CN115372928A - 一种基于i/q数据的dcnn电磁干扰识别方法及装置 - Google Patents

一种基于i/q数据的dcnn电磁干扰识别方法及装置 Download PDF

Info

Publication number
CN115372928A
CN115372928A CN202211293372.9A CN202211293372A CN115372928A CN 115372928 A CN115372928 A CN 115372928A CN 202211293372 A CN202211293372 A CN 202211293372A CN 115372928 A CN115372928 A CN 115372928A
Authority
CN
China
Prior art keywords
electromagnetic interference
signal data
data
power signal
distance
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
Application number
CN202211293372.9A
Other languages
English (en)
Other versions
CN115372928B (zh
Inventor
王海江
王家珉
吴昊
曾强宇
张玉琴
全晶
鲜林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202211293372.9A priority Critical patent/CN115372928B/zh
Publication of CN115372928A publication Critical patent/CN115372928A/zh
Application granted granted Critical
Publication of CN115372928B publication Critical patent/CN115372928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及电磁干扰识别技术领域，公开了一种基于I/Q数据的DCNN电磁干扰识别方法及装置，首先对I/Q数据进行回波参数估计，得到功率数据，然后将功率数据可视化并边缘增强，二值化后再经人工订正，得到区分电磁干扰和背景的标签；将功率数据和标签数据切割后采用UNet和ResNet相结合的语义分割网络进行训练，完成预测模型的建立；对具有电磁干扰距离库的位置完成预测后，通过线性插值完成电磁干扰的抑制。本发明有利于识别在I/Q数据上判断具体的某个距离上存在电磁干扰，获取电磁干扰的存在径向和距离等信息。解决了现有技术中对于具有二维空间特征的电磁干扰的识别存在效率低、精度低的问题。

Description

一种基于I/Q数据的DCNN电磁干扰识别方法及装置
技术领域
本发明涉及电磁干扰识别技术领域，尤其涉及一种基于I/Q数据的DCNN电磁干扰识别方法及装置。
背景技术
随着无线通信技术的发展，使通信频段的覆盖范围变广，用于无线通信的基站和电子设备数量增加，导致人工无线电对天气雷达的电磁干扰显著增加，由于电信***的某些频段与C波段（4–8 GHz）天气雷达的工作频段重合，对雷达数据的质量造成了严重的影响。然而在S波段（2-4 GHz）也因为无线通信行业也会对其中某些波段进行利用，也无法避免电磁干扰对雷达产生影响。因此，对电磁干扰的识别和消除成为了天气雷达质量控制重要的一项工作。通过频谱检测异常增量可以达到抑制干扰的目的；移动双光谱线性去极化比（MDsLDR）滤波器可以用于减轻天气雷达中窄带混乱，这也包括了电磁干扰；从雷达回波上出发，通过神经网络对反射率、速度、速度谱宽等数据的处理得到非天气回波的特征进而进行识别和处理。而信号处理端的I/Q数据中也包括散射粒子的静态和运动的信息，因此对I/Q数据进行处理也会影响到回波数据的质量。
目前，在I/Q数据上对电磁干扰的识别和抑制方法较为简单：通常使用单脉冲异常检测滤波器对电磁干扰进行检测，然后把已经标记的脉冲使用相邻脉冲的插值进行替代。
但是在I/Q数据中，电磁干扰可能不仅只存在于一个脉冲上，也可能同时存在于多个连续的脉冲上，并且以相似的特征不断重复，即有部分电磁干扰具有空间特征。而现有识别和抑制方法都是在单独的脉冲上进行识别，对于具有二维特征的电磁干扰的识别存在效率低、精度低的问题。
发明内容
为了解决上述技术问题，本发明公开了一种基于I/Q数据的DCNN电磁干扰识别方法及装置，其目的在于从信号处理端出发对I/Q数据进行回波参数估计得到功率信号数据，将功率信号数据作为电磁干扰识别模型的输入进行电磁干扰的识别，且确定电磁干扰所在距离库的具***置后再对其进行插值加以抑制。对电磁干扰进行有效的识别，在抑制之后对于数据的质量有一定的改善。
主要通过以下技术方案实现上述发明目的：
第一方面，一种基于I/Q数据的DCNN电磁干扰识别方法，包括以下步骤：
获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据；
基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同；
通过I/Q信号数据对所述电磁干扰识别模型进行训练，再根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
第二方面，一种基于I/Q数据的DCNN电磁干扰识别装置，包括：
回波参数估计模块：用于获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据；
电磁干扰识别模型：基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同；
模型训练模块：通过I/Q信号数据对所述电磁干扰识别模型进行训练；
模型预测模块：获取模型训练模块得到的模型参数，根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
第三方面，一种基于I/Q数据的DCNN电磁干扰识别设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于I/Q数据的DCNN电磁干扰识别方法的部分或全部步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于I/Q数据的DCNN电磁干扰识别方法的部分或全部步骤。
相较于现有技术的有益效果：
由于传统的以端到端的DCNN对于目标检测与图像分类，是在网络的前几层采用卷积-池化的操作，但最终输出的分类器是一个向量，所以不得不把最终通过卷积-池化得到的特征进一步转化为一维的全连接层，再最终用于分类，但是，从卷积转化到全连接过程中会损失空间信息，对于需要获取空间信息的电磁干扰则失去了意义。而I/Q信号是由连续的脉冲构成，具有空间信息，因此，本发明通过从信号处理端出发对I/Q数据进行回波参数估计得到功率信号数据，将功率信号数据作为电磁干扰识别模型的输入进行电磁干扰的识别；所述电磁干扰识别模型是基于全卷积神经网络构建的，包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，利用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同。本发明中利用全卷积神经网络结构构建的电磁干扰识别模型预测具体的具有电磁干扰的距离库和其他信号距离库的具***置。全卷积神经网络结构是将卷积网络中原有的全连接层转换为卷积层，输出的结果的长宽和输入的长宽相同，而输出的结果的通道数量则是每种结果的预测概率，因此，避免了由卷积层到全连接层的转换，进而保留了空间信息，有利于识别在I/Q数据上判断具体的某个距离上存在电磁干扰，从而能够获取电磁干扰的存在径向和距离等信息；同时，对功率信号数据进行多次的卷积与池化操作，可以增加感受野。解决了现有技术中对于具有二维空间特征的电磁干扰的识别存在效率低、精度低的问题。
附图说明
图1为本发明实施例一提供的一种基于I/Q数据的DCNN电磁干扰识别方法的流程示意图；
图2为本发明实施例一提供的脉冲的识别与抑制效果对比图，其中，（a1）为原图一，（b1）和（b2）为采用本发明的网络结构模型的预测结果与抑制效果图，（c1）和（c2）为采用DeepLab V3+的预测结果与抑制效果图；
图3为本发明实施例一提供的脉冲的识别与抑制效果对比图，其中，（a2）为原图二，（d1）和（d2）为采用本发明的网络结构模型的预测结果与抑制效果图，（e1）和（e2）为采用DeepLab V3+的预测结果与抑制效果图；
图4为本发明实施例二提供的一种基于I/Q数据的DCNN电磁干扰识别装置的结构示意图；
图5为本发明实施例三提供的一种基于I/Q数据的DCNN电磁干扰识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例一
如图1所示，本发明实施例公开了一种基于I/Q数据的DCNN电磁干扰识别方法，包括以下步骤：
步骤1：获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据。
需要说明的是，在I/Q信号数据中包含了散射粒子的静态和运动的信息，因此，需要先将已有的I/Q信号数据进行回波参数估计，从I/Q信号数据中提取功率谱密度、平均多普勒速度和速度谱宽这三个基本信息，采用的方式是脉冲对处理算法（PPP），相较于FFT算法，PPP算法的速度更快，而且对计算机硬件要求更低。
通过零延迟自相关函数
Figure 471450DEST_PATH_IMAGE001
计算得到I/Q信号数据的功率谱密度，零延迟自相 关函数
Figure 381637DEST_PATH_IMAGE001
计算公式如下：
Figure 41288DEST_PATH_IMAGE002
；
通过一阶延迟自相关函数
Figure 62334DEST_PATH_IMAGE003
计算多普勒速度和谱宽，一阶延迟自相关函数
Figure 858252DEST_PATH_IMAGE003
计算公式如下：
Figure 939340DEST_PATH_IMAGE004
；
其中，N为一个脉冲上采样点数，
Figure 86288DEST_PATH_IMAGE005
为第n个距离库的值，
Figure 911024DEST_PATH_IMAGE006
为
Figure 827028DEST_PATH_IMAGE005
的共轭复数，
Figure 813438DEST_PATH_IMAGE007
为脉冲重复周期。
步骤2：基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同。
需要说明的是，由于传统的以端到端的DCNN需要将卷积-池化得到的特征转化为一维的全连接层，才能最终用于图像分类，但是从卷积转化到全连接过程中会损失空间信息，而I/Q信号是由连续的脉冲构成，具有空间信息，因此，本发明实施例中电磁干扰识别模型基于全卷积神经网络构建，能够预测具体的具有电磁干扰的距离库和其他信号距离库的具***置。因此避免了由卷积层到全连接层的转换，进而保留了空间信息，有利于识别在I/Q数据上判断具体的某个距离上存在电磁干扰，从而能够获取电磁干扰的存在径向和距离等信息；同时，对功率信号数据进行多次的卷积与池化操作，也可以增加感受野。解决了现有技术中对于具有二维空间特征的电磁干扰的识别存在效率低、精度低的问题。
本发明实施例中所述电磁干扰识别模型采用UNet和ResNet50结合的全卷积神经网络结构，所述编码器将每一次下采样得到的特征图都参与到所述解码器的上采样过程中。
ResNet50主要特点是能够将网络表层特征数据直接跳跃连接到深层，能够有效解 决DCNN过深导致的梯度消失问题，提高准确率。ResNet50主要分为5个阶段，每个阶段可以 看作由模块A和模块B构成。模块A能够改变输入的维度，首先通过
Figure 447682DEST_PATH_IMAGE008
的卷积压缩通道 数，再通过
Figure 813460DEST_PATH_IMAGE009
的卷积改变输入尺寸，再通过
Figure 849549DEST_PATH_IMAGE008
的卷积改变输出通道数进行输出， 另外输入还要通过
Figure 6861DEST_PATH_IMAGE009
的卷积得到残差边与输出结合；而模块B用于加深网络，首先通 过
Figure 128401DEST_PATH_IMAGE008
的卷积压缩通道数，再通过
Figure 294940DEST_PATH_IMAGE009
的卷积，但填充方式方式为填充相邻卷积结 果，所以保持尺寸不变，再通过
Figure 919956DEST_PATH_IMAGE008
的卷积改变输出通道数进行输出，另外输入还要直 接与输出再进行结合。
在所述编码器中，将每一次下采样得到的特征图都参与到所述解码器的上采样过 程中。首先将输入进行
Figure 513749DEST_PATH_IMAGE010
的卷积，改变输入尺度，保留特征图Feat1；使用模块A和模块 B进行组合，在改变维度的同时加深网络深度，在ResNet50中的每一个阶段则是一次下采 样，每一次下采样都需要保留特征图用于后续的上采样；当编码器流程结束总共会得到 Feat1，Feat2，Feat3，Feat4，Feat5。在解码器中，首先将Feat5行列各进行两倍的上采样，再 与Feat4拼接，通过两次改变通道数；再按照相同的步骤先进行上采样再分别与Feat3 ， Feat2，Feat1拼接和调整通道数。经过5次残差模块的下采样和上采样后，再通过softmax层 进行输出。
步骤3：通过I/Q信号数据对所述电磁干扰识别模型进行训练。
步骤4：数据集的制作，具体包括以下步骤：
首先将功率信号数据
Figure 653743DEST_PATH_IMAGE011
的单位转换为分贝（dB），得到转换后的功率信号数 据
Figure 561656DEST_PATH_IMAGE012
，作为网络的输入并且辅助制作标签时功率的可视化，进行边缘增强。
Figure 369075DEST_PATH_IMAGE013
；
再将功率信号数据进行标准化到灰度0~255之间，将所述功率信号数据转化为灰 度图像数据
Figure 868189DEST_PATH_IMAGE014
，仅用于数据的可视化，方便制作训练数据的标签。
Figure 698742DEST_PATH_IMAGE015
；
再通过横向与纵向的Sobel算子提取标准化后的功率谱中回波与背景的边缘，用 于加强每条脉冲中各距离库的回波信号（包括电磁干扰）的边缘，以及每条脉冲之间回波信 号（包括电磁干扰）的边缘，过程如下：
Figure 207084DEST_PATH_IMAGE016
和
Figure 806693DEST_PATH_IMAGE017
为提取后的横向和纵向的灰度图像数据 中信号和电磁干扰的边缘，横向和纵向组合后的边缘为
Figure 742288DEST_PATH_IMAGE018
。最终将提取后的边缘叠加在
Figure 60136DEST_PATH_IMAGE014
上得到锐化后的边缘的数据
Figure 106590DEST_PATH_IMAGE019
；
Figure 826284DEST_PATH_IMAGE020
；
Figure 932780DEST_PATH_IMAGE021
；
Figure 534663DEST_PATH_IMAGE022
；
Figure 322490DEST_PATH_IMAGE023
；
然后通过二值化，并采用人工调节阈值的方式将电磁干扰和正常回波与背景分离；最后通过订正电磁干扰和正常回波，创建与所述功率信号数据尺寸相同的灰度图像作为标签，将具有电磁干扰的距离库的位置灰度值设为1，表示代表具有“电磁干扰”的标签；将具有正常回波和背景的距离库的灰度值设为0，表示为“其他信号”的标签。最终得到与所述功率信号数据相同大小且距离库一一对应的标签数据，将得到的标签数据作为所述电磁干扰识别模型的输入。而所述电磁干扰识别模型的输入是由I/Q信号数据进行回波参数估计并且根据上述步骤转化后的功率信号数据P，而对应输出为表现形式为灰度图像信号的标签。训练集与测试集的划分比例为训练集：测试集为7：3。
步骤5：根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
因此，由上可知，将得到的标签数据作为所述电磁干扰识别模型的输入，通过softmax层输出预测的结果，输出结果是表现形式为灰度图像信号的标签数据。
步骤6：电磁干扰抑制，具体步骤如下：
将所述电磁干扰识别模型预测得到的结果命名为
Figure 693429DEST_PATH_IMAGE024
，可看作正常回波与 电磁干扰的具***置分布。在相同距离下的各脉冲之间遍历
Figure 705247DEST_PATH_IMAGE024
，当读取到预测结 果为电磁干扰的标签时，在该位置标记为N1，并且继续往下遍历，当读取到正常回波时在该 位置标记为N2，那么N1~（N2-1）之间的距离库则为电磁干扰的距离库，以外的位置为正常回 波；在所述I/Q信号数据中分别读取相同位置的距离库的值为V1，N2位置的值为V2，进行线性 插值，最后在所述I/Q信号数据中将N1~（N2-1）之间的距离库替换为插值结果，则完成各脉冲 之间同一距离上的电磁干扰的抑制；对所有距离遍历并重复上述插值的步骤，直至完成所 有所述功率信号数据中电磁干扰的抑制。
在一个优选地实施例中，在步骤3之前还包括数据的切割，具体步骤如下：
将所述I/Q信号数据进行切割，设功率信号数据一个脉冲中有
Figure 794426DEST_PATH_IMAGE025
个距离库，共有
Figure 385944DEST_PATH_IMAGE026
个脉冲，功率信号数据的尺寸则为
Figure 876969DEST_PATH_IMAGE027
，根据实际的硬件情况设置切割大小，切割得 到的数据尺寸设为
Figure 262951DEST_PATH_IMAGE028
，相应的模型的输出尺寸也为
Figure 107934DEST_PATH_IMAGE028
；
将功率信号数据先按照
Figure 237564DEST_PATH_IMAGE028
进行切割，首先取
Figure 583095DEST_PATH_IMAGE029
个脉冲，按照
Figure 405558DEST_PATH_IMAGE030
个距离库的长度进行切割，切割完毕后，再向下平移
Figure 469328DEST_PATH_IMAGE029
个脉冲重复切割流程，并且在这 过程中需要记录切割的顺序；
在切割时可能存在
Figure 402649DEST_PATH_IMAGE025
或
Figure 602687DEST_PATH_IMAGE026
不是
Figure 596050DEST_PATH_IMAGE030
和
Figure 147117DEST_PATH_IMAGE029
的整数倍的情况，则会留下距离库数或 脉冲数不到
Figure 618550DEST_PATH_IMAGE030
和
Figure 938673DEST_PATH_IMAGE029
的功率信号数据的情况，因此，在训练时不满足输入为
Figure 102938DEST_PATH_IMAGE028
的情况时，则会将功率信号数据和标签进行插值，将尺寸扩展到
Figure 875722DEST_PATH_IMAGE028
的大小之后 再进行训练；
在预测时，首先按照前文的步骤将数据进行切割，当输入尺寸不满足
Figure 150846DEST_PATH_IMAGE028
时，依旧进行插值，但是在预测结果还要进行抽取将尺寸恢复到原有尺寸，最后将模型的预 测结果按照记录的顺序进行拼接，最终得到与功率信号数据尺寸相同的预测结果。
具体的切割方式说明如下：
切割大小为512个脉冲*512个距离库；
切割完成后，再向下平移512个脉冲重复切割步骤，并记录切割的顺序；
若所述电磁干扰识别模型训练时，切割后剩余距离库数或脉冲数不足512，则将功率信号数据进行插值将尺寸扩展到512个脉冲*512个距离库的大小之后再进行训练；
若所述电磁干扰识别模型进行电磁干扰预测时，切割后剩余距离库数或脉冲数不足512，则将功率信号数据进行插值将尺寸扩展到512个脉冲*512个距离库的大小之后再进行电磁干扰预测，并在预测结果中进行抽取将尺寸恢复到原有尺寸，最后将预测结果按照记录的顺序进行拼接，最终得到与功率信号数据尺寸相同的预测结果。
在一个优选地实施例中，本发明采用动态调整学习率的方法，这种方法能够根据 训练步长动态调整学习率的方法帮助模型在加快收敛模型的同时也能够跳出局部最优解。 该方法共分为两个阶段，它们分别是学习率上升阶段（warm up） 和余弦退火阶段（cosine annealing），每完成一次迭代后则表示完成一次步长，需要动态调整一次学习率，记录当前 进行的步长为
Figure 591054DEST_PATH_IMAGE031
，训练过程需要总步数
Figure 660641DEST_PATH_IMAGE032
。
学习率上升阶段是一个线性增长的过程，该过程具有固定步长
Figure 186301DEST_PATH_IMAGE033
，刚开 始训练时学习率初始值为
Figure 999536DEST_PATH_IMAGE034
，而余弦退火阶段开始时下降的学习率为
Figure 294251DEST_PATH_IMAGE035
。那么学 习率上升阶段阶段的学习率
Figure 534739DEST_PATH_IMAGE036
则为：
Figure 547695DEST_PATH_IMAGE037
；
在
Figure 961359DEST_PATH_IMAGE038
时学习率上升阶段阶段完成之后就进入余弦退火阶段，本文 中设定最小学习率为
Figure 48263DEST_PATH_IMAGE034
，最大学习率为
Figure 521970DEST_PATH_IMAGE035
，并且在训练过程中保持不变，因此余弦 退火阶段的学习率
Figure 756642DEST_PATH_IMAGE039
的计算公式将该阶段简化为：
Figure 911680DEST_PATH_IMAGE040
；
本发明中的参数取
Figure 180987DEST_PATH_IMAGE041
，
Figure 763278DEST_PATH_IMAGE042
；学习率上升过程的步 数
Figure 485247DEST_PATH_IMAGE043
。
下面以测试结果为例进行说明。
本发明中采用UNet和ResNet50结合的全卷积神经网络结构，测试比对参考是基于DeepLab V3+的网络结构模型。
通过测试，可以得到上述两种网络结构模型对于电磁干扰的识别的评估结果，下表1是上述两种网络结构模型预测得到电磁干扰标签的精确度和召回率。可以看出本发明的精确度较高，相较于DeepLab V3+可以比较精确的定位存在电磁干扰的距离库。
Figure 243643DEST_PATH_IMAGE044
图2抽取的是在各个I/Q信号数据中拥有电磁干扰较为严重的脉冲的识别与抑制效果，从图中可以看出，采用本发明的网络结构模型预测得到的边缘精确度高于DeepLabV3+。
对于抑制结果，边缘更加模糊的DeepLab V3+对范围较为广泛且强度较强的电磁干扰抑制效果在测试数据中更好。但是，边缘的预测不精确可能对抑制带来潜在问题，可能会把具有电磁干扰的距离库作为插值需要的参数带入计算，对抑制效果产生了劣化，反而加重电磁干扰带来的影响，如图3，黑框中为识别边缘模糊带来了抑制效果的劣化。综合考虑识别准确度和抑制效果，在I/Q数据中的电磁干扰的识别的工作上，本发明更加优于DeepLab V3+。
实施例二
如图4所示，公开了一种基于I/Q数据的DCNN电磁干扰识别装置，包括：
回波参数估计模块：用于获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据；
电磁干扰识别模型：基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同；
模型训练模块：通过I/Q信号数据对所述电磁干扰识别模型进行训练；
模型预测模块：根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
在一个优选地实施例中，所述回波参数估计模块具体用于：
通过零延迟自相关函数
Figure 101877DEST_PATH_IMAGE001
计算得到I/Q信号数据的功率谱密度，零延迟自相 关函数
Figure 917387DEST_PATH_IMAGE001
计算公式如下：
Figure 64334DEST_PATH_IMAGE002
；
通过一阶延迟自相关函数
Figure 623492DEST_PATH_IMAGE003
计算多普勒速度和谱宽，一阶延迟自相关函数
Figure 539495DEST_PATH_IMAGE003
计算公式如下：
Figure 791485DEST_PATH_IMAGE004
；
其中，N为一个脉冲上采样点数，
Figure 425728DEST_PATH_IMAGE005
为第n个距离库的值，
Figure 788577DEST_PATH_IMAGE006
为
Figure 559087DEST_PATH_IMAGE005
的共轭复数，
Figure 981978DEST_PATH_IMAGE007
为脉冲重复周期。
在一个优选地实施例中，所述装置还包括数据集制定模块：将所述功率信号数据单位转化为分贝（dB），再进行标准化到灰度0-255之间，将所述功率信号数据转化为灰度图像数据；通过横向与纵向的Sobel算子提取标准化后的所述功率信号数据中回波与背景的边缘，用于加强每条脉冲中各距离库的回波信号的边缘，以及每条脉冲之间回波信号的边缘；通过二值化，并采用人工调节阈值的方式将电磁干扰和正常回波与背景分离；创建与所述功率信号数据尺寸相同的灰度图像作为标签，将具有电磁干扰的距离库的位置灰度值设为1，具有正常回波和背景的距离库的灰度值设为0，得到与所述功率信号数据相同大小且距离库一一对应的标签数据，将得到的标签数据作为所述电磁干扰识别模型的输入。
在一个优选地实施例中，模型预测模块具体用于：将得到的标签数据作为所述电磁干扰识别模型的输入，通过softmax层输出预测的结果，输出结果是表现形式为灰度图像信号的标签数据。
在一个优选地实施例中，所述装置还包括电磁干扰抑制模块：在相同距离下的各脉冲之间遍历所述电磁干扰识别模型的输出结果，当读取到预测结果为电磁干扰的标签时，在该位置标记为N1，并且继续往下遍历，当读取到正常回波时在该位置标记为N2，那么N1~（N2-1）之间的距离库则为电磁干扰的距离库，以外的位置为正常回波；在所述I/Q信号数据中分别读取相同位置的距离库的值为V1，N2位置的值为V2，进行线性插值，最后在所述I/Q信号数据中将N1~（N2-1）之间的距离库替换为插值结果，则完成各脉冲之间同一距离上的电磁干扰的抑制；对所有距离遍历并重复上述插值的步骤，直至完成所有所述功率信号数据中电磁干扰的抑制。
在一个优选地实施例中，所述装置还包括数据切割模块：将所述I/Q信号数据进行 切割，设功率信号数据一个脉冲中有
Figure 103517DEST_PATH_IMAGE025
个距离库，共有
Figure 4477DEST_PATH_IMAGE026
个脉冲，功率信号数据的尺寸则 为
Figure 895073DEST_PATH_IMAGE027
，根据实际的硬件情况设置切割大小，切割得到的数据尺寸设为
Figure 488865DEST_PATH_IMAGE028
， 相应的模型的输出尺寸也为
Figure 832122DEST_PATH_IMAGE028
；将功率信号数据先按照
Figure 802352DEST_PATH_IMAGE028
进行切 割，首先取
Figure 547454DEST_PATH_IMAGE029
个脉冲，按照
Figure 312148DEST_PATH_IMAGE030
个距离库的长度进行切割，切割完毕后，再向下平移
Figure 142700DEST_PATH_IMAGE029
个脉冲重复切割流程，并且在这过程中需要记录切割的顺序；在切割时可能存在
Figure 385463DEST_PATH_IMAGE025
或
Figure 250651DEST_PATH_IMAGE026
不是
Figure 186246DEST_PATH_IMAGE030
和
Figure 504095DEST_PATH_IMAGE029
的整数倍的情况，则会留下距离库数或脉冲数不到
Figure 550548DEST_PATH_IMAGE030
和
Figure 270242DEST_PATH_IMAGE029
的功率信号数据的情况，因此，在训练时不满足输入为
Figure 376739DEST_PATH_IMAGE028
的情况时，则会将功 率信号数据和标签进行插值，将尺寸扩展到
Figure 181884DEST_PATH_IMAGE028
的大小之后再进行训练；在预测 时，首先按照前文的步骤将数据进行切割，当输入尺寸不满足
Figure 766449DEST_PATH_IMAGE028
时，依旧进行 插值，但是在预测结果还要进行抽取将尺寸恢复到原有尺寸，最后将模型的预测结果按照 记录的顺序进行拼接，最终得到与功率信号数据尺寸相同的预测结果。
需要说明的是，本发明实施例一种基于I/Q数据的DCNN电磁干扰识别装置是对应上述实施例一种基于I/Q数据的DCNN电磁干扰识别方法，在所述一种基于I/Q数据的DCNN电磁干扰识别装置中还包括若干单元，用于对应上述一种基于I/Q数据的DCNN电磁干扰识别方法的相应步骤，实现相应的功能。由于上述实施例中已经对一种基于I/Q数据的DCNN电磁干扰识别方法的步骤进行了详细的说明，故在此装置中不再赘述。
实施例三
如图5所示，公开了一种基于I/Q数据的DCNN电磁干扰识别设备，所述设备5包括存储器51、处理器52以及存储在所述存储器51中并可在所述处理器52上运行的计算机程序53，所述处理器52执行所述计算机程序53时实现一种基于I/Q数据的DCNN电磁干扰识别方法的部分或全部步骤。
实施例四
公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于I/Q数据的DCNN电磁干扰识别方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory ，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，包括以下步骤：
获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据；
基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同；
通过I/Q信号数据对所述电磁干扰识别模型进行训练，再根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
2.如权利要求1所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，对I/Q信号数据进行回波参数估计，具体包括：
通过零延迟自相关函数
Figure 293881DEST_PATH_IMAGE001
计算得到I/Q信号数据的功率谱密度，零延迟自相关函 数
Figure 742180DEST_PATH_IMAGE001
计算公式如下：
Figure 256337DEST_PATH_IMAGE002
；
通过一阶延迟自相关函数
Figure 448284DEST_PATH_IMAGE003
计算多普勒速度和谱宽，一阶延迟自相关函数
Figure 997077DEST_PATH_IMAGE003
计算公式如下：
Figure 616278DEST_PATH_IMAGE004
；
其中，N为一个脉冲上采样点数，
Figure 617732DEST_PATH_IMAGE005
为第n个距离库的值，
Figure 613369DEST_PATH_IMAGE006
为
Figure 16669DEST_PATH_IMAGE005
的共 轭复数，
Figure 806770DEST_PATH_IMAGE007
为脉冲重复周期。
3.如权利要求1或2所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，所述根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测，之前还包括：
将功率信号数据的单位转化为分贝（dB），再进行标准化到灰度0-255之间，将功率信号数据转化为灰度图像数据；
通过横向与纵向的Sobel算子提取标准化后的所述功率信号数据中回波与背景的边缘，用于加强每条脉冲中各距离库的回波信号的边缘，以及每条脉冲之间回波信号的边缘；
通过二值化，并采用人工调节阈值的方式将电磁干扰和正常回波与背景分离；
创建与所述功率信号数据尺寸相同的灰度图像作为标签，将具有电磁干扰的距离库的位置灰度值设为1，具有正常回波和背景的距离库的灰度值设为0，得到与所述功率信号数据相同大小且距离库一一对应的标签数据，将得到的标签数据作为所述电磁干扰识别模型的输入。
4.如权利要求3所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，所述根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测，具体包括：将得到的标签数据作为所述电磁干扰识别模型的输入，通过softmax层输出预测的结果，输出结果是表现形式为灰度图像信号的标签数据。
5.如权利要求4所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，所述方法还包括：
在相同距离下的各脉冲之间遍历所述电磁干扰识别模型的输出结果，当读取到预测结果为电磁干扰的标签时，在该位置标记为N1，并且继续往下遍历，当读取到正常回波时在该位置标记为N2，那么N1~（N2-1）之间的距离库则为电磁干扰的距离库，以外的位置为正常回波；
在所述I/Q信号数据中分别读取相同位置的距离库的值为V1，N2位置的值为V2，进行线性插值，最后在所述I/Q信号数据中将N1~（N2-1）之间的距离库替换为插值结果，则完成各脉冲之间同一距离上的电磁干扰的抑制；
对所有距离遍历并重复上述插值的步骤，直至完成所有所述功率信号数据中电磁干扰的抑制。
6.如权利要求1所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，在所述电磁干扰识别模型训练，之前还包括：
将所述I/Q信号数据进行切割，设功率信号数据一个脉冲中有
Figure 92258DEST_PATH_IMAGE008
个距离库，共有
Figure 563691DEST_PATH_IMAGE009
个 脉冲，功率信号数据的尺寸则为
Figure 883814DEST_PATH_IMAGE010
，根据实际的硬件情况设置切割大小，切割得到的 数据尺寸设为
Figure 48079DEST_PATH_IMAGE011
，相应的模型的输出尺寸也为
Figure 86442DEST_PATH_IMAGE011
；
将功率信号数据先按照
Figure 95986DEST_PATH_IMAGE011
进行切割，首先取
Figure 536195DEST_PATH_IMAGE012
个脉冲，按照
Figure 605782DEST_PATH_IMAGE013
个距 离库的长度进行切割，切割完毕后，再向下平移
Figure 131441DEST_PATH_IMAGE012
个脉冲重复切割流程，并且在这过程 中需要记录切割的顺序；
在切割时可能存在
Figure 741414DEST_PATH_IMAGE008
或
Figure 973813DEST_PATH_IMAGE009
不是
Figure 542197DEST_PATH_IMAGE013
和
Figure 492836DEST_PATH_IMAGE012
的整数倍的情况，则会留下距离库数或脉 冲数不到
Figure 109762DEST_PATH_IMAGE013
和
Figure 258983DEST_PATH_IMAGE012
的功率信号数据的情况，因此，在训练时不满足输入为
Figure 935952DEST_PATH_IMAGE011
的情况时，则会将功率信号数据和标签进行插值，将尺寸扩展到
Figure 170625DEST_PATH_IMAGE011
的大小之后 再进行训练；
在预测时，首先按照前文的步骤将数据进行切割，当输入尺寸不满足
Figure 325662DEST_PATH_IMAGE011
时，依旧进行插值，但是在预测结果还要进行抽取将尺寸恢复到原有尺寸，最后将模型的预 测结果按照记录的顺序进行拼接，最终得到与功率信号数据尺寸相同的预测结果。
7.如权利要求1所述的一种基于I/Q数据的DCNN电磁干扰识别方法，其特征在于，所述电磁干扰识别模型采用UNet和ResNet50结合的全卷积神经网络结构，所述编码器将每一次下采样得到的特征图都参与到所述解码器的上采样过程中。
8.一种基于I/Q数据的DCNN电磁干扰识别装置，其特征在于，包括：
回波参数估计模块：用于获取I/Q信号数据，对其进行回波参数估计，得到功率信号数据；
电磁干扰识别模型：基于全卷积神经网络构建电磁干扰识别模型，所述电磁干扰识别模型包括编码器和解码器，所述编码器用于对I/Q信号数据进行回波参数估计后得到的功率信号数据进行多次的卷积与池化的操作，并应用残差结构加深网络深度对所述功率信号数据做下采样，提取电磁干扰和其他信号的特征；所述解码器用于对所述功率信号数据做上采样，并将所述编码器提取得到的电磁干扰和其他信号的特征进行扩充，使得所述解码器的输出尺寸与输入尺寸相同；
模型训练模块：通过I/Q信号数据对所述电磁干扰识别模型进行训练；
模型预测模块：根据所述功率信号数据和所述电磁干扰识别模型进行电磁干扰预测。
CN202211293372.9A 2022-10-21 2022-10-21 一种基于i/q数据的dcnn电磁干扰识别方法及装置 Active CN115372928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211293372.9A CN115372928B (zh) 2022-10-21 2022-10-21 一种基于i/q数据的dcnn电磁干扰识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211293372.9A CN115372928B (zh) 2022-10-21 2022-10-21 一种基于i/q数据的dcnn电磁干扰识别方法及装置

Publications (2)

Publication Number Publication Date
CN115372928A true CN115372928A (zh) 2022-11-22
CN115372928B CN115372928B (zh) 2023-02-28

Family

ID=84073021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211293372.9A Active CN115372928B (zh) 2022-10-21 2022-10-21 一种基于i/q数据的dcnn电磁干扰识别方法及装置

Country Status (1)

Country Link
CN (1) CN115372928B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944192A (ja) * 1995-07-28 1997-02-14 Victor Co Of Japan Ltd 楽音データの符号化装置及び復号化装置
JP2006351086A (ja) * 2005-06-14 2006-12-28 Epson Toyocom Corp 光路補正装置とこれを用いた光ピックアップ
AU2011349050A1 (en) * 2010-12-23 2013-04-04 Crc Care Pty Ltd Analyte ion detection method and device
US20200252318A1 (en) * 2019-02-04 2020-08-06 General Dynamics Mission Systems, Inc. Machine learning training system for identification or classification of wireless signals
CN113098565A (zh) * 2021-04-02 2021-07-09 甘肃工大舞台技术工程有限公司 基于深度网络的舞台载波通信自适应跳频抗干扰技术
CN113298846A (zh) * 2020-11-18 2021-08-24 西北工业大学 基于时频语义感知的干扰智能检测方法
WO2021208061A1 (en) * 2020-04-17 2021-10-21 Qualcomm Incorporated Configurable neural network for channel state feedback (csf) learning
CN114114194A (zh) * 2021-12-14 2022-03-01 哈尔滨工业大学 一种相控阵雷达主瓣干扰识别方法
KR20220050467A (ko) * 2020-10-16 2022-04-25 인천대학교 산학협력단 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템
US20220129607A1 (en) * 2020-10-28 2022-04-28 Fujitsu Limited Computer-readable recording medium storing machine learning program, information processing apparatus, and machine learning method
CN114509731A (zh) * 2022-01-24 2022-05-17 电子科技大学 一种基于双阶段深度网络的雷达主瓣抗干扰方法
CN114898160A (zh) * 2022-06-02 2022-08-12 电子科技大学 基于多任务的断层智能识别方法
CN114936570A (zh) * 2022-01-21 2022-08-23 南京航空航天大学 基于轻量化cnn网络的干扰信号智能识别方法
CN115032500A (zh) * 2022-06-10 2022-09-09 国网山东省电力公司日照供电公司 一种基于大数据分析的并网故障识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944192A (ja) * 1995-07-28 1997-02-14 Victor Co Of Japan Ltd 楽音データの符号化装置及び復号化装置
JP2006351086A (ja) * 2005-06-14 2006-12-28 Epson Toyocom Corp 光路補正装置とこれを用いた光ピックアップ
