CN109167600A - 基于深度置信网络的抗音调干扰ldpc码的译码方法 - Google Patents
基于深度置信网络的抗音调干扰ldpc码的译码方法 Download PDFInfo
- Publication number
- CN109167600A CN109167600A CN201811189788.XA CN201811189788A CN109167600A CN 109167600 A CN109167600 A CN 109167600A CN 201811189788 A CN201811189788 A CN 201811189788A CN 109167600 A CN109167600 A CN 109167600A
- Authority
- CN
- China
- Prior art keywords
- depth confidence
- confidence network
- signal
- tone interference
- communication
- 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
- H03M13/11—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits using multiple parity bits
- H03M13/1102—Codes on graphs and decoding on graphs, e.g. low-density parity check [LDPC] codes
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0057—Block codes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
基于深度置信网络的抗音调干扰LDPC码的译码方法,本发明涉及LDPC码的译码方法。本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候,译码性能准确率低的问题。过程为:1、建立用于LDPC码译码的深度置信网络的网络结构;2、确定深度置信网络的初始参数;3、基于通信信号获得深度置信网络的训练样本和测试样本;4、将训练样本输入到深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;5、将测试样本输入4训练好的深度置信网络进行测试,得到最终训练好的深度置信网络;6、利用最终训练好的深度置信网络对受到音调干扰的LDPC码进行译码。本发明属于通信技术领域。
Description
技术领域
本发明涉及LDPC码的译码方法。本发明属于通信技术领域。
背景技术
提高信息传输的可靠性和有效性,设计达到信道容量的编码,实现高速率的无差错数据传输始终是通信领域所追求的目标。LDPC码以较低的编译码复杂度及其容量可达性受到学术界的广泛关注。LDPC码以其众多方面的性能和优势有望在未来通信系统中得到重要应用。基于一般线性分组码的神经网络译码模型在受到音调干扰的时候,译码性能准确率低。
发明内容
本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候,译码性能准确率低的问题,而提出基于深度置信网络的抗音调干扰LDPC码的译码方法。
基于深度置信网络的抗音调干扰LDPC码的译码方法具体过程为:
步骤1、建立用于LDPC码译码的深度置信网络的网络结构;
深度置信网络的网络结构包括输入层、隐藏层、输出层;
步骤2、确定深度置信网络的初始参数,即确定深度置信网络包括输入层、隐藏层、输出层、连接权重、偏置、学习率的初始参数;
具体过程为:
对于(10,5)的LDPC码,输入层大小为10,输出层大小为5,隐藏层大小为320、学习率η为0.09;
连接权重和偏置的初始参数设置过程为:
设置似然函数P(v|θ):
式中,v为输入层的激活状态,θ为连接权重和偏置的函数,Z(θ)为分配函数,E(v,h|θ)为能量函数,h为隐藏层的激活状态;
对似然函数进行对数化处理:
式中,v(t)为第t层可见层的激活状态,L(θ)为中间变量,T为可见层的层数,t=1,2,...T;
根据L(θ)求θ最优值θ*:
式中,θ*为连接权重和偏置的最优值;
得到连接权重和偏置的最优值,最优值为连接权重、偏置的初始参数;
步骤3、基于通信信号获得深度置信网络的训练样本和测试样本;
步骤4、将训练样本输入到步骤2确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;
步骤5、将测试样本输入步骤4训练好的深度置信网络进行测试,达到测试精度,得到最终训练好的深度置信网络,如果没有达到测试精度,重复执行步骤4,直至满足测试精度,得到最终训练好的深度置信网络;
步骤6、利用最终训练好的深度置信网络对受到音调干扰的LDPC码进行译码。
本发明的有益效果为:
本发明将深度置信网络和LDPC码的译码进行相结合对受到音调干扰的信号进行译码,建立用于LDPC码译码的深度置信网络的网络结构;深度置信网络的网络结构包括输入层、隐藏层、输出层;确定深度置信网络的初始参数;基于通信信号获得深度置信网络的训练样本和测试样本;将训练样本输入到确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;将测试样本输入训练好的深度置信网络进行测试,达到测试精度,得到最终训练好的深度置信网络,如果没有达到测试精度,重复训练,直至满足测试精度,得到最终训练好的深度置信网络;利用最终训练好的深度置信网络对受到音调干扰的LDPC码进行译码。深度置信网络模型具有很强的分类和特征提取能力,训练速度快,并且该模型具有更强的纠错能力,能够降低LDPC译码的复杂度。在信噪比较小时,提高LDPC的译码性能,并且在受到音调干扰后抗干扰性能也比较好,在受到音调干扰的时候,提高了译码性能准确率,准确率达到87%以上。
附图说明
图1为本发明基于深度置信网络模型的LDPC码的译码结构图;
图2为本发明深度置信网络模型图;
图3为本发明样本数据生成的流程图;
图4为本发明单音干扰的时域波形图;
图5为本发明单音干扰的频域波形图;
图6为本发明多音干扰的时域波形图;
图7为本发明多音干扰的频域波形图。
具体实施方式
具体实施方式一:本实施方式的基于深度置信网络的抗音调干扰LDPC码的译码方法具体过程为:
步骤1、建立用于LDPC码译码的深度置信网络的网络结构,如图1所示,图2是所用卷积神经网络的结构;
深度置信网络的网络结构包括输入层、隐藏层、输出层;
步骤2、确定深度置信网络的初始参数,即确定深度置信网络输入层、隐藏层、输出层、连接权重、偏置、学习率等的初始参数;
具体过程为:
对于(10,5)的LDPC码,输入层大小为10,输出层大小为5,隐藏层大小为320、学习率η为0.09;
连接权重和偏置的初始参数设置过程为:
设置似然函数P(v|θ):
式中,v为输入层的激活状态,θ为连接权重和偏置的函数,Z(θ)为分配函数,E(v,h|θ)为能量函数,h为隐藏层的激活状态;
对似然函数进行对数化处理:
式中,v(t)为第t层可见层的激活状态,L(θ)为中间变量,T为可见层的层数,t=1,2,...T;
根据L(θ)求θ最优值θ*:
式中,θ*为连接权重和偏置的最优值;
得到连接权重和偏置的最优值,最优值为连接权重、偏置的初始参数;
步骤3、基于通信信号获得深度置信网络的训练样本和测试样本;如图3所示;
步骤4、将20万个训练样本输入到步骤2确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;
步骤5、将20万个测试样本输入步骤4训练好的深度置信网络进行测试,达到测试精度,得到最终训练好的深度置信网络,如果没有达到测试精度,重复执行步骤4,直至满足测试精度,得到最终训练好的深度置信网络;
步骤6、利用最终训练好的深度置信网络对受到音调干扰的LDPC码进行译码。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤3中基于通信信号获得深度置信网络的训练样本和测试样本;如图3所示,具体过程为:
由Matlab建模生成40万个不同信噪比的随机序列,经过LDPC编码,BPSK调制,进入高斯白噪声信道接受音调干扰,受音调干扰的通信信号经过BPSK解调,生成20万个训练样本和20万个测试样本。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤4中将20万个训练样本输入到步骤2确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;具体过程为:
将20万个训练样本输入到深度置信网络的输入层,经过隐藏层,到达输出层,隐藏层激活函数选用Relu函数,输出层激活函数选用Softmax函数,训练算法选用Adam算法,设置迭代次数和训练精度,迭代次数为500次,训练精度为92%,训练精度达到92%时或迭代次数达到500次,停止训练,得到训练好的深度置信网络。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述受音调干扰的通信信号生成过程为:
受音调干扰的通信信号建模为N个(复)正弦信号之和的形式,数学表达式如下(1)至(3)所示:
式中,ζ(n)为受音调干扰的通信信号,j为复数,pi为第i个受音调干扰的通信信号正弦波的功率,f为归一化频率,n为正整数,θi为[0,2π]上均匀分布的随机变量,M为受音调干扰的通信信号正弦波总数,取值为正整数,i=1,2,...,M;N=1,2,3,...,100;
根据受音调干扰的通信信号ζ(n)计算受音调干扰的通信信号的自相关函数:
式中,δζ(m)为受音调干扰的通信信号的自相关函数,m为正整数;E{·}为能量函数,N为受音调干扰的通信信号正弦波总数,取值为正整数,k=1,2,...,N;Pk为第k个受音调干扰的通信信号正弦波的功率,θk为[0,2π]上均匀分布的随机变量,fk为第k个正弦波的归一化频率,fk(n-m)为第k个正弦波平移m个正弦波后的归一化频率;*为卷积;
根据受音调干扰的通信信号的自相关函数,得到受音调干扰的通信信号的功率谱为:
式中,S(W)为受音调干扰的通信信号的功率谱,δ(·)为受音调干扰的通信信号的自相关函数,w为受音调干扰的通信信号的角度,fi为第i个正弦波的归一化频率。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤5中测试精度为90%。
其它步骤及参数与具体实施方式一至四之一相同。
音调干扰信号的功率谱为线谱,图4与图5分别给出了单音干扰的时域频域波形图,单音干扰信号参数为:采样频率5GHz,信号频率2GHz。
图6与图7分别给出了多音干扰信号的时域频域波形图,多音干扰是三个单音干扰的线性叠加,其参数为:采样频率6GHz,三个信号频率分别为2GHz、2.3GHz和2.5GHz。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.基于深度置信网络的抗音调干扰LDPC码的译码方法,其特征在于:所述方法具体过程为:
步骤1、建立用于LDPC码译码的深度置信网络的网络结构;
深度置信网络的网络结构包括输入层、隐藏层、输出层;
步骤2、确定深度置信网络的初始参数,即确定深度置信网络输入层、隐藏层、输出层、连接权重、偏置、学习率的初始参数;
具体过程为:
对于(10,5)的LDPC码,输入层大小为10,输出层大小为5,隐藏层大小为320、学习率η为0.09;
连接权重和偏置的初始参数设置过程为:
设置似然函数P(v|θ):
式中,v为输入层的激活状态,θ为连接权重和偏置的函数,Z(θ)为分配函数,E(v,h|θ)为能量函数,h为隐藏层的激活状态;
对似然函数进行对数化处理:
式中,v(t)为第t层可见层的激活状态,L(θ)为中间变量,T为可见层的层数,t=1,2,...T;
根据L(θ)求θ最优值θ*:
式中,θ*为连接权重和偏置的最优值;
得到连接权重和偏置的最优值,最优值为连接权重、偏置的初始参数;
步骤3、基于通信信号获得深度置信网络的训练样本和测试样本;
步骤4、将训练样本输入到步骤2确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;
步骤5、将测试样本输入步骤4训练好的深度置信网络进行测试,达到测试精度,得到最终训练好的深度置信网络,如果没有达到测试精度,重复执行步骤4,直至满足测试精度,得到最终训练好的深度置信网络;
步骤6、利用最终训练好的深度置信网络对受到音调干扰的LDPC码进行译码。
2.根据权利要求1所述基于深度置信网络的抗音调干扰LDPC码的译码方法,其特征在于:所述步骤3中基于通信信号获得深度置信网络的训练样本和测试样本;具体过程为:
由Matlab建模生成不同信噪比的随机序列,经过LDPC编码,BPSK调制,进入高斯白噪声信道接受音调干扰,受音调干扰的通信信号经过BPSK解调,生成训练样本和测试样本。
3.根据权利要求1或2所述基于深度置信网络的抗音调干扰LDPC码的译码方法,其特征在于:所述步骤4中将训练样本输入到步骤2确定完初始参数的深度置信网络的输入层,经过隐藏层,到达输出层,得到训练好的深度置信网络;具体过程为:
将训练样本输入到深度置信网络的输入层,经过隐藏层,到达输出层,隐藏层激活函数选用Relu函数,输出层激活函数选用Softmax函数,训练算法选用Adam算法,设置迭代次数和训练精度,迭代次数为500次,训练精度为92%,训练精度达到92%时或迭代次数达到500次,停止训练,得到训练好的深度置信网络。
4.根据权利要求3所述基于深度置信网络的抗音调干扰LDPC码的译码方法,其特征在于:所述受音调干扰的通信信号生成过程为:
受音调干扰的通信信号建模为N个正弦信号之和的形式:
式中,ζ(n)为受音调干扰的通信信号,j为复数,pi为第i个受音调干扰的通信信号正弦波的功率,f为归一化频率,n为正整数,θi为[0,2π]上均匀分布的随机变量,M为受音调干扰的通信信号正弦波总数,取值为正整数,i=1,2,...,M;N=1,2,3,...,100;
根据受音调干扰的通信信号ζ(n)计算受音调干扰的通信信号的自相关函数:
式中,δζ(m)为受音调干扰的通信信号的自相关函数,m为正整数;E{·}为能量函数,N为受音调干扰的通信信号正弦波总数,取值为正整数,k=1,2,...,N;Pk为第k个受音调干扰的通信信号正弦波的功率,θk为[0,2π]上均匀分布的随机变量,fk为第k个正弦波的归一化频率,fk(n-m)为第k个正弦波平移m个正弦波后的归一化频率;*为卷积;
根据受音调干扰的通信信号的自相关函数,得到受音调干扰的通信信号的功率谱为:
式中,S(W)为受音调干扰的通信信号的功率谱,δ(·)为受音调干扰的通信信号的自相关函数,w为受音调干扰的通信信号的角度,fi为第i个正弦波的归一化频率。
5.根据权利要求4所述基于深度置信网络的抗音调干扰LDPC码的译码方法,其特征在于:所述步骤5中测试精度为90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189788.XA CN109167600A (zh) | 2018-10-12 | 2018-10-12 | 基于深度置信网络的抗音调干扰ldpc码的译码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189788.XA CN109167600A (zh) | 2018-10-12 | 2018-10-12 | 基于深度置信网络的抗音调干扰ldpc码的译码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109167600A true CN109167600A (zh) | 2019-01-08 |
Family
ID=64878073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811189788.XA Pending CN109167600A (zh) | 2018-10-12 | 2018-10-12 | 基于深度置信网络的抗音调干扰ldpc码的译码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109167600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543656A (zh) * | 2019-07-12 | 2019-12-06 | 华南理工大学 | 一种基于深度学习的led荧光粉胶涂覆厚度的预测方法 |
CN110995277A (zh) * | 2019-12-06 | 2020-04-10 | 浙江大学 | 一种多层神经网络辅助的罚对偶分解信道译码方法 |
CN112001066A (zh) * | 2020-07-30 | 2020-11-27 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101411154A (zh) * | 2006-03-24 | 2009-04-15 | 卢森特技术有限公司 | Ofdma音调干扰抵消的方法 |
CN103609085A (zh) * | 2011-06-14 | 2014-02-26 | 三星电子株式会社 | 用于在无线通信系统中接收信号的装置和方法 |
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
CN105915484A (zh) * | 2016-04-15 | 2016-08-31 | 广州海格通信集团股份有限公司 | 一种宽带bpsk信号的单音和多音干扰去噪方法 |
CN106571831A (zh) * | 2016-10-28 | 2017-04-19 | 华南理工大学 | 一种基于深度学习的ldpc硬判决译码方法及译码器 |
US20170331497A1 (en) * | 2016-05-12 | 2017-11-16 | Qualcomm Incorporated | Enhanced puncturing and low-density parity-check (ldpc) code structure |
-
2018
- 2018-10-12 CN CN201811189788.XA patent/CN109167600A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101411154A (zh) * | 2006-03-24 | 2009-04-15 | 卢森特技术有限公司 | Ofdma音调干扰抵消的方法 |
CN103609085A (zh) * | 2011-06-14 | 2014-02-26 | 三星电子株式会社 | 用于在无线通信系统中接收信号的装置和方法 |
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
CN105915484A (zh) * | 2016-04-15 | 2016-08-31 | 广州海格通信集团股份有限公司 | 一种宽带bpsk信号的单音和多音干扰去噪方法 |
US20170331497A1 (en) * | 2016-05-12 | 2017-11-16 | Qualcomm Incorporated | Enhanced puncturing and low-density parity-check (ldpc) code structure |
CN106571831A (zh) * | 2016-10-28 | 2017-04-19 | 华南理工大学 | 一种基于深度学习的ldpc硬判决译码方法及译码器 |
Non-Patent Citations (2)
Title |
---|
吕再兴: "通信对抗中的干扰检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
吴芝路等: "Design and performance analysis of a GFDM-DCSK communication system", 《2016 13TH IEEE ANNUAL CONSUMER COMMUNICATION & NETWORKING CONFERENCE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543656A (zh) * | 2019-07-12 | 2019-12-06 | 华南理工大学 | 一种基于深度学习的led荧光粉胶涂覆厚度的预测方法 |
CN110995277A (zh) * | 2019-12-06 | 2020-04-10 | 浙江大学 | 一种多层神经网络辅助的罚对偶分解信道译码方法 |
CN112001066A (zh) * | 2020-07-30 | 2020-11-27 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
CN112001066B (zh) * | 2020-07-30 | 2022-11-04 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Das et al. | Marine vessel classification based on passive sonar data: the cepstrum‐based approach | |
CN109167600A (zh) | 基于深度置信网络的抗音调干扰ldpc码的译码方法 | |
CN107576943B (zh) | 基于瑞利熵的自适应时频同步压缩方法 | |
Li et al. | Wavelet de-noising of partial discharge signals based on genetic adaptive threshold estimation | |
CN109507648A (zh) | 基于VAE-ResNet网络的雷达辐射源识别方法 | |
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
CN104887263B (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
CN108198561A (zh) | 一种基于卷积神经网络的翻录语音检测方法 | |
CN106936514A (zh) | 稀疏信道下基于能量集中的水声前导信号检测方法 | |
CN107317778B (zh) | 基于1d-cnn的bpsk调制信号相位跳变检测方法 | |
CN109347601A (zh) | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 | |
CN111562597A (zh) | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN109142976A (zh) | 电缆故障检测方法及装置 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
Al-Jawarneh et al. | Elastic net regression and empirical mode decomposition for enhancing the accuracy of the model selection | |
Zhou et al. | On generative-adversarial-network-based underwater acoustic noise modeling | |
Wu et al. | A holistic approach to reconstruct data in ocean sensor network using compression sensing | |
CN106972895A (zh) | 稀疏信道下基于累积相关系数的水声前导信号检测方法 | |
CN115510924B (zh) | 基于改进变分模态分解的射频指纹识别方法 | |
Letizia et al. | Learning to synthesize noise: The multiple conductor power line case |
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: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |