CN109543643B - 基于一维全卷积神经网络的载波信号检测方法 - Google Patents
基于一维全卷积神经网络的载波信号检测方法 Download PDFInfo
- Publication number
- CN109543643B CN109543643B CN201811451634.3A CN201811451634A CN109543643B CN 109543643 B CN109543643 B CN 109543643B CN 201811451634 A CN201811451634 A CN 201811451634A CN 109543643 B CN109543643 B CN 109543643B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- broadband
- convolution
- carrier
- 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
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于一维全卷积神经网络的载波信号检测方法,包括以下步骤:S1、生成一维宽带频谱信号训练样本;S2、将信号训练样本输入一维全卷积神经网络进行训练,保存最终网络模型;S3、将真实卫星宽带频谱信号传输至网络模型中进行自动检测;S4、将网络模型输出结果拼接回原始宽带长度,进行二值化处理;找出每一个频段的起止点位置,再根据宽带频率分率和宽带实际频率起止点得到每一个窄带的载波实际频率起止。本发明将传统的寻找动态阈值的检测方式转变成为一个二分类问题,利用有效的样本进行训练可以提取出频谱信号的特征,通过Sigmoid函数可以准确地检测出载波的频率位置,能够提高检测效率和准确率,噪声抑制和自适应能力也得到增强。
Description
技术领域
本发明属于深度学习应用和通信信号处理领域,特别涉及一种基于一维全卷积神经网络的载波信号检测方法。
背景技术
在现代军事战争中,通信技术的重要性日趋明显,是克敌制胜的关键因素。载波信号检测是通信侦察环节中的一个重要环节。信号检测通常是指在噪声环境下对所接收到的信号,通过傅里叶变换转换成为频谱,然后根据噪声和信号的规律按照一定的规则判断载波信号是否存在,进而提取该窄带频段载波信号的具体特征。然而在实际载波信号检测中,由于突发、多址、发射机性能差异、通信体制设计等原因,导致一些通信信号的频谱具有毛刺多、不平坦、载波间隙小等各种不规整形状,采用传统的信号处理算法,多依赖人工提取特征,设定多个阈值或连续动态阈值的方法来进行载波信号检测,难以兼顾此类信号,容易造成虚检和漏检,不利于大范围、长时间连续通信侦察。因此,找到一种高准确率载波信号检测算法非常重要。
全卷积神经网络是深度学习在图像领域中的一种应用,由美国加州大学伯克利分校Jonathan Long等人在论文《Fully Convolutional Networks for semanticSegmentation》中提出,用于图像检测中的图像语义分割问题。其核心是将传统分类卷积神经网络中的全链接层全部替换为卷积层,同时利用反卷积,将经过池化缩小的特征图放大至原始图片大小,并对图像中每个像素点进行分类,从而实现图像语义的端到端分割,相较于传统的图像处理方法准确率有着大幅提升。但全卷积神经网络在一维频谱中载波信号的检测等相关领域中,并未得到有效的应用。
电子科技大学吴宁宁在其论文《通信信号多信号分离识别》中针对时域完全重叠的通信信号多信号,频域分为明显可分,频谱紧靠和部分重叠三种情况,在先验信息完全缺失的情况下,提出简单有效的分离识别算法:
1)针对时域重叠频域明显可分的通信信号多信号,提出了迭代门限算法,基于指数分布的自适应门限算法、N-Sigma门限算法和扫描信号检测方法,实现了信号个数估计,得到信号粗估带宽中心频率以便用滤波方法分离信号。
2)针对时域重叠频域上频谱紧靠的通信信号多信号,研究了基于通信信号谱线特征的信号检测方法,基于通信信号率线特征的信号检测方法和频谱分割信号检测方法。
3)针对时域重叠频域频谱部分重叠的通信信号多信号,研究了循环平稳理论,并在此基础上推导了共轭循环相关函数,循环相关函数和四阶循环累积量。总结了各调制类型信号的循环累积量结构特性,得到信号载频、码速率与离散谱线的关系。最后将信号的循环频率特征应用十多信号个数估计,调制类型识别和参数估计,提出了基于循环频率特征的通信信号多信号分离识别算法。
这些方法尽管涵盖问题比较全面,但其不足之处在于只在仿真数据上验证了算法的有效性,且每个算法并不适用于全部调制类型信号,大多只能适应数量较少的载波信号检测,同时这些方法只针对了高斯白噪声信道而没有研究衰落信道下的载波信号检测。
信息工程大学李东波在其论文《卫星宽带多信号检测与参数估计技术研究》中提出基于分形盒维数和奇异值分解的宽带多信号检测算法,通过计算宽带多信号的分形盒维数,利用噪声与含噪信号的分形盒维数值的差异判断感兴趣频段是否存在信号。若存在信号则用信号功率谱数据构造Hankel矩阵,对Hankel矩阵进行奇异值分解后同时对信号功率谱进行分解。针对信号功率谱分解的二阶分量进行处理,滤除其伪奇异点,再通过检测二阶分量的奇异点获取各信号的占用频段信息,从而完成宽带多信号的检测。该方法主要针对于固定信号和持续时间较长的信号,其不足之处在于对于短时突发信号、跳频信号、扩频信号等信号没有良好的适应性,此外该方法需要大量的先验信息,计算过程繁杂,需要人为设定多个阈值,无法适应低噪声环境。
俄罗斯下诺夫哥罗德国立大学O.A.Morozov等人在其论文《Neural NetworkDetection of MSK Signal》中提出了一种基于神经网络的FSK信号检测方法。该方法中神经网络为全连接神经网络,输入为IQ信号,针对信噪比不小于10dB的MSK信号,检测错误率小于10-3。尽管该方法在信噪比不小于10dB的MSK信号上取得了很高的检测精度,但其不足之处在于现实空间电磁环境复杂,噪声影响往往更加严重,宽带信号上不同频段信号调制类型复杂,且全连接神经网络计算量大,效果相对卷积神经网络有着较大差距,该方法的适应性显然得不到保证。
发明内容
本发明的目的在于克服现有技术的不足,提供一种将传统的寻找动态阈值的检测方式转变成为一个二分类问题,利用有效的样本进行训练可以提取出频谱信号的特征,通过sigmoid函数可以准确地检测出载波的频率位置的基于一维全卷积神经网络的载波信号检测方法。
本发明的目的是通过以下技术方案来实现的:基于一维全卷积神经网络的载波信号检测方法,包括以下步骤:
S1、生成一维宽带频谱信号训练样本,并对产生的信号训练样本进行幅值归一化处理;
S2、设计一维全卷积神经网络,将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练,根据训练及测试结果,调整网络结构和样本构成,保存最终网络模型;
S3、将采集到的真实卫星宽带频谱信号进行截断处理,并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测;
S4、将网络模型输出结果拼接回原始宽带长度,然后进行二值化处理;根据二值化结果,找出每一个频段的起止点位置,再根据宽带频率分辨率和宽带实际频率起止点得到每一个窄带的载波实际频率起止;然后计算每一个载波的中心频率和带宽。
进一步地,所述步骤S1中,幅值归一化的具体实现方法为:
其中x和x'为分别为归一化前和归一化后的数据,max(x)和min(x)分别为幅值的最大值和最小值。
进一步地,所述一维全卷积神经网络的具体结构为:
输入样本长度为8192,整个网络包含17个卷积块和一个分类层;
其中前8个卷积块,每个卷积块含有2个卷积层和一个下采样层;卷积核大小为3*1,步长为1,每一层的卷积核数量都是32个;下采样层采取最大池化策略,每个滑块大小为2*1;
第9到第16个卷积块,每个卷积块包含1个上采样层、1个concat层和1个卷积层;上采样层将前一层的每个一维特征中每个样点值依次重复,使每个一维特征长度扩大一倍;concat层将该层特征于下采样过程中对应特征图级联;卷积层卷积核大小为3*1,步长为1,卷积核数量为32个;
最后一个卷积块包含3个卷积层,卷积核大小为3*1,步长为1,卷积核的数量依次为32、2和1;
以上所有卷积层后所使用的非线性激活函数线性修正单元ReLU(rectifiedlinear unit);
分类层,采用卷积核为1*1的卷积层,采用Sigmoid激活函数进行对每个样点二分类,输出长度为8192。
进一步地,所述步骤S3包括以下子步骤:
S31、对采集到的真实卫星宽带频谱信号进行截断处理,每隔7936个点进行截断,得到N个信号段;
S32、在前N-1个信号段的结尾重叠后一段信号开头的128个样点;再分别在每段首尾处打64个补丁样点,补丁样点的值等于该信号段样点中的最小值;
S33、对最后一个信号,在首尾处打64个补丁样点;若此段信号的总长度小于前面几段信号的总长度,则在该信号段的末尾增加补丁样点,与前面几段信号的长度保持一致;若此信号段的总长度超过前几段信号的总长度,则在信号段的两端各删掉相等数量的样点使其与前几段信号长度保持一致;补丁样点的值等于该段样点中的最小值;
S34、对每个信号段中的信号进行幅值归一化处理。
进一步地,所述步骤S4具体实现方法为:
S41、采用Sigmoid函数对每个样点进行二分类,得到每个样点的值均在0~1之间;
S42、去掉步骤S3中添加的补丁部分,将每段数据重叠部分相加后取平均值,将信号拼接成与原始输入等长的结果;
S43、设置阈值0.5,对每个样点结果进行二值化处理,大于或等于阈值的点设置为1,小于阈值的点设置为0;其中,1代表该点处于载波频带范围,0代表该点为噪底;
S44、将信号中连续的出现“1”的起止点取出,即为每个载波频段起止点;由于每个频谱样点实际对应的频率为:当前宽带实际起止频率+每个频率样点下标*宽带的频率分辨率,其中宽带频率分辨率=宽带实际带宽/频谱样点总数;因此根据每个宽带的频率分辨率和宽带实际频率范围,得到每个载波的起止频率;
本发明的有益效果是:本发明针对通信信号侦察过程中载波信号检测问题,通过将一维全卷积神经网络应用到通信信号处理领域的载波信号检测检测问题中来,将传统的寻找动态阈值的检测方式转变成为一个二分类问题,利用有效的样本进行训练可以提取出频谱信号的特征,通过sigmoid函数可以准确地检测出载波的频率位置。相比较传统方法无需人工选取阈值,简化了问题研究的难度;同时能够提高检测效率和准确率,噪声抑制和自适应能力也得到增强;并且减少了数学计算量,该方法有效可行。
附图说明
图1为本发明的基于一维全卷积神经网络的载波信号检测方法的流程图;
图2为本发明的一维全卷积神经网络的具体结构图;
图3为本发明训练阶段的准确率和损失值曲线图;
图4为本发明的检测结果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,一种基于一维全卷积神经网络的载波信号检测方法,包括以下步骤:
S1、生成一维宽带频谱信号训练样本,并对产生的信号训练样本进行幅值归一化处理;幅值归一化的具体实现方法为:
其中x和x'为分别为归一化前和归一化后的数据,max(x)和min(x)分别为幅值的最大值和最小值。
由于有效标注的真实信号样本较少,而深度学习需要较多的样本数据用来训练,因此本发明用来训练的信号样本是模拟生成的。为了避免训练过程产生过拟合,根据采集到的真实频谱信号分布的特点,其中模拟的载波信号,其载噪比在4~15dB随机分布,带宽所占样点个数从8~500个随机分布,滚降系数从0.25~1随机分布;宽带上模拟的噪声为高斯白噪声,其载噪比在0~8dB随机分布。每个模拟频谱信号样点个数与网络模型输入长度相等为8192,每个频谱样本对应一个等长的标签,标签中对应窄带处值为1,其余为0。总共产生20000组样本,其中15000组作为训练集,5000组作为测试集。
S2、设计一维全卷积神经网络,将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练,根据训练及测试结果,调整网络结构和样本构成,保存最终网络模型;
如图2所示,所述一维全卷积神经网络的具体结构为:
输入样本长度为8192,整个网络包含17个卷积块和一个分类层;
其中前8个卷积块,每个卷积块含有2个卷积层和一个下采样层;卷积核大小为3*1,步长为1,每一层的卷积核数量都是32个;下采样层采取最大池化策略,每个滑块大小为2*1;
第9到第16个卷积块,每个卷积块包含1个上采样层、1个concat层和1个卷积层;上采样层将前一层的每个一维特征中每个样点值依次重复,使每个一维特征长度扩大一倍;concat层将该层特征于下采样过程中对应特征图级联;卷积层卷积核大小为3*1,步长为1,卷积核数量为32个;
最后一个卷积块包含3个卷积层,卷积核大小为3*1,步长为1,卷积核的数量依次为32、2和1;
以上所有卷积层后所使用的非线性激活函数线性修正单元ReLU(rectifiedlinear unit);
分类层,采用卷积核为1*1的卷积层,采用Sigmoid激活函数进行对每个样点二分类,输出长度为8192。
总计训练500个Epochs,训练过程准确率和损失值如图3所示,最终测试集准确率达到99.92%。同时训练过程采用dropout技术防止过拟合,采用Adam算法作为反向传播优化策略。
S3、由于采集到的每个真实卫星宽带频谱信号保存长度为25288,因此需要对采集到的真实卫星宽带频谱信号进行截断处理,并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测;包括以下子步骤:
S31、对采集到的真实卫星宽带频谱信号进行截断处理,每隔7936个点进行截断,得到N个信号段;
S32、在前N-1个信号段的结尾重叠后一段信号开头的128个样点;再分别在每段首尾处打64个补丁样点,补丁样点的值等于该信号段样点中的最小值;添加补丁后的信号段的长度为8192个;
S33、对最后一个信号,在首尾处打64个补丁样点;若此段信号的总长度小于前面几段信号的总长度(8192),则在该信号段的末尾增加补丁样点,与前面几段信号的长度保持一致;若此信号段的总长度超过前几段信号的总长度,则在信号段的两端各删掉相等数量的样点使其与前几段信号长度保持一致;补丁样点的值等于该段样点中的最小值;
通过步骤S31~S33,将每个真实卫星宽带频谱数据25288个样点分割成为4段,然后再输入到本发明设计的一维全卷积神经网络中去;
S34、对每个信号段中的信号进行幅值归一化处理,归一化方式与步骤S1中采取归一化方式一致。
S4、将网络模型输出结果拼接回原始宽带长度,然后进行二值化处理;根据二值化结果,找出结果中每一组值连续为1的起止点下标,即为每一个频段的起止点位置,根据宽带频率分辨率和宽带实际频率起止点,得到每一个窄带的载波实际频率起止;然后计算每一个载波的中心频率和带宽,以便于进一步的信号分析。具体实现方法为:
S41、采用Sigmoid函数对每个样点进行二分类,得到每个样点的值均在0~1之间;
S42、去掉步骤S3中添加的补丁部分,将每段数据重叠部分相加后取平均值,将信号拼接成与原始输入等长的结果;
S43、设置阈值0.5,对每个样点结果进行二值化处理,大于或等于阈值的点设置为1,小于阈值的点设置为0;其中,1代表该点处于载波频带范围,0代表该点为噪底;
S44、将信号中连续的出现“1”的起止点取出,即为每个载波频段起止点;由于每个频谱样点实际对应的频率为:当前宽带实际起止频率+每个频率样点下标*宽带的频率分辨率,其中宽带频率分辨率=宽带实际带宽/频谱样点总数;因此根据每个宽带的频率分辨率和宽带实际频率范围,得到每个载波的起止频率;
下面结合实际训练测试实例进一步描述本发明的效果。
实验平台
本发明的实验平台环境具体为CPU i7 6800K 6核12线程,主频3.4GHz,GPUNVidia GTX 1080Ti,内存32G DDR4 2400,操作系统Ubuntu 16.04,深度学习框架为Keras2.1.5(Tensorflow 1.7.0后端)。
实验结果分析
本发明训练阶段,准确率和损失值曲线如图3所示,横轴为训练周期(epoch)数。对于全卷积神经网络训练过程,准确率越趋近于1效果越好,损失值越趋近于0效果越好。根据图3,本发明训练过程训练集和测试集准确率随训练周期数上升,损失值随周期数下降,且最终测试集准确率收敛到99.86%,损失值收敛到0.004,且都没有出现过拟合现象。
将采集到卫星频谱信号典型样本按照步骤S3和步骤S4描述送入网络检测,平均每个真实信号检测时间0.004秒,其检测结果如图4所示,其中载波频段用红色底色突出显示。从结果可以看出该方法具有很好的噪声抑制能力,可以避免起伏较低的较厚的噪声带来的影响,可以抑制滤波带来的宽带首尾的“拖尾”问题,对于连续很长的信号可以有效检出准确的载波位置。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.基于一维全卷积神经网络的载波信号检测方法,其特征在于,包括以下步骤:
S1、生成一维宽带频谱信号训练样本,并对产生的信号训练样本进行幅值归一化处理;
S2、设计一维全卷积神经网络,将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练,根据训练及测试结果,调整网络结构和样本构成,保存最终网络模型;
S3、将采集到的真实卫星宽带频谱信号进行截断处理,并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测;
S4、将网络模型输出结果拼接回原始宽带长度,然后进行二值化处理;根据二值化结果,找出每一个频段的起止点位置,再根据宽带频率分辨率和宽带实际频率起止点得到每一个窄带的载波实际频率起止;然后计算每一个载波的中心频率和带宽。
3.根据权利要求1所述的基于一维全卷积神经网络的载波信号检测方法,其特征在于,所述一维全卷积神经网络的具体结构为:
输入样本长度为8192,整个网络包含17个卷积块和一个分类层;
其中前8个卷积块,每个卷积块含有2个卷积层和一个下采样层;卷积核大小为3*1,步长为1,每一层的卷积核数量都是32个;下采样层采取最大池化策略,每个滑块大小为2*1;
第9到第16个卷积块,每个卷积块包含1个上采样层、1个concat层和1个卷积层;上采样层将前一层的每个一维特征中每个样点值依次重复,使每个一维特征长度扩大一倍;concat层将该层特征于下采样过程中对应特征图级联;卷积层卷积核大小为3*1,步长为1,卷积核数量为32个;
最后一个卷积块包含3个卷积层,卷积核大小为3*1,步长为1,卷积核的数量依次为32、2和1;
以上16个卷积块中的每一个卷积层后所使用的非线性激活函数均为线性修正单元;
分类层,采用卷积核为1*1的卷积层,采用Sigmoid激活函数进行对每个样点二分类,输出长度为8192。
4.根据权利要求1所述的基于一维全卷积神经网络的载波信号检测方法,其特征在于,所述步骤S3包括以下子步骤:
S31、对采集到的真实卫星宽带频谱信号进行截断处理,每隔7936个点进行截断,得到N个信号段;
S32、在前N-1个信号段的结尾重叠后一段信号开头的128个样点;再分别在每段首尾处打64个补丁样点,补丁样点的值等于该信号段样点中的最小值;
S33、对最后一个信号,在首尾处打64个补丁样点;若此段信号的总长度小于前面几段信号的总长度,则在该信号段的末尾增加补丁样点,与前面几段信号的长度保持一致;若此信号段的总长度超过前几段信号的总长度,则在信号段的两端各删掉相等数量的样点使其与前几段信号长度保持一致;补丁样点的值等于该段样点中的最小值;
S34、对每个信号段中的信号进行幅值归一化处理。
5.根据权利要求4所述的基于一维全卷积神经网络的载波信号检测方法,其特征在于,所述步骤S4具体实现方法为:
S41、采用Sigmoid函数对每个样点进行二分类,得到每个样点的值均在0~1之间;
S42、去掉步骤S3中添加的补丁部分,将每段数据重叠部分相加后取平均值,将信号拼接成与原始输入等长的结果;
S43、设置阈值为0.5,对每个样点结果进行二值化处理,大于或等于阈值的点设置为1,小于阈值的点设置为0;其中,1代表该点处于载波频带范围,0代表该点为噪底;
S44、将信号中连续的出现“1”的起止点取出,即为每个载波频段起止点;由于每个频谱样点实际对应的频率为:当前宽带实际起止频率+每个频率样点下标*宽带的频率分辨率,其中宽带频率分辨率=宽带实际带宽/频谱样点总数;因此根据每个宽带的频率分辨率和宽带实际频率范围,得到每个载波的起止频率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451634.3A CN109543643B (zh) | 2018-11-30 | 2018-11-30 | 基于一维全卷积神经网络的载波信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451634.3A CN109543643B (zh) | 2018-11-30 | 2018-11-30 | 基于一维全卷积神经网络的载波信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543643A CN109543643A (zh) | 2019-03-29 |
CN109543643B true CN109543643B (zh) | 2022-07-01 |
Family
ID=65852044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811451634.3A Active CN109543643B (zh) | 2018-11-30 | 2018-11-30 | 基于一维全卷积神经网络的载波信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543643B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991374B (zh) * | 2019-12-10 | 2023-04-04 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
CN111885624B (zh) * | 2020-07-28 | 2022-07-01 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN112729591B (zh) * | 2020-12-22 | 2021-11-23 | 北京航空航天大学 | 一种基于低带宽光电探测器的激光吸收光谱温度测量方法 |
CN112488092B (zh) * | 2021-02-05 | 2021-08-24 | 中国人民解放军国防科技大学 | 基于深度神经网络的导航频段信号类型识别方法及系统 |
CN114244401B (zh) * | 2021-11-16 | 2024-01-26 | 北京智芯微电子科技有限公司 | 工作频段确定方法、装置、芯片、电子设备及存储介质 |
CN117119465B (zh) * | 2023-10-20 | 2023-12-22 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2298316A1 (en) * | 1999-02-15 | 2000-08-15 | Christian Dubuc | Method and system for detecting and classifying the modulation of unknown analog and digital telecommunications signals |
CN1946069A (zh) * | 2006-10-27 | 2007-04-11 | 清华大学 | 一种多进制频移键控信号的检测和分析方法 |
CN104270167A (zh) * | 2013-12-20 | 2015-01-07 | 张冬 | 一种基于多维特征神经网络的信号检测和估计方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107729821A (zh) * | 2017-09-27 | 2018-02-23 | 浙江大学 | 一种基于一维序列学习的视频概括方法 |
CN107908876A (zh) * | 2017-11-16 | 2018-04-13 | 宁波工程学院 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
CN108566260A (zh) * | 2018-02-01 | 2018-09-21 | 西安电子科技大学 | 一种基于扰分多址的隐蔽通信方法 |
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11190944B2 (en) * | 2017-05-05 | 2021-11-30 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
-
2018
- 2018-11-30 CN CN201811451634.3A patent/CN109543643B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2298316A1 (en) * | 1999-02-15 | 2000-08-15 | Christian Dubuc | Method and system for detecting and classifying the modulation of unknown analog and digital telecommunications signals |
CN1946069A (zh) * | 2006-10-27 | 2007-04-11 | 清华大学 | 一种多进制频移键控信号的检测和分析方法 |
CN104270167A (zh) * | 2013-12-20 | 2015-01-07 | 张冬 | 一种基于多维特征神经网络的信号检测和估计方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107729821A (zh) * | 2017-09-27 | 2018-02-23 | 浙江大学 | 一种基于一维序列学习的视频概括方法 |
CN107908876A (zh) * | 2017-11-16 | 2018-04-13 | 宁波工程学院 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
CN108566260A (zh) * | 2018-02-01 | 2018-09-21 | 西安电子科技大学 | 一种基于扰分多址的隐蔽通信方法 |
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
Non-Patent Citations (5)
Title |
---|
End-to-End Learning From Spectrum Data:A Deep Learning Approach for Wireless Signal Identification in Spectrum Monitoring Applications;Merima Kulin 等;《IEEE Access》;20180423;第18484-18501页 * |
Neural Network Detection of MSK Signals;O.A.Morozov 等;《2009 IEEE 13th Digital Signal Processing Workshop and 5th IEEE Signal Processing Education Workshop》;20090220;第594-596页 * |
Time-Series modeling with undecimated fully convolutional neural networks;Roni Mittelman;《arXiv》;20150803;第1-9页 * |
基于生成对抗网络的语音增强算法研究;柯健等;《信息技术与网络安全》;20180510(第05期);第54-57页 * |
复合调制通信信号的分析识别;谭彦婷;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180915;第I136-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109543643A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
Zeng et al. | Spectrum analysis and convolutional neural network for automatic modulation recognition | |
CN109379311B (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN113221781B (zh) | 一种基于多任务深度卷积神经网络的载波信号检测方法 | |
CN112904282A (zh) | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 | |
CN113298846A (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
US20240283476A1 (en) | System and method of noise reduction | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
CN111951611A (zh) | 基于多特征融合的ads-b微弱信号检测装置及方法 | |
CN114710215B (zh) | 一种跳频信号快速盲检测的方法 | |
CN118115853A (zh) | 一种基于轻量化全卷积神经网络的宽带信号检测方法 | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Guo et al. | Radar signal recognition based on FCBF and Adaboost algorithm | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
Lee et al. | Generative adversarial network-based signal inpainting for automatic modulation classification | |
CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
CN103873163A (zh) | 一种基于渐近步长的稀疏度自适应压缩频谱感知方法 | |
Liu et al. | Recognition of overlapped frequency hopping signals based on fully convolutional networks |
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 |