CN106953821A - 一种Underlay频谱共享下时频重叠信号调制识别方法 - Google Patents
一种Underlay频谱共享下时频重叠信号调制识别方法 Download PDFInfo
- Publication number
- CN106953821A CN106953821A CN201710198305.1A CN201710198305A CN106953821A CN 106953821 A CN106953821 A CN 106953821A CN 201710198305 A CN201710198305 A CN 201710198305A CN 106953821 A CN106953821 A CN 106953821A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- gray
- gradient
- image
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于时频重叠信号调制技术领域,公开了一种underlay频谱共享下时频重叠信号调制识别方法,对接收到的时频重叠信号做关于频率切片小波变换的时频分析得到重叠信号的时频分析图像;将时频分析图像取等高图并依据FSWT的频率切片性质截取纹理差异较明显的部分,并对截取图像进行灰度化处理得到所需的二维灰度图像;最后利用灰度‑梯度共生矩阵计算灰度化后的图像的纹理特征向量并利用RBF神经网络分类器对灰度‑梯度共生矩阵特征数据进行分类识别;对于MQAM信号,当信噪比大于4dB时,识别率达到95%以上;对于MPSK信号,当信噪比大于等于2dB时,识别率达到100%,由此可见,本发明的识别效果较好。
Description
技术领域
本发明属于时频重叠信号调制技术领域,尤其涉及一种underlay频谱共享下时频重叠信号调制识别方法。
背景技术
在underlay频谱共享方式下,主用户和多个次用户共享频谱,从而提高频谱利用率。此时,主用户和次用户在时域上完全重叠,频域上部分重叠,且信号之间相互独立。在underlay认知无线电中,对于非合作重叠信号的处理是必要的,其中重叠信号的调制类型的识别对于后续的信号处理尤为重要,因此研究重叠信号的调制识别是有实际意义的。目前对时频重叠信号的调制识别主要集中于直接提取非平稳信号的循环频率特性上。李旷代等人提出基于四阶循环累积量的单通道MPSK时频重叠双信号的特征提取方法,该方法在数据足够长的情况下信噪比为10dB时可以达到90%以上的识别率,但限于双信号,且信号的载频和码速率等先验信息的估计的精确程度对估计结果影响较大(Kuang-dai Li,Li-liGuo,Rong Shi,Dan Wu,Modulation RecognitionMethodBased on High Order CyclicCumulants for Time-Frequency Overlapped Two-Signal in the Single-Channel[C],Image and Signal Processing,2008.)。付海涛等人针对单通道QPSK-16QAM时频重叠双信号,提出了一种利用接收信号二、四、六阶循环累积量构建分类特征,用支撑向量机分类实现信号的调制识别,该方法需要较大的采样数据和一定的训练信号来达到较高的识别率,且实时性较差(付海涛,石荣,万群等.基于HOCCs和SVM的单通道时频重叠信号调制识别[J].电子信息对抗技术,2009,24(6):14-18.)。徐闻等人提出一种基于高阶累积量的时频重叠信号的调制识别方法,该方法需已知信源个数及信号调制参数等先验信息,受信号功率比和重叠度影响较小,但在低信噪比下算法的鲁棒性较差(徐闻,王斌.采用高阶累计量的时频混叠信号调制识别研究[J].信息工程大学学报,2013,14(3):299-305.)。赵宇峰等人结合二阶和四阶循环累积量的循环频率特性和结构特征,提出一种基于循环频率特征的单信道混合通信信号调制识别的方法和实现算法,其主要特点是不需要已知混合信号的个数、功率、载频、符号率及定时等先验信息,但是要求不同分量信号的符号率、载频是不同的(赵宇峰,曹玉健,纪勇等.基于循环频率特征的单信道混合通信信号的调制识别[J].电子与信息学报,2014,36(5):1202-1208.)。余志斌等人提出了一种不经分离直接判别其调制方式的循环谱包络方法,该方法可以在更少的先验信息和较低的信噪比下得到较好的调制识别效果,但需要复杂的运算和较大的数据长度(余志斌,于宁宇.基于循环谱包络的多信号调制识别[J].计算机应用,2012,32(8):2119-2122.)。陆明泉等人提出一种基于广义自回归建模的同信道多信号的调制识别方法,该方法只对于信号频域可分或部分重叠情况下有效(陆明泉,肖先赐.基于GAR的同信道多信号的调制识别[J].清华大学学报自然科学版,2009(10):1676-1680.)。
综上所述,现有技术存在的问题是:现有的时频重叠信号识别技术需要以信号源进行扩维或者信号源进行分离作为识别的前提,另外,现有识别技术实现起来更为复杂,且可靠性较低。
发明内容
针对现有技术存在的问题,本发明提供了一种underlay频谱共享下时频重叠信号调制识别方法。
本发明是这样实现的,一种underlay频谱共享下时频重叠信号调制识别方法,所述underlay频谱共享下时频重叠信号调制识别方法包括:
步骤一,对接收到的时频重叠信号做关于频率切片小波变换的时频分析得到重叠信号的时频分析图像;
步骤二,将时频分析图像取等高图并依据频率切片小波变换的频率切片性质截取纹理差异较明显的部分,并对截取图像进行灰度化处理得到所需的二维灰度图像;
步骤三,利用灰度-梯度共生矩阵计算灰度化后的图像的纹理特征向量并利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别从而实现时频重叠信号的调制类型的识别。
进一步,所述频率切片小波变换定义为:
其中t为时间,ω为频率,p(t)为信号的时域表示,Ff(·)为信号的时频表示,矢量σ为时频分析的尺度因子且σ≠0,为频率片函数h(t)的傅里叶变换,称为频率切片函数。当时,可得到衡量参数解为其中k为时频分辨率,η为频率分辨率比,ξ为幅值期望响应比,当μ=0.5时,由此可得尺度因子σ。
进一步,彩色图像灰度化的加权平均方法中灰度值加权公式为:
Gray=0.2900R+0.58700G+0.11400B
其中,Gray表示灰度值,R表示红色,G表示绿色,B表示蓝色。
进一步,所述灰度-梯度共生矩阵的元素H(x,y)定义为在归一化的灰度图像F(i,j)及其归一化的梯度图像G(i,j)中具有灰度值x和梯度值y的像素数,表示归一化的H(x,y),灰度-梯度共生矩阵的15特征值的表达式为:
(1)小梯度优势为T1:
(2)大梯度优势为T2:
(3)灰度分布的不均匀性为T3:
(4)梯度分布的不均匀性为T4:
(5)能量为T5:
(6)灰度平均为T6:
(7)梯度平均为T7:
(8)灰度均方差为T8:
(9)梯度均方差为T9:
(10)相关为T10:
(11)灰度熵为T11:
(12)梯度熵为T12:
(13)混合熵为T13:
(14)惯性为T14:
(15)逆差矩为T15:
其中,Lf为灰度的长度,Lg为梯度的长度;
进一步,利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别实现重叠信号的调制类型的识别。
本发明的另一目的在于提供一种应用所述underlay频谱共享下时频重叠信号调制识别方法的underlay认知无线电。
本发明的优点及积极效果为:在时频重叠信号的时频图像上提取纹理特征进行调制识别;对于MQAM信号,当信噪比大于4dB时,识别率达到95%以上;对于MPSK信号,当信噪比大于等于2dB时,识别率达到100%,本发明的识别效果较好。
附图说明
图1是本发明实施例提供的underlay频谱共享下时频重叠信号调制识别方法流程图。
图2是本发明实施例提供的时频重叠MQAM信号的识别性能示意图。
图3是本发明实施例提供的时频重叠MPSK信号的识别性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的underlay频谱共享下时频重叠信号调制识别方法包括以下步骤:
S101:首先对接收到的时频重叠信号做关于频率切片小波变换(Frequency slicewavelettransform,FSWT)的时频分析得到重叠信号的时频分析图像;
S102:然后将时频分析图像取等高图并依据FSWT的频率切片性质截取纹理差异较明显的部分,并对截取图像进行灰度化处理得到所需的二维灰度图像;
S103:最后利用灰度-梯度共生矩阵计算灰度化后的图像的纹理特征向量并利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别从而实现时频重叠信号的调制类型的识别。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的underlay频谱共享下时频重叠信号调制识别方法包括以下步骤:
S1对接收到的时频重叠信号做关于FSWT的时频分析得到重叠信号的时频分析图像;
频率切片小波变换(Frequency slice wavelettransform,FSWT)定义式为:
其中p(t)是信号的时域表示,矢量σ为时频分析的尺度因子且σ≠0,为频率片函数h(t)的傅里叶变换,称为频率切片函数。
依据帕塞维尔方程,如果矢量σ不是估计频率v的函数,上述FSWT表达式可表示为:
本发明使用作为FSF对时频重叠信号进行时频分析处理。此时FSWT表达式可表示为:
本发明尺度因子σ的选择基于以下的原理:
根据Morlet小波变换原理有σ∝ω,可设σ=ω/k,k>0,同时将k(u-ω)/ω带入FSF,k用来衡量时频分辨率。由于Heisenberg的不确定原理的限制,不可能时频域同时得到高的分辨率,只能折中估计σ或k,因此引入两个评价系数来分析时频分辨率:频率分辨率比η=Δω/ω;幅值期望响应比ξ(0<ξ≤1),其中,ξ通常取值等。
若p(t)分别表示为p(t)=δ(t-t0)和且FSWT需满足:
可得到方程组为:
当频率切片函数为那么可得到衡量参数解为:
从而建立了变换因子与时频分辨率之间的关系。
S2对步骤S1得到的时频图像取等高图得到二维图像并依据FSWT的频率切片性质截取纹理差异大的部分按以下进行:
首先对S1中的三维时频图像取等高图。然后由于不同调制类型的重叠信号等高图中能量聚集集中的部分存在明显的纹理差异,该部分的图像特征可以作为图像特征的提取部分;其次FSWT自身具有频率切片的特性,因此通过截取纹理差异明显的区域作为所提取的特征。
