CN108282262B - 基于门控循环单元深度网络的智能时序信号分类方法 - Google Patents
基于门控循环单元深度网络的智能时序信号分类方法 Download PDFInfo
- Publication number
- CN108282262B CN108282262B CN201711345203.4A CN201711345203A CN108282262B CN 108282262 B CN108282262 B CN 108282262B CN 201711345203 A CN201711345203 A CN 201711345203A CN 108282262 B CN108282262 B CN 108282262B
- Authority
- CN
- China
- Prior art keywords
- signal
- depth network
- cycle unit
- gating cycle
- unit depth
- 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
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
- Electric Clocks (AREA)
Abstract
本发明公开一种基于门控循环单元深度网络的智能时序信号分类方法,其实现步骤为:(1)构建编码调制联合时序信号;(2)生成训练样本集和测试样本集;(3)搭建门控循环单元深度网络模型;(4)设置门控循环单元深度网络的参数;(5)训练门控循环单元深度网络模型;(6)获得分类准确率。本发明不需要人工特征提取和大量先验知识,可以对一维信号进行自动的特征提取和准确的信号分类,具有复杂度低,分类结果准确、稳定等优点,可用于军事和民用通信领域中。
Description
技术领域
本发明属于通信技术领域,更进一步涉及信号处理技术领域一种基于门控循环单元深度网络的智能时序信号分类方法。本发明可以自动提取无线电时序信号的特征并通过门控循环单元进行编码和调制等方式的分类,使无线电信号分类具有更高程度的自动化和智能化。
背景技术
无线电信号分类技术在通信系统中具有重要作用。在军事通信对抗领域,一般需要对敌方通信进行干扰和侦听,无线电信号调制方式识别分类是进行干扰和侦听首先要面对的难题。在民用通信领域,无线电频谱监测和管理、信号的确认以及干扰识别等工作都需要信号识别技术。目前基于传统分类方法的数字信号调制方式识别分类能在给定测试信号上达到令人满意的分类率。但是随着科技的快速发展,电磁环境的复杂度提高,信号种类和干扰增多,使现有传统的人工特征提取和信号分类技术难以满足目前无线电监测工作的需要,另一方面,现有信号分类方法大都对信号进行截断,没有考虑到时序信号的时间相关性,无法充分发掘信号的长时间特征进行分类,存在识别能力有限,模型较为复杂,同时方法鲁棒性不高并且在复杂通信环境下受干扰影响较大等缺点。该技术针对一维时序无线电通信信号,设计了门控循环单元深度网络,实现对多种无线电信号的自动特征提取和调制方式与信道编码方式分类。
佛山科学技术学院在其申请的专利文献“无线通信高精度信号识别及波特率参数估计的方法”(申请号201710434196.9,申请公布号CN 107360110 A)中,公开了一种无线通信高精度信号识别及波特率参数估计的方法。该方法包括识别步骤和波特率参数估计的步骤;其中,所述识别步骤具体为:将待测信号进行高阶累积量处理,提取待测信号的特征参数;对支持向量机SVM中心载频识别算法程序进行优化处理;将所述特征参数进行优化处理后输入支持向量机SVM中进行调制分类识别训练;所述波特率参数估计的步骤具体为:对识别步骤的待测信号通过信号复包络平方谱特征参数进行波特率参数估计。该方法存在的不足之处是:该方法虽然提出了一种通信信号识别方法,但是需要对待测信号要进行信号进行截断和高阶累积量处理,并且在进行信号特征提取时需要大量的先验知识,在特征提取是人为因素影响很大。
成都蓝色起源科技有限公司在其申请的专利文献“基于深度学习模型的无线电信号识别方法及其实现系统”(申请号201710284093.9,申请公布号CN 107122738 A)中公开了基于深度学习模型的无线电信号识别方法及其实现系统。该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测,即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别,可以最大可能地利用更多的信号特征,实现短突发及弱信号的探测。同时由于是将信号检测问题转换为图像分类识别问题,并利用深度学习方法来信号的分类检测,因此不需要针对特定信号进行专用设计,具备通用性,便于实际推广和应用。该方法虽然提出了一种基于深度学习模型的无线电信号识别方法及其实现系统,但是,该方法仍然存在的不足之处是:模型复杂,必须先对信号进行时频域变换后才能进行后续处理的问题。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于门控循环单元深度网络的智能时序信号分类方法。
实现本发明目的的具体思路是,利用门控循环单元深度网络实现对无线电信号的智能分类方法。该算法能降低传统调制分类方法在特征提取时人为,因素的影响,同时信号分类中能够达到较高的分类率,可以将不同类型调制方式与信道编码方式的无线电信号进行分类。
实现本发明目的的具体步骤包括如下:
(1)构建编码调制联合时序信号:
(1a)将接收到的每一个无线电信号信息序列,依次进行四种方式的信道编码,得到编码后的编码信号;
(1b)将编码后的每一个编码信号,依次进行六种方式的信号调制,得到编码调制联合时序信号;
(2)生成训练样本集和测试样本集:
(2a)对每个编码调制联合时序信号中的多个信息点以100个信息点为间隔进行采样,连续采集500个信息点组成一个信号样本,将所有的编码调制联合时序信号样本组成信号样本集;
(2b)从信号样本集中随机抽取80%的信号样本组成训练样本集,从剩余的20%样本中随机抽取10%的样本组成验证样本集,样本集中所有的剩余10%信号样本作为测试样本集;
(3)搭建门控循环单元深度网络模型:
(3a)搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络;
(3b)设置门控循环单元深度网络模型中的损失函数为交叉熵、优化算法为基于自适应矩阵估计优化算法adam、激活函数为修正线性单元激活函数;
(4)设置门控循环单元深度网络的参数:
(4a)设置输入层为500个输入神经单元,将批处理大小设置为512个;
(4b)设置卷积层的卷积核参数如下:第一卷积层为64个卷积核,每个卷积核为1×17的矩阵;第二卷积层为128个卷积核,每个卷积核为1×19的矩阵;
(4c)设置第一池化层、第二池化层为最大池化方式;分类器层为多分类函数Softmax;
(4d)门控循环单元层输出维度为256,激活函数为双曲正切函数;
(4e)设置门控循环单元深度网络中第一个全连接层和第二个全连接层的神经元个数分别为64和24;
(5)训练门控循环单元深度网络模型:
将训练样本集输入到门控循环单元深度网络模型中训练15次,得到训练好的门控循环单元深度网络模型;
(6)获得分类准确率:
(6a)将测试样本集输入到训练好的门控循环单元深度网络模型中,得到分类结果;
(6b)将识别结果与测试集的真实类别对比,统计分类正确率。
本发明与现有技术相比具有以下优点:
第一,由于本发明搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络,实现对无线电调制信号的自动特征提取,克服了现有技术在进行无线电信号特征提取时需要大量先验知识的缺点。使本发明中门控循环单元深度网络模型可以智能处理不同种类信号的调制方式和信道编码识别与分类,增强了门控循环单元深度网络模型的鲁棒性。
第二,由于本发明在构建编码调制联合时序信号时,保留了无线电信号的时序性,克服了现有信号分类方法没有考虑到时序信号的时间相关性,无法充分发掘信号的长时间特征进行分类的缺点,使得本发明可以用门控循环单元深度网络模型对一维时序信号进行识别分类,提高了信号分类的效率。
第三,由于本发明搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络,实现无线电时序信号的智能分类,克服了现有方法模型复杂的问题,使得本发明在实现无线电时序信号的智能分类时,减少了信号分类的计算量。
附图说明
图1为本发明的流程图;
图2是本发明所生成的24种无线电时序信号的波形示意图。
具体实施方式
下面结合附图对发明做进一步描述。
参照附图1,对本发明的具体步骤做进一步的描述。
步骤1,构建编码调制联合时序信号。
将接收到的每一个无线电信号信息序列,依次进行四种方式的信道编码,得到编码后的编码信号。
所述四种方式的信道编码是指,汉明码信道编码方式、二分之一码率的216非系统卷积码信道编码方式、三分之二码率的216非系统卷积码信道编码方式、四分之三码率的432非系统卷积码信道编码方式。
将编码后的每一个编码信号,依次进行六种方式的信号调制,得到编码调制联合时序信号。
所述的六种方式的信号调制方式是指二进制相移键控调制方式、四进制相移键控调制方式、八进制相移键控调制方式、二进制数字频率调制方式、二进制数字频率调制与频率调制结合的二次调制方式、四进制相移键控与频率调制结合的二次调制方式。
步骤2,生成训练样本集和测试样本集。
对每个编码调制联合时序信号中的多个信息点以100个信息点为间隔进行采样,连续采集500个信息点组成一个信号样本,将所有的编码调制联合时序信号样本组成信号样本集
从信号样本集中随机抽取80%的信号样本组成训练样本集,从剩余的20%样本中随机抽取10%的样本组成验证样本集,样本集中所有的剩余10%信号样本作为测试样本集。
步骤3,搭建门控循环单元深度网络模型。
搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络,其结构为:输入层→卷积层1→池化层1→卷积层2→池化层2→门控循环单元层→全连接层1→全连接层2→分类器层→输出层。
设置门控循环单元深度网络模型中的损失函数为交叉熵、优化算法为基于自适应矩阵估计优化算法adam、激活函数为修正线性单元激活函数。
步骤4,设置门控循环单元深度网络的参数。
设置输入层为500个输入神经单元,将批处理大小设置为512个。
设置卷积层的卷积核参数如下:第一卷积层为64个卷积核,每个卷积核为1×17的矩阵;第二卷积层为128个卷积核,每个卷积核为1×19的矩阵。
设置第一池化层、第二池化层为最大池化方式;分类器层为多分类函数Softmax。
门控循环单元层输出维度为256,激活函数为双曲正切函数。
设置门控循环单元深度网络中第一个全连接层和第二个全连接层的神经元个数分别为64和24。
步骤5,训练门控循环单元深度网络模型。
将训练样本集输入到门控循环单元深度卷积网络模型中训练15次,得到训练好的门控循环单元深度网络模型。
步骤6,获得分类准确率。
将测试样本集输入到训练好的门控循环单元深度网络模型中,得到分类结果。
将分类结果与测试集的真实类别对比,统计分类正确率。
本发明的效果可通过以下仿真进一步说明:
1.仿真条件:
本发明的仿真实验是在Intel(R)E5-2630 CPU 2GHz,GTX1080,Ubuntu16.04LTS系统下,TensorFlow1.0.1运行平台上,完成本发明以及和门控循环单元深度网络的仿真实验。
2.仿真实验内容:
本发明的仿真实验所用的24种编码调制联合信号的波形示意图如图2所示,图2(a)为汉明码信道编码方式联合二进制相移键控调制的联合信号波形示意图。图2(b)为二分之一码率的216非系统卷积码信道编码方式联合二进制相移键控调制的联合信号波形示意图。图2(c)为三分之二码率的216非系统卷积码信道编码方式联合二进制相移键控调制的联合信号波形示意图。图2(d)为四分之三码率的432非系统卷积码信道编码方式联合二进制相移键控调制的联合信号波形示意图。图2(e)为汉明码信道编码方式联合八相移相键控调制的联合信号波形示意图。图2(f)为二分之一码率的216非系统卷积码信道编码方式联合八相移相键控调制的联合信号波形示意图。图2(g)为三分之二码率的216非系统卷积码信道编码方式联合八相移相键控调制的联合信号波形示意图。图2(h)为四分之三码率的432非系统卷积码信道编码方式联合八相移相键控调制的联合信号波形示意图。图2(i)为汉明码信道编码方式联合二进制数字频率调制的联合信号波形示意图。图2(j)为二分之一码率的216非系统卷积码信道编码方式联合二进制数字频率调制的信号波形示意图。图2(k)为三分之二码率的216非系统卷积码信道编码方式联合二进制数字频率调制的信号波形示意图。图2(l)为四分之三码率的432非系统卷积码信道编码方式联合二进制数字频率调制的信号波形示意图。图2(m)为汉明码信道编码方式联合二进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(n)为二分之一码率的216非系统卷积码信道编码方式联合二进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(o)为三分之二码率的216非系统卷积码信道编码方式联合二进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(p)为四分之三码率的432非系统卷积码信道编码方式联合二进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(q)为汉明码信道编码方式联合四进制数字频率调制的联合信号波形示意图。图2(r)为二分之一码率的216非系统卷积码信道编码方式联合四进制数字频率调制的联合信号波形示意图。图2(s)为三分之二码率的216非系统卷积码信道编码方式联合四进制数字频率调制的联合信号波形示意图。图2(t)为四分之三码率的432非系统卷积码信道编码方式联合四进制数字频率调制的联合信号波形示意图。图2(u)为汉明码信道编码方式联合四进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(v)为二分之一码率的216非系统卷积码信道编码方式联合四进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(w)为三分之二码率的216非系统卷积码信道编码方式联合四进制数字频率调制与频率调制的二次调制的信号波形示意图。图2(x)为四分之三码率的432非系统卷积码信道编码方式联合四进制数字频率调制与频率调制的二次调制的信号波形示意图。
3.仿真实验结果分析:
本发明的仿真是将训练样本集输入到门控循环单元深度网络模型中训练15次,得到每次迭代的损失函数值,统计结果后得到仿真实验的结果图3。图3中的横轴代表迭代次数,纵轴对应每次迭代的损失函数值。在对门控循环单元深度网络模型训练的过程中,统计每次训练结果的损失函数值,损失函数值越小代表模型的训练效果越好。由图3可见,随着迭代次数的增加损失函数值递减并最终收敛至稳定,说明本仿真实验的训练效果随着训练次数的增多而提高。
将测试样本输入训练好的门控循环单元深度网络模型,得到24种无线电信号中每个信号的分类结果,再将每个信号的分类结果与测试样本集的真实类别进行对比,计算出分类结果正确的测试样本所占测试样本的百分比,得到本仿真实验的分类准确率为90%。
由以上的仿真实验可以说明,针对无线电信号的分类,本发明可以完成不同类别的无线电信号的智能分类任务,方法有效可行。
Claims (3)
1.一种基于门控循环单元深度网络的智能时序信号分类方法,其特征在于:包括如下步骤:
(1)构建编码调制联合时序信号:
(1a)将接收到的每一个无线电信号信息序列,依次进行四种方式的信道编码,得到编码后的编码信号;
(1b)将编码后的每一个编码信号,依次进行六种方式的信号调制,得到编码调制联合时序信号;
(2)生成训练样本集和测试样本集:
(2a)对每个编码调制联合时序信号中的多个信息点以100个信息点为间隔进行采样,连续采集500个信息点组成一个信号样本,将所有的编码调制联合时序信号样本组成信号样本集;
(2b)从信号样本集中随机抽取80%的信号样本组成训练样本集,从剩余的20%样本中随机抽取10%的样本组成验证样本集,样本集中所有的剩余10%信号样本作为测试样本集;
(3)搭建门控循环单元深度网络模型:
(3a)搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络,其结构为:输入层→卷积层1→池化层1→卷积层2→池化层2→门控循环单元层→全连接层1→全连接层2→分类器层→输出层;
(3b)设置门控循环单元深度网络模型中的损失函数为交叉熵、优化算法为基于自适应矩阵估计优化算法adam、激活函数为修正线性单元激活函数;
(4)设置门控循环单元深度网络的参数:
(4a)设置输入层为500个输入神经单元,将批处理大小设置为512个;
(4b)设置卷积层的卷积核参数如下:第一卷积层为64个卷积核,每个卷积核为1×17的矩阵;第二卷积层为128个卷积核,每个卷积核为1×19的矩阵;
(4c)设置第一池化层、第二池化层为最大池化方式;分类器层为多分类函数Softmax;
(4d)门控循环单元层输出维度为256,激活函数为双曲正切函数;
(4e)设置门控循环单元深度网络中第一个全连接层和第二个全连接层的神经元个数分别为64和24;
(5)训练门控循环单元深度网络模型:
将训练样本集输入到门控循环单元深度网络模型中训练15次,得到训练好的门控循环单元深度网络模型;
(6)获得分类准确率:
(6a)将测试样本集输入到训练好的门控循环单元深度网络模型中,得到分类结果;
(6b)将识别结果与测试集的真实类别对比,统计分类正确率。
2.根据权利要求1所述的基于门控循环单元深度网络的智能时序信号分类方法,其特征在于,步骤(1a)中所述四种方式的信道编码是指,汉明码信道编码方式、二分之一码率的216非系统卷积码信道编码方式、三分之二码率的216非系统卷积码信道编码方式、四分之三码率的432非系统卷积码信道编码方式。
3.根据权利要求1所述的基于门控循环单元深度网络的智能时序信号分类方法,其特征在于,步骤(1b)中所述的六种方式的信号调制方式是指二进制相移键控调制方式、四进制相移键控调制方式、八进制相移键控调制方式、二进制数字频率调制方式、二进制数字频率调制与频率调制结合的二次调制方式、四进制相移键控与频率调制结合的二次调制方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711345203.4A CN108282262B (zh) | 2018-04-16 | 2018-04-16 | 基于门控循环单元深度网络的智能时序信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711345203.4A CN108282262B (zh) | 2018-04-16 | 2018-04-16 | 基于门控循环单元深度网络的智能时序信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108282262A CN108282262A (zh) | 2018-07-13 |
CN108282262B true CN108282262B (zh) | 2019-11-26 |
Family
ID=62801725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711345203.4A Active CN108282262B (zh) | 2018-04-16 | 2018-04-16 | 基于门控循环单元深度网络的智能时序信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108282262B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389244B (zh) * | 2018-09-06 | 2020-08-18 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109829408B (zh) * | 2019-01-23 | 2022-05-17 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别装置 |
CN110061939A (zh) * | 2019-04-19 | 2019-07-26 | 中国电子科技集团公司第三十六研究所 | 一种符号速率估计方法和装置 |
CN110415683A (zh) * | 2019-07-10 | 2019-11-05 | 上海麦图信息科技有限公司 | 一种基于深度学习的空中管制语音指令识别方法 |
CN111818080A (zh) * | 2020-07-22 | 2020-10-23 | 中国工商银行股份有限公司 | 注入攻击检测模型构建方法和装置 |
CN112333194B (zh) * | 2020-11-09 | 2022-08-09 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9595002B2 (en) * | 2015-05-29 | 2017-03-14 | Sas Institute Inc. | Normalizing electronic communications using a vector having a repeating substring as input for a neural network |
KR102271262B1 (ko) * | 2015-11-12 | 2021-06-30 | 구글 엘엘씨 | Cgr 신경망들 |
CN106776711B (zh) * | 2016-11-14 | 2020-04-07 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
CN106656637B (zh) * | 2017-02-24 | 2019-11-26 | 国网河南省电力公司电力科学研究院 | 一种电网异常检测方法及装置 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
-
2018
- 2018-04-16 CN CN201711345203.4A patent/CN108282262B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108282262A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108282262B (zh) | 基于门控循环单元深度网络的智能时序信号分类方法 | |
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 | |
Zheng et al. | Big data processing architecture for radio signals empowered by deep learning: Concept, experiment, applications and challenges | |
CN108243129B (zh) | 基于注意力深度网络的无线电信号特征提取方法 | |
US20220309772A1 (en) | Human activity recognition fusion method and system for ecological conservation redline | |
CN108282426A (zh) | 基于轻量级深度网络的无线电信号认知识别方法 | |
CN109271926A (zh) | 基于gru深度卷积网络的智能辐射源识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN111490853A (zh) | 一种基于深度卷积神经网络的信道编码参数识别方法 | |
CN109633588A (zh) | 基于深度卷积神经网络的雷达辐射源识别方法 | |
Ke et al. | Blind detection techniques for non-cooperative communication signals based on deep learning | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN109921886A (zh) | 一种鲁棒的低功耗设备射频指纹识别方法 | |
CN109861932A (zh) | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 | |
CN109271885A (zh) | 一种基于宽度学习的鸟巢识别方法 | |
CN108566253A (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
CN112580567B (zh) | 一种模型获取方法、模型获取装置及智能设备 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
Deng et al. | A lightweight transformer-based approach of specific emitter identification for the automatic identification system | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN108282427B (zh) | 基于多尺度轻量网络的无线电信号认知识别方法 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN101828911A (zh) | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
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 |