-
Patent Agency Ranking
公开(公告)号：CN114839613A
公开(公告)日：2022-08-02
申请号：CN202210178955.0
申请日：2022-02-25
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种零训练样本下未知信号识别方法：数据采集及处理；构建深度卷积自编码器DCAEIM；采用加入恒等映射的深度卷积自编码器的基础上，引入类内‑类间损失函数，利用深度学习网络自动提取语义属性特征，引入类内‑类间损失函数；使用预处理好的训练数据集训练DCAEIM网络；将预处理好的测试数据集送入训练好的DCAEIM网络，得到输入测试样本的语义属性特征；利用距离度量算法对信号进行分类。本发明无需人工定义信号语义属性特征，而且模型在分类的过程中具有自进化的能力，突破了现有的未知雷达信号识别的局限性。
-
公开(公告)号：CN112731309A
公开(公告)日：2021-04-30
申请号：CN202110011684.5
申请日：2021-01-06
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明属于雷达干扰信号识别技术领域，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题，设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析，从信号时频图像的角度，采用双线性高效神经网络进行识别，在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性，相对于人工提取特征的传统方式，精度更高、更为简便。本发明无需干扰信号特征的先验知识，在低干噪比下具有一定的鲁棒性，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN112731309B
公开(公告)日：2022-09-02
申请号：CN202110011684.5
申请日：2021-01-06
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明属于雷达干扰信号识别技术领域，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题，设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析，从信号时频图像的角度，采用双线性高效神经网络进行识别，在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性，相对于人工提取特征的传统方式，精度更高、更为简便。本发明无需干扰信号特征的先验知识，在低干噪比下具有一定的鲁棒性，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN116243248A
公开(公告)日：2023-06-09
申请号：CN202310218279.X
申请日：2023-03-09
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明提供一种基于多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT‑v2模块的全局特征提取能力对多分量干扰信号进行高效分类识别。此发明解决了当前多类别分类网络对训练集中未曾出现的信号组合无法识别的问题，对训练样本数的要求较低，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN116953637A
公开(公告)日：2023-10-27
申请号：CN202310887599.4
申请日：2023-07-19
Applicant: 哈尔滨工程大学
Abstract: 基于视觉网络的SAR欺骗干扰效果评估方法，它属于电子对抗领域。本发明解决了采用现有SAR欺骗干扰效果评估方法无法对不同参数类型存在不同程度侦察误差的情况进行评估的问题。本发明方法具体为：步骤一、生成包含SAR参数侦察误差的干扰样本，将生成的干扰样本作为训练集中的输入，将干扰样本对应的参数误差类型和参数误差程度作为训练集中的输出；步骤二、搭建视觉网络模型；步骤三、利用训练集对搭建的视觉网络模型进行训练；步骤四、将待评估的干扰样本输入训练好的视觉网络模型，通过训练好的视觉网络模型输出对待评估干扰样本的参数误差类型和参数误差程度的评估结果。本发明方法可以应用于SAR欺骗干扰效果评估。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
