CN107276938A - 一种数字信号调制方式识别方法及装置 - Google Patents
一种数字信号调制方式识别方法及装置 Download PDFInfo
- Publication number
- CN107276938A CN107276938A CN201710508161.5A CN201710508161A CN107276938A CN 107276938 A CN107276938 A CN 107276938A CN 201710508161 A CN201710508161 A CN 201710508161A CN 107276938 A CN107276938 A CN 107276938A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- learning model
- coordinate point
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明实施例提供了一种数字信号调制方式识别方法及装置,方法包括:获取待识别数字信号,并获得待识别数字信号的目标参数信息;根据目标参数信息,计算待识别数字信号的目标特征,将目标特征按照预设顺序组合为目标特征集;将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数;基于预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容进行训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
Description
技术领域
本发明涉及无线电通信技术领域,特别是涉及一种数字信号调制方式识别方法及装置。
背景技术
信号调制方式识别是信号检测和信号解调之间的重要步骤,其目的是在没有其他先验知识的情况下,通过对接收到信号的处理,识别出信号的调制方式。识别出信号的调制方式后,便可以对信号进行解调,以便后续对信号进行进一步的处理。在无线电系统中,通过信号调制方式识别可以使不同体制的通信系统之间实现互通互联,还可以通过识别指定频带内的信号调制方式,提高频谱检测能力,实现对无线电频谱利用的监测。
其中,由于基于特征的调制方式识别具有计算复杂度较低、鲁棒性较强、简单易行等特点,在数字信号调制方式识别领域应用广泛。具体来说,获取数字信号后,从该数字信号中提取一类特征(例如,归一化功率谱、归一化零中心瞬时幅度谱密度等特征),然后将这类特征的实际值与每种已知调制方式对应的该特征的理论值进行比较,与实际值的差值最小的理论值所对应的调制方式即为识别出的数字信号的调制方式。
由于实际无线信道一般存在噪声等因素的影响,会导致获取到的数字信号出现信息丢失,即接收到的数字信号为非完备数字信号。对于非完备数字信号,由于信息缺失,其特征的实际值与对应的理论值往往存在较大偏差,从而导致识别准确率低。例如,获取到的数字信号的某一特征的实际值为26,数字信号的实际调制方式A对应的该特征的理论值为20,另一种调制方式B对应的该特征的理论值为25,那么显然实际值26与调制方式B对应的理论值25的差值最小,则会将该数字信号的调制方式识别为B,导致识别错误。
发明内容
本发明实施例的目的在于提供一种数字信号调制方式识别方法及装置,以提高数字信号调制方式的识别准确率。具体技术方案如下:
第一方面,本发明实施例提供了一种数字信号调制方式识别方法,所述方法包括:
获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
可选的,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述根据所述目标参数信息,计算所述待识别数字信号的目标特征的步骤,包括:
根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
可选的,所述根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征的步骤,包括:
从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
如果是,返回所述分别计算剩余所有星座图坐标点与每个中心坐标点的距离的步骤;
如果否,将所述新的中心坐标点确定为所述目标星座图特征。
可选的,所述目标字典学习模型的训练方式包括:
针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
将所述特征集样本输入所述初始字典学习模型D;
根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
判断每个字典原子的更新次数是否为预设次数;
如果是,完成训练,得到所述目标字典学习模型;
如果否,返回所述根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N的步骤。
可选的,所述将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数的步骤,包括:
将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
可选的,所述基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式的步骤,包括:
确定所述目标稀疏表示系数中值最大的行为目标行;
将所述目标字典学习模型中列数与所述目标行的行数相同的列确定为目标列;
将所述目标列所对应的预设调制方式确定为所述目标稀疏表示系数对应的调制方式。
第二方面,本发明实施例提供了一种数字信号调制方式识别装置,所述装置包括:
目标参数信息获取模块,用于获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
目标特征集确定模块,用于根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
目标稀疏表示系数确定模块,用于将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
调制方式识别模块,用于基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
可选的,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述目标特征集确定模块包括:
目标高阶累积量特征计算单元,用于根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
目标星座图特征计算单元,用于根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
可选的,所述目标星座图特征计算单元包括:
中心坐标点确定子单元,用于从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
星座图坐标点划分子单元,用于分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
中心坐标点更新子单元,用于计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
距离判断子单元,用于判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
返回子单元,用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离大于预设阈值时,返回所述星座图坐标点划分子单元;
目标星座图特征确定子单元,用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离不大于预设阈值时,将所述新的中心坐标点确定为所述目标星座图特征。
可选的,所述装置还包括:
目标字典学习模型模块,用于对所述目标字典学习模型进行训练;
