-
公开(公告)号：CN114553364B
公开(公告)日：2024-11-01
申请号：CN202210189825.7
申请日：2022-02-28
Applicant: 桂林电子科技大学
IPC: H04K3/00 , G06F18/241 , G06N3/063
Abstract: 本发明公开了一种基于PYNQ的无人机识别系统及识别方，所述无人机识别系统采用信号接收装置接收待识别无人机信号，将信号通过RJ45接口传送给PYNQ‑Z2，从接收到的射频信号中提取三阶累积量，作为每台无人机唯一的射频指纹特征，基于得到的无人机射频指纹特征，使用神经网络对射频指纹特征进行分类，利用神经网络加速IP核进行加速计算，可以对需要进行认证的无人机身份进行实时识别和认证。
-
公开(公告)号：CN114239749B
公开(公告)日：2024-04-05
申请号：CN202111593241.8
申请日：2021-12-23
Applicant: 桂林电子科技大学
IPC: G06F18/214 , G06N3/0442 , G06N3/049 , G06N3/084
Abstract: 本发明公开了一种基于残差收缩及双向长短期记忆网络的调制识别方法，其特征在于，包括如下步骤：1）信号预处理；2）构建基于残差收缩及双向长短期记忆网络训练模型；3）训练网络；4）分类识别。这种方法训练特征参数少、步骤简洁、复杂度低，无需对信号进行复杂的预处理及人工特征提取，省去了人为提取特征的时间成本，适用范围广、抗噪性能好、识别精度高。
-
公开(公告)号：CN114218984B
公开(公告)日：2024-03-22
申请号：CN202111488160.1
申请日：2021-12-07
Applicant: 桂林电子科技大学
IPC: G06F18/241 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于多视图学习的射频指纹识别方法，其特包括如下步骤：1）采集每个待识别无线设备射频信号；2）数据处理并加噪声；3）分割数据并制作数据集一、二和三；4）设计复数值神经网络子组件并搭建复数值神经网；5）搭建子神经网络一6）搭建二维卷积神经网络二、三；7）合成多视图神经网络；8）训练神经网络；9）射频指纹识别。这种方法能利用样本数据并让计算机自动提取信号指纹特征，对样本数量要求降低的同时能改善低信噪比时的识别精度，数据特征提取效率高识别精度高。
-
公开(公告)号：CN112087774B
公开(公告)日：2023-04-18
申请号：CN202010961558.1
申请日：2020-09-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于残差神经网络的通信辐射源个体识别方法，其特征在于，包括如下步骤：1）接收通信辐射源信号；2）计算信号的双谱；3）实际信号双谱非参数间接估计；4）获得双谱等高图；5）训练残差网络；6）采用训练好的残差神经网络检测识别不同的通信辐射源。这种方法能减少信号噪声干扰、计算量小、识别的准确率高。
-
公开(公告)号：CN113162879B
公开(公告)日：2022-06-21
申请号：CN202110479674.4
申请日：2021-04-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种联合特征提取的调制信号识别方法，其特征在于，包括如下步骤：1）信号接收；2）信号预处理；3）特征参数提取；4）设置判决门限；5）分类识别。这种方法所需特征参数少、步骤简洁、复杂度低，在低信噪比下识别率高且能弥补高阶累计量单一特征的局限，适用于多种不同类型的调制信号识别。
-
Patent Agency Ranking
公开(公告)号：CN111652183B
公开(公告)日：2022-03-29
申请号：CN202010565503.9
申请日：2020-06-19
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于图传信号多特征融合的无人机检测与识别方法，其特征在于，包括如下步骤：1）信号采集；2）分段信号FFT处理；3）分段频谱重建；4）信号累积；5）阈值建立；6）循环判断；7）疑似OFDM信号判断；8）滑动移位循环自相关算法；9）建立特征库10）信号识别。这种方法能够在低信噪比下对无人机进行识别，具有较高的识别率，易于实际工程。
-
公开(公告)号：CN114239749A
公开(公告)日：2022-03-25
申请号：CN202111593241.8
申请日：2021-12-23
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于残差收缩及双向长短期记忆网络的调制识别方法，其特征在于，包括如下步骤：1）信号预处理；2）构建基于残差收缩及双向长短期记忆网络训练模型；3）训练网络；4）分类识别。这种方法训练特征参数少、步骤简洁、复杂度低，无需对信号进行复杂的预处理及人工特征提取，省去了人为提取特征的时间成本，适用范围广、抗噪性能好、识别精度高。
-
公开(公告)号：CN114218984A
公开(公告)日：2022-03-22
申请号：CN202111488160.1
申请日：2021-12-07
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多视图学习的射频指纹识别方法，其特包括如下步骤：1）采集每个待识别无线设备射频信号；2）数据处理并加噪声；3）分割数据并制作数据集一、二和三；4）设计复数值神经网络子组件并搭建复数值神经网；5）搭建子神经网络一6）搭建二维卷积神经网络二、三；7）合成多视图神经网络；8）训练神经网络；9）射频指纹识别。这种方法能利用样本数据并让计算机自动提取信号指纹特征，对样本数量要求降低的同时能改善低信噪比时的识别精度，数据特征提取效率高识别精度高。
-
公开(公告)号：CN112087774A
公开(公告)日：2020-12-15
申请号：CN202010961558.1
申请日：2020-09-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于残差神经网络的通信辐射源个体识别方法，其特征在于，包括如下步骤：1）接收通信辐射源信号；2）计算信号的双谱；3）实际信号双谱非参数间接估计；4）获得双谱等高图；5）训练残差网络；6）采用训练好的残差神经网络检测识别不同的通信辐射源。这种方法能减少信号噪声干扰、计算量小、识别的准确率高。
-
公开(公告)号：CN114578308B
公开(公告)日：2024-04-16
申请号：CN202210227195.8
申请日：2022-03-08
Applicant: 桂林电子科技大学
IPC: G01S7/41 , G01S13/06 , G06F18/213
Abstract: 本发明公开了一种基于混合多普勒的旋翼目标特征提取方法，其特征是，包括如下步骤：1）构建圆阵天线与旋翼目标的数学模型、推导回波信号函数；2）混合多普勒特征分析；3）发射不同模态涡旋电磁波束、对回波进行信号处理；4）目标特征参数估计；5）目标识别。本发明实验结果表明，分析混合多普勒特征，可有效反演出旋翼目标的叶片数、叶片长度、转速、位置信息等多个特征，相比于传统单一多普勒特征提取，对旋翼目标的具体识别能提供更多更充分的依据。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.045 seconds)
