CN108650202B - 一种信号调制模式识别方法及装置 - Google Patents
一种信号调制模式识别方法及装置 Download PDFInfo
- Publication number
- CN108650202B CN108650202B CN201810448252.9A CN201810448252A CN108650202B CN 108650202 B CN108650202 B CN 108650202B CN 201810448252 A CN201810448252 A CN 201810448252A CN 108650202 B CN108650202 B CN 108650202B
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- convolutional neural
- network model
- modulation mode
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本申请提供了一种信号调制模式识别方法及装置,方法包括:获取接收端信号;将接收端信号输入预先训练好的卷积神经网络模型,得到卷积神经网络模型输出的信号调制模式识别结果,其中,卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。在本申请中,通过以上方式可以实现信号调制模式的识别。
Description
技术领域
本申请涉及通信技术领域,特别涉及一种信号调制模式识别方法及装置。
背景技术
随着社会的发展和科技的进步,无人设备的使用越来越多,比如利用无人机完成一些勘探和信息获取任务。其中,保证高效及时的通信是保证无人设备完成任务的关键。为了保证高效及时的通信,可以在接收端设置抗干扰环节,排除通信干扰。
其中,信号调制模式的识别因其可以使无人设备更好的适应于不同的电磁环境,从而保证通信的敏捷、高效、可靠和安全性,而成为抗干扰环节实施的基础。但,如何进行信号调制模式的识别成为问题。
发明内容
为解决上述技术问题,本申请实施例提供一种信号调制模式识别方法及装置,以达到实现信号调制模式识别的目的,技术方案如下:
一种信号调制模式识别方法,包括:
获取接收端信号;
将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。
优选的,所述获取接收端信号之后,还包括:
对所述接收端信号进行信号特征突显处理;
将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,包括:
将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
优选的,所述对所述接收端信号进行信号特征突显处理,包括:
对所述接收端信号进行降噪处理和信号幅度变化消除处理。
优选的,所述对所述接收端信号进行信号特征突显处理之后,还包括:
将进行信号特征突显处理后的接收端信号转换为设定格式的图片;
将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,包括:
将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
优选的,所述卷积神经网络模型为深度残差网络结构模型。
一种信号调制模式识别装置,包括:
获取模块,用于获取接收端信号;
识别模块,用于将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记好调制模式类别信息的训练样本训练得到的模型。
优选的,还包括:
信号特征突显处理模块,用于对所述接收端信号进行信号特征突显处理;
所述识别模块,具体用于将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
优选的,所述信号特征突显处理模块包括:
信号特征突显处理子模块,用于对所述接收端信号进行降噪处理和信号幅度变化消除处理。
优选的,所述装置还包括:
转换模块,用于将进行信号特征突显处理后的接收端信号转换为设定格式的图片;
所述识别模块,具体用于将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
优选的,所述卷积神经网络模型为深度残差网络结构模型。
与现有技术相比,本申请的有益效果为:
在本申请中,通过获取接收端信号,将所述接收端信号输入预先训练的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,实现了信号调制模式的识别。
进一步地,利用卷积神经网络模型识别信号调制模式,可以满足信号调制模式识别的实时性要求以及智能化需求,实现无人设备的通信链路能够自主学习判断并产生相应决策。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的信号调制模式识别方法的一种流程图;
图2是本申请提供的信号调制模式识别方法的另一种流程图;
图3是本申请提供的信号调制模式识别方法的再一种流程图;
图4是本申请提供的训练卷积神经网络模型的一种流程图;
图5是本申请提供的信号调制模式识别装置的一种逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例公开了一种信号调制模式识别方法,包括:获取接收端信号;将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。在本申请中,实现了信号调制模式的识别。
接下来对本申请实施例公开的信号调制模式识别方法进行介绍,请参见图1,可以包括:
步骤S11、获取接收端信号。
接收端信号可以理解为:接收端接收到的信号。
步骤S12、将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
本实施例中,将所述接收端信号输入预先训练好的卷积神经网络模型后,卷积神经网络模型计算所述接收端信号的信号调制模式为各种预设信号调制模式的概率,将概率最高的预设信号调制模式作为信号调制模式识别结果,进行输出。
其中,所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。
可以理解的是,利用预先标记有调制模式类别信息的训练样本训练卷积神经网络模型,可以保证训练得到的卷积神经网络模型能够准确的识别出接收端信号的信号调制模式。
同样的,卷积神经网络模型输出的信号调制模式识别结果的准确度同样也依赖于对卷积神经网络模型的训练质量,训练质量越高,卷积神经网络模型输出的信号调制模式识别结果越精确。
在本申请中,通过获取接收端信号,将所述接收端信号输入预先训练的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,实现了信号调制模式的识别。
进一步地,利用卷积神经网络模型识别信号调制模式,可以满足信号调制模式识别的实时性要求以及智能化需求,实现无人设备的通信链路能够自主学习判断并产生相应决策。
在本申请的另一个实施例中,介绍另外一种信号调制模式识别方法,请参见图2,可以包括:
步骤S21、获取接收端信号。
步骤S21与前述实施例中的步骤S11相同,步骤S21的详细过程可以参见步骤S11的相关介绍,在此不再赘述。
步骤S22、对所述接收端信号进行信号特征突显处理。
本实施例中,对所述接收端信号进行信号特征突显处理,可以突出接收端信号与其他调制信号的特征差异,更易于后续信号调制模式的识别。
步骤S23、将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,可以保证卷积神经网络模型更好的识别接收端信号的调制特征,进一步保证输出的信号调制模式识别结果的准确度。
其中,所述卷积神经网络模型为预先利用标注有信号调制模式的训练样本进行训练得到。
将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果的过程,可以参见前述实施例中步骤S12的相关介绍,在此不再赘述。
在本申请的另一个实施例中,对所述接收端信号进行信号特征突显处理进行介绍,具体可以包括:
对所述接收端信号进行降噪处理。
或,对所述接收端信号进行信号幅度变化消除处理。
或,对所述接收端信号进行降噪处理和信号幅度变化消除处理。
可以理解的是,既进行降噪处理,又进行信号幅度变化消除处理,相比于单独进行降噪处理或信号幅度变化消除处理,信号特征突显效果更加明显。
本实施例中,对对所述接收端信号进行降噪处理进行介绍,具体可以包括:
由于接收端信号发生突变的频次很高,会存在较多噪声,因此需要对接收端信号进行降噪处理,减少噪声对信号调制模式识别的干扰。
优选的,可以采用小波降噪的方式对接收端信号进行降噪处理。
本实施例中,对对所述接收端信号进行信号幅度变化消除处理进行介绍,具体可以包括:
由于在通信环境下,接收信号的幅度是变化的,因此为了消除信号幅度变化对信号调制模式识别效果的影响,可以提前对所述接收端信号进行信号幅度变化消除处理。
优选的,可以采用归一化处理的方式对所述接收端信号进行信号幅度变化消除处理。
在本申请的另一个实施例中,介绍另外一种信号调制模式识别方法,请参见图3,可以包括:
步骤S31、获取接收端信号。
步骤S32、对所述接收端信号进行信号特征突显处理。
步骤S31-S32与前述实施例中的步骤S21-S22相同,步骤S31-S32的详细过程可以参见步骤S21-S22的详细过程,在此不再赘述。
步骤S33、将进行信号特征突显处理后的接收端信号转换为设定格式的图片。
优选的,设定格式可以为:分辨率为224×224的彩色图像格式。
步骤S34、将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练图片进行训练得到。
将所述设定格式的图片输入预先训练好的卷积神经网络模型,可以使卷积神经网络模型能够对设定格式的图片进行计算,从而识别出相应的信号调制模式。
基于前述各个实施例的内容,在本申请的另一个实施例中,对所述卷积神经网络模型进行介绍,具体如下:
所述卷积神经网络模型可以为但不局限于深度残差网络结构模型。
深度残差网络结构模型可以解决了卷积神经网络层随着深度加深而性能降低的问题。深度残差网络结构模型具体采用跳跃结构,来避免网络太深难以训练的问题,从而解决卷积神经网络层随着深度加深而性能降低的问题。
本实施例中,深度残差网络结构模型可以包括49个卷积层和输出的1个全连接层。
在本申请的另一个实施例中,对所述卷积神经网络模型的训练过程进行介绍,请参见图4,可以包括:
步骤S41、获取标注有信号调制模型的训练样本。
训练样本可以为训练信号或训练图片。
步骤S42、利用所述训练样本训练卷积神经网络模型,得到训练后的卷积神经网络模型。
训练后的卷积神经网络模型即前述各个实施例中用于识别信号调制模型的卷积神经网络模型。
需要说明的是,为了提高训练效率,可以采用批量训练的方式,训练卷积神经网络模型即每次利用多个训练样本训练卷积神经网络模型,直至所有的训练样本参与训练结束,得到训练后的卷积神经网络模型。
优选的,采用批量训练的方式,训练卷积神经网络模型可以包括:利用Tensorflow平台提供的多线程处理流程,采用批量训练的方式,训练卷积神经网络模型。
Tensorflow平台是谷歌基于DistBelief进行研发的第二代人工智能学习系统。
接下来对本申请提供的信号调制模式识别装置进行介绍,下文介绍的信号调制模式识别装置与上文介绍的信号调制模式识别方法可相互对应参照。
请参见图5,其示出了本申请提供的信号调制模型识别装置的一种逻辑结构示意图,信号调制模式识别装置包括:获取模块11和识别模块12。
获取模块11,用于获取接收端信号。
识别模块12,用于将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。
本实施例中,上述信号调制模式识别装置还可以包括:
信号特征突显处理模块,用于对所述接收端信号进行信号特征突显处理。
相应地,所述识别模块12,具体可以用于将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
本实施例中,所述信号特征突显处理模块可以包括:
信号特征突显处理子模块,用于对所述接收端信号进行降噪处理和信号幅度变化消除处理。
本实施例中,上述信号调制模式识别装置还可以包括:
转换模块,用于将进行信号特征突显处理后的接收端信号转换为设定格式的图片。
相应地,所述识别模块12,具体可以用于将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
本实施例中,所述卷积神经网络模型可以为但不局限于深度残差网络结构模型。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种信号调制模式识别方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种信号调制模式识别方法,其特征在于,包括:
获取接收端信号;
将所述接收端信号输入预先训练好的卷积神经网络模型,卷积神经网络模型计算所述接收端信号的信号调制模式为各种预设信号调制模式的概率,将概率最高的预设信号调制模式作为信号调制模式识别结果,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记有调制模式类别信息的训练样本训练得到的模型。
2.根据权利要求1所述的方法,其特征在于,所述获取接收端信号之后,还包括:
对所述接收端信号进行信号特征突显处理;
将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,包括:
将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述接收端信号进行信号特征突显处理,包括:
对所述接收端信号进行降噪处理和信号幅度变化消除处理。
4.根据权利要求2所述的方法,其特征在于,所述对所述接收端信号进行信号特征突显处理之后,还包括:
将进行信号特征突显处理后的接收端信号转换为设定格式的图片;
将所述接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果,包括:
将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述卷积神经网络模型为深度残差网络结构模型。
6.一种信号调制模式识别装置,其特征在于,包括:
获取模块,用于获取接收端信号;
识别模块,用于将所述接收端信号输入预先训练好的卷积神经网络模型,卷积神经网络模型计算所述接收端信号的信号调制模式为各种预设信号调制模式的概率,将概率最高的预设信号调制模式作为信号调制模式识别结果,得到所述卷积神经网络模型输出的信号调制模式识别结果,其中,所述卷积神经网络模型为利用预先标记好调制模式类别信息的训练样本训练得到的模型。
7.根据权利要求6所述的装置,其特征在于,还包括:
信号特征突显处理模块,用于对所述接收端信号进行信号特征突显处理;
所述识别模块,具体用于将进行信号特征突显处理后的接收端信号输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
8.根据权利要求7所述的装置,其特征在于,所述信号特征突显处理模块包括:
信号特征突显处理子模块,用于对所述接收端信号进行降噪处理和信号幅度变化消除处理。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
转换模块,用于将进行信号特征突显处理后的接收端信号转换为设定格式的图片;
所述识别模块,具体用于将所述设定格式的图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的信号调制模式识别结果。
10.根据权利要求6-9任意一项所述的装置,其特征在于,所述卷积神经网络模型为深度残差网络结构模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448252.9A CN108650202B (zh) | 2018-05-11 | 2018-05-11 | 一种信号调制模式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448252.9A CN108650202B (zh) | 2018-05-11 | 2018-05-11 | 一种信号调制模式识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108650202A CN108650202A (zh) | 2018-10-12 |
CN108650202B true CN108650202B (zh) | 2021-02-26 |
Family
ID=63754620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810448252.9A Active CN108650202B (zh) | 2018-05-11 | 2018-05-11 | 一种信号调制模式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108650202B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787927A (zh) * | 2019-01-03 | 2019-05-21 | 荆门博谦信息科技有限公司 | 基于深度学习的调制识别方法和装置 |
CN109787929A (zh) * | 2019-02-20 | 2019-05-21 | 深圳市宝链人工智能科技有限公司 | 信号调制识别方法、电子装置及计算机可读存储介质 |
CN110300078B (zh) * | 2019-07-01 | 2021-04-27 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN113259289B (zh) * | 2021-05-13 | 2022-06-17 | 曾泓然 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
CN115664910A (zh) * | 2022-11-14 | 2023-01-31 | 西安睿奥电磁环境科技有限公司 | 基于Resnet-LSTM的信号调制分类方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756209B2 (en) * | 2006-11-03 | 2010-07-13 | Nec Corporation | Apparatus, method, and program for identifying modulation mode |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660713B2 (en) * | 2003-10-23 | 2010-02-09 | Microsoft Corporation | Systems and methods that detect a desired signal via a linear discriminative classifier that utilizes an estimated posterior signal-to-noise ratio (SNR) |
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 |
CN107220606B (zh) * | 2017-05-22 | 2020-05-19 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
CN107979554B (zh) * | 2017-11-17 | 2019-10-08 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
-
2018
- 2018-05-11 CN CN201810448252.9A patent/CN108650202B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756209B2 (en) * | 2006-11-03 | 2010-07-13 | Nec Corporation | Apparatus, method, and program for identifying modulation mode |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108650202A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650202B (zh) | 一种信号调制模式识别方法及装置 | |
CN110600017B (zh) | 语音处理模型的训练方法、语音识别方法、系统及装置 | |
CN112364779B (zh) | 信号处理与深-浅网络多模型融合的水声目标识别方法 | |
CN106104674B (zh) | 混合语音识别 | |
CN110415686A (zh) | 语音处理方法、装置、介质、电子设备 | |
CN108090218B (zh) | 基于深度强化学习的对话系统生成方法和装置 | |
CN110932809B (zh) | 光纤信道模型模拟方法、装置、电子设备和存储介质 | |
CN116050496A (zh) | 图片描述信息生成模型的确定方法及装置、介质、设备 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 | |
Cao et al. | Underwater target classification at greater depths using deep neural network with joint multiple‐domain feature | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN111653270A (zh) | 语音处理方法、装置、计算机可读存储介质及电子设备 | |
CN113077812A (zh) | 语音信号生成模型训练方法、回声消除方法和装置及设备 | |
CN112307179A (zh) | 文本匹配方法、装置、设备及存储介质 | |
CN114528762B (zh) | 一种模型训练方法、装置、设备和存储介质 | |
CN113160801B (zh) | 语音识别方法、装置以及计算机可读存储介质 | |
CN115472182A (zh) | 一种基于注意力特征融合的多通道自编码器的语音情感识别方法及装置 | |
Qi et al. | Underwater acoustic target recognition with fusion feature | |
KR102340387B1 (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
CN114218428A (zh) | 音频数据聚类方法、装置、设备及存储介质 | |
CN113420111A (zh) | 一种用于多跳推理问题的智能问答方法及装置 | |
CN113571063A (zh) | 语音信号的识别方法、装置、电子设备及存储介质 | |
CN113762148B (zh) | 图像识别模型训练方法和装置、图像识别方法和装置 | |
CN114020908A (zh) | 文本分类方法及装置、计算机可读存储介质及电子设备 | |
Deng et al. | A Novel Dolphin Whistle Classifier Based on Attention-DenseNet |
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 |