CN108770082A - 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 - Google Patents
基于平滑伪Winger-Ville分布和最优时频分布的通信基站 Download PDFInfo
- Publication number
- CN108770082A CN108770082A CN201810534365.0A CN201810534365A CN108770082A CN 108770082 A CN108770082 A CN 108770082A CN 201810534365 A CN201810534365 A CN 201810534365A CN 108770082 A CN108770082 A CN 108770082A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- indicate
- frequency distribution
- time frequency
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 238000004891 communication Methods 0.000 title claims abstract description 28
- 238000009499 grossing Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于平滑伪Winger‑Ville分布和最优时频分布的通信基站，其包括数据接收模块、数据发送模块、滤波放大模块、数据预处理模块及数据调谐处理模块，所述数据发送模块和数据接收模块通过多个信道和多个地址发送或接收数据；所述数据接收模块接收外部的通信信号，并传输给数据滤波放大模块进行滤波放大处理，然后传输给数据预处理模块进行包括去噪、加窗在内的数据预处理步骤；然后传输给数据调谐处理模块进行调谐，所述数据调谐处理模块还用于将调谐的信息、设置的说明信息和目标数据传送至数据发送模块，所述说明信息包括预定信道和预定地址信息；本发明可以提高通信基站设备的调谐准确性。
Description
技术领域
本发明属于通信基站技术领域，具体属于一种基于平滑伪Winger-Ville分布和最优时频分布的通信基站。
背景技术
基站，是固定在一个地方的高功率多信道双向无线电发送机。基站子系统(BSS)是移动通信系统中与无线蜂窝网络关系最直接的基本组成部分。在整个移动网络中基站主要起中继作用。基站与基站之间采用无线信道连接，负责无线发送、接收和无线资源管理。而主基站与移动交换中心(MSC)之间常采用有线信道连接，实现移动用户之间或移动用户与固定用户之间的通信连接。在日常生活中，我们常见的通信基站一般为无线通信基站。基站作为无线通信的中继站，在信号传输过程中起到重要作用。由于信号容易受到其他信号干扰、调谐调频信道不足，信号分类不准确，本发明提供了一种基于平滑伪Winger-Ville分布和最优时频分布的通信基站，在基站上设置了信号调谐处理模块、功率分配器，有效解决功率分配及信道分配、调谐问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提高信号传输效率、调谐精确的基于平滑伪Winger-Ville分布和最优时频分布的通信基站。
本发明的技术方案如下：
一种基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其包括数据接收模块、数据发送模块、滤波放大模块、数据预处理模块及数据调谐处理模块，所述数据发送模块和数据接收模块通过多个信道和多个地址发送或接收数据；所述数据接收模块接收外部的通信信号，并传输给数据滤波放大模块进行滤波放大处理，然后传输给数据预处理模块进行包括去噪、加窗在内的数据预处理步骤；然后传输给数据调谐处理模块进行调谐，所述数据调谐处理模块还用于将调谐的信息、设置的说明信息和目标数据传送至数据发送模块，所述说明信息包括预定信道和预定地址信息；所述数据发送模块，用于根据说明信息在预定信道和预定地址上发送目标数据和第一同步信息，所述第一同步信息包括信道及地址标识；所述数据接收模块，用于在预定信道接收另一通讯基站发送的第二同步消息，从所述第二同步消息中获取第一同步信息的信道及地址标识，根据所述信道及地址标识接收目标数据；所述数据调谐处理模块包括预处理模块、特征提取模块及训练调谐模块；所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤，并利用平滑伪Winger-Ville分布和最优时频分布，将信号转换成平滑伪Winger-Ville时频分布图和最优时频分布图；所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和最优时频分布图的特征，并利用多模融合模型将两种时频图像特征进行特征融合量化评价，具体包括：对采集的平滑伪Winger-Ville时频分布图和最优时频分布图的特征进行时频分析处理，计算训练集信号的模糊函数及模糊函数均值；选择二维径向高斯核函数为基于分类的最优时频分布的最佳核函数；通过迭代搜索计算最佳核函数；对训练集信号进行最佳核函数下的时频变换，并提取用于分类的特征值；设计训练集信号的分类器，对训练集信号的特征值进行分类；所述训练调谐模块将融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调谐。
进一步的，所述数据接收模块接收外部的通信信号信号模型为：
其中r(t)和s(t)分别表示接收信号和发射信号，α表示信道增益，ω0和θ0表示频率偏移和相位偏移，n(t)表示高斯噪声，其中当s(t)为ASK，FSK和PSK调制时，表达式为：
Am表示调制幅度，an表示符号序列，Ts符号周期，fc表示载波频率，fm表示调制频率，φ0表示初始相位，φm表示调制相位，g(t)表示矩形脉冲；
