-
Patent Agency Ranking
公开(公告)号：CN110033038B
公开(公告)日：2022-08-05
申请号：CN201910279782.X
申请日：2019-04-09
Applicant: 电子科技大学
Abstract: 目前气动热试验有效数据段的选取主要是依靠人工判读标注，工作量大，耗时耗力。本发明提出一种自动选取数据段的方法。具体步骤如下：步骤一、收集测热试验数据；步骤二、通过CNN对测热试验数据分类，输出有效的数据；步骤三、滑动窗口截取数据；步骤四、利用CNN网络判定数据；步骤五、输出有效数据段的正确概率；步骤六、确定初始标注位置。本发明提出的方法具有自适应能力，可有效提升测热试验数据的提取效率，对防热结构的设计和高超声速飞行器的飞行安全有十分重要的意义。
-
公开(公告)号：CN110033038A
公开(公告)日：2019-07-19
申请号：CN201910279782.X
申请日：2019-04-09
Applicant: 电子科技大学
Abstract: 目前气动热试验有效数据段的选取主要是依靠人工判读标注，工作量大，耗时耗力。本发明提出一种自动选取数据段的方法。具体步骤如下：步骤一、收集测热试验数据；步骤二、通过CNN对测热试验数据分类，输出有效的数据；步骤三、滑动窗口截取数据；步骤四、利用CNN网络判定数据；步骤五、输出有效数据段的正确概率；步骤六、确定初始标注位置。本发明提出的方法具有自适应能力，可有效提升测热试验数据的提取效率，对防热结构的设计和高超声速飞行器的飞行安全有十分重要的意义。
-
公开(公告)号：CN109117747A
公开(公告)日：2019-01-01
申请号：CN201810812826.6
申请日：2018-07-23
Applicant: 电子科技大学
Abstract: 传统的雷达信号分类方法在依靠人工提取其特征后，使用特定算法进行分类处理。本发明提出一种循环平稳(Cyclostationary Spectrum Analysis,CSA)与深度卷积神经网络(Deep Convolution neural network，DCNN)结合的信号分选方法。具体步骤如下：步骤一、收集低截获概率的雷达信号；步骤二、使用FAM与DFSM算法对同一信号进行处理，得到双频图像；步骤三、比较上述算法中质量好的图像；步骤四、使用本发明提出的DCNN进行分类；步骤五、输出雷达信号分选结果。本发明提出的方法具有自适应能力，可有效提升我国电子对抗能力。
-
公开(公告)号：CN110018447A
公开(公告)日：2019-07-16
申请号：CN201910282858.4
申请日：2019-04-09
Applicant: 电子科技大学
Abstract: 为了应对日益复杂的电磁环境，不仅需要对截获的无线电信号进行分类分析，还需要能够识别出不同的发射机。目前采用的无线电信号发射机个体识别方法在低信噪比条件下效果较差。本发明提出一种基于双谱分析与深度卷积神经网络相结合的发射机个体识别方法。主要步骤为：步骤一，对不同发射机个体发射的信号采用直接双谱法进行分析，得到双谱特征矩阵，并将其转化为二维特征图像；步骤二，使用本发明的卷积神经网络对二维特征图像进行分类；步骤三，输出分类结果，识别出不同发射机个体。本发明可应用在通信发射设备的个体识别和电子对抗中各类辐射源发射机的识别等领域。
-
公开(公告)号：CN108921110A
公开(公告)日：2018-11-30
申请号：CN201810741673.0
申请日：2018-07-06
Applicant: 电子科技大学
Abstract: 传统的雷达信号分类方法通常采用人工分析、提取各种低截获概率雷达信号特征后，利用提取的特征进行分类处理，但在实际应用中分类准确率较低。本发明是一种结合伪Wigner-Ville分布分析与新型卷积神经网络模型对低概率截获雷达信号分类的方法。具体步骤如下：步骤一，截获LPI雷达信号；步骤二，对截获的雷达信号进行Wigner-Ville分布处理，得到雷达信号图像；步骤三，对处理后的雷达信号图像进行归一化；步骤四，基于本发明新型卷积神经网络对雷达信号图像进行分类；步骤五，输出LPI雷达信号分类结果。本发明的雷达信号分类方法可以自动的提取雷达信号特征，随着收集的雷达信号数据的增加，其分类的正确率会提升，是一种具有自适应能力的雷达信号分类方法，对于提升我国的电子对抗能力具有重要的意义。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