S3对由S2得到的部分时频图像灰度化处理,得到二维灰度化图像作为下一步的纹理特征提取的对象。
图像的灰度化即在RGB模型中令R=G=B的情况,灰度范围为0-255,此时R=G=B的值叫灰度值。该发明采用彩色图像灰度化的方法为加权平均的方法,根据不同颜色的重要性等将三个分量进行加权平均处理,从而得到灰度化图像。灰度值加权公式为:
Gray=0.2900R+0.58700G+0.11400B;
其中,Gray表示灰度值,R表示红色,G表示绿色,B表示蓝色。
S4针对步骤S3中的灰度化图像计算其灰度-梯度共生矩阵特征向量按以下进行:
首先介绍下灰度-梯度共生矩阵的原理:灰度-梯度共生矩阵的元素H(x,y)定义为在归一化的灰度图像F(i,j)及其归一化的梯度图像G(i,j)中具有灰度值x和梯度值y的像素数,表示归一化的H(x,y),灰度-梯度共生矩阵的15特征值的表达式为:
(1)小梯度优势为T1:
(2)大梯度优势为T2:
(3)灰度分布的不均匀性为T3:
(4)梯度分布的不均匀性为T4:
(5)能量为T5:
(6)灰度平均为T6:
(7)梯度平均为T7:
(8)灰度均方差为T8:
(9)梯度均方差为T9:
(10)相关为T10:
(11)灰度熵为T11:
(12)梯度熵为T12:
(13)混合熵为T13:
(14)惯性为T14:
(15)逆差矩为T15:
其中,Lf为灰度的长度,Lg为梯度的长度;
在步骤S3中得到重叠信号的二维灰度图像后,利用上面的灰度-梯度共生矩阵公式计算出相应的图像的特征向量。
S5利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别从而实现重叠信号的调制类型的识别。
由S4计算出来的灰度-梯度共生矩阵的特征向量中由于不同特征之间量级差较大,为了减少不同量级数据间由于量级带来的识别效果差的影响,在使用RBF分类器之前对数据直接对数处理,然后放入分类器分类识别。
下面结合仿真对本发明的应用效果作详细的描述。
为了评估本发明的性能,下面的仿真实验采用时频混叠的信号,并进行2000次实验,训练序列1200,测试序列800,使用RBF分类器进行分类识别。时频重叠信号的参数设置如下:时频重叠双信号,载波频率为fc1=5MHz,fc2=7.6MHz,信号码元速率为fb1=1MHz,fb2=2MHz,采样频率fs1=30MHz,fs2=60MHz。数据长度为4096点。时频重叠信号的功率比为1:1。其仿真结果如图2和图3所示,任意两个信号重叠,对于MQAM信号,当信噪比大于4dB时,识别率达到95%以上;对于MPSK信号,当信噪比大于等于2dB时,识别率达到100%,可见,本发明的识别效果较好。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种underlay频谱共享下时频重叠信号调制识别方法,其特征在于,所述underlay频谱共享下时频重叠信号调制识别方法包括:
步骤一,对接收到的时频重叠信号做关于频率切片小波变换的时频分析得到重叠信号的时频分析图像;
步骤二,将时频分析图像取等高图并依据频率切片小波变换的频率切片性质截取纹理差异较明显的部分,并对截取图像进行灰度化处理得到所需的二维灰度图像;
步骤三,利用灰度-梯度共生矩阵计算灰度化后的图像的纹理特征向量并利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别从而实现时频重叠信号的调制类型的识别。
2.如权利要求1所述的underlay频谱共享下时频重叠信号调制识别方法,其特征在于,所述频率切片小波变换(Frequency slice wavelet transform,FSWT)定义为:
其中t为时间,ω为频率,p(t)为信号的时域表示,Ff(·)为信号的时频表示,矢量σ为时频分析的尺度因子且σ≠0,为频率片函数h(t)的傅里叶变换,称为频率切片函数;当时,可得到衡量参数解为其中k为时频分辨率,η为频率分辨率比,ξ为幅值期望响应比,当μ=0.5时,由此可得尺度因子σ。
3.如权利要求1所述的underlay频谱共享下时频重叠信号调制识别方法,其特征在于,彩色图像灰度化的加权平均方法中灰度值加权公式为:
Gray=0.2900R+0.58700G+0.11400B
其中,Gray表示灰度值,R表示红色,G表示绿色,B表示蓝色。
4.如权利要求1所述的underlay频谱共享下时频重叠信号调制识别方法,其特征在于,所述灰度-梯度共生矩阵的元素H(x,y)定义为在归一化的灰度图像F(i,j)及其归一化的梯度图像G(i,j)中具有灰度值x和梯度值y的像素数,表示归一化的H(x,y),灰度-梯度共生矩阵的15特征值的表达式为:
(1)小梯度优势为T1:
(2)大梯度优势为T2:
(3)灰度分布的不均匀性为T3:
(4)梯度分布的不均匀性为T4:
(5)能量为T5:
(6)灰度平均为T6:
(7)梯度平均为T7:
(8)灰度均方差为T8:
(9)梯度均方差为T9:
(10)相关为T10:
(11)灰度熵为T11:
(12)梯度熵为T12:
(13)混合熵为T13:
(14)惯性为T14:
(15)逆差矩为T15:
其中,Lf为灰度的长度,Lg为梯度的长度。
5.如权利要求1所述的underlay频谱共享下时频重叠信号调制识别方法,其特征在于,利用RBF神经网络分类器对灰度-梯度共生矩阵特征数据进行分类识别实现重叠信号的调制类型的识别。
6.一种应用权利要求1~5任意一项所述underlay频谱共享下时频重叠信号调制识别方法的underlay认知无线电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198305.1A CN106953821B (zh) | 2017-03-29 | 2017-03-29 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198305.1A CN106953821B (zh) | 2017-03-29 | 2017-03-29 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106953821A true CN106953821A (zh) | 2017-07-14 |
CN106953821B CN106953821B (zh) | 2019-11-29 |
Family
ID=59474183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710198305.1A Active CN106953821B (zh) | 2017-03-29 | 2017-03-29 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106953821B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
CN108777584A (zh) * | 2018-07-06 | 2018-11-09 | 中国石油大学(华东) | 一种极化码译码参数的快速优化方法 |
CN109086749A (zh) * | 2018-09-14 | 2018-12-25 | 汪新群 | 一种民用无人机系统被动式探测方法 |
CN109698551A (zh) * | 2017-10-24 | 2019-04-30 | 盐城市雷击环保科技有限公司 | 一种变压器负荷智能管理系统 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112347910A (zh) * | 2020-11-05 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | 一种基于多模态深度学习的信号指纹识别方法 |
CN112788057A (zh) * | 2021-01-28 | 2021-05-11 | 湖南大学 | 一种基于FSWT时频分布的LDoS攻击检测方法 |
CN113259289A (zh) * | 2021-05-13 | 2021-08-13 | 曾泓然 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
CN117216519A (zh) * | 2023-09-12 | 2023-12-12 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587186A (zh) * | 2008-05-22 | 2009-11-25 | 赵力 | 一种雷达脉内调制信号的特征提取方法 |
CN106385291A (zh) * | 2016-12-06 | 2017-02-08 | 西安电子科技大学 | 认知无线电中时频重叠信号分量信号的信噪比估计方法 |
-
2017
- 2017-03-29 CN CN201710198305.1A patent/CN106953821B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587186A (zh) * | 2008-05-22 | 2009-11-25 | 赵力 | 一种雷达脉内调制信号的特征提取方法 |
CN106385291A (zh) * | 2016-12-06 | 2017-02-08 | 西安电子科技大学 | 认知无线电中时频重叠信号分量信号的信噪比估计方法 |
Non-Patent Citations (2)
Title |
---|
李慎等: "加权灰度-梯度共生矩阵特征值的图像检索", 《电子技术》 * |
蔡剑华等: "基于频率切片小波变换的时频分析与MT信号去噪", 《石油物探》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698551A (zh) * | 2017-10-24 | 2019-04-30 | 盐城市雷击环保科技有限公司 | 一种变压器负荷智能管理系统 |
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
CN107941511B (zh) * | 2017-11-10 | 2019-05-03 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
CN108777584A (zh) * | 2018-07-06 | 2018-11-09 | 中国石油大学(华东) | 一种极化码译码参数的快速优化方法 |
CN109086749A (zh) * | 2018-09-14 | 2018-12-25 | 汪新群 | 一种民用无人机系统被动式探测方法 |
CN110244271B (zh) * | 2019-05-17 | 2022-06-10 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112115821B (zh) * | 2020-09-04 | 2022-03-11 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112347910A (zh) * | 2020-11-05 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | 一种基于多模态深度学习的信号指纹识别方法 |
CN112347910B (zh) * | 2020-11-05 | 2022-05-31 | 中国电子科技集团公司第二十九研究所 | 一种基于多模态深度学习的信号指纹识别方法 |
CN112788057A (zh) * | 2021-01-28 | 2021-05-11 | 湖南大学 | 一种基于FSWT时频分布的LDoS攻击检测方法 |
CN113259289A (zh) * | 2021-05-13 | 2021-08-13 | 曾泓然 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
CN113259289B (zh) * | 2021-05-13 | 2022-06-17 | 曾泓然 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
CN117216519A (zh) * | 2023-09-12 | 2023-12-12 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
CN117216519B (zh) * | 2023-09-12 | 2024-04-16 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106953821B (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106953821A (zh) | 一种Underlay频谱共享下时频重叠信号调制识别方法 | |
CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
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 | |
Girault | Stationary graph signals using an isometric graph translation | |
Novey et al. | A complex generalized Gaussian distribution—Characterization, generation, and estimation | |
CN102170581B (zh) | 基于hvs的ssim与特征匹配立体图像质量评价方法 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN103679210B (zh) | 基于高光谱图像解混的地物识别方法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN108304877A (zh) | 一种基于机器学习的物理层信道认证方法 | |
CN103841410B (zh) | 基于图像特征信息的半参考视频QoE客观评估方法 | |
CN107609573A (zh) | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN104680541A (zh) | 基于相位一致性的遥感图像质量评价方法 | |
Wang et al. | Msmcnet: A modular few-shot learning framework for signal modulation classification | |
CN107092898A (zh) | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 | |
CN106934770A (zh) | 一种评价雾霾图像去雾效果的方法和装置 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
CN112419258A (zh) | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 | |
CN107194926A (zh) | 互补色小波域图像质量盲评价方法 | |
Khalid et al. | Gaussian process-based feature-enriched blind image quality assessment | |
CN103530866A (zh) | 一种基于高斯云变换的图像处理方法及装置 | |
CN106301755B (zh) | 一种基于小波分析的能量泄漏信号的降噪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |