公开(公告)号：CN119669886A

公开(公告)日：2025-03-21

申请号：CN202411811527.2

申请日：2024-12-10

Applicant: 西安电子科技大学

Inventor： 石晓然 ,  张致忠 ,  郭欣仪 ,  陈炳赞 ,  周峰 ,  张振熙

IPC: G06F18/2413 ,  G01S7/36 ,  G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明涉及一种双路自编码器的雷达工作模式开集识别方法及装置，包括：将待识别样本输入到训练完成的DA网络，得到待识别特征向量；其中，DA网络根据训练数据集和混合损失函数训练得到；训练数据集根据原始脉冲序列得到；混合损失函数根据交叉熵损失函数、中心损失函数和重建损失函数构建；计算待识别特征向量和已知类别特征中心的距离，得到第一距离；其中，已知类别特征中心通过将训练数据集输入DA网络进行训练后得到；根据第一距离和距离阈值得到待识别样本的识别结果。本发明通过DA网络提高不同雷达工作模式的可区分度，通过混合损失函数使DA网络在复杂非理想场景下，具有良好的泛化性和鲁棒性。

公开(公告)号：CN119740089A

公开(公告)日：2025-04-01

申请号：CN202411674736.7

申请日：2024-11-21

Applicant: 西安电子科技大学

Inventor： 周峰 ,  张霖润 ,  张振熙 ,  马建昆 ,  谭浩月

IPC: G06F18/241 ,  G06F18/213 ,  G06N3/0464

Abstract: 本发明提供了一种调制信号的分类方法、装置及设备。方法包括：获取待分类调制信号；将待分类调制信号输入预训练调制信号分类模型，获得调制信号分类结果；由于预训练调制信号分类模型中的预训练Mamba模型，通过将选择性状态空间(SSM)与Mamba卷积块所提取的特征进行组合，可以有效提取并处理待分类调制信号的特征，提高了预训练调制信号分类模型对待分类调制信号识别的准确性；另外，通过设计特定的损失函数，使初始MCLDNN模型和初始Mamba模型在正常训练的同时能够互相学习，而无需给数据额外引入扰动，提升了预训练调制信号分类模型的性能。因此，本发明方法提高了计算资源利用率和预训练调制信号分类模型的泛化能力。

公开(公告)号：CN118887228A

公开(公告)日：2024-11-01

申请号：CN202410945281.1

申请日：2024-07-15

Applicant: 西安电子科技大学

Inventor： 张振熙 ,  周峰 ,  白东升 ,  石晓然 ,  谭浩月 ,  徐逸飞 ,  马建昆

IPC: G06T7/10 ,  G06N3/0455 ,  G06V10/774 ,  G06N3/0464 ,  G06V10/764 ,  G06V10/80

Abstract: 本发明公开了一种置信增强三分支一致性的半监督图像分割方法，涉及图像分割技术领域，解决了现有技术中由伪标签引导的图像分割中确认偏差和错误累计问题，该方法包括：构建半监督图像分割模型，半监督图像分割模型，包括：编码器、预测保守分支、预测激进分支和融合分支；利用训练集数据中的数据经过编码器进行处理，得到编码器输出数据；通过交叉监督的方法根据编码器输出数据对预测保守分支、预测激进分支和融合分支进行训练，得到训练完成的半监督图像分割模型；利用训练完成的半监督图像分割模型对待分割图像进行分割，得到分割后图像；实现了在只有少量标注样本的半监督条件下实现稳定精准的图像分割。

公开(公告)号：CN118397275A

公开(公告)日：2024-07-26

申请号：CN202410523064.3

申请日：2024-04-28

Applicant: 西安电子科技大学

Inventor： 张振熙 ,  白东升 ,  周峰 ,  石晓然 ,  谭浩月

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0895

Abstract: 本发明提供了一种基于质量驱动交叉学习的半监督3D影像分割方法包括：获取待分割的3D影像；将待分割的3D影像输入已经训练好的分割模型中进行分割，得到分割结果；其中，分割模型包括双网络结构的普通网络和证据网络，普通网络和证据网络两者互补但存在差异；训练好的分割模型通过在训练过程中，采用样本加权减少错误信息对分割影像的影响，并利用方向权重学习方法决定普通网络和证据网络的交叉监督学习方向得到。由于普通网络和证据网络具有适当的分歧，两者共同获得的分割结果具有更高的准确率和稳定性，因此可以实现只有少量标注样本的半监督条件训练分割模型，使得分割模型实现稳定精准的3D影像分割。

公开(公告)号：CN119603111A

公开(公告)日：2025-03-11

申请号：CN202411791561.8

申请日：2024-12-06

Applicant: 西安电子科技大学

Inventor： 张振熙 ,  张霖润 ,  马建昆 ,  谭浩月 ,  石晓然 ,  周峰

IPC: H04L27/00

Abstract: 本发明提供用于自动调制开集识别的多级特征分布学习方法及装置，涉及无线通信技术领域。包括：对不同标签的已知调制类型信号利用流形混合算法处理，产生伪新调制占位符；将多种已知调制类型信号和未知调制类型信号输入预训练调制信号分类模型，以利用目标损失函数进行训练得到训练完成的调制信号分类模型，目标损失函数包括调制分类损失、样本质心对比损失和样本最大最小特征约束损失；将多个测试调制信号输入训练完成的调制信号分类模型，输出多个目标特征嵌入；根据多个目标特征嵌入、多种已知调制类型信号的质心向量和调整系数，对多个测试调制信号进行分类。解决已知调制类型的经验风险和未知调制类型的开放空间风险之间难以平衡优化的问题。

