CN112307674A - 低空目标知识辅助智能电磁感知方法、***及存储介质 - Google Patents
低空目标知识辅助智能电磁感知方法、***及存储介质 Download PDFInfo
- Publication number
- CN112307674A CN112307674A CN202011209372.7A CN202011209372A CN112307674A CN 112307674 A CN112307674 A CN 112307674A CN 202011209372 A CN202011209372 A CN 202011209372A CN 112307674 A CN112307674 A CN 112307674A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- knowledge base
- sensing
- knowledge
- load
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种低空目标知识辅助智能电磁感知方法、***及存储介质,包括:构建动态更新的多源高维知识库,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;根据载荷知识库,建立信号出现的时空频预测模型,制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;判断感知结果是否属于载荷知识库范畴,若属于则采用小样本低复杂度机器学习方法,进行相应特征建模;若不属于,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动‑评价的环境中获得知识,作出新的决策。本发明能实现时、空、频电磁信息感知效率的数量级提升。
Description
技术领域
本发明涉及电磁感知领域,特别是关于一种低空目标知识辅助智能电磁感知方法、***及存储介质。
背景技术
低空电磁信息的获取依靠多种不同种类的分布式感知设备,由于受限于各类感知设备的功耗、处理能力等约束条件,对海量电磁信息感知面临严峻考验,具体表现在:复杂的智能算法应用必然受到诸多限制,往往依赖于简单的信号参数数据库,因而对先验信息的利用不充分;同时由于电磁信号具有随机性、未知性、复杂性和时变性等特点,缺乏有效、全面的训练样本,制约了感知设备对复杂电磁环境的适应能力。以上几点使得感知能力提升面临巨大的挑战。
发明内容
针对上述问题,本发明的目的是提供一种低空目标知识辅助智能电磁感知方法、***及存储介质,其能实现时、空、频电磁信息感知效率的数量级提升。
为实现上述目的,本发明采取以下技术方案:一种低空目标知识辅助智能电磁感知方法,其包括以下步骤:1)构建动态更新的多源高维知识库,依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;2)引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;3)判断感知结果是否属于载荷知识库范畴,若为属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策。
进一步,在贝叶斯公式的基础上,根据先验分布和似然函数,并考虑领域知识的约束作用,引入后验正则化项,使用正则化贝叶斯方法,求得最优化的后验概率分布;在每进行一次感知后都将本次的后验概率转换为下一次感知的先验概率,随着实时感知数据的增多,求得的后验概率模型逐渐趋于最优化。
进一步,对于单个辐射源目标,首先按照已有知识库优先对重点频段扫描,并结合实际信号的检测和判别结果代入所述概率模型,决定每个频点的驻留时间,并自主调整中心频点的频率,使得更好地侦收不同复杂调制信号。
进一步,根据态势变化的缓急程度,采用时域和空域变采样的方式,进行态势的高效感知。
进一步,对于属于载荷知识库范畴的感知结果采用小样本低复杂度机器学习方法,结合深度神经网络,采用迁移学习方式对小样本高价值数据进行训练;具体为:
在多源高维知识库中,对于源域任务,其中的每个载荷数据库集在共同类别下都具有不同的特征,预先设定统一标准,超过标准的类被随机切割,而不满足标准的类则在该环境下像被重新记录一样通过滤波复制出剩余空间的脉冲响应,并重新进行采样;
对于小样本数据中的训练,先移除已训练网络中的输出层,并添加两个隐藏的全连接层和一个新的单输出层以启用适配;在目标域的训练中,通过将迁移层的输出作为另外两个隐藏层的训练输入,使得迁移层的输出与载荷数据库是相适应的。
进一步,所述强化学习是把学习看作试探评价过程,强化学习***选择一个动作作用于环境,环境接受该动作后状态发生变化,同时产生一个奖或惩的强化信号反馈给强化学习***,强化学习***根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化的概率增大。
进一步,建立马尔科夫决策过程基本理论模型,其四元组<S,A,R,T>表示为:
S为状态空间,包含了电磁传感器可能感知到的多源高维知识库;
A为动作空间,包含了电磁传感器在每个状态上可以采取的所有感知处理策略;
R:S×A×S->R为奖惩函数,包含了电磁传感器从环境获得的奖惩值;
T:S×A×S->[0,1]为多源高维知识库的状态转移函数,表示在传感器上执行感知处理策略并转移到多源高维知识库的概率。
进一步,在马尔科夫决策中,传感器智能感知信息和电磁空间之间的交互过程为:电磁传感器感知当前多源高维频谱知识库状态st,从感知处理策略空间A中选择动作at执行;多源高维知识库接收智能感知信息所选择的动作之后,给以电磁传感器相应的奖惩信号反馈rt,并转移到新的环境状态st+1,等待电磁传感器作出新的决策。
一种低空目标知识辅助智能电磁感知***,其包括:第一处理模块、电磁感知模块和判断处理模块;所述第一处理模块构建动态更新的多源高维知识库,依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;所述电磁感知模块引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型,制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;所述判断处理模块判断感知结果是否属于载荷知识库范畴,若属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如上述方法中的任一方法。
本发明由于采取以上技术方案,其具有以下优点:针对低空有限传感器资源应用于海量电磁信息感知的瓶颈问题,以历史数据知识挖掘为支撑,提出知识辅助智能电磁感知方法,实现时、空、频电磁信息感知效率的数量级提升。
附图说明
图1是本发明知识辅助智能电磁感知流程示意图;
图2是本发明实施方式中基于知识辅助电磁高效感知示意图;
图3是本发明实施方式中采用基于深度神经网络的迁移学习训练过程;
图4是本发明实施方式中智能感知信息与知识库交互。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种低空目标知识辅助智能电磁感知方法,其包括以下步骤:
1)构建动态更新的多源高维知识库,用于储存、调度、更新包括时、空、频等多个维度在内的各类先验信息;依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库,进而降低传输和存储过程中的数据量;并在先验信息的引导下,以较高的效率和较低的硬件代价,完成对非合作信号的截获分析,降低传输和存储过程中的数据量。
多源高维知识库主要包括时、空、频等多个维度在内的各类先验信息,通过不同传感器获取的电磁感知信息构成。
2)由于电磁感知的范围很宽,若采用均匀扫描的方案,效率较低,不能满足在短时间内迅速捕获信号和感知态势的需求,不利于由多源高维知识库形成的背景数据库的快速形成。因此引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型,制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知,提高信号捕获概率和态势感知效率,并依据感知结果对模型进行修正,形成感知效率随着时间提高的反馈闭环结构。
如图2所示,在贝叶斯公式的基础上,根据先验分布和似然函数,并考虑领域知识的约束作用,引入后验正则化项,使用正则化贝叶斯方法,求得最优化的后验概率分布。在每进行一次感知后都会将本次的后验概率转换为下一次感知的先验概率,随着实时感知数据的增多,求得的后验概率模型逐渐趋于最优化,从而为感知策略提供指导。
3)对于宽带信号进行感知,必然会产生大量数据,其中部分数据不属于载荷知识库范畴,判断感知结果是否属于载荷知识库范畴,若属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于载荷知识库范畴,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策,实现传感器感知效率和响应速度的显著提升。
上述各步骤中,对于单个辐射源目标,首先按照已有知识库优先对重点频段扫描,并结合实际信号的检测和判别结果代入概率模型,决定每个频点的驻留时间,并能够自主调整中心频点的频率,使得更好地侦收扫频、跳频、调相等不同复杂调制信号。
由于当前的信息***多呈现成组网联系的特点,辐射源往往呈现层次化、体系化的特征。因此对于单个辐射源完成扫描以后,可以根据对辐射源所属体系及层次的先验知识,对邻近时空可能出现的该体系内的其他辐射源目标进行预判。根据预判的频段和出现时间调整接收机的中心频点,提高信号截获概率。
对于整体态势信息,可以从实际要求出发,根据态势变化的缓急程度,采用时域和空域变采样的方式,进行态势的高效感知。对于态势变化程度较缓的区域,以及分辨率要求不高的区域,如海洋、沙漠等,可以将空间采样率降低,将更多的感知资源用于态势变化程度剧烈、分辨率要求高的区域,实现分辨率的按需分配。
上述步骤3)中,如图3所示,由于电磁数据集合中样本的特征维数很高,而传感器获取的标记信息的样本数目却相对较少,对于已知信息采用小样本低复杂度机器学习方法,结合深度神经网络,采用迁移学习方式对小样本高价值数据进行训练。具体为:
在多源高维知识库中,对于源域任务,其中的每个载荷数据库集在共同类别下都具有频率、位置、工作状态、辐射特性等不同的特征,预先设定统一标准,超过标准的类被随机切割,而不满足标准的类则在该环境下像被重新记录一样通过滤波复制出剩余空间的脉冲响应,并重新进行采样。
对于小样本数据中的训练,先移除已训练网络中的输出层,并添加两个隐藏的全连接层和一个新的单输出层以启用适配。因为迁移层对小样本数据进行训练分类,该层的输出可以捕捉到不同电磁波差别特征。而在目标域的训练中,通过将迁移层的输出作为另外两个隐藏层的训练输入,使得迁移层的输出与载荷数据库是相适应的。总之,原适配层的参数首先在源域中进行训练然后迁移到目标域并改进,而只有额外的适应层在目标域中被训练。
上述步骤3)中,在实际中必然出现的未知信号、未知工作模式,项目采用强化学习方式,实现传感器感知效率和响应速度的显著提升。强化学习是把学习看作试探评价过程,强化学习***选择一个动作作用于环境,环境接受该动作后状态发生变化,同时产生一个强化信号(奖或惩)反馈给强化学习***,强化学习***根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化(奖)的概率增大。选择的动作不仅影响立即强化值,而且影响环境下一时刻的状态及最终的强化值。即,智能***从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大。
项目建立马尔科夫决策过程基本理论模型,其四元组<S,A,R,T>表示为:
S为状态空间,包含了电磁传感器可能感知到的多源高维知识库。
A为动作空间,包含了电磁传感器在每个状态上可以采取的所有感知处理策略。
R:S×A×S->R为奖惩函数,包含了电磁传感器从环境获得的奖惩值。
T:S×A×S->[0,1]为多源高维知识库的状态转移函数,表示在传感器上执行感知处理策略并转移到多源高维知识库的概率。
在马尔科夫决策(MDP)中,传感器智能感知信息和电磁空间之间的交互过程如图4所示。电磁传感器感知当前多源高维频谱知识库状态st,从感知处理策略空间A中选择动作at执行;多源高维知识库接收智能感知信息所选择的动作之后,给以电磁传感器相应的奖惩信号反馈rt,并转移到新的环境状态st+1,等待电磁传感器作出新的决策。
通过强化学习可以由环境提供的强化信号是对产生动作的好坏作一种评价,而不是告诉强化学习***如何去产生正确的动作。由于外部环境提供的信息很少,强化学习***必须靠自身的经历进行学习。通过这种方式,强化学习***在“行动-评价”的环境中获得知识,改进行动方案以适应环境。
本发明还提供一种低空目标知识辅助智能电磁感知***,其包括:第一处理模块、电磁感知模块和判断处理模块;
第一处理模块构建动态更新的多源高维知识库,依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;
电磁感知模块引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型,制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;
判断处理模块判断感知结果是否属于载荷知识库范畴,若属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于载荷知识库范畴,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行上述各实施例方法中的任一方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种低空目标知识辅助智能电磁感知方法,其特征在于,包括以下步骤:
1)构建动态更新的多源高维知识库,依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;
2)引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;
3)判断感知结果是否属于载荷知识库范畴,若为属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策。
2.如权利要求1所述电磁感知方法,其特征在于:在贝叶斯公式的基础上,根据先验分布和似然函数,并考虑领域知识的约束作用,引入后验正则化项,使用正则化贝叶斯方法,求得最优化的后验概率分布;在每进行一次感知后都将本次的后验概率转换为下一次感知的先验概率,随着实时感知数据的增多,求得的后验概率模型逐渐趋于最优化。
3.如权利要求1所述电磁感知方法,其特征在于:对于单个辐射源目标,首先按照已有知识库优先对重点频段扫描,并结合实际信号的检测和判别结果代入所述概率模型,决定每个频点的驻留时间,并自主调整中心频点的频率,使得更好地侦收不同复杂调制信号。
4.如权利要求1所述电磁感知方法,其特征在于:根据态势变化的缓急程度,采用时域和空域变采样的方式,进行态势的高效感知。
5.如权利要求1所述电磁感知方法,其特征在于:对于属于载荷知识库范畴的感知结果采用小样本低复杂度机器学习方法,结合深度神经网络,采用迁移学习方式对小样本高价值数据进行训练;具体为:
在多源高维知识库中,对于源域任务,其中的每个载荷数据库集在共同类别下都具有不同的特征,预先设定统一标准,超过标准的类被随机切割,而不满足标准的类则在该环境下像被重新记录一样通过滤波复制出剩余空间的脉冲响应,并重新进行采样;
对于小样本数据中的训练,先移除已训练网络中的输出层,并添加两个隐藏的全连接层和一个新的单输出层以启用适配;在目标域的训练中,通过将迁移层的输出作为另外两个隐藏层的训练输入,使得迁移层的输出与载荷数据库是相适应的。
6.如权利要求1所述电磁感知方法,其特征在于:所述强化学习是把学习看作试探评价过程,强化学习***选择一个动作作用于环境,环境接受该动作后状态发生变化,同时产生一个奖或惩的强化信号反馈给强化学习***,强化学习***根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化的概率增大。
7.如权利要求6所述电磁感知方法,其特征在于:建立马尔科夫决策过程基本理论模型,其四元组<S,A,R,T>表示为:
S为状态空间,包含了电磁传感器可能感知到的多源高维知识库;
A为动作空间,包含了电磁传感器在每个状态上可以采取的所有感知处理策略;
R:S×A×S->R为奖惩函数,包含了电磁传感器从环境获得的奖惩值;
T:S×A×S->[0,1]为多源高维知识库的状态转移函数,表示在传感器上执行感知处理策略并转移到多源高维知识库的概率。
8.如权利要求7所述电磁感知方法,其特征在于:在马尔科夫决策中,传感器智能感知信息和电磁空间之间的交互过程为:电磁传感器感知当前多源高维频谱知识库状态st,从感知处理策略空间A中选择动作at执行;多源高维知识库接收智能感知信息所选择的动作之后,给以电磁传感器相应的奖惩信号反馈rt,并转移到新的环境状态st+1,等待电磁传感器作出新的决策。
9.一种低空目标知识辅助智能电磁感知***,其特征在于,包括:第一处理模块、电磁感知模块和判断处理模块;
所述第一处理模块构建动态更新的多源高维知识库,依据先验知识和数据的冗余度,对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库;
所述电磁感知模块引入贝叶斯方法,根据载荷知识库,建立信号出现的时空频预测模型,制定对应的按该预测模型扫描的感知策略,以高效率完成电磁感知;
所述判断处理模块判断感知结果是否属于载荷知识库范畴,若属于则采用小样本低复杂度机器学习方法,进行相应特征建模,以获得正确有效结果;若不属于,通过采用强化学习方法,将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导,并在行动-评价的环境中获得知识,并对行动方案作出新的决策。
10.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至8所述方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011209372.7A CN112307674B (zh) | 2020-11-03 | 2020-11-03 | 低空目标知识辅助智能电磁感知方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011209372.7A CN112307674B (zh) | 2020-11-03 | 2020-11-03 | 低空目标知识辅助智能电磁感知方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307674A true CN112307674A (zh) | 2021-02-02 |
CN112307674B CN112307674B (zh) | 2022-11-18 |
Family
ID=74332868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011209372.7A Active CN112307674B (zh) | 2020-11-03 | 2020-11-03 | 低空目标知识辅助智能电磁感知方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307674B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113131970A (zh) * | 2021-05-19 | 2021-07-16 | 西南交通大学 | 基于强化学习与光载无线技术的高铁电磁干扰规避*** |
CN114841201A (zh) * | 2022-04-23 | 2022-08-02 | 中国人民解放军32802部队 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
-
2020
- 2020-11-03 CN CN202011209372.7A patent/CN112307674B/zh active Active
Non-Patent Citations (6)
Title |
---|
倪丛云等: "认知电子战***组成及其关键技术研究", 《舰船电子对抗》 * |
吴启晖等: "电磁频谱空间认知新范式:频谱态势", 《南京航空航天大学学报》 * |
孔德阳等: "面向频谱感知的传感器网络设计", 《电子设计工程》 * |
户盼鹤等: "多平台感知数据融合的被动检测***研究", 《国防科技》 * |
胡新宇: "基于认知的战场电磁环境侦察技术", 《空天防御》 * |
董春曦等: "基于压缩感知的雷达信号分选方法", 《北京邮电大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113131970A (zh) * | 2021-05-19 | 2021-07-16 | 西南交通大学 | 基于强化学习与光载无线技术的高铁电磁干扰规避*** |
CN114841201A (zh) * | 2022-04-23 | 2022-08-02 | 中国人民解放军32802部队 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
CN114841201B (zh) * | 2022-04-23 | 2023-01-24 | 中国人民解放军32802部队 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112307674B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585997B (zh) | 一种基于少量标注数据的网络流量异常检测方法 | |
Bhanu et al. | Adaptive image segmentation using a genetic algorithm | |
CN112307674B (zh) | 低空目标知识辅助智能电磁感知方法、***及存储介质 | |
WO2022057262A1 (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN110135635B (zh) | 一种区域电力饱和负荷预测方法及*** | |
CN112183742B (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN111460379A (zh) | 基于高斯过程回归的多工况动力***性能预测方法及*** | |
CN113988357B (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN112966714A (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN115129003A (zh) | 一种基于自学习时变数字孪生的自动化产线智能监测*** | |
CN115081585A (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
Li et al. | The use of nonlinear dynamic system and deep learning in production condition monitoring and product quality prediction | |
CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
CN114169506A (zh) | 一种基于工业物联网平台的深度学习边缘计算***框架 | |
CN113379135A (zh) | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和*** | |
DE102023207516A1 (de) | Systeme und Verfahren zur Experten-geführten Halbüberwachung mit Contrastive Loss für Maschinenlernmodelle | |
Zhang et al. | Small-sample continual learning classification method with vaccine to update memory cells based on the artificial immune system | |
CN115327942A (zh) | 一种环境智能监测*** | |
CN116165886A (zh) | 多传感器智能协同控制方法、装置、设备及介质 | |
CN109344881B (zh) | 一种基于时空连续性的扩展分类器 | |
CN116541273B (zh) | 基于图注意力的二进制代码相似性检测方法及*** |
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 |