所述目标字典学习模型模块包括:
参数信息获取单元,用于针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
特征集样本确定单元,用于根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
初始字典学习模型构建单元,用于从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
特征集样本输入单元,用于将所述特征集样本输入所述初始字典学习模型D;
稀疏表示系数计算单元,用于根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
误差矩阵计算单元,用于根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
字典原子更新单元,用于根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
预设次数判断单元,用于判断每个字典原子的更新次数是否为预设次数;
目标字典学习模型确定单元,用于在每个字典原子的更新次数为预设次数时,完成训练,得到所述目标字典学习模型;
返回计算单元,用于在每个字典原子的更新次数不为预设次数时,返回所述稀疏表示系数计算单元。
本发明实施例提供的方案中,首先获取待识别数字信号,并获得待识别数字信号的目标参数信息,根据目标参数信息,计算待识别数字信号的目标特征,并将目标特征按照预设顺序组合为目标特征集,然后将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,最后预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容,基于计算得到的各特征集样本对应的稀疏表示系数训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种数字信号调制方式识别方法的流程图;
图2为图1所示实施例中目标星座图特征计算方式的流程图;
图3为图1所示实施例中目标字典学习模型的训练方式的流程图;
图4为一种初始字典学习模型的结构示意图;
图5为本发明实施例所提供的一种数字信号调制方式识别装置的结构示意图;
图6为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高数字信号调制方式的识别准确率,本发明实施例的提供了一种数字信号调制方式识别方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种数字信号调制方式识别方法进行介绍。
首先需要说明的是,本发明实施例所提供的一种数字信号调制方式识别方法可以应用于需要对数字信号调制方式进行识别的任意电子设备(以下简称电子设备),例如,信号接收端设备、信号处理设备等。
如图1所示,一种数字信号调制方式识别方法,所述方法包括:
S101,获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
电子设备可以通过无线信道接收或者截获需要进行调制方式识别的数字信号,可以理解的是,该数字信号即为待识别数字信号。
获取待识别数字信号后,电子设备便可以获得该待识别数字信号的目标参数信息,其中,目标参数信息可以包括待识别数字信号的幅值、星座图坐标点等,以便后续步骤中计算待识别数字信号的目标特征。可以理解的是,幅值即为信号的幅度值;数字信号在复平面中的表示,即数字信号矢量端点的分布图称为星座图,而星座图坐标点即为数字信号映射到星座图中的点。
S102,根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
获得了目标参数信息后,电子设备可以利用目标参数信息计算得到待识别数字信号的目标特征。数字信号具有多类特征,例如,谱相关特征、高阶累积量特征等。由于零均值的高斯白噪声二阶以上的累积量为零,故高阶累积量特征在信噪比较低的环境下识别效果也较好。而星座图作为数字信号在复平面中的表示,可以清晰地反映数字信号在星座图中的映射关系。因此,作为本发明实施例的一种实施方式,可以采用待识别数字信号的高阶累积量特征和星座图特征作为待识别数字信号的目标特征,也就是目标高阶累积量特征和目标星座图特征。
需要说明的是,目标高阶累积量特征仅仅用来指代待识别数字信号的高阶累积量特征,不具有任何其他限定意义。同样的,目标星座图特征仅仅用来指代待识别数字信号的星座图特征,也不具有任何其他限定意义。为了布局清楚和方案清晰,后续将会对计算待识别数字信号的目标特征的具体实现方式进行举例介绍。
由于目标特征一般为多个,为了避免出现目标特征混乱而影响识别准确率的问题,计算得到目标特征后,可以将目标特征按照预设顺序组合为目标特征集。其中,该预设顺序可以为能够将目标特征进行组合的任意顺序,在此不做具体限定。为了方便后续目标字典学习模型的处理,目标特征集可以组合为向量的形式,目标特征的数量即为该向量的维数。
例如,假设目标特征包括2个目标高阶累积量特征和4个目标星座图特征,分别以A1、A2以及B1、B2、B3、B4表示,那么按照预设顺序组合为目标特征集可以为[A1,A2,B1,B2,B3,B4]T,也可以为[B1,B2,B3,B4,A1,A2]T,当然也可以为[B1,A1,B2,A2,B3,B4]T等,这都是合理的。
S103,将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数;
其中,该目标字典学习模型可以为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型。特征集样本可以为根据训练信号样本的参数信息计算并按照上述预设顺序组合得到的特征集。而训练信号样本则为预先获得的预设调制方式的训练信号,且训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值。该相似度可以通过信号传输的无线信道的噪音值、衰减值等表示,该预设阈值可以根据调制识别的精确度等因素确定,在此不做具体限定。
上述预设调制方式可以为8ASK(ASK,Amplitude Shift Keying,幅移键控法)、16ASK、QASK、8PSK(PSK,Phase Shift Keying,相移键控法)、16PSK、QPSK、8QAM(QAM,Quadrature Amplitude Modulation,正交振幅调制法)、16QAM等调制方式,在此不做具体限定。
在一种实施方式中,该目标字典学习模型对应的初始字典学习模型是由多个字典原子组成的,而每个字典原子则是从每种预设调制方式对应的特征集样本中选择的一个特征集样本。初始字典学习模型经过训练便可以得到目标字典学习模型,该目标字典学习模型为一个实数矩阵,其行数为每个特征集样本包括的特征的数量,与目标特征集包括的目标特征的数量相同,其列数为预设调制方式的数量。
将上述目标特征集输入至该目标字典学习模型,进行稀疏表示,便可以得到目标稀疏表示系数。为了布局清楚和方案清晰,后续将会对将上述目标特征集输入至该目标字典学习模型进行稀疏表示的具体实现方式进行举例介绍。
需要说明的是,用于训练目标字典学习模型的训练信号样本一般是在与实际进行调制方式识别时相同或相近的无线信道环境中获取的,也就是说信噪比、信号衰减等因素是相近的,训练信号的传输环境与待识别信号的传输环境的相似度是比较高的,这样可以使通过目标字典学习模型得到的目标稀疏表示系数更加准确,进而,得到的调制方式识别结果也更加准确。
S104,基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
获得了上述目标稀疏表示系数,电子设备便可以基于预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,将该目标稀疏表示系数对应的预设调制方式作为待识别数字信号的调制方式。
一般情况下,目标稀疏表示系数为一个多行一列的实数矩阵,由于目标稀疏表示系数中行值最大,说明该行所对应的目标字典学习模型中的列与目标特征集最为接近,那么该列所对应的预设调制方式也就可以作为待识别数字信号的调制方式。所以,在一种实施方式中,可以先确定目标稀疏表示系数中值最大的行为目标行,然后将目标字典学习模型中列数与目标行的行数相同的列确定为目标列;最后将该目标列所对应的预设调制方式确定为目标稀疏表示系数对应的调制方式,也就是待识别数字信号的调制方式。
目标稀疏表示系数一般为一个多行一列的实数矩阵,所以得到了目标稀疏表示系数也就可以确定值最大的行,进而便得到目标行。举例而言,如果目标稀疏表示系数为X*=[x1 *,x2 *,…x8 *]T,其中x3 *的值最大,那么第3行便为目标行。
接下来,便可以根据目标行的行数确定待识别数字信号的调制方式。具体来说,目标字典学习模型中列数与目标行的行数相同的列可以称为目标列,目标列对应的预设调制方式便是目标稀疏表示系数对应的调制方式,也就是待识别数字信号的调制方式。例如,目标行为第3行,目标字典学习模型中第3列对应的预设调制方式为16QAM,那么待识别数字信号的调制方式即为16QAM。
可见,本发明实施例所提供的方案中,首先获取待识别数字信号,并获得待识别数字信号的目标参数信息,根据目标参数信息,计算待识别数字信号的目标特征,并将目标特征按照预设顺序组合为目标特征集,然后将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,最后预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容,基于计算得到的各特征集样本对应的稀疏表示系数训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
针对上述目标参数信息包括待识别数字信号的幅值及星座图坐标点,目标特征包括目标高阶累积量特征及目标星座图特征的情况而言,作为本发明实施例的一种实施方式,所述根据所述目标参数信息,计算所述待识别数字信号的目标特征的步骤,可以包括:
根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
需要说明的是,目标高阶累积量特征的数量以及阶数可以由本领域技术人员根据数字信号的实际传输环境等因素确定,在此不做具体限定,例如,数量可以为2、4、5等,阶数可以为2、4、6等。对于根据幅值计算待识别数字信号的目标高阶累积量特征的方式,可以采用现有任意计算方式,在此不做具体限定,只要可以得到目标高阶累积量特征即可。对于根据星座图坐标点计算待识别数字信号的目标星座图特征的具体实现方式,后续将会具体说明。
举例而言,假设目标高阶累积量特征包括二阶累积量特征和四阶累积量特征,那么:
C21=M21
C40=M40-3M20 2
其中,C21为二阶累积量特征,C40、C42为四阶累积量特征,Mpq表示一个零均值的复随机过程x(t)的p阶混合矩,可以由以下公式得到:
Mpq=E[x(t)p-qx*(t)q]
其中,x(t)为信号幅值,E为信号能量,*表示函数的共轭。可见,高阶累积量特征与信号能量有关,所以为了尽量消除信号能量对调制方式识别准确率的影响,在一种实施方式中,可以采用高阶累积量参数作为目标高阶累积量特征,也就是说,可以通过以下公式计算得到高阶累积量参数F1及F2,并以F1和F2作为目标高阶累积量特征。
F1=|C40|/|C42|
F2=|C42|/|C21|2
可见,采用高阶累积量参数作为目标高阶累积量特征可以尽可能地消除信号能量的影响,提高调制方式识别结果的准确率。另外,同时采用两种特征作为目标特征,可以使识别结果更加准确。
作为本发明实施例的一种实施方式,如图2所示,所述根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征的步骤,可以包括:
S201,从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
在理想情况下,M阶调制数字信号映射到星座图中有M个星座点,但由于噪声等因素的存在,实际情况下,数字信号映射到星座图中得到的是大于M个离散的星座图坐标点。为了获得更加准确的目标星座图特征,电子设备可以将这些星座图坐标点进行聚类,进而得到目标星座图特征。
首先,可以从上述星座图坐标点中选取预设数量的坐标点,作为预设数量个簇的中心坐标点。一般情况下,该预设数量可以根据常见的调制方式阶数进行设定,例如8、16等。如果预设数量为8,星座图坐标点的数量为20,那么便可以从该20个星座图坐标点中选取8个,分别作为8个簇的中心坐标点。
可以理解的是,在选取预设数量的坐标点时,可以尽量分散的选取,而避免选取距离较近的多个坐标点,这样可以减少将星座图坐标点进行聚类的计算量,有利于聚类处理快速高效地进行。
S202,分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
确定了每个簇的中心坐标点后,电子设备便可以分别计算剩余所有星座图坐标点与每个中心坐标点的距离。假设星座图坐标点的数量为20,步骤S201中确定的簇共有8个,那么剩余所有星座坐标点即为12个,接下来,便需要分别计算该12个星座坐标点与8个簇的中坐标点的距离,对于该12个星座坐标点中的每一个星座坐标点而言,都会得到8个距离。
进一步便可以将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇。例如,上述8个簇分别为C1、C2…C8,上述12个星座坐标点中的一个星座坐标点与8个簇的中心坐标点的距离分别为5.5、0.8、1.4、7.0、2.6、3.1、4.5、4.1,那么可以看出,该星座坐标点与第2个中坐标点的距离最近,那么,该星座图坐标点即划分至与其距离最近的中心坐标点所在的簇C2。
由于所有剩余星座图坐标点的划分方式均是相同的,在此不再赘述。按照这样的划分方式可以将剩余所有星座图坐标点划分至相应的簇,进而,得到预设数量的簇,每个簇包括一个或多个星座图坐标点。
S203,计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
得到上述预设数量的簇后,电子设备可以计算每个簇所包括的星座图坐标点的坐标的算术平均值,这样便得到了该簇中所有星座坐标点的平均值,显然该算术平均值表示了该簇中所有星座图坐标点的平均位置,那么便可以将该算术平均值作为该簇的新的中心坐标点,该新的中心坐标点可以更好地体现该簇的中心位置。
举例来说,簇C1中包括5个星座图坐标点,分别为中心坐标点(3.1,5.2)以及(2.8,5.7)、(3.4,4.9)、(3.0,5.1)、(2.9,5.0),那么该5个星座图坐标点的坐标的算术平均值即为 那么,(3.04,5.18)即为簇C1的新的中心坐标点。
S204,判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值,如果是,返回步骤S202;如果否,执行步骤S205;
为了保证聚类效果,使聚类得到的目标星座图特征更好地体现待识别数字信号的星座图特征,得到每个簇的新的中心坐标点后,可以判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值。
如果存在大于预设阈值的距离,那么说明该距离对应的簇的中心坐标点与新的中心坐标点距离较远,显然该簇中的所有星座图坐标点的位置并不是都较近,说明聚类效果并不理想,那么便可以返回步骤S202,分别计算剩余所有星座图坐标点与每个中心坐标点的距离,进行循环聚类,以提高聚类效果。可以理解的是,返回步骤S202时,每个簇的中心坐标点为上述步骤S203中确定的新的中心坐标点,而剩余所有星座图坐标点即为除该新的中心坐标点以外的其余星座图坐标点。
如果每个簇的中心坐标点与该簇的新的中心坐标点的距离都不大于预设阈值,那么说明每个簇的中心坐标点与新的中心坐标点距离均较近,每个簇中的所有星座图坐标点的位置都是比较近的,说明聚类效果比较理想,那么便可以执行步骤S205。
S205,将所述新的中心坐标点确定为所述目标星座图特征。
在聚类效果比较理想的情况下,便可以停止聚类,将上述步骤S203中得到的新的中心坐标点确定为目标星座图特征,用于待识别数字信号调制方式的识别。
可见,采用上述聚类方式对待识别数字信号的星座图坐标点进行聚类,得到的目标星座图特征与在理想状态下获得的待识别数字信号的星座图坐标点更为接近,可以更好地反映待识别数字信号的调制方式,因此可以提高调制方式识别的准确率。
作为本发明实施例的一种实施方式,如图3所示,上述目标字典学习模型的训练方式可以包括以下步骤:
S301,针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
可以理解的是,为了构建和训练由特征集样本组成的初始字典学习模型,电子设备首先需要获取多个训练信号样本,并获得每个训练信号样本的参数信息,用来计算计算每个训练信号样本的特征。其中,所获得的每个训练信号样本的参数信息与上述目标参数信息时相同的,这样可以保证调制方式识别结果的准确。例如,如果目标参数信息为待识别数字信号的幅值和星座图坐标点,那么训练信号样本的参数信息也就为训练信号样本的幅值和星座图坐标点。
该训练信号样本是针对多种预设调制方式获取的,一般情况下,针对每一种预设调制方式,可以获取多个训练信号样本。需要说明的是,在获取训练信号样本时,获取环境一般是与调制方式识别时的环境相同或相似的,这样可以保证训练得到的目标字典学习模型更加适用于对目标特征集的稀疏表示,可以得到准确的调制方式识别结果。
进一步需要说明的是,上述预设调制方式可以由本领域技术人员根据实际数字信号的应用场景等因素确定,例如可以为QASK、QPSK、8ASK、8PSK、8QAM、16ASK、16PSK、16QAM等调制方式,在此不做具体限定。
S302,根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
为了得到准确率较高的调制方式识别结果,根据参数信息,分别计算每个训练信号样本的特征的方式,采用与上述根据目标参数信息,计算待识别数字信号的目标特征相同的方式,相关之处可以参见上述根据目标参数信息,计算待识别数字信号的目标特征部分的说明,在此不再进行赘述。
同理的,将每个训练信号样本的特征按照预设顺序组合为特征集样本的方式,可以采用与上述将目标特征按照预设顺序组合为目标特征集相同的方式,相关之处可以参见上述将目标特征按照预设顺序组合为目标特征集部分的说明,在此不再进行赘述。
通过这样的处理方式,可以使训练得到的目标字典学习模型更适用于处理上述目标特征集。
S303,从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k;
通过上述计算和组合,针对每种预设调制方式都可以得到多个特征集样本,此时可以从每种预设调制方式对应的多个特征集样本中选择一个特征集样本作为字典原子di,将字典原子构建成为初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量。
如图4所示,假设预设调制方式为8种,针对每种预设调制方式获得了10个训练信号样本,并计算组合得到每个训练信号样本的特征集样本,这样针对每种预设调制方式得到10个特征集样本,那么此时便可以从每种预设调制方式对应的10个特征集样本中选择一个作为一个字典原子di,也就是说,可以从第一种预设调制方式对应的10个特征集样本中选择一个作为字典原子d1,从第二种预设调制方式对应的10个特征集样本中选择一个作为字典原子d2,以此类推,从第八种预设调制方式对应的10个特征集样本中选择一个作为字典原子d8,进而,便可以构建得到如图4所示的初始字典学习模型D,其中,实线方框表示特征集样本中的一个特征。
可以理解的是,初始字典学习模型D是一个n行k列的实数矩阵,n即为每个特征集样本所包括的特征的数量,也就是目标特征集所包括的特征的数量。k则为预设调制方式的数量。
S304,将所述特征集样本输入所述初始字典学习模型D;
初始字典学习模型构建完毕后,便可以将特征集样本输入构建的初始字典学习模型进行训练。
S305,根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N;
在训练过程中,电子设备可以根据公式Y=DX,计算所有训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为训练信号样本的特征集样本,N为训练信号样本的总数量。
例如,如果预设调制方式为8种,针对每种预设调制方式获得了10个训练信号样本,那么训练信号样本的总数量N为80。每个特征集样本所包括的特征的数量n为12,那么每个特征集样本便为一个12维的向量,特征集样本的集合Y便为12行80列的实数矩阵,初始字典学习模型D便为12行8列的实数矩阵。那么根据公式Y=DX计算得到的X即为8行80列的实数矩阵,x1,x2,…x8均为80维的向量。
S306,根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei;
稀疏表示系数X中非零系数的个数代表了数字信号通过字典学习模型进行稀疏表示的稀疏程度,非零系数的个数越少,表示稀疏程度越高。而对初始字典学习模型的训练目标就是使稀疏表示后的数字信号的特征集与原数字信号的特征集的误差在一定范围内,这样,通过训练得到的目标字典学习模型D*对待识别数字信号的目标特征集Y*进行稀疏表示,得到的目标稀疏表示稀疏X*可以使待识别数字信号的稀疏性最好,即通过D*X*表示的目标特征集Y*,与目标特征集Y*的真实值的误差更小,进而,便可以认为Y*=D*X*。这种训练目标可以通过以下函数表示:
其中,||x||0为x的零范数,表示x中非零元素的个数,ε表示稀疏表示中能够接受的最大误差。
为了达到上述训练目标,电子设备可以根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行。
例如,训练信号样本的特征集样本的集合Y=[y1,y2,…y80],初始字典学习模型为D=[d1,d2,…d8],稀疏表示系数X=[x1,x2,…x8]T,对于字典原子d2来说,其误差矩阵E2=Y-∑j≠2djxj,可以理解的是,j的取值为1、3、4…8,进而,也就可以计算得到E2。
S307,根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
得到每个字典原子对应的误差矩阵后,便可以对字典原子进行更新,以使训练得到的目标字典学习模型可以更好地对目标特征集进行稀疏表示。具体来说,可以根据公式更新每个字典原子,并记录每个字典原子的更新次数,以便后续对每个字典原子的更新次数的判断。
依然以上述字典原子d2为例,计算得到其误差矩阵E2后,便可以将d2更新为同样的,计算得到字典原子d5的误差矩阵E5后,便可以将d5更新为对于每个字典原子均通过同样的方式进行更新,在此不再赘述。
S308,判断每个字典原子的更新次数是否为预设次数,如果是,执行步骤S309;如果否,返回步骤S305;
对每个字典原子进行更新后,电子设备可以判断每个字典原子的更新次数是否为预设次数,如果是,说明字典原子的更新次数已经可以满足识别需要,此时得到的目标字典学习模型可以很好的对待识别数字信号的调制方式进行识别,那么便可以执行步骤S309,结束训练。
如果每个字典原子的更新次数没有达到预设次数,说明字典原子的更新次数还不能满足识别需要,此时为了使得到的目标字典学习模型可以很好的对待识别数字信号的调制方式进行识别,那么便可以返回步骤S305,重复执行根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N的步骤,进而重复执行步骤S306-步骤S308,直到每个字典原子的更新次数均达到上述预设次数,得到目标字典学习模型D*。
需要说明的是,由于在上述步骤S307中对所有字典原子均进行了更新,所以显然每个字典原子的更新次数是相同的,也就是说,在一种情况下,所有字典原子的更新次数均为预设次数,而在另一种情况下,所有字典原子的更新次数均不为预设次数,而不会出现一部分字典原子的更新次数为预设次数,另一部分字典原子的更新次数不为预设次数的情况。
对于上述预设次数的设定,本发明实施例不做具体限定,可以由本领域技术人员根据初始字典学习模型包括的元素数量以及调制方式识别结果的精确度等因素确定,例如,可以为40、50、80、100等,这都是合理的。
S309,完成训练,得到所述目标字典学习模型;
当每个字典原子的更新次数均为预设次数时,说明字典原子的更新次数已经可以满足识别需要,此时得到的目标字典学习模型D*可以很好的对待识别数字信号的调制方式进行识别,那么便可以完成对初始字典学习模型的训练,进而,得到目标字典学习模型D*。
可见,通过上述训练方式对初始字典学习模型进行训练,可以使得到的目标字典学习模型对待识别数字信号的目标特征集的稀疏表示更加准确,误差较小,因此可以提高调制方式识别的准确率。
作为本发明实施例的一种实施方式,所述将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数的步骤,可以包括:
将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
具体来说,将上述目标特征集输入至目标字典学习模型,便可以对该目标特征集进行稀疏表示。可以理解的是,该目标字典学习模型即为上述初始字典学习模型通过上述训练方式得到的。
目标字典学习模型将目标特征集进行稀疏表示所基于的公式可以为Y*=D*X*,其中,Y*为目标特征集,D*为目标字典学习模型,X*为目标稀疏表示系数,那么可以理解的是,目标稀疏表示系数为一个实数矩阵,其行数与目标字典学习模型的列数相同,即为预设调制方式的数量,其列数与目标特征集的列数相同,即为1。
相应于上述方法实施例,本发明实施例还提供了一种数字信号调制方式识别装置,下面对本发明实施例所提供的一种数字信号调制方式识别装置进行介绍。
如图5所示,一种数字信号调制方式识别装置,所述装置包括:
目标参数信息获取模块510,用于获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
目标特征集确定模块520,用于根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
目标稀疏表示系数确定模块530,用于将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
调制方式识别模块540,用于基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
可见,本发明实施例所提供的方案中,首先获取待识别数字信号,并获得待识别数字信号的目标参数信息,根据目标参数信息,计算待识别数字信号的目标特征,并将目标特征按照预设顺序组合为目标特征集,然后将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,最后预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容,基于计算得到的各特征集样本对应的稀疏表示系数训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
作为本发明实施例的一种实施方式,所述目标参数信息可以包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征可以包括:目标高阶累积量特征及目标星座图特征;
所述目标特征集确定模块520可以包括:
目标高阶累积量特征计算单元(图5中未示出),用于根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
目标星座图特征计算单元(图5中未示出),用于根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
作为本发明实施例的一种实施方式,所述目标星座图特征计算单元可以包括:
中心坐标点确定子单元(图5中未示出),用于从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
星座图坐标点划分子单元(图5中未示出),用于分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
中心坐标点更新子单元(图5中未示出),用于计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
距离判断子单元(图5中未示出),用于判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
返回子单元(图5中未示出),用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离大于预设阈值时,返回所述星座图坐标点划分子单元;
目标星座图特征确定子单元(图5中未示出),用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离不大于预设阈值时,将所述新的中心坐标点确定为所述目标星座图特征。
作为本发明实施例的一种实施方式,所述装置还可以包括:
目标字典学习模型模块(图5中未示出),用于对所述目标字典学习模型进行训练。
所述目标字典学习模型模块可以包括:
参数信息获取单元(图5中未示出),用于针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
特征集样本确定单元(图5中未示出),用于根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
初始字典学习模型构建单元(图5中未示出),用于从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
特征集样本输入单元(图5中未示出),用于将所述特征集样本输入所述初始字典学习模型D;
稀疏表示系数计算单元(图5中未示出),用于根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
误差矩阵计算单元(图5中未示出),用于根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
字典原子更新单元(图5中未示出),用于根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
预设次数判断单元(图5中未示出),用于判断每个字典原子的更新次数是否为预设次数;
目标字典学习模型确定单元(图5中未示出),用于在每个字典原子的更新次数为预设次数时,完成训练,得到所述目标字典学习模型;
返回计算单元(图5中未示出),用于在每个字典原子的更新次数不为预设次数时,返回所述稀疏表示系数计算单元。
作为本发明实施例的一种实施方式,所述目标稀疏表示系数确定模块530可以包括:
目标稀疏表示系数确定单元(图5中未示出),用于将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
作为本发明实施例的一种实施方式,所述调制方式识别模块540可以包括:
目标行确定单元(图5中未示出),用于确定所述目标稀疏表示系数中值最大的行为目标行;
目标列确定单元(图5中未示出),用于将所述目标字典学习模型中列数与所述目标行的行数相同的列确定为目标列;
调制方式识别单元(图5中未示出),用于将所述目标列所对应的预设调制方式确定为所述目标稀疏表示系数对应的调制方式。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
可见,本发明实施例所提供的方案中,电子设备首先获取待识别数字信号,并获得待识别数字信号的目标参数信息,根据目标参数信息,计算待识别数字信号的目标特征,并将目标特征按照预设顺序组合为目标特征集,然后将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,最后预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容,基于计算得到的各特征集样本对应的稀疏表示系数训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
其中,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述根据所述目标参数信息,计算所述待识别数字信号的目标特征的步骤,包括:
根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
其中,所述根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征的步骤,包括:
从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
如果是,返回所述分别计算剩余所有星座图坐标点与每个中心坐标点的距离的步骤;
如果否,将所述新的中心坐标点确定为所述目标星座图特征。
其中,所述目标字典学习模型的训练方式包括:
针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
将所述特征集样本输入所述初始字典学习模型D;
根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
判断每个字典原子的更新次数是否为预设次数;
如果是,完成训练,得到所述目标字典学习模型;
如果否,返回所述根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N的步骤。
其中,所述将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数的步骤,包括:
将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
其中,所述基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式的步骤,包括:
确定所述目标稀疏表示系数中值最大的行为目标行;
将所述目标字典学习模型中列数与所述目标行的行数相同的列确定为目标列;
将所述目标列所对应的预设调制方式确定为所述目标稀疏表示系数对应的调制方式。
对于电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
可见,本发明实施例所提供的方案中,计算机程序被处理器执行时获取待识别数字信号,并获得待识别数字信号的目标参数信息,根据目标参数信息,计算待识别数字信号的目标特征,并将目标特征按照预设顺序组合为目标特征集,然后将目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,最后预设的稀疏表示系数与调制方式的对应规则,确定目标稀疏表示系数对应的调制方式,作为待识别数字信号的调制方式。由于目标字典学习模型是以实际应用场景中所获取的训练信号样本对应的特征集样本作为输入内容,基于计算得到的各特征集样本对应的稀疏表示系数训练所得到的字典学习模型,所以即使在接收到的无线信号为非完备信号的情况下,也能准确识别其调制方式。
其中,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述根据所述目标参数信息,计算所述待识别数字信号的目标特征集的步骤,包括:
根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
其中,所述根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征的步骤,包括:
从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
如果是,返回所述分别计算剩余所有星座图坐标点与每个中心坐标点的距离的步骤;
如果否,将所述新的中心坐标点确定为所述目标星座图特征。
其中,所述目标字典学习模型的训练方式包括:
针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
将所述特征集样本输入所述初始字典学习模型D;
根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
判断每个字典原子的更新次数是否为预设次数;
如果是,完成训练,得到所述目标字典学习模型;
如果否,返回所述根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N的步骤。
其中,所述将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数的步骤,包括:
将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
其中,所述基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式的步骤,包括:
确定所述目标稀疏表示系数中值最大的行为目标行;
将所述目标字典学习模型中列数与所述目标行的行数相同的列确定为目标列;
将所述目标列所对应的预设调制方式确定为所述目标稀疏表示系数对应的调制方式。
对于存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种数字信号调制方式识别方法,其特征在于,所述方法包括:
获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
2.根据权利要求1所述的方法,其特征在于,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述根据所述目标参数信息,计算所述待识别数字信号的目标特征的步骤,包括:
根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征的步骤,包括:
从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
如果是,返回所述分别计算剩余所有星座图坐标点与每个中心坐标点的距离的步骤;
如果否,将所述新的中心坐标点确定为所述目标星座图特征。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述目标字典学习模型的训练方式包括:
针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
将所述特征集样本输入所述初始字典学习模型D;
根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
判断每个字典原子的更新次数是否为预设次数;
如果是,完成训练,得到所述目标字典学习模型;
如果否,返回所述根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N的步骤。
5.根据权利要求4所述的方法,其特征在于,所述将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数的步骤,包括:
将所述目标特征集输入至预先训练完成的目标字典学习模型,以使所述目标字典学习模型根据公式Y*=D*X*,计算得到目标稀疏表示系数,其中,Y*为所述目标特征集,D*为所述目标字典学习模型,X*为所述目标稀疏表示系数。
6.根据权利要求5所述的方法,其特征在于,所述基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式的步骤,包括:
确定所述目标稀疏表示系数中值最大的行为目标行;
将所述目标字典学习模型中列数与所述目标行的行数相同的列确定为目标列;
将所述目标列所对应的预设调制方式确定为所述目标稀疏表示系数对应的调制方式。
7.一种数字信号调制方式识别装置,其特征在于,所述装置包括:
目标参数信息获取模块,用于获取待识别数字信号,并获得所述待识别数字信号的目标参数信息;
目标特征集确定模块,用于根据所述目标参数信息,计算所述待识别数字信号的目标特征,并将所述目标特征按照预设顺序组合为目标特征集;
目标稀疏表示系数确定模块,用于将所述目标特征集输入至预先训练完成的目标字典学习模型,得到目标稀疏表示系数,其中,所述目标字典学习模型为:以特征集样本为输入,基于计算得到的各特征集样本对应的稀疏表示系数,对预先构建的初始字典学习模型进行训练所得到的字典学习模型,所述特征集样本为根据训练信号样本的参数信息计算并按照所述预设顺序组合得到的特征集,所述训练信号样本为预先获得的预设调制方式的训练信号,所述训练信号的传输环境与所述待识别信号的传输环境的相似度大于预设阈值;
调制方式识别模块,用于基于预设的稀疏表示系数与调制方式的对应规则,确定所述目标稀疏表示系数对应的调制方式,作为所述待识别数字信号的调制方式。
8.根据权利要求7所述的装置,其特征在于,所述目标参数信息包括:所述待识别数字信号的幅值及星座图坐标点,所述目标特征包括:目标高阶累积量特征及目标星座图特征;
所述目标特征集确定模块包括:
目标高阶累积量特征计算单元,用于根据所述幅值,计算所述待识别数字信号的目标高阶累积量特征;
目标星座图特征计算单元,用于根据所述星座图坐标点,计算所述待识别数字信号的目标星座图特征。
9.根据权利要求8所述的装置,其特征在于,所述目标星座图特征计算单元包括:
中心坐标点确定子单元,用于从所述星座图坐标点中选取预设数量的坐标点,分别作为预设数量个簇的中心坐标点;
星座图坐标点划分子单元,用于分别计算剩余所有星座图坐标点与每个中心坐标点的距离,并将每个剩余星座图坐标点划分至与其距离最近的中心坐标点所在的簇;
中心坐标点更新子单元,用于计算每个簇所包括的星座图坐标点的坐标的算术平均值,并将每个算术平均值确定为对应簇的新的中心坐标点;
距离判断子单元,用于判断每个簇的中心坐标点与该簇的新的中心坐标点的距离是否大于预设阈值;
返回子单元,用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离大于预设阈值时,返回所述星座图坐标点划分子单元;
目标星座图特征确定子单元,用于在每个簇的中心坐标点与该簇的新的中心坐标点的距离不大于预设阈值时,将所述新的中心坐标点确定为所述目标星座图特征。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述装置还包括:
目标字典学习模型模块,用于对所述目标字典学习模型进行训练;
所述目标字典学习模型模块包括:
参数信息获取单元,用于针对每种预设调制方式,获取多个训练信号样本,并获得每个训练信号样本的参数信息;
特征集样本确定单元,用于根据所述参数信息,分别计算每个训练信号样本的特征,并将每个训练信号样本的特征按照所述预设顺序组合为特征集样本;
初始字典学习模型构建单元,用于从每种预设调制方式对应的特征集样本中选择一个特征集样本作为字典原子di,构建初始字典学习模型D=[d1,d2,…dk]∈Rn×k,其中,i为整数且i∈[1,k],R为实数矩阵,n为每个特征集样本包括的特征的数量,k为预设调制方式的数量;
特征集样本输入单元,用于将所述特征集样本输入所述初始字典学习模型D;
稀疏表示系数计算单元,用于根据公式Y=DX,计算所述训练信号样本的特征集样本的集合Y=[y1,y2,…yN]∈Rn×N的稀疏表示系数X=[x1,x2,…xN]T∈Rk×N,其中,y1,y2,…yN为所述训练信号样本的特征集样本,N为训练信号样本的总数量;
误差矩阵计算单元,用于根据公式Ei=Y-∑j≠idjxj,计算每个字典原子di的误差矩阵Ei,其中,j为整数且j∈[1,k],xj为稀疏表示系数X的第j行;
字典原子更新单元,用于根据公式更新每个字典原子,并记录每个字典原子的更新次数,其中,xi为稀疏表示系数X的第i行;
预设次数判断单元,用于判断每个字典原子的更新次数是否为预设次数;
目标字典学习模型确定单元,用于在每个字典原子的更新次数为预设次数时,完成训练,得到所述目标字典学习模型;
返回计算单元,用于在每个字典原子的更新次数不为预设次数时,返回所述稀疏表示系数计算单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508161.5A CN107276938A (zh) | 2017-06-28 | 2017-06-28 | 一种数字信号调制方式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508161.5A CN107276938A (zh) | 2017-06-28 | 2017-06-28 | 一种数字信号调制方式识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107276938A true CN107276938A (zh) | 2017-10-20 |
Family
ID=60069728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710508161.5A Pending CN107276938A (zh) | 2017-06-28 | 2017-06-28 | 一种数字信号调制方式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107276938A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900454A (zh) * | 2018-06-28 | 2018-11-27 | 北京邮电大学 | 一种基于机器学习的调制方式参数盲检方法及装置 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN110009747A (zh) * | 2019-04-11 | 2019-07-12 | 武汉轻工大学 | 单叶双曲面方程识别方法、设备、存储介质及装置 |
CN110059757A (zh) * | 2019-04-23 | 2019-07-26 | 北京邮电大学 | 混合信号的分类方法、装置及电子设备 |
CN110798417A (zh) * | 2019-10-24 | 2020-02-14 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN110874387A (zh) * | 2018-08-31 | 2020-03-10 | 浙江大学 | 移动设备识别符共现关系稀疏图的构建方法及装置 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及系统 |
CN114584212A (zh) * | 2022-04-15 | 2022-06-03 | 中国电子科技集团公司第三十四研究所 | 一种特征相似度分析的调制格式与光信噪比监测方法 |
US20230018846A1 (en) * | 2019-12-11 | 2023-01-19 | Nippon Telegraph And Telephone Corporation | Method, device and program for estimating optical communication status |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103474066A (zh) * | 2013-10-11 | 2013-12-25 | 福州大学 | 基于多频带信号重构的生态声音识别方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 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 |
-
2017
- 2017-06-28 CN CN201710508161.5A patent/CN107276938A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103474066A (zh) * | 2013-10-11 | 2013-12-25 | 福州大学 | 基于多频带信号重构的生态声音识别方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 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 |
Non-Patent Citations (2)
Title |
---|
王星等: "《航空电子对抗组网》", 29 February 2016 * |
鲁广成: "Modulation Recognition for Incomplete Signals through Dictionary Learning", 《2017 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE(WCNC)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900454A (zh) * | 2018-06-28 | 2018-11-27 | 北京邮电大学 | 一种基于机器学习的调制方式参数盲检方法及装置 |
CN108900454B (zh) * | 2018-06-28 | 2020-02-18 | 北京邮电大学 | 一种基于机器学习的调制方式参数盲检方法及装置 |
CN110874387A (zh) * | 2018-08-31 | 2020-03-10 | 浙江大学 | 移动设备识别符共现关系稀疏图的构建方法及装置 |
CN110874387B (zh) * | 2018-08-31 | 2022-01-14 | 浙江大学 | 移动设备识别符共现关系稀疏图的构建方法及装置 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN109274625B (zh) * | 2018-11-12 | 2020-06-19 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN110009747A (zh) * | 2019-04-11 | 2019-07-12 | 武汉轻工大学 | 单叶双曲面方程识别方法、设备、存储介质及装置 |
CN110059757B (zh) * | 2019-04-23 | 2021-04-09 | 北京邮电大学 | 混合信号的分类方法、装置及电子设备 |
CN110059757A (zh) * | 2019-04-23 | 2019-07-26 | 北京邮电大学 | 混合信号的分类方法、装置及电子设备 |
US11816180B2 (en) | 2019-04-23 | 2023-11-14 | Beijing University Of Posts And Telecommunications | Method and apparatus for classifying mixed signals, and electronic device |
CN110798417A (zh) * | 2019-10-24 | 2020-02-14 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN110798417B (zh) * | 2019-10-24 | 2020-07-31 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
US11909563B2 (en) | 2019-10-24 | 2024-02-20 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
US20230018846A1 (en) * | 2019-12-11 | 2023-01-19 | Nippon Telegraph And Telephone Corporation | Method, device and program for estimating optical communication status |
US11923897B2 (en) * | 2019-12-11 | 2024-03-05 | Nippon Telegraph And Telephone Corporation | Method, device and program for estimating optical communication status |
CN111343115B (zh) * | 2020-02-19 | 2021-06-29 | 北京邮电大学 | 一种5g通信调制信号识别方法及系统 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及系统 |
CN114584212A (zh) * | 2022-04-15 | 2022-06-03 | 中国电子科技集团公司第三十四研究所 | 一种特征相似度分析的调制格式与光信噪比监测方法 |
CN114584212B (zh) * | 2022-04-15 | 2023-12-08 | 中国电子科技集团公司第三十四研究所 | 一种特征相似度分析的调制格式与光信噪比监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107276938A (zh) | 一种数字信号调制方式识别方法及装置 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN104596519B (zh) | 基于ransac算法的视觉定位方法 | |
CN108229479A (zh) | 语义分割模型的训练方法和装置、电子设备、存储介质 | |
CN108229647A (zh) | 神经网络结构的生成方法和装置、电子设备、存储介质 | |
CN109949296A (zh) | 一种输电线路缺陷识别方法、装置及存储介质 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN107911429A (zh) | 一种基于视频的无人机云端在线交通流量监测方法 | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
CN109361495A (zh) | 一种极化码构造方法、装置、电子设备及可读存储介质 | |
CN106484692A (zh) | 一种三维模型检索方法 | |
CN110175615A (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN110097011A (zh) | 一种信号识别方法及装置 | |
CN108564238A (zh) | 数据评估方法和装置、服务器、存储介质 | |
CN104135457B (zh) | 基于改进的cordic算法的数字鉴相方法及装置 | |
US11218354B2 (en) | Clustering-based frequency deviation determination and elimination method and device, and electronic apparatus | |
CN109344850A (zh) | 一种基于yolo的水表自动检测方法 | |
CN108256520A (zh) | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 | |
CN107396309A (zh) | 一种无线传感器网络森林定位方法 | |
CN104298980B (zh) | 一种基于智能卡的指纹匹配方法及装置 | |
CN108717422B (zh) | 一种数据处理方法及装置 | |
CN110222815A (zh) | 适用于深度学习硬件加速器的可配置激活函数装置及方法 | |
CN108182681A (zh) | 一种基于多层超限学习网络的混凝土裂缝检测方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN104639495B (zh) | 星座软解映射的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |