-
公开(公告)号：CN115935154A
公开(公告)日：2023-04-07
申请号：CN202310232775.0
申请日：2023-03-13
Applicant: 南京邮电大学
IPC: G06F18/211 , G06F18/2136 , G06F18/2431 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其以遴选出稀疏特征进行信号识别为目标，首先获取物联网WiFi设备信号，输入搭建的复数卷积神经网络，实现原始特征的提取；接着为特征层添加稀疏参数，并在损失函数中加入正则化项对稀疏参数进行约束；然后采用随机梯度下降算法与近端梯度下降算法对稀疏参数进行反向传播过程；最后得到稀疏特征，并实现信号识别任务。本发明解决了网络提取的原始特征冗余而造成的信号识别任务准确率下降与资源浪费的问题，适用于多种不同的射频信号，在射频信号识别领域具有较高的应用价值。
-
公开(公告)号：CN115935154B
公开(公告)日：2023-11-24
申请号：CN202310232775.0
申请日：2023-03-13
Applicant: 南京邮电大学
IPC: G06F18/211 , G06F18/2136 , G06F18/2431 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其以遴选出稀疏特征进行信号识别为目标，首先获取物联网WiFi设备信号，输入搭建的复数卷积神经网络，实现原始特征的提取；接着为特征层添加稀疏参数，并在损失函数中加入正则化项对稀疏参数进行约束；然后采用随机梯度下降算法与近端梯度下降算法对稀疏参数进行反向传播过程；最后得到稀疏特征，并实现信号识别任务。本发明解决了网络提取的原始特征冗余而造成的信号识别任务准确率下降与资源浪费的问题，适用于多种不同的射频信号，在射频信号识别领域具有较高的应用价值。
-
公开(公告)号：CN116010804B
公开(公告)日：2023-07-04
申请号：CN202310050128.8
申请日：2023-02-01
Applicant: 南京邮电大学
IPC: G06F18/213 , G06F18/214 , G06N3/096
Abstract: 本发明公开了一种基于深度学习与知识迁移的物联网设备小样本识别方法，以物联网设备识别为目标，首先搭建用于源域物联网设备识别的深度特征提取模型与特征识别模型，然后将源域深度特征提取模型作为目标域的初始化深度特征提取模型，并搭建用于目标域物联网设备识别的初始化特征识别模型，最后利用小样本目标域物联网设备电磁信号样本微调目标域的初始化深度特征提取模型与特征识别模型，以最大平均误差函数评估源域与目标域深层特征的分布差异，有效地实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的深度特征提取模型与特征识别模型，最终实现小样本场景下的物联网设备识别，解决了因样本量不足而无法准确识别设备类别的问题。
-
公开(公告)号：CN116010804A
公开(公告)日：2023-04-25
申请号：CN202310050128.8
申请日：2023-02-01
Applicant: 南京邮电大学
IPC: G06F18/213 , G06F18/214 , G06N3/096
Abstract: 本发明公开了一种基于深度学习与知识迁移的物联网设备小样本识别方法，以物联网设备识别为目标，首先搭建用于源域物联网设备识别的深度特征提取模型与特征识别模型，然后将源域深度特征提取模型作为目标域的初始化深度特征提取模型，并搭建用于目标域物联网设备识别的初始化特征识别模型，最后利用小样本目标域物联网设备电磁信号样本微调目标域的初始化深度特征提取模型与特征识别模型，以最大平均误差函数评估源域与目标域深层特征的分布差异，有效地实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的深度特征提取模型与特征识别模型，最终实现小样本场景下的物联网设备识别，解决了因样本量不足而无法准确识别设备类别的问题。
-
-
-
Search Results
4
records
(took 0.076 seconds)
