CN106250853A - 基于聚类与粒子群重构星座图的信号识别方法与系统 - Google Patents
基于聚类与粒子群重构星座图的信号识别方法与系统 Download PDFInfo
- Publication number
- CN106250853A CN106250853A CN201610621188.0A CN201610621188A CN106250853A CN 106250853 A CN106250853 A CN 106250853A CN 201610621188 A CN201610621188 A CN 201610621188A CN 106250853 A CN106250853 A CN 106250853A
- Authority
- CN
- China
- Prior art keywords
- data point
- signal
- cluster
- planisphere
- particle
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种基于聚类与粒子群重构星座图的信号识别方法与系统,其通过减法聚类算法得到采集数据的数据点,再通过粒子群算法对聚类中心进行优化,最后得到重构的星座图。通过计算各星座数据点到原数据点的距离,将各星座数据点划分到半径不同的圆上,选择最大半径与最小半径之比与标准星座图圆半径的特征范围比较,来识别MQAM信号。与传统减法聚类算法相比,本发明抗干扰能力强,在低信噪比条件下,信号识别率高,且更利于应用到实际。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于聚类与粒子群重构星座图的信号识别方法与系统。
背景技术
通信信号调制识别技术在军用通信和民用通信中都有着广泛的应用。在民用方面,政府为实施有效的频谱管理和频谱监督,需要实时对未登记注册的民用发射机进行监测,以免对授权用户通信造成干扰。在军用方面,调制识别技术在电子对抗、电子反对抗、目标捕获、通信告警等方面处于关键的地位。通过调制识别接收机,拦截对方通信信号,识别其调制方式,再进一步对其进行解调和信息分析,获得对我军有利的信息,从而制定相应对策。因此,研究调制识别技术,在现代通信领域有重大意义。
M-QAM信号因其频谱利用率高,调制方式灵活多样,在卫星通信、网络通信以及认知无线电方面有着广泛的应用。目前,在M-QAM信号调制识别方面也有着大量的研究。Mobasseri采用模糊C均值聚类算法重构信号星座图,在信噪比为5dB时识别QPSK、8PSK和16QAM信号,识别率超过90%,但是模糊C均值算法须预先给定聚类中心数目和聚类中心初始位置,不利于应用到实际。侯健等人利用减法聚类算法得到的聚类中心来重构信号星座图,通过与标准信号星座图的相关性来正确识别调制方式,在信噪比为10dB时,识别16QAM、32QAM和64QAM信号,识别率达到95%,但在低信噪比下基本无法正确识别相应的调制信号。
发明内容
本发明所要解决的技术问题是现有MQAM信号识别方法存在识别率低,且不利于应用到实际的问题,提供一种基于聚类与粒子群重构星座图的信号识别方法与系统。
为解决上述问题,本发明是通过以下技术方案实现的:
基于聚类与粒子群重构星座图的信号识别方法,包括如下步骤:
步骤(1)初始化邻域半径ra,设置上门限和下门限ε。
步骤(2)把基带信号数据集的每一个数据点当作潜在的聚类中心,并计算每一个数据点的密度指标;
步骤(3)从基带信号数据集中选出具有最大密度指标的数据点赋值给ck,其密度指标同时赋值给Dck和Dc1;
步骤(4)采用粒子群算法对数据点ck进行修正,得到修正后的数据点c'k;
步骤(5)判断是否成立;如果成立,则把修正后的数据点c'k作为聚类中心,并转至步骤(8);否则,转至步骤(6);
步骤(6)判断Dck<εDc1是否成立;如果成立,则不把修正后的数据点c'k作为聚类中心,并转至步骤(9);否则,转至步骤(7);
步骤(7)判断下式是否成立:
式中:dmin为所有聚类中心之间的最小距离,ra为领域半径,Dck为第k个数据点的密度指标,c'k为修正后的数据点;
如果成立,则把数据点c'k作为一个聚类中心,并转至步骤(8);否则,将数据点c'k的密度指标置0,并转至步骤(8);
步骤(8)从基带信号数据集中余下的数据点中选择密度指标最高的数据点赋值给ck,其密度指标赋值给Dck,并返回步骤(4);直至将基带信号数据集中的所有数据点选择完;
步骤(9)输出所有的聚类中心;
步骤(10)计算每个聚类中心到坐标原点的距离r,并进行排序;取前N个最大距离r的均值定义为rmax,后N个最小距离r的均值定义为rmin,其中N为设定值;并根据下式计算R的大小,作为MQAM的分类特征:
步骤(11)将R与标准星座图圆半径的特征范围比较,并由此判别出QAM的信号类型。
上述密度指标的计算公式为:
式中:Di为密度指标,ra为邻域半径,n为数据点总数,i、j为数据点下标,1≤i≤n,1≤j≤n。
上述步骤(4)中,采用粒子群算法对数据点ck进行修正的过程具体如下:
步骤(4.1)以数据点ck为圆心定义一个搜索半径rs,将数据点ck及其半径内所有数据点初始化为粒子;
步骤(4.2)计算每个粒子的适应度值;
步骤(4.3)更新每个粒子的个体极值pi和整个种群的全局最优解pg;
步骤(4.4)更新每个粒子的速度和位置;
步骤(4.5)计算更新后的粒子与数据点ck的距离:如果这个距离大于搜索半径rs,则返回步骤(4.1),缩小搜索半径rs,重新初始化粒子;否则,转至步骤(4.6);
步骤(4.6)迭代次数加1;如果迭代次数小于等于设定迭代次数阈值,则返回步骤(4.2),重新计算每个粒子的适应度值;否则,将所得到的全局最优解pg作为修正后的数据点c'k,并结束粒子群算法。
上述步骤(9)中,在输出聚类中心之前,还进一步包括采用减法聚类公式对每个聚类中心进行修正的步骤。
上述信号识别方法,还进一步包括步骤(12),即判决结束后,将判决结果通过上位机显示。
基于聚类与粒子群重构星座图的信号识别系统,其特征是,包括射频接收模块、载波频率估计模块、信号变频模块、模数采集模块、信号识别模块和控制模块;射频接收模块将接收到的信号送入载波频率估计模块;载波频率估计模块对信号进行载波频率估计,估计结果送入控制模块存储;控制模块调整信号变频模块的本振输出频率将信号搬移到基带,然后控制模数采集模块对基带信号进行数据采集;信号识别模块完成信号的识别和判决,判决结果送入控制模块。
上述信号识别系统,还进一步包括上位机,该上位机将控制模块所得到的判决结果进行显示。
上述模数采集模块为双通道模数采集模块。
与现有技术相比,本发明抗干扰能力强,在低信噪比条件下,信号识别率高,且更利于应用到实际。
附图说明
图1为基于聚类与粒子群重构星座图的信号识别方法的流程图。
图2为图1中信号识别的流程图。
图3为基于聚类与粒子群重构星座图的信号识别系统的硬件框架图。
图4为信噪比为0dB下采集的基带信号数据集。
图5为信噪比为0dB下重构的16QAM信号星座图。
图6为信噪比为0dB下采集的基带信号数据集。
图7为信噪比为0dB下重构的32QAM信号星座图。
具体实施方式
一种基于聚类与粒子群重构星座图的信号识别方法,如图1所示,包括如下步骤:
(1)将射频天线接收到的信号进行载波频率估计。
(2)对载波频率估计后的信号下变频,得到复基带信号。
(3)双路模数转换器(AD)对复基带信号进行采样,得到基带信号数据集为(x1,x2,...,xn)
(4)将采样得到的数据集送入基带信号处理模块,通过信号识别算法进行处理。具体算法流程图如图2所示,具体步骤为:
(4.1)初始化邻域半径ra=0.8,设置上门限下门限ε=0.32。
(4.2)将采集到的数据集(x1,x2,...,xn)进行减法聚类处理,每个数据点都是聚类中心的候选者,即把每一个采集到的数据点当作潜在的聚类中心,计算每一个数据点的密度指标,数据点xi的密度指标计算公式为:
式中:Di为密度指标,ra为减法聚类初始的邻域半径,n为数据点总数,i、j为数据点下标,1≤i≤n,1≤j≤n。
(4.3)将每个数据点的密度指标放入基带存储区存储,在存储区内选择一个具有最大密度指标的数据点ck作为数据点(k为聚类中心个数,初始值为1)。
第一次所得最大密度指标的数据点的密度指标赋值给Dc1(该值为始终不变的固定值),每次迭代所得最大密度指标的数据点的密度指标值赋值给Dck(该值为持续更新的可变值)。
(4.4)运行粒子群算法对数据点ck进行修正,得到一个修正后的数据点c'k,粒子群算法具体步骤为:
(4.4.1)设迭代次数C初始化为0,最大值为50。
以数据点ck为圆心定义一个搜索半径rs,将数据点ck及其半径内所有数据点初始化为粒子,每个粒子都是数据点的候选者。
搜索半径rs定义为:
rs=min(ra/2,min||ck+1-ci||/2,i∈(1,2,...,k))
式中:ra为减法聚类初始的邻域半径,ck+1为第k+1个聚类中心点,ci为第i个聚类中心点,且i∈(1,2,...,k)。
(4.4.2)计算每个粒子的适应度值,适应度函数定义为:
式中:n为数据点总数,i、j为数据点下标,1≤i≤n,1≤j≤n,ra为减法聚类初始的邻域半径,rb定义了一个密度指标显著减小的区域,一般取rb=1.5ra,x为以ck为圆心,半径为rs内的所有数据点,cj为更正前聚类中心,k为聚类中心个数。
(4.4.3)更新每个粒子的个体极值pi和整个种群的全局最优解pg。
(4.4.4)更新每个粒子的速度,更新公式为:
Vi (t+1)=ω*Vi (t)+c1*rand()*(Pi-Xi (t))+c2*rand()*(Pg-Xi (t))
式中:ω为惯性权重,c1和c2为粒子学习速度,rand()为介于[0,1]之间的随机数。在本实施例中,惯性权重ω=0.6,学习速度c1=3、c2=4。
限制粒子的速度在区间[-2ra,2ra]。
(4.4.5)更新每个粒子的位置,更新公式为:
Xi (t+1)=Xi (t)+Vi (t+1)
(4.4.6)计算更新后的粒子与数据点ck的距离:如果这个距离大于搜索半径rs,则返回步骤(4.4.1),将搜索半径变为0.5rs,重新初始化粒子;否则,转至步骤(4.4.7)。
(4.4.7)迭代次数C加1。如果C≤50,则返回步骤(4.4.2),重新计算每个粒子的适应度值;否则,将所得到的全局最优解pg作为修正后的数据点c'k,并结束粒子群算法。
(4.5)判断是否成立:如果成立,把修正后的数据点c'k作为最终聚类中心,并采用减法聚类公式对每个数据点的密度指标进行修正,修正完后跳至步骤(4.9);否则,继续下一步骤。
上述减法聚类公式即将数据点的密度指标Di更新为:
式中:Dck为第k个聚类中心的密度指标,xi为数据点,c'k为修正后的数据点,rb=1.5ra。
(4.6)判断Dck<εDc1是否成立:如果成立,不把修正后的数据点c'k作为最终聚类中心,迭代停止,跳至步骤(4.10);否则,继续下一步骤。
(4.7)当时,计算修正后的数据点c'k之间的最小距离dmin;
(4.8)判断下式是否成立,
式中:dmin为所有修正后的聚类中心点之间的最小距离,ra为减法聚类初始领域半径,Dck为第k个聚类中心对应的密度指标,c'k为经过粒子群算法对ck修正后的聚类中心。
如果成立,则把修正后的数据点c'k作为一个最终聚类中心,并采用步骤(4.5)中的减法聚类公式对每个数据点的密度指标进行修正;如果不成立,则修正后的数据点c'k不作为最终聚类中心,修正后的数据点c'k的密度指标置0。
(4.9)从数据集中余下的数据点中选择具有最大密度指标的点作为下一个数据点,聚类中心个数k增加1,并将最大密度指标点的值赋给ck,其对应的密度指标赋值给Dck,并跳至步骤(4.4)采用粒子群算法对聚类中心进行修正。
(4.10)输出聚类中心(c’1,c'2...,c'k)。
(4.11)由于星座图中的每个数据点可以按照到原数据点的距离不同而划分到半径不同的圆上,所以计算每个聚类中心到坐标原点的距离作为半径并排序,取前4个最大的值的均值定义为rmax,后4个最小值的均值定义为rmin,计算R的大小,作为MQAM的分类特征
(4.12)将R与标准星座图圆半径的特征范围比较,若R∈(1.6,2.6],判为8QAM;若R∈(2.6,3.5],判为16QAM;若R∈(3.5,5.6],判为32QAM;若R∈(5.6,8.1]判为64QAM;若R∈(5.1,12.1],判为128QAM;若R∈(12.1,∞),则判为256QAM。
(5)判决结束后,将判决结果通过上位机显示。
上述方法所设计的基于聚类与粒子群重构星座图的信号识别系统,如图3所示,包括射频接收模块、载波频率估计模块、信号变频模块、模数采集模块、信号识别模块、控制模块以及上位机。射频接收模块主要负责接受敌方通信信号,由于非合作接受对信号具体载波频率是未知的,因此射频天线的选择为超宽带天线。信号接收后,将其送入载波频率估计模块进行载波频率估计,估计结果送入控制模块存储。控制模块根据收到指令,调整信号变频模块的本振输出频率将信号搬移到基带,然后控制模数采集模块对基带信号进行数据采集,由于基带信号为复数,因此采用的AD为双通道AD。数据采集后,将其送入信号识别模块。信号识别模块由DSP和FPGA构成,主要负责信号的识别和判决,判决结果送入控制模块,并通过上位机显示。
图4所示为双路AD对输入的16QAM调制信号采集的数据集。在信噪比为0dB下,采用本发明对采集的基带信号数据进行聚类识别,如图5所示,最终聚类数目为16个,并且各聚类中心分布基本均匀,和理想的16QAM信号星座相比,相似度很高,证明了本发明方法的有效性。
图6所示为双路AD对输入的64QAM调制信号采集的数据集。在信噪比为0dB下,采用本发明的方法对采集的基带信号数据进行聚类识别,如图7所示最终聚类数目为62个,并且各聚类中心分布基本均匀,和理想的64QAM信号星座相比,相似度很高,证明了本发明方法的有效性。
本发明首先对接受信号载波进行频率估计,然后将信号下变频到基带,通过模数转换器采集数据送入基带信号处理模块进行处理,最终将识别结果通过上位机显示。信号识别算法为,通过减法聚类算法得到采集数据的数据点,再通过粒子群算法对聚类中心进行优化,最后得到重构的星座图。通过计算各星座数据点到原数据点的距离,将各星座数据点划分到半径不同的圆上,选择最大半径与最小半径之比与标准星座图圆半径的特征范围比较,来识别MQAM信号。与传统减法聚类算法相比,本发明抗干扰能力强,在低信噪比条件下,信号识别率高,且更利于应用到实际。
Claims (8)
1.基于聚类与粒子群重构星座图的信号识别方法,其特征是,包括如下步骤:
步骤(1)初始化邻域半径ra,设置上门限和下门限ε;
步骤(2)把基带信号数据集的每一个数据点当作潜在的聚类中心,并计算每一个数据点的密度指标;
步骤(3)从基带信号数据集中选出具有最大密度指标的数据点赋值给ck,其密度指标同时赋值给Dck和Dc1;
步骤(4)采用粒子群算法对数据点ck进行修正,得到修正后的数据点c'k;
步骤(5)判断是否成立;如果成立,则把修正后的数据点c'k作为聚类中心,并转至步骤(8);否则,转至步骤(6);
步骤(6)判断Dck<εDc1是否成立;如果成立,则不把修正后的数据点c'k作为聚类中心,并转至步骤(9);否则,转至步骤(7);
步骤(7)判断下式是否成立:
式中:dmin为所有聚类中心之间的最小距离,ra为领域半径,Dck为第k个数据点的密度指标,c'k为修正后的数据点;
如果成立,则把数据点c'k作为一个聚类中心,并转至步骤(8);否则,将数据点c'k的密度指标置0,并转至步骤(8);
步骤(8)从基带信号数据集中余下的数据点中选择密度指标最高的数据点赋值给ck,其密度指标赋值给Dck,并返回步骤(4);直至将基带信号数据集中的所有数据点选择完;
步骤(9)输出所有的聚类中心;
步骤(10)计算每个聚类中心到坐标原点的距离r,并进行排序;取前N个最大距离r的均值定义为rmax,后N个最小距离r的均值定义为rmin,其中N为设定值;并根据下式计算R的大小,作为MQAM的分类特征:
步骤(11)将R与标准星座图圆半径的特征范围比较,并由此判别出QAM的信号类型。
2.根据权利要求1所述基于聚类与粒子群重构星座图的信号识别方法,其特征是,密度指标的计算公式为:
式中:Di为密度指标,ra为邻域半径,n为数据点总数,i、j为数据点下标,1≤i≤n,1≤j≤n。
3.根据权利要求1所述基于聚类与粒子群重构星座图的信号识别方法,其特征是,步骤(4)中,采用粒子群算法对数据点ck进行修正的过程具体如下:
步骤(4.1)以数据点ck为圆心定义一个搜索半径rs,将数据点ck及其半径内所有数据点初始化为粒子;
步骤(4.2)计算每个粒子的适应度值;
步骤(4.3)更新每个粒子的个体极值pi和整个种群的全局最优解pg;
步骤(4.4)更新每个粒子的速度和位置;
步骤(4.5)计算更新后的粒子与数据点ck的距离:如果这个距离大于搜索半径rs,则返回步骤(4.1),缩小搜索半径rs,重新初始化粒子;否则,转至步骤(4.6);
步骤(4.6)迭代次数加1;如果迭代次数小于等于设定迭代次数阈值,则返回步骤(4.2),重新计算每个粒子的适应度值;否则,将所得到的全局最优解pg作为修正后的数据点c'k,并结束粒子群算法。
4.根据权利要求1所述基于聚类与粒子群重构星座图的信号识别方法,其特征是,步骤(9)中,在输出聚类中心之前,还进一步包括采用减法聚类公式对每个聚类中心进行修正的步骤。
5.根据权利要求1所述基于聚类与粒子群重构星座图的信号识别方法,其特征是,还进一步包括步骤(12),即判决结束后,将判决结果通过上位机显示。
6.根据权利要求1所述方法所设计的基于聚类与粒子群重构星座图的信号识别系统,其特征是,包括射频接收模块、载波频率估计模块、信号变频模块、模数采集模块、信号识别模块和控制模块;
射频接收模块将接收到的信号送入载波频率估计模块;
载波频率估计模块对信号进行载波频率估计,估计结果送入控制模块存储;
控制模块调整信号变频模块的本振输出频率将信号搬移到基带,然后控制模数采集模块对基带信号进行数据采集;
信号识别模块完成信号的识别和判决,判决结果送入控制模块。
7.根据权利要求6所述基于聚类与粒子群重构星座图的信号识别系统,其特征是,还进一步包括上位机,该上位机将控制模块所得到的判决结果进行显示。
8.根据权利要求6所述基于聚类与粒子群重构星座图的信号识别系统,其特征是,模数采集模块为双通道模数采集模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610621188.0A CN106250853A (zh) | 2016-07-29 | 2016-07-29 | 基于聚类与粒子群重构星座图的信号识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610621188.0A CN106250853A (zh) | 2016-07-29 | 2016-07-29 | 基于聚类与粒子群重构星座图的信号识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106250853A true CN106250853A (zh) | 2016-12-21 |
Family
ID=57606829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610621188.0A Pending CN106250853A (zh) | 2016-07-29 | 2016-07-29 | 基于聚类与粒子群重构星座图的信号识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250853A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370709A (zh) * | 2017-07-29 | 2017-11-21 | 西安电子科技大学 | 一种mqam信号的星座图类型识别方法 |
CN107566039A (zh) * | 2017-09-04 | 2018-01-09 | 复旦大学 | 一种基于聚类判决的可见光系统非线性补偿方法 |
WO2018196673A1 (zh) * | 2017-04-25 | 2018-11-01 | 中兴通讯股份有限公司 | 一种聚类方法、设备及存储介质 |
CN109981507A (zh) * | 2019-04-11 | 2019-07-05 | 电子科技大学 | 一种qam信号类内识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764786A (zh) * | 2009-12-11 | 2010-06-30 | 西安电子科技大学 | 基于聚类算法的mqam信号识别方法 |
-
2016
- 2016-07-29 CN CN201610621188.0A patent/CN106250853A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764786A (zh) * | 2009-12-11 | 2010-06-30 | 西安电子科技大学 | 基于聚类算法的mqam信号识别方法 |
Non-Patent Citations (2)
Title |
---|
李艳玲: "非合作通信中单载波调制信号识别算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
李苹苹等: "基于半监督聚类理论的MQAM信号的盲识别", 《青岛科技大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018196673A1 (zh) * | 2017-04-25 | 2018-11-01 | 中兴通讯股份有限公司 | 一种聚类方法、设备及存储介质 |
CN108734188A (zh) * | 2017-04-25 | 2018-11-02 | 中兴通讯股份有限公司 | 一种聚类方法、设备及存储介质 |
CN108734188B (zh) * | 2017-04-25 | 2023-04-07 | 中兴通讯股份有限公司 | 一种聚类方法、设备及存储介质 |
CN107370709A (zh) * | 2017-07-29 | 2017-11-21 | 西安电子科技大学 | 一种mqam信号的星座图类型识别方法 |
CN107370709B (zh) * | 2017-07-29 | 2020-03-31 | 西安电子科技大学 | 一种mqam信号的星座图类型识别方法 |
CN107566039A (zh) * | 2017-09-04 | 2018-01-09 | 复旦大学 | 一种基于聚类判决的可见光系统非线性补偿方法 |
CN109981507A (zh) * | 2019-04-11 | 2019-07-05 | 电子科技大学 | 一种qam信号类内识别方法 |
CN109981507B (zh) * | 2019-04-11 | 2020-03-10 | 电子科技大学 | 一种qam信号类内识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250853A (zh) | 基于聚类与粒子群重构星座图的信号识别方法与系统 | |
CN110061792B (zh) | 一种基于变分模态分解的频谱感知方法 | |
CN108173599B (zh) | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN106359023A (zh) | 一种基于物联网的农业灌溉系统 | |
CN108540202A (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
CN106130942A (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN106027438B (zh) | 一种用于模数混合调幅广播系统的抗混叠调制解调器 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN105656826B (zh) | 基于顺序统计量和机器学习的调制识别方法及系统 | |
CN105187152A (zh) | 基于频谱感知与调制识别的联合干扰方法与系统 | |
CN102647391A (zh) | 一种基于决策层数据融合的协作调制信号识别方法 | |
CN101764786A (zh) | 基于聚类算法的mqam信号识别方法 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
CN116707675B (zh) | 无线电信号的检测、无线电信号的异常检测方法及装置 | |
CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
CN110826425A (zh) | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 | |
CN117675048A (zh) | 一种面向测控的分层频谱感知系统及方法 | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
CN115333905B (zh) | 一种信号调制方式识别方法 | |
CN108270703A (zh) | 一种通信信号数字调制类型识别方法 | |
Zhao et al. | Cyclic spectrum based intelligent modulation recognition with machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |
|
RJ01 | Rejection of invention patent application after publication |