-
公开(公告)号：CN114943244A
公开(公告)日：2022-08-26
申请号：CN202210364954.5
申请日：2022-04-07
摘要： 本发明公开了一种基于双谱特征表示的半监督博弈模型分类方法和装置，其中，该方法包括：获取发射级的原始接收信号和原始接收信号样本；将原始接收信号输入训练好的半监督博弈模型进行数据信号处理；其中，训练好的半监督模型是基于高阶谱特征表示为原始接收信号样本的频率阶训练得到；基于数据信号处理，利用分类器分类原始接收信号得到分类结果。本发明将高阶谱特征作为信号的频率阶表示，从而实现端到端的半监督分类，在真实数据集和仿真数据集上均表现出较高的评估分数和分类精度。
-
公开(公告)号：CN112906591A
公开(公告)日：2021-06-04
申请号：CN202110232097.9
申请日：2021-03-02
摘要： 本发明公开了一种基于多级跳线残差网络的雷达辐射源识别方法，属于图像处理领域。该雷达辐射源识别方法包括以下步骤：将雷达辐射源信号进行时频变换以生成所述雷达辐射源信号的时频图像；通过ImageDataGenerator对所述时频图像进行预处理以获得一维时频图像；将所述一维时频图像输入深度残差网络进行特征提取和信号分类以识别获得雷达辐射源。本发明提供的基于多级跳线残差网络的雷达辐射源识别方法在深度残差网络中设置有八个顺序连接的残差块，并用跳线连接形成四个残差单元，由此所构造出总卷积层数为18层的深度残差网络能够提取信号时频图像的深层次信息，同时还避免了网络出现的梯度消失和梯度爆炸等问题。
-
公开(公告)号：CN114757224A
公开(公告)日：2022-07-15
申请号：CN202210316468.6
申请日：2022-03-28
摘要： 本发明公开了一种基于持续学习和联合特征提取的特定辐射源识别方法，其中，该方法包括：获取多个辐射源的信号并对多个辐射源的信号进行信号处理；将信号处理后的多个辐射源的信号输入训练好的多个连续增量深度极限学习机，并将训练好的多个连续增量深度极限学习机作为分类器以输出决策；使用投票算法对单个连续增量深度极限学习机的输出决策进行融合，选取置信度最高的一类作为分类结果以识别特定辐射源。本发明在少量样本下的识别精度依然较高，能够实现对采集样本的连续有监督识别，有效满足数据库动态更新的需求，对不同调制方式、载波频率和收发距离均能表现出良好兼容性，能够对多个发射极进行有效识别。
-
公开(公告)号：CN114943246A
公开(公告)日：2022-08-26
申请号：CN202210364969.1
申请日：2022-04-07
摘要： 本发明公开了一种基于双谱特征提取的半监督特定辐射源识别方法，其中，该方法包括：获取发射极的辐射源信号和辐射源信号样本；将辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，训练好的生成对抗网络半监督模型是基于辐射源信号样本的双谱估计作为特征表示训练得到；根据信号识别处理，对发射极的辐射源信号进行分类识别。本发明能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。
-
公开(公告)号：CN114943245A
公开(公告)日：2022-08-26
申请号：CN202210364955.X
申请日：2022-04-07
摘要： 本发明公开了一种基于数据增强和特征嵌入的自动调制识别方法和装置，其中，该方法包括：获取多种调制信号的原始数据集；其中，多种调制信号的原始数据集至少包括多种调制信号的原始数据集样本；将多种调制信号的原始数据集，输入训练好的深度学习模型进行数据融合处理；其中，度学习模型是基于深度密集生成对抗网络DD‑GAN和选择性核卷积神经网络SK‑CNN训练得到的；基于数据融合处理，输出多种调制信号的原始数据集的深度学习模型的判别概率矩阵，以得到信号分类结果。本发明通过设置合适的扩展参数，研究的基于数据增强和SPWVD嵌入的方案可以丰富信号特征，有效解决原始信号样本不足的问题。
-
-
-
-
搜索结果
5 条记录 (耗时 0.043 秒)
