CN109104248A - 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 - Google Patents
一种基于SOFM神经网络聚类的DRoF前端信号量化方法 Download PDFInfo
- Publication number
- CN109104248A CN109104248A CN201810735292.1A CN201810735292A CN109104248A CN 109104248 A CN109104248 A CN 109104248A CN 201810735292 A CN201810735292 A CN 201810735292A CN 109104248 A CN109104248 A CN 109104248A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- drof
- input
- sofm
- 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
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
- H04B10/25752—Optical arrangements for wireless networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
一种基于SOFM神经网络聚类的DRoF前端信号量化方法,步骤如下:对射频载波已调的OFDM信号分别进行同向和正交分量的带通采样,将幅值离散的采样信号经过串并变换构建成一个多维的输入矢量集信号,截取部分输入矢量集信号作为训练序列,输入到SOFM神经网络中进行线下训练和线上测试,经神经网络输出的量化信号为最终码书中码字对应的索引编号,PAM‑4调制器将量化信号编码后经电光转换并在单模光纤中传输。基站接收信号解调后被映射成索引编号对应的码字,再进行并串变换恢复出已采样的OFDM信号,最后经过带通滤波器恢复射频信号。本发明在保证DRoF系统射频信号数字化性能大幅度提升的基础上,实现了传输的实时性,丰富了DRoF系统模拟信号数字化的方法。
Description
技术领域
本发明涉及涉及光纤通信、调制、射频光子学邻域,尤其是模拟信号数字化的调制技术。
背景技术
第五代移动通信(5G)的商业化浪潮即将来袭,大带宽、高速率是5G技术的一大亮点。利用毫米波作为射频载波的5G技术也存在信号在无线空间损耗大、传输距离短等问题。云无线接入网(C-RAN)是一种基于5G的集中化处理信号,通过减少基站机房数量,大规模安装价格低廉的简化基站,实现传输距离较短的毫米波信号的全方位覆盖的接入网架构。数字型光载无线(DRoF)系统可以视为C-RAN接入网架构的移动数字前传部分,基站机房为实施射频信号集中数字化处理的中心局,简化基站承载射频信号的恢复和发射等任务,中心局和基站之间利用传输数字信号的单模光纤连接。模拟信号的数字化技术作为DRoF前端的关键技术,一直是DRoF系统需要攻克的难题之一。
目前,在DRoF系统前端中有多种模拟信号数字化的实现方法,其中的主要区别在于信号的量化阶段。传统的信号量化以标量量化为主,PCM作为最原始的模拟信号数字化方法采用均匀或者压缩的标量量化实现过程较为简单。此外,矢量量化的方法也开始应用在DRoF系统,基于k-means聚类的传统矢量量化技术相比于标量量化,量化性能更显得优越。
需要指出的是,PCM量化需要的量化比特数过大,导致数字信号的频谱利用率过低;而基于k-means聚类的矢量量化技术过于依赖初始码本的选择,聚类算法不够灵活,可调整空间较小,而且码字搜索的时间过长,信号的实时传输性能不佳。本发明给出了一种基于SOFM神经网络聚类的DRoF前端信号量化方法。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于自组织特征映射(SOFM)神经网络聚类的DRoF前端信号量化方法,旨在保证了矢量量化信号优异的量化性能的前提下,增加DRoF系统量化过程的灵活性和可调节性,并保证系统线上量化部分的实时性。
为实现上述目的,本发明采用如下技术方案:
一种基于SOFM神经网络聚类的DRoF前端信号量化方法包括以下步骤:
(1)将OFDM信号的同相分量和正交分量分别进行带通采样(100),已采样的序列按照一定的规律构建成一个多维输入矢量集(200);
(2)利用基于SOFM神经网络聚类的方法进行信号量化,包括创建SOFM神经网络并设置网络的参数、SOFM神经网络的线下训练生成量化所需要的最终码书、输入矢量集进行线上测试得到最终码书中基于码字索引的量化信号(300);
(3)利用编码器将量化信号进行PAM-4编码,然后经过电光调制器调制成光信号(400);
(4)调制的光信号输入到单模光纤中进行光路传输(500),完成光路传输的光信号被光电探测器接收,然后经过PAM-4译码后恢复出基于码字索引的量化信号(600);
(5)将恢复的基于码字索引的量化信号按照步骤(2)生成的码书映射为码书中的码字量化信号(700);
(6)码字量化信号矢量集按照步骤(2)的矢量信号构建规律反变换恢复出OFDM同向和正交的两路采样信号(800);
(7)利用带通滤波器将两路OFDM信号进行带通滤波,恢复出原始的OFDM射频已调信号(900)。
(8)本发明的优点主要体现在以下三点:(1)利用矢量量化代替标量量化,极大的提高了DRoF系统光路的频谱利用率;(2)通过调节SOFM神经网络的拓扑邻域初始范围、形状、迭代次数、学习率、输出神经元的二维排列方式等因素,使DRoF系统性能受多种因素动态的控制,以适应不同的传输环境;(3)相比于传统的矢量量化方式,通过SOFM神经网络进行线上量化,极大的增强了DRoF系统传输的实时性。
附图说明
图1.本发明一种基于SOFM神经网络聚类的DRoF前端信号量化方法实现框图。
图2.OFDM信号的带通采样以及矢量集构建图。
图3.SOFM神经网络结构图。
图4.SOFM神经网络聚类进行信号的量化步骤图。
图5.二维矢量信号的测试过程图。
图6.DRoF系统的性能测试图。
具体实施方式
下面结合附图和公式对本发明的实施作进一步的详细描述。
如图1所示,本发明提供了一种基于SOFM神经网络聚类的DRoF前端信号量化方法,包括如下步骤;
(1)OFDM射频已调信号的带通采样以及矢量集构建(100,200)。如图2所示为OFDM信号的带通采样以及矢量集构建图,OFDM信号先进行归一化处理,然后同向和正交两路信号分别进行带通采样(101,102),再按一定的规律构建一个长度为L维度为D的输入矢量集(200):S={s1,s2,…,sL},其中si={s1,s2,…,sD},i∈[1,L]。
(2)如图3所示,利用SOFM神经网络聚类进行DRoF前端的信号量化(300)之前需要创建SOFM神经网络并设置网络的参数(301),参数设置包括输出神经元的二维排列阵列结构、拓扑邻域的形状和初始大小、迭代次数、学习率等,网络的参数设置好之后再进行线下训练(302)和测试(304)。Kohonen的SOFM网络的学习是一种无监督的聚类过程,如图4所示为SOFM神经网络结构图,输入层神经元的个数为维度D,输出层神经元的个数为k,对于矢量量化器而言,每采样量化比特为log2(k)/D。每个输入神经元和每个输出神经元通过一个可变权值wij连接,其中i∈[1,D],j∈[1,k]。输出神经元的分布呈二维阵列形式,每个输出神经元都有其拓扑邻域Nc,获胜神经元的拓扑邻域Nc内的每个神经元都会得到不同程度的兴奋,而Nc外部的神经元则被抑制。拓扑邻域的形状可以设置为六边形、方形、随机形状等,可以根据量化的结果选择最合适的拓扑形状。Nc和迭代次数t相关,随着迭代次数t的增大Nc逐渐缩小,最后只剩一个神经元,此神经元即是码书中反应一类属性的码字。线下训练(302)的过程如下:
步骤1:初始化权值,权值C={w1,w2,…,wk}是从训练序列X={x1,x2,…,xN}中随机选取,其中X是从输入矢量集S中截取的一部分;
步骤2:将训练矢量xi,i∈[1,N]以并行的方式输入到每一个神经元;
步骤3:计算xi与各个输出神经元的权值(码书中的码字)的失真,这里选取输入和输出神经元之间的欧几里得距离dj作为获胜神经元的最小失真测度:
其中c为最小欧式距离对应的获胜的输出神经元的标号;
步骤4:改变输出神经元及其拓扑邻域相应的权值:
wj(t+1)=wj(t)+α(t)[x(t)-wj(t)]
其中j∈Nc(t),Nc(t)是神经元j的拓扑邻域,学习率0<α(t)<1保证算法收敛;
步骤5:令t=t+1,更新Nc(t)和α(t),对于所有的训练矢量重复步骤2至步骤4,直到算法收敛或者达到设定的最大迭代次数。
训练结束后,输出的权值矢量就是所需要的最终码书(303)。
(3)利用SOFM神经网络聚类进行线上测试(304)。SOFM神经网络聚类进行测试的步骤如图3所示,训练完成后,生成所需要的最终码书(303),并将网络调整到最佳。接下来输入矢量集S进入SOFM神经网络进行线上测试(304),如图5是2维矢量信号的测试过程图,输入矢量si在网络中被映射为相应的码字wj所对应的索引编号,各个码字所对应的映射区域通过Voronoi边界隔开,最终输出的长度为L范围在1~k之间的十进制索引编号集即量化信号(305)。
(4)十进制的量化信号先转化成二进制的比特流,然后进行PAM-4编码(400),与二进制不归零码相比,PAM-4编码在只需短距离光纤传输的DRoF系统中性能相差不大,而频谱利用率却是二进制码的2倍。
(5)PAM-4在DRoF系统的光路传输需要先进行电光调制(400),然后在40km以内的单模光纤传输(500),最后通过光电探测器恢复出电信号(600)。
(6)接收的PAM-4电信号需要先进行时域的均衡,然后判决恢复成数字信号,再进行PAM-4解调,还原成十进制的基于码字索引的量化信号(600)。
(7)索引编号——码字映射(700):根据SOFM神经网络生成的码书(303),将基于码字索引的量化信号(305)映射成相应的码字对应的量化信号,此量化信号即为归一化的OFDM采样信号集。
(8)进行并串变换,将D维的码字对应的量化信号集按照步骤(1)矢量集构建规则(200)的逆变换还原成OFDM采样的同向和正交分量两路信号(800)。
(9)恢复的OFDM同向、正交采样分量分别进行0值的插值上采样,然后分别通过带通滤波器恢复成OFDM信号(900)。
为了验证此方法的优越性,在维度D为2,数字基带调制为16QAM的情况下,我们分别将此方法和基于PCM标量量化和基于k-means聚类矢量量化的DRoF前端信号量化方法在25km单模光纤、PAM-4调制、5G-baud符号速率的强度调制-直接探测系统中进行对比。在无差错的传输条件下,图6(a)给出了每采样量化比特分别为3、4、5、6时,基于SOFM神经网络的二维矢量量化与基于PCM一维的标量量化相比,DRoF系统接收端信号的误差向量幅度分别减小11%、6%、3%、1%,图6(b)给出了相同条件下基于SOFM神经网络聚类和基于k-means聚类的线上测试时间,或者码字搜索时间,从图6(b)中可以看出,基于k-means聚类的线上测试所消耗的时间随每采样量化比特的增大呈指数增长,而基于SOFM神经网络聚类的线上测试所消耗的时间比k-means减少95%-97%,而且随每采样量化比特的增长变化很小。
Claims (4)
1.一种基于SOFM神经网络聚类的DRoF前端信号量化方法,其特征在于,包括以下步骤:
步骤1:对载波已调的OFDM信号的同向分量和正交分量分别进行带通采样(100),并将采样数据按照一定的规律构建成一个D维输入矢量集(200);
步骤2:利用基于SOFM神经网络聚类的矢量量化方法对DRoF系统前端的输入信号进行量化(300);
步骤3:将已量化的信号进行PAM-4编码,然后进行电光调制变成光信号(400),经单模光纤完成光路传输到达基站(500);
步骤4:完成光路传输的光信号经光电探测器恢复成PAM-4电信号,然后进行PAM-4信号的译码恢复量化信号(600);
步骤5:将恢复的量化信号,即码书索引编号映射成相应的码书中的码字集(700),然后根据步骤1的矢量构建规则的逆过程还原成同向和正交两路已采样OFDM信号(800);
步骤6:利用带通滤波器对OFDM同向和正交两路信号滤波恢复OFDM射频已调信号(900),即完成整个DRoF系统的传输过程。
2.根据权利要求1所述的一种基于SOFM神经网络聚类的DRoF前端信号量化方法,其特征在于,所述步骤2利用基于SOFM神经网络聚类的矢量量化方法对DRoF系统前端的输入信号进行量化(300),具体过程如下:
(1)设置SOFM神经网络的参数,包括二维的输出神经元阵列、迭代次数、拓扑邻域的形状及初始范围、学习率;
(2)线下训练:截取一定长度的输入矢量集作为训练序列,在训练序列中根据聚类数随机选取初始码书,将训练序列和初始码书输入到神经网络中经行线下训练,得到量化所需要的最终码书,并将SOFM神经网络调整到最佳状态;
(3)线上测试:将输入矢量集信号输入到已经调整到最佳状态的SOFM神经网络中进行线上测试,输出的量化信号为码书中的各个码字对应的索引编号。
3.根据权利要求1所述的一种基于SOFM神经网络聚类的DRoF前端信号量化方法,其特征在于,所述步骤1具体为:OFDM信号先进行归一化处理,然后同向和正交两路信号分别进行带通采样(101,102),再按以下规律构建一个长度为L维度为D的输入矢量集(200):S={s1,s2,…,sL},其中si={s1,s2,…,sD},i∈[1,L]。
4.根据权利要求1所述的一种基于SOFM神经网络聚类的DRoF前端信号量化方法,其特征在于,线下训练(302)的过程如下:
步骤1:初始化权值,权值C={w1,w2,…,wk}是从训练序列X={x1,x2,…,xN}中随机选取,其中X是从输入矢量集S中截取的一部分;
步骤2:将训练矢量xi,i∈[1,N]以并行的方式输入到每一个神经元;
步骤3:计算xi与各个输出神经元的权值(码书中的码字)的失真,这里选取输入和输出神经元之间的欧几里得距离dj作为获胜神经元的最小失真测度:
其中c为最小欧式距离对应的获胜的输出神经元的标号;
步骤4:改变输出神经元及其拓扑邻域相应的权值:
wj(t+1)=wj(t)+α(t)[x(t)-wj(t)]
其中j∈Nc(t),Nc(t)是神经元j的拓扑邻域,学习率0<α(t)<1保证算法收敛;
步骤5:令t=t+1,更新Nc(t)和α(t),对于所有的训练矢量重复步骤2至步骤4,直到算法收敛或者达到设定的最大迭代次数;
训练结束后,输出的权值矢量就是所需要的最终码书(303)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735292.1A CN109104248B (zh) | 2018-07-06 | 2018-07-06 | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735292.1A CN109104248B (zh) | 2018-07-06 | 2018-07-06 | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109104248A true CN109104248A (zh) | 2018-12-28 |
CN109104248B CN109104248B (zh) | 2021-04-09 |
Family
ID=64845585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735292.1A Active CN109104248B (zh) | 2018-07-06 | 2018-07-06 | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109104248B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233812A (zh) * | 2019-04-28 | 2019-09-13 | 国网安徽省电力有限公司信息通信分公司 | Co-ofdm系统及其接收端和非线性均衡方法、装置 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN110830404A (zh) * | 2019-10-31 | 2020-02-21 | 西南交通大学 | 一种基于矢量线性预测的数字移动前传信号量化方法 |
