CN107317778A - 基于1d‑cnn的bpsk调制信号相位跳变检测方法 - Google Patents
基于1d‑cnn的bpsk调制信号相位跳变检测方法 Download PDFInfo
- Publication number
- CN107317778A CN107317778A CN201710630039.5A CN201710630039A CN107317778A CN 107317778 A CN107317778 A CN 107317778A CN 201710630039 A CN201710630039 A CN 201710630039A CN 107317778 A CN107317778 A CN 107317778A
- Authority
- CN
- China
- Prior art keywords
- sequence
- convolutional neural
- neural networks
- dimensional convolutional
- phase
- 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
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/20—Modulator circuits; Transmitter circuits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提出了一种基于1D‑CNN的BPSK调制信号相位跳变检测方法,旨在保证较低误码率的同时,提高相位跳变检测速度。实现步骤为:获取一维卷积神经网络训练集;获取两个指示相反相位跳变的相位跳变标签集;设定一维卷积神经网络;用获取的训练集和两个相位跳变标签集分别对一维卷积神经网络进行训练;获取待检测序列;设定判决阈值;使用一维卷积神经网络对待检测序列进行检测并对检测结果进行阈值判断;获取相位跳变检测结果序列。本发明具有在保证较低误码率前提下检测速度快,鲁棒性较好,并且对待检测BPSK调制信号起始位置无要求的优点,可用于卫星通信、深空通信。
Description
技术领域
本发明属于数字通信与信号处理领域,涉及一种调制信号相位跳变检测方法,具体涉及一种基于一维卷积神经网络的BPSK调制信号相位跳变检测方法,可用于卫星通信和深空通信。
技术背景
数字通信是一种用数字信号作为载体来传输消息,或用数字信号对载波进行数字调制后再传输的通信方式。数字信号的调制和解调在数字通信领域占据着相当重要的地位,对于一个待传送的原始基带数据,在数字通信系统的发送端将对原始基带数据进行数字调制以生成调制信号,在接收端则对调制信号进行解调以将原始基带数据恢复出来。
数字调制方式可分为PSK、FSK和ASK等几大类,其中PSK为相移键控,是利用载波的相位变化来传递数字信息的,调制前后信号的振幅和频率保持不变,仅相位发生变化。以BPSK调制信号为例,在BPSK调制方式下,取码元为“1”时,调制后载波与未调载波同相;取码元为“0”时,调制后载波与未调载波反相。可知码元“1”和码元“0”在经调制后载波相位差180度。BPSK信号一般可表示为一个双极性全占空矩形脉冲序列与一个正弦载波相乘,即:
ebpsk(t)=s(t)sin(ωct)
其中s(t)是一个双极性全占空矩形脉冲序列,是原始基带数据对应到波形上的结果;sin(ωct)为载波,此时载波频率为ωc;ebpsk(t)是对s(t)数字调制后的结果,即BPSK调制信号。
由BPSK调制中码元“1”和码元“0”在经调制后再把相位相差180度,可知存在符号变化的两相邻码元之间必然存在相位跳变,这为存在符号变化的两相邻码元的分割提供了依据,也为后续对BPSK调制信号的解调提供了重要的参考信息,故对于BPSK调制信号中相位跳变点的检测具有一定的实际意义。
BPSK调制信号中相位跳变点的检测与时间相关联的相位跳变具有明显的非平稳信号特征,因此采用非平稳信号分析中的时频分布可以直接对相位跳变处的信号瞬时频谱进行分析,并通过将相位跳变特征与时频分布幅度建立映射关系,达到检测相位跳变值的目的,为方便分析,假设BPSK信号在时刻t0处有相位跳变,且跳变值为π。采用伪魏格纳-威利分布(PWVD)形式,使用矩形计算窗口对信号进行取样,矩形时域窗口的宽度为T。
当信号的相位跳变点位于时域计算窗口以外时,信号的时频分布是一个与时间t无关的常量;当信号相位的跳变点位于时域计算窗口内部时,对时频分布的计算分为两种情况;一种是计算窗口的中心与相位突变点重合,第二种是计算窗口的中心偏离相位突变点。
首先考虑第一种情况。可以证明当矩形计算窗口的中心与相位跳变点重合时,信号的时频分布形式为对上式在瞬时频率位置取极限,得到时频分布为以上的分析表明:当信号的相位不发生跳变时,在瞬时频率处时频分布的幅度为常数,而相位发生突变时,处在相位突变点附近的信号时频分布的幅度将发生明显改变。
对于第二种情况,即计算窗口中心偏离相位跳变点时的时频分布。设时域窗口的中心与相位跳变点的距离为τ/2(τ>0),通过计算可得,信号的PWVD变换结果为对其进行化简得分析结果表明:在相位跳变点附近,信号PWVD分布幅度是一个与参数|τ|有关的折线。随着时域计算窗口的滑动,在相位跳变点附近,信号时频分布的峰值向着相位跳变点的方向连续减小,最终在该点处达到极小值。信号相位跳变的出现使得原有恒定的时频分布的峰值出现对称的三角形缺口,缺口的宽度等于对信号进行时频表示时所采用的时频计算窗口宽度,而缺口的顶点恰好对应信号的相位跳变点。
利用时频表示的峰值检测方法,可以对信号的相位跳变提供较高的识别精度。采用较宽的时域计算窗口可以有效的提高相位跳变的检测精度,但是这里对窗口宽度进行选择的限制是不能大于频率跳变点之间的距离,在实际检测时窗口宽度不能大于两个码元的宽度,因而制约了对BPSK调制信号的相位跳变检测速度。
王红星等人2011年在《吉林大学学报工学版》第41卷第5期发表的论文“基于时频分布的扩展的二元相移键控信号解调算法”中,提供了一种利用数学建模来检测BPSK调制信号相位跳变的方法,此方法建立了BPSK信号相位跳变与时频分布幅度的关系模型,用矩形窗在BPSK调制信号上滑动来检测相位跳变。但是该方法矩形窗的宽度不能超过两个频率跳变之间的距离,这一特点导致其对BPSK调制信号的检测速度较慢。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提供了一种基于1D-CNN的BPSK调制信号相位跳变检测方法,旨在保证较低误码率的同时,提高检测速度。
为实现上述的目的,本发明采取的技术方案包括如下步骤:
(1)获取一维卷积神经网络训练集S:使用BPSK信号发生装置或仿真软件,产生m个长度为n的BPSK时间序列S1,S2,…,Si,…,Sm,在此处获得的BPSK时间序列S1,S2,…,Si,…,Sm,可以是理想的BPSK时间序列,也可以是按照一定信噪比加噪后的时间序列并将每个时间序列作为一个训练样本点,得到m个训练样本点构成的一维卷积神经网络训练集S,其中,Si表示第i个训练样本点,每个训练样本点载波周期的长度为N;
(2)获取训练集S的180°至0°相位跳变标签集L(1)和0°至180°相位跳变标签集L(2):
(2a)获取训练集S的180°至0°相位跳变标签集L(1):根据S中每一个训练样本点的180°至0°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,所有期望序列构成训练集S的180°至0°相位跳变标签集L(1);
(2b)获取训练集S的0°至180°相位跳变标签集L(2):根据S中的每一个训练样本点的0°至180°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,所有期望序列构成训练集S的0°至180°相位跳变标签集L(2);
(3)设定一维卷积神经网络:设定输入层、一维卷积层和输出层节点个数与训练样本点Si的序列长度n相等的一维卷积神经网络,并将一维卷积层的卷积核的大小设置为N+1,一维卷积层和输出层节点的激活函数设置为sigmoid函数;
(4)对一维卷积神经网络进行训练:
(4a)将训练集S和训练集S的180°至0°相位跳变标签集L(1)输入到一维卷积神经网络中进行训练,得到训练好的一维卷积神经网络N1;
(4b)将训练集S和训练集S的0°至180°相位跳变标签集L(2)输入到一维卷积神经网络中进行训练,得到训练好的一维卷积神经网络N2;
(5)获取待检测序列T1,T2,…,Ti,…,Tr:
(5a)对数字通信系统接收机处的待检测BPSK调制信号I进行采样,每个载波周期内的采样点数为N,得到离散时间序列I′;
(5b)对离散时间序列I′进行分割,得到r个长度为n的待检测序列T1,T2,…,Ti,…,Tr;
(6)设置用于和输出序列每点值比较的判决阈值;
(7)获取相位跳变检测结果序列O'1,O'2,…,O'i,…,O'r:
(7a)将待检测序列T1,T2,…,Ti,…,Tr依次输入到训练好的一维卷积神经网络N1中,得到N1的输出序列O1 (1),O2 (1),…,Oi (1),…,Or (1);
(7b)将待检测序列T1,T2,…,Ti,…,Tr依次输入到训练好的一维卷积神经网络N2中,得到N2的输出序列O1 (2),O2 (2),…,Oi (2),…,Or (2);
(7c)将N1的输出序列O1 (1),O2 (1),…,Oi (1),…,Or (1)中每个序列内每点的值与判决阈值进行比较,并将大于判决阈值的值设置为180°至0°相位跳变标签集L(1)内的期望序列中对应有跳变处的值,小于判决阈值的值设置为180°至0°相位跳变标签集L(1)内的期望序列中对应无跳变处的值,得到经过判决阈值判断的N1的输出序列O'1 (1),O'2 (1),…,O'i (1),…,O'r (1);
(7d)将N2的输出序列O1 (2),O2 (2),…,Oi (2),…,Or (2)中每个序列内每点的值与判决阈值进行比较,并将大于判决阈值的值设置为0°至180°相位跳变标签集L(2)内的期望序列中对应有跳变处的值,小于判决阈值的值设置为0°至180°相位跳变标签集L(2)内的期望序列中对应无跳变处的值,得到经过判决阈值判断的N2的输出序列O'1 (2),O'2 (2),…,O'i (2), ,O'r (2);
(7e)对经过判决阈值判断的N1的输出序列O'1 (1),O'2 (1),…,O'i (1),…,O'r (1)和经过判决阈值判断的N2的输出序列O'1 (2),O'2 (2),…,O'i (2),…,O'r (2)进行逻辑或运算,得到r个长度为n的相位跳变检测结果序列O'1,O'2,…,O'i,…,O'r;
(8)将各个相位跳变检测结果序列O'1,O'2,…,O'i,…,O'r首尾相接,获取长度为r×n的离散时间序列I′的相位跳变检测结果序列O'。
本发明与现有技术相比,具有以下优点:
1)本发明在对BPSK调制信号的相位跳变进行检测时,在一维卷积神经网络中采用了具有输入节点数目和待检测序列长度相同的一维卷积层,一次可以输入含有多个码元的时间序列,有效地加快了检测速度,并且保持了良好的误码率。
2)本发明在对BPSK调制信号的相位跳变进行检测时,采用了一维卷积神经网络作为检测工具,因而具有较好的鲁棒性,在噪声存在的情况下仍然有着良好的识别效果,并且对待检测BPSK调制信号起始位置无要求,具有较大的灵活性。
附图说明
图1本发明的实现流程图;
图2本发明的实施例所采用的一维卷积神经网络的结构示意图;
图3本发明的实施例所采用的一维卷积神经网络卷积核结构示意图;
图4本发明对理想BPSK调制信号中0°至180°相位跳变检测的仿真结果图;
图5本发明对信噪比为10dB的BPSK调制信号中0°至180°相位跳变检测的仿真结果图。
图6本发明对信噪比为5dB的BPSK调制信号中0°至180°相位跳变检测的仿真结果图。
具体实施方式
以下结合附图和具体实施例,对本发明进行进一步详细说明:
参照图1,基于1D-CNN的BPSK调制信号相位跳变检测方法,包括如下步骤:
步骤1),获取一维卷积神经网络训练集S和待检测集T:在本实施例中,设定BPSK调制信号的载波频率和基带信号的频率相等,且BPSK调制信号一个载波周期内采样点数N=16。此时载波频率和双极性全占空矩形脉冲序列的频率相等,故一个周期的正弦波代表着一个码元,使用随机数发生器获取100个长度为10的序列作为基带数据,基带数据中仅有0、1两种符号,例如“0001101011”,“1011000101”等。将这全部100个基带数据转换为双极性全占空矩形脉冲序列,然后使用一个与矩形脉冲序列同频率的载波对双极性全占空矩形脉冲序列进行BPSK调制,本实施例设定一周期采样点数N为16,故而在调制后可以得到100个长度为160的BPSK调制信号时间序列。将这100个时间序列中的50个提取出来作为训练集,剩下的50个时间序列则作为待检测集。
步骤2),获取训练集S的180°至0°相位跳变标签集L(1)和0°至180°相位跳变标签集L(2):对于训练集,必须对每一个训练样本点都匹配一个期望序列以指明发生相位跳变的时刻,期望序列分为指示码元01相位跳变和指示码元10相位跳变的两种期望序列,共构成180°至0°相位跳变标签集L(1)和0°至180°相位跳变标签集L(2)两种标签集,使用训练集S和不同的标签集对一维卷积神经网络进行训练可以得到检测不同相位跳变的一维卷积神经网络。
步骤2a),获取训练集S的180°至0°相位跳变标签集L(1):根据S中每一个训练样本点的180°至0°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,该期望序列与作为训练样本点的待检测时间序列等长,在本实施例中由于待检测时间序列长度为160,故期望序列的序列长度也为160。期望序列中同样仅有0、1两种符号,使用整数0指示待检测时间序列中不存在相位跳变点的位置或者“10”码元之间的相位跳变点的位置,使用整数1指示待检测时间序列中“01”码元之间相位跳变点的位置,即可获得一个与待检测时间序列等长、且标识出了待检测时间序列中各个时刻是否为“01”码元之间相位跳变点的期望序列。所有期望序列构成训练集S的180°至0°相位跳变标签集L(1),其中Li (1)表示180°至0°相位跳变标签集L(1)中第i个期望序列;
步骤2b),获取训练集S的0°至180°相位跳变标签集L(2):根据S中每一个训练样本点的0°至180°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,该期望序列与作为训练样本点的待检测时间序列等长,在本实施例中由于待检测时间序列长度为160,故期望序列的序列长度也为160。期望序列中同样仅有0、1两种符号,使用整数0指示待检测时间序列中不存在相位跳变点的位置或者“01”码元之间的相位跳变点的位置,使用整数1指示待检测时间序列中“10”码元之间相位跳变点的位置,即可获得一个与待检测时间序列等长、且标识出了待检测时间序列中各个时刻是否为“10”码元之间相位跳变点的期望序列。所有期望序列构成训练集S的0°至180°相位跳变标签集L(2),其中Li (2)表示0°至180°相位跳变标签集L(2)中第i个期望序列;
步骤3),设定输入层、一维卷积层和输出层节点个数与训练样本点Si的序列长度n相等的一维卷积神经网络,并对其进行训练。本实施例下对BPSK信号一周期采样点数N=16,故在此设定卷积核大小为(N+1)也就是17。具体的卷积核的结构参见图3中黑色加粗实线,由于N=16时卷积核大小为17,因大小为17的卷积核太大而无法在示意图中画出,故图3只以N=4为例。图中有5条黑色加粗实线,代表了卷积核大小为5。除了N不同以外本实施例中各个卷积核的结构和排布和图3一应相同,本实施例下n=160。
由于本例中每一个训练样本点都是一个长度为160的待检测时间序列,故输入层神经元个数为160。由于本例中每一个训练样本点对应的都是一个长度为160的期望序列,故输出层神经元个数为160。本实施例仅使用了一层卷积层,具体的一维卷积神经网络的网络结构参见图3。类似于图4,这里图3仍是以N=4为例给出卷积核的,除了N不同以外本实施例中一维卷积神经网络的结构和图3一应相同,此时n=160。
步骤4),对一维卷积神经网络进行训练:
将训练样本点输入一维卷积神经网络,所述一维卷积神经网络将能够输出一个部分相位跳变检测结果序列。所述部分相位跳变检测结果序列将连同所提供的期望序列一同输入目标函数,目标函数将评估部分相位跳变检测结果序列以及相应期望序列的欧氏距离。本实施例中使用均方误差(MSE)作为目标函数。接下来使用学习算法来调整一维卷积神经网络中的权值以降低目标函数的值,其根本目的在于调整神经网络中的权值使部分相位跳变检测结果序列与期望序列的差值尽可能地小。在训练过程结束后,一维卷积神经网络将能够输出一个和期望序列非常接近的部分相位跳变检测结果序列。由此得到一个针对于“10”码元之间相位跳变点检测的一维卷积神经网络N1。
运用完全类似的方法可以配置并训练出一个针对于“10”码元之间相位跳变点检测的一维卷积神经网络N2,在此不予赘述。
步骤5),使用一维卷积神经网络检测给定序列的相位跳变点:
将一个任意的待检测时间序列Ti分别输入针对“10”码元检测的神经网络N1和针对“01”码元检测的神经网络N2,将得到两个部分相位跳变检测结果序列Oi (1)与Oi (2),它们分别指示了“10”码元之间相位跳变点以及“01”码元之间相位跳变点。将指示了“01”码元之间相位跳变点的部分相位跳变检测结果序列Oi (1)和指示了“10”码元之间相位跳变点的部分相位跳变检测结果序列Oi (2)和判决阈值经过比较后予以合并,即可得到一个指示了全部相位跳变点的全部相位跳变检测结果序列O'i。
以下结合仿真实验,对本发明的技术效果进行说明:
1、仿真条件和内容:
本仿真所需条件为一台安装有Python开发环境的计算机及相应仿真软件。
仿真一:对理想BPSK调制信号中180°至0°相位跳变检测进行仿真,其结果如图4所示;
仿真二:对信噪比为10dB和信噪比为5dB的BPSK调制信号中180°至0°相位跳变检测进行仿真,其结果如图5和图6所示。
2、仿真结果分析:
参照图4,图4(a)是信噪比为10dB的BPSK调制信号中提取出的待检测时间序列,图4(b)是对应的期望序列,图4(c)是待检测时间序列的180°至0°相位跳变检测结果。可见采取的一维卷积神经网络可以准确的检测出序列中所有相位跳变点,并且其窗口宽度设置为160,相当于十个码元的宽度,相对于传统方法获得了较大的提升,并因此获得了较快的检测速度。
参照图5,图5(a)是信噪比为10dB的BPSK调制信号中提取出的待检测时间序列,图5(b)是其对应的期望序列,图5(c)是该检测时间序列的180°至0°相位跳变检测结果。
参照图6,图6(a)是信噪比为5dB的BPSK调制信号中提取出的待检测时间序列,图6(b)是其对应的期望序列,图6(c)是该待检测时间序列的180°至0°相位跳变检测结果。
由图5和图6可见,在对BPSK调制信号加入不同信噪比的噪声后,即使人眼已经很难辨别相位跳变点在发生在何处,所述一维卷积神经网络却仍然能够很好地完成对待检测时间序列中相位跳变点的检测,说明本方法具有良好的鲁棒性。
Claims (4)
1.一种基于1D-CNN的BPSK调制信号相位跳变检测方法,其特征在于包括如下步骤:
(1)获取一维卷积神经网络训练集S:使用BPSK信号发生装置或仿真软件,产生m个长度为n的BPSK时间序列S1,S2,…,Si,…,Sm,并将每个时间序列作为一个训练样本点,得到m个训练样本点构成的一维卷积神经网络训练集S,其中,Si表示第i个训练样本点,每个训练样本点载波周期的长度为N;
(2)获取训练集S的180°至0°相位跳变标签集L(1)和0°至180°相位跳变标签集L(2):
(2a)获取训练集S的180°至0°相位跳变标签集L(1):根据S中每一个训练样本点的180°至0°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,所有期望序列构成训练集S的180°至0°相位跳变标签集L(1);
(2b)获取训练集S的0°至180°相位跳变标签集L(2):根据S中的每一个训练样本点的0°至180°相位跳变在时间序列中的位置,生成该训练样本点对应的期望序列,所有期望序列构成训练集S的0°至180°相位跳变标签集L(2);
(3)设定一维卷积神经网络:设定输入层、一维卷积层和输出层节点个数与训练样本点Si的序列长度n相等的一维卷积神经网络;
(4)对一维卷积神经网络进行训练:
(4a)将训练集S和训练集S的180°至0°相位跳变标签集L(1)输入到一维卷积神经网络中进行训练,得到训练好的一维卷积神经网络N1;
(4b)将训练集S和训练集S的0°至180°相位跳变标签集L(2)输入到一维卷积神经网络中进行训练,得到训练好的一维卷积神经网络N2;
(5)获取待检测序列T1,T2,…,Ti,…,Tr:
(5a)对数字通信系统接收机处的待检测BPSK调制信号I进行采样,每个载波周期内的采样点数为N,得到离散时间序列I′;
(5b)对离散时间序列I′进行分割,得到r个长度为n的待检测序列T1,T2,…,Ti,…,Tr;
(6)设置用于和输出序列每点值比较的判决阈值;
(7)获取相位跳变检测结果序列O'1,O'2,…,O'i,…,O'r:
(7a)将待检测序列T1,T2,…,Ti,…,Tr依次输入到训练好的一维卷积神经网络N1中,得到N1的输出序列O1 (1),O2 (1),…,Oi (1),…,Or (1);
(7b)将待检测序列T1,T2,…,Ti,…,Tr依次输入到训练好的一维卷积神经网络N2中,得到N2的输出序列O1 (2),O2 (2),…,Oi (2),…,Or (2);
(7c)将N1的输出序列O1 (1),O2 (1),…,Oi (1),…,Or (1)中每个序列内每点的值与判决阈值进行比较,并将大于判决阈值的值设置为180°至0°相位跳变标签集L(1)内的期望序列中对应有跳变处的值,小于判决阈值的值设置为180°至0°相位跳变标签集L(1)内的期望序列中对应无跳变处的值,得到经过判决阈值判断的N1的输出序列
(7d)将N2的输出序列O1 (2),O2 (2),…,Oi (2),…,Or (2)中每个序列内每点的值与判决阈值进行比较,并将大于判决阈值的值设置为0°至180°相位跳变标签集L(2)内的期望序列中对应有跳变处的值,小于判决阈值的值设置为0°至180°相位跳变标签集L(2)内的期望序列中对应无跳变处的值,得到经过判决阈值判断的N2的输出序列
(7e)对经过判决阈值判断的N1的输出序列和经过判决阈值判断的N2的输出序列进行逻辑或运算,得到r个长度为n的相位跳变检测结果序列O'1,O'2,,O'i,…,O'r;
(8)将各个相位跳变检测结果序列O'1,O'2,…,O'i,…,O'r首尾相接,获取长度为r×n的离散时间序列I′的相位跳变检测序列O'。
2.根据权利要求1所述的基于一维卷积神经网络的BPSK调制信号相位跳变检测方法,其特征在于:步骤(1)中所述的BPSK时间序列S1,S2,…,Si,…,Sm,可以是理想的BPSK时间序列,也可以是按照一定信噪比加噪后的时间序列。
3.根据权利要求1所述的基于一维卷积神经网络的BPSK调制信号相位跳变检测方法,其特征在于:步骤(3)中所述的一维卷积神经网络,其卷积核的大小设定为N+1。
4.根据权利要求1所述的基于一维卷积神经网络的BPSK调制信号相位跳变检测方法,其特征在于:步骤(3)中所述的一维卷积神经网络,其一维卷积层和输出层节点的激活函数为sigmoid函数,该函数表达式为:f(x)=1/1+e-x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710630039.5A CN107317778B (zh) | 2017-07-28 | 2017-07-28 | 基于1d-cnn的bpsk调制信号相位跳变检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710630039.5A CN107317778B (zh) | 2017-07-28 | 2017-07-28 | 基于1d-cnn的bpsk调制信号相位跳变检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107317778A true CN107317778A (zh) | 2017-11-03 |
CN107317778B CN107317778B (zh) | 2019-11-26 |
Family
ID=60170397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710630039.5A Active CN107317778B (zh) | 2017-07-28 | 2017-07-28 | 基于1d-cnn的bpsk调制信号相位跳变检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107317778B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN109379318A (zh) * | 2018-11-16 | 2019-02-22 | 西安电子科技大学 | 基于cnn和lstm的dqpsk调制信号解调方法 |
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN111404852A (zh) * | 2020-03-03 | 2020-07-10 | 西安电子科技大学 | 基于振幅和频谱幅度特征的调制方式识别方法 |
CN114401176A (zh) * | 2021-12-31 | 2022-04-26 | 北京升哲科技有限公司 | 一种信号到达检测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1239621A (zh) * | 1997-09-19 | 1999-12-22 | 松下电器产业株式会社 | 调制、解调装置及其方法 |
EP2280494A2 (en) * | 1996-04-26 | 2011-02-02 | AT & T Corp. | Method and apparatus for data transmission using multiple transmit antennas |
CN102780542A (zh) * | 2012-07-19 | 2012-11-14 | 南京邮电大学 | 全反馈神经网络信号盲检测的增益因子调整方法 |
CN104811276A (zh) * | 2015-05-04 | 2015-07-29 | 东南大学 | 一种超奈奎斯特速率通信的dl-cnn解调器 |
CN106936742A (zh) * | 2017-05-02 | 2017-07-07 | 西安电子科技大学 | 基于神经网络的多档码速率自适应解调系统及方法 |
-
2017
- 2017-07-28 CN CN201710630039.5A patent/CN107317778B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2280494A2 (en) * | 1996-04-26 | 2011-02-02 | AT & T Corp. | Method and apparatus for data transmission using multiple transmit antennas |
CN1239621A (zh) * | 1997-09-19 | 1999-12-22 | 松下电器产业株式会社 | 调制、解调装置及其方法 |
CN102780542A (zh) * | 2012-07-19 | 2012-11-14 | 南京邮电大学 | 全反馈神经网络信号盲检测的增益因子调整方法 |
CN104811276A (zh) * | 2015-05-04 | 2015-07-29 | 东南大学 | 一种超奈奎斯特速率通信的dl-cnn解调器 |
CN106936742A (zh) * | 2017-05-02 | 2017-07-07 | 西安电子科技大学 | 基于神经网络的多档码速率自适应解调系统及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN108282263B (zh) * | 2017-12-15 | 2019-11-26 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN109379318A (zh) * | 2018-11-16 | 2019-02-22 | 西安电子科技大学 | 基于cnn和lstm的dqpsk调制信号解调方法 |
CN109379318B (zh) * | 2018-11-16 | 2020-11-24 | 西安电子科技大学 | 基于cnn和lstm的dqpsk调制信号解调方法 |
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN111404852A (zh) * | 2020-03-03 | 2020-07-10 | 西安电子科技大学 | 基于振幅和频谱幅度特征的调制方式识别方法 |
CN114401176A (zh) * | 2021-12-31 | 2022-04-26 | 北京升哲科技有限公司 | 一种信号到达检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107317778B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107317778B (zh) | 基于1d-cnn的bpsk调制信号相位跳变检测方法 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
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 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
US11581967B2 (en) | Wireless channel scenario identification method and system | |
CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
CN109818892A (zh) | 构建循环谱特征参数提取模型及信号调制方式识别方法 | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
Ahmadi | Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram | |
CN104601512B (zh) | 一种检测相位调制信号载波频偏的方法及系统 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
CN112104389A (zh) | 基于循环平稳特征的分阶段boc信号检测方法 | |
Yang et al. | Radio frequency fingerprint recognition method based on generative adversarial net | |
Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
Chen et al. | End-to-end PSK signals demodulation using convolutional neural network | |
Gravelle et al. | Deep learning-enabled real-time recognition of wireless signals | |
CN117200825A (zh) | 基于索引调制的线性扩频信号调制解调方法 | |
CN116319210A (zh) | 基于深度学习的信号轻量级自动调制识别方法及系统 | |
Cun et al. | Specific emitter identification based on eye diagram | |
CN103763234A (zh) | 一种基于多路时间相位调制信号的信息传输方法 | |
Li et al. | Interference classification and identification of TDCS based on improved convolutional neural network | |
CN115996148A (zh) | 一种面向mimo ofdm通信的电力物联网物理层设备认证方法 | |
CN113541726B (zh) | 一种基于循环神经网络的码索引扩频水声通信方法 |
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 |