检索结果-维普期刊中文期刊服务平台

基于MobileNet-DOA的无人机射频信号识别方法被引量：1: 1; 作者晏行伟孔令轩 +1 位作者刘坤刘安娜《雷达科学与技术》北大核心 2025年第1期57-66,共10页; 针对当前低信噪比环境下,基于射频信号的无人机型号和飞行模式识别率低的问题,本文提出了一种基于MobileNet-DOA模型的无人机射频信号识别方法。该方法首先对原始无人机射频信号进行基于变分模态分解的信号预处理,降低背景噪声和同频干... 展开更多; 关键词无人机射频信号识别变分模态分解 MobileNet模型 DOConv卷积 FA注意力机制; 在线阅读下载PDF 职称材料

基于YOLOv8n-PEM的低信噪比无人机射频信号识别被引量：1: 2; 作者刘坤孔令轩晏行伟《电光与控制》北大核心 2025年第4期96-103,共8页; 针对当前无人机射频信号识别模型在低信噪比条件下识别准确率较低,且不支持检测信号持续时间、带宽等关键参数的问题,提出了基于YOLOv8n-PEM目标检测模型的无人机射频信号识别方法。该方法首先将原始无人机射频信号做基于离散小波变换... 展开更多; 关键词无人机射频信号识别 YOLOv8 时频图部分卷积 EMA机制; 在线阅读下载PDF 职称材料

基于残差神经网络的无人机射频信号识别被引量：2: 3; 作者杨小伟王泽跃 +3 位作者杨鹤猛杨雪张莉莉陈艳芳《电讯技术》北大核心 2023年第1期101-106,共6页; 针对民用小型无人机对低空领域安全造成威胁及无人机视觉上识别难的问题,提出了一种无人机射频信号识别的方法,使用深度学习技术学习无人机与控制器之间的射频信号特征来识别无人机。首先将射频信号数据集中的无人机信号进行预处理操作... 展开更多; 关键词小型无人机射频信号识别深度学习遥控信号残差网络; 在线阅读下载PDF 职称材料

栈式自编码和残差神经网络的射频信号个体识别被引量：2: 4; 作者高晓利李捷 +2 位作者赵火军王维骆明伟《火力与指挥控制》 CSCD 北大核心 2021年第10期61-66,72,共7页; 传统基于暂态特征和稳态特征的射频信号个体识别方法存在特征提取困难、特征微小、无法区分射频信号个体差异等问题,识别率较低。随着深度学习技术的发展,结合栈式自编码网络深度融合目标特征优势和残差神经网络在解决退化问题时的优势... 展开更多; 关键词射频信号个体识别栈式自编码残差神经网络特征提取与融合轻量化; 在线阅读下载PDF 职称材料

基于残差重构网络的射频信号个体识别: 5; 作者赵火军程旗 +2 位作者李捷高晓利王维《兵工自动化》 2022年第4期64-68,共5页; 针对主流方法对信号个体识别效率低、误识别的问题,提出一种基于残差重构网络的射频信号个体识别方法。通过傅里叶变换得到侦收信号的频域特征,作为神经网络的输入向量;利用残差网络能够解决网络退化和梯度消失的优势,重构残差网络,并... 展开更多; 关键词残差重构射频信号个体识别频域特征轻量化; 在线阅读下载PDF 职称材料

题名基于MobileNet-DOA的无人机射频信号识别方法被引量：1: 1; 作者晏行伟孔令轩刘坤刘安娜; 机构国防科技大学电子科学学院天津先进技术研究院河北工业大学人工智能与数据科学学院北京跟踪与通信技术研究所; 出处《雷达科学与技术》北大核心 2025年第1期57-66,共10页; 基金国家自然科学基金(No.62173124,62101563) 河北省自然科学基金(No.F2022202064)。; 文摘针对当前低信噪比环境下,基于射频信号的无人机型号和飞行模式识别率低的问题,本文提出了一种基于MobileNet-DOA模型的无人机射频信号识别方法。该方法首先对原始无人机射频信号进行基于变分模态分解的信号预处理,降低背景噪声和同频干扰,然后利用短时傅里叶变换将预处理信号转换为时频图,最后利用MobileNet-DOA模型完成无人机射频信号识别。在模型方面,本文首先将DOConv卷积融合到MobileNetv4模型中,在增强模型特征提取能力的同时,提高了训练和运算速度。其次,使用FA注意力机制进一步提升了模型在低信噪比环境下的识别准确率。实验结果表明,该方法在-15~15 dB信噪比范围内的平均检测准确率达到了94.83%,可应用于无人机实时检测识别系统中。; 关键词无人机射频信号识别变分模态分解 MobileNet模型 DOConv卷积 FA注意力机制; Keywords drone radio frequency signal identification variational mode decomposition MobileNet model DO-Conv FA attention mechanism; 分类号 TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于YOLOv8n-PEM的低信噪比无人机射频信号识别被引量：1: 2; 作者刘坤孔令轩晏行伟; 机构河北工业大学人工智能与数据科学学院国防科技大学电子科学学院天津先进技术研究院; 出处《电光与控制》北大核心 2025年第4期96-103,共8页; 基金国家自然科学基金(62173124,62101563) 河北省自然科学基金(F2022202064)。; 文摘针对当前无人机射频信号识别模型在低信噪比条件下识别准确率较低,且不支持检测信号持续时间、带宽等关键参数的问题,提出了基于YOLOv8n-PEM目标检测模型的无人机射频信号识别方法。该方法首先将原始无人机射频信号做基于离散小波变换的降采样处理,之后进行短时傅里叶变换提取时频特征,最后利用YOLOv8n-PEM模型完成信号的识别和参数估计。在模型方面,基于部分卷积设计了CPF模块增强对高级时频特征的提取能力,提升模型的鲁棒性,同时引入EMA机制抑制背景噪声对模型推理的干扰。实验结果表明,YOLOv8n-PEM模型在-20~-10 dB低信噪比条件下mAP达到了96.08%,FPS为107帧/s,模型参数量较基础模型减少了38%,具有实际部署价值。; 关键词无人机射频信号识别 YOLOv8 时频图部分卷积 EMA机制; Keywords drone RF signal identification YOLOv 8 time-frequency spectrogram partial convolution EMA mechanism; 分类号 TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于残差神经网络的无人机射频信号识别被引量：2: 3; 作者杨小伟王泽跃杨鹤猛杨雪张莉莉陈艳芳; 机构国网天津市电力公司城西供电分公司天津航天中为数据系统科技有限公司; 出处《电讯技术》北大核心 2023年第1期101-106,共6页; 基金天津市电力公司科技项目(KJ21-1-7)。; 文摘针对民用小型无人机对低空领域安全造成威胁及无人机视觉上识别难的问题,提出了一种无人机射频信号识别的方法,使用深度学习技术学习无人机与控制器之间的射频信号特征来识别无人机。首先将射频信号数据集中的无人机信号进行预处理操作,接着使用残差神经网络进行模型训练,最后使用训练好的网络模型对无人机信号进行识别验证。实验结果表明,该方法识别无人机是否存在的准确率达到99.8%,识别无人机型号的准确率达到91.1%,识别无人机运行模式的准确率达到70.3%,且该方法具备较强的鲁棒性和环境抗干扰能力,性能明显优于基准方法。; 关键词小型无人机射频信号识别深度学习遥控信号残差网络; Keywords small UAV RF signal recognition deep learning remote control signal residual network; 分类号 TN971 [电子电信—信号与信息处理]; 在线阅读下载PDF 职称材料

题名栈式自编码和残差神经网络的射频信号个体识别被引量：2: 4; 作者高晓利李捷赵火军王维骆明伟; 机构四川九洲电器集团有限责任公司; 出处《火力与指挥控制》 CSCD 北大核心 2021年第10期61-66,72,共7页; 基金装发领域基金资助项目(61403120104)。; 文摘传统基于暂态特征和稳态特征的射频信号个体识别方法存在特征提取困难、特征微小、无法区分射频信号个体差异等问题,识别率较低。随着深度学习技术的发展,结合栈式自编码网络深度融合目标特征优势和残差神经网络在解决退化问题时的优势,提出了一种基于SEA和ResNet网络的射频信号个体识别方法。包括信号时频域特征提取方法分析、多域特征拼接与融合、基于轻量化ResNetLite网络的射频信号个体识别方法等步骤。仿真结果表明,相对于传统时频域特征提取方法和BP分类方法,新方法能够有效提取和融合信号细微、高层次及深层次特征,且识别率有一定幅度的提升,同时,对计算资源、存储资源的消耗有约7倍的降低,可支持嵌入式设备小型化需求,便于工程实现。; 关键词射频信号个体识别栈式自编码残差神经网络特征提取与融合轻量化; Keywords individual identification of RF signal SAE ResNet feature extraction and fusion lightweight; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于残差重构网络的射频信号个体识别: 5; 作者赵火军程旗李捷高晓利王维; 机构九洲电器集团有限责任公司技术创新中心; 出处《兵工自动化》 2022年第4期64-68,共5页; 文摘针对主流方法对信号个体识别效率低、误识别的问题,提出一种基于残差重构网络的射频信号个体识别方法。通过傅里叶变换得到侦收信号的频域特征,作为神经网络的输入向量;利用残差网络能够解决网络退化和梯度消失的优势,重构残差网络,并将其作为射频信号个体识别的核心网络模型;通过固定每层网络的通道数,实现减少模型参数量,达到神经网络轻量化目的。实验结果表明:与ResNet18方法相比,该方法针对30个目标信号的个体识别率提升了约3.8%,模型大小降低了13倍,能较好地解决模型压缩与识别算法性能无法平衡的问题。; 关键词残差重构射频信号个体识别频域特征轻量化; Keywords residual reconstruction RF signal individual identification frequency domain characteristics lightweight; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于MobileNet-DOA的无人机射频信号识别方法	晏行伟孔令轩刘坤刘安娜	《雷达科学与技术》北大核心	2025	1	在线阅读下载PDF 职称材料
2	基于YOLOv8n-PEM的低信噪比无人机射频信号识别	刘坤孔令轩晏行伟	《电光与控制》北大核心	2025	1	在线阅读下载PDF 职称材料
3	基于残差神经网络的无人机射频信号识别	杨小伟王泽跃杨鹤猛杨雪张莉莉陈艳芳	《电讯技术》北大核心	2023	2	在线阅读下载PDF 职称材料
4	栈式自编码和残差神经网络的射频信号个体识别	高晓利李捷赵火军王维骆明伟	《火力与指挥控制》 CSCD 北大核心	2021	2	在线阅读下载PDF 职称材料
5	基于残差重构网络的射频信号个体识别	赵火军程旗李捷高晓利王维	《兵工自动化》	2022	0	在线阅读下载PDF 职称材料