AU2011349050A1 (en) * 2010-12-23 2013-04-04 Crc Care Pty Ltd Analyte ion detection method and device
US20200252318A1 (en) * 2019-02-04 2020-08-06 General Dynamics Mission Systems, Inc. Machine learning training system for identification or classification of wireless signals
WO2021208061A1 (en) * 2020-04-17 2021-10-21 Qualcomm Incorporated Configurable neural network for channel state feedback (csf) learning
KR20220050467A (ko) * 2020-10-16 2022-04-25 인천대학교 산학협력단 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템
US20220129607A1 (en) * 2020-10-28 2022-04-28 Fujitsu Limited Computer-readable recording medium storing machine learning program, information processing apparatus, and machine learning method
CN113298846A (zh) * 2020-11-18 2021-08-24 西北工业大学 基于时频语义感知的干扰智能检测方法
CN113098565A (zh) * 2021-04-02 2021-07-09 甘肃工大舞台技术工程有限公司 基于深度网络的舞台载波通信自适应跳频抗干扰技术
CN114114194A (zh) * 2021-12-14 2022-03-01 哈尔滨工业大学 一种相控阵雷达主瓣干扰识别方法
CN114936570A (zh) * 2022-01-21 2022-08-23 南京航空航天大学 基于轻量化cnn网络的干扰信号智能识别方法
CN114509731A (zh) * 2022-01-24 2022-05-17 电子科技大学 一种基于双阶段深度网络的雷达主瓣抗干扰方法
CN114898160A (zh) * 2022-06-02 2022-08-12 电子科技大学 基于多任务的断层智能识别方法
CN115032500A (zh) * 2022-06-10 2022-09-09 国网山东省电力公司日照供电公司 一种基于大数据分析的并网故障识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王亮 等: "基于机器学习的布里渊信号分析方法的研究进展", 《激光与光电子学进展》 *
苏丹宁 等: "小样本雷达辐射源识别的深度学习方法综述", 《计算机科学》 *

Also Published As

Publication number Publication date
CN115372928B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
CN116310360B (zh) 一种电抗器表面缺陷检测方法
CN111123257B (zh) 基于图时空网络的雷达动目标多帧联合检测方法
CN110109060B (zh) 一种基于深度学习网络的雷达辐射源信号分选方法及***
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN111541511B (zh) 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN115291210B (zh) 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法
CN113221781B (zh) 一种基于多任务深度卷积神经网络的载波信号检测方法
CN108961255B (zh) 基于相位线性度和功率的海陆噪声场景分割方法
CN111754545B (zh) 一种基于iou匹配的双滤波器视频多目标跟踪方法
Yang et al. Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs
CN116012364B (zh) Sar图像变化检测方法和装置
CN110084181B (zh) 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法
CN110940971A (zh) 一种雷达目标点迹录取方法、装置及存储介质
CN116908853B (zh) 高相干点选取方法、装置和设备
CN107424166A (zh) 点云分割方法及装置
CN115856786A (zh) 一种基于信号分割的智能干扰抑制方法
CN102081799A (zh) 基于邻域相似性及双窗口滤波的sar图像变化检测方法
CN115372928B (zh) 一种基于i/q数据的dcnn电磁干扰识别方法及装置
CN116342656B (zh) 一种基于自适应边缘检测的时空图像测速方法和装置
CN116681936A (zh) 基于单级式卷积神经网络的地波雷达杂波分类识别方法
CN111583267A (zh) 基于广义模糊c均值聚类的快速sar图像旁瓣抑制方法
Li et al. Object representation for multi-beam sonar image using local higher-order statistics
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
CN116756486A (zh) 基于声光电磁多源数据融合的海上目标识别方法及装置

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