公开(公告)号：CN118484699A

公开(公告)日：2024-08-13

申请号：CN202410507525.8

申请日：2024-04-25

Applicant: 西安电子科技大学

Inventor： 石晓然 ,  马成威 ,  李昱 ,  张振熙 ,  周峰

IPC: G06F18/24 ,  G06F18/25 ,  G06N3/0464 ,  G06F18/213

Abstract: 本发明提供了一种基于无线电信号时频特性的空间目标行为识别方法，通过获取侦测目标的发射信号，并对发射信号作时频变换得到包含空间目标行为的时频图；利用轻量级卷积网络提取时频图的特征，结合CNN轻量高效与Transformer自注意力机制和全局感受野的优势，得到所述时频图的局部特征和全局特征，将上述局部特征和全局特征进行融合得到融合特征，对融合特征分类得到时频图中空间目标行为的预测标签。本发明在保证高精度的同时可以更快的识别出目标的不同行为，既拥有了低计算量、低内存需求的优势，也能兼顾性能和准确度的要求。在具有频谱偏移、相位偏移、幅度偏移等多种非理想的条件下依旧保持良好的识别精度和识别速度。

公开(公告)号：CN118470314A

公开(公告)日：2024-08-09

申请号：CN202410522595.0

申请日：2024-04-28

Applicant: 西安电子科技大学

Inventor： 张振熙 ,  周峰 ,  马建昆 ,  石晓然 ,  谭浩月

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明涉及一种基于多源域低频融合的图像分割方法及装置，该方法包括：将目标域图像xit输入预先训练的图像分割网络；其中，预先训练的图像分割网络通过低频融合方式，利用目标域图像xit和源域数据训练得到；得到目标域图像xit对应的图像分割结果。通过上述技术方案，根据低频融合方式训练得到的图像分割网络能够增强源域数据和目标域图像，在保留图像内容的同时对齐图像的风格，减少了域的偏移，使网络充分提取域不变特征。利用预先训练的图像分割网络能够在通过无标注的目标域图像进行图像分割，从而为医学诊断提供更加高效、准确的支持。

公开(公告)号：CN119415989A

公开(公告)日：2025-02-11

申请号：CN202410604530.0

申请日：2024-05-15

Applicant: 西安电子科技大学

Inventor： 石晓然 ,  张致忠 ,  周浩然 ,  周峰 ,  张振熙

IPC: G06F18/24 ,  G06F18/10 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供基于图域映射和特征增强的重频类型识别方法及装置，涉及雷达信号处理技术领域。此方法包括：确定筛选的脉冲重复频率对应的脉冲重复频率序列；对脉冲重复频率序列取倒数，得到脉冲重复间隔序列；根据预设长度将脉冲重复间隔序列分割为多个子序列；根据图域映射算法，将多个子序列变换成格拉姆差角场图像，并将该图像划分为训练样本和测试样本；构建重频类型识别网络，将训练样本输入到重频类型识别网络中，对重频类型识别网络进行训练，得到训练好的重频类型识别网络；将测试样本输入到训练好的重频类型识别网络中，识别出多个重频类型。这样，在具有高比例漏脉冲、虚假脉冲的复杂非理想场景下，提高重频类型的识别准确率和鲁棒性。

公开(公告)号：CN119232536A

公开(公告)日：2024-12-31

申请号：CN202411317555.9

申请日：2024-09-20

Applicant: 西安电子科技大学

Inventor： 周峰 ,  马建昆 ,  张振熙 ,  谭浩月 ,  石晓然

IPC: H04L27/00 ,  H04L47/2441 ,  H04W28/02 ,  H04W28/24 ,  G06N3/08

Abstract: 本发明涉及调制信号分类方法，该方法利用训练好的深度学习模型对输入的海量无标签调制信号和有标签调制信号进行识别，其中，该训练好的深度学习模型是通过利用有标签数据和无标签数据，对深度学习模型进行多种不同的初始化处理得到的有差异的第一模型和第二模型进行多次迭代训练获得的，在每次迭代过程中，基于多个有标签数据对应的损失值和多个无标签数据对应的损失值，共同调整待训练的第一模型和第二模型的参数，其中，利用多个无标签数据对应的伪标签确定多个无标签数据对应的损失值。本方法在应用于调制信号分类场景时，可增强模型在复杂信号环境下的泛化能力与识别精度，降低误识别几率，提高识别准确率和可靠性，保证无线通信传输质量和稳定性。

公开(公告)号：CN118534421A

公开(公告)日：2024-08-23

申请号：CN202410604526.4

申请日：2024-05-15

Applicant: 西安电子科技大学

Inventor： 周峰 ,  徐逸飞 ,  张振熙 ,  马建昆 ,  石晓然 ,  傅易铭

IPC: G01S7/292 ,  G06F18/2321 ,  G06F18/25 ,  G06F18/213 ,  G06V10/26

Abstract: 本发明提供了雷达信号分选识别方法、装置及存储介质。其中，方法包括：获取待分选雷达信号；将待分选雷达信号依次进行第一聚类处理和第二聚类处理，得到聚类雷达信号；将聚类雷达信号输入预训练识别网络，得到聚类雷达信号对应的类别标签；第一聚类处理为基于密度的聚类处理，第二聚类处理为基于形态学的聚类处理；预训练识别网络中包括多个特征提取分支，类别标签为根据多个特征提取分支的融合结果得到。在本发明中，通过对待分选雷达信号依次进行基于密度的聚类处理和基于形态学的聚类处理，提高了信号分选结果的准确性；此外，在分选得到聚类雷达信号的基础上，还采用多分支融合的预训练识别网络进行信号识别，提高了雷达信号识别的准确度。