-
公开(公告)号：CN120011906A
公开(公告)日：2025-05-16
申请号：CN202510090420.1
申请日：2025-01-21
Applicant: 电子科技大学
IPC: G06F18/2411 , G06N3/0464 , G06N3/084 , G06F18/214 , G06F18/23 , G06N7/08
Abstract: 本发明公开了一种基于混沌控制理论的深度学习射频指纹开集识别方法，首先确定深度卷积神经网络空间收敛维度，并对射频训练数据进行预处理得到数据样本，进行数据集构造得到训练批次数据输入到深度学习卷积神经网络进行高阶语义提取与特征压缩，输出空间特征数据，然后对空间特征数据使用三元组方法求取对比损失值，使用非线性随机引导方法求取随机引导损失值，求和得到整体损失，通过模型反向传播进行参数更新，完成模型训练，最后通过对数据样本进行空间特征预测，最得到射频目标识别结果。本发明的方法能够在射频目标没有标签且数量未知的情况下进行识别，同时能够避免陷入局部最优状态并快速完成模型收敛，其评估结果也具有较高的准确率。
-
公开(公告)号：CN118155248A
公开(公告)日：2024-06-07
申请号：CN202410393259.0
申请日：2024-04-02
Applicant: 电子科技大学
IPC: G06V40/12 , G06V10/762 , G06N3/0895 , G06V10/80 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于复合监督训练的深度学习闭集射频指纹特征识别方法，包括以下步骤：步骤一、确定射频目标的个数n，设置特征收敛空间维度为m；步骤二、数据归一化处理；步骤三、进行固定尺度分割；步骤四、进行空间收敛中心标签设计；步骤五、将数据样本分为有监督训练样本与半监督训练样本；步骤六、自定义数据集构建；步骤七、使用自定义数据集对深度学习网络进行训练；步骤八、利用训练好的深度学习网络对待预测射频样本进行推理预测；步骤九、进行欧氏距离计算，得到疑似目标；步骤十、对疑似目标进行投票，选择对应最多的分割待预测射频样本的疑似目标作为该待预测射频信号的识别结果。本发明具有更高的识别准确率和较强的抗噪能力。
-
公开(公告)号：CN115081487A
公开(公告)日：2022-09-20
申请号：CN202210797240.3
申请日：2022-07-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多域迁移学习的跨时间辐射源个体识别方法，包括如下步骤：S1、采集不同时间下多个电台发射的中频AD信号数据，生成辐射源个体识别样本集；S2、继续采集不同时间下多个电台发射的中频AD信号数据，得到无标签样本集；S3、得到训练样本集与验证样本集；S4、构建基于多域迁移学习的跨时间辐射源个体识别模型；S5、训练识别模型；S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。本发明克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点；在更大程度上保留了信号的原始指纹信息，能够自动提取到更多更丰富的特征，有助于提高识别的准确率。
-
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：CN114548146A
公开(公告)日：2022-05-27
申请号：CN202210020325.0
申请日：2022-01-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多任务网络的调制信号分类与带宽估计方法，包括如下步骤：S1、生成12种不同类型调制信号作为数据集；S2、对调制信号数据集样本进行低通滤波；S3、对调制信号数据集样本作零均值归一化预处理；S4、设计多任务神经网络的结构、参数和损失函数；S5、将预处理后的调制信号训练集输入多任务神经网络进行训练，并保存最优模型；S6、利用保存的最优模型识别调制信号的类别和宽带信息。本发明实现了多任务共享特征，调制类型识别和带宽估计共享前面网络层输出的特征，一次推理可以同时得到输入信号样本的调制类型和带宽，相对于分别进行类型识别和带宽估计可以减小参数量和计算量，保证较好的实时性。
-
Patent Agency Ranking
公开(公告)号：CN116956113A
公开(公告)日：2023-10-27
申请号：CN202310590628.0
申请日：2023-05-24
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/214 , G06F18/10 , G06F18/213 , G06N3/094
Abstract: 本发明公开了一种基于串行多对抗域自适应网络的辐射源特征提取方法，包括如下步骤：步骤1、收集不同时间、位置、接收机下多个辐射源发射的中频AD信号数据，并进行数据预处理；步骤2、划分训练样本集、验证样本集；步骤3、构建针对某一因素的基于串行多对抗域自适应网络的辐射源特征提取网络模型；步骤4、训练特征提取网络模型；步骤5、对所有因素分别训练对应的特征提取网络模型，并串接形成一个整体的特征提取网络；步骤6、在整体的特征提取网络后接一个新的辐射源分类器。本发明采用对抗域自适应的方法，借助域判别器识别和排除所有因素中的域信息，实现了特征提取网络的域适应能力；通过串接多个特征提取网络，提高了整体网络的识别准确率。
-
公开(公告)号：CN111913156B
公开(公告)日：2022-06-24
申请号：CN202010778765.3
申请日：2020-08-05
Applicant: 电子科技大学
Abstract: 一种基于深度学习模型与特征联合的雷达辐射源个体识别方法，其步骤为：1)采集不同雷达发射的中频AD信号数据，截取脉内信号数据生成雷达辐射源个体识别样本集；2)对雷达辐射源个体识别样本进行归一化处理并划分成训练样本集、验证样本集与测试样本集；3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。本发明具有普适性强，不需要人工特征提取和大量先验知识，具有复杂度低，分类结果准确稳定的优点。
-
公开(公告)号：CN115081487B
公开(公告)日：2024-10-22
申请号：CN202210797240.3
申请日：2022-07-08
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/047 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于多域迁移学习的跨时间辐射源个体识别方法，包括如下步骤：S1、采集不同时间下多个电台发射的中频AD信号数据，生成辐射源个体识别样本集；S2、继续采集不同时间下多个电台发射的中频AD信号数据，得到无标签样本集；S3、得到训练样本集与验证样本集；S4、构建基于多域迁移学习的跨时间辐射源个体识别模型；S5、训练识别模型；S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。本发明克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点；在更大程度上保留了信号的原始指纹信息，能够自动提取到更多更丰富的特征，有助于提高识别的准确率。
-
公开(公告)号：CN118155249A
公开(公告)日：2024-06-07
申请号：CN202410393261.8
申请日：2024-04-02
Applicant: 电子科技大学
IPC: G06V40/12 , G06N3/0464 , G06N3/042 , G06V10/82 , G06V10/762 , G06N3/0895
Abstract: 一种针对射频指纹特征的深度学习盲训练开集识别方法，包括如下步骤：步骤一、根据不同时段出现的不同射频目标个数ni确定特征收敛空间维度为m；步骤二、进行归一化处理；步骤三、进行固定尺度分割得到训练样本；步骤四、进行空间收敛中心标签设计，对样本进行标签生成；步骤五、对数据进行自定义数据集构建；步骤六、使用自定义数据集训练深度学习盲训练卷积网络；步骤七、通过训练好的深度学习盲训练卷积网络对归一化后的待预测射频样本进行推理预测，得到样本空间特征分布结果；步骤八、对待预测射频样本的空间特征分布结果进行分析，完成射频目标的判断。本发明对待射频目标识别具有较高准确性。
-
公开(公告)号：CN117880031A
公开(公告)日：2024-04-12
申请号：CN202410103724.2
申请日：2024-01-23
Applicant: 电子科技大学
IPC: H04L27/00 , G06N3/048 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种基于信号参数估计的通信信号的调制识别优化方法，首先构建训练用的数据集，再构建并训练信号参数识别多任务深度卷积神经网络，然后构建并训练信号调制识别深度卷积神经网络得到预训练模型，然后在小范围参数数据集内fine‑tune，最后用测试样本集获得通过参数估计优化后的调制识别准确率。本发明的方法使用repvgg作为主干结构部署后具有更快的推理速度，使用深度卷积神经网络对信号参数的识别，并充分将结果利用到进一步的训练与处理中，这使得调制识别任务充分利用信号的参数信息，而不仅仅是靠信号的波形信息进行特征提取，并且使用fine‑tune能够在训练时间更少的情况下在下行调制识别的任务中保持和重新训练相近甚至更优的信号调制识别效果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.02 seconds)
