CN108540202B - 一种卫星通信信号调制方式识别方法、卫星通信系统 - Google Patents
一种卫星通信信号调制方式识别方法、卫星通信系统 Download PDFInfo
- Publication number
- CN108540202B CN108540202B CN201810214992.6A CN201810214992A CN108540202B CN 108540202 B CN108540202 B CN 108540202B CN 201810214992 A CN201810214992 A CN 201810214992A CN 108540202 B CN108540202 B CN 108540202B
- Authority
- CN
- China
- Prior art keywords
- signal
- training
- modulation
- neural network
- satellite communication
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18517—Transmission equipment in earth stations
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- H04L27/00—Modulated-carrier systems
- H04L27/10—Frequency-modulated carrier systems, i.e. using frequency-shift keying
- H04L27/12—Modulator circuits; Transmitter circuits
Abstract
本发明属于人工智能与通信技术领域,公开了一种卫星通信信号调制方式识别方法、卫星通信系统,提取待训练的卫星通信信号的十种特征参数;构建用于训练神经网络的输入序列与输出序列;设置训练参数,创建神经网络,并对神经网络进行训练直到网络收敛;接收来自卫星的待识别信号,并提取待识别信号的十种特征参数;将提取出的待识别信号的特征参数输入神经网络,进行调制方式识别,得到识别后的结果。本发明有效地了现有的调制识别方法在低信噪比场景中精度较低、依赖于特征参数使用的时间顺序以及可支持识别调制数量较少的问题,在低信噪比场景下有效地提高了信道测量的精度,且可支持较多种调制方式的识别。
Description
技术领域
本发明属于人工智能与通信技术领域,尤其涉及一种卫星通信信号调制方式识别方法、卫星通信系统。
背景技术
目前,业内常用的现有技术是这样的:卫星通信主要有三大用途:遥测、遥控和数传。在民用和军用领域,由于目前的通信大多属于非协作通信,此时有效地监测和识别通信信号就显得尤为重要。在民用方面,信号监测的目的是判断卫星用户是否工作在合法的频段内,同时检测非法用户,例如侵占和盗用未被许可的频段资源或者转发器;军用方面,信号的准确检测具有非常重要的战略意义,获取敌方信号精确参数才能实现太空电磁对抗并获取制信息权。卫星信号的参数包括有中心频率、带宽、载噪比、信噪比、码元速率以及调制方式等,其中卫星通信所采用的常用调制方式种类,且分为模拟调制与数字调制两种,识别难度较大。另外在军事和国家安全方面,调制方式自动识别技术应用更为广泛。为了获取通信情报,首先要判断信号的调制方式,之后才能实施正确的解调以及随后的信息处理和分析;在电子战中,为了实施电子对抗、电子反对抗、威胁探测、告警、目标捕获和搜索等,都需要通过调制识别技术技术弄清相关通信或电子信号的参数和性质。因此,调制方式识别技术关系到国计民生的许多领域,关系到军事和国家安全的许多方面,近年来一直是国内外的研究热点。1969年4月,WEAVER.C.S等4名作者在斯坦福大学技术报告上发表了第一篇研究调制方式识别的论文——“采用模式识别技术实现调制类型的自动分类”。该论文指出,信号调制方式识别本质上是一个模式识别问题。从那以后,调制方式识别作为一个大的研究门类一直备受关注,各国学者对此进行了大量研究工作。在调制识别中,假设有一个可用的训练数据集,并通过已知信息设计分类器,称为有监督的调制识别。相反,将没有已知类别标签的训练数据可供使用,在这种情况下,给定一组特征向量来揭示潜在的相似性,并且将相似的特征向量分为一组,称为无监督的调制识别。在卫星通信中,有监督的调制识别方法更为常用。其中,常用的特征参数可分为:频谱特征、瞬时特征(包括瞬时幅度、瞬时相位和瞬时频率)的统计量、瞬时特征的直方图、通用解调方法求出的码元同步复信号、码元同步复信号的二阶统计量、高阶统计量等。目前,国内外对于卫星信号的主流调制识别方法是基于提取出的特征参数,采用决策树的方式对调制方式进行识别。这种方法实现简单,算法复杂度低,成本较低,但是缺点也是显而易见的:由于判决门限为事先确定好的定值,因此在信噪比较低的场景下,当特征参数尚未收敛于理论值附近时,识别性能很低,无法达到应用要求;且使用决策树方法进行调制识别时,识别率除了由独立的每个特征参数选择的好坏决定之外,还受限于一组特征参数的使用时间顺序。在决策树算法中,按照不同的顺序应用相同的特征参数,便可得到不用的算法。因此当应用时间顺序靠前的特征参数不能很好地对调制方式进行分类时,顺序靠后的特征参数就显得没有意义,从而使得整个调制识别系统性能大打折扣。近几年来,由于当今人工智能行业的发展,将人工智能算法应用于卫星通信场景下的调制方式识别逐渐成为了一个新的研究热点。
综上所述,现有技术存在的问题是:国内外对于卫星信号的主流调制识别方法是基于提取出的特征参数,采用决策树的方式对调制方式进行识别存在实现简单,算法复杂度低,成本较低。
解决上述技术问题的难度和意义:由于判决门限为事先确定好的定值,因此在信噪比较低的场景下,当特征参数尚未收敛于理论值附近时,识别性能很低,无法达到应用要求;且使用决策树方法进行调制识别时,识别率除了由独立的每个特征参数选择的好坏决定之外,还受限于一组特征参数的使用时间顺序。在决策树算法中,按照不同的顺序应用相同的特征参数,便可得到不用的算法。因此当应用时间顺序靠前的特征参数不能很好地对调制方式进行分类时,顺序靠后的特征参数就显得没有意义,从而使得整个调制识别系统性能大打折扣。
近几年来,由于当今人工智能行业的发展,将人工智能算法应用于卫星通信场景下的调制方式识别逐渐成为了一个新的研究热点。本发明将人工智能算法之一——BP神经网络算法的理论与调制方式识别的实际结合起来,提出了一种基于BP神经网络的调制方式识别方法,该方法能够同时对所有特征参数的特征进行学习,从中提取有用信息对调制方式进行自动分类。该方法有效避免了传统决策树方法需要提前设置硬判决门限、识别性能依赖于设置特征参数的时间顺序等缺点,从而可以实现在信噪比较低的场景中准确地对调制方式进行识别。
发明内容
针对现有技术存在的问题,本发明提供了一种卫星通信信号调制方式识别方法、卫星通信系统。
本发明是这样实现的,一种卫星通信信号调制方式识别方法,所述卫星通信信号调制方式识别方法包括:提取待训练的卫星通信信号的十种特征参数;构建用于训练神经网络的输入序列与输出序列;设置训练参数,创建神经网络,并对神经网络进行训练直到网络收敛;接收来自卫星的待识别信号,并提取待识别信号的十种特征参数;将提取出的待识别信号的特征参数输入神经网络,进行调制方式识别,得到识别后的结果。
进一步,所述卫星通信信号调制方式识别方法的16种调制方式分别为:AM、DSB、LSB、USB、FM、2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、π/4-DQPSK、16QAM以及64QAM;采用的10种特征参数分别为:
(1)频谱关于载频对应的采样点的对称性rs:
(3)零中心归一化瞬时幅度谱密度最大值γmax:
γmax=max|DFT(Acn(i))|2/N;
(4)递归零中心归一化瞬时幅度绝对值的平均μα:
(5)零中心非弱信号段瞬时相位非线性分量的标准偏差σdp:
(6)零中心非弱信号段瞬时相位的非线性分量的绝对值的标准差σap:
(7)基带信号频谱峰值个数pnb:
(8)接收信号频谱峰值个数pn:
(9)基带信号的高阶累积量的比值F1:所有高阶累积量:
根据高阶累积量:
F1=|C40|/|C42|;
(10)基带信号的高阶累积量F2:
F2=|C40d|/|C42d|;
其中C40d与C42d与特征参数F1中C40、C42计算方法相同,将(9)中的基带信号yb替换为新序列{x(k)}。
所述卫星通信信号调制方式识别方法进一步包括:
步骤一,神经网络训练的输入数据tin与输出数据tout:
tin为一个矩阵,其列数等于特征参数数目10,行数等于可支持识别调制方式数目Nmod乘以每种调制方式所提供的特征参数数目Nch;矩阵tout的第imod列的Nch*(imod-1)+1行到Nch*imod行的元素为1(imod=1,2,...,Nch),其余元素均为0,说明该组特征参数表征的是第imod个调制方式;
步骤二,采用的BP神经网络为单隐藏层网络,包含10个输入节点,20个隐含节点,16个输出节点。设置最大训练次数为500次,训练要求精度为0.01,学习率为0.01,对单个调制方式每种特征参数提供20个数据以供训练。将得到的用于训练的输入数据tin、用于训练的输出数据tout输入神经网络,开始训练,得到收敛后的网络权值net;
步骤三,构造用于调制方式识别的输入数据,接收来自卫星的待识别信号,提取该组信号的十种特征参数ttest,其中矩阵ttest的列数为10;
步骤四,将待识别信号的特征参数ttest输入已训练完成的神经网络,进行调制方式自动识别,待识别完成后输出识别结果;对一个信号识别多次,则取识别数最多的那个调制方式作为最终结果。
本发明的另一目的在于提供一种应用所述卫星通信信号调制方式识别方法的卫星通信系统。
综上所述,本发明的优点及积极效果为:本发明基于BP神经网络算法,优选出各个调制方式间区分度较高的10种特征参数,实现了卫星通信中常用的16种调制方式的自动识别,较为有效地了现有的调制识别方法在低信噪比场景中精度较低、依赖于特征参数使用的时间顺序以及可支持识别调制数量较少的问题,与现有的卫星信号调制方式识别方法相比,在低信噪比场景下有效地提高了信道测量的精度,且可支持较多种调制方式的识别。
附图说明
图1是本发明实施例提供的卫星通信信号调制方式识别方法流程图。
图2是本发明实施例提供的卫星通信信号调制方式识别方法实现流程图。
图3是本发明实施例提供的用于神经网络训练的输出数据矩阵0、1元素的分布示意图。
图4是本发明实施例提供的信噪比为0dB时的仿真结果示意图。
图5是本发明实施例提供的信噪比为5dB时的仿真结果示意图。
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。
本发明具体涉及在卫星通信场景下一种基于BP神经网络的模拟与数字调制方式识别方法,可用于卫星地面监测站进行卫星信号频谱监测场景中的调制方式识别。
如图1所示,本发明实施例提供的卫星通信信号调制方式识别方法包括以下步骤:
S101:提取待训练的卫星通信信号的十种特征参数;
S102:构建用于训练神经网络的输入序列与输出序列;
S103:设置训练参数,创建神经网络,并对神经网络进行训练直到网络收敛;
S104:接收来自卫星的待识别信号,并提取待识别信号的十种特征参数;
S105:将提取出的待识别信号的特征参数输入神经网络,进行调制方式识别,得到识别后的结果。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的卫星通信信号调制方式识别方法包括如下步骤:
步骤1,提取特征参数,对于接收到的应用16种模拟与数字调制方式的卫星信号,提取每种调制方式信号的10种特征参数。这16种调制方式分别为:AM、DSB、LSB、USB、FM、2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、π/4-DQPSK、16QAM以及64QAM;所采用的10种特征参数分别为:
(1)频谱关于载频对应的采样点的对称性rs:
(3)零中心归一化瞬时幅度谱密度最大值γmax:
γmax=max|DFT(Acn(i))|2/N;
(4)递归零中心归一化瞬时幅度绝对值的平均μa:
(5)零中心非弱信号段瞬时相位非线性分量的标准偏差σdp:
(6)零中心非弱信号段瞬时相位的非线性分量的绝对值的标准差σap:
(7)基带信号频谱峰值个数pnb:
(8)接收信号频谱峰值个数pn:
(9)基带信号的高阶累积量的比值F1:
首先定义用到的所有高阶累积量:
根据上述高阶累积量,定义:
F1=|C40|/|C42|;
(10)基带信号的高阶累积量F2:
首先对基带信号进行相位差分运算:
1)将每个基带复信号进行求模与绝对相位运算得到模序列{p(k)}与绝对相位序列{θ(k)}。
2)对绝对相位序列{θ(k)}进行差分运算,得到Δθk=θk+1-θk;
则可定义:
F2=|C40d|/|C42d|;
其中C40d与C42d与特征参数F1中C40、C42计算方法相同,只是将(9)中的基带信号yb替换为新序列{x(k)}。
步骤2,构造用于神经网络训练的输入数据tin与输出数据tout,其中:
tin为一个矩阵,其列数等于特征参数数目10,行数等于可支持识别调制方式数目Nmod乘以每种调制方式所提供的特征参数数目Nch;矩阵tout的第imod列的Nch*(imod-1)+1行到Nch*imod行的元素为1(imod=1,2,...,Nch),其余元素均为0,说明该组特征参数表征的是第imod个调制方式,图3直观地说明了矩阵tout中1、0元素的分布。
步骤3,设置训练参数,创建并训练神经网络。本发明采用的BP神经网络为单隐藏层网络,包含10个输入节点,20个隐含节点,16个输出节点。设置最大训练次数为500次,训练要求精度为0.01,学习率为0.01,对单个调制方式每种特征参数提供20个数据以供训练。将得到的用于训练的输入数据tin、用于训练的输出数据tout输入神经网络,开始训练,得到收敛后的网络权值net。
步骤4,构造用于调制方式识别的输入数据,接收来自卫星的待识别信号,提取该组信号的十种特征参数ttest,其中矩阵ttest的列数为10,行数为所提供的每种特征参数的数量,行数应该尽可能大以进一步提高准确性。
步骤5,将待识别信号的特征参数ttest输入已训练完成的神经网络,使其进行调制方式自动识别,待识别完成后输出识别结果。如果对一个信号识别多次,则取识别数最多的那个调制方式作为最终结果。
图4,图5分别给出了本发明在信噪比为0dB与5dB时的仿真结果,横坐标代表16种调制方式各自对应的的编号,纵坐标代表每种调制方式的识别率,取值范围为[0,1]。编号如下表所示:
表1调制方式编号表
调制方式 | 编号 | 调制方式 | 编号 |
AM | 1 | 4FSK | 9 |
DSB | 2 | BPSK | 10 |
LSB | 3 | QPSK | 11 |
USB | 4 | 8PSK | 12 |
FM | 5 | π/4-DQPSK | 13 |
2ASK | 6 | 16QAM | 14 |
4ASK | 7 | 16APSK | 15 |
2FSK | 8 | 64QAM | 16 |
仿真参数设置为:符号速率2Msym/s,采样频率200MHz,载波频率20MHz。由图4与图5可以看出,与传统的决策树方法对比,在信噪比为0dB与5dB时正确识别率性能显著高于传统的决策树方法识别性能,有效提高了调制方式识别在信噪比较低场景中的性能。
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 (3)
1.一种卫星通信信号调制方式识别方法,其特征在于,所述卫星通信信号调制方式识别方法包括:提取待训练的卫星通信信号的十种特征参数;构建用于训练神经网络的输入序列与输出序列;设置训练参数,创建神经网络,并对神经网络进行训练直到网络收敛;接收来自卫星的待识别信号,并提取待识别信号的十种特征参数;将提取出的待识别信号的特征参数输入神经网络,进行调制方式识别,得到识别后的结果;
所述卫星通信信号调制方式识别方法的16种调制方式分别为:AM、DSB、LSB、USB、FM、2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、π/4-DQPSK、16QAM以及64QAM;采用的10种特征参数分别为:
(1)频谱关于载频对应的采样点的对称性rs:
(3)零中心归一化瞬时幅度谱密度最大值γmax:
γmax=max|DFT(Acn(i))|2/N;
(4)递归零中心归一化瞬时幅度绝对值的平均μa:
(5)零中心非弱信号段瞬时相位非线性分量的标准偏差σdp:
(6)零中心非弱信号段瞬时相位的非线性分量的绝对值的标准差σap:
(7)基带信号频谱峰值个数pnb:
(8)接收信号频谱峰值个数pn:
(9)基带信号的高阶累积量的比值F1:
所有高阶累积量:
根据高阶累积量:
F1=|C40|/|C42|;
(10)基带信号的高阶累积量F2:
F2=|C40d|/|C42d|;
其中C40d与C42d与特征参数F1中C40、C42计算方法相同,将(9)中的基带信号yb替换为新序列{x(k)}。
2.如权利要求1所述的卫星通信信号调制方式识别方法,其特征在于,所述卫星通信信号调制方式识别方法进一步包括:
步骤一,神经网络训练的输入数据tin与输出数据tout:
tin为一个矩阵,其列数等于特征参数数目10,行数等于可支持识别调制方式数目Nmod乘以每种调制方式所提供的特征参数数目Nch;矩阵tout的第imod列的Nch*(imod-1)+1行到Nch*imod行的元素为1(imod=1,2,...,Nch),其余元素均为0,说明该组特征参数表征的是第imod个调制方式;
步骤二,采用的BP神经网络为单隐藏层网络,包含10个输入节点,20个隐含节点,16个输出节点;设置最大训练次数为500次,训练要求精度为0.01,学习率为0.01,对单个调制方式每种特征参数提供20个数据以供训练;将得到的用于训练的输入数据tin、用于训练的输出数据tout输入神经网络,开始训练,得到收敛后的网络权值net;
步骤三,构造用于调制方式识别的输入数据,接收来自卫星的待识别信号,提取该组信号的十种特征参数ttest,其中矩阵ttest的列数为10;
步骤四,将待识别信号的特征参数ttest输入已训练完成的神经网络,进行调制方式自动识别,待识别完成后输出识别结果;对一个信号识别多次,则取识别数最多的那个调制方式作为最终结果。
3.一种应用权利要求1~2任意一项所述卫星通信信号调制方式识别方法的卫星通信系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214992.6A CN108540202B (zh) | 2018-03-15 | 2018-03-15 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214992.6A CN108540202B (zh) | 2018-03-15 | 2018-03-15 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108540202A CN108540202A (zh) | 2018-09-14 |
CN108540202B true CN108540202B (zh) | 2021-01-26 |
Family
ID=63484056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810214992.6A Active CN108540202B (zh) | 2018-03-15 | 2018-03-15 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108540202B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412725B (zh) * | 2018-10-15 | 2021-02-09 | 中国人民解放军战略支援部队信息工程大学 | 无线电通信pcma信号盲解调方法及装置 |
CN109450835B (zh) * | 2018-11-02 | 2020-12-08 | 西安电子科技大学昆山创新研究院 | 基于hsca提取通信信号特征的调制识别方法 |
CN109657604B (zh) * | 2018-12-17 | 2021-02-12 | 中国人民解放军战略支援部队信息工程大学 | 基于循环神经网络的卫星幅相信号识别解调方法及装置 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
CN110276256A (zh) * | 2019-05-17 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 |
CN110191073B (zh) * | 2019-06-28 | 2021-08-31 | 华侨大学 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
CN110912629A (zh) * | 2019-10-22 | 2020-03-24 | 南京海骅信息技术有限公司 | 信噪比预测方法、装置及卫星通信链路自适应调节方法 |
CN111327554B (zh) * | 2020-02-27 | 2021-03-30 | 电子科技大学 | 一种用于数字调制信号识别的特征提取方法 |
CN112134818A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112307927A (zh) * | 2020-10-26 | 2021-02-02 | 重庆邮电大学 | 基于bp网络针对非合作通信中mpsk信号的识别研究 |
CN112969086A (zh) * | 2020-12-16 | 2021-06-15 | 广州长嘉电子有限公司 | Dvb-s2数字信号在智能电视上的识别方法及装置 |
CN112929073B (zh) * | 2021-01-25 | 2022-06-03 | 中国人民解放军国防科技大学 | 星间链路频谱认知机器学习训练数据集构建方法和装置 |
CN113052013B (zh) * | 2021-03-08 | 2023-03-10 | 中国人民解放军63891部队 | 一种用于电台调制信号的射频指纹识别方法 |
CN113485212B (zh) * | 2021-09-07 | 2021-11-19 | 北京扬铭科技发展有限责任公司 | 宽带卫星信号智能识别系统 |
CN115396270B (zh) * | 2022-07-28 | 2023-07-04 | 北京理工大学 | 基于数据类型识别的调频信号时频同步系统及方法 |
CN117807529B (zh) * | 2024-02-29 | 2024-05-07 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN101834819A (zh) * | 2010-05-14 | 2010-09-15 | 哈尔滨工业大学 | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 |
CN102438334A (zh) * | 2011-08-17 | 2012-05-02 | 南京邮电大学 | 一种多传感器节点分布式协作进行调制识别的方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN104868962A (zh) * | 2015-05-12 | 2015-08-26 | 北京邮电大学 | 基于压缩感知的频谱检测方法及装置 |
WO2015139138A1 (en) * | 2014-03-21 | 2015-09-24 | D5Pharma Inc. | Dna aptamers specific to cd200r1 and their therapeutic uses |
CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和系统 |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6944319B1 (en) * | 1999-09-13 | 2005-09-13 | Microsoft Corporation | Pose-invariant face recognition system and process |
US10731221B2 (en) * | 2009-12-11 | 2020-08-04 | Dignity Health | Diagnosing IDH1 related subgroups and treatment of cancer |
CN104811276B (zh) * | 2015-05-04 | 2018-04-03 | 东南大学 | 一种超奈奎斯特速率通信的dl‑cnn解调器 |
CN106059972B (zh) * | 2016-05-25 | 2019-04-26 | 北京邮电大学 | 一种基于机器学习算法的mimo相关信道下的调制识别方法 |
-
2018
- 2018-03-15 CN CN201810214992.6A patent/CN108540202B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN101834819A (zh) * | 2010-05-14 | 2010-09-15 | 哈尔滨工业大学 | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 |
CN102438334A (zh) * | 2011-08-17 | 2012-05-02 | 南京邮电大学 | 一种多传感器节点分布式协作进行调制识别的方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
WO2015139138A1 (en) * | 2014-03-21 | 2015-09-24 | D5Pharma Inc. | Dna aptamers specific to cd200r1 and their therapeutic uses |
CN104868962A (zh) * | 2015-05-12 | 2015-08-26 | 北京邮电大学 | 基于压缩感知的频谱检测方法及装置 |
CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和系统 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
Non-Patent Citations (7)
Title |
---|
Automatic digital modulation recognition using artificial neural network and genetic algorithm;M.L.D.Wong etc;《SIGNAL PROCESSING》;20040229;全文 * |
Modulation Classification Based on Extensible Neural Networks;GuanQingYang;《Hindawi Mathematical problems in engineering》;20171009;全文 * |
基于先进信号处理方法的通信信号调制识别技术研究;靳晓艳;《中国博士学位论文全文数据库》;20141031;全文 * |
基带通信信号的参数估计_调制识别及解调;刘芳;《中国优秀硕士学位论文全文数据库》;20101031;全文 * |
数字通信信号调制识别若干新问题研究;贺涛;《中国博士学位论文全文数据库》;20090430;全文 * |
无线信号调制模式识别技术的研究;李庆岩;《中国优秀硕士学位论文全文数据库》;20141031;全文 * |
无线电频谱占用度分析与信号调制识别;罗文全;《中国优秀硕士学位论文全文数据库》;20151231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108540202A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
US10985955B2 (en) | Method for automatically identifying modulation mode for digital communication signal | |
CN104994045B (zh) | 一种基于usrp平台的数字调制方式自动识别平台及方法 | |
CN107948107B (zh) | 一种基于联合特征的数字调制信号分类方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
Zhang et al. | A data preprocessing method for automatic modulation classification based on CNN | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
Moser et al. | Automatic modulation classification via instantaneous features | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
CN104363194A (zh) | 基于波形变换的psk调制识别方法 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
Ma et al. | Modulation classification method based on deep learning under non-Gaussian noise | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
Wang et al. | Residual learning based RF signal denoising | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN109525528A (zh) | 面向mqam调制信号的图域信号识别方法 | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
Feng et al. | An accurate modulation recognition method of QPSK signal | |
Fang et al. | Research on Digital Modulation recognition based on BP neural Network |
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 |