当s(t)为QAM调制时，由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct)，表达式为：
an和bn分别表示符号序列。
进一步的，所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项，表达式为：
SPWVDx(t,f)＝∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数，x(t)＝r(t)+jH[r(t)]，H[·]表示希尔伯特变换，t和f分别表示时间和频率，v表示频偏，τ表示时延，x*(t)为x(t)的共轭；
所述的二维径向高斯核函数在直角坐标系中表示为：
其中，σ(ψ)控制径向高斯核函数在径向角ψ方向的扩展，称为扩展函数；ψ为径向与水平方向的夹角；
所述的二维径向高斯核函数在极坐标系中表示为：
进一步的，所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征，把网络设计为H(x)＝f(x)+x，x表示网络输入，H(x)表示经过网络后的输出，通过学习一个残差函数f(x)＝H(x)-x，只要f(x)＝0，就构成一个恒等映射H(x)＝x。
本发明的有益效果
本发明通过信号调谐装置不仅有效解决了信号传输过程中受到噪音或其他无用信号的干扰，还能够使有用信号增大，弥补信号在传输中削弱的不足，解决了人们的日常通信问题，给人们带来的方便；同时应用了两种时频分布将信号用二维图像表示出来，通过从两个方面来描述不同调制信号之间的差别；利用了卷积神经网络自动提取这两种时频分布图的图像特征，克服了传统调制分类方法中需要人工设计特征的难题用了多模融合模型将两种时频分布图的特征进行融合，以进一步提升信号调谐的准确度。同时，通过训练集信号完成最佳核函数的设计和计算，该最佳核函数是基于数据的最优值，有利于目标分类和识别；本发明提供了最佳核函数的搜索方法以及寻优过程；本发明中的最佳核函数的搜索时间虽然较长，但是只是在训练过程中时间较长，一旦完成训练，在测试和应用过程中不需要对最佳核函数进行搜索计算，因此不影响目标分类与识别的实时性要求。本发明将特征提取算法与分类器设计两个孤立的环节，通过最佳核函数的寻优过程实现有机的结合，使得特征提取算法获取的特征值有利于分类器的设计，有效提高目标识别系统的准确度。本发明在时频域进行加窗处理，去噪的同时保留了有效信号，提高了实际应用效果。
附图说明
图1是本发明提供优选实施例基于平滑伪Winger-Ville分布和最优时频分布的通信基站示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示为一种基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其包括数据接收模块、数据发送模块、滤波放大模块、数据预处理模块及数据调谐处理模块，所述数据发送模块和数据接收模块通过多个信道和多个地址发送或接收数据；所述数据接收模块接收外部的通信信号，并传输给数据滤波放大模块进行滤波放大处理，然后传输给数据预处理模块进行包括去噪、加窗在内的数据预处理步骤；然后传输给数据调谐处理模块进行调谐，所述数据调谐处理模块还用于将调谐的信息、设置的说明信息和目标数据传送至数据发送模块，所述说明信息包括预定信道和预定地址信息；所述数据发送模块，用于根据说明信息在预定信道和预定地址上发送目标数据和第一同步信息，所述第一同步信息包括信道及地址标识；所述数据接收模块，用于在预定信道接收另一通讯基站发送的第二同步消息，从所述第二同步消息中获取第一同步信息的信道及地址标识，根据所述信道及地址标识接收目标数据；所述数据调谐处理模块包括预处理模块、特征提取模块及训练调谐模块；所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤，并利用平滑伪Winger-Ville分布和最优时频分布，将信号转换成平滑伪Winger-Ville时频分布图和最优时频分布图；所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和最优时频分布图的特征，并利用多模融合模型将两种时频图像特征进行特征融合量化评价，具体包括：对采集的平滑伪Winger-Ville时频分布图和最优时频分布图的特征进行时频分析处理，计算训练集信号的模糊函数及模糊函数均值；选择二维径向高斯核函数为基于分类的最优时频分布的最佳核函数；通过迭代搜索计算最佳核函数；对训练集信号进行最佳核函数下的时频变换，并提取用于分类的特征值；设计训练集信号的分类器，对训练集信号的特征值进行分类；所述训练调谐模块将融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调谐。
优选的，所述数据接收模块接收外部的通信信号信号模型为：
其中r(t)和s(t)分别表示接收信号和发射信号，α表示信道增益，ω0和θ0表示频率偏移和相位偏移，n(t)表示高斯噪声，其中当s(t)为ASK，FSK和PSK调制时，表达式为：
Am表示调制幅度，an表示符号序列，Ts符号周期，fc表示载波频率，fm表示调制频率，φ0表示初始相位，φm表示调制相位，g(t)表示矩形脉冲；
当s(t)为QAM调制时，由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct)，表达式为：
an和bn分别表示符号序列。
优选的，所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项，表达式为：
SPWVDx(t,f)＝∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数，x(t)＝r(t)+jH[r(t)]，H[·]表示希尔伯特变换，t和f分别表示时间和频率，v表示频偏，τ表示时延，x*(t)为x(t)的共轭；
