-
公开(公告)号：CN115442192B
公开(公告)日：2024-02-27
申请号：CN202210874715.4
申请日：2022-07-22
申请人： 西安电子科技大学
IPC分类号： H04L27/00 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/084
摘要： 本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置，通过获取未标签通信信号组成数据集；构建附带损失预测网络的通信信号分类网络；在训练阶段，针对当前迭代次，根据上一迭代次预测的数据集中每个信号样本的目标损失，从数据集中挑选信号样本进行标签加入上一迭代次的训练集中，组成当前迭代次的训练集；从而对通信信号分类网络进行迭代训练，直至标签成本达到阈值；使用训练好的通信信号分类网络，对未知样本的调制类别进行识别，得到未知样本的调制类别。本发明根据每个信号样本对于神经网络训练的价值不同这一基础，用尽可能少的标签样本，训练得到一个具备信号类型识别能力的网络，大大减小了标签成(56)对比文件Jung Ho Lee.Feature Image-BasedAutomatic Modulation ClassificationMethod Using CNN Algorithm《. 2019International Conference on ArtificialIntelligence in Information andCommunication (ICAIIC)》.全文.
-
公开(公告)号：CN117176522A
公开(公告)日：2023-12-05
申请号：CN202310915169.9
申请日：2023-07-24
申请人： 西安电子科技大学
IPC分类号： H04L27/00
摘要： 本发明公开了一种基于空间分布特征提取网络的调制信号开集识别方法，包括：获取待识别的调制信号；将待识别的调制信号输入至训练好的空间分布特征提取网络，提取待识别的空间分布特征向量；利用待识别的空间分布特征向量判断待识别的调制信号为未知类信号还是已知类信号；将判定为已知类信号的待识别的调制信号的空间分布特征向量中所有元素的最小值对应的类别作为待识别的调制信号的类别，完成待识别的调制信号的识别。本发明的识别方法能在开放环境中有效提取特征，并且能在频谱监测领域对调制信号的类别进行有效识别，打破了现有技术的封闭世界的假设。
-
公开(公告)号：CN114943889A
公开(公告)日：2022-08-26
申请号：CN202210296918.X
申请日：2022-03-24
申请人： 西安电子科技大学
IPC分类号： G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种基于小样本增量学习的SAR图像目标识别方法，包括：步骤1：构建基于原型思想的深度残差网络；步骤2：利用基类数据集和增量数据集对基于原型思想的深度残差网络分别进行基类训练和增量学习；步骤3：将待测SAR图像输入至训练学习完成的基于原型思想的深度残差网络中，得到待测SAR图像的预测分类结果。本发明的基于小样本增量学习的SAR图像目标识别方法，设计了一种基于原型思想的深度残差网络，该网络即使在图像样本较少的情况下，也能具有自动提取SAR图像特征的能力，与现在技术相比，将SAR图像映射到特征空间内的方法能够一定程度上减少因样本数量缺乏而引起的过拟合现象，提升整体网络对小样本图像的识别能力。
-
公开(公告)号：CN113420593A
公开(公告)日：2021-09-21
申请号：CN202110546401.7
申请日：2021-05-19
申请人： 西安电子科技大学
摘要： 本发明属于雷达图像处理技术领域，尤其涉及一种基于混合推理网络的小样本SAR自动目标识别方法，可用于小样本条件下的SAR自动目标识别；包括步骤：获取训练样本集和待识别小样本SAR图像集；构建混合推理网络；采用训练支撑集和训练查询集对所述混合推理网络进行训练；获取小样本SAR图像的目标识别结果。本发明解决了传统方法需要大量训练样本的问题，为训练样本不足条件下的SAR目标识别提供了新的方法。
-
公开(公告)号：CN109814970A
公开(公告)日：2019-05-28
申请号：CN201910057778.9
申请日：2019-01-22
申请人： 西安电子科技大学
摘要： 本发明涉及一种基于OpenGL-ES的动态进度条绘制方法，包括以下步骤：步骤一：在指定位置绘制着色器，包含顶点着色器和片段着色器；步骤二：读取纹理图片，将其以数组形式存储在代码中；步骤三：将读取的纹理与着色器进行纹理绑定；步骤四：将绘制的画面渲染到屏幕上，刷新屏幕；步骤五：读取实时数据；步骤六：根据读取的实时数据，变换纹理对应的映射矩阵，并跳转至步骤三。本发明相对于现有技术对于动态进度条的绘制方法，显著降低了CPU以及GPU的占有率，释放了处理器资源；并减少了嵌入式系统中数字仪表盘UI的开发难度以及代码量，降低了开发成本，提高了开发效率；且相比于OpenGL-ES默认的抗锯齿功能，本方法绘制的线条无锯齿且效果可控。
-
公开(公告)号：CN115442192A
公开(公告)日：2022-12-06
申请号：CN202210874715.4
申请日：2022-07-22
申请人： 西安电子科技大学
摘要： 本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置，通过获取未标签通信信号组成数据集；构建附带损失预测网络的通信信号分类网络；在训练阶段，针对当前迭代次，根据上一迭代次预测的数据集中每个信号样本的目标损失，从数据集中挑选信号样本进行标签加入上一迭代次的训练集中，组成当前迭代次的训练集；从而对通信信号分类网络进行迭代训练，直至标签成本达到阈值；使用训练好的通信信号分类网络，对未知样本的调制类别进行识别，得到未知样本的调制类别。本发明根据每个信号样本对于神经网络训练的价值不同这一基础，用尽可能少的标签样本，训练得到一个具备信号类型识别能力的网络，大大减小了标签成本。
-
公开(公告)号：CN114528876A
公开(公告)日：2022-05-24
申请号：CN202210111305.4
申请日：2022-01-29
申请人： 西安电子科技大学
摘要： 本发明涉及信号调制识别技术领域，具体涉及基于改进原型网络的小样本信号自动调制识别方法。本发明设计的改进原型神经网络可以将调制信号映射成对信噪比不敏感的嵌入向量，降低了嵌入向量对单个样本信噪比变化的敏感性，有效提高信号调制类型的识别准确率；并在信号调制类型识别中，只需要少量训练样本就能获得较高的准确率。
-
公开(公告)号：CN114428234A
公开(公告)日：2022-05-03
申请号：CN202111592204.5
申请日：2021-12-23
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于GAN和自注意力的雷达高分辨距离像降噪识别方法，主要解决现有雷达高分辨距离像降噪识别技术中将可分性强的特征当作噪声消除，且无法提取远距离依赖信息的问题。其实现方案为：1)获取目标雷达回波，生成训练样本集和测试样本集；2)构建由生成器、判别器和识别器构成的基于GAN和自注意力的雷达高分辨距离像降噪识别网络；3)利用训练样本集采用反向传播算法对2)构建的降噪识别网络进行训练；4)将测试样本集输入到训练好的雷达高分辨距离像降噪识别网络中，得到雷达高分辨距离像降噪与识别结果。本发明提高了低信噪比环境下的目标识别率，可用于实现低信噪比环境下飞机、卫星目标的识别。
-
公开(公告)号：CN113376600A
公开(公告)日：2021-09-10
申请号：CN202110506104.X
申请日：2021-05-10
申请人： 西安电子科技大学
IPC分类号： G01S7/41
摘要： 本发明属于雷达信号处理技术领域，公开了一种基于RSDNet的行人雷达回波去噪方法，该方法是基于原始复信号的深度学习去噪算法，充分利用信号的相位信息，使得生成的去噪信号可以在不同域之间变换，消除了现有方法对噪声功率先验信息的依赖，降低对复杂时频分析操作的要求，真正实现端到端的“盲”去噪。该方法通过一种简单的复信号预处理方式，仅提取复信号的实部作为网络的输入，简化步骤，不会造成信息损失。另外，该方法是一种生成对抗网络，不仅有利于高频分量的生成还避免了生成分布的趋同现象。采用基于弹性网络的损失函数，避免网络的过拟合，提高网络的去噪性能。
-
公开(公告)号：CN109814970B
公开(公告)日：2021-09-10
申请号：CN201910057778.9
申请日：2019-01-22
申请人： 西安电子科技大学
摘要： 本发明涉及一种基于OpenGL‑ES的动态进度条绘制方法，包括以下步骤：步骤一：在指定位置绘制着色器，包含顶点着色器和片段着色器；步骤二：读取纹理图片，将其以数组形式存储在代码中；步骤三：将读取的纹理与着色器进行纹理绑定；步骤四：将绘制的画面渲染到屏幕上，刷新屏幕；步骤五：读取实时数据；步骤六：根据读取的实时数据，变换纹理对应的映射矩阵，并跳转至步骤三。本发明相对于现有技术对于动态进度条的绘制方法，显著降低了CPU以及GPU的占有率，释放了处理器资源；并减少了嵌入式系统中数字仪表盘UI的开发难度以及代码量，降低了开发成本，提高了开发效率；且相比于OpenGL‑ES默认的抗锯齿功能，本方法绘制的线条无锯齿且效果可控。
-
-
-
-
-
-
-
-
-
搜索结果
48 条记录 (耗时 0.029 秒)
