买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于深度学习的跨接收机雷达辐射源个体识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116662783B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310655917.4，技术领域涉及：G06F18/213；该发明授权基于深度学习的跨接收机雷达辐射源个体识别方法是由郑纪彬;宋世琛;陈柔暄;刘宏伟设计研发完成，并于2023-06-05向国家知识产权局提交的专利申请。

本基于深度学习的跨接收机雷达辐射源个体识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的雷达辐射源个体识别方法，主要解决现有技术在进行跨接收机的雷达辐射源个体识别时，因接收机畸变污染随引起的识别精度下降问题。其实现方案为：对来自不同接收机的数据进行处理和划分；构建由一个特征提取器和两个识别分类器构成双支路基于深度学习的雷达辐射源个体识别模型；采用反向传播法对该模型进行迭代训练，并通过域标签的最大化模糊使特征提取器完成相同辐射源信号在不同接收环境下的差异补偿；使用训练后的模型进行雷达辐射源信号的个体识别。本发明增强了对不同非理想污染因素的鲁棒性，提高了跨接收机应用场景下的雷达辐射源个体识别准确度，可用于复杂电磁环境下跨接收机的雷达个体信息侦察。

本发明授权基于深度学习的跨接收机雷达辐射源个体识别方法在权利要求书中公布了：1.一种基于深度学习的跨接收机雷达辐射源个体识别方法，其特征在于，包括如下： 1获取来自不同接收机的脉冲信号数据，定义每个脉冲信号的域标签，并划定源域数据和目标域数据；分别将源域数据和目标域数据的一半以上数据划分为训练数据集Q，其余的测试数据集T； 2对每个脉冲信号进行双谱变换处理得到降维的一维特征域SIB； 3构建基于深度学习的雷达辐射源个体识别模型O： 3a建立由第一级一维卷积层、最大池化层1、第二级一维卷积层、最大池化层2、展平层依次级联构成特征提取器Gf； 3b建立由第一级全连接层，第二级全连接层及Softmax分类器依次级联构成个体识别分类器Gy； 3c建立由梯度反转层R，第1级全连接层，第2级全连接层及Softmax分类器依次级联构成的域识别分类器Gd； 3d将Gf与Gy级联构成个体识别支路，再将Gf与Gd级联构成域识别支路； 4对网络识别模型O进行迭代训练，得到优化后的模型O*： 4a初始化迭代次数i，设置最大迭代次数为I，I≥50，设置网络优化的损失函数为交叉熵函数，学习率为μp，初始化O的网络参数为θ； 4b从源域训练数据中随机选取一批数据输入到网络模型O，使用个体识别支路源域第n个样本属于第c个辐射源个体的网络预测概率得到个体分类预测标签Lf1 *，使用域识别支路源域第n个样本来源于第k个接收机的网络预测概率得到域预测标签分别计算个体分类预测标签Lf1 *与实际分类标签Lf1的损失L1及域预测标签与实际域标签Ld1的损失L2； 4c从目标域训练数据中随机选取一批数据输入到网络模型O，使用域识别支路计算目标域第l个样本来源于第k个接收机的网络预测概率得到域预测标签计算该域预测标签与实际域标签Ld2的损失L3； 4d将所有损失求和得到网络的总损失L＝L1+L2+L3，并依此进行反向传播，使用梯度下降法优化网络参数，完成一次迭代； 4e重复步骤4b-4d直到满足i≥I，停止迭代，得到优化后的网络模型O*； 5将测试样本T输入到训练好的网络模型O*，使用个体识别支路计算得到识别结果Lp。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。