CN108718288A - 基于卷积神经网络的数字信号调制模式识别方法 - Google Patents
基于卷积神经网络的数字信号调制模式识别方法 Download PDFInfo
- Publication number
- CN108718288A CN108718288A CN201810275921.7A CN201810275921A CN108718288A CN 108718288 A CN108718288 A CN 108718288A CN 201810275921 A CN201810275921 A CN 201810275921A CN 108718288 A CN108718288 A CN 108718288A
- Authority
- CN
- China
- Prior art keywords
- signal
- digital modulation
- neural networks
- convolutional neural
- modulation schemes
- 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
- H04L27/0012—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法,包括以下步骤:S1、将接收机接收到的盲通信时域信号转换为int16格式的数据,并保存为二进制数据文件;S2、变采样为中频信号;S3、进行中频滤波;S4、做幅值归一化处理;S5、设计卷积神经网络用于提取信号特征;S6、对步骤S4得到的信号进行特征提取并进行分类回归,得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取,可以有效的从复杂的数字调制信号中得到每一类对应的有效特征,然后用全连接层将提取到的特征整合到标记样本空间,最后采用分类网络对数字信号调制模式识别,对调制模式进行分类,有效提高了数字信号调制模式的效率。
Description
技术领域
本发明属于深度学习应用和数字信号调制模式识别领域,特别涉及一种基于卷积神经网络的数字信号调制模式识别方法。
背景技术
近年来,通信技术迅猛发展,为了满足用户的不同需求,充分利用通信资源,提高频谱利用率,通信信号的体制、调制方式变得多样化和复杂化,同一空间的信号也变得越来越密集。在电子战通信情报截获接收机的设计中,获得接收的通信信号的调制方式,为解调器选择解调算法提供参考依据,有助于电子战中最佳干扰样式或干扰抵消算法的选择,以保证友方通信,同时破坏和抑制敌方通信,实现通信对抗的目的。
现有的数字信号调制模式识别都采用传统的模式识别方法,首先从信号中人工提取特征,诸如统计量特征、谱相关特征、小波变换特征以及星座图特征等,然后根据这些特征判断与之对应的调制模式。这种传统的识别方法有很多缺点,首先必须相关领域的专家进行特征提取;其次提取特征的步骤繁琐,计算量大,效率低。
发明内容
本发明的目的在于克服现有技术因人工提取特征用以识别信号调制模式导致步骤繁琐,计算量大以及效率低的不足,提供一种通过卷积神经网络的方法对不同的数字调制信号进行特征提取,有效的提高了数字信号调制模式的效率的基于卷积神经网络的数字信号调制模式识别方法。
本发明的目的是通过以下技术方案来实现的:基于卷积神经网络的数字信号调制模式识别方法,包括以下步骤:
S1、将接收机接收到的盲通信时域信号转换为int16格式的数据,并保存为二进制数据文件;
S2、将步骤S1得到的信号变采样为中频信号;
S3、对步骤S2得到的中频信号进行中频滤波;
S4、对中频滤波后的信号做幅值归一化处理;
S5、设计卷积神经网络用于提取信号特征;
S6、对步骤S4得到的信号进行特征提取并进行分类回归,得到对应的数字信号调制模式。
进一步地,所述步骤S2包括以下子步骤:
S21、画出信号的时域频谱图,得到该信号的载波频率;
S22、用四倍的载波频率重采样该信号。
进一步地,所述步骤S4具体实现方法为:用0均值标准化方法对信号进行归一化,公式如下:
z=(x-μ)/σ
其中,x代表步骤S3得到的原始信号,μ代表原始信号的均值,σ代表原始信号的标准差,z代表归一化之后的信号。
进一步地,所述步骤S5中的卷积神经网络包括:
一维卷积层conv1D:使用的激活函数为relu,用以对一维时域信号进行特征提取;
Dropout层:将在训练过程中每次更新参数时按一定概率随机断开输入神经元,Dropout层用于防止过拟合;
GlobalAveragePooling1D层:为时域信号施加全局最大值池化;
全连接层:将学到的“分布式特征表示”映射到样本标记空间的作用;
Softmax层:公式如下:
x为待识别的时域信号,K为总的类别数,k、i分别表示第k个类别和第i个类别,表示当前信号识别为第k类的映射值,表示当前信号识别为第i类的映射值,P(i)为x信号属于i类别的概率值;使用Softmax函数求得的概率最大值为实际上是与当前信号特征矢量在维度空间上最接近的信号类别。
进一步地,所述步骤S6包括以下子步骤:
S61、将信号分成适合输入卷积神经网络的多段等长序列;
S62、将每段序列输入神经网络进行分类;
S63、将每一段信号的每一个分类置信度求和再取平均值,平均值最大的那一类即为该信号的调制模式类别。
本发明的有益效果是:本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取,可以有效的从复杂的数字调制信号中得到每一类对应的有效特征,然后用全连接层将提取到的特征整合到标记样本空间,最后采用分类网络对数字信号调制模式识别,对调制模式进行分类。避免了传统的数字信号调制模式识别人工选取特征的复杂性以及计算复杂性,有效的提高了数字信号调制模式的效率,降低了调制模式识别的难度。
附图说明
图1为本发明的数字信号调制模式识别方法流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明采用基于深度学习的方法对数字信号调制模式进行识别。首先,将接收到的信号进行变采样达到频率归一化,再对幅值做归一化。其次,采用卷积神经网络自动提取数字调制信号的特征。最后,判断提取到的特征属于哪一种数字信号调制模式,置信度最高的一类即为所属类别。
如图1所示,基于卷积神经网络的数字信号调制模式识别方法,包括以下步骤:
S1、将接收机接收到的盲通信时域信号转换为int16格式的数据,并保存为二进制数据文件;
S2、将步骤S1得到的信号变采样为中频信号;包括以下子步骤:
S21、画出信号的时域频谱图,得到该信号的载波频率;
S22、用四倍的载波频率重采样该信号。
S3、对步骤S2得到的中频信号进行中频滤波;
S4、对中频滤波后的信号做幅值归一化处理;具体实现方法为:用0均值标准化方法对信号进行归一化,公式如下:
z=(x-μ)/σ
其中,x代表步骤S3得到的原始信号,μ代表原始信号的均值,σ代表原始信号的标准差,z代表归一化之后的信号。
S5、设计卷积神经网络用于提取信号特征;卷积神经网络的设计属于本领域惯用技术手段,不再在赘述,本发明的卷积神经网络包括:
一维卷积层conv1D:使用的激活函数为relu,用以对一维时域信号进行特征提取;
Dropout层:将在训练过程中每次更新参数时按一定概率随机断开输入神经元,Dropout层用于防止过拟合;
GlobalAveragePooling1D层:为时域信号施加全局最大值池化;
全连接层(dense层):将学到的“分布式特征表示”映射到样本标记空间的作用;
Softmax层:公式如下:
x为待识别的时域信号,K为总的类别数,k、i分别表示第k个类别和第i个类别,表示当前信号识别为第k类的映射值,表示当前信号识别为第i类的映射值,P(i)为x信号属于i类别的概率值;使用Softmax函数求得的概率最大值为实际上是与当前信号特征矢量在维度空间上最接近的信号类别。
S6、对步骤S4得到的信号进行特征提取并进行分类回归,得到对应的数字信号调制模式,包括以下子步骤:
S61、将信号分成适合输入卷积神经网络的多段等长序列;
S62、将每段序列输入神经网络进行分类;
S63、将每一段信号的每一个分类置信度求和再取平均值,平均值最大的那一类即为该信号的调制模式类别。
应用实例:
本实施例使用基于TensorFlow为后端的深度学习框架keras,设计接受序列长度为1000的卷积神经网络,包括3层使用激活函数为relu的conv1D卷积层、dropout层、GlobalAveragePooling1D层、两层全连接层以及激活函数Softmax;
使用MATLAB生成用于训练的数字调制信号,设置采样频率fs为93.3kHz,载波频率fc为fs/4并加上10%的频偏,码元速率为4—24kHz。共生成:2FSK、4FSK、BPSK、QPSK、8PSK、OQPSK、8QAM、16QAM、32QAM、GMSK十类信号样本,每一类信号3000个文件,每个文件截取20段长度为1000的序列。每类信号取不同的信噪比。将信号的75%作为训练集,25%作为验证集送入设计好的卷积神经网络进行训练,迭代100个epoch。
测试阶段:
(1)用MATLAB生成训练的十种不同类别的信号,保证采样频率fs在载波频率fc的4倍左右,载波频率fc在码元速率fd的1—6倍之间。每类在不同信噪比下各生成1000个文件。
(2)对每一类信号在不同信噪比下的数据分别送入卷积神经网络进行性能测试,得到十类信号的性能曲线。
本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取,可以有效的从复杂的数字调制信号中得到每一类对应的有效特征,然后用全连接层将提取到的特征整合到标记样本空间,最后采用分类网络对数字信号调制模式识别,对调制模式进行分类。避免了传统的数字信号调制模式识别人工选取特征的复杂性以及计算复杂性,有效的提高了数字信号调制模式的效率,并降低了调制模式识别的繁琐度和复杂性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.基于卷积神经网络的数字信号调制模式识别方法,其特征在于,包括以下步骤:
S1、将接收机接收到的盲通信时域信号转换为int16格式的数据,并保存为二进制数据文件;
S2、将步骤S1得到的信号变采样为中频信号;
S3、对步骤S2得到的中频信号进行中频滤波;
S4、对中频滤波后的信号做幅值归一化处理;
S5、设计卷积神经网络用于提取信号特征;
S6、对步骤S4得到的信号进行特征提取并进行分类回归,得到对应的数字信号调制模式。
2.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法,其特征在于,所述步骤S2包括以下子步骤:
S21、画出信号的时域频谱图,得到该信号的载波频率;
S22、用四倍的载波频率重采样该信号。
3.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法,其特征在于,所述步骤S4具体实现方法为:用0均值标准化方法对信号进行归一化,公式如下:
z=(x-μ)/σ
其中,x代表步骤S3得到的原始信号,μ代表原始信号的均值,σ代表原始信号的标准差,z代表归一化之后的信号。
4.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法,其特征在于,所述步骤S5中的卷积神经网络包括:
一维卷积层conv1D:使用的激活函数为relu,用以对一维时域信号进行特征提取;
Dropout层:将在训练过程中每次更新参数时按一定概率随机断开输入神经元,Dropout层用于防止过拟合;
GlobalAveragePooling1D层:为时域信号施加全局最大值池化;
全连接层:将学到的“分布式特征表示”映射到样本标记空间的作用;
Softmax层:公式如下:
x为待识别的时域信号,K为总的类别数,k和i分别表示第k个类别和第i个类别,表示当前信号识别为第k类的映射值,表示当前信号识别为第i类的映射值,P(i)为x信号属于i类别的概率值。
5.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法,其特征在于,所述步骤S6包括以下子步骤:
S61、将信号分成适合输入卷积神经网络的多段等长序列;
S62、将每段序列输入神经网络进行分类;
S63、将每一段信号的每一个分类置信度求和再取平均值,平均值最大的那一类即为该信号的调制模式类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810275921.7A CN108718288B (zh) | 2018-03-30 | 2018-03-30 | 基于卷积神经网络的数字信号调制模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810275921.7A CN108718288B (zh) | 2018-03-30 | 2018-03-30 | 基于卷积神经网络的数字信号调制模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108718288A true CN108718288A (zh) | 2018-10-30 |
CN108718288B CN108718288B (zh) | 2020-09-25 |
Family
ID=63898643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810275921.7A Active CN108718288B (zh) | 2018-03-30 | 2018-03-30 | 基于卷积神经网络的数字信号调制模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108718288B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109657604A (zh) * | 2018-12-17 | 2019-04-19 | 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 |
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 |
CN109889212A (zh) * | 2019-02-01 | 2019-06-14 | 华侨大学 | 一种基于深度学习与软件无线电的盲解调方法 |
CN110166388A (zh) * | 2019-05-25 | 2019-08-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Cnn联合l1正则化的智能通信信号调制模式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
CN111795611A (zh) * | 2020-05-20 | 2020-10-20 | 中南民族大学 | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN111935040A (zh) * | 2020-07-07 | 2020-11-13 | 同济大学 | 一种基于usrp和神经网络的无线信号调制方式识别系统 |
CN113705787A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于深度协同训练的数字调制信号识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140376669A1 (en) * | 2013-06-21 | 2014-12-25 | Digital Compression Technology, Llc | Use of neural network based matched filter for fast response time in high-speed communications channels |
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 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 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 |
US20180012359A1 (en) * | 2016-07-06 | 2018-01-11 | Marinko Venci Sarunic | Systems and Methods for Automated Image Classification and Segmentation |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
-
2018
- 2018-03-30 CN CN201810275921.7A patent/CN108718288B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140376669A1 (en) * | 2013-06-21 | 2014-12-25 | Digital Compression Technology, Llc | Use of neural network based matched filter for fast response time in high-speed communications channels |
US20180012359A1 (en) * | 2016-07-06 | 2018-01-11 | Marinko Venci Sarunic | Systems and Methods for Automated Image Classification and Segmentation |
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 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 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 |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
Non-Patent Citations (2)
Title |
---|
JIACHEN LI等: "Research on modulation identification of digital signals based on deep learning", 《2016 IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION AND COMMUNICATION TECHNOLOGY (ICEICT)》 * |
王植、孙林、顾文剑、陈炟君、董斌: "基于卷积神经网络的高分遥感影像多标签分类", 《第四届高分辨率对地观测学术年会论文集》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274626B (zh) * | 2018-11-21 | 2020-11-13 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109657604A (zh) * | 2018-12-17 | 2019-04-19 | 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 |
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 |
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 |
CN109889212A (zh) * | 2019-02-01 | 2019-06-14 | 华侨大学 | 一种基于深度学习与软件无线电的盲解调方法 |
CN110166388A (zh) * | 2019-05-25 | 2019-08-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Cnn联合l1正则化的智能通信信号调制模式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN110855591B (zh) * | 2019-12-09 | 2021-10-29 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
CN111795611A (zh) * | 2020-05-20 | 2020-10-20 | 中南民族大学 | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 |
CN111795611B (zh) * | 2020-05-20 | 2021-02-02 | 中南民族大学 | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 |
CN111935040A (zh) * | 2020-07-07 | 2020-11-13 | 同济大学 | 一种基于usrp和神经网络的无线信号调制方式识别系统 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN111885624B (zh) * | 2020-07-28 | 2022-07-01 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN113705787A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于深度协同训练的数字调制信号识别方法 |
CN113705787B (zh) * | 2021-08-27 | 2023-04-07 | 电子科技大学 | 一种基于深度协同训练的数字调制信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108718288B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108718288A (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
Hassan et al. | Automatic modulation recognition using wavelet transform and neural networks in wireless systems | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN107547460A (zh) | 基于深度学习的无线通信调制信号识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN111444805B (zh) | 一种基于改进的多尺度小波熵数字信号调制识别方法 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN101834819A (zh) | 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 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
Hassan et al. | Automatic modulation recognition using wavelet transform and neural network | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
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 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
CN115086123B (zh) | 基于时频图和星座图融合的调制识别方法及系统 | |
CN113905383B (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 | |
CN110390253A (zh) | 基于多种分形谱特征提取的通信信号调制方式识别方法 | |
CN115664905A (zh) | 基于多域物理层指纹特征的Wi-Fi设备识别系统及方法 |
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 |