申请/专利权人:哈尔滨工业大学
申请日:2024-03-06
公开(公告)日:2024-06-21
公开(公告)号:CN118228099A
主分类号:G06F18/241
分类号:G06F18/241;G06F18/213;G06V10/20;G06V10/28;G06V10/82;G06N3/0464;G06N3/048;G06V10/764;G06N3/08;G06N3/09;G06F18/10
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本发明公开了一种特高频频段信号分类方法和系统。包括:仿真产生特高频频段信号;对信号进行短时傅里叶变换获取时频图;对时频图进行图像处理从而制作卷积神经网络训练和测试所需要的图片集;设计卷积神经网络结构;利用训练集训练网络得到可用于分类的网络;应用训练得到网络对信号进行分类。本发明的优点在于:有效提高了分类准确率和有效性,也提高了分类的效率,并且提高了整个系统的通用性和扩展性。
主权项:1.一种特高频频段信号分类方法,其特征在于:包括以下步骤:S1:产生特高频频段信号,包括五种信号分别为线性调频信号LFM,两种相位编码信号即二进制相移键控信号BPSK,四进制相移键控信号QPSK,长期演进信号LTE,单脉冲CW信号,并添加信噪比在一定范围内的高斯白噪声,信噪比的范围根据待分类信号的需求进行选择;S2:对S1中得到的信号都进行短时傅里叶STFT变换以获取时频图;STFT变换基于将非平稳长随机过程分解成多个平稳短随机过程,也就是对非平稳长随机过程加窗截断,再分别对每个短过程做FT变换进行频谱分析,将其结果拼接起来就得到信号的时频图;S3:对已经获得的时频图进行图像处理,包括随机抽选位置进行截取图像,对截取后图像进行的灰度归一化以及灰度取反,从而制作卷积神经网络训练和测试所需要的图片集,即训练集和测试集;S4:设计卷积神经网络结构;卷积神经网络依托于传统背景,由一层批标准化层BN,两层卷积层Conv1、Conv2,两层激活函数ReLU1、ReLU2,两层最大池化层Map1、Map2,以及全连接层FC与Dropout层,Softmax分类层组成;S5:将训练集输入S4中搭建好的卷积神经网络结构进行训练,得到可用于分类的网络,并且通过测试集检验分类的效果,得到分类的准确率。
全文数据:
权利要求:
百度查询: 哈尔滨工业大学 一种特高频频段信号分类方法和系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。