-
公开(公告)号：CN111582320A
公开(公告)日：2020-08-25
申请号：CN202010302865.9
申请日：2020-04-17
Applicant: 电子科技大学
Abstract: 该发明公开了一种基于半监督学习的动态个体识别方法，该方法涉及辐射源个体识别技术领域。为尝试解决个体间相似的辐射源个体识别准确率低，同时有效检测未知类的问题，本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试，而且还可以检测无标签的未知个体，然后自动加标签，同时迭代更新数据库。本方法对已知类识别准确率达到99％以上，而且未知类的误差率小于0.6％。
-
Patent Agency Ranking
公开(公告)号：CN111310680B
公开(公告)日：2022-11-04
申请号：CN202010110735.5
申请日：2020-02-24
Applicant: 电子科技大学
Abstract: 该发明公开了一种基于深度学习的辐射源个体识别方法，涉及辐射源个体识别技术领域。通过特征提取，然后输入神经网络进行辐射源个体的识别，在神经网络中加入过滤层，本发明过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0，可以明显地减少过拟合现象；这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明能够准确识别各辐射个体。
-
公开(公告)号：CN111310680A
公开(公告)日：2020-06-19
申请号：CN202010110735.5
申请日：2020-02-24
Applicant: 电子科技大学
Abstract: 该发明公开了一种基于深度学习的辐射源个体识别方法，涉及辐射源个体识别技术领域。通过特征提取，然后输入神经网络进行辐射源个体的识别，在神经网络中加入过滤层，本发明过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0，可以明显地减少过拟合现象；这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明能够准确识别各辐射个体。
-
公开(公告)号：CN111582320B
公开(公告)日：2022-10-14
申请号：CN202010302865.9
申请日：2020-04-17
Applicant: 电子科技大学
Abstract: 该发明公开了一种基于半监督学习的动态个体识别方法，该方法涉及辐射源个体识别技术领域。为尝试解决个体间相似的辐射源个体识别准确率低，同时有效检测未知类的问题，本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试，而且还可以检测无标签的未知个体，然后自动加标签，同时迭代更新数据库。本方法对已知类识别准确率达到99％以上，而且未知类的误差率小于0.6％。
-
公开(公告)号：CN111310719B
公开(公告)日：2021-07-06
申请号：CN202010159776.3
申请日：2020-03-10
Applicant: 电子科技大学
Abstract: 该发明公开了一种未知辐射源个体识别及检测的方法，属于信号识别领域。针对现有技术中对未知信号识别效率、准确率低的问题，采用神经网络对信号记性特征提取，计算特征的各项差异性数据，将待识别信号的各项差异性数据与训练神经网络样本信号的各项差异性数据进行逐层次的比较，依次筛选出未知类信号，然后对未知类信号进行标签添加；本发明技术方案检测未知类的误差率为0.28％，说明本发明方法具有高准确率的优点。
-
公开(公告)号：CN111310719A
公开(公告)日：2020-06-19
申请号：CN202010159776.3
申请日：2020-03-10
Applicant: 电子科技大学
Abstract: 该发明公开了一种未知辐射源个体识别及检测的方法，属于信号识别领域。针对现有技术中对未知信号识别效率、准确率低的问题，采用神经网络对信号记性特征提取，计算特征的各项差异性数据，将待识别信号的各项差异性数据与训练神经网络样本信号的各项差异性数据进行逐层次的比较，依次筛选出未知类信号，然后对未知类信号进行标签添加；本发明技术方案检测未知类的误差率为0.28％，说明本发明方法具有高准确率的优点。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
