-
公开(公告)号：CN114444546B
公开(公告)日：2024-04-16
申请号：CN202210103370.2
申请日：2022-01-27
申请人： 东南大学 , 网络通信与安全紫金山实验室
IPC分类号： G06F18/213 , G06F18/24 , G06N3/0464
摘要： 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。
-
公开(公告)号：CN111866860A
公开(公告)日：2020-10-30
申请号：CN202010474911.3
申请日：2020-05-29
申请人： 东南大学 , 网络通信与安全紫金山实验室
摘要： 本发明公开以一种基于序贯的无线设备射频指纹识别方法，首先将时序信号按照时间段分割成一个个子时间段，对不同的时间段根据射频指纹特征分别分选，再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端；接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新；且综合考量瞬态指纹特征和稳态指纹特征，以充足特征量作为准确分裂的依据，有效的解决了信号源实施快速识别和信号源库实时更新的问题。
-
公开(公告)号：CN111866860B
公开(公告)日：2022-11-04
申请号：CN202010474911.3
申请日：2020-05-29
申请人： 东南大学 , 网络通信与安全紫金山实验室
摘要： 本发明公开以一种基于序贯的无线设备射频指纹识别方法，首先将时序信号按照时间段分割成一个个子时间段，对不同的时间段根据射频指纹特征分别分选，再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端；接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新；且综合考量瞬态指纹特征和稳态指纹特征，以充足特征量作为准确分裂的依据，有效的解决了信号源实施快速识别和信号源库实时更新的问题。
-
公开(公告)号：CN114444546A
公开(公告)日：2022-05-06
申请号：CN202210103370.2
申请日：2022-01-27
申请人： 东南大学 , 网络通信与安全紫金山实验室
摘要： 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。
-
公开(公告)号：CN114325598A
公开(公告)日：2022-04-12
申请号：CN202111509407.3
申请日：2021-12-10
申请人： 网络通信与安全紫金山实验室
摘要： 本发明提供一种信号去噪的方法及装置，所述方法包括：对LFM调制的脉冲信号S(n)下变频得到的基带信号y(n)，进行多层经验模分解，得到若干本征模函数；基于所述本征模函数及所述本征模函数的能量值，重构所述基带信号y(n)的信号分量s(n)和噪声分量N(n)；基于所述重构的信号分量s(n)的离散傅里叶频谱的幅值和重构的噪声分量N(n)的离散傅里叶频谱的幅值，确定对应的去噪后的信号。本发明通过本征模对信号分量和噪声分量进行重构，并将经验模分解中的噪声本征模函数的频谱幅值作为信号傅里叶去噪的阈值，实现了自适应阈值降噪，可在低信噪比低时，有效地对叠加了加性平稳噪声的LFM脉冲信号实现自适应阈值去噪。
-
公开(公告)号：CN115169410A
公开(公告)日：2022-10-11
申请号：CN202210847552.0
申请日：2022-07-19
申请人： 网络通信与安全紫金山实验室
IPC分类号： G06K9/00
摘要： 本申请涉及一种信号分选方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取初始脉冲信号；对所述初始脉冲信号进行预处理，得到所述初始脉冲信号的初始脉冲重复间隔；根据所述初始脉冲信号的初始脉冲描述字与极坐标系的预设关系，以及所述初始脉冲重复间隔与极坐标系的预设关系建立对应的极坐标图像；将所述极坐标图像输入至脉冲分类模型，得到所述初始脉冲信号的目标中心点；根据所述目标中心点确定所述初始脉冲信号的信号源。采用本方法能够对雷达脉冲信号的发射源进行识别。
-
公开(公告)号：CN113642513B
公开(公告)日：2022-11-18
申请号：CN202111000981.6
申请日：2021-08-30
申请人： 东南大学
IPC分类号： G06V20/40 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于自注意力及标记分布学习的动作质量评估方法。该方法首先对视频进行预处理后将各个视频片段输入给特征提取模块，生成每个片段的时空特征；再将各视频片段的时空特征作为序列输入给自注意力模块，得到序列之间包含上下文信息的自注意力特征；将所有自注意力特征拼接并输入给标记分布学习模块，输出预测分布；再利用高斯函数将真实标签转化为真实分布，计算预测分布和真实分布的损失函数，最小化损失，对模型进行训练；最后使用训练完成的模型对测试视频进行评估，获得测试集的预测分布，进一步获得测试数据集中的评估得分。本发明以斯皮尔曼等级相关系数作为评价指标，获得了较好的评估结果，表明本动作质量评估方法的有效性。
-
公开(公告)号：CN113449810B
公开(公告)日：2022-11-18
申请号：CN202110803345.0
申请日：2021-07-15
申请人： 东南大学
IPC分类号： G06V10/762 , G06V10/764 , G06V10/778 , G06V10/82
摘要： 本发明公开了一种基于自监督和语义风格解耦的图像聚类方法。该方法采用自监督编码器学习了一种语义风格的潜在表示，其中语义信息从图像风格中分离出来，可以直接用于聚类分配。为了实现这一目标，首先采用互信息最大化方法将相关信息嵌入到潜在表示中。然后还采用数据增强不变损失的方法，将潜在表示分解为类间语义部分和类内风格部分。此外，对潜在表示施加先验分布，以确保语义向量元素可以直接表示聚类概率。最后，引入了一个自监督损失来学习更全面的实例级特征。本发明可以在各种不同分布的数据集上提取具有判别性的特征表示，有效的提高了图像聚类问题的准确率。
-
公开(公告)号：CN114387454A
公开(公告)日：2022-04-22
申请号：CN202210018471.X
申请日：2022-01-07
申请人： 东南大学
IPC分类号： G06V10/56 , G06V10/771 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
摘要： 本发明公开了一种基于区域筛选模块和多层次对比的自监督预训练方法,由于对数据集图片进行人工标注既昂贵又费时，采用无标签的自监督方法对图像分类和目标检测的深度学习模型进行预训练在计算机视觉领域中有着不可或缺的研究意义，为了在这一类数据集中直接进行有效的自监督预训练，本发明提出基于实例区域筛选模块来预训练模型，其功能是在用于对比学习的图片生成两个增强图中筛选出特定数量最可能包含实例信息的块图，并将他们进行匹配,本发明提出了一种对全局、局部以及全局局部综合信息进行多层次对比学习的模块。这种方法用多实例数据集预训练出的模型在图片识别、目标检测等下游任务中取得了良好的精度提升。
-
公开(公告)号：CN113449810A
公开(公告)日：2021-09-28
申请号：CN202110803345.0
申请日：2021-07-15
申请人： 东南大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于自监督和语义风格解耦的图像聚类方法。该方法采用自监督编码器学习了一种语义风格的潜在表示，其中语义信息从图像风格中分离出来，可以直接用于聚类分配。为了实现这一目标，首先采用互信息最大化方法将相关信息嵌入到潜在表示中。然后还采用数据增强不变损失的方法，将潜在表示分解为类间语义部分和类内风格部分。此外，对潜在表示施加先验分布，以确保语义向量元素可以直接表示聚类概率。最后，引入了一个自监督损失来学习更全面的实例级特征。本发明可以在各种不同分布的数据集上提取具有判别性的特征表示，有效的提高了图像聚类问题的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
34 条记录 (耗时 0.043 秒)