所述的二维径向高斯核函数在直角坐标系中表示为：
其中，σ(ψ)控制径向高斯核函数在径向角ψ方向的扩展，称为扩展函数；ψ为径向与水平方向的夹角；
所述的二维径向高斯核函数在极坐标系中表示为：
优选的，所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征，把网络设计为H(x)＝f(x)+x，x表示网络输入，H(x)表示经过网络后的输出，通过学习一个残差函数f(x)＝H(x)-x，只要f(x)＝0，就构成一个恒等映射H(x)＝x。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其特征在于，包括数据接收模块、数据发送模块、滤波放大模块、数据预处理模块及数据调谐处理模块，所述数据发送模块和数据接收模块通过多个信道和多个地址发送或接收数据；所述数据接收模块接收外部的通信信号，并传输给数据滤波放大模块进行滤波放大处理，然后传输给数据预处理模块进行包括去噪、加窗在内的数据预处理步骤；然后传输给数据调谐处理模块进行调谐，所述数据调谐处理模块还用于将调谐的信息、设置的说明信息和目标数据传送至数据发送模块，所述说明信息包括预定信道和预定地址信息；所述数据发送模块，用于根据说明信息在预定信道和预定地址上发送目标数据和第一同步信息，所述第一同步信息包括信道及地址标识；所述数据接收模块，用于在预定信道接收另一通讯基站发送的第二同步消息，从所述第二同步消息中获取第一同步信息的信道及地址标识，根据所述信道及地址标识接收目标数据；所述数据调谐处理模块包括预处理模块、特征提取模块及训练调谐模块；所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤，并利用平滑伪Winger-Ville分布和最优时频分布，将信号转换成平滑伪Winger-Ville时频分布图和最优时频分布图；所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和最优时频分布图的特征，并利用多模融合模型将两种时频图像特征进行特征融合量化评价，具体包括：对采集的平滑伪Winger-Ville时频分布图和最优时频分布图的特征进行时频分析处理，计算训练集信号的模糊函数及模糊函数均值；选择二维径向高斯核函数为基于分类的最优时频分布的最佳核函数；通过迭代搜索计算最佳核函数；对训练集信号进行最佳核函数下的时频变换，并提取用于分类的特征值；设计训练集信号的分类器，对训练集信号的特征值进行分类；所述训练调谐模块将融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调谐。
2.根据权利要求1所述的基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其特征在于，所述数据接收模块接收外部的通信信号信号模型为：
其中r(t)和s(t)分别表示接收信号和发射信号，α表示信道增益，ω0和θ0表示频率偏移和相位偏移，n(t)表示高斯噪声，其中当s(t)为ASK，FSK和PSK调制时，表达式为：
Am表示调制幅度，an表示符号序列，Ts符号周期，fc表示载波频率，fm表示调制频率，φ0表示初始相位，φm表示调制相位，g(t)表示矩形脉冲；
当s(t)为QAM调制时，由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct)，表达式为：
an和bn分别表示符号序列。
3.根据权利要求1所述的基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其特征在于，所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项，表达式为：
SPWVDx(t,f)＝∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数，x(t)＝r(t)+jH[r(t)]，H[·]表示希尔伯特变换，t和f分别表示时间和频率，v表示频偏，τ表示时延，x*(t)为x(t)的共轭；
所述的二维径向高斯核函数在直角坐标系中表示为：
其中，σ(ψ)控制径向高斯核函数在径向角ψ方向的扩展，称为扩展函数；ψ为径向与水平方向的夹角；
所述的二维径向高斯核函数在极坐标系中表示为：
4.根据权利要求1所述的基于平滑伪Winger-Ville分布和最优时频分布的通信基站，其特征在于，所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征，把网络设计为H(x)＝f(x)+x，x表示网络输入，H(x)表示经过网络后的输出，通过学习一个残差函数f(x)＝H(x)-x，只要f(x)＝0，就构成一个恒等映射H(x)＝x。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810534365.0A CN108770082A (zh) | 2018-05-30 | 2018-05-30 | 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810534365.0A CN108770082A (zh) | 2018-05-30 | 2018-05-30 | 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108770082A true CN108770082A (zh) | 2018-11-06 |
Family
