-
公开(公告)号：CN107808138B
公开(公告)日：2021-03-30
申请号：CN201711046399.7
申请日：2017-10-31
Applicant: 电子科技大学
Abstract: 本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于Faster R‑CNN的通信信号识别方法。本发明将Faster R‑CNN算法用于通信信号识别，将采集到的盲通信信号频谱数据绘制成图片；然后设计一个整体的多层神经网络，运用Faster R‑CNN算法对图片中有用的信号频段进行检测和定位，先利用卷积神经网络生成特征图，利用区域生成网络在原始图片上生成区域建议框；再对建议框区域进行感兴趣区域采样，并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归，根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置；最终将信号在图片上的像素位置还原为有用信号的频段信息，从而实现通信信号的识别。
-
公开(公告)号：CN112308008A
公开(公告)日：2021-02-02
申请号：CN202011258729.0
申请日：2020-11-12
Applicant: 电子科技大学
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：CN111901000A
公开(公告)日：2020-11-06
申请号：CN202010769360.3
申请日：2020-08-03
Applicant: 电子科技大学
IPC: H03M13/37
Abstract: 本发明公开了一种基于Inception结构的信道译码方法，包括以下步骤：生成不同信噪比的编码数据样本，并将生成的编码数据样本划分为训练集和测试集；构造一维Inception结构；构建基于Inception结构的信道译码网络；设置基于Inception结构的信道译码网络的训练超参数；训练基于Inception结构的信道译码网络；将测试集输入到训练完成的译码网络中，得到测试集的信道译码结果。本发明通过更改Inception结构设计了一种新的一维卷积神经网络，并将该网络应用到一维数据的信道译码中，通过接收已经编码的数据可以进行译码，对基于深度学习的通信信号译码工作有重要的工程价值。
-
公开(公告)号：CN108718288B
公开(公告)日：2020-09-25
申请号：CN201810275921.7
申请日：2018-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、变采样为中频信号；S3、进行中频滤波；S4、做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类，有效提高了数字信号调制模式的效率。
-
公开(公告)号：CN111222640A
公开(公告)日：2020-06-02
申请号：CN202010028618.4
申请日：2020-01-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种信号识别卷积神经网络卷积核分区剪枝方法，包括以下步骤：构建一维卷积神经网络，然后进行训练达到收敛状态；提取模型卷积核的权重数组；对权重数组求绝对值，并按列进行求和得到卷积核的具体权重值；将权重区间分成4个等分区间，设定剪枝系数和阈值，若该卷积核的权值小于该卷积核所在区间的阈值，则将该卷积核从网络中删除，遍历所有卷积核，得到每个区间大于阈值的卷积核，得到新网络模型；对新网络模型进行重新训练达到收敛状态。本发明采用基于区间的剪枝方法，能够更大化的去冗余，使得权重的剪枝更加合理，能够更大化的对模型进行压缩，减小模型的大小，提高模型的前向推理时间的速度。
-
Patent Agency Ranking
公开(公告)号：CN111222474A
公开(公告)日：2020-06-02
申请号：CN202010023020.6
申请日：2020-01-09
Applicant: 电子科技大学
Abstract: 一种任意尺度的高分辨率图像小目标检测方法，包括以下步骤：获取标注清洗的目标数据集，划分训练集和测试集；对数据集通过优化聚类算法计算预设锚框；设计卷积神经网络，通过特征提取得到特征图，在预测网络上添加补丁使上采样得到的特征图和特征提取层对应特征图维度保持一致，在不同尺度特征图上做多尺度检测；利用卷积神经网络对数据集进行训练，待性能评价指标收敛后得到具有小目标检测能力的神经网络模型；对测试数据集进行检测，得到目标类别和位置坐标。本发明适用任意尺寸的图像输入网络，避免缩小到固定尺寸输入网络后特征图上小目标特征的丢失，或裁剪图像导致边缘目标上下文信息丢失，有助于高分辨率图像小目标的检测，适用性广。
-
-
公开(公告)号：CN109495214A
公开(公告)日：2019-03-19
申请号：CN201811416524.3
申请日：2018-11-26
Applicant: 电子科技大学
IPC: H04L1/00
Abstract: 本发明公开了基于一维Inception结构的信道编码类型识别方法，包括以下步骤：S1、生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；S2、构造一维Inception结构；S3、构建基于一维Inception结构的信道编码类型识别模型；S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；S5、训练基于一维Inception结构的信道编码类型识别模型的最终形式；S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。本发明通过更改Inception结构设计了新的一维卷积神经网络，并将该神经网络应用到了一维信号的信道编码类型识别，通过接收到了解调信号可以准确率的判断信道编码类型，对后续的信道编码参数识别、信道译码等工作有重要意义。
-
公开(公告)号：CN108718288A
公开(公告)日：2018-10-30
申请号：CN201810275921.7
申请日：2018-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、变采样为中频信号；S3、进行中频滤波；S4、做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类，有效提高了数字信号调制模式的效率。
-
公开(公告)号：CN107506768A
公开(公告)日：2017-12-22
申请号：CN201710939766.X
申请日：2017-10-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于全卷积神经网络的输电线路导线断股识别方法，包括以下步骤：S1、通过无人机采集输电线路导线图片；S2、设计全卷积神经网络对S1采集到的图片进行语义分割，从背景中提取出导线；S3、去除导线图片中形状不符合预设条件的连通域；S4、采用两遍扫描法提取每根导线连通域；S5、对每根导线连通域进行线性拟合，求判断导线断股的阈值；S6、根据阈值判断导线是否断股，如果存在断股导线，则标出对应导线。本发明克服了人为设定特征参数存在的误差、不合理性以及数量不足等缺陷，采用全卷积神经网络的方法提取出导线，然后再进行导线断股检测，能够更准确地从背景中提取出导线，提高缺陷识别的准确性和效率。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.092 seconds)
