CN104378176B - 一种鲁棒通信信号调制识别方法 - Google Patents
一种鲁棒通信信号调制识别方法 Download PDFInfo
- Publication number
- CN104378176B CN104378176B CN201410680905.8A CN201410680905A CN104378176B CN 104378176 B CN104378176 B CN 104378176B CN 201410680905 A CN201410680905 A CN 201410680905A CN 104378176 B CN104378176 B CN 104378176B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- signal
- communication
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0078—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location
- H04L1/0079—Formats for control data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种鲁棒通信信号调制识别方法，涉及通信信号调制识别方法。本发明为了解决传统AMR算法需要训练多个识别器以保证在较大信噪比范围内的有效性的问题，即在训练阶段需要针对不同信噪比环境分别训练识别器而导致的工作量巨大的问题。本发明对通信信号样本s(t)进行魏格纳(Wigner‑Ville)变换得到s(t)的WVD分布后，提取二阶立体自相关特征，建立二阶立体自相关特征集，然后对二阶立体自相关特征进行遴选形成鲁棒特征集，之后训练建立一类支持向量机组并计算一类支持向量机组的输出函数Yi(x)；计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制方式的概率选取概率最大的调制类别做为最终的调制识别结果。本发明适用于通信信号的调制识别。
Description
技术领域
本发明涉及通信信号调制识别方法。
背景技术
随着软件无线电和认知无线电技术领域的发展，基于特征提取和模式识别的多体制通信信号自动调制识别方法(Automation Modulation Recognition，AMR)研究取得了很多进展和成果，但目前仍不能满足通信信号调制识别实际应用的需求，仍存在很多挑战。尤其是AMR的推广能力不佳一直是阻碍其实际应用的重要瓶颈。为解决AMR方法推广能力差、需要实时信噪比估计的问题，本项目从特征遴选和分类器设计两方面入手研究具有推广能力的多体制通信信号调制识别机理和方法，使AMR方法具有推广能力强、识别率高、计算复杂度低易于实时识别的特性。
通信信号自动调制模式识别是软件无线电与认知无线电领域的核心科学问题，10多年来一直受到广泛的关注，基于人工智能与机器学习的特征提取和分类器AMR方法成为近几年的研究重点课题，取得了大量的研究成果[5-10]。然而，通信信号的自动调制识别具有其特殊性，接收信号的信噪比变化范围大，变化迅速。具有推广能力的通信信号AMR方法可以很好的适应这种复杂的信噪比环境，但具有推广能力的AMR研究机理问题至今仍未解决。
在软件无线电和认知无线电领域应用中，高斯白噪声是影响通信信号调制自动识别算法性能的一个重要因素。与其它模式识别问题相比，通信信号AMR中的推广能力具有一定的特殊性。由于通信信号受噪声的影响非常明显，尤其是在信噪比变化剧烈的情况下，由不同信噪比造成的样本差异远大于同一信噪比条件下样本的个体差异。因此通信信号AMR的推广能力主要是指AMR对于输入信号的信噪比变化的适应能力，及在不同信噪比下样本的泛化识别能力。传统AMR算法为了保证多个信噪比条件下具有很好的识别准确率，需要训练多个识别器，即在各个信噪比下分别训练分类器。在训练阶段要针对各个信噪比环境分别进行训练，工作量极大。
发明内容
本发明为了解决传统AMR算法需要训练多个识别器以保证在较大信噪比范围内的有效性的问题，即在训练阶段需要针对不同信噪比环境分别训练识别器而导致的工作量巨大的问题。进而提出了一种在较大信噪比范围内都适用于的鲁棒通信信号调制识别方法。
一种鲁棒通信信号调制识别方法包括以下步骤：
步骤一：获取通信信号样本s(t)，对通信信号样本s(t)进行魏格纳(Wigner-Ville)变换，得到通信信号样本s(t)的时-频-能量三维分布，即WVD分布；
通信信号样本s(t)的WVD定义如下：
其中，τ表示滞后时间，t表示时间，ω表示角频率，j为虚部基本单位；
z(t)为s(t)的解析信号，定义为：
z(t)＝s(t)+jH[s(t)] (2)
而H[s(t)]表示s(t)的Hilbert变换，z*(t)表示函数z(t)的共轭函数；
步骤二：根据通信信号样本s(t)的WVD分布，提取二阶立体自相关特征，建立二阶立体自相关特征集；
步骤三：在信噪比SNR为[6dB，20dB]的范围内，在二阶立体自相关特征集中对二阶立体自相关特征进行遴选，获得10维具有噪声鲁棒性的通信信号样本s(t)特征，形成鲁棒特征集：
采用遗传算法按着公式(3)对251维二阶立体自相关特征进行遴选，选取NMSE最小的10维特征
其中，NMSE为相对均方误差，f(n)表示信噪比为n时的特征值，表示不同信噪比下特征值的平均值；
根据遗传算法的优化结果选取噪声鲁棒性最好的10维二阶立体自相关特征组成鲁棒特征集，对通信信号样本s(t)进行表示；
步骤四：应用步骤三所述鲁棒特征集表示的通信信号样本s(t)训练建立一类支持向量机组；对每一类调制方式的通信信号样本s(t)训练一个一类支持向量机；
步骤五：将待识别通信信号样本sx(t)输入步骤四建立的一类支持向量机组，计算一类支持向量机组的输出函数Yi(x)，i＝1，…，I；
其中，Yi表示第i个一类支持向量机的输出结果，I为通信信号样本s(t)中调制方式种类数；
步骤六：计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制方式的概率
选取概率最大的调制类别为最终的调制识别结果。
本发明基于噪声鲁棒性的特征遴选与重构方法机制，对原始特征集进行遴选及重组，在获得噪声鲁棒性优化的同时降低了特征集的维数，降低了分类过程的计算复杂度，工作量减少50％以上；基于噪声鲁棒性的优化增大了系统中分类器所覆盖的信噪比区间，可使用较少的识别器完成对较大信噪比范围内的通信信号调制识别，并且在识别过程中不需要进行信噪比估计，提高了系统的实时性。
附图说明
图1为鲁棒通信信号调制识别方法流程图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，一种鲁棒通信信号调制识别方法，包括以下步骤：
步骤一：获取通信信号样本s(t)，对通信信号样本s(t)进行魏格纳(Wigner-Ville)变换，得到通信信号样本s(t)的时-频-能量三维分布，即WVD分布；
通信信号样本s(t)的WVD定义如下：
其中，τ表示滞后时间，t表示时间，ω表示角频率，j为虚部基本单位；
z(t)为s(t)的解析信号，定义为：
z(t)＝s(t)+jH[s(t)] (2)
而H[s(t)]表示s(t)的Hilbert变换，z*(t)表示函数z(t)的共轭函数；
步骤二：根据通信信号样本s(t)的WVD分布，提取二阶立体自相关特征，建立二阶立体自相关特征集；
步骤三：在信噪比SNR为[6dB，20dB]的范围内，在二阶立体自相关特征集中对二阶立体自相关特征进行遴选，获得10维具有噪声鲁棒性的通信信号样本s(t)特征，形成鲁棒特征集：
采用遗传算法按着公式(3)对251维二阶立体自相关特征进行遴选，选取NMSE最小的10维特征
其中，NMSE为相对均方误差，f(n)表示信噪比为n时的特征值，表示不同信噪比下特征值的平均值；
根据遗传算法的优化结果选取噪声鲁棒性最好的10维二阶立体自相关特征组成鲁棒特征集，对通信信号样本s(t)进行表示；
步骤四：应用步骤三所述鲁棒特征集表示的通信信号样本s(t)训练建立一类支持向量机组；对每一类调制方式的通信信号样本s(t)训练一个一类支持向量机；
步骤五：将待识别通信信号样本sx(t)输入步骤四建立的一类支持向量机组，计算一类支持向量机组的输出函数Yi(x)，i＝1，…，I；
其中，Yi表示第i个一类支持向量机的输出结果，I为通信信号样本s(t)中调制方式种类数；
步骤六：计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制方式的概率
选取概率最大的调制类别为最终的调制识别结果。
具体实施方式二：本实施方式所述的步骤二具体步骤为：
根据通信信号样本s(t)的WVD分布，在时间-频率-能量三维空间(t，l，e)中定义二值函数
其中，参考点r＝(t,l,e)T，t、l、e分别表示WVD分布的时间、频率、能量；
三维空间的二阶立体自相关函数为
其中，α1，α2分别表示相对参考点r的不同的位移向量，Ds表示积分区域；
由于自相关函数的阶数N≤2，因此在WVD空间中，α1、α2在以参考点r为中心且与参考点r相邻点组成的立方体内，通信信号样本s(t)三维空间的二阶立体自相关函数为
式中，α1t,α1l,α1e为位移α1分别在t、l、e方向的分量；α2t,α2l,α2e为位移α2分别在t、l、e方向的分量；
对于二值函数，自相关函数等价为计算满足逻辑条件点的参考点的数目，即
F(r)∧F(r+a1)∧F(r+a2)＝1 (8)
其中，α1、α2在以r为中心的立方体中的位置分布有729(272)种，去除随参考点r位置移动出现的重复分布，得到α1、α2相对于r的251种不相关分布情况；所述α1、α2在以参考点r为中心的立方体中的251种分布情况即为251维二阶立体自相关特征；
参考点遍历三维空间中F(r)＝1的点，统计各维特征出现次数为对应特征值，从而形成251维的二阶立体自相关特征集。
其它步骤和参数与具体实施方式一相同。
Claims (1)
1.一种鲁棒通信信号调制识别方法，其特征在于，所述方法包括以下步骤：
步骤一：获取通信信号样本s(t)，对通信信号样本s(t)进行魏格纳变换，得到通信信号样本s(t)的时-频-能量三维分布，即WVD分布；
通信信号样本s(t)的WVD定义如下：
<mrow>
<msub>
<mi>WVD</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mfrac>
<mi>&tau;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>z</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mfrac>
<mi>&tau;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mi>&omega;</mi>
<mi>&tau;</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>&tau;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，τ表示滞后时间，t表示时间，ω表示角频率，j为虚部基本单位；
z(t)为s(t)的解析信号，定义为：
z(t)＝s(t)+jH[s(t)] (2)
而H[s(t)]表示s(t)的Hilbert变换，z*(t)表示函数z(t)的共轭函数；
步骤二：根据通信信号样本s(t)的WVD分布，提取二阶立体自相关特征，建立二阶立体自相关特征集；具体步骤如下：
根据通信信号样本s(t)的WVD分布，在时间-频率-能量三维空间(t，l，e)中定义二值函数
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>e</mi>
<mo>=</mo>
<msub>
<mi>WVD</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>e</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>WVD</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，参考点r＝(t,l,e)T，t、l、e分别表示WVD分布的时间、频率、能量；
三维空间的二阶立体自相关函数为
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mo>&Integral;</mo>
<msub>
<mi>D</mi>
<mi>s</mi>
</msub>
</msub>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>r</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，α1，α2分别表示相对参考点r的不同的位移向量，Ds表示积分区域；
在WVD空间中，α1、α2在以参考点r为中心且与参考点r相邻点组成的立方体内，通信信号样本s(t)三维空间的二阶立体自相关函数为
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>l</mi>
<mo>,</mo>
<mi>e</mi>
</mrow>
</munder>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>l</mi>
<mo>,</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>1</mn>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>l</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>e</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>1</mn>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>2</mn>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>l</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>e</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mn>2</mn>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，α1t,α1l,α1e为位移α1分别在t、l、e方向的分量；α2t,α2l,α2e为位移α2分别在t、l、e方向的分量；
对于二值函数，自相关函数等价为计算满足逻辑条件点的参考点的数目，即
F(r)∧F(r+a1)∧F(r+a2)＝1 (8)
其中，α1、α2在以r为中心的立方体中的位置分布有729种，去除随参考点r位置移动出现的重复分布，得到α1、α2相对于r的251种不相关分布情况；所述α1、α2在以参考点r为中心的立方体中的251种分布情况即为251维二阶立体自相关特征；
参考点遍历三维空间中F(r)＝1的点，统计各维特征出现次数为对应特征值，从而形成251维的二阶立体自相关特征集；
步骤三：在信噪比SNR为[6dB，20dB]的范围内，在二阶立体自相关特征集中对二阶立体自相关特征进行遴选，获得10维具有噪声鲁棒性的通信信号样本s(t)特征，形成鲁棒特征集：
采用遗传算法按着公式(3)对251维二阶立体自相关特征进行遴选，选取NMSE最小的10维特征
<mrow>
<mi>N</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，NMSE为相对均方误差，f(n)表示信噪比为n时的特征值，表示不同信噪比下特征值的平均值；
根据遗传算法的优化结果选取噪声鲁棒性最好的10维二阶立体自相关特征组成鲁棒特征集，对通信信号样本s(t)进行表示；
步骤四：应用步骤三所述鲁棒特征集表示的通信信号样本s(t)训练建立一类支持向量机组；对每一类调制方式的通信信号样本s(t)训练一个一类支持向量机；
步骤五：将待识别通信信号样本sx(t)输入步骤四建立的一类支持向量机组，计算一类支持向量机组的输出函数Yi(x)，i＝1，…，I；
其中，Yi表示第i个一类支持向量机的输出结果，I为通信信号样本s(t)中调制方式种类数；
步骤六：计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制方式的概率
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>x</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>|</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</munderover>
<mo>&Integral;</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
选取概率最大的调制类别为最终的调制识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410680905.8A CN104378176B (zh) | 2014-11-24 | 2014-11-24 | 一种鲁棒通信信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410680905.8A CN104378176B (zh) | 2014-11-24 | 2014-11-24 | 一种鲁棒通信信号调制识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104378176A CN104378176A (zh) | 2015-02-25 |
| CN104378176B true CN104378176B (zh) | 2017-11-03 |
Family
ID=52556862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410680905.8A Active CN104378176B (zh) | 2014-11-24 | 2014-11-24 | 一种鲁棒通信信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104378176B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789788B (zh) * | 2016-12-26 | 2019-05-10 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
| CN110060696B (zh) * | 2018-01-19 | 2021-06-15 | 腾讯科技（深圳）有限公司 | 混音方法及装置、终端及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5278563A (en) * | 1992-09-08 | 1994-01-11 | Spiess Newton E | Vehicle identification and classification systems |
| CN102437984A (zh) * | 2011-11-07 | 2012-05-02 | 哈尔滨工程大学 | 低信噪比下基于复杂度特征的调制信号识别方法 |
| CN101917369B (zh) * | 2010-07-30 | 2013-07-24 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
| CN103259759A (zh) * | 2013-04-12 | 2013-08-21 | 西安电子科技大学 | 一种单通道时频重叠信号调制识别方法 |
| CN103457890A (zh) * | 2013-09-03 | 2013-12-18 | 西安电子科技大学 | 一种有效识别非高斯噪声下数字调制信号的方法 |
| CN103532908A (zh) * | 2012-07-02 | 2014-01-22 | 清华大学 | 一种基于二级决策树的p2p协议识别方法 |
| CN103997475A (zh) * | 2014-05-29 | 2014-08-20 | 西安电子科技大学 | 一种识别Alpha稳定分布噪声下数字调制信号的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8388543B2 (en) * | 2007-05-16 | 2013-03-05 | The Research Foundation Of State University Of New York | Photoplethysmography apparatus and method employing high resolution estimation of time-frequency spectra |
-
2014
- 2014-11-24 CN CN201410680905.8A patent/CN104378176B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5278563A (en) * | 1992-09-08 | 1994-01-11 | Spiess Newton E | Vehicle identification and classification systems |
| CN101917369B (zh) * | 2010-07-30 | 2013-07-24 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
| CN102437984A (zh) * | 2011-11-07 | 2012-05-02 | 哈尔滨工程大学 | 低信噪比下基于复杂度特征的调制信号识别方法 |
| CN103532908A (zh) * | 2012-07-02 | 2014-01-22 | 清华大学 | 一种基于二级决策树的p2p协议识别方法 |
| CN103259759A (zh) * | 2013-04-12 | 2013-08-21 | 西安电子科技大学 | 一种单通道时频重叠信号调制识别方法 |
| CN103457890A (zh) * | 2013-09-03 | 2013-12-18 | 西安电子科技大学 | 一种有效识别非高斯噪声下数字调制信号的方法 |
| CN103997475A (zh) * | 2014-05-29 | 2014-08-20 | 西安电子科技大学 | 一种识别Alpha稳定分布噪声下数字调制信号的方法 |
Non-Patent Citations (2)
| Title |
|---|
| "多分量线性调频信号参数估计及分数阶滤波器设计";曹植;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120815;全文 * |
| "浅海环境下的水声信道辨识技术研究";高成志;《中国博士学位论文全文数据库 工程科技Ⅱ辑 》;20120515;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104378176A (zh) | 2015-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Convolutional neural networks for automatic cognitive radio waveform recognition | |
| CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
| CN108344574B (zh) | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 | |
| CN105426905A (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
| CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
| CN105744434A (zh) | 一种基于手势识别的智能音箱控制方法及系统 | |
| CN102760444A (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
| CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
| CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
| CN109919015A (zh) | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 | |
| CN106940439A (zh) | 基于无线声传感器网络的k均值聚类加权声源定位方法 | |
| CN111767810A (zh) | 一种基于D-LinkNet的遥感图像道路提取方法 | |
| CN104463194A (zh) | 一种人车分类方法及装置 | |
| CN104378176B (zh) | 一种鲁棒通信信号调制识别方法 | |
| CN110647951A (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
| CN104182771A (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
| CN103777187A (zh) | 基于遍历随机Hough变换的弱目标检测前跟踪方法 | |
| CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
| CN115861260A (zh) | 一种面向广域城市场景下的深度学习变化检测方法 | |
| CN105893941A (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN110472584A (zh) | 一种通信设备身份识别方法、电子设备及计算机程序产品 | |
| CN103837859A (zh) | 一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN112380928B (zh) | 基于圆系有限穿越可视图建网的调制信号分类方法及系统 | |
| CN113537306A (zh) | 一种基于渐进式成长元学习的图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |