CN109088837B - 一种基于聚类分析的多种雷达与通信信号分类方法 - Google Patents
一种基于聚类分析的多种雷达与通信信号分类方法 Download PDFInfo
- Publication number
- CN109088837B CN109088837B CN201810884693.3A CN201810884693A CN109088837B CN 109088837 B CN109088837 B CN 109088837B CN 201810884693 A CN201810884693 A CN 201810884693A CN 109088837 B CN109088837 B CN 109088837B
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- mean
- bpsk
- qpsk
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于聚类分析的多种雷达与通信信号分类方法,包括以下步骤:提取每个时窗段最大频率的信息,再对其求均方差;设定分类门限值,并将此门限值运用到测试样本的分类,区分出单频信号SF和[BPSK、QPSK、16QAM]信号;将相位均方差作为一个信号识别特征,将瞬时幅度均方差作为另一个信号特征;分别产生BPSK、QPSK和16QAM信号的训练样本和测试样本,采用聚类分析算法,最终有效分类出BPSK、QPSK和16QAM信号。本发明采用了多层次分类识别技术,结合短时傅里叶变换和聚类分析算法,实现不同调制类型的雷达与通信信号的逐层分离。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于聚类分析的多种雷达与通信信号分类方法。
背景技术
随着通信技术的发展,无线通信环境日益复杂,雷达与通信信号采用多种调制方式,调制参数也不尽相同。雷达与通信信号的调制识别和参数提取为通信情报提供重要内容,是对敌方通信进行干扰、侦听的前提。如何有效地识别和监视这些信号,在军事和民用领域都是非常重要的研究课题。但是,现有技术还没有一种很好的解决方案。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种基于聚类分析的多种雷达与通信信号分类方法,以解决现有技术的不足。
为实现上述目的,本发明的一种基于聚类分析的多种雷达与通信信号分类方法,包括以下步骤:
步骤1、对雷达与通信信号BPSK、QPSK、16QAM以及单频信号SF做短时傅里叶变换,利用频率特性识别单频信号,提取每个时窗段最大频率的信息,再对其求均方差;
步骤2、设定分类门限值,并将此门限值运用到测试样本的分类,峰值频率的均方差小于门限值的为单频信号SF,大于门限值的为BPSK、QPSK和16QAM信号,以此将4种信号划分为SF信号和[BPSK、QPSK、16QAM]信号;
步骤3、对于BPSK、QPSK和16QAM信号,根据3种信号相位跳变的差异,可提取基于瞬时自相关实部的特征。利用瞬时自相关实部输出得到BPSK、QPSK、16QAM信号的相位跳变情况,提取相位均方差作为一个信号识别特征,再根据3种信号在幅度上的差异,提取BPSK、QPSK、16QAM信号的瞬时幅度均方差作为另一个信号特征;
步骤4、分别产生BPSK、QPSK和16QAM信号的训练样本和测试样本,结合聚类分析算法实现分类。在训练阶段,确定聚类簇数为3,初始均值中心为训练样本最大值最小值和的1/2。利用相位均方差和瞬时幅度均方差构建二维特征向量空间,结合聚类分析算法实现信号的分类,并得出最优均值。在测试阶段,将最优均值作为测试样本的初始均值,最终有效分类出BPSK、QPSK和16QAM信号。
步骤1中,具体步骤为:
利用短时傅里叶变换首先将单频信号与BPSK、QPSK和16QAM进行区分,将信号加滑动时间窗,并对窗内信号做傅里叶变换,得到信号的时变频谱,信号z(n)的短时傅里叶变换公式为:
N为采样点数,z(τ)表示每个时窗段内信号,τ为时延,g(n)为窗函数,最大频率的均方差公式为:
步骤3中,具体方法如下:
利用瞬时幅度均方差δ和相位均方差Φ区分出BPSK、QPSK和16QAM,
这两种特征参数构成二维特征向量空间,其中:
B(n,m)=S(n)·S*(n-m) (5)
S(n)为信号,m为时延;δ用来区分信号是否含有幅度变化信息,Φ用来判断信号相位变化信息。
步骤4中,所述聚类分析算法具体采用的是K-means算法。
上述K-means算法具体步骤为:
步骤11、输入样本集D,聚类簇数k,以及k个初始均值向量{μ1,μ2,...,μk}:样本集D由3类信号的瞬时幅度均方差δ和相位均方差Φ组成,聚类簇数k由信号类别决定;
步骤12、循环以下几步,直到达到停止条件:
a、按照距离最近准则进行归类:分别计算每个样本点到三个均值向量的距离,距离哪个均值向量最近,就把该样本点归到相应的簇Ci,i=1,2,3,其中Ci表示3类雷达与通信信号对应类别;
c、判断新旧均值向量有无变化,如果有变化就更新均值向量,新的均值向量取代旧均值向量,如果均值向量不再变化,就输出k个簇的划分结果。
步骤11中,k的值为3,初始向量的选取方式是每类样本的最大值最小值和的1/2。
本发明的有益效果是:
本发明针对各类雷达与通信信号调制方式的不同,将信号特征的分析提取和分类器设计相结合,构建出多信号分类系统算法结构。该结构采用了多层次分类识别的技术,结合短时傅里叶变换和聚类分析算法,实现了不同调制类型的雷达与通信信号的逐层分离。实现了单频信号(SF)、二相相移键控(BPSK)信号、四相相移键控(QPSK)信号和正交振幅调制(QAM)信号之间的分类识别。
附图说明
图1是本发明的几种雷达与通信信号分类算法流程图;
图2是本发明的K-means算法流程图;
图3是本发明的四种信号最大频率的均方差图;
图4是本发明的BPSK、QPSK、16QAM信号瞬时自相关图;
图5是本发明的瞬时幅度均方差特征图;
图6是本发明的相位均方差特征图;
图7是本发明的BPSK、QPSK、16QAM信号30dB信噪比下训练集分类仿真图;
图8是本发明的BPSK、QPSK、16QAM信号均值点分布图;
图9是本发明的BPSK、QPSK、16QAM信号30dB信噪比下的分类结果图;
图10是本发明的BPSK、QPSK、16QAM信号的5dB信噪比下训练集仿真结果图;
图11是本发明的BPSK、QPSK、16QAM信号的5dB信噪比下测试集的仿真结果图;
图12是本发明的BPSK、QPSK、16QAM信号的15dB信噪比下训练集的仿真结果图;
图13是本发明的BPSK、QPSK、16QAM信号的15dB信噪比下测试集的仿真结果图;
图14是本发明的BPSK、QPSK、16QAM信号的20dB信噪比下训练集的仿真结果图;
图15是本发明的BPSK、QPSK、16QAM信号的20dB信噪比下测试集的仿真结果图。
具体实施方式
本发明提供一种基于聚类分析的多种雷达与通信信号分类方法,包括以下步骤:
步骤1、对于常用雷达与通信信号BPSK、QPSK、16QAM以及单频信号SF做短时傅里叶变换,利用频率特性识别单频信号,提取每个时窗段最大频率的信息,再对其求均方差;
步骤2、设定分类门限为0.1,并将此门限运用到测试样本的分类,峰值频率的均方差小于0.1的为单频信号SF,大于0.1的为BPSK、QPSK、16QAM,以此将4种信号划分为SF信号和[BPSK、QPSK、16QAM]信号;
步骤3、对于BPSK、QPSK和16QAM信号,根据3种信号相位跳变的差异,可提取基于瞬时自相关实部的特征。利用瞬时自相关的实部输出得到BPSK、QPSK、16QAM信号的相位跳变情况,提取相位均方差作为一个信号识别特征,再根据3种信号在幅度上的差异,提取BPSK、QPSK、16QAM信号的瞬时幅度均方差作为另一个信号特征;
步骤4、分别产生BPSK、QPSK和16QAM信号的训练样本和测试样本,结合聚类分析算法实现分类。在训练阶段,确定聚类簇数为3,初始均值中心为训练样本最大值最小值和的1/2。利用相位均方差和瞬时幅度均方差构建二维特征向量空间,结合聚类分析算法实现信号的分类,并得出最优均值。在测试阶段,将最优均值作为测试样本的初始均值,最终有效分类出BPSK、QPSK和16QAM信号。
具体分析如下:
1.多信号分类算法及数学模型
雷达与通信信号的分类识别是通过提取信号的调制特征实现的,信号调制特征的选取主要根据发射的几种雷达与通信信号调制差异来确定。整体分类流程图如图1所示。对于四种常用雷达与通信信号BPSK,QPSK,16QAM以及单频信号SF。由于单频信号频率不变,而BPSK、QPSK和16QAM信号在码元跳变时会产生瞬时频率,对这四种信号做短时傅里叶变换,利用频率特性识别单频信号。具体做法是提取每个时窗段最大频率的信息,再对其求均方差。在训练样本中可训练出单频信号最大频率值的均方差为0,而BPSK、QPSK和16QAM最大频率的均方差不为0,设定分类门限为0.1,并将此门限运用到测试样本的分类,首先区分出单频信号,剩下的三种信号另提取特征进行分析。
由于BPSK有0和π两种相位,QPSK信号有和四种相位,而16QAM具有多相位跳变的特点,因此,可以利用瞬时自相关,根据实部输出得到三种信号的相位跳变情况,将相位均方差作为一个信号识别特征。此外,两种相位编码信号均不含有幅度变化信息,而16QAM具有多幅度跳变的特点。因此,可以提取三种信号的瞬时幅度均方差作为另一个信号特征。
综上,利用相位均方差的一组特征参数和瞬时幅度均方差的一组特征参数构建二维特征向量平面空间,可以有效识别出BPSK、QPSK和16QAM信号,同时结合一种聚类分析的算法将类似对象组成一类。本发明采用的是聚类分析算法中的k均值算法。分别产生的BPSK、QPSK和16QAM信号的训练样本和测试样本,在训练样本中进行k均值所需的初始均值的求取,对训练样本进行分类,得出正确率和相应的最优均值。此时的最优均值作为测试样本的初始均值,最终有效分类出BPSK、QPSK和16QAM信号。
1.1信号调制特征参数提取
根据四种雷达与通信信号在频率上的差异,利用短时傅里叶变换首先将单频信号与BPSK、QPSK和16QAM进行区分。短时傅立叶变换基本思想是将信号加滑动时间窗,并对窗内信号做傅里叶变换,得到信号的时变频谱。信号z(n)的短时傅里叶变换公式为:
式(1)中N为采样点数,τ为时延,g(n)为窗函数。最大频率的均方差公式为:
由于BPSK、QPSK和16QAM存在幅度信息和相位信息上的区别,利用瞬时幅度均方差δ和相位均方差Φ区分出BPSK、QPSK和16QAM。这两种特征参数构成二维特征向量空间,
其中:
B(n,m)=S(n)·S*(n-m) (5)
式(5)中,S(n)为信号,m为时延,B(n,m)与其他自相关函数相比没有时间积分,它保留了相关处理的瞬时信息。
从公式(3)和公式(4)可知,δ可用来区分信号是否含有幅度变化信息,Φ可用来判断信号相位变化信息。
1.2聚类分析算法
聚类分析是非监督学习的很重要的领域。所谓非监督学习,就是数据是没有类别标记的,算法要从对原始数据的探索中提取出一定的规律。聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起,不同数据尽量分离。本发明采用的是聚类分析算法之一的K-means算法。
K-means算法在给定一个数k之后,能够将数据集分成k个“簇”,C={C1,C2,…,Ck}。算法需要最小化平方误差:
式(6)的目的就是要找到k个簇,使得在每个簇内,所有的样本点都尽量靠得比较近。其中,x表示样本点,是簇Ci的均值向量,即质心。||x-μi||2代表每个样本点到均值向量的距离。此处涉及到了距离度量,距离度量最常用的就是闵可夫斯基距离(亦即p范数),即
当p=2时,闵可夫斯基距离即为欧氏距离(2范数);当p=1时,闵可夫斯基距离即为曼哈顿距离(1范数);p→∞时,闵可夫斯基距离即为切比雪夫距离。本发明所采用的计算距离方法为欧氏距离。
K-means算法步骤如下,算法流程框图如图2所示:
(1)输入样本集D,聚类簇数k,以及k个初始均值向量{μ1,μ2,...,μk}:样本集D由3类信号的瞬时幅度均方差δ和相位均方差Φ组成,聚类簇数k由信号类别决定,本发明中k的值3,初始向量的选取与数据特征有关,本发明中的选取方式是每类样本的最大值最小值和的1/2。
(2)循环以下几步,直到达到停止条件:
(2.1)按照距离最近准则进行归类:分别计算每个样本点到三个均值向量的距离,距离哪个均值向量最近,就把该样本点归到相应的簇Ci,其中Ci(i=1,2,3)表示3类雷达与通信信号对应类别。
(2.3)判断新旧均值向量有无变化,如果有变化就更新均值向量,新的均值向量取代旧均值向量。如果均值向量不再变化,就输出k个簇的划分结果。
以下给出本发明的实施例
实施例
采用MATLAB仿真验证多信号分类算法的识别性能。首先利用短时傅里叶变换区分单频信号和BPSK、QPSK、16QAM。仿真过程中,单频信号采样频率设置为20MHz,时宽为100us,频率为100KHz,信噪比为30dB。另三种信号的码元速率设置为1MHz,采样率设置为200MHz,载波频率设置为10MHz,信噪比为30dB。产生的训练样本和测试样本各为200。四种信号经过短时傅里叶变换后求出每个时窗段的最大频率,并求最大频率的均方差。四种信号均方差图如图3所示,分类门限可设为0.1。在测试阶段利用此门限区分单频信号与另三种信号,并改变信噪比,不同信噪比下单频信号的识别率如表1所示。从表1可以看出,在信噪比较低的情况下,单频信号的识别率也很好,因此,利用最大频率的均方差可以有效识别出单频信号。
表1不同信噪比下单频信号的识别率
在区分出单频信号后,BPSK、QPSK和16QAM利用瞬时幅度均方差和相位均方差进行区分识别。仿真过程中,三种信号的信噪比均设置为30dB,码元速率设置为1MHz,采样率设置为100MHz,载波频率设置为10MHz,产生训练样本数和测试样本数各为1200。三种信号瞬时自相关结果如图4所示。提取瞬时幅度均方差和相位均方差的特征后三种信号的特征分布分别如图5、6所示。结合图5、6可以看出,瞬时幅度均方差和相位均方差构成的二维特征可以识别BPSK、QPSK和16QAM信号。
在提取出特征后结合K-means算法对训练集进行分类,k均值初始均值选取的是三类样本中各类最大值、最小值和的1/2。分类后的仿真图如图7所示。此时训练集的正确率为99.33%。找到的最优均值点位置如图8所示。
在找到最优均值点的情况下,对测试集进行分类,分类结果如图9所示,测试集分类正确率为98.75%。从仿真结果可以得出,通过提取瞬时幅度均方差以及相位均方差这两种特征,再结合聚类分析算法可以有效识别出BPSK、QPSK和16QAM这三种雷达与通信信号。同时,在不同信噪比下,算法的分类结果有一定的影响,图10至图15分别为5dB、15dB和20dB信噪比下训练集和测试集的仿真结果。不同信噪比下BPSK、QPSK、16QAM分类正确率如表2所示。结合仿真图和表格可以看出,在不同信噪比下,k均值算法的分类效果有所影响。随着信噪比的增大,三种雷达与通信信号的分类正确率随之增大,当信噪比上升到15dB时,算法有了很好的分类效果。
表2不同信噪比下BPSK、QPSK和16QAM分类正确率
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做出诸多修改和变化。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 (3)
1.一种基于聚类分析的多种雷达与通信信号分类方法,其特征在于,包括以下步骤:
步骤1、对雷达与通信信号BPSK、QPSK、16QAM以及单频信号SF做短时傅里叶变换,利用频率特性识别单频信号,提取每个时窗段最大频率的信息,再对其求均方差;
步骤2、在训练阶段设定分类门限值,并将此门限值运用到测试样本的分类,峰值频率的均方差小于门限值的为单频信号SF,大于门限值的为BPSK、QPSK、16QAM信号,以此将4种信号划分为SF信号和BPSK、QPSK、16QAM信号;
步骤3、对于所述BPSK、QPSK和16QAM信号,根据3种信号相位跳变的差异,可提取基于瞬时自相关实部的特征,利用瞬时自相关的实部输出得到BPSK、QPSK、16QAM信号的相位跳变情况,提取相位均方差作为一个信号识别特征,再根据3种信号在幅度上的差异,提取瞬时幅度均方差作为另一个信号特征;
步骤4、分别产生BPSK、QPSK和16QAM信号的训练样本和测试样本,结合聚类分析算法实现分类,在训练阶段,确定聚类簇数和初始均值中心,利用相位均方差和瞬时幅度均方差构建二维特征向量空间,结合聚类分析算法实现信号的分类,并得出最优均值;测试阶段,将最优均值作为测试样本的初始均值,最终有效分类出BPSK、QPSK和16QAM信号;
步骤3中,具体方法如下:
利用瞬时幅度均方差δ和相位均方差Φ区分出BPSK、QPSK和16QAM,这两种特征参数构成二维特征向量空间,其中:
B(n,m)=S(n)·S*(n-m) (5)
S(n)为信号,m为时延;δ用来区分信号是否含有幅度变化信息,Φ用来判断信号相位变化信息;
所述聚类分析算法具体采用的是K-means算法;
所述K-means算法具体步骤为:
步骤11、输入样本集D,聚类簇数k,以及k个初始均值向量{μ1,μ2,...,μk}:样本集D由3类信号的瞬时幅度均方差δ和相位均方差Φ组成,聚类簇数k由信号类别决定;
步骤12、循环以下几步,直到达到停止条件:
a、按照距离最近准则进行归类:分别计算每个样本点到三个均值向量的距离,距离哪个均值向量最近,就把该样本点归到相应的簇Ci,i=1,2,3,其中Ci表示3类雷达与通信信号对应类别;
c、判断新旧均值向量有无变化,如果有变化就更新均值向量,新的均值向量取代旧均值向量,如果均值向量不再变化,就输出k个簇的划分结果。
3.如权利要求1所述的基于聚类分析的多种雷达与通信信号分类方法,其特征在于,步骤4中,确定聚类簇数为3,初始均值中心为训练样本最大值最小值和的1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884693.3A CN109088837B (zh) | 2018-08-06 | 2018-08-06 | 一种基于聚类分析的多种雷达与通信信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884693.3A CN109088837B (zh) | 2018-08-06 | 2018-08-06 | 一种基于聚类分析的多种雷达与通信信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109088837A CN109088837A (zh) | 2018-12-25 |
CN109088837B true CN109088837B (zh) | 2021-04-09 |
Family
ID=64833957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884693.3A Active CN109088837B (zh) | 2018-08-06 | 2018-08-06 | 一种基于聚类分析的多种雷达与通信信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109088837B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852346B (zh) * | 2019-10-08 | 2020-10-09 | 深圳大学 | 通信设备的能耗管控方法、装置、计算机设备和存储介质 |
CN112859025B (zh) * | 2021-01-05 | 2023-12-01 | 河海大学 | 一种基于混合网络的雷达信号调制类型分类方法 |
CN113702703B (zh) * | 2021-08-27 | 2023-06-20 | 天津光电通信技术有限公司 | 一种微弱信号检测识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636347A (zh) * | 2012-04-24 | 2012-08-15 | 西安交通大学 | 一种用于变转速齿轮箱的振动信号时域同步平均方法 |
CN104079524A (zh) * | 2014-07-24 | 2014-10-01 | 电子科技大学 | 一种基于ofdm的qam调制下的已失真通信信号识别方法 |
CN105845148A (zh) * | 2016-03-16 | 2016-08-10 | 重庆邮电大学 | 基于频点修正的卷积盲源分离方法 |
US9558762B1 (en) * | 2011-07-03 | 2017-01-31 | Reality Analytics, Inc. | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner |
-
2018
- 2018-08-06 CN CN201810884693.3A patent/CN109088837B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558762B1 (en) * | 2011-07-03 | 2017-01-31 | Reality Analytics, Inc. | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner |
CN102636347A (zh) * | 2012-04-24 | 2012-08-15 | 西安交通大学 | 一种用于变转速齿轮箱的振动信号时域同步平均方法 |
CN104079524A (zh) * | 2014-07-24 | 2014-10-01 | 电子科技大学 | 一种基于ofdm的qam调制下的已失真通信信号识别方法 |
CN105845148A (zh) * | 2016-03-16 | 2016-08-10 | 重庆邮电大学 | 基于频点修正的卷积盲源分离方法 |
Non-Patent Citations (2)
Title |
---|
信号侦收中的识别与分类理论与算法研究;安琦;《中国博士学位论文全文数据库 信息科技辑》;20180215;I136-18:正文第3-5章 * |
认知型宽带恒模阵列水声通信多用户信号分离与干扰抑制算法;王峰 等;《数据采集与处理》;20170630;第32卷(第6期);第1089-1094页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109088837A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN109088837B (zh) | 一种基于聚类分析的多种雷达与通信信号分类方法 | |
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
Zhang et al. | Modulation classification method for frequency modulation signals based on the time–frequency distribution and CNN | |
Zhou et al. | Signal Classification Method Based on Support Vector Machine and High-Order Cumulants. | |
CN111209960B (zh) | 一种基于改进随机森林算法的csi系统多径分类方法 | |
CN110232371A (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN109034087B (zh) | 一种基于pca降维的混合型机器学习信号分类方法 | |
Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
Hu et al. | A deep learning method to estimate independent source number | |
CN110705387A (zh) | 一种基于云模型的通信信号特征提取方法及信号识别方法 | |
CN108809874B (zh) | 一种基于循环支持向量机的雷达与通信多信号分类方法 | |
Wang et al. | Specific emitter identification based on fractal and wavelet theories | |
CN110443223A (zh) | 一种基于K-means的信号自动调制分类方法及系统 | |
CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
Xing et al. | Method to reduce the signal‐to‐noise ratio required for modulation recognition based on logarithmic properties | |
Guo et al. | Radar signal recognition based on FCBF and Adaboost algorithm | |
Huang et al. | Novel modulation recognizer for frequency-hopping signals based on persistence diagram | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
Li et al. | A robust signal recognition method for communication system under time-varying SNR environment | |
Yang et al. | Conventional neural network-based radio frequency fingerprint identification using raw I/Q data | |
Zhou et al. | Specific emitter identification via feature extraction in Hilbert-Huang transform domain |
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 |