CN111225359A (zh) * | 2020-03-25 | 2020-06-02 | 北京航空航天大学 | 磁悬浮列车车地通信基础设施部署方法 |
CN111614402A (zh) * | 2020-04-23 | 2020-09-01 | 复旦大学 | 基于二进制驱动单调制器的太赫兹pam-4信号发生系统及方法 |
CN113949425A (zh) * | 2021-10-13 | 2022-01-18 | 西南交通大学 | 基于重新排序矢量量化码本的DRoF前端信号量化方法 |
CN114513252A (zh) * | 2022-01-14 | 2022-05-17 | 西南交通大学 | 基于加权的密度峰值聚类算法的概率整形相干光通信系统非线性补偿方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594503A (en) * | 1993-12-17 | 1997-01-14 | Studio Gen Inc. | Image information compressing method, compressed image information recording medium and compressed image information reproducing apparatus |
CN101163239A (zh) * | 2007-11-28 | 2008-04-16 | 天津大学 | 一种新的矢量量化初始码书的生成方法 |
CN103269429A (zh) * | 2012-11-01 | 2013-08-28 | 重庆邮电大学 | 一种超光谱信号快速矢量量化编码方法 |
CN106254891A (zh) * | 2016-07-28 | 2016-12-21 | 西安空间无线电技术研究所 | 一种基于信息隐藏的矢量量化压缩方法 |
-
2018
- 2018-07-06 CN CN201810735292.1A patent/CN109104248B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594503A (en) * | 1993-12-17 | 1997-01-14 | Studio Gen Inc. | Image information compressing method, compressed image information recording medium and compressed image information reproducing apparatus |
CN101163239A (zh) * | 2007-11-28 | 2008-04-16 | 天津大学 | 一种新的矢量量化初始码书的生成方法 |
CN103269429A (zh) * | 2012-11-01 | 2013-08-28 | 重庆邮电大学 | 一种超光谱信号快速矢量量化编码方法 |
CN106254891A (zh) * | 2016-07-28 | 2016-12-21 | 西安空间无线电技术研究所 | 一种基于信息隐藏的矢量量化压缩方法 |
Non-Patent Citations (2)
Title |
---|
JIA YE,ETAL.: "2-D quantization scheme utilizing SOFM neural network clustering for a DRoF system", 《OPTICS LETTERS》 * |
叶佳等: "面向毫米波无线接入网的数字型光载无线技术", 《物联网学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233812A (zh) * | 2019-04-28 | 2019-09-13 | 国网安徽省电力有限公司信息通信分公司 | Co-ofdm系统及其接收端和非线性均衡方法、装置 |
CN110233812B (zh) * | 2019-04-28 | 2022-05-24 | 国网安徽省电力有限公司信息通信分公司 | Co-ofdm系统及其接收端和非线性均衡方法、装置 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN110751121B (zh) * | 2019-10-28 | 2022-03-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN110830404A (zh) * | 2019-10-31 | 2020-02-21 | 西南交通大学 | 一种基于矢量线性预测的数字移动前传信号量化方法 |
CN111225359A (zh) * | 2020-03-25 | 2020-06-02 | 北京航空航天大学 | 磁悬浮列车车地通信基础设施部署方法 |
CN111614402A (zh) * | 2020-04-23 | 2020-09-01 | 复旦大学 | 基于二进制驱动单调制器的太赫兹pam-4信号发生系统及方法 |
CN111614402B (zh) * | 2020-04-23 | 2022-06-14 | 复旦大学 | 基于二进制驱动单调制器的太赫兹pam-4信号发生系统及方法 |
CN113949425A (zh) * | 2021-10-13 | 2022-01-18 | 西南交通大学 | 基于重新排序矢量量化码本的DRoF前端信号量化方法 |
CN113949425B (zh) * | 2021-10-13 | 2023-03-10 | 西南交通大学 | 基于重新排序矢量量化码本的DRoF前端信号量化方法 |
CN114513252A (zh) * | 2022-01-14 | 2022-05-17 | 西南交通大学 | 基于加权的密度峰值聚类算法的概率整形相干光通信系统非线性补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109104248B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109104248A (zh) | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 | |
Li et al. | A survey on deep learning techniques in wireless signal recognition | |
US11509339B2 (en) | Method of constructing and training a neural network | |
WO2021203243A1 (zh) | 基于人工智能的mimo多天线信号传输与检测技术 | |
Wang et al. | A convolutional neural network-based RF fingerprinting identification scheme for mobile phones | |
CN111049586B (zh) | 一种基于降幅式概率成形的脉冲幅度位置调制系统 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN109787928A (zh) | 基于决策树twsvm的高速光信号调制格式识别方法 | |
CN115296737B (zh) | 基于自由空间光通信的adm-gsmppm星座构建方法和装置 | |
Zhang et al. | Frequency learning attention networks based on deep learning for automatic modulation classification in wireless communication | |
CN114567359A (zh) | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 | |
CN112152849B (zh) | 一种基于智能全光处理的基站及其实施方法 | |
CN114598582A (zh) | 一种基于迁移学习的超高阶信号调制格式快速识别方法 | |
CN106487446A (zh) | 适合于强度调制/直接检测式的光空时网格码编码方法 | |
CN108111226B (zh) | 一种极坐标编码调制的系统及方法 | |
Zhang et al. | Heterogeneous deep model fusion for automatic modulation classification | |
CN114422310B (zh) | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 | |
CN109474349A (zh) | 一种D-RoF系统中基于矢量量化的数据压缩方法 | |
CN111935040B (zh) | 一种基于usrp和神经网络的无线信号调制方式识别系统 | |
CN113078931B (zh) | 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 | |
CN109462429A (zh) | 用于大规模多输入多输出毫米波系统的波束域调制方法 | |
CN113949425B (zh) | 基于重新排序矢量量化码本的DRoF前端信号量化方法 | |
Li et al. | AMRnet: A Real-Time Automatic Modulation Recognition Network for Wireless Communication System | |
CN110830404A (zh) | 一种基于矢量线性预测的数字移动前传信号量化方法 | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 |
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 |