公开(公告)号：CN112308008B

公开(公告)日：2022-05-17

申请号：CN202011258729.0

申请日：2020-11-12

Applicant: 电子科技大学

Inventor： 李建清 ,  刘佳旭 ,  李留章 ,  王宏

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

Abstract: 本发明公开了一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：S1、采集不同雷达在不同模式下发射的中频AD信号数据；S2、对样本进行归一化并划分成原始训练样本集、原始验证样本集；S3、生成测试样本集；S4、分别得到训练样本集和验证样本集；S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；S6、训练深度神经网络模型；S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。利用迁移学习的方法强调将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，在雷达辐射源识别中能够达到较高的识别准确率。

公开(公告)号：CN111913156A

公开(公告)日：2020-11-10

申请号：CN202010778765.3

申请日：2020-08-05

Applicant: 电子科技大学

Inventor： 李建清 ,  刘佳旭 ,  李留章 ,  王宏

IPC: G01S7/36 ,  G01S7/02 ,  G06N20/00

Abstract: 一种基于深度学习模型与特征联合的雷达辐射源个体识别方法，其步骤为：1)采集不同雷达发射的中频AD信号数据，截取脉内信号数据生成雷达辐射源个体识别样本集；2)对雷达辐射源个体识别样本进行归一化处理并划分成训练样本集、验证样本集与测试样本集；3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。本发明具有普适性强，不需要人工特征提取和大量先验知识，具有复杂度低，分类结果准确稳定的优点。

公开(公告)号：CN115081487B

公开(公告)日：2024-10-22

申请号：CN202210797240.3

申请日：2022-07-08

Applicant: 电子科技大学

Inventor： 李建清 ,  刘佳旭 ,  王宏 ,  黄浩 ,  王姣

IPC: G06F18/241 ,  G06F18/10 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/096 ,  G06N3/084

Abstract: 本发明公开了一种基于多域迁移学习的跨时间辐射源个体识别方法，包括如下步骤：S1、采集不同时间下多个电台发射的中频AD信号数据，生成辐射源个体识别样本集；S2、继续采集不同时间下多个电台发射的中频AD信号数据，得到无标签样本集；S3、得到训练样本集与验证样本集；S4、构建基于多域迁移学习的跨时间辐射源个体识别模型；S5、训练识别模型；S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。本发明克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点；在更大程度上保留了信号的原始指纹信息，能够自动提取到更多更丰富的特征，有助于提高识别的准确率。

公开(公告)号：CN118155249A

公开(公告)日：2024-06-07

申请号：CN202410393261.8

申请日：2024-04-02

Applicant: 电子科技大学

Inventor： 王珂 ,  李建清 ,  黄浩 ,  王姣 ,  刘佳旭

IPC: G06V40/12 ,  G06N3/0464 ,  G06N3/042 ,  G06V10/82 ,  G06V10/762 ,  G06N3/0895

Abstract: 一种针对射频指纹特征的深度学习盲训练开集识别方法，包括如下步骤：步骤一、根据不同时段出现的不同射频目标个数ni确定特征收敛空间维度为m；步骤二、进行归一化处理；步骤三、进行固定尺度分割得到训练样本；步骤四、进行空间收敛中心标签设计，对样本进行标签生成；步骤五、对数据进行自定义数据集构建；步骤六、使用自定义数据集训练深度学习盲训练卷积网络；步骤七、通过训练好的深度学习盲训练卷积网络对归一化后的待预测射频样本进行推理预测，得到样本空间特征分布结果；步骤八、对待预测射频样本的空间特征分布结果进行分析，完成射频目标的判断。本发明对待射频目标识别具有较高准确性。

公开(公告)号：CN117880031A

公开(公告)日：2024-04-12

申请号：CN202410103724.2

申请日：2024-01-23

Applicant: 电子科技大学

Inventor： 李建清 ,  李文科 ,  王姣 ,  黄浩 ,  刘佳旭 ,  王珂 ,  王宏

IPC: H04L27/00 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明公开了一种基于信号参数估计的通信信号的调制识别优化方法，首先构建训练用的数据集，再构建并训练信号参数识别多任务深度卷积神经网络，然后构建并训练信号调制识别深度卷积神经网络得到预训练模型，然后在小范围参数数据集内fine‑tune，最后用测试样本集获得通过参数估计优化后的调制识别准确率。本发明的方法使用repvgg作为主干结构部署后具有更快的推理速度，使用深度卷积神经网络对信号参数的识别，并充分将结果利用到进一步的训练与处理中，这使得调制识别任务充分利用信号的参数信息，而不仅仅是靠信号的波形信息进行特征提取，并且使用fine‑tune能够在训练时间更少的情况下在下行调制识别的任务中保持和重新训练相近甚至更优的信号调制识别效果。