-
公开(公告)号：CN117786521B
公开(公告)日：2024-04-19
申请号：CN202410203539.0
申请日：2024-02-23
Applicant: 兰州交通大学
IPC: G06F18/2413 , G06F18/214 , G06F18/213 , G06F18/15
Abstract: 本发明公开了基于智能频谱感知的信号分类方法，涉及电磁信号检测技术领域。通过获取识别信号构建局部放电PRPD图谱样本，采集统计特征量，构建放电类型的所述统计特征量的识别权重矩阵，以获取的识别权重矩阵构建加权特征量，加入KNN算法模型进行训练获得判决分类模型，实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述采样信号的信号能量，根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决，并当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型。
-
公开(公告)号：CN119167133A
公开(公告)日：2024-12-20
申请号：CN202411085515.6
申请日：2024-08-08
Applicant: 兰州交通大学
IPC: G06F18/24 , G06F18/25 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种对比学习网络的射频指纹分类方法，涉及射频指纹识别技术领域。传统射频指纹识别算法容易受到信道干扰，识别准确率不高。针对上述问题，本文从预处理方法和基于深度学习的分类算法入手；首先，通过获取10台hackRF one发射机的IQ信号构建不同调制方式和功率的无线电信号真实数据集；然后，提取通信辐射源发射信号的多个变换域特征，并组合这些特征为多域特征，分别从时域、频域和高阶谱域的信号预处理进行数据增强，构建多通道卷积神经网络，利用多通道卷积操作对多域特征进行深层次提取；最后，使用对比学习模型对不同发射机的信号进行数据增强之后的特征向量进行特征对比，提取射频指纹的特征并对发射机进行身份识别。
-
公开(公告)号：CN117786521A
公开(公告)日：2024-03-29
申请号：CN202410203539.0
申请日：2024-02-23
Applicant: 兰州交通大学
IPC: G06F18/2413 , G06F18/214 , G06F18/213 , G06F18/15
Abstract: 本发明公开了基于智能频谱感知的信号分类方法，涉及电磁信号检测技术领域。通过获取识别信号构建局部放电PRPD图谱样本，采集统计特征量，构建放电类型的所述统计特征量的识别权重矩阵，以获取的识别权重矩阵构建加权特征量，加入KNN算法模型进行训练获得判决分类模型，实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述采样信号的信号能量，根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决，并当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型。
-
公开(公告)号：CN119167133B
公开(公告)日：2025-03-21
申请号：CN202411085515.6
申请日：2024-08-08
Applicant: 兰州交通大学
IPC: G06F18/24 , G06F18/25 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种对比学习网络的射频指纹分类方法，涉及射频指纹识别技术领域。传统射频指纹识别算法容易受到信道干扰，识别准确率不高。针对上述问题，本文从预处理方法和基于深度学习的分类算法入手；首先，通过获取10台hackRF one发射机的IQ信号构建不同调制方式和功率的无线电信号真实数据集；然后，提取通信辐射源发射信号的多个变换域特征，并组合这些特征为多域特征，分别从时域、频域和高阶谱域的信号预处理进行数据增强，构建多通道卷积神经网络，利用多通道卷积操作对多域特征进行深层次提取；最后，使用对比学习模型对不同发射机的信号进行数据增强之后的特征向量进行特征对比，提取射频指纹的特征并对发射机进行身份识别。
-
-
-
Search Results
4
records
(took 0.013 seconds)
