CN109450834B - 基于多特征关联和贝叶斯网络的通信信号分类识别方法 - Google Patents
基于多特征关联和贝叶斯网络的通信信号分类识别方法 Download PDFInfo
- Publication number
- CN109450834B CN109450834B CN201811273817.0A CN201811273817A CN109450834B CN 109450834 B CN109450834 B CN 109450834B CN 201811273817 A CN201811273817 A CN 201811273817A CN 109450834 B CN109450834 B CN 109450834B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- communication signal
- network model
- probability
- sample
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于多特征关联和贝叶斯网络的通信信号分类识别方法,属于通信信号处理技术领域。本发明针对信噪比波动范围大、训练样本不足等特点,对信号的时域、频域和空域的特征进行关联,并设计贝叶斯网络模型,通过结构学习和参数学习得到贝叶斯网络分类器,得到用户认知结果。本发明采用贝叶斯网络分类器进行认知分类,能够充分挖掘各个维度的特征之间的依赖关系,物理意义明确,适用于小样本情况和不完备数据集;采用先验和聚类结合进行离散化预处理的方法,可以最大程度的保留原始数据信息;采用随机抽样的方法对贝叶斯网络模型进行参数学习,在信噪比波动范围大和训练样本数量不足的情况下,仍然可获得很好的分类准确率。
Description
技术领域
本发明属于通信信号处理技术领域,具体指一种基于多特征关联和贝叶斯网络的通信信号分类识别方法。
背景技术
随着电子和通信技术的高速发展,无线电认知技术已经在民用频域资源监管、民用无线电通信、无线电子对抗等众多领域得到了广泛应用。无线电认知就是对无线通信信号进行的接收、识别、分析的过程。在信号确认、频谱监测等各种无线电管理领域中,无线电认知可以监视合法无线电电台是否合法使用频谱资源,同时侦听不法电台的干扰信号并对其进行识别。在无线电通信领域中,无线电认知可以在无线通信过程中,实现接收方自动识别发送数据的调制方式,从而提高频谱效率。而这些应用的需求,也在不断推进无线电认知技术的发展与进步。
对通信信号的认知过程可以划分为三步:首先,对信号进行预处理;其次,对某些关键的特征进行选择和提取;最后,通过构建分类器进行分类和识别。目前,对通信信号的认知和识别主要有两大类方法:一种是基于最大似然比的判别识别方法,另一种是基于特征选择和提取的统计模式识别方法。基于最大似然比的判别识别方法是把对信号的识别问题转化为假设检验问题,通过定义信号的似然函数并对其进行处理,得到可用于分类的特征量,然后输入到分类器中进行比较,从而得到识别的结果。最大似然比的判别识别方法目标是最大化似然概率,所以可以得到理论上的最优解,但是该方法表达式通常较为复杂,优化过程较为困难,同时对模型失配和参数偏差问题比较敏感,稳定性差。而基于特征选择和提取的统计模式识别方法是选择、提取信号的某些特征,例如幅度、频率、相位等直接特征或高阶累积量、循环累计量、混合矩等间接特征,然后按照一定的分类规则进行训练,从而对信号进行分类认知。该方法计算简单,较容易实现,而且在特征选择合适等情况下,可以近似得到最优解。
针对在真实且复杂的地理环境中,通信信号的种类繁多、通信信道的噪声干扰强、信号具有很大的不确定性的特点,设计一种准确高效的通信信号认知分类算法具有重要的研究意义。
发明内容
本发明的目的是为了实现在复杂的电磁环境下,实现对无线通信信号进行用户分类认知的功能。针对信噪比波动范围大、训练样本不足等特点,对信号的时域、频域和空域的特征进行关联,并设计贝叶斯网络模型,对不同信噪比范围和较少样本数量的数据集进行训练,能够快速准确的得到用户认知结果。
本发明提出的基于多特征关联和贝叶斯网络的通信信号分类识别方法,具体步骤如下:
第一步,构建包括多种调制方式在内的通信信号样本数据集,选择并提取通信信号的时域、频域和空域维度的特征;并将所述的通信信号样本数据集分为训练集、交叉验证集和测试集三部分。
第二步,采用基于先验和聚类结合的方法对训练集数据进行离散化预处理;
第三步,输入训练集,对贝叶斯网络模型进行结构学习,得到贝叶斯网络模型的有向无环图;
第四步,对贝叶斯网络模型进行参数学习,得到各节点的条件概率分布表,构建出贝叶斯网络分类器;
第五步,对交叉验证集和测试集的信号进行特征提取和离散化处理后,输入到第四步已训练好的贝叶斯网络分类器中,最终可得到信号认知结果。
本发明的优点在于:
(1)采用贝叶斯网络分类器进行认知分类,能够充分挖掘各个维度的特征之间的依赖关系,物理意义明确,适用于小样本情况和不完备数据集;
(2)采用先验和聚类结合进行离散化预处理的方法,可以最大程度的保留原始数据信息,从而能够提高分类准确率;
(3)采用随机抽样的方法对贝叶斯网络模型进行参数学习,在信噪比波动范围大和训练样本数量不足的情况下,仍然可获得很好的分类准确率。
附图说明
图1是通信信号分类识别系统总体设计框图;
图2是本发明提供的通信信号分类识别方法整体流程图;
图3是通信信号数据集的构成;
图4是采用不同训练样本时,MCMC算法抽样次数与收敛曲线;
图5是训练出的贝叶斯网络分类器结构模型图;
图6是不同信噪比和训练样本数量时,交叉验证的分类准确率曲线图;
图7a、7b分别为测试数据集部分原始数据、预处理后的数据(截取190-200部分);
图8是测试数据集部分分类结果及测试准确率。
具体实施方式
下面结合附图,对本发明的具体实施方法作进一步的详细说明。
本发明提供一种基于多特征关联和贝叶斯网络的通信信号分类识别方法,如图1所示,是一种实现所述的通信信号分类识别方法的通信信号分类识别系统的结构框图,所述的系统包括输入模块、贝叶斯网络分类器和输出模块,所述的输入模块输入包括空域、频域以及时域等维度的特征关联构造的通信信号样本数据集,用于训练贝叶斯网络分类器;贝叶斯网络分类器是贝叶斯网络模型学习的结果,包括贝叶斯网络模型的结构和参数两部分;输出模块输出的是用户认知分类结果,根据输入的某一通信信号的特征,经过贝叶斯网络分类器推理,按后验概率大小将该通信信号归为主用户、次用户和非法用户中的某一类,实现对未知通信信号进行用户类型的分类识别。
本发明的一种基于多特征关联和贝叶斯网络的通信信号分类识别方法,分成两部分:训练阶段和测试阶段。训练阶段是指,根据构建的通信信号的样本数据集训练出贝叶斯分类器;测试阶段是指,对测试信号特征提取、预处理,经过贝叶斯网络分类器识别后,得到用户类型的分类识别结果的过程。如图2所示,所述的通信信号分类识别方法共包括以下几个步骤:
训练过程:
第一步,构建包括多种调制方式在内的通信信号样本数据集,选择并提取通信信号的时域、频域和空域维度的特征,并将所述的通信信号样本数据集分为训练集、交叉验证集和测试集三部分。
首先,构建通信信号样本数据集,该通信信号样本数据集的样本的构成如图3所示,包括2PSK、4PSK、8PSK、16QAM、64QAM、2FSK、4FSK、8FSK、2ASK、4ASK和8ASK在内的11种调试方式信号,其中样本标签分为主用户、次用户和非法用户共三类。从时域、频域和空域选取的特征分别为:频域特征“载波频率”;时域特征“平方谱单频分量”、“四次方谱单频分量”、“瞬时幅度绝对值的平均值”和“小波未幅度归一化处理的方差”;空域特征“来波方向”。选取通信信号的信噪比范围为10~30dB。通信信号样本数据集的样本总数为2000个,其中训练集样本数为1600个,交叉验证集样本数为200个,测试集样本数为200个。
第二步,采用基于先验和聚类结合的方法对训练集数据进行离散化预处理。
先验和聚类结合的方法是先通过基于先验知识对连续变量的取值范围进行区域划分,再采用聚类的方法对划分的区域进行修正,在不断迭代更新后,将具有近似取值的连续变量划分为同一类。先验和聚类结合的方法在连续变量的取值具有没有明确的物理意义、难以进行人为划分的情况下,能够最大程度的保留变量节点彼此的因果关系等信息,使得贝叶斯网络模型结构更具有真实性,从而提高贝叶斯网络模型的分类准确率。先验和聚类结合的离散化算法的伪代码描述如表1所示。
表1先验和聚类结合的离散化算法
其中,s为特征总个数,i=0,1,2,…,s;n为迭代次数,j=0,1,2,…,n;z为聚类类别数,l=0,1,2,…,z;Di(x)表示训练集D中第x个样本的第i个特征的取值,Li(z)表示特征i中第z类中心点的取值,m(z)表示属于第z类的样本个数总和,Li'表示特征i的第z类中心点新的取值。
经过基于先验和聚类结合的方法对连续变量数据(训练集数据)进行离散化预处理,将其中时域特征分别划分出3个聚类中心点,如表2所示。
表2离散化预处理后的各特征的聚类中心点
第三步,输入训练集,对贝叶斯网络模型进行结构学习,得到贝叶斯网络模型的有向无环图。
马尔可夫链蒙特卡罗(MCMC)法是一种基于随机抽样的结构学习算法。它通过设置“拒绝采样率”,来使抽样结果逐渐收敛于平稳分布p。MCMC算法通过对贝叶斯网络模型中各节点之间弧线增加、删减和换向的操作作为抽样过程的结果。同时需要提前设置好抽样的接受率,即每次根据上一轮的采样结果Xt-1来获得当前抽样的候选样本X*并以设置好的接受率对候选样本X*进行接受或拒绝。
若设定用户给定的先验概率Q(X*|Xt-1),候选样本X*的接受率为A(X*|Xt-1),则从采样结果Xt-1到候选样本X*的转移概率为Q(X*|Xt-1)A(X*|Xt-1)。若抽样结果可以趋近于某个平稳分布p,则有
P(X*)Q(X*|Xt-1)A(X*|Xt-1)=P(Xt-1)Q(Xt-1|X*)A(Xt-1|X*) (1)
若将A(X*|Xt-1)与A(Xt-1|X*)同比例增大,直到两者中最大的一个为1。那么计算可得,需要提前设置的接受率为:
其中,P(X*)表示当前样本出现的概率;P(Xt-1)表示上次样本出现的概率;Q(Xt-1|X*)表示已知X*的情况下Xt-1出现的概率;A(Xt-1|X*)表示已知X*的情况下Xt-1的接受率。
MCMC算法通过随机抽样来选择收敛于平稳分布p下的最佳贝叶斯网络模型,可以避免陷入局部最优解的问题。
MCMC算法的伪代码描述如下所示。
表3贝叶斯网络模型MCMC算法
其中,G(t)表示第t个贝叶斯网络模型的结构。
MCMC算法在进行一定的抽样次数后,才能服从于某个平稳分布p,但抽样次数过多,会造成训练时间过长。如图4是抽样次数和样本接受与拒绝比的曲线,可以观察到当抽样次数达到250次后,比率已经趋于稳定,为了保证最后准确率的效果,最终选择MCMC算法的抽样次数为300次。
MCMC算法通过随机抽样来选择收敛于平稳分布p下的最佳贝叶斯网络模型,可以避免陷入局部最优解的问题。通过MCMC算法,可以构造出如图5所示的贝叶斯网络模型的有向无环图,其中X1~X6为属性节点(即代表6个输入特征)、C为类节点(即代表输出的用户认知结果),图中的有向线可以描述各节点之间的依赖关系。
第四步,在贝叶斯网络模型结构(有向无环图)的基础上进行参数学习,得到贝叶斯网络模型中所有节点的条件概率分布表,构建出完整的贝叶斯网络分类器。
贝叶斯估计法是认为某个事件服从一定的先验分布概率,在此基础上综合先验知识和训练集中样本发生的频率,对参数进行估计的方法。所以,当训练集中样本数不足的情况下,最大似然估计法对参数的估计会出现很大的误差,尤其是当Nij=0(Nij为训练集D中节点为i时,在其父集合中选取的集合为j的频数)的情况下,参数估计公式(Nijk为训练集D中节点为i时,在其父集合中选取的集合为j,且该集合j中的节点取值为k时的频数)会出现错误。而贝叶斯估计法可以有效的解决这种问题。
在参数θ的先验概率未知的情况下,一般假设贝叶斯网络模型的参数θ服从Dirichlet分布(也叫作狄利克雷分布),其先验分布概率为P(θ);训练集D的先验分布概率为P(D),根据贝叶斯公式,可得参数θ的后验分布概率P(θ|D)为:
其中,P(D|θ)为在已知参数θ的情况下,训练集D的后验概率。
经过推算,节点i的参数θ最大后验估计为:
其中,nijk为训练集D中节点为i时,在其父集合中选取的集合为j,且该集合j中的节点取值为k时的频数,nij为训练数据集D中节点为i时,在其父集合中选取的集合为j的频数;其中为Dirichlet分布Dir(αij1,αij2,...αijk)中的超系数,αij为αijk对所有参数k的求和(即),q1为父节点集合的个数,n1和r分别为节点i和第j个父节点集的总取值个数。
所有的变量节点的参数θ共同组成贝叶斯网络模型的条件概率分布表,当训练好贝叶斯网络模型的有向无环图和条件概率分布表后,贝叶斯网络分类器就已经构建完成。
第五步,对交叉验证集和测试集信号样本进行特征提取和离散化处理后,输入到第四步已训练好的贝叶斯网络分类器中,最终可得到通信信号认知结果。
当构建好贝叶斯网络分类器后,可以把分类问题转化为贝叶斯网络分类器的推理问题,即当给定属性变量节点的取值时,去选择类变量节点发生概率最大的情况当作本次分类的结果。
一般情况下,贝叶斯网络分类器的推理问题包括后验概率问题、最大后验假设问题和最大可能解释问题。在推理问题中,通常把取值已知的变量节点称为证据变量节点E,将需要推理的节点称为待查询变量节点Q。贝叶斯网络的最大后验假设问题是指证据变量节点E和待查询变量节点均为某些变量节点的可能的状态组合,找出一个待查询变量节点的状态,可以使得所有证据变量节点E的发生概率为最大时的结果,即此时选择后验概率最大的类变量节点的取值作为分类的结果。其中,P(Q=q2|E=e)表示已知E的情况下Q发生的后验概率;m′表示后验概率最大时的假设,q2表示查询变量节点的取值,e表示证据变量节点的取值。
使用交叉验证集来验证贝叶斯网络分类器在不同训练样本和不同信噪比范围时的分类准确率的变化,如图6所示。
测试过程:
测试过程选取的测试集样本数为200个,与训练集、交叉验证集为独立同分布的关系。测试过程及结果如下所述:
第一步,对测试集内信号样本进行特征提取、离散化处理。测试集部分原始数据及预处理后的数据如图7a、7b所示。在图7a中,第1行为信号的序列号,第2行到第7行为信号的六个特征,第8行为信号的用户认知标签,其中,1代表主用户信号;2代表次用户信号;3代表非法用户信号。
第二步,输入到已训练好的贝叶斯网络分类器中,可得到信号认知结果。测试集部分分类结果及测试准确率如图8所示。测试结果中,左侧列为样本的预测用户认知结果,右侧列为样本的原本标签。可以观察到,本方法取得了较准确的用户分类识别结果,预测结果和原本标签结果一致。
Claims (2)
1.基于多特征关联和贝叶斯网络的通信信号分类识别方法,其特征在于:具体步骤如下,
第一步,构建包括多种调制方式在内的通信信号样本数据集,选择并提取通信信号的时域、频域和空域维度的特征;并将所述的通信信号样本数据集分为训练集、交叉验证集和测试集三部分;
通信信号样本数据集包括2PSK、4PSK、8PSK、16QAM、64QAM、2FSK、4FSK、8FSK、2ASK、4ASK和8ASK共11种调制方式信号,样本标签分为主用户、次用户和非法用户共三类;从时域、频域和空域选取的特征分别为:频域特征“载波频率”;时域特征“平方谱单频分量”、“四次方谱单频分量”、“瞬时幅度绝对值的平均值”和“小波未幅度归一化处理的方差”;空域特征“来波方向”;选取通信信号的信噪比范围为10~30dB;
第二步,采用基于先验和聚类结合的方法对训练集数据进行离散化处理;
所述的先验和聚类结合的方法,具体如下:
其中,s为特征总个数,i=0,1,2,…,s;n为迭代次数,j=0,1,2,…,n;z为聚类类别数,l=0,1,2,…,z;Di(x)表示训练集D中第x个样本的第i个特征的取值,Li(z)表示特征i中第z类中心点的取值,m(z)表示属于第z类的样本个数总和,Li'表示特征i的第z类中心点新的取值;
第三步,输入训练集,对贝叶斯网络模型进行结构学习,得到贝叶斯网络模型的有向无环图;
马尔可夫链蒙特卡罗法是一种基于随机抽样的结构学习算法,通过设置“拒绝采样率”,来使抽样结果逐渐收敛于平稳分布p;MCMC算法通过对贝叶斯网络模型中各节点之间弧线增加、删减和换向的操作作为抽样过程的结果; 同时需要提前设置好抽样的接受率,即每次根据上一轮的采样结果Xt-1来获得当前抽样的候选样本X*并以设置好的接受率对候选样本X*进行接受或拒绝;
若设定用户给定的先验概率Q(X*|Xt-1),候选样本X*的接受率为A(X*|Xt-1),则从采样结果Xt-1到候选样本X*的转移概率为Q(X*|Xt-1)A(X*|Xt-1);若抽样结果可以趋近于某个平稳分布p,则有
P(X*)Q(X*|Xt-1)A(X*|Xt-1)=P(Xt-1)Q(Xt-1|X*)A(Xt-1|X*) (1)
若将A(X*|Xt-1)与A(Xt-1|X*)同比例增大,直到两者中最大的一个为1;那么计算可得,需要提前设置的接受率为:
其中,P(X*)表示当前样本出现的概率;P(Xt-1)表示上次样本出现的概率;Q(Xt-1|X*)表示已知X*的情况下Xt-1出现的概率;A(Xt-1|X*)表示已知X*的情况下Xt-1的接受率;
第四步,对贝叶斯网络模型进行参数学习,得到各节点的条件概率分布表,构建出贝叶斯网络分类器;
所述的进行参数学习,具体为,
假设贝叶斯网络模型的参数θ服从Dirichlet分布,其先验分布概率为P(θ);训练集D的先验分布概率为P(D),根据贝叶斯公式,得参数θ的后验分布概率P(θ|D)为:
其中,P(D|θ)为在已知参数θ的情况下,训练集D的后验概率;
经过推算,节点i的参数θ最大后验估计为:
其中,nijk为训练集D中节点为i时,在其父集合中选取的集合为j,且该集合j中的节点取值为k时的频数,nij为训练数据集D中节点为i时,在其父集合中选取的集合为j的频数;其中αijk为Dirichlet分布Dir(αij1,αij2,...αijk)中的超系数,αij为αijk对所有参数k的求和,q1为父节点集合的个数,n1和r分别为节点i和第j个父节点集的总取值个数;
所有的变量节点的参数θ共同组成贝叶斯网络模型的条件概率分布表,当训练好贝叶斯网络模型的有向无环图和条件概率分布表后,贝叶斯网络分类器就已经构建完成;
第五步,对交叉验证集和测试集的信号进行特征提取和离散化处理后,输入到第四步已训练好的贝叶斯网络分类器中,最终得到信号认知结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811273817.0A CN109450834B (zh) | 2018-10-30 | 2018-10-30 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811273817.0A CN109450834B (zh) | 2018-10-30 | 2018-10-30 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109450834A CN109450834A (zh) | 2019-03-08 |
CN109450834B true CN109450834B (zh) | 2020-10-27 |
Family
ID=65549501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811273817.0A Active CN109450834B (zh) | 2018-10-30 | 2018-10-30 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109450834B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232678B (zh) * | 2019-05-27 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种图像不确定度预测方法、装置、设备及存储介质 |
CN110738270B (zh) * | 2019-10-22 | 2022-03-11 | 中国人民解放军国防科技大学 | 基于均值迭代的多任务学习模型训练以及预测方法 |
CN110807561A (zh) * | 2019-11-13 | 2020-02-18 | 吉林农业大学 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
CN111736690B (zh) * | 2020-05-25 | 2023-07-14 | 内蒙古工业大学 | 基于贝叶斯网络结构辨识的运动想象脑机接口 |
CN112162246B (zh) * | 2020-07-17 | 2024-02-09 | 中国人民解放军63892部队 | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 |
CN112105089B (zh) * | 2020-09-21 | 2022-08-23 | 电子科技大学 | 基于响应时间概率分布的通信信号关联方法 |
CN113157561A (zh) * | 2021-03-12 | 2021-07-23 | 安徽工程大学 | 一种数控系统软件模块的缺陷预测方法 |
CN113779164A (zh) * | 2021-07-09 | 2021-12-10 | 上海海事大学 | 一种基于gps轨迹数据和贝叶斯网络的交通方式识别方法 |
CN114070679B (zh) * | 2021-10-25 | 2023-05-23 | 中国电子科技集团公司第二十九研究所 | 一种面向脉冲智能分类的频相特征分析方法 |
CN114066239A (zh) * | 2021-11-16 | 2022-02-18 | 广东电网有限责任公司 | 一种用户用电量异常检测方法及装置 |
CN114626412B (zh) * | 2022-02-28 | 2024-04-02 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器系统的多类别目标识别方法及系统 |
CN115169252B (zh) * | 2022-09-07 | 2022-12-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种结构化仿真数据生成系统及生成方法 |
CN115718536B (zh) * | 2023-01-09 | 2023-04-18 | 苏州浪潮智能科技有限公司 | 一种调频方法、装置、电子设备及可读存储介质 |
CN116738333B (zh) * | 2023-06-09 | 2023-12-05 | 北京航空航天大学 | 一种飞行器小样本朴素贝叶斯的电信号多分类及预测方法 |
CN117197546B (zh) * | 2023-08-24 | 2024-08-30 | 佛山科学技术学院 | 基于因果机制的故障诊断方法及计算机设备 |
CN117131438B (zh) * | 2023-10-27 | 2024-02-13 | 深圳市迪博企业风险管理技术有限公司 | 诉讼文件分析方法、模型训练方法、装置、设备及介质 |
CN117672445A (zh) * | 2023-12-18 | 2024-03-08 | 郑州大学 | 基于大数据的糖尿病衰弱现状分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510863A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种mpsk调制信号识别方法 |
CN104780006A (zh) * | 2015-01-14 | 2015-07-15 | 东南大学 | 基于最小错误概率准则的频谱检测器软融合方法 |
CN104852874A (zh) * | 2015-01-07 | 2015-08-19 | 北京邮电大学 | 一种时变衰落信道下的自适应调制识别方法与装置 |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9473257B1 (en) * | 2014-12-05 | 2016-10-18 | Drs Advanced Isr, Llc | Radio communication system utilizing a radio signal classifier |
-
2018
- 2018-10-30 CN CN201811273817.0A patent/CN109450834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510863A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种mpsk调制信号识别方法 |
CN104852874A (zh) * | 2015-01-07 | 2015-08-19 | 北京邮电大学 | 一种时变衰落信道下的自适应调制识别方法与装置 |
CN104780006A (zh) * | 2015-01-14 | 2015-07-15 | 东南大学 | 基于最小错误概率准则的频谱检测器软融合方法 |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
Non-Patent Citations (1)
Title |
---|
On the Performance Evaluation of Bayesian Network Classifiers in Modulation Identification for Cooperative MIMO Systems;Wassim Ben Chikha等;《2015 23rd International Conference on Software, Telecommunications and Computer Networks (SoftCOM)》;20151102;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109450834A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Hu et al. | Deep neural network for robust modulation classification under uncertain noise conditions | |
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
Yasunori et al. | On semi-supervised fuzzy c-means clustering | |
Zhang et al. | Deep learning for robust automatic modulation recognition method for IoT applications | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN109379153A (zh) | 一种频谱感知方法 | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
CN101783777A (zh) | 数字调制信号识别方法 | |
CN101901251B (zh) | 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法 | |
CN111209960B (zh) | 一种基于改进随机森林算法的csi系统多径分类方法 | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
Liao et al. | A novel classification and identification scheme of emitter signals based on ward’s clustering and probabilistic neural networks with correlation analysis | |
Huang et al. | Design of learning engine based on support vector machine in cognitive radio | |
Choudhari et al. | Predictive to prescriptive analysis for customer churn in telecom industry using hybrid data mining techniques | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
Zhang et al. | Limited data spectrum sensing based on semi-supervised deep neural network | |
CN116680608A (zh) | 一种基于复数图卷积神经网络的信号调制识别方法 | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
Thanh et al. | Evaluating effectiveness of ensemble classifiers when detecting fuzzers attacks on the unsw-nb15 dataset | |
Qian et al. | Large-scale kpi anomaly detection based on ensemble learning and clustering |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190308 Assignee: Beijing northern sky long hawk UAV Technology Co.,Ltd. Assignor: BEIHANG University Contract record no.: X2021990000039 Denomination of invention: Communication signal classification and recognition method based on multi feature association and Bayesian network Granted publication date: 20201027 License type: Exclusive License Record date: 20210119 |