内容提供者
基于Transformer网络的干扰信号识别方法.pdf
2023-05-24
10金币
1.2MB
23页
秋花****姐姐
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共23页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于Transformer网络的干扰信号识别方法.pdf
本发明提出了一种基于Transformer网络的干扰信号识别方法,主要解决现有方法对干扰信号进行特征提取的过程复杂、难度大且提取不完全的技术问题。方案包括:1)仿真通信信号数据和干扰信号数据,构建单一干扰和复合干扰数据集,并进行划分和标签标注;2)构建局部特征提取模块;3)构建全局特征融合模块;4)构建基于局部特征提取模块和全局特征融合模块的干扰识别网络;5)使用构建的数据集对干扰信号识别网络模型进行训练和验证,得到最终的干扰信号识别网络模型;7)利用模型各对类干扰信号进行准确识别。本发明能够实现对干扰信
2023-05-24
10
1.2MB
一种基于transformer模型的网络协议识别方法.pdf
本发明公开了一种基于transformer模型的网络协议识别方法，其包括以下步骤：构建语料库、对数据预处理、构建模型的编码器、构建模型的解码器、使用训练数据集对模型进行训练和用训练好的模型对测试数据集的协议类型进行识别。本发明首先构建语料库，然后对未知网络流量数据过滤只保留协议相关信息，然后通过WordPiece分词、one‑hot编码将数据转化为词向量，再添加上相对位置编码，在语料库上利用多头注意力机制预训练模型，提取每个词在上下文的依赖关系，然后将需要识别的协议流量输入模型，最后通过分类器实现网络协议
2023-11-07
10
416KB
基于Transformer和时间卷积网络的雷达目标识别方法.pdf
本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理；通过卷积模块对样本进行特征提取并改变数据格式；再通过基于VIT的MoCo对比学习模块，在特征空间上学习区分不同样本；之后将经过MoCo对比学习模块得到的特征，输入时间卷积模块，进一步地加强模型的表征能力，得到可分性更强的特征；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络，使模型获取HRRP中更为全面的信息，进一步提高模型的特征提
2023-07-21
10
994KB
基于深度迁移学习的雷达有源干扰信号识别方法.pdf
一种基于深度迁移学习的雷达有源干扰信号识别方法,其步骤包括:1、生成雷达有源干扰信号数据集,2、构建雷达有源干扰信号时频图像训练集、验证集和测试集,3、搭建深度迁移学习网络,4、对深度迁移学习网络进行第一次训练,5、对第一次训练后的深度迁移学习网络进行第二次训练,6、利用深度迁移学习网络预测测试集。本发明能够在雷达有源干扰信号样本数量不充足、不易获取雷达有源干扰信号的条件下实现雷达有源干扰信号的准确分类,加快网络训练时的收敛速度,提高雷达有源干扰信号识别的效率,有利于及时选取有效的抗干扰措施,提升雷达的生
2023-05-26
10
532KB
基于知识图谱和Softmax回归的干扰信号识别方法.pdf
本发明具体涉及一种基于知识图谱和Softmax回归的干扰信号识别方法，通过构建包含与干扰信号识别相关的知识图谱，将各种干扰类型的知识图谱嵌入到低维向量空间中，既保留了知识图谱中所蕴含的知识又将知识图谱中的实体和关系转换成了向量，并将此知识图谱作为先验知识为Softmax回归方法提供辅助信息，使模型训练速度更快，所需样本数量更少，并进一步提高了低干信比下干扰信号的识别性能。
2023-11-07
10
1.2MB