-
公开(公告)号：CN117668637B
公开(公告)日：2025-03-18
申请号：CN202311564967.8
申请日：2023-11-22
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213
Abstract: 本发明涉及辐射源个体识别技术领域，为了提高低信噪比下识别准确率、有效性和可靠性，本发明提出一种基于差分重构星座图的辐射源个体识别方法，对各信号源的初始I/Q两路信号数据；进行差分处理后分别进行EMD、VMD、ITD分解，将分解后频率最高的三项相加重构后生成星座图，通过深度卷积神经网络进行辐射源个体识别。本发明通过三种不同的分解方式可以集合各分解的优势，使得个体特征更大可能的凸显出来，再利用深度卷积神经网络对图像处理方面的优势来进行识别，可以提高识别的准确率和可靠性。
-
公开(公告)号：CN118171154A
公开(公告)日：2024-06-11
申请号：CN202410243119.5
申请日：2024-03-04
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/2415 , G06F18/2131 , G06F18/214 , G06F18/25 , G06V10/82 , G06N3/0442
Abstract: 本发明公开了基于对抗样本生成与集成学习的小样本有源干扰识别方法。通过提取时频特征，利用对抗样本生成扩充数据集，利用GRU网络与残差神经网络作为基分类器分别识别信号时域频域特性与时频特性，通过Adaboost算法调整样本权重并重新训练网络，并将最终结果加权融合得到识别结果。本发明针对实际应用中有源干扰识别样本数较少等问题，提出先通过对抗样本生成增加带扰动的样本，再通过集成学习提高识别准确率，从而实现了小样本条件下的有源干扰识别。增加样本数量，结合不同网络针对不同有源干扰样式识别率不同的特性，进而提高识别的精确度。
-
Patent Agency Ranking
公开(公告)号：CN117630807A
公开(公告)日：2024-03-01
申请号：CN202311600524.X
申请日：2023-11-28
Applicant: 杭州电子科技大学
IPC: G01S3/14 , G06F18/214 , G06F18/2415 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种五元阵智能测向方法及系统，该方法首先对五元阵天线各个阵元接收到的五个通道的信号进行下变频，再进行采样处理得到数字信号。其次基于数字信号建立带有标签的测向数据样本。然后确定智能测向网络模型的结构和参数，并基于带有标签的测向数据样本，对智能测向网络模型进行训练。该系统包括接收五个通道的信号五元阵天线、建立带有标签的测向数据样本的信号处理模块和构建智能测向网络模型，并通过测向数据样本获取对应的方向来波角度的测向模块。本发明可以根据天线接收到的信号迅速得到信号的来波方向，并能更好地满足对测向精度的要求。
-
公开(公告)号：CN117310668A
公开(公告)日：2023-12-29
申请号：CN202311241292.3
申请日：2023-09-22
Applicant: 杭州电子科技大学
IPC: G01S7/52 , G10L25/30 , G10L25/18 , G10L25/24 , G06F18/15 , G06F18/2131 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本发明公开了融合注意力机制与深度残差收缩网络的水声目标识别方法，该方法首先获取带有标签的水声数据样本，提取水声数据样本的梅尔Mel谱特征、梅尔频率倒谱系数MFCC特征以及其一阶、二阶差分特征。其次以ResNet18网络为基础，结合深度残差收缩网络和空间注意力网络，构建水声目标识别网络模型。最后将步骤1得到的四类特征组合构成四通道的样本，通过上述构建的水声目标识别网络模型进行训练、测试，完成水声目标识别。本发明实现了有用特征的筛选，提高了特征的完备性，进而提高识别的精确度。
-
公开(公告)号：CN118171154B
公开(公告)日：2024-12-24
申请号：CN202410243119.5
申请日：2024-03-04
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/2415 , G06F18/2131 , G06F18/214 , G06F18/25 , G06V10/82 , G06N3/0442
Abstract: 本发明公开了基于对抗样本生成与集成学习的小样本有源干扰识别方法。通过提取时频特征，利用对抗样本生成扩充数据集，利用GRU网络与残差神经网络作为基分类器分别识别信号时域频域特性与时频特性，通过Adaboost算法调整样本权重并重新训练网络，并将最终结果加权融合得到识别结果。本发明针对实际应用中有源干扰识别样本数较少等问题，提出先通过对抗样本生成增加带扰动的样本，再通过集成学习提高识别准确率，从而实现了小样本条件下的有源干扰识别。增加样本数量，结合不同网络针对不同有源干扰样式识别率不同的特性，进而提高识别的精确度。
-
公开(公告)号：CN117522918A
公开(公告)日：2024-02-06
申请号：CN202311465147.3
申请日：2023-11-07
Applicant: 杭州电子科技大学
IPC: G06T7/246 , G06N3/0464
Abstract: 本发明公开了基于SiamACCU++网络的遥感视频目标跟踪方法，该方法首先获取由遥感视频片段构成的数据集。其次构建由特征提取模块、特征自适应互相关模块、自适应模板更新模块组成的遥感视频目标跟踪模型，获取输入视频片段中目标的前景背景信息和边界框信息。然后配置遥感视频目标跟踪模型参数，通过数据集中训练集训练网络模型。最后通过数据集中测试集，测试和评估遥感视频目标跟踪模型在遥感图像中效果。本发明提高了算法的速度和性能，使得网络模型具备了更强的抗尺度变化的能力，可以准确进行时间目标跟踪。
-
公开(公告)号：CN117668637A
公开(公告)日：2024-03-08
申请号：CN202311564967.8
申请日：2023-11-22
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213
Abstract: 本发明涉及辐射源个体识别技术领域，为了提高低信噪比下识别准确率、有效性和可靠性，本发明提出一种基于差分重构星座图的辐射源个体识别方法，对各信号源的初始I/Q两路信号数据；进行差分处理后分别进行EMD、VMD、ITD分解，将分解后频率最高的三项相加重构后生成星座图，通过深度卷积神经网络进行辐射源个体识别。本发明通过三种不同的分解方式可以集合各分解的优势，使得个体特征更大可能的凸显出来，再利用深度卷积神经网络对图像处理方面的优势来进行识别，可以提高识别的准确率和可靠性。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
