申请/专利权人：四川大学

申请日：2023-12-26

公开（公告）日：2024-04-09

公开（公告）号：CN117852396A

主分类号：G06F30/27

分类号：G06F30/27;G06F18/2131;G06F18/214;G06F18/25;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明涉及特定辐射源识别领域，特别是一种抗干扰复信号SEI系统模版设计与调优方法及设备。本发明将特定辐射源识别系统的两大技术“射频指纹提取”与“智能识别网络”设计为通用且可靠性高的模版，并且为模版具体应用提供全局自适应抗干扰调优算法，降低了系统复杂性，提高了系统识别效率，增强了系统对快速变化的外部环境的适应力，从而实现了模版设计，且能够同时抵抗噪声与多普勒变化对辐射源识别的影响。也达到了快速匹配环境干扰变化，提升不同干扰背景下的辐射源识别准确率，并同时实现系统轻量化，提升整个SEI系统的效率的效果。

主权项：1.一种抗干扰复信号SEI系统模版设计与调优方法，其特征在于，包括以下步骤：S1：建立无线信号数据库：获取真实无线设备采集的无线信号，对其进行预处理后存入无线信号数据库；所述无线信号数据库包括训练数据集以及测试数据集；所述预处理包括信号身份标注、信噪比处理以及人为噪声干扰处理；S2：信号同步头提取：对所述无线信号数据库内的无线信号进行同步头截取处理，得到同步头信号；S3：构建复信号REF特征提取模板：根据所述同步头信号建立复信号REF特征提取模板；所述复信号REF特征提取模板包括实虚部小波分解层集及其对应的权重参数；所述实虚部小波分解层集包括若干实部小波分解层以及若干虚部小波分解层；S4：构建残差识别网络模板：所述残差识别网络模板包括残差神经网络框架以及若干识别网络模版参数；所述残差神经网络框架包括若干残差模块和若干连接层；所述识别网络模版参数为预设值；S5：复信号SEI系统抗干扰优化：初始化所述复信号REF特征提取模板以及所述残差识别网络模板，联合为复信号SEI系统，并对所述复信号SEI系统进行抗干扰优化，输出抗干扰复信号SEI系统；其中，所述S5包括：S51：初始化所述复信号REF特征提取模板以及所述残差识别网络模板，联合为复信号SEI系统；所述复信号SEI系统包括复信号REF特征提取模块以及残差识别网络模块；S52：固化所述复信号REF特征提取模块，并对所述残差识别网络模块进行深度调优，输出轻量化残差识别网络模块；S53：对所述轻量化残差识别网络模块进行抗干扰优化，输出抗干扰复信号SEI系统。

全文数据：

权利要求：

百度查询： 四川大学 一种抗干扰复信号SEI系统模版设计与调优方法及设备

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD