CN117713912A (zh) | 2024-02-05 | 2024-02-05 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117713912A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169367A (zh) * | 2021-11-25 | 2022-03-11 | 成都大公博创信息技术有限公司 | 基于深度学习的低慢小无人机识别方法和系统 |
US20220201421A1 (en) * | 2019-09-19 | 2022-06-23 | Wave Sciences, LLC | Spatial audio array processing system and method |
CN115063676A (zh) * | 2022-05-27 | 2022-09-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于ais数据的船舶目标分类方法 |
CN115809426A (zh) * | 2023-02-03 | 2023-03-17 | 西安睿奥电磁环境科技有限公司 | 一种辐射源个体识别方法及系统 |
CN115935154A (zh) * | 2023-03-13 | 2023-04-07 | 南京邮电大学 | 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 |
CN116720060A (zh) * | 2023-04-27 | 2023-09-08 | 电子科技大学 | 一种基于轻量化深度学习模型的射频指纹识别方法 |
CN116776227A (zh) * | 2023-08-04 | 2023-09-19 | 中国人民解放军战略支援部队航天工程大学 | 基于特征融合的卫星身份识别方法和装置 |
CN116863341A (zh) * | 2023-08-24 | 2023-10-10 | 中国农业科学院农业资源与农业区划研究所 | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
-
2024
- 2024-02-05 CN CN202410164042.2A patent/CN117713912A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220201421A1 (en) * | 2019-09-19 | 2022-06-23 | Wave Sciences, LLC | Spatial audio array processing system and method |
CN114169367A (zh) * | 2021-11-25 | 2022-03-11 | 成都大公博创信息技术有限公司 | 基于深度学习的低慢小无人机识别方法和系统 |
CN115063676A (zh) * | 2022-05-27 | 2022-09-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于ais数据的船舶目标分类方法 |
CN115809426A (zh) * | 2023-02-03 | 2023-03-17 | 西安睿奥电磁环境科技有限公司 | 一种辐射源个体识别方法及系统 |
CN115935154A (zh) * | 2023-03-13 | 2023-04-07 | 南京邮电大学 | 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 |
CN116720060A (zh) * | 2023-04-27 | 2023-09-08 | 电子科技大学 | 一种基于轻量化深度学习模型的射频指纹识别方法 |
CN116776227A (zh) * | 2023-08-04 | 2023-09-19 | 中国人民解放军战略支援部队航天工程大学 | 基于特征融合的卫星身份识别方法和装置 |
CN116863341A (zh) * | 2023-08-24 | 2023-10-10 | 中国农业科学院农业资源与农业区划研究所 | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Non-Patent Citations (4)
Title |
---|
TONGRUI XU: "Machinery Fault Diagnosis Using Recurrent Neural Network: A Review", 《2020 GLOBAL RELIABILITY AND PROGNOSTICS AND HEALTH MANAGEMENT (PHM-SHANGHAI)》, 18 December 2020 (2020-12-18) * |
亓铭瑞: "基于CNN—BiGRU的空间目标RCS异常检测方法", 《空间电子技术》, 22 March 2022 (2022-03-22), pages 83 - 88 * |
袁睿畅: "基于2比特判决反馈的改进AIS非相干解调算法", 《电讯技术》, 18 October 2023 (2023-10-18) * |
陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀: "基于深度门控循环单元神经网络的刀具磨损状态实时监测方法", 《计算机集成制造系统》, 15 July 2020 (2020-07-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN112153616B (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
CN117056708A (zh) | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 | |
CN102868432B (zh) | 一种双阶段神经网络下的盲波束形成装置及其形成方法 | |
CN110297213A (zh) | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 | |
CN114169367A (zh) | 基于深度学习的低慢小无人机识别方法和系统 | |
CN106254009B (zh) | 一种无人机数据链测试用电磁干扰信号复现系统和复现方法 | |
CN112867010B (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
CN112135344B (zh) | 一种基于csi和dcnn的无设备目标定位方法 | |
CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
CN110907887B (zh) | 一种基于均匀圆阵的超分辨测向处理系统 | |
CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN116593969A (zh) | 基于gain-lstm的雷达辐射源识别方法和装置 | |
CN116756697A (zh) | 一种基于特征融合和maclnn的低慢小无人机识别方法 | |
CN117713912A (zh) | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 | |
CN106446791B (zh) | 智慧城市公共监控系统 | |
Rizwan et al. | Addressing data sparsity with GANs for multi-fault diagnosing in emerging cellular networks | |
Hu et al. | Feature fusion convolution-aided transformer for automatic modulation recognition | |
CN110380801A (zh) | 基于lstm的协作感知算法及多usrp实现的方法 | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN113705646A (zh) | 基于半监督元学习的射频细微特征信息提取方法及系统 | |
CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
CN205809186U (zh) | 一种发射天线模拟器 | |
CN113283490A (zh) | 基于前端融合的信道状态信息深度学习定位方法 |
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 |