CN110598530A - 一种基于acgan的小样本无线电信号增强识别方法 - Google Patents
一种基于acgan的小样本无线电信号增强识别方法 Download PDFInfo
- Publication number
- CN110598530A CN110598530A CN201910694936.1A CN201910694936A CN110598530A CN 110598530 A CN110598530 A CN 110598530A CN 201910694936 A CN201910694936 A CN 201910694936A CN 110598530 A CN110598530 A CN 110598530A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- network
- radio signal
- training
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Error Detection And Correction (AREA)
Abstract
一种基于ACGAN的小样本无线电信号增强识别方法,包括以下步骤:1)数据预处理阶段。转换样本格式、划分数据集、对数据的类别进行onehot编码,获取对应的类别标签序列;2)基于生成式对抗网络的信号增强方法。将无线电信号样本调整成所设定的大小并对其进行像素归一化、设置深度卷积网络的各个网络层的初始参数,将步骤1)所划分的训练数据输入所述深度卷积网络,对网络进行训练;3)利用LSTM网络提取训练数据的特征构建信号识别分类器,并利用该分类器对测试数据、验证数据进行分类。
Description
技术领域
本发明涉及一种基于ACGAN的小样本无线电信号增强识别方法。
背景技术
目前,无线电信号识别技术在多个领域得到重视,如在军事领域用来控制船舶、飞机、导弹、检测非法无人机等;在卫星领域进行无线电远程测量,获取探测区域的气象信息;在物联网领域利用红外探测技术实现数字智能化和软件化。
早期的信号识别方法主要利用多种仪器结合人工经验进行判定,成本高且效率低下,精确度无法保证。随着时代与科技的进步,目前信号识别技术主要分为两个研究方向——基于最大似然估计(maximum likelihood estimates,MLE)的识别方法与基于特征提取的识别方法。然而基于最大似然估计的识别方法需要很复杂的计算获得先验信息,比如调制信号的码率与载频等,这在实际应用中存在一定的局限性,会出现无法进行识别、识别的可靠性较差等问题。对比最大似然估计方法,基于特征提取的识别方法更易实现,但此方法需要对样本通过特征提取选择适当的特征和分类器进行分类识别。基于人为的特征选择泛化能力差,如果选择的特征与分类器不契合,将直接影响分类结果。深度学习技术因通过数据而学习“特征”的能力,为解决信号识别这一问题提供了有效的方法。
基于深度学习的无线电信号识别技术中,典型的挑战是在真实存在的各种无线信号环境中,很难准确的收集无线电信号,标记数据更为困难,不能很好的建立一个可靠的数据库,样本集将直接影响训练效果。针对当前无线电信号识别中部分信号样本数据量少导致基于深度学习的模型无法有效工作的问题,扩充小样本集尤为重要。因此本发明设计了一种基于生成对抗式网络Generative Adversarial Networks(GAN)的小样本无线电信号增强识别方法,通过GAN生成数据扩充小样本集,进而改进数据集、增强识别模型,完成小样本无线电信号增强识别。
发明内容
为了克服现有的无线电数据生成方式在多类别数据场合的数量不大、标记样本成本较高的不足,为了实现带标签样本的多类别数据的生成,本发明提供一种基于ACGAN的小样本无线电信号增强识别方法。
本发明通过深度卷积网络训练大量无线电信号数据,学习无线电信号的图像特征,扩充样本集,并结合LSTM网络对无线电信号进行分类,分类识别率较高,实用性良好、分类效果较好。最后通过扩充的小样本数据集完成增强的信号识别实验,在SNR为0db~30db时最优识别率可由86.96%增强到88.11%;在SNR为30db时最优识别率可由72.33%增强到73.50%,验证了本发明提出的基于ACGAN的小样本无线电信号增强识别方法效果良好。
本发明实现上述发明目的所采用的技术方案如下:
一种基于ACGAN的小样本无线电信号增强识别方法,包括以下步骤:
1)数据预处理;
1.1)采集无线电信号作为样本数据:
本发明的每个样本的大小为[1,512,2],训练集共有312000张,测试集共有156000张。本数据集共有十二种调制方式,每种调制方式的信噪比区间为-20db~30db。本数据集的数据为521*2的I/Q两路信号即同相正交信号,I为in-phase,Q为quadrature,Q与I的相位相差了90度。
1.2)转换样本格式,划分数据集:
原始数据集为mat格式,先将其转化为npy数组格式。mat数据格式是Matlab默认保存的数据格式,在Python中,我们可以使用h5py库来读取mat文件。输出相应的训练集、测试集、验证集。
1.3)提取类别标签:
对数据的类别进行onehot编码,获取对应的类别标签序列。
2)基于生成式对抗网络的信号增强方法:
2.1)将无线电信号样本调整成所设定的大小,并对其进行像素归一化。
2.2)设置深度卷积网络的各个网络层的初始参数,将步骤1)所划分的训练数据输入所述深度卷积网络,对网络进行训练。
S1.确定生成器、判别器的深度卷积网络的结构。
S2.用不同的小随机数初始化网络中待训练的参数。
S3.将步骤1)所划分的训练数据输入所述深度卷积网络,直到到达所设定的最大迭代次数。
3)利用LSTM网络提取训练数据的特征构建信号识别分类器,并利用该分类器对测试数据、验证数据进行分类。
无线电信号在时域上具有前后相关性和时序连续性,本发明使用与样本集具有相同特征的LSTM网络作为实验的网络结构。
本发明的技术构思为:基于GAN的图像样本生成方法,使用一个GAN的衍生模型——辅助分类器GAN(AC-GAN)生成样本,它的判别器可以输出相应的标签概率,实现多分类问题。AC-GAN将类标签作为条件信息和噪声一起输入生成器生成伪样本,判别器不仅需要判断每个样本的真假,还需要通过增加一个辅助分类器完成一个分类任务即预测样本类别。实验验证了方法的可行性,能够有效的生成数据并完成分类任务,具有较好的性能。然后,利用LSTM网络对信号样本集进行训练和识别,将512*2的信号作为输入序列传入LSTM层中,设置Dropout为0.8以防实验过拟合,全连接层使用SoftMax为激活函数对信号数据进行分类识别,训练过程的损失函数均使用交叉熵损失函数(categorical_crossentropy),优化器使用adam。通过多组实验,在不同信噪比、网络架构、学习率的数据集上的识别实验结果,验证了本发明提出的基于LSTM网络结构的识别模型有着良好的识别效果。最后对多组增强的无线电信号样本集进行识别,均能获得较好的识别效果,较于未扩充的样本集识别率明显提升,验证了本发明所提出的方法的可行性和有效性。
本发明的有益效果为:1)使用深度卷积网络提取无线电信号特征,充分发挥深度学习的自我学习优势,机器自动学习良好的特征,免去了繁琐的手动提取特征和设计特征的过程,避免人工手动设计特征的弊端,简化了流程,节约时间;2)使用AC-GAN生成样本,判别器可以输出相应的标签概率,实现多分类问题;3)无线电信号在时域上具有前后相关性和时序连续性,使用LSTM的网络结构与样本特点相吻合,识别效果较好;4)将深度卷积网络与LSTM网络有机地结合起来,深度卷积网络用于提取特征,LSTM用于分类识别,保证了分类的准确度。
附图说明
图1为本发明方法的示意图。
图2为本发明方法的ACGN的原理示意图。
图3为本发明方法的ACGAN判别器的网络整体结构的示意图。
图4为本发明方法的ACGAN生成器的网络整体结构的示意图。
图5为本发明方法的基于LSTM的信号识别实验的网络结构示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细描述。
参照图1~图5,一种基于ACGAN的小样本无线电信号增强识别方法,步骤如下:
1)数据预处理;
1.1)采集无线电信号作为样本数据:
本发明的每个样本的大小为[1,512,2],训练集共有312000张,测试集共有156000张。本数据集共有十二种调制方式,每种调制方式的信噪比区间为-20db~30db。本数据集的数据为521*2的I/Q两路信号即同相正交信号,I为in-phase,Q为quadrature,Q与I的相位相差了90度。
1.2)转换样本格式,划分数据集:
原始数据集为mat格式,先将其转化为npy数组格式。mat数据格式是Matlab默认保存的数据格式,在Python中,我们可以使用h5py库来读取mat文件。从数组的形状中删除单维度条目,并输出相应的训练集、测试集、验证集。训练数据和测试数据的比例为2:1,并按照测试数据和验证数据的比例为10:1划分样本数据,训练数据用于训练深度卷积网络的参数,测试数据用于测试分类器的性能。
1.3)提取类别标签:
对数据的类别进行onehot编码,获取对应的类别标签序列。
2)基于生成式对抗网络的信号增强方法:
2.1)将无线电信号样本调整成所设定的大小,并对其进行像素归一化。
2.2)设置深度卷积网络的各个网络层的初始参数,将步骤1)所划分的训练数据输入所述深度卷积网络,对网络进行训练。
S1.确定生成器、判别器的深度卷积网络的结构。
AC-GAN将类标签作为条件信息和噪声一起输入生成器生成伪样本,判别器不仅需要判断每个样本的真假,还需要通过增加一个辅助分类器完成一个分类任务即预测样本类别。生成器利用两个输入,相应的类标签C~PC以及随机噪音Z生成数据Xfake=G(c,z)。判别器需判断真实数据上的概率分布P(S|X)以及类标签上的概率分布P(C|X)。ACGAN的目标函数有两部分:数据是否真实的代价函数LS和数据分类准确度的代价函数LC。在训练过程中,判别器D希望能最大化LC+LS,而生成器G希望最大化LC—LS。
LC=E[logP(C=c|Xreal)]+E[logP(C=c|Xfake)]
LS=E[log P(S=real|Xreal)]+E[log P(S=fake|Xfake)]
生成器G的网络结构如图4所示,输入一个一维长度为100的噪声向量,dense构建网络层后进行Reshape操作。生成器的卷积层代替了卷积神经网络的池化层和输出的全连接层,利用卷积层进行上采样,最后生成[32,32,1]的伪造图像。反卷积神经网络中间添加的BatchNormalization层,可对数据进行归一化,进而提高模型训练的收敛速度及稳定性,防止生成器G收敛到相同的样本。为了更好的解码生成器G伪造的图像,判别器D采用与生成器G对称的形式。与其他GAN模型不同的是,ACGAN的判别器在输出层分别对样本来源进行判断并对样本类型进行分类,可以理解为两个深度神经网络分类模型,并且模型共享结构和参数。
S2.用不同的小随机数初始化网络中待训练的参数。
S3.将步骤1)所划分的训练数据输入所述深度卷积网络,直到到达所设定的最大迭代次数。
设置100维随机均匀分布的噪声和自定义的12维onehot标签传入训练好的网络,生成对应类别的图片。
3)利用LSTM网络提取训练数据的特征构建信号识别分类器,并利用该分类器对测试数据、验证数据进行分类。
无线电信号在时域上具有前后相关性和时序连续性,本发明使用与样本集具有相同特征的LSTM网络作为实验的网络结构。如图5所示,识别实验的网络结构由两层LSTM及两层全连接输出层搭建。将512*2的信号作为输入序列传入LSTM层中,设置Dropout为0.8以防实验过拟合,全连接层使用SoftMax为激活函数对信号数据进行分类识别,训练过程的损失函数均使用交叉熵损失函数(categorical_crossentropy),优化器使用adam。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.一种基于ACGAN的小样本无线电信号增强识别方法,包括以下步骤:
1)数据预处理;
1.1)采集无线电信号作为样本数据:
每个样本的大小为[1,512,2],训练集共有312000张,测试集共有156000张;,共有十二种调制方式,每种调制方式的信噪比区间为-20db~30db;,数据为521*2的I/Q两路信号即同相正交信号,I为in-phase,Q为quadrature,Q与I的相位相差了90度;
1.2)转换样本格式,划分数据集:
原始数据集为mat格式,先将其转化为npy数组格式;mat数据格式是Matlab默认保存的数据格式,在Python中,使用h5py库来读取mat文件;从数组的形状中删除单维度条目,并输出相应的训练集、测试集、验证集;训练数据和测试数据的比例为2:1,并按照测试数据和验证数据的比例为10:1划分样本数据,训练数据用于训练深度卷积网络的参数,测试数据用于测试分类器的性能;
1.3)提取类别标签:
对数据的类别进行onehot编码,获取对应的类别标签序列;
2)基于生成式对抗网络的信号增强方法:
2.1)将无线电信号样本调整成所设定的大小,并对其进行像素归一化;
2.2)设置深度卷积网络的各个网络层的初始参数,将步骤1)所划分的训练数据输入所述深度卷积网络,对网络进行训练;
S1.确定生成器、判别器的深度卷积网络的结构;
AC-GAN将类标签作为条件信息和噪声一起输入生成器生成伪样本,判别器不仅需要判断每个样本的真假,还需要通过增加一个辅助分类器完成一个分类任务即预测样本类别;生成器利用两个输入,相应的类标签C~PC以及随机噪音Z生成数据Xfake=G(c,z);判别器需判断真实数据上的概率分布P(S|X)以及类标签上的概率分布P(C|X);ACGAN的目标函数有两部分:数据是否真实的代价函数LS和数据分类准确度的代价函数LC;在训练过程中,判别器D希望能最大化LC+LS,而生成器G希望最大化LC—LS;
生成器G的网络结构输入一个一维长度为100的噪声向量,dense构建网络层后进行Reshape操作;生成器的卷积层代替了卷积神经网络的池化层和输出的全连接层,利用卷积层进行上采样,最后生成[32,32,1]的伪造图像;反卷积神经网络中间添加的BatchNormalization层,可对数据进行归一化,进而提高模型训练的收敛速度及稳定性,防止生成器G收敛到相同的样本;为了更好的解码生成器G伪造的图像,判别器D采用与生成器G对称的形式;与其他GAN模型不同的是,ACGAN的判别器在输出层分别对样本来源进行判断并对样本类型进行分类,可以理解为两个深度神经网络分类模型,并且模型共享结构和参数;
S2.用不同的小随机数初始化网络中待训练的参数;
S3.将步骤1)所划分的训练数据输入所述深度卷积网络,直到到达所设定的最大迭代次数;
设置100维随机均匀分布的噪声和自定义的12维onehot标签传入训练好的网络,生成对应类别的图片;
3)利用LSTM网络提取训练数据的特征构建信号识别分类器,并利用该分类器对测试数据、验证数据进行分类;
无线电信号在时域上具有前后相关性和时序连续性,本发明使用与样本集具有相同特征的LSTM网络作为实验的网络结构;识别实验的网络结构由两层LSTM及两层全连接输出层搭建;将512*2的信号作为输入序列传入LSTM层中,设置Dropout为0.8以防实验过拟合,全连接层使用SoftMax为激活函数对信号数据进行分类识别,训练过程的损失函数均使用交叉熵损失函数(categorical_crossentropy),优化器使用adam。
2.如权利要求1所述的基于ACGAN的小样本无线电信号增强识别方法,其特征在于:所述步骤2.2中,将类标签作为条件信息和噪声一起输入生成器生成伪样本,判别器不仅需要判断每个样本的真假,还需要通过增加一个辅助分类器完成一个分类任务即预测样本类别。
3.如权利要求1所述的基于ACGAN的小样本无线电信号增强识别方法,其特征在于:所述步骤2.2中,通过sampled_labels指定标签生成对应的样本。
4.如权利要求1所述的基于ACGAN的小样本无线电信号增强识别方法,其特征在于:所述步骤3中,无线电信号在时域上具有前后相关性和时序连续性,使用与样本集具有相同特征的LSTM网络作为实验的网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694936.1A CN110598530A (zh) | 2019-07-30 | 2019-07-30 | 一种基于acgan的小样本无线电信号增强识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694936.1A CN110598530A (zh) | 2019-07-30 | 2019-07-30 | 一种基于acgan的小样本无线电信号增强识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598530A true CN110598530A (zh) | 2019-12-20 |
Family
ID=68853110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910694936.1A Pending CN110598530A (zh) | 2019-07-30 | 2019-07-30 | 一种基于acgan的小样本无线电信号增强识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598530A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
CN111476205A (zh) * | 2020-02-26 | 2020-07-31 | 安徽建筑大学 | 一种基于lstm模型的人员计数方法及装置 |
CN111832428A (zh) * | 2020-06-23 | 2020-10-27 | 北京科技大学 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真***及方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强***、方法和介质 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam***非线性补偿方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113705787A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于深度协同训练的数字调制信号识别方法 |
CN114244456A (zh) * | 2021-12-23 | 2022-03-25 | 电子科技大学 | 一种基于生成对抗网络的无线电数据增扩与分类方法 |
CN114531273A (zh) * | 2022-01-11 | 2022-05-24 | 北京理工大学 | 一种防御工业网络***分布式拒绝服务攻击的方法 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114785423A (zh) * | 2022-06-20 | 2022-07-22 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字信息传输增强模型的搭建方法 |
CN117874525A (zh) * | 2024-01-26 | 2024-04-12 | 中国人民解放军军事科学院***工程研究院 | 一种基于生成对抗网络的电磁信号生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
US20190122120A1 (en) * | 2017-10-20 | 2019-04-25 | Dalei Wu | Self-training method and system for semi-supervised learning with generative adversarial networks |
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
-
2019
- 2019-07-30 CN CN201910694936.1A patent/CN110598530A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190122120A1 (en) * | 2017-10-20 | 2019-04-25 | Dalei Wu | Self-training method and system for semi-supervised learning with generative adversarial networks |
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
Non-Patent Citations (1)
Title |
---|
BIN TANG ET AL.: "Digital Signal Modulation Classification With Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks", 《IEEE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
CN111476205B (zh) * | 2020-02-26 | 2023-10-17 | 安徽建筑大学 | 一种基于lstm模型的人员计数方法及装置 |
CN111476205A (zh) * | 2020-02-26 | 2020-07-31 | 安徽建筑大学 | 一种基于lstm模型的人员计数方法及装置 |
CN111832428A (zh) * | 2020-06-23 | 2020-10-27 | 北京科技大学 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
CN111832428B (zh) * | 2020-06-23 | 2024-02-23 | 北京科技大学 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真***及方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强***、方法和介质 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam***非线性补偿方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113705787A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于深度协同训练的数字调制信号识别方法 |
CN114244456A (zh) * | 2021-12-23 | 2022-03-25 | 电子科技大学 | 一种基于生成对抗网络的无线电数据增扩与分类方法 |
CN114244456B (zh) * | 2021-12-23 | 2023-01-24 | 电子科技大学 | 一种基于生成对抗网络的无线电数据增扩与分类方法 |
CN114531273A (zh) * | 2022-01-11 | 2022-05-24 | 北京理工大学 | 一种防御工业网络***分布式拒绝服务攻击的方法 |
CN114531273B (zh) * | 2022-01-11 | 2024-05-14 | 北京理工大学 | 一种防御工业网络***分布式拒绝服务攻击的方法 |
CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114785423A (zh) * | 2022-06-20 | 2022-07-22 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字信息传输增强模型的搭建方法 |
CN117874525A (zh) * | 2024-01-26 | 2024-04-12 | 中国人民解放军军事科学院***工程研究院 | 一种基于生成对抗网络的电磁信号生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
Hu et al. | A novel image steganography method via deep convolutional generative adversarial networks | |
CN111178260B (zh) | 一种基于生成对抗网络的调制信号时频图分类***及其运行方法 | |
Huynh-The et al. | Automatic modulation classification: A deep architecture survey | |
CN112702294A (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
Che et al. | Spatial-temporal hybrid feature extraction network for few-shot automatic modulation classification | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
CN115392326A (zh) | 基于联合多模态信息与域对抗神经网络的调制识别方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
Shang et al. | Dive into deep learning based automatic modulation classification: A disentangled approach | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别***及方法 | |
CN116992299A (zh) | 区块链交易异常检测模型的训练方法、检测方法及装置 | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理***及其方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
Zha et al. | Intelligent identification technology for high‐order digital modulation signals under low signal‐to‐noise ratio conditions | |
CN111598020A (zh) | 基于半监督生成对抗网络的电磁信号识别方法 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
Nkechinyere et al. | Automatic radar waveform recognition using the Wigner-Ville distribution and AlexNet-SVM | |
Jia et al. | A hybrid attention mechanism for blind automatic modulation classification | |
CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
CN115712867A (zh) | 一种多分量雷达信号调制识别方法 | |
CN114244456B (zh) | 一种基于生成对抗网络的无线电数据增扩与分类方法 | |
Tang et al. | Individual identification method of little sample radiation source based on SGDCGAN+ DCNN |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |