CN108521387A - 一种信号调制样式识别方法和装置 - Google Patents
一种信号调制样式识别方法和装置 Download PDFInfo
- Publication number
- CN108521387A CN108521387A CN201810298088.8A CN201810298088A CN108521387A CN 108521387 A CN108521387 A CN 108521387A CN 201810298088 A CN201810298088 A CN 201810298088A CN 108521387 A CN108521387 A CN 108521387A
- Authority
- CN
- China
- Prior art keywords
- signal
- spectrum
- instantaneous
- neural network
- amplitude
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种信号调制样式识别方法和装置,方法包括:构造神经网络模型,并将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式后将输入矩阵输入到神经网络模型中以进行训练,其中,训练信号带有相应的调制样式标记,训练信号的指定参数值至少包括训练信号的实部和虚部;利用训练好的神经网络模型对待识别信号进行调制样式识别。由此可知,本发明在训练神经网络模型时,除了利用待识别信号的实部和虚部外,还将其他指定参数值同时作为神经网络的输入,相比于单纯利用待识别信号的实部和虚部作为输入的技术方案,本发明实施例更有利于神经网络模型的训练,进而使得识别准确率更高。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种信号调制样式识别方法和装置。
背景技术
传统的调制样式识别方法主要通过提取信号特征并结合分类方法来实现。还有一种采用神经网络的调制样式识别方法。这种方法避开了专门的特征提取环节,直接以无线电信号采样数据作为输入完成对信号调制样式的识别,在低信噪比下获得了比传统的基于特征提取的方法更高的识别准确率。
但是在该调制样式识别方法中,仅利用少量的信号,即信号的实部(即,同相分量)和虚部(即,正交分量)作为输入,这导致神经网络训练过程中未能充分利用样本信号的信息,影响了神经网络模型的识别准确率,因而亟需改进。
发明内容
本发明提供了一种信号调制样式识别方法和装置,以解决现有识别过程中,识别准确率不高亟需改进的问题。
根据本发明的一个方面,提供了一种信号调制样式识别方法,包括:
构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练,其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;
利用训练好的神经网络模型对待识别信号进行调制样式识别。
可选地,所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种:
瞬时幅度,瞬时相位,瞬时频率,频谱幅度,二次方谱,四次方谱,八次方谱;
将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式包括:
将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号的长度;
将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
可选地,利用训练好的神经网络模型对待识别信号进行调制样式识别包括:
计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后,输入到训练好的神经网络模型中以进行调制样式识别。
可选地,包括:分别通过下列公式计算训练信号为x(n),n=0,1,2,...,N-1,N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱:
实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部,
虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部,
瞬时幅度
瞬时相位其中actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
瞬时频率
频谱幅度其中表示计算的模;
二次方谱
四次方谱
八次方谱
可选地,所述训练信号通过仿真产生或通过采集实际数据生成。
根据本发明的另一个方面,提供了一种信号调制样式识别装置,包括:
训练模块,用于构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练;其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;
识别模块,用于利用训练好的神经网络模型对待识别信号进行调制样式识别。
可选地,所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种:
瞬时幅度,瞬时相位,瞬时频率,频谱幅度,二次方谱,四次方谱,八次方谱;
所述训练模块,具体用于将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号的长度;
将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
可选地,所述识别模块具体用于,计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后,输入到训练好的神经网络模型中以进行调制样式识别。
可选地,所述训练模块,用于分别通过下列公式计算训练信号为x(n),n=0,1,2,...,N-1,N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱:
实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部,
虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部,
瞬时幅度
瞬时相位
其中,actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
瞬时频率
频谱幅度其中表示计算的模;
二次方谱
四次方谱
八次方谱
可选地,所述训练信号通过仿真产生或通过采集实际数据生成。
本发明的这种信号调制样式识别方案,在训练神经网络模型时,除了利用待识别信号的实部和虚部外,还将其他指定参数值同时作为神经网络的输入,相比于单纯利用待识别信号的实部和虚部作为输入的技术方案,本发明实施例更有利于神经网络模型的训练,进而使得识别准确率更高。
附图说明
图1是本发明一个实施例的信号调制样式识别方法的流程图;
图2是本发明一个实施例的信号调制样式识别方法的流程示意图;
图3是本发明一个实施例的信号调制样式识别装置的框图。
具体实施方式
动态频谱接入网络中,非授权用户可以使用授权用户(也称为主用户)当前未使用的频谱空穴进行通信,以此提高无线频谱资源的利用率。动态频谱接入的一个关键技术是需要对授权用户进行检测以避免对授权用户造成有害干扰。调制样式识别通过判断接收到的无线电信号采用哪种调制样式来辅助识别主用户,对于判定主用户类型来说具有重要意义。
为此,本实施例提出一种利用冗余输入的调制样式识别方案。除了利用待识别信号采样序列的实部(同相分量)和虚部(正交分量)外,还利用瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱等部分或全部信息组合而成同时作为神经网络模型的输入。相比于单纯利用待识别信号采样序列的实部(同相分量)和虚部(正交分量)作为输入的方法,本发明的技术方案更有利于神经网络模型的训练,识别准确率更高。
图1是本发明一个实施例的信号调制样式识别方法的流程图,参见图1,本实施例的信号调制样式识别方法包括下列步骤:
步骤S101,构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练,其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;这里的调制样式比如是BPSK((Binary Phase Shift Keying,二进制相移键控)、QPSK(Quadrature Phase Shift Keying,正交相移键控)、8PSK(8Phase Shift Keying,8移相键控)、16QAM(Quadrature Amplitude Modulation,16正交幅度调制)、16ASK(AmplitudeShift Keying,16振幅键控)。
步骤S102,利用训练好的神经网络模型对待识别信号进行调制样式识别。
由图1所示可知,本实施例的信号调制样式识别方法,在训练神经网络模型时,不仅利用信号的实部和虚部这两个参数信息,还利用信号的其它参数信息同时作为神经网络模型的输入,如此,相比于单纯利用信号的实部和虚部作为输入,本实施例的识别方法更有利于神经网络模型的训练,进而提高识别准确率。
图2是本发明一个实施例的信号调制样式识别方法的流程示意图,以下结合图2对本实施例的信号调制样式识别方法进行说明。
如图2所示,本实施例的信号调制样式识别方法包括:
步骤S201,计算信号采样序列的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱。
本步骤中是计算训练信号(即信号采样序列)的指定参数值,比如计算信号采样序列的瞬时幅度,信号采样序列的瞬时相位,信号采样序列的瞬时频率,信号采样序列的频谱幅度,信号采样序列的二次方谱,信号采样序列的四次方谱,信号采样序列八次方谱。需要说明的是,上述参数仅作为一种示例,实际应用中,可以根据需求进行取舍。除了信号采样序列的实部和虚部外,其它参数均不是必须的。
具体的计算过程如下:
计算信号采样序列x(n)(n=0,1,2,...,N-1)的实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部;
计算信号采样序列x(n)(n=0,1,2,...,N-1)的虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部;
计算信号采样序列x(n)(n=0,1,2,...,N-1)的瞬时幅度
计算信号采样序列x(n)(n=0,1,2,...,N-1)的瞬时相位其中actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
计算信号采样序列x(n)(n=0,1,2,...,N-1)的瞬时频率
计算信号采样序列x(n)(n=0,1,2,...,N-1)的频谱幅度其中表示计算的模;
计算信号采样序列x(n)(n=0,1,2,...,N-1)的二次方谱
计算信号采样序列x(n)(n=0,1,2,...,N-1)的四次方谱
计算信号采样序列x(n)(n=0,1,2,...,N-1)的八次方谱
步骤S202,将信号采样序列的实部和虚部,以及瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取至少一个向量组合成神经网络模型支持的输入格式。
本实施例中,是将信号采样序列的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱等组合成神经网络模型支持的输入形式。比如,将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号(即信号采样序列)的长度;比如,选取瞬时频率和二次方谱两个参数,那么J等于2,得到的输入矩阵即为四行N列的输入矩阵。然后将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
步骤S203,将将信号采样序列的输入矩阵输入到构造的神经网络模型中,对神经网络模型进行训练。
本步骤中,构造神经网络模型,然后根据带调制样式标记的训练数据对神经网络模型进行训练。需要注意的是,构造的神经网络模型的输入与经过前述步骤S202处理后训练信号的输入维度保持一致,即,维度为(J+2)×N×1的图片格式,1≤J≤7,N为训练信号的长度。
这里的,带调制样式标记的训练数据有两种产生方式,一是通过仿真产生,二是通过采集实际数据生成。实践中,可以需要进行选择,对此不做限制。
步骤S204,利用训练好的神经网络模型对新的信号采样序列进行调制样式识别。
经过了上面的步骤,得到训练好的用于调制样式识别的神经网络模型。接下来是在本步骤中,利用训练好的神经网络对新的信号采样序列进行调制样式识别。具体的,先计算待识别信号采样序列的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,计算公式参见前述步骤S201中各参数的计算公式。然后按照上述步骤S202中同样的转换过程将待识别信号采样序列的输入格式转换成(J+2)×N×1的图片,1≤J≤7,并送入训练好的神经网络模型中,以进行调制样式识别。
需要说明的是,利用神经网络模型识别调制样式为现有技术,可以采用现有技术来实现,本实施例不做过多说明。
图3是本发明一个实施例的信号调制样式识别装置的框图,参见图3,本实施例的信号调制样式识别装置300包括:
训练模块301,用于构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练;其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;
识别模块302,用于利用训练好的神经网络模型对待识别信号进行调制样式识别。
在本发明的一个实施例中,训练信号的指定参数值还包括计算出的下列参数值中的一种或多种:瞬时幅度,瞬时相位,瞬时频率,频谱幅度,二次方谱,四次方谱,八次方谱;训练模块301,具体用于将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号的长度;将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
在本发明的一个实施例中,识别模块302具体用于,计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后,输入到训练好的神经网络模型中以进行调制样式识别。
在本发明的一个实施例中,训练模块301,用于分别通过下列公式计算训练信号为x(n),n=0,1,2,...,N-1,N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱:
实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部,
虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部,
瞬时幅度
瞬时相位
其中,actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
瞬时频率
频谱幅度其中表示计算的模;
二次方谱
四次方谱
八次方谱
在本发明的一个实施例中,训练信号通过仿真产生或通过采集实际数据生成。
需要说明的是,本实施例的信号调制样式识别装置是和前述信号调制样式识别方法相对应的,因而本实施例中对信号调制样式识别装置没有描述的内容可参见前述方法实施例中的说明,这里不再赘述。
本发明一个实施例提供了电子设备,该电子设备包括存储器和处理器,存储器和处理器之间通过内部总线通讯连接,存储器存储有能够被处理器执行的程序指令,程序指令被处理器执行时能够实现上述的信号调制样式识别方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。本发明的另一个实施例提供一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令使所述计算机执行上述的信号调制样式识别方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
需要说明的是术语“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。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围以权利要求的保护范围为准。
Claims (10)
1.一种信号调制样式识别方法,其特征在于,包括:
构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练,其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;
利用训练好的神经网络模型对待识别信号进行调制样式识别。
2.如权利要求1所述的方法,其特征在于,所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种:
瞬时幅度,瞬时相位,瞬时频率,频谱幅度,二次方谱,四次方谱,八次方谱;
将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式包括:
将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号的长度;
将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
3.如权利要求2所述的方法,其特征在于,利用训练好的神经网络模型对待识别信号进行调制样式识别包括:
计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后,输入到训练好的神经网络模型中以进行调制样式识别。
4.如权利要求2所述的方法,其特征在于,包括:分别通过下列公式计算训练信号为x(n),n=0,1,2,...,N-1,N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱::
实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部,
虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部,
瞬时幅度
瞬时相位其中actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
瞬时频率
频谱幅度其中表示计算的模;
二次方谱
四次方谱
八次方谱
5.如权利要求1所述的方法,其特征在于,所述训练信号通过仿真产生或通过采集实际数据生成。
6.一种信号调制样式识别装置,其特征在于,包括:
训练模块,用于构造神经网络模型,并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练;其中,所述训练信号带有相应的调制样式标记,所述训练信号的指定参数值至少包括训练信号的实部和虚部;
识别模块,用于利用训练好的神经网络模型对待识别信号进行调制样式识别。
7.如权利要求6所述的装置,其特征在于,所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种:
瞬时幅度,瞬时相位,瞬时频率,频谱幅度,二次方谱,四次方谱,八次方谱;
所述训练模块,具体用于将训练信号的实部和虚部各作为输入矩阵的一行,并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种,将每种参数值也作为所述输入矩阵的一行,以构成一个(J+2)行N列的输入矩阵;其中1≤J≤7,N为训练信号的长度;
将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式,并作为神经网络模型的输入。
8.如权利要求7所述的装置,其特征在于,所述识别模块具体用于,计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱,并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后,输入到训练好的神经网络模型中以进行调制样式识别。
9.如权利要求7所述的装置,其特征在于,所述训练模块,用于分别通过下列公式计算训练信号为x(n),n=0,1,2,...,N-1,N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱:
实部Rx(n)=Re[x(n)],其中Re[x(n)]表示取x(n)的实部,
虚部Ix(n)=Im[x(n)],其中Im[x(n)]表示取x(n)的虚部,
瞬时幅度
瞬时相位
其中,actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切;
瞬时频率
频谱幅度其中表示计算的模;
二次方谱
四次方谱
八次方谱
10.如权利要求6所述的装置,其特征在于,所述训练信号通过仿真产生或通过采集实际数据生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810298088.8A CN108521387A (zh) | 2018-03-30 | 2018-03-30 | 一种信号调制样式识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810298088.8A CN108521387A (zh) | 2018-03-30 | 2018-03-30 | 一种信号调制样式识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108521387A true CN108521387A (zh) | 2018-09-11 |
Family
ID=63431825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810298088.8A Pending CN108521387A (zh) | 2018-03-30 | 2018-03-30 | 一种信号调制样式识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108521387A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110133382A (zh) * | 2019-04-10 | 2019-08-16 | 上海交通大学 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
CN110969121A (zh) * | 2019-11-29 | 2020-04-07 | 长沙理工大学 | 一种基于深度学习的高分辨率雷达目标识别算法 |
CN111585922A (zh) * | 2020-03-23 | 2020-08-25 | 成都奥特为科技有限公司 | 一种基于卷积神经网络的调制方式识别方法 |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
US20150262054A1 (en) * | 2014-03-12 | 2015-09-17 | Qualcomm Incorporated | Analog signal reconstruction and recognition via sub-threshold modulation |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
-
2018
- 2018-03-30 CN CN201810298088.8A patent/CN108521387A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
US20150262054A1 (en) * | 2014-03-12 | 2015-09-17 | Qualcomm Incorporated | Analog signal reconstruction and recognition via sub-threshold modulation |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133382A (zh) * | 2019-04-10 | 2019-08-16 | 上海交通大学 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
CN110133382B (zh) * | 2019-04-10 | 2021-07-27 | 上海交通大学 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
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 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 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 |
CN110969121A (zh) * | 2019-11-29 | 2020-04-07 | 长沙理工大学 | 一种基于深度学习的高分辨率雷达目标识别算法 |
CN111585922A (zh) * | 2020-03-23 | 2020-08-25 | 成都奥特为科技有限公司 | 一种基于卷积神经网络的调制方式识别方法 |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
CN112039820B (zh) * | 2020-08-14 | 2022-06-21 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108521387A (zh) | 一种信号调制样式识别方法和装置 | |
Alsafasfeh et al. | Image encryption based on the general approach for multiple chaotic systems. | |
CN103679436B (zh) | 一种基于生物信息识别的电子合同保全系统和方法 | |
CN103345690B (zh) | 一种基于rfid和物理不可克隆函数的防伪方法 | |
CN103729341B (zh) | 定位电子印章的方法和装置以及实现电子印章的装置 | |
CN109450649A (zh) | 一种基于应用程序接口的网关验证方法、装置及电子设备 | |
US8458474B2 (en) | Method of authenticating an entity by a verification entity | |
CN109446808A (zh) | 基于DCGAN的Android对抗样本生成方法及系统 | |
CN103873432A (zh) | 验证码实现方法及其系统、验证码服务端 | |
CN108960138A (zh) | 一种基于卷积神经网络的设备认证特征识别方法 | |
CN105447794A (zh) | 教育资源管理系统 | |
CN105515778B (zh) | 云存储数据完整性服务签名方法 | |
CN109831301A (zh) | Pdf文件的电子签名方法及该电子签名的验签方法 | |
CN109583889A (zh) | 基于区块链的印章或签名识别系统 | |
CN109754046A (zh) | 二维码、二维码的编码方法、解码方法、装置及设备 | |
CN107257284A (zh) | 一种用于进行虚拟卡交易的方法和装置 | |
CN107665314B (zh) | 在电子文档上签名的可信处理方法及装置 | |
CN104168117B (zh) | 一种语音数字签名方法 | |
CN102769677B (zh) | 面向真实用户身份信息的IPv6地址设置方法及服务器 | |
CN114006799A (zh) | 一种面向无源rfid的扩频与宽带感知增强方法及系统 | |
CN108512660A (zh) | 虚拟卡的验证方法 | |
CN114760052A (zh) | 银行物联网平台密钥生成方法、装置、电子设备及介质 | |
CN109583548A (zh) | 一种防伪二维码打印生成系统 | |
CN106101047B (zh) | 一种基于ofdm的隐匿通信波形生成方法 | |
JP2019102853A (ja) | 通信装置、通信システム、通信方法及びプログラム |
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: 20180911 |
|
RJ01 | Rejection of invention patent application after publication |