CN113486720B - 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 - Google Patents
一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 Download PDFInfo
- Publication number
- CN113486720B CN113486720B CN202110637615.5A CN202110637615A CN113486720B CN 113486720 B CN113486720 B CN 113486720B CN 202110637615 A CN202110637615 A CN 202110637615A CN 113486720 B CN113486720 B CN 113486720B
- Authority
- CN
- China
- Prior art keywords
- video
- power supply
- terminal equipment
- switching power
- intelligent terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Picture Signal Circuits (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法,该方法利用视频播放与智能终端设备功耗的耦合性,以及设备功耗被设备的开关电源调制到高频噪声的特性,实现了从同一相供电内任意一个插座的电压信号推测目标设备视频播放内容。本发明可用于对智能终端设备的非侵入式行为监测,无需事先对智能终端设备作出改动。
Description
技术领域
本发明属于电子通信领域,涉及一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法。
背景技术
本发明涉及侧信道推断技术。由于智能终端设备在运行的时候不可避免地会产生物理信号,侧信道可以根据这些物理信号进行分类,包括电力线上的电压信号,存储设备、USB和CPU在运行时候产生的电磁信号,硬盘产生的声信号和运行时的散热信号等等。
申请号为202010393098.7的发明专利实现了远距离的用户应用程序推测,但是其对于开关电源高频噪声的研究没有考虑到开关电源释放的噪声频率会跟随其运行时温度的变化而变化,使其准确性受到了限制。
发明内容
本发明公开了一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法,该方法利用视频播放与智能终端设备功耗的耦合性,以及设备功耗被设备的开关电源调制到高频噪声的特性,实现了从同一相供电内任意一个插座的电压信号推测目标设备视频播放内容。本发明主要分为训练和检测两个阶段,训练环节的流程包括数据采集、信号预处理、特征提取、训练神经网络等步骤;检测环节的流程包括数据采集、信号预处理、特征提取、神经网络预测等步骤。
本发明采用以下技术方案实现:
一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法,具体包括如下步骤:
步骤1:目标智能终端设备上播放不同视频,在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声,用于提取训练样本;具体包括如下步骤:
步骤1.1:在同一相供电的电源插座上采集零线对地的原始电压信号V1。,将V1输入至无源分压电路,得到信号V2;
步骤1.2:在与目标终端设备同型号的设备上交替打开和关闭视频VIDi,i∈{1,2,...,M},M为视频种类;其中每个视频开启至关闭时间ton≥5s,从前一个视频关闭到后一个视频开启的时间间隔tinterval≥10s,共开关K次,其中K≥40;
步骤1.3:将步骤1.1中V2用采样频率为fs的声卡采集,采样频率fs>2fn,其中fn为预估的开关电源高频噪声的频率,得到信号序列S1。
步骤2:对步骤1采集的开关电源噪声进行频率跟踪、带通滤波、取包络解调、低通滤波、对齐预处理操作,得到预处理后的信号;所述的频率跟踪是在不同温度下跟踪开关电源噪声的特征频率;具体步骤如下:
步骤2.1:将采集到的信号序列S1通过中心频率为fn的带通滤波器,带宽BW1≥1000Hz,找到带通滤波器的输出信号中最高幅度所对应的频率,即fnoise;
步骤2.2:将采集到的信号序列S1通过中心频率为fnoise的带通滤波器,带宽BW2≥BWm,其中BWm为开关电源高频噪声主瓣宽度;每经过固定时间间隔tadj后,根据步骤2.1调整fnoise中心频率,最后得到信号序列S21,其中tadj=1s;
步骤2.3:对S21进行取包络和低通滤波操作,具体包括:对信号序列S21取绝对值,并进行窗长wl=1000的滑动平均,得到信号序列S22;将信号序列S22进行最大-最小值归一化,得到信号序列S23;
步骤2.4:首先取S23中前tcalibration内信号点的算术平均值Savg,其中tcalibration为标定时间;从tcalibration开始遍历S23,取长度为twin的子信号序列,取其算术平均值Savg_win;当Savg_win>Savg·C时,记录检测到的第i个视频的第j次开启时刻ti,j,得到视频启动时间集合T={ti,j},其中C为常数,1.7≤C≤2,twin=1ms,tcalibration=2ms;
步骤2.5:根据视频启动时间集合T对信号序列S23进行切分,将信号序列根据每个视频的打开时刻切分为一个样本集S={s11,s12,...,sij,...,sMK};其中,第i个视频的第j次开启的样本以ti,j时刻为起始点,样本长度tl=5s。
步骤3:对预处理后的信号提取SDCT特征,具体步骤如下:
对样本集S内所有的样本提取特征:
步骤3.1:求出样本集S内所有样本的SDCT变换序列s*,将s*分成m段,对每段取前n个点,得到每个样本的特征
步骤3.2:对于得到的特征集合{Fs},随机打乱顺序。
步骤4:将提取好特征的信号分为训练样本、验证样本和测试样本,训练LSTM模型;具体步骤如下:
步骤4.1:将打乱顺序后的特征集合{Fs}中所有样本特征Fs根据其对应的视频类别进行标记,类别范围为{1,2,...,M};
步骤4.2:将标记好类别的特征集合随机分为训练集Dtr,验证集Dva和测试集Dte;
步骤4.3:训练LSTM,设置学习率系数lr=0.00025,循环次数titer=50000,隐藏层节点数nhidden=100,激活函数选择relu函数,得到训练好的LSTM模型。
步骤5:在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声作为测试样本,使用训练好的LSTM模型推断目标智能终端设备上播放的视频内容;具体步骤如下:
步骤5.1:采集位于与目标终端设备同一相供电的电源插座上的零线对地的电压信号并进行分压处理,采样频率为fs,得到未知信号序列;
步骤5.2:依次按照步骤2.1-2.5对未知信号序列进行预处理,得到预处理的未知信号序列集合X={x11,x12,...,xMK};
步骤5.3:提取X中各信号序列的特征,具体步骤同步骤3,得到特征集合;
步骤5.4:将步骤5.3得到的特征集合输入到训练好的LSTM模型中,得到分类结果,可知目标智能终端设备播放的视频类别。
本发明的主要原理是利用视频播放与智能终端设备功耗的耦合性,以及设备功耗被设备的开关电源调制到高频噪声的特性,实现了从同一相供电内任意一个插座的电压信号推测目标设备视频播放内容。本发明可用于对智能终端设备的非侵入式行为监测,无需事先对智能终端设备作出改动。
本发明的有益效果在于:
与现有对于高频开关电源噪声信号的处理方法不同,本发明方法可以对智能终端设备开关电源温度的环境进行自适应,从而准确采集每一时刻在不同工作温度下以及不同工作频率下开关电源的高频噪声信号。本发明解决了在温度动态变化的情况下,配电网终端设备的视频播放检测问题。
本发明方法利用视频播放与智能终端设备功耗的耦合性,以及设备功耗被设备的开关电源调制到高频噪声的特性,实现了从同一相供电内任意一个插座的电压信号推测目标设备视频播放内容。本发明还可以根据开关电源噪声特征频率随温度的变换动态调整采样设备滤波器的中心频率,从而达到环境动态自适应的目的,大大提高了推断的可行性。
本发明降低了环境温度变化对于该方法准确性的影响。由于环境温度不断变化,开关电源的噪声频率也会随之发生改变。但是,步骤2.1和步骤2.2中实现了对开关电源特征频率的跟踪,其动态地调整了带通滤波器的中心频率,提高了步骤2中预处理操作的可靠性,从而提高了整个方法的可行性。
附图说明
图1是本发明训练过程流程图;
图2是本发明视频检测过程的流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明主要分为训练和预测两个阶段,训练环节的流程如图1所示,包括数据采集、信号预处理、特征提取、训练神经网络等步骤;检测环节的流程如图2所示,包括数据采集、信号预处理、特征提取、神经网络预测等步骤。
一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法,具体包括如下步骤:
步骤1:目标智能终端设备上播放不同视频,在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声,用于提取训练样本;具体包括如下步骤:
步骤1.1:在同一相供电的电源插座上采集零线对地的原始电压信号V1。,将V1输入至无源分压电路,得到信号V2;
步骤1.2:在与目标终端设备同型号的设备上交替打开和关闭视频VIDi,i∈{1,2,...,M},M为视频种类;其中每个视频开启至关闭时间ton≥5s,从前一个视频关闭到后一个视频开启的时间间隔tinterval≥10s,共开关K次,其中K≥40;
步骤1.3:将步骤1.1中V2用采样频率为fs的声卡采集,采样频率fs>2fn,其中fn为预估的开关电源高频噪声的频率,得到信号序列S1。
步骤2:对步骤1采集的开关电源噪声进行频率跟踪、带通滤波、取包络解调、低通滤波、对齐预处理操作,得到预处理后的信号;所述的频率跟踪是在不同温度下跟踪开关电源噪声的特征频率;具体步骤如下:
步骤2.1:将采集到的信号序列S1通过中心频率为fn的带通滤波器,带宽BW1≥1000Hz,找到带通滤波器的输出信号中最高幅度所对应的频率,即fnoise;
步骤2.2:将采集到的信号序列S1通过中心频率为fnoise的带通滤波器,带宽BW2≥BWm,其中BWm为开关电源高频噪声主瓣宽度;每经过固定时间间隔tadj后,根据步骤2.1调整fnoise中心频率,最后得到信号序列S21,其中tadj=1s;
步骤2.3:对S21进行取包络和低通滤波操作,具体包括:对信号序列S21取绝对值,并进行窗长wl=1000的滑动平均,得到信号序列S22;将信号序列S22进行最大-最小值归一化,得到信号序列S23;
步骤2.4:首先取S23中前tcalibration内信号点的算术平均值Savg,其中tcalibration为标定时间;从tcalibration开始遍历S23,取长度为twin的子信号序列,取其算术平均值Savg_win;当Savg_win>Savg·C时,记录检测到的第i个视频的第j次开启时刻ti,j,得到视频启动时间集合T={ti,j},其中C为常数,1.7≤C≤2,twin=1ms,tcalibration=2ms;
步骤2.5:根据视频启动时间集合T对信号序列S23进行切分,将信号序列根据每个视频的打开时刻切分为一个样本集S={s11,s12,...,sij,...,sMK};其中,第i个视频的第j次开启的样本以ti,j时刻为起始点,样本长度tl=5s。步骤3:对预处理后的信号提取SDCT特征,具体步骤如下:
对样本集S内所有的样本提取特征:
步骤3.1:求出样本集S内所有样本的SDCT变换序列s*,将s*分成m段,对每段取前n个点,得到每个样本的特征
步骤3.2:对于得到的特征集合{Fs},随机打乱顺序。
步骤4:将提取好特征的信号分为训练样本、验证样本和测试样本,训练LSTM模型;具体步骤如下:
步骤4.1:将打乱顺序后的特征集合{Fs}中所有样本特征Fs根据其对应的视频类别进行标记,类别范围为{1,2,...,M};
步骤4.2:将标记好类别的特征集合随机分为训练集Dtr,验证集Dva和测试集Dte;
步骤4.3:训练LSTM,设置学习率系数lr=0.00025,循环次数titer=50000,隐藏层节点数nhidden=100,激活函数选择relu函数,得到训练好的LSTM模型。
步骤5:在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声作为测试样本,使用训练好的LSTM模型推断目标智能终端设备上播放的视频内容;具体步骤如下:
步骤5.1:采集位于与目标终端设备同一相供电的电源插座上的零线对地的电压信号并进行分压处理,采样频率为fs,得到未知信号序列;
步骤5.2:依次按照步骤2.1-2.5对未知信号序列进行预处理,得到预处理的未知信号序列集合X={x11,x12,...,xMK};
步骤5.3:提取X中各信号序列的特征,具体步骤同步骤3,得到特征集合;
步骤5.4:将步骤5.3得到的特征集合输入到训练好的LSTM模型中,得到分类结果,可知目标智能终端设备播放的视频类别。
Claims (5)
1.一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法,其特征在于,包括如下步骤:
步骤1.目标智能终端设备上播放不同视频,在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声,用于提取训练样本;
步骤2.对步骤1采集的开关电源噪声进行频率跟踪、带通滤波、取包络解调、低通滤波、对齐预处理操作,得到预处理后的信号;所述的频率跟踪是在不同温度下跟踪开关电源噪声的特征频率;
步骤3.对预处理后的信号提取SDCT特征;
步骤4.将提取好特征的信号分为训练样本、验证样本和测试样本,训练LSTM模型;
步骤5.在与目标智能终端设备位于同一相供电的电源插座中采集开关电源噪声作为测试样本,使用训练好的LSTM模型推断目标智能终端设备上播放的视频内容;
所述的步骤2具体包括以下步骤:
步骤2.1:将采集到的信号序列S1通过中心频率为fn的带通滤波器,带宽BW1≥1000Hz,找到带通滤波器的输出信号中最高幅度所对应的频率,即fnoise;
步骤2.2:将采集到的信号序列S1通过中心频率为fnoise的带通滤波器,带宽BW2≥BWm,其中BWm为开关电源高频噪声主瓣宽度;每经过固定时间间隔tadj后,根据步骤2.1调整fnoise中心频率,最后得到信号序列S21;
步骤2.3:对S21进行取包络和低通滤波操作,具体包括:对信号序列S21取绝对值,并进行窗长wl=1000的滑动平均,得到信号序列S22;将信号序列S22进行最大-最小值归一化,得到信号序列S23;
步骤2.4:首先取S23中前tcalibration内信号点的算术平均值Savg,其中tcalibratio2为标定时间;从tvalibration开始遍历S23,取长度为twin的子信号序列,取其算术平均值Savg_win;当Savg_win>Savg·C时,记录检测到的第i个视频的第j次开启时刻ti,j,得到视频启动时间集合T={ti,j},其中C为常数,1.7≤C≤3;
步骤2.5:根据视频启动时间集合T对信号序列S23进行切分,将信号序列根据每个视频的打开时刻切分为一个样本集S={s11,s12,…,sij,…,sMK};其中,第i个视频的第j次开启的样本以ti,j时刻为起始点,样本长度tl=5s。
2.根据权利要求1所述的基于智能终端设备开关电源高频噪声的视频播放内容推断方法,其特征在于,所述的步骤1具体包括以下步骤:
步骤1.1:在同一相供电的电源插座上采集零线对地的原始电压信号V1,将V1输入至无源分压电路,得到信号V2;
步骤1.2:在与目标终端设备同型号的设备上交替打开和关闭视频VIDi,i∈{1,2,…,M},M为视频种类;其中每个视频开启至关闭时间ton≥5s,从前一个视频关闭到后一个视频开启的时间间隔tinterval≥10s,共开关K次,其中K≥40;
步骤1.3:将步骤1.1中V2用采样频率为fs的声卡采集,采样频率fs>2fn,其中fn为预估的开关电源高频噪声的频率,得到信号序列S1。
3.根据权利要求1所述的基于智能终端设备开关电源高频噪声的视频播放内容推断方法,其特征在于,所述的步骤3中,对样本集S内所有的样本提取特征,具体步骤如下:
步骤3.1:求出样本集S内所有样本的SDCT变换序列s*,将s*分成m段,对每段取前n个点,得到每个样本的特征
步骤3.2:对于得到的特征集合{Fs},随机打乱顺序。
4.根据权利要求3所述的基于智能终端设备开关电源高频噪声的视频播放内容推断方法,其特征在于,所述的步骤4具体步骤如下:
步骤4.1:将打乱顺序后的特征集合{Fs}中所有样本特征Fs根据其对应的视频类别进行标记,类别范围为{1,2,…,M};
步骤4.2:将标记好类别的特征集合随机分为训练集Dtr,验证集Dva和测试集Dte;
步骤4.3:训练LSTM,设置学习率系数lr=0.00025,循环次数titer=50000,隐藏层节点数nhidden=100,激活函数选择relu函数,得到训练好的LSTM模型。
5.根据权利要求4所述的基于智能终端设备开关电源高频噪声的视频播放内容推断方法,其特征在于,所述的步骤5具体步骤如下:
步骤5.1:采集位于与目标终端设备同一相供电的电源插座上的零线对地的电压信号并进行分压处理,采样频率为fs,得到未知信号序列;
步骤5.2:依次按照步骤2.1-2.5对未知信号序列进行预处理,得到预处理的未知信号序列集合X={x11,x12,…,xMK};
步骤5.3:提取X中各信号序列的特征,具体步骤同步骤3,得到特征集合;
步骤5.4:将步骤5.3得到的特征集合输入到训练好的LSTM模型中,得到分类结果,可知目标智能终端设备播放的视频类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637615.5A CN113486720B (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637615.5A CN113486720B (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486720A CN113486720A (zh) | 2021-10-08 |
CN113486720B true CN113486720B (zh) | 2023-12-08 |
Family
ID=77935056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637615.5A Active CN113486720B (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486720B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1703900A (zh) * | 2002-10-03 | 2005-11-30 | 奥林巴斯株式会社 | 摄像***和播放*** |
CN110390357A (zh) * | 2019-07-17 | 2019-10-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于边信道的dtu安全监测方法 |
CN110933031A (zh) * | 2019-10-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 一种基于lstm的智能电网配电终端单元入侵检测方法 |
CN111597947A (zh) * | 2020-05-11 | 2020-08-28 | 浙江大学 | 一种基于电源功率因数矫正噪声的应用程序推断方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
-
2021
- 2021-06-08 CN CN202110637615.5A patent/CN113486720B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1703900A (zh) * | 2002-10-03 | 2005-11-30 | 奥林巴斯株式会社 | 摄像***和播放*** |
CN110390357A (zh) * | 2019-07-17 | 2019-10-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于边信道的dtu安全监测方法 |
CN110933031A (zh) * | 2019-10-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 一种基于lstm的智能电网配电终端单元入侵检测方法 |
CN111597947A (zh) * | 2020-05-11 | 2020-08-28 | 浙江大学 | 一种基于电源功率因数矫正噪声的应用程序推断方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
MagView: A Distributed Magnetic Covert Channel via Video Encoding and Decoding;Juchuan Zhang 等;IEEE;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486720A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106658590B (zh) | 基于WiFi信道状态信息多人室内环境状态监控***的设计与实现 | |
CN108629380B (zh) | 一种基于迁移学习的跨场景无线信号感知方法 | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
CN112716474A (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和*** | |
US20170296081A1 (en) | Frame based spike detection module | |
CN110502105A (zh) | 一种基于csi相位差的手势识别***及识别方法 | |
CN108806718A (zh) | 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法 | |
CN110730473B (zh) | 面向WiFi活动识别的信号特征提取方法 | |
CN107202559B (zh) | 基于室内声学信道扰动分析的物体识别方法 | |
CN109512390A (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN112381063A (zh) | 一种基于信道状态信息的人数统计方法 | |
CN110196448A (zh) | 一种滑坡次声信号识别方法 | |
Bremnes et al. | Classification of UAVs utilizing fixed boundary empirical wavelet sub-bands of RF fingerprints and deep convolutional neural network | |
CN113486720B (zh) | 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、***、信息数据处理终端 | |
CN109377982B (zh) | 一种有效语音获取方法 | |
CN108064745A (zh) | 动物嚎叫监测***以及基于机器学习的嚎叫状态识别方法 | |
Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
CN108600137B (zh) | 一种基于反向传播神经网络的新型多载波识别方法 | |
Zheng et al. | Embedded Radio Frequency Fingerprint Recognition Based on A Lightweight Network | |
Shi et al. | A radio frequency fingerprint identification method for wireless devices based on ShuffleNet-SVM | |
CN109214176B (zh) | 一种基于短时域分析的侧信道信号预处理方法 | |
Pan et al. | Tree size estimation from a feller-buncher’s cutting sound | |
Rusu et al. | On the design of an acoustic based wildlife intruder detection system |
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 |