-
公开(公告)号：CN116340822B
公开(公告)日：2025-05-23
申请号：CN202310304464.0
申请日：2023-03-27
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/22 , G06N3/049 , G06N3/0464
Abstract: 本发明提供一种基于图神经网络的电子目标序列分析预测方法，使用图卷积神经网络分析实时场景下的电子目标序列，其中使用图卷积层聚合节点和边参数，生成图特征，使用线性分类器基于图特征对电子目标序列分类，从而识别电子目标序列的任务标签；使用图自编码器分析实时场景下的电子目标序列，其中使用图卷积神经网络作为编码器计算图特征，并随机添加负链接，最后使用内积恢复原始图结构，从而推测电子目标序列隐藏的目标间关系；使用时域图卷积神经网络分析带有时序特性的电子目标序列，其中使用图卷积神经网络计算图特征，使用门控递归单元基于图特征计算下一时刻的电子目标序列结构和参数，从而预测电子目标序列未来可能的结构和参数变化。
-
公开(公告)号：CN117435968A
公开(公告)日：2024-01-23
申请号：CN202310812305.1
申请日：2023-07-04
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/15 , G06N3/045 , G06N3/08
Abstract: 本发明公开的基于信息熵实现特征分离的方法及辐射源识别的应用，包括用提取深层特征的特征提取网络，通过特征提取网络提取目标信息的深层特征，分别构建识别不同特征的识别网络模型，将特征提取网络与各类识别网络模型通过交叉熵损失函数分别进行训练；将训练后的各类识别网络模型使用信息熵损失函数和正交损失函数训练特征提取网络，训练后的特征提取网络具备特征分离能力。本方法是基于信息熵的深度学习网络模型，可以对不同的识别网络进行优化，应用交叉熵损失、信息熵损失、正交损失等方式提高对数据集的特征分离进而提高深度学习模型的训练效果。本发明的另一目的在于，公开一种基于信息熵和分步训练实现特征分离方法的应用，提高识别辐射源的效率。
-
公开(公告)号：CN116800358A
公开(公告)日：2023-09-22
申请号：CN202310217761.1
申请日：2023-03-08
Applicant: 电子科技大学
IPC: H04B17/30 , G06F18/213 , G06N20/00
Abstract: 本发明公开了一种基于机器学习的智能门限频谱异常检测方法及系统，包括数据获取模块，获取时序的天气数据和电磁能量数据；数据处理模块，用于利用训练好的模型生成智能门限对T时刻的电磁能量数据进行判决检测出异常频谱；其中通过训练好的模型来确定预测值，根据预测值生成智能门限，其中所述模型为使用多组训练数据训练得出，所述多组训练数据的每组数据包括：历史天气数据和历史能量数据。具有更好地筛选出由未知目标或者未授权目标引起的电磁能量异常优点。
-
公开(公告)号：CN116367200A
公开(公告)日：2023-06-30
申请号：CN202310550329.4
申请日：2023-05-16
Applicant: 电子科技大学
Abstract: 本发明公开的一种基站激活和用户接入控制的联合优化方法，本发明通过将基站激活和用户接入关系联合控制，综合了两个控制方向的优势，既考虑了基站激活带来的资源消耗问题，又考虑了用户的接入关系，保证系统的正常可靠运行。在算法运行过程中，通过设置适当的参数值，可以很好的平衡基站发射功率、激活基站的数量和接入用户数量的关系，将用户的接入关系放在首要考虑的位置，在满足用户要求的服务质量水平的前提下，再去平衡基站的激活问题。此外，本发明引入ADMM框架相较于现有技术降低了求解优化问题的复杂度，并且可以得到相同的优化结果。并且在系统构建的过程中考虑了用户之间的干扰情况，克服了现有技术中未考虑信道干扰的情况的问题。
-
公开(公告)号：CN116340822A
公开(公告)日：2023-06-27
申请号：CN202310304464.0
申请日：2023-03-27
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/22 , G06N3/049 , G06N3/0464
Abstract: 本发明提供一种基于图神经网络的电子目标序列分析预测方法，使用图卷积神经网络分析实时场景下的电子目标序列，其中使用图卷积层聚合节点和边参数，生成图特征，使用线性分类器基于图特征对电子目标序列分类，从而识别电子目标序列的任务标签；使用图自编码器分析实时场景下的电子目标序列，其中使用图卷积神经网络作为编码器计算图特征，并随机添加负链接，最后使用内积恢复原始图结构，从而推测电子目标序列隐藏的目标间关系；使用时域图卷积神经网络分析带有时序特性的电子目标序列，其中使用图卷积神经网络计算图特征，使用门控递归单元基于图特征计算下一时刻的电子目标序列结构和参数，从而预测电子目标序列未来可能的结构和参数变化。
-
Patent Agency Ranking
公开(公告)号：CN116094465A
公开(公告)日：2023-05-09
申请号：CN202310058612.5
申请日：2023-01-18
Applicant: 电子科技大学
Abstract: 本发明提供一种实现中频数字下变频的ASIC系统，为高速高精度模数转换器ADC与数字信号处理器DSP之间的通信提供解决方案；包括数控振荡器、混频器、增益调整器、CIC滤波器、第一FIR滤波器、第二FIR滤波器，使数字下变频能够集成到专用芯片中，降低了资源消耗；使用的CORDIC算法实现数控振荡器，在不影响数据精度要求的情况下，利于结构的流水线设计，减少系统的时钟周期，达到高速高精度的效果，具有良好的时序和低功耗的优点。
-
公开(公告)号：CN113177521B
公开(公告)日：2022-07-01
申请号：CN202110579620.5
申请日：2021-05-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于组合孪生网络的智能辐射源识别方法，具体为：S1、采集若干样本，使用孪生网络进行数据增强；S2、根据增强后的数据，采用训练好的组合孪生网络对未知目标进行辨识；S3、对未知目标进行标定，并根据标定后的未知目标对组合孪生网络进行更新；S4、采用更新后的组合孪生网络对未知目标进行再入识别。本发明在充分融合传统信号识别的指纹信息的基础上，通过深度学习网络进一步挖掘辐射源信号的隐藏特征，有效解决了现有辐射源识别方法准确率低的问题。
-
公开(公告)号：CN113177520A
公开(公告)日：2021-07-27
申请号：CN202110577156.6
申请日：2021-05-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于集成学习的智能辐射源识别方法，包括以下步骤：S1、使用集成学习进行数据增强，得到增强数据；S2、根据增强数据，采用训练后的已知目标分类网络对未知目标进行辨识；S3、对未知目标进行标定，并对分类网络进行更新；S4、采用更新后的分类网络对未知目标进行再入识别，得到辐射源识别结果。本发明提高了样本利用率，在小样本的条件下，达到了数据增强的目的，能够更好地对未知电磁目标进行辨识，并且通过已辨识的未知目标重新训练分类网络，并进行再入识别，保证了分类网络的及时更新，提高了识别准确率。
-
公开(公告)号：CN117750471A
公开(公告)日：2024-03-22
申请号：CN202311682016.0
申请日：2023-12-08
Applicant: 电子科技大学
Abstract: 本发明公开的一种优化用户接入位置的方法，定位用户位置，将最优通信位置信道设为待优化信道；将基站覆盖范围划分为若干区块，用户所在区块中心位置信道为当前信道，搜索与所述待优化信道最接近的区块中心点，所搜结束后引导用户移动至对应区块中接入网络。本发明提出的接入控制和波束设计联合优化算法通过确定了目前不可接受的用户，然后试图找到一些具有更好通信环境的位置，当那些被拒绝的用户移动到新位置后，它们的访问请求将得到积极的回应。解决了现有技术中接入控制方法忽视被拒绝用户的问题，一些情况中可以将其与接入控制方法组合使用，以实现最优接入效果。
-
公开(公告)号：CN116956147A
公开(公告)日：2023-10-27
申请号：CN202310812302.8
申请日：2023-07-04
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/23213 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及信号源识别技术领域，具体涉及一种基于自监督的跨接收机数据自适应辐射源识别方法，使用信息熵、伪标签自监督和对比学习等方法使得网络模型能自动适应新接收机的数据分布，从而从而提高网络在不同接收机数据上的泛化能力，解决现有网络模型在跨接收机数据识别时不足的问题。实验结果表明，在加载一个使用原接收机的有标签数据进行训练的网络模型后，使用新接收机无标签数据训练网络，相比于普通识别网络使用同样的有标签数据进行训练，在新接收机上的识别准确率不同数据集上均有提升，平均提升20.94％。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.021 seconds)
