-
公开(公告)号：CN111355616A
公开(公告)日：2020-06-30
申请号：CN202010185194.2
申请日：2020-03-17
Abstract: 本发明公开了一种基于物理层数据的战术通信网关键节点识别方法，涉及网络通信技术领域。其包括：从战术通信网采集物理层数据；训练全连接BP神经网络；获取MAC协议的仿真时序信号；提取仿真时序信号中由帧类比参数和占空比参数构成的特征参数集Ⅰ；训练支持向量机；提取组网数据中由帧类比参数和占空比参数构成的特征参数集Ⅱ，识别战术通信网所使用的MAC协议；抽取时序片段构成样本数据Ⅱ，标记出各数据段对应的网络节点；对组网数据进行模式匹配，识别战术通信网的拓扑结构；根据战术通信网的拓扑结构，识别出其关键的网络节点。该方法不需要对物理层数据进行协议解析，便可得到战术通信网的网络拓扑结构，并根据网络拓扑结构识别出关键网络节点。
-
公开(公告)号：CN109450460B
公开(公告)日：2020-06-23
申请号：CN201811264785.8
申请日：2018-10-29
Applicant: 电子科技大学
IPC: H03M13/29
Abstract: 本发明公开了一种RS码与卷积码的级联码的参数识别方法，其包括以下步骤：S1、获取待识别的编码数据，并获取RS码与卷积码的所有级联校验矩阵；S2、获取待识别编码数据与每个级联校验矩阵的正交概率值；S3、将正交概率值最大的级联校验矩阵所对应的级联码参数作为待识别编码数据的级联码参数，完成识别。本发明可以在对级联码的参数识别的基础上，降低算法的复杂度并有效提高鲁棒性，并且对于待识别的编码数据帧数的要求较低，最少可实现一帧大小的级联码参数识别；对有误码的编码数据也可识别，对CCSDS标准的级联码在误码率为10‑3时，参数识别的概率达到90％。
-
公开(公告)号：CN109818811B
公开(公告)日：2020-05-12
申请号：CN201910227220.0
申请日：2019-03-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种识别分配类及混合类MAC协议的方法，其包括以下步骤：S1、搭建网络模型，获取网络中的仿真信号；S2、对仿真信号进行BPSK调制、采样并加入噪声；S3、确定加噪采样信号中所有信号帧的起止位置并计算帧长；S4、将信号帧划分为控制帧和数据帧；S5、获取各个协议的帧类别和帧分布；S6、将各个协议的帧类别和帧分布作为训练数据对支持向量机进行训练，得到MAC协议识别模型；S7、通过MAC协议识别模型对待识别协议进行识别，完成识别分配类及混合类MAC协议。本发明具有很好的识别效果，比较适合应用于实际场景，解决了能量特征受噪声影响大以及时间特征较难精确提取的问题。
-
公开(公告)号：CN108761414A
公开(公告)日：2018-11-06
申请号：CN201810513556.9
申请日：2018-05-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于频控阵的S形干扰波束测试方法，包括如下步骤：S1、根据频控阵雷达发射机的预设S形干扰波束在空间中的分布位置，选择雷达测试接收机的安放位置点，即为测试接收点；S2、使频控阵雷达发射机开始发射信号，并使各测试接收点接收经过该测试接收点的至少一个预设发射周期的所有发射信号数据；S3、根据接收到的发射信号数据，确定各测试接收点的测试数据；S4、根据各测试接收点的空间位置和测试数据，进行频控阵二维波束图的绘制，即拟合出S形干扰波束。本发明解决了现有技术存在的实用性低、隐蔽性低、测试效率低、实施成本昂贵和资金投入大的问题。
-
-
Patent Agency Ranking
公开(公告)号：CN104320362B
公开(公告)日：2017-07-18
申请号：CN201410629322.2
申请日：2014-11-10
Applicant: 电子科技大学
Abstract: 本发明涉及一种用于PCMA信号盲分离的方法，包括：根据信道参数及两路符号的初始先验概率的分布抽样得到多个初始粒子并初始化每个粒子的权重；根据上一时刻粒子的信道参数计算当前时刻粒子的信道参数；对每个粒子，当在其计算空间内存在一个后验概率值大于预先设定的后验概率门限值时，将粒子列为可用粒子；对可用粒子对应的两路符号进行更新；对可用粒子的权重进行更新；计算可用粒子的归一化权重；更新当前时刻可用粒子的轨迹；根据可用粒子的权重计算当前时刻的有效粒子数；当有效粒子数达到预先设定的门限时，根据当前时刻可用粒子的信道参数计算PCMA信号的信道参数的估计值并根据可用粒子的权重计算PCMA信号的两路符号的估计值。
-
公开(公告)号：CN104614611B
公开(公告)日：2017-06-16
申请号：CN201510050829.7
申请日：2015-01-30
Applicant: 电子科技大学
IPC: G01R31/00
Abstract: 该发明属于雷达应用中的接收天线阵列受损阵元的在线检测方法，包括建立检测数据库，确定接收信号的自相关矩阵，确定待测虚拟阵列，自相关矩阵列向量化处理，列向量元素的排序，确定待测虚拟阵列中各阵元位上虚拟阵元的个数，确定接收天线阵列是否存在受损阵元及确定受损阵元个数及相应的阵元坐标位。该发明具有不受接收天线阵列的规模大小及天线阵列中受损阵元的数目大小限制，在同等阵列规模、相同受损阵元个数的情况下，与支持向量机分类法相比，该发明在线检测所耗费的时间仅为支持向量机分类法的1/50‑1/4，性能提高明显，检测效率及可靠性更高。因而本发明具有检测方法简便，所需的检测时间短，检测效率及可靠性高等特点。
-
公开(公告)号：CN103327602A
公开(公告)日：2013-09-25
申请号：CN201310211025.1
申请日：2013-05-22
Applicant: 电子科技大学
IPC: H04W56/00
Abstract: 本发明公开了一种用于分布式无线网络的载波同步方法及系统，其特征在于：分布式无线网络的每个从节点向分布式无线网络的主节点发送同步校准信号；主节点将接收到的同步校准信号进行幅度调节之后重新广播给所有从节点；从节点从该接收到的信号中估计与主节点的频率同步误差和初始相位波动；从节点根据估计的频率同步误差和初始相位波动来调整从节点的载波频率。本发明提供的用于分布式无线网络的载波同步方法不需要在主从节点之间的时间同步且不受多普勒效应的影响。
-
公开(公告)号：CN116894207A
公开(公告)日：2023-10-17
申请号：CN202310767307.3
申请日：2023-06-27
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/15 , G06N3/0499 , G06N3/096
Abstract: 本发明涉及信号处理技术领域，具体涉及一种基于Swin Transformer和迁移学习的智能辐射源识别方法，本发明使用组合的信号预处理方式进行数据增强，利用短时傅里叶变换与时域数据的一维向量和二维向量增强方式使得数据集的样本量得到了几个数量级的提升，从而拓展数据量，使模型得到更多信息。使用自注意力机制使其更好的利用先验知识从新数据中学习到辐射源指纹特征。即使在新的环境下得到数据特征改变，也能通过这种方式捕捉新环境和原来的环境通用的特征和模式，提高模型的复用性。使用滑动窗口的方法使网络参数的更新降低计算复杂度，并提高模型的训练速度和推理速度。
-
公开(公告)号：CN116805055A
公开(公告)日：2023-09-26
申请号：CN202310767300.1
申请日：2023-06-27
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/15 , G06N3/088
Abstract: 本发明涉及信号处理技术领域，具体涉及一种基于无监督动量对比学习的辐射源个体识别方法，本发明使用组合的信号预处理方式进行数据增强，使模型得到更多信息。将当前信号特征与字典中的信号特征进行比较，学习更好的分类特征，并通过动态的字典提高模型训练速度和推理速度使其更好的利用先验知识从新数据中学习辐射源指纹特征。使用InfoNCE对比损失函数，能够有效简化问题，降低计算复杂度。使用全连接层将模型的输入映射到固定大小的特征空间中，得到特征的统一表征。使用这些特征形成特征库，并随着场景不断迁移进行动量更新，即生成动态字典，这样既保留了原始场景中的特征信息，又能对特征库不断更新，从而实现场景迁移下的目标识别。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.026 seconds)
