CN109617843A - 一种基于knn的弹性光网络调制格式识别方法 - Google Patents
一种基于knn的弹性光网络调制格式识别方法 Download PDFInfo
- Publication number
- CN109617843A CN109617843A CN201811623322.6A CN201811623322A CN109617843A CN 109617843 A CN109617843 A CN 109617843A CN 201811623322 A CN201811623322 A CN 201811623322A CN 109617843 A CN109617843 A CN 109617843A
- Authority
- CN
- China
- Prior art keywords
- data
- subcarrier
- modulation format
- knn
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于KNN的弹性光网络调制格式识别方法,具体步骤为:(1)构造训练数据,将训练数据从发送端发送,经OFDM传输系统传输后,在接收端接收信号;(2)对接收到的信号进行FFT,经信道估计和信道均衡后,得到一系列复数数据;(3)对复数数据取实部,获得实部直方图,对直方图进行预处理,获得特征向量;(4)使用KNN算法对特征进行建模,获得分类器;(5)对于新接收到的数据,获得各子载波的数据特征,使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式;(6)使用得到的调制格式对各自在波数据进行解映射,获得原始数据。
Description
技术领域
本发明提供了一种使用统计机器学习方法-KNN算法来O-OFDM传输的信号进行调制格式识别的方法,为弹性光网络的智能传输提出了一种低成本的格式识别解决方案。
背景技术
随着互联网技术的飞速发展,语音、视频和高清电视等多媒体业务不断涌现,人们对网络带宽容量需求急剧增长。正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)在无线通信中是非常成熟的技术,应用于诸如 IEEE802.11G、IEEE802.16等,是当前频谱利用率最高的一种调制技术,它具有高数据传输率、高频谱利用率和对于频谱色散的高鲁棒性等优点。基本原理就是在时域内将高速的数据信息流分成若干个并行的低速数据流进行同属传输,在频域上将系统带宽划分为相互正交的子载波,每个子载波上采用独立的调制格式进行传输,有效地提高频谱利用率及系统传输容量。
但无线信道的频谱资源十分有限,而光纤的信道频谱极宽,因此将电OFDM信号转化为光OFDM信号在光纤中传输的光正交频分复用(Optical Orthogonal DivisionMultiplexing,O-OFDM)技术有效结合二者优点,是非常富有前景的一项技术,可以用于弹性光网络传输中。
由于OFDM信号的不同子载波会因为用户的要求使用不同的调制格式,因此,接收端必须知道个子载波使用的调制格式,才能完整的解映射得到原始数据。目前已有的OFDM调制方式识别的方法主要有决策理论方法以及基于特征提取的统计模式识别方法。前者把调制方式识别问题看成一个多假设检验问题,有观察到的波形来选择一种调制方式,主要使用最大似然方法。然而,最大似然方法需要对最优分类器进行完全的数学描述,表达式通产比较复杂,优化过程可能比较困难。而基于特征提取的统计模式识别方法形式通常比较简单,易于实现,而且在某些条件下能够达到近似最优的识别性能。
发明内容
本发明的目的在于针对已有技术的不足,提供一种利用KNN分类器对O-OFDM 信号进行调制格式识别的方法,为有效识别O-OFDM信号提供一种简便、低成本的方法。
具体的,本发明采用下述方案:
一种基于KNN的弹性光网络调制格式识别方法,包括如下步骤:
步骤一:构造训练数据,将训练数据从发送端发送,经OFDM传输系统传输后,在接收端接收信号;
步骤二:对接收到的信号进行快速傅氏变换,利用OFDM信号中的长训练序列对数据进行信道估计和信道均衡后,得到一系列复数数据;
步骤三:对复数数据取实部,得到信号的实部直方图,再对直方图进行预处理,得到特征向量;
步骤四:使用KNN对特征向量进行训练,存储训练数据的所有特征向量,获得KNN分类器;
步骤五:对于新接收到的数据,获得各子载波的数据特征,使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式;
步骤六:使用得到的各子载波调制格式对信号进行解调,从而获得弹性光网络调制格式。
进一步的,所述步骤一中的构造训练数据包括:
对OFDM信号的各子载波进行比特加载,其中,所述OFDM信号为已知调制格式的OFDM信号;
将各子载波的调制格式作为各子载波训练数据的标签,将接收端各子载波数据及其子载波标签作为训练样本,得到训练数据。
进一步的,所述步骤三中对直方图进行预处理时,采用如下处理方法:
将得到的信号范围从-1.5到1.5之间分为100个小区间,每个小区间间隔为 0.03,对复数信号取实部做直方图,各数据点将随机落在各个区间内,对其出现频数进行统计;
对于每个区间,当该区间的数目大于256时,将该区间值设置为32;当该区间的数目小于32时,将该区间值设置为0;当该区间的数目介于32至256时,对该区间数目除8取整作为该区间值;
将各区间的值构造成列向量作为特征向量。
进一步的,所述步骤五中使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式包括:
使用欧几里得算法计算预测数据的特征与分类器中原始训练数据的特征之间的欧几里得距离;
将得到的距离进行排序,选择最小K次的距离所对应的分类构成一个分类集;
对分类集进行统计,选择分类集中数目最大的一个分类作为最终结果。
优选的,所述选择分类集中数目最大的一个分类作为最终结果包括:
选取最k次小的欧几里得距离的分类,取k个分类中数目最大的一个分类作为最终结果。
本发明提出的一种基于KNN的弹性光网络调制格式识别方法是一种利用统计机器学习方法KNN算法对O-OFDM传输信号的调制格式进行识别的方法,与现有技术相比较,具有如下显而易见的突出实质性特点和显著要点:本发明的所述方法利用直接接受的数据提取特征值,无需额外观察信号波形并异步采样得到异步幅度直方图,而是使用接收端接收到的数据提取特征构建分类器,再使用分类器对新接收到的信号进行调制格式识别,从而进行解调得到原始信号。算法实现简单,只涉及特征值之间的欧几里得距离计算,易于实现,适合在弹性光网络中使用。
附图说明
图1是本发明的一种基于KNN的弹性光网络调制格式识别方法的示意图;
图2A是在训练阶段OFDM信号的发射端和接收端示意图;
图2B是在预测阶段OFDM信号的发射端和接收端示意图;
图3是信道不是很理想时的信号取实部时的直方图;
图4是经过如下预处理后的直方图;
具体实施方式
下面结合图1-4以及具体实施例对本发明的技术方案作进一步说明。
本实例在本发明技术方案为前提下进行实施,给出了详细的实施方案、操作过程和实验结果,但本发明的适用范围不限于下述的实施例。
如图1所示为本发明的一种基于KNN的弹性光网络调制格式识别方法的示意图,图2A,2B是在训练阶段和预测阶段OFDM信号的发射端和接收端的示意图,详细的步骤说明如下:
实例一:
步骤一:构造训练数据,将训练数据从OFDM信号的发送端发送,经OFDM传输系统传输后,在OFDM信号的接收端接收信号;
具体的,所述构造训练数据包括如下步骤:
对OFDM信号的各子载波进行比特加载,其中,所述OFDM信号为已知调制格式的OFDM信号;
将各子载波的调制格式作为各子载波训练数据的标签,将接收端各子载波数据及其子载波标签作为训练样本,得到训练数据。
将得到的训练数据从OFDM信号的发送端发送,经OFDM传输系统传输后,在 OFDM信号的接收端接收信号。
各子载波的数据经接收端接收后作为训练数据用于预处理以便提取特征值。
步骤二:对接收到的信号进行快速傅氏变换,利用OFDM信号中的长训练序列对数据进行信道估计和信道均衡后,得到一系列复数数据。
步骤三:对复数数据取实部,得到信号的实部直方图,再对直方图进行预处理,得到特征向量。
其中,对直方图进行预处理时,采用如下处理方法:
将得到的信号范围从-1.5到1.5之间分为100个小区间,每个小区间间隔为 0.03,对复数信号取实部做直方图,各数据点将随机落在各个区间内,对其出现频数进行统计;
对于每个区间,当该区间的数目大于256时,将该区间值设置为32;当该区间的数目小于32时,将该区间值设置为0;当该区间的数目介于32至256时,对该区间数目除8取整作为该区间值;
将各区间的值构造成列向量作为特征向量。
如图3所示,图3是信道不是很理想时的信号取实部时的直方图,为减少计算量,各子载波我们随机取其中的6000个数据,可以看到该直方图有6个集中分布区域。
图4是经过如下预处理后的直方图:
对于-1.5到1.5之间的100个区间,当该区间的数目大于256时,将该区间值设置为32;当该区间的数目小于32时,将该区间值设置为0;当该区间的数目介于32至256时,对该区间数目除8取整作为该区间值。由图4可以看出,经预处理后,直方图的各区间值等比例缩小,但整体特征不仅并为改变,还变得更加明显。
步骤四:使用KNN对特征向量进行训练,更准确的描述是存储训练数据的所有特征向量,获得KNN分类器。
步骤五:对于新接收到的数据,先获得各子载波额数据特征,然后使用分类器对特征向量进行预测分类,得到该子载波的调制格式。
即对于未知调制格式的OFDM传输信号,对各个子载波数据进行预处理得到各子载波数据的特征,采用获得的分类器对新数据的特征进行预测分类,得到各子载波的调制格式。
其中,使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式包括:
使用欧几里得算法计算预测数据的特征与分类器中原始训练数据的特征之间的欧几里得距离;
将得到的距离进行排序,选择最小K次的距离所对应的分类构成一个分类集;
对分类集进行统计,选择分类集中数目最大的一个分类作为最终结果。这里选取最k次小的欧几里得距离的分类,取k个分类中数目最大的一个分类作为最终结果。
所述k次最近邻居算法(KNN)描述如下:
输入:训练数据集
T={(x1,y1),(x2,y2),…,(xN,yN)}
其中,为实例的特征向量,yi∈Y={c1,c2,…,ck}为实例的类别, i=1,2,…,N;实例特征向量x;
输出:实例x所属的类y.
根据给定的距离度量,使用欧几里得算法计算距离,在训练集T中找出与x 最邻近的k个点,涵盖这k个点的x的邻域记作Nk(x);
在Nk(x)中根据分类决策准则,如多数表决,决定x的类别y:
其中,I为指示函数,即当yi=cj时I为1,否则I为0.
步骤六:使用得到的各子载波调制格式对信号进行解调,从而获得弹性光网络调制格式。
本实施例中是使用得到的各子载波调制格式对信号进行解调,对于图4的分类结果y=5,则该子载波的调制格式为25=32QAM。
本发明通过针对性的寻找O-OFDM信号传输时不同QAM调制信号的特征,并选择合适的预处理方法获得特征,然后利用特征构造KNN分类器,从而对未知调制格式信号进行识别得到其调制格式,进而解调(解映射)获得原始信号。本发明所提出的方法,实际操作简单,易于实现对O-OFDM信号的调制格式识别。
以上所述仅是本发明优选实施方式。应当指出,对于本技术领域的普通技术员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应该视为本发明的保护范围。
Claims (5)
1.一种基于KNN的弹性光网络调制格式识别方法,其特征在于,其包括如下步骤:
步骤一:构造训练数据,将训练数据从发送端发送,经OFDM传输系统传输后,在接收端接收信号;
步骤二:对接收到的信号进行快速傅氏变换,利用OFDM信号中的长训练序列对数据进行信道估计和信道均衡后,得到一系列复数数据;
步骤三:对复数数据取实部,得到信号的实部直方图,再对直方图进行预处理,得到特征向量;
步骤四:使用KNN对特征向量进行训练,存储训练数据的所有特征向量,获得KNN分类器;
步骤五:对于新接收到的数据,获得各子载波的数据特征,使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式;
步骤六:使用得到的各子载波调制格式对信号进行解调,从而获得弹性光网络调制格式。
2.根据权利要求1所述的方法,其特征在于,所述步骤一中的构造训练数据包括:
对OFDM信号的各子载波进行比特加载,其中,所述OFDM信号为已知调制格式的OFDM信号;
将各子载波的调制格式作为各子载波训练数据的标签,将接收端各子载波数据及其子载波标签作为训练样本,得到训练数据。
3.根据权利要求1所述的方法,其特征在于,所述步骤三中对直方图进行预处理时,采用如下处理方法:
将得到的信号范围从-1.5到1.5之间分为100个小区间,每个小区间间隔为0.03,对复数信号取实部做直方图,各数据点将随机落在各个区间内,对其出现频数进行统计;
对于每个区间,当该区间的数目大于256时,将该区间值设置为32;当该区间的数目小于32时,将该区间值设置为0;当该区间的数目介于32至256时,对该区间数目除8取整作为该区间值;
将各区间的值构造成列向量作为特征向量。
4.根据权利要求1所述的方法,其特征在于,所述步骤五中使用KNN分类器对特征向量进行预测分类,得到该子载波的调制格式包括:
使用欧几里得算法计算预测数据的特征与分类器中原始训练数据的特征之间的欧几里得距离;
将得到的距离进行排序,选择最小K次的距离所对应的分类构成一个分类集;
对分类集进行统计,选择分类集中数目最大的一个分类作为最终结果。
5.根据权利要求1所述的方法,其特征在于,所述选择分类集中数目最大的一个分类作为最终结果包括:
选取最k次小的欧几里得距离的分类,取k个分类中数目最大的一个分类作为最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811623322.6A CN109617843B (zh) | 2018-12-28 | 2018-12-28 | 一种基于knn的弹性光网络调制格式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811623322.6A CN109617843B (zh) | 2018-12-28 | 2018-12-28 | 一种基于knn的弹性光网络调制格式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109617843A true CN109617843A (zh) | 2019-04-12 |
CN109617843B CN109617843B (zh) | 2021-08-10 |
Family
ID=66012282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811623322.6A Active CN109617843B (zh) | 2018-12-28 | 2018-12-28 | 一种基于knn的弹性光网络调制格式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109617843B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048781A (zh) * | 2019-04-17 | 2019-07-23 | 武汉邮电科学研究院有限公司 | 一种光信号调制格式的识别方法及装置 |
CN110247710A (zh) * | 2019-05-10 | 2019-09-17 | 北京邮电大学 | 基于光ofdm空载波位置编码的多维调制信号处理方法及装置 |
CN110381002A (zh) * | 2019-07-18 | 2019-10-25 | 黄山市上光科技有限公司 | 一种基于svm的qam-ofdm均衡算法 |
CN111970050A (zh) * | 2020-07-14 | 2020-11-20 | 电子科技大学 | 一种基于异常检测的联合监测调制格式和光信噪比的系统 |
CN112910813A (zh) * | 2021-04-10 | 2021-06-04 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
CN116680608A (zh) * | 2023-05-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于复数图卷积神经网络的信号调制识别方法 |
CN117155748A (zh) * | 2023-10-27 | 2023-12-01 | 四川轻化工大学 | 基于多维幅度分布特征的调制格式识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
US8155245B2 (en) * | 2007-12-26 | 2012-04-10 | Kabushiki Kaisha Toshiba | Modulation scheme estimation apparatus and method |
US20140078925A1 (en) * | 2010-09-21 | 2014-03-20 | Anite Finland Oy | Apparatus and Method for Communication |
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108985339A (zh) * | 2018-06-21 | 2018-12-11 | 浙江工业大学 | 一种基于目标识别与knn算法的超市仓库货物识别分类方法 |
-
2018
- 2018-12-28 CN CN201811623322.6A patent/CN109617843B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155245B2 (en) * | 2007-12-26 | 2012-04-10 | Kabushiki Kaisha Toshiba | Modulation scheme estimation apparatus and method |
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
US20140078925A1 (en) * | 2010-09-21 | 2014-03-20 | Anite Finland Oy | Apparatus and Method for Communication |
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108985339A (zh) * | 2018-06-21 | 2018-12-11 | 浙江工业大学 | 一种基于目标识别与knn算法的超市仓库货物识别分类方法 |
Non-Patent Citations (2)
Title |
---|
JINGJING ZHANG, BINGBING LI: ""A new modulation identification scheme for OFDM in Multipath Rayleigh Fading channel"", 《2008 INTERNATIONAL SYMPOSIUM ON COMPUTER SCIENCE AND COMPUTATIONAL TECHNOLOGY》 * |
陈家佑,白成林: ""基于高阶循环累积量的OFDM_弹性光网络信号调制格式识别"", 《光电子 激光》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048781A (zh) * | 2019-04-17 | 2019-07-23 | 武汉邮电科学研究院有限公司 | 一种光信号调制格式的识别方法及装置 |
CN110247710A (zh) * | 2019-05-10 | 2019-09-17 | 北京邮电大学 | 基于光ofdm空载波位置编码的多维调制信号处理方法及装置 |
CN110247710B (zh) * | 2019-05-10 | 2020-07-31 | 北京邮电大学 | 基于光ofdm空载波位置编码的多维调制信号处理方法及装置 |
CN110381002A (zh) * | 2019-07-18 | 2019-10-25 | 黄山市上光科技有限公司 | 一种基于svm的qam-ofdm均衡算法 |
CN111970050A (zh) * | 2020-07-14 | 2020-11-20 | 电子科技大学 | 一种基于异常检测的联合监测调制格式和光信噪比的系统 |
CN111970050B (zh) * | 2020-07-14 | 2022-03-15 | 电子科技大学 | 一种基于异常检测的联合监测调制格式和光信噪比的系统 |
CN112910813A (zh) * | 2021-04-10 | 2021-06-04 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
CN113141325B (zh) * | 2021-04-14 | 2022-07-19 | 北京邮电大学 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
CN116680608A (zh) * | 2023-05-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于复数图卷积神经网络的信号调制识别方法 |
CN117155748A (zh) * | 2023-10-27 | 2023-12-01 | 四川轻化工大学 | 基于多维幅度分布特征的调制格式识别方法 |
CN117155748B (zh) * | 2023-10-27 | 2024-01-23 | 四川轻化工大学 | 基于多维幅度分布特征的调制格式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109617843B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109617843B (zh) | 一种基于knn的弹性光网络调制格式识别方法 | |
Shi et al. | Deep learning-based automatic modulation recognition method in the presence of phase offset | |
Abdelmutalab et al. | Automatic modulation classification based on high order cumulants and hierarchical polynomial classifiers | |
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
Zerhouni et al. | Filtered multicarrier waveforms classification: a deep learning-based approach | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
Ghasemzadeh et al. | Performance evaluation of feature-based automatic modulation classification | |
CN110381002A (zh) | 一种基于svm的qam-ofdm均衡算法 | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
Huynh-The et al. | Efficient convolutional networks for robust automatic modulation classification in OFDM-based wireless systems | |
Zhang et al. | Automatic space-time block code recognition using convolutional neural network with multi-delay features fusion | |
Huynh-The et al. | Chain-Net: Learning deep model for modulation classification under synthetic channel impairment | |
CN109274626A (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN110944002B (zh) | 一种基于指数平均数据增强的物理层认证方法 | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
CN117425152A (zh) | 一种动态自适应的移动设备射频指纹识别方法和装置 | |
Kim et al. | Automatic modulation classification using relation network with denoising autoencoder | |
CN114978593B (zh) | 基于图匹配的不同网络环境的加密流量分类方法及系统 | |
Lu et al. | TCFOM: a robust traffic classification framework based on OC-SVM combined with MC-SVM | |
Yuan et al. | Automatic modulation classification for MIMO-OFDM systems with imperfect timing synchronization | |
CN115935252A (zh) | 基于自监督对比学习的通信信号调制样式识别方法和装置 | |
CN107135180A (zh) | Ofdm系统信号发送和接收方法 | |
CN115065975A (zh) | 一种融合特征提取方法以及频谱感知方法和系统 | |
CN111404852B (zh) | 基于振幅和频谱幅度特征的调制方式识别方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221109 Address after: 201900 Zone B, Floor 5, Building 1, No. 668, Shangda Road, Baoshan District, Shanghai Patentee after: Shanghai Tianyu Optical Communication Technology Co.,Ltd. Address before: 217, building 12, No. 333, Nanchen Road, Baoshan District, Shanghai 200072 Patentee before: SHANGHAI KENGCHENG INTELLIGENT TECHNOLOGY Co.,Ltd. |