-
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。
-
公开(公告)号：CN116010881A
公开(公告)日：2023-04-25
申请号：CN202310058875.6
申请日：2023-01-18
Applicant: 电子科技大学
IPC: G06F18/2415 , G06F18/20 , G06F18/25 , G06F18/214 , G06N3/045 , G06N3/047
Abstract: 本发明提供了一种基于模型嵌入的辐射源识别方法，将不同模态的数据联合输入，通过端到端的多模态识别框架进行训练，实现了不同模态模型之间的参数共享，较多个模态对应于多个网络识别而言，网络规模的参数明显降低，收敛速度提高，并且在多个模态共享参数的过程中，网络得到了更多关于模态间的共同信息。同时，本发明在端到端的识别框架后，提供了一种基于贝叶斯理论的融合算法，相较于采用单模态作为网络输出，由于融合后的输出来自于不同模态，使得结果的置信度更高，故采用融合后的输出作为辐射源个体识别的决策，减少网络收敛时所需迭代次数，达到优化网络性能的效果。
-
公开(公告)号：CN113177521A
公开(公告)日：2021-07-27
申请号：CN202110579620.5
申请日：2021-05-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于组合孪生网络的智能辐射源识别方法，具体为：S1、采集若干样本，使用孪生网络进行数据增强；S2、根据增强后的数据，采用训练好的组合孪生网络对未知目标进行辨识；S3、对未知目标进行标定，并根据标定后的未知目标对组合孪生网络进行更新；S4、采用更新后的组合孪生网络对未知目标进行再入识别。本发明在充分融合传统信号识别的指纹信息的基础上，通过深度学习网络进一步挖掘辐射源信号的隐藏特征，有效解决了现有辐射源识别方法准确率低的问题。
-
公开(公告)号：CN117056667A
公开(公告)日：2023-11-14
申请号：CN202310965996.9
申请日：2023-08-02
Applicant: 电子科技大学
IPC: G06F18/10 , G06F18/15 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06F123/02
Abstract: 本发明涉及辐射源个体识别领域，具体涉及一种基于时域多类特征融合的通信辐射源识别方法，本发明利用不同方法将捕获的电磁信号分别转变为时域中的四类不同的辐射源指纹特征表征方式，使不同类型的神经网络与辐射源指纹特征表征相对应，提取不同的辐射源指纹特征，进行排列处理形成数据格式相同的四个特征矩阵，将特征矩阵进行堆叠，利用3D卷积网络对堆叠后的特征矩阵进行特征融合再提取，获得最终的融合特征，根据提取的特征，使用全连接层实现辐射源个体的识别。本发明采用信号时域特征提取方法，简化信号处理计算，提升信号处理阶段的效率，且能够获得更加全面辐射源指纹特征。
-
Patent Agency Ranking
公开(公告)号：CN115081472A
公开(公告)日：2022-09-20
申请号：CN202210547505.4
申请日：2022-05-18
Applicant: 电子科技大学
Abstract: 本发明提供一种用于雷达行为分析的脉冲信号语法建模及特征提取方法，包括聚类离散编码步骤、统计建模分词步骤、序列标注划分步骤和序列联合感知步骤。本发明的语法模型由五个层级构成，提出了描述脉冲信号参数变化规律的脉冲字母与脉冲字、脉冲短语及描述工作状态和行为的脉冲句、脉冲段，细化了对参数变化模式、工作状态、雷达行为的描述，更适用于复杂应用场景下的信号特征分析。首先针对信号中可拆解的层级包含关系构建多层语义特征，其次基于无监督方法抽取底层语义特征，结合信号标注获取训练集，输入长短时记忆网络分析高层语义特征，最终实现对雷达信号的语法层级特征提取及行为分析，解决了参数重叠场景下的行为分析需求。
-
公开(公告)号：CN119182561A
公开(公告)日：2024-12-24
申请号：CN202411166338.4
申请日：2024-08-23
Applicant: 电子科技大学
IPC: H04L9/40 , H04B7/0413
Abstract: 本发明涉及物理层通信技术，提供一种基于空间Sigma‑Delta调制的物理层安全传输方法，使用空间Sigma‑Delta调制来处理下行传输中的物理层安全问题，采用了基于L阶Sigma‑Delta调制器，将Sigma‑Delta调制器的设计处理为优化问题：在空间Sigma‑Delta调制器不过载的情况下，合法用户端的信号与量化噪声比最小时，窃听者的最大SQNR小于1/η。利用低分辨率DAC，通过优化设置后的Sigma‑Delta调制对量化噪声进行空间整形。本发明不仅降低大规模MIMO实现的硬件成本和功耗，而且天然地将传统低分辨率量化器粗糙量化带来的严重量化噪声导向潜在窃听者以保护合法的用户，实现了通信安全。
-
公开(公告)号：CN118201013A
公开(公告)日：2024-06-14
申请号：CN202410505578.6
申请日：2024-04-25
Applicant: 电子科技大学
Abstract: 本发明涉及无线自组网技术领域，且公开了一种无线自组网拓扑识别算法的FPGA可伸缩实现方法，包括IP核结构，所述IP核结构由数据输入端口(模块M1)，数据控制单元(模块M2)，欧氏距离计算单元(模块M3)，聚类信息存储单元(模块M4)，聚类控制单元(模块M5)，并行计算处理单元(模块M6)，聚类信息恢复单元(模块M9)，拓扑识别单元(模块M10)构成。本发明中算法在多个平台通过兼容性测试，且在不同平台运行时间几乎相等，进而提高了算法的适配性；本发明具有可伸缩性的并行计算单元设计，使IP核方便部署在不同资源的FPGA中，从而能够快速地适应网络环境的变化，提高了算法的稳定性以及可靠性。
-
公开(公告)号：CN115081472B
公开(公告)日：2024-04-16
申请号：CN202210547505.4
申请日：2022-05-18
Applicant: 电子科技大学
IPC: G06F18/213 , G06F18/23213 , G06N3/045 , G06N3/0442 , G06N3/088 , G01S7/41
Abstract: 本发明提供一种用于雷达行为分析的脉冲信号语法建模及特征提取方法，包括聚类离散编码步骤、统计建模分词步骤、序列标注划分步骤和序列联合感知步骤。本发明的语法模型由五个层级构成，提出了描述脉冲信号参数变化规律的脉冲字母与脉冲字、脉冲短语及描述工作状态和行为的脉冲句、脉冲段，细化了对参数变化模式、工作状态、雷达行为的描述，更适用于复杂应用场景下的信号特征分析。首先针对信号中可拆解的层级包含关系构建多层语义特征，其次基于无监督方法抽取底层语义特征，结合信号标注获取训练集，输入长短时记忆网络分析高层语义特征，最终实现对雷达信号的语法层级特征提取及行为分析，解决了参数重叠场景下的行为分析需求。
-
公开(公告)号：CN113177520B
公开(公告)日：2022-06-28
申请号：CN202110577156.6
申请日：2021-05-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于集成学习的智能辐射源识别方法，包括以下步骤：S1、使用集成学习进行数据增强，得到增强数据；S2、根据增强数据，采用训练后的已知目标分类网络对未知目标进行辨识；S3、对未知目标进行标定，并对分类网络进行更新；S4、采用更新后的分类网络对未知目标进行再入识别，得到辐射源识别结果。本发明提高了样本利用率，在小样本的条件下，达到了数据增强的目的，能够更好地对未知电磁目标进行辨识，并且通过已辨识的未知目标重新训练分类网络，并进行再入识别，保证了分类网络的及时更新，提高了识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.022 seconds)
