公开(公告)号：CN115062651A

公开(公告)日：2022-09-16

申请号：CN202210639682.5

申请日：2022-06-07

Applicant: 西南交通大学

Inventor： 余志斌 ,  张译方 ,  彭宇果 ,  徐才进 ,  韦柳幸

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于元学习的电磁目标型号识别方法，包括以下步骤：步骤1：通过对抗生成网络，对电磁目标样本进行扩充；将电磁目标样本分为训练集、测试集和已知小样本；将数据进行归一化；步骤2：构建基于模型无关算法的分类模型；在训练集中随机抽取样本以构成多个分类任务；构建基于模型无关算法的初始模型fθ，进行多任务训练；将已知小样本输入至训练后的模型，计算其分类损失，对参数进行微调实现知识迁移，即可得到所需分类模型；步骤3：采用训练好的模型对电磁目标型号进行识别；本发明方法识别精度高，仅需要少量样本即可进行识别，降低了分类模型在训练过程中的数据量需求。

公开(公告)号：CN113702920A

公开(公告)日：2021-11-26

申请号：CN202110984164.2

申请日：2021-08-25

Applicant: 西南交通大学

Inventor： 余志斌 ,  杜秋 ,  王学文 ,  徐晶 ,  张译方

IPC: G01S7/295

Abstract: 本发明公开了一种区分不同脉间参差雷达数据的联合复杂度值计算方法，包括以下步骤：S1、获取原始脉间参差雷达脉冲数据，并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据；S2、对脉冲重复间隔PRI数据进行重构处理，并基于重构向量构建符号序列；S3、对重构向量计算差异等级值，并将差异等级值加入符号序列，得到编码序列；S4、根据编码序列，计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度，得到用于区分不同脉间参差雷达数据的联合复杂度值；本发明解决了现有技术提取原始脉间参差雷达脉冲数据的特征不突出，使得分类不准确的问题。

公开(公告)号：CN113702920B

公开(公告)日：2023-07-11

申请号：CN202110984164.2

申请日：2021-08-25

Applicant: 西南交通大学

Inventor： 余志斌 ,  杜秋 ,  王学文 ,  徐晶 ,  张译方

IPC: G01S7/295

Abstract: 本发明公开了一种区分不同脉间参差雷达数据的联合复杂度值计算方法，包括以下步骤：S1、获取原始脉间参差雷达脉冲数据，并基于原始脉间参差雷达脉冲数据构建脉冲重复间隔PRI数据；S2、对脉冲重复间隔PRI数据进行重构处理，并基于重构向量构建符号序列；S3、对重构向量计算差异等级值，并将差异等级值加入符号序列，得到编码序列；S4、根据编码序列，计算雷达脉冲数据的香农熵和雷达脉冲数据的编码类型复杂度，得到用于区分不同脉间参差雷达数据的联合复杂度值；本发明解决了现有技术提取原始脉间参差雷达脉冲数据的特征不突出，使得分类不准确的问题。

公开(公告)号：CN114970763A

公开(公告)日：2022-08-30

申请号：CN202210717130.1

申请日：2022-06-23

Applicant: 西南交通大学

Inventor： 余志斌 ,  杨玲 ,  彭宇果 ,  雷涛 ,  张译方 ,  韦柳幸

IPC: G06K9/62 ,  G06N20/00

Abstract: 本发明公开了供一种基于迁移学习的辐射源工作模式识别方法，其包括以下步骤：获取小样本辐射源数据，并从现有的各辐射源工作模式数据中挑选辅助数据；将小样本辐射源数据和挑选得到的辅助数据构成迁移学习的源域；将待识别辐射源数据作为迁移学习的目标域；对源域和目标域的样本进行流形特征学习；获取流形特征学习后的源域和流形特征学习后的目标域的总体分布差异，得到训练数据；基于训练数据优化分类器，并获取目标域的辐射源工作模式。本方法解决了小样本难以识别辐射源工作模式的问题。

公开(公告)号：CN112861790B

公开(公告)日：2022-03-11

申请号：CN202110260290.3

申请日：2021-03-10

Applicant: 西南交通大学

Inventor： 余志斌 ,  牟飞文 ,  张莹 ,  张译方

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：步骤1：获取电磁探测网络组网特征信息，形成特征集；步骤2：对步骤1得到的特征集数据进行预处理；步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；步骤3中的深度学习模型为CNN‑LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。

公开(公告)号：CN112861790A

公开(公告)日：2021-05-28

申请号：CN202110260290.3

申请日：2021-03-10

Applicant: 西南交通大学

Inventor： 余志斌 ,  牟飞文 ,  张莹 ,  张译方

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的电磁探测网络组网方式识别方法，包括以下步骤：步骤1：获取电磁探测网络组网特征信息，形成特征集；步骤2：对步骤1得到的特征集数据进行预处理；步骤3：将步骤2得到的数据划分为训练集和测试集，采用训练集对深度学习模型进行训练，得到训练后的模型；步骤4：将待输入的数据输入步骤3训练后的模型进行电磁探测网络组网的识别；步骤3中的深度学习模型为CNN‑LSTM模型，包括依次连接的输入层、CNN层、LSTM层、全连接层和输出层；本发明采用了深度学习技术能有效克服大数据处理、特征提取和计算精度等方面的不足，实现对电磁探测网络组网方式的智能、实时地分析、推理和判断。