公开(公告)号：CN112861790B

公开(公告)日：2022-03-11

申请号：CN202110260290.3

申请日：2021-03-10

Applicant: 西南交通大学

Inventor： 余志斌 ,  牟飞文 ,  张莹 ,  张译方

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：步骤1：获取电磁探测网络组网特征信息，形成特征集；步骤2：对步骤1得到的特征集数据进行预处理；步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；步骤3中的深度学习模型为CNN‑LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。

公开(公告)号：CN112861790A

公开(公告)日：2021-05-28

申请号：CN202110260290.3

申请日：2021-03-10

Applicant: 西南交通大学

Inventor： 余志斌 ,  牟飞文 ,  张莹 ,  张译方

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：步骤1：获取电磁探测网络组网特征信息，形成特征集；步骤2：对步骤1得到的特征集数据进行预处理；步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；步骤3中的深度学习模型为CNN‑LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。