-
公开(公告)号：CN114444546B
公开(公告)日：2024-04-16
申请号：CN202210103370.2
申请日：2022-01-27
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: G06F18/213 , G06F18/24 , G06N3/0464
Abstract: 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。
-
Patent Agency Ranking
公开(公告)号：CN114325598A
公开(公告)日：2022-04-12
申请号：CN202111509407.3
申请日：2021-12-10
Applicant: 网络通信与安全紫金山实验室
Abstract: 本发明提供一种信号去噪的方法及装置，所述方法包括：对LFM调制的脉冲信号S(n)下变频得到的基带信号y(n)，进行多层经验模分解，得到若干本征模函数；基于所述本征模函数及所述本征模函数的能量值，重构所述基带信号y(n)的信号分量s(n)和噪声分量N(n)；基于所述重构的信号分量s(n)的离散傅里叶频谱的幅值和重构的噪声分量N(n)的离散傅里叶频谱的幅值，确定对应的去噪后的信号。本发明通过本征模对信号分量和噪声分量进行重构，并将经验模分解中的噪声本征模函数的频谱幅值作为信号傅里叶去噪的阈值，实现了自适应阈值降噪，可在低信噪比低时，有效地对叠加了加性平稳噪声的LFM脉冲信号实现自适应阈值去噪。
-
公开(公告)号：CN111866860A
公开(公告)日：2020-10-30
申请号：CN202010474911.3
申请日：2020-05-29
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开以一种基于序贯的无线设备射频指纹识别方法，首先将时序信号按照时间段分割成一个个子时间段，对不同的时间段根据射频指纹特征分别分选，再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端；接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新；且综合考量瞬态指纹特征和稳态指纹特征，以充足特征量作为准确分裂的依据，有效的解决了信号源实施快速识别和信号源库实时更新的问题。
-
公开(公告)号：CN111866860B
公开(公告)日：2022-11-04
申请号：CN202010474911.3
申请日：2020-05-29
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开以一种基于序贯的无线设备射频指纹识别方法，首先将时序信号按照时间段分割成一个个子时间段，对不同的时间段根据射频指纹特征分别分选，再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端；接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新；且综合考量瞬态指纹特征和稳态指纹特征，以充足特征量作为准确分裂的依据，有效的解决了信号源实施快速识别和信号源库实时更新的问题。
-
公开(公告)号：CN115169410A
公开(公告)日：2022-10-11
申请号：CN202210847552.0
申请日：2022-07-19
Applicant: 网络通信与安全紫金山实验室
IPC: G06K9/00
Abstract: 本申请涉及一种信号分选方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取初始脉冲信号；对所述初始脉冲信号进行预处理，得到所述初始脉冲信号的初始脉冲重复间隔；根据所述初始脉冲信号的初始脉冲描述字与极坐标系的预设关系，以及所述初始脉冲重复间隔与极坐标系的预设关系建立对应的极坐标图像；将所述极坐标图像输入至脉冲分类模型，得到所述初始脉冲信号的目标中心点；根据所述目标中心点确定所述初始脉冲信号的信号源。采用本方法能够对雷达脉冲信号的发射源进行识别。
-
公开(公告)号：CN114444546A
公开(公告)日：2022-05-06
申请号：CN202210103370.2
申请日：2022-01-27
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。
-
-
-
-
-
Search Results
6
records
(took 0.032 seconds)