ID=64003636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810534365.0A Pending CN108770082A (zh) | 2018-05-30 | 2018-05-30 | 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108770082A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113891517A (zh) * | 2021-10-12 | 2022-01-04 | 重庆新源辉光电科技有限公司 | 一种无线传输led水下灯控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101272325A (zh) * | 2008-05-06 | 2008-09-24 | 广州飞瑞敖电子科技有限公司 | 家庭无线互联广播基站 |
| CN105354592A (zh) * | 2015-10-22 | 2016-02-24 | 上海无线电设备研究所 | 基于分类的最优时频分布设计与目标识别方法 |
| CN107682034A (zh) * | 2017-11-21 | 2018-02-09 | 桂林爱家购股份有限公司 | 一种通信基站及方法 |
-
2018
- 2018-05-30 CN CN201810534365.0A patent/CN108770082A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101272325A (zh) * | 2008-05-06 | 2008-09-24 | 广州飞瑞敖电子科技有限公司 | 家庭无线互联广播基站 |
| CN105354592A (zh) * | 2015-10-22 | 2016-02-24 | 上海无线电设备研究所 | 基于分类的最优时频分布设计与目标识别方法 |
| CN107682034A (zh) * | 2017-11-21 | 2018-02-09 | 桂林爱家购股份有限公司 | 一种通信基站及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵敏: "深度学习下的雷达辐射源信号分类识别", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113891517A (zh) * | 2021-10-12 | 2022-01-04 | 重庆新源辉光电科技有限公司 | 一种无线传输led水下灯控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10985955B2 (en) | Method for automatically identifying modulation mode for digital communication signal | |
| CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
| CN108540202A (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
| CN108881096A (zh) | 一种基于相位判决的空间调制mqam基站 | |
| CN101764786B (zh) | 基于聚类算法的mqam信号识别方法 | |
| CN107332800A (zh) | 一种基于随机子载波选择的方向调制精准无线传输方案 | |
| CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
| CN203644055U (zh) | 一种多协议手持式rfid读写器 | |
| CN112818891A (zh) | 通信干扰信号类型智能识别方法 | |
| CN114067614B (zh) | 空管监视应答信号特征提取方法、装置、设备及存储介质 | |
| CN108770082A (zh) | 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 | |
| Zeng et al. | Multi-channel attentive feature fusion for radio frequency fingerprinting | |
| CN108832982A (zh) | 一种用于基站信号的时频分布调制方法 | |
| CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
| CN108880650A (zh) | 一种用于信号调谐的通信基站 | |
| CN115866615B (zh) | 一种基于电磁频谱特征的无线网络通联关系发现方法 | |
| CN109347571B (zh) | 基于超声波的无线广播通信方法及系统 | |
| CN103152790B (zh) | 基于相关性分簇的两级融合调制识别方法 | |
| Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
| CN108736958B (zh) | 一种适用于星载环境下的uat接收系统 | |
| CN102780505A (zh) | 无线数字fsk收发器 | |
| Cun et al. | Specific emitter identification based on eye diagram | |
| CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
| CN103345648A (zh) | 一种rfid标签设备指纹认证系统 |
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: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |