CN109254274B - 一种基于特征融合的雷达辐射源辨识方法 - Google Patents
一种基于特征融合的雷达辐射源辨识方法 Download PDFInfo
- Publication number
- CN109254274B CN109254274B CN201811409321.1A CN201811409321A CN109254274B CN 109254274 B CN109254274 B CN 109254274B CN 201811409321 A CN201811409321 A CN 201811409321A CN 109254274 B CN109254274 B CN 109254274B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- image
- time
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 15
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于特征融合的雷达辐射源辨识方法,产生雷达辐射源无意调制信号集;提取AR模型系数、Renyi熵特征、谱峭度特征;计算平滑伪维格纳分布,生成时频图像,进行灰度化和自适应二值化处理,得到自适应二值化图像;提取图像的伪Zernike矩和Hu矩特征;应用AlexNet卷积神经网络提取信号时频图像无意调制特征并分别归一化,进行特征融合,得到融合后特征向量;将融合后特征向量输入支持向量机,训练由粒子群算法优化的支持向量机,将雷达辐射源信号集输入***完成雷达辐射源辨识。本发明从时域、频域和时频域分析信号,实现多种无意调制特征全面提取,解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难。
Description
技术领域
本发明涉及一种雷达辐射源辨识方法,特别是一种基于特征融合的雷达辐射源辨识方法,属于雷达辐射源识别领域。
背景技术
雷达辐射源识别是雷达信息辨识中至关重要的一部分,但无意调制识别已成为该领域的瓶颈。雷达辐射源无意调制特征是由信号发射设备各物理器件的不理想造成的,具有高度的个体属性。由于雷达***的不断完善和进步,传统单一的雷达辐射源无意调制特征提取已经不能满足雷达辐射源识别的需要。当前,辐射源无意调制特征提取主要包括时域、频域和时频变换方法。
利用时域提取雷达辐射源信号无意调制特征计算量大,且针对具体情况提取不同特征会使得调制效果不一,进而导致***适用性差、可靠性差、辨识率低。信号的频域特征仅局限于对雷达信号进行分类,无法识别不同体制的雷达。时频变换是常用的无意调制特征提取方法,而提取信号的包络特征、熵特征、矩特征和旋转角等时频特征会产生大量的冗余信息,能够表征信号时频域整体与局部化信息分量的新无意调制特征却未被提及。此外,单纯应用已有技术提取信号的高维度特征会大大降低分类器的运算速度,传输与接收过程中的噪声会直接影响辨识率,且分类器参数设定过于简单会影响最终的辐射源辨识效果。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种能够解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难,且分别从时域、频域和时频域分析信号,继而实现多种无意调制特征的全面提取的基于特征融合的雷达辐射源辨识方法。
为解决上述技术问题,本发明一种基于特征融合的雷达辐射源辨识方法,包括以下步骤:
步骤1:产生由加入无意调制的五种雷达辐射源信号组成的雷达辐射源无意调制信号集;
步骤2:提取步骤1所述雷达辐射源无意调制信号集在时域中的AR模型系数和Renyi熵特征;
步骤3:提取步骤1所述雷达辐射源无意调制信号集在频域中的谱峭度特征;
步骤4:计算步骤1所述雷达辐射源无意调制信号集的平滑伪维格纳分布,生成时频图像,对时频图像进行灰度化和自适应二值化处理,去除冗余信息,得到二维M×N自适应二值化图像P(i,j)∈{1,0};
提取自适应二值化图像P(i,j)的伪Zernike矩特征和Hu矩特征;
应用经过ImageNet预训练的AlexNet卷积神经网络提取雷达辐射源信号时频图像的无意调制特征;
步骤5:将步骤2、步骤3和步骤4提取的特征分别归一化,并进行特征融合,得到融合后的特征向量;
步骤6:将融合后的特征向量输入支持向量机,训练由粒子群算法优化后的支持向量机,重新选取雷达辐射源信号输入***完成雷达辐射源辨识。
本发明有益效果:
1.本发明结合两种时域提取方法,首先提取信号自回归模型(AR模型)系数作为辐射源无意调制特征,使辐射源无意调制参数的辨识度得以增强;并提取能够反映辐射源噪声能量集中程度和分布规律的Renyi熵,有效提升了辐射源辨识能力。
2.本发明结合频域提取方法,提取谱峭度作为辐射源无意调制特征,有效地增强了辐射源在频域的区分度,提升了辐射源辨识准确率。
3.本发明结合图像预处理方法,有效剔除噪声与冗余信息,降低数据间的不平衡性,去除时频分布残余的交叉项干扰,提高关键时频图像特征提取鲁棒性,使时频图像特征提取方法更精准。
4.本发明在图像预处理的基础上,利用多种时频图像特征提取技术,获取辐射源伪Zernike矩及Hu矩特征,实现了对辐射源外部形态信息的全部表征,有效提升了辐射源辨识准确率。
5.本发明结合图像融合机制,将时频图像与预处理图像融合,尽可能多的保留了彩色图像信息,消除了外部噪声对辐射源无意调制信息的影响,使特征自提取模块的输入信息得到有效增强,提升了辐射源辨识准确率。
6.本发明结合迁移学习的思想,利用预训练深层次卷积神经网络提取辐射源无意调制本质特征,提高识别率的同时提升了适用性。
7.本发明同时利用线性判别分析(LDA)降维方法去除冗余信息,并保留重要的线性特征,在降低***运算量的同时提高辨识率。
8.本发明采用的分类器为支持向量机,其适合小样本训练,有效避免卷积神经网络样本类别数量少导致的全连接层神经元数量陡降的问题,并采用粒子群算法对分类器参数进行寻优,进一步提升辐射源辨识准确率。
9.通过预处理图像和时频图像的融合增强无意调制特征的有用信息,提取外部信息特征在降低了复杂度的同时提高了运算速度和抗噪性。选用粒子群参数寻优的支持向量机作为分类器使得辨识***适用性强、可靠性好且辨识率优异。
附图说明
图1是本发明采用的AlexNet结构图;
图2是本发明的结构框图;
图3是雷达辐射源的辨识率。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
本发明能够分别从时域、频域和时频域分析信号,通过提取多种无意调制特征,实现雷达辐射源辨识的新方法。用以解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难的问题。包括以下步骤:
步骤1:依据表1提供的5类雷达信号参数值,加入表2雷达信号的无意调制特征,产生由FRANK、P1、P2、P3、P4组成的无意调制雷达信号集xi(t),t为时间。
表1
表2
步骤2:首先提取雷达辐射源无意调制信号集时域的无意调制特征:
步骤2.1提取辐射源无意调制信号的AR模型系数:
雷达辐射源无意调制信号功率谱密度Si(f)为:
步骤2.2提取雷达辐射源无意调制信号Renyi熵特征:
A是雷达辐射源无意调制信号x(t)∈xi(t)通过抽样器产生的离散随机变量,pi(i=1,2,...,n)是离散随机变量出现的概率,辐射源无意调制信号的Renyi熵Hα(A)(α=3,5,7,9):
其中,α表示α阶广义熵。
步骤3:然后提取雷达辐射源无意调制信号集频域的特征,
提取辐射源无意调制信号谱峭度K:
式中,X(f,t)是辐射源信号x(t)∈xi(t)在频率f处的复包络,Sn(f)=E<|X(f,t)|n>是信号的n阶谱矩,E<·>为均值运算。
步骤4:最后提取雷达辐射源无意调制信号集xi(t)时频域的特征:
雷达辐射源无意调制信号的解析函数z(t):
z(t)=x(t)+jH(x(t)) (7)
其中,H(x(t))是信号x(t)∈xi(t)的希尔伯特(Hilbert)变换,计算信号的平滑伪维格纳(Wigner-Ville)分布:
g(u)是实的时域偶平滑窗,h(τ)是实的频域偶平滑窗,平滑伪Wigner-Ville分布能够很好地削弱相干项的影响。将生成的时频图像预处理,将三分量为R、G和B的彩色图像转换为灰度图像,I(i,j)表示该点的亮度:
I(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (9)
随后自适应二值化处理,w0是前景像素点占整幅图像的比例,w1是背景像素点占整幅图像的比例:
μ0是前景平均灰度,μ1是背景平均灰度,TH是背景和信号的分割阈值,根据w0和w1得出整体平均灰度μ:
μ=ω0×μ0+ω1×μ1 (13)
类间方差g:
g=w0(μ0-μ)2+w1(μ1-μ)2 (14)
得到二维M×N自适应二值化图像P(i,j)∈{1,0}。
步骤4.1提取雷达辐射源无意调制信号自适应二值化图像P(i,j)的伪Zemike矩特征Z:
r是原点到点(i,j)的矢量长度,θ表示矢量r与x轴逆时针方向的夹角,Vnm *(r,θ)和Vnm(r,θ)是共轭多项式,Vnm(r,θ)是正交多项式的极坐标表示方式,
步骤4.2提取雷达辐射源无意调制信号自适应二值化图像P(i,j)的Hu矩特征:
二值图像P(i,j)的Hu矩是(p+q)阶原点矩mpq和中心矩upq:
步骤4.3应用经过ImageNet预训练的AlexNet卷积神经网络提取信号时频图像无意调制特征:
对图像尺寸大小进行变换,得到227×227×3大小的三原色图像。将调整好大小的图像输入图1的AlexNet网络进行特征提取,网络的input输入层至fc7层构成特征提取模块提取特征,AlexNet网络是通过ImageNet预训练并且可以在MatConvNet官网获取到。是m个n维向量的数据集,数据集分为j类,Nj(j=1,2,...,k)是样本第j类的个数,Xj(j=1,2,...,k)是第j类数据集集合,而μj(j=1,2,...,k)是第j类数据集均值向量,Σj(j=1,2,...,k)是第j类数据集协方差矩阵,μj和Σj的表达式为:
投影到维度为d的空间,对应的基向量(w1,w2,...,wd)组成n×d矩阵W,Sw是类内散度矩阵,Sb是类间散度矩阵:
Sw=Σ0+Σ1 (22)
Sb=(μ0-μ1)(μ0-μ1)T (23)
J(w)为数据集均值点间隔:
J(w)最大值时得出最优结果:
步骤6:将特征向量FEARURES输入支持向量机,用粒子群算法对支持向量机参数寻优,确定支持向量机的最优σ和C,粒子群中粒子位置及速度的更新为:
式中,xi,j(t)是粒子位置,vi,j(t)是粒子速度,c1和c2为加速度常数,r1和r2为[0,1]随机函数,w取0或1。
步骤7:选取信噪比为-3~6dB(间隔1dB)情况下的5类共9000段雷达无意调制特征信号输入雷达辐射源识别网络,其中,单一信噪比下每类雷达信号200段。如图3所示,在-3dB取得了87%的识别率,识别率随着噪声比增加呈稳步上升趋势,并在6dB时达到96%。
本发明具体实施方式还包括:
本发明的上述目的主要是通过如下的技术方案实现的:
首先,产生加入无意调制特征的五种辐射源信号组成辐射源信号集。
其次,提取信号在时域中的AR模型和Renyi熵特征,并提取在频域中的谱峭度特征。
然后,计算信号的平滑伪Wigner-Ville分布,生成信号的时频图像以增强特征提取能力。
随后,通过对时频图像进行灰度化和自适应二值化处理,实现冗余信息的去除,进而提取图像的伪Zernike矩和Hu矩特征。
另外,应用图像融合技术实现预处理图像和时频图像的融合,利用迁移思想,按要求图像尺寸调整为227×227×3,并输入经过ImageNet预训练的AlexNet卷积神经网络,在fc7层提取到辐射源无意调制特征,对卷积神经网络提取的特征进行线性降维处理,以减少分类器的运算时间。
最后,提取到的特征数值波动范围不一致,对特征分别归一化处理,并把归一化后的特征进行特征融合。进而训练由粒子群算法优化后的支持向量机,最终将辐射源信号输入***实现雷达辐射源精确辨识。
本发明提供了多特征融合的雷达辐射源辨识方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种基于特征融合的雷达辐射源辨识方法,其特征在于,包括以下步骤:
步骤1:产生由加入无意调制的五种雷达辐射源信号组成的雷达辐射源无意调制信号集;
步骤2:提取步骤1所述雷达辐射源无意调制信号集在时域中的AR模型系数和Renyi熵特征;
步骤3:提取步骤1所述雷达辐射源无意调制信号集在频域中的谱峭度特征;
步骤4:计算步骤1所述雷达辐射源无意调制信号集的平滑伪维格纳分布,生成时频图像,对时频图像进行灰度化和自适应二值化处理,去除冗余信息,得到二维M×N自适应二值化图像P(i,j)∈{1,0};
提取自适应二值化图像P(i,j)的伪Zernike矩特征和Hu矩特征;
应用经过ImageNet预训练的AlexNet卷积神经网络提取雷达辐射源信号时频图像的无意调制特征;
步骤5:将步骤2、步骤3和步骤4提取的特征分别归一化,并进行特征融合,得到融合后的特征向量;
步骤6:将融合后的特征向量输入支持向量机,训练由粒子群算法优化后的支持向量机,重新选取雷达辐射源信号输入支持向量机完成雷达辐射源辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811409321.1A CN109254274B (zh) | 2018-11-23 | 2018-11-23 | 一种基于特征融合的雷达辐射源辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811409321.1A CN109254274B (zh) | 2018-11-23 | 2018-11-23 | 一种基于特征融合的雷达辐射源辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109254274A CN109254274A (zh) | 2019-01-22 |
CN109254274B true CN109254274B (zh) | 2022-12-13 |
Family
ID=65042400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811409321.1A Active CN109254274B (zh) | 2018-11-23 | 2018-11-23 | 一种基于特征融合的雷达辐射源辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254274B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110110738A (zh) * | 2019-03-20 | 2019-08-09 | 西安电子科技大学 | 一种基于多特征融合的雷达辐射源识别方法 |
CN110244271B (zh) * | 2019-05-17 | 2022-06-10 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110236519B (zh) * | 2019-05-20 | 2021-11-16 | 东华大学 | 基于伪Wigner-Ville分布的心电图诊断方法 |
CN110222748B (zh) * | 2019-05-27 | 2022-12-20 | 西南交通大学 | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 |
CN111222398B (zh) * | 2019-10-28 | 2023-04-18 | 南京航空航天大学 | 一种基于时频特征融合的肌电信号解码方法 |
CN111160373B (zh) * | 2019-12-30 | 2022-07-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN111401263B (zh) * | 2020-03-19 | 2022-07-08 | 电子科技大学 | 一种融合专家知识的优效组合式调制识别方法 |
US11341598B2 (en) | 2020-06-05 | 2022-05-24 | International Business Machines Corporation | Interpretation maps with guaranteed robustness |
CN111767848B (zh) * | 2020-06-29 | 2022-04-12 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN111898583B (zh) * | 2020-08-13 | 2022-07-05 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及*** |
US11687777B2 (en) | 2020-08-27 | 2023-06-27 | International Business Machines Corporation | Certifiably robust interpretation |
CN112287784B (zh) * | 2020-10-20 | 2022-05-31 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
CN112464713B (zh) * | 2020-10-21 | 2022-11-08 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112311480B (zh) * | 2020-10-29 | 2023-03-14 | 上海电机学院 | 一种通信辐射源个体识别方法 |
CN112462343B (zh) * | 2020-11-11 | 2023-09-19 | 中国人民解放军空军预警学院 | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 |
CN112612023A (zh) * | 2020-12-14 | 2021-04-06 | 中国电子科技集团公司电子科学研究院 | 一种雷达目标识别方法及计算机可读存储介质 |
CN112910813B (zh) * | 2021-04-10 | 2022-09-06 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN113189558B (zh) * | 2021-04-28 | 2022-07-15 | 哈尔滨工程大学 | 冲击噪声环境下基于演化神经网络的雷达信号识别方法 |
CN117473289B (zh) * | 2023-05-10 | 2024-05-24 | 华北电力大学(保定) | 基于储备池计算的小样本变压器局部放电模式识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8810404B2 (en) * | 2010-04-08 | 2014-08-19 | The United States Of America, As Represented By The Secretary Of The Navy | System and method for radio-frequency fingerprinting as a security layer in RFID devices |
-
2018
- 2018-11-23 CN CN201811409321.1A patent/CN109254274B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
Non-Patent Citations (4)
Title |
---|
Haizhao Guo.Improved fisher linear discriminant analysis for feature extraction of unintentional modulation on pulse by combining ambiguity function with wavelet transform.《IET International Radar Conference 2015》.2016,1-4. * |
杨立波.雷达辐射源无意调制特征提取算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2016,(第3期),I136-2798. * |
陈昌孝.雷达辐射源识别技术研究进展.《空军预警学院学报》.2014,第28卷(第1期),1-6. * |
高敬鹏.基于时频分析的自适应PCA辐射源调制识别.《应用科技》.2018,第45卷(第5期),33-37. * |
Also Published As
Publication number | Publication date |
---|---|
CN109254274A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109254274B (zh) | 一种基于特征融合的雷达辐射源辨识方法 | |
Gao et al. | Fusion image based radar signal feature extraction and modulation recognition | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN111767906B (zh) | 人脸检测模型训练方法、人脸检测方法、装置及电子设备 | |
CN111126226A (zh) | 一种基于小样本学习和特征增强的辐射源个体识别方法 | |
Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
Li et al. | Automatic modulation classification based on bispectrum and CNN | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
Guo et al. | Radar signal recognition based on CNN with a hybrid attention mechanism and skip feature aggregation | |
Raveendra et al. | Performance evaluation of face recognition system by concatenation of spatial and transformation domain features | |
Elaggoune et al. | Hybrid descriptor and optimized CNN with transfer learning for face recognition | |
Huang et al. | Human emotion recognition based on face and facial expression detection using deep belief network under complicated backgrounds | |
CN114565798A (zh) | 基于铁谱图像分析的动力装置磨损故障诊断方法及*** | |
CN112541966B (zh) | 一种基于重建和生成网络的人脸替换方法 | |
Bai et al. | Achieving efficient feature representation for modulation signal: A cooperative contrast learning approach | |
CN113283371A (zh) | 一种基于brisk特征的局部放电特征提取及分类方法 | |
Wu et al. | Small target recognition method on weak features | |
CN106548130A (zh) | 一种视频图像提取及识别方法与*** | |
CN113297969B (zh) | 一种雷达波形识别方法及*** | |
Gomaa et al. | Deep learning to detect image forgery based on image classification | |
CN112257792A (zh) | 一种基于svm的实时视频目标动态分类方法 | |
Ji et al. | Space objects recognition based on ISAR image | |
Li et al. | MDGAN-TPAMDPN-net: A self-sufficient and calibrated network for radar emitter identification | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和*** | |
Juneja et al. | LBP pattern-processed Log-Gabor filter for expression and illumination robust facial recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |