CN109905340B - 一种特征优化函数选取方法、装置及电子设备 - Google Patents
一种特征优化函数选取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109905340B CN109905340B CN201910181345.4A CN201910181345A CN109905340B CN 109905340 B CN109905340 B CN 109905340B CN 201910181345 A CN201910181345 A CN 201910181345A CN 109905340 B CN109905340 B CN 109905340B
- Authority
- CN
- China
- Prior art keywords
- functions
- fitness
- initial
- feature optimization
- optimization
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种特征优化函数选取方法、装置及电子设备。按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数。应用本发明实施例选取出的特征优化函数,可以针对多个适应度函数对原始特征进行优化,优化效果更加全面,使得不同类别调制信号的特征经过特征优化函数优化后区别更大,从而进一步提高对无线数字信号调制方式的识别率。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种特征优化函数选取方法、装置及电子设备。
背景技术
随着无线通信标准和无线信号种类的飞速发展,为了保障无线通信系统被高效利用以及无线通信系统的运行安全,需要对无线数字信号的调制方式进行识别,从而监测无线通信系统。
其中,基于特征的调制方式识别方法,是从无线数字信号中提取一系列特征,然后根据这些特征判断无线数字信号的调制方式,该方法由于计算复杂度较低、鲁棒性较高等特点,广泛应用于无线数字信号识别技术领域。然而,在实际工作环境中,尤其在信噪比较低、采样点数较少的情况下,噪声和干扰的影响会使得不同调制方式信号的特征互相混淆,导致识别率低。现有技术针对不同调制方式信号的特征互相混淆的问题,提出通过基因编程算法,对无线数字信号的原始特征进行优化,从而增强不同类别的调制信号之间的差异,提高识别率。
但是,通过现有技术的识别方法,只能针对一个适应度函数对无线数字信号的原始特征进行优化,这会造成优化效果不全面,不同类别调制信号之间的差异仍不够大,导致最终识别率不高。例如,现有技术只能针对分类准确率函数这一个适应度函数对原始特征进行优化,当信号出现相位\频率抖动或漂移时,识别率便会降低。
发明内容
本发明实施例的目的在于提供一种特征优化函数选取方法、装置及电子设备,以实现针对多个适应度函数对无线数字信号原始特征进行优化,达到进一步提高识别率的目的。具体技术方案如下:
为达上述目的,本发明实施例提供了一种特征优化函数选取方法,包括:
按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;
采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数。
进一步的,所述多目标排序算法为非支配性排序基因算法;
所述采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数的步骤,包括:
根据每个所述初始特征优化函数的所述多个适应度,计算每个所述初始特征优化函数的支配度;
将所述支配度为零的所述初始特征优化函数确定为帕累托特征优化函数;
根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数。
进一步的,采用如下步骤生成所述预设数量的初始特征优化函数,包括:
采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数。
进一步的,所述多个预设适应度函数中包含分类准确率函数;
所述预定的所述多个适应度的优先级中,所述准确率适应度的优先级最高;
采用如下步骤生成所述预设数量的初始特征优化函数,包括:
采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数,将组合后的所述子种群与所述初代种群,作为目标种群;
所述按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度的步骤,包括:
获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度;
所述根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数的步骤,包括:
若所述基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在所述分类准确率适应度大于预设阈值的所述帕累托特征优化函数;
若不存在,则按照每个所述初始特征优化函数的所述支配度从小到大的顺序,选取所述预设数量一半的所述初始特征优化函数组成新种群,对所述新种群中的特征优化函数执行选择性遗传操作,将所得到的所述预设数量一半的特征优化函数和所述新种群的特征优化函数组成下一代种群,并将所述目标种群更新为所述下一代种群,返回执行所述使用所述预设数量的初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征的步骤;
若存在,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数;
若所述基因编程算法的遗传代数不小于预设最大遗传代数,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数。
进一步的,所述多个预设适应度函数中包含分类准确率函数;
所述按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度的步骤,包括:
获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度。
进一步的,所述多个预设适应度函数中包含方差鲁棒性函数;
所述按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度的步骤,包括:
在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号;
获取所述多个偏移信号的第二原始特征;
使用所述初始特征优化函数,分别对所述多个偏移信号的第二原始特征进行优化,得到所述多个偏移信号的第二优化特征;
分别计算每个所述偏移信号的第二优化特征的类内方差,以及每个所述偏移信号的第二优化特征与其他所述偏移信号的第二优化特征的类间方差;
将所述类间方差与所述类内方差的比值,确定为所述初始特征优化函数的方差鲁棒性适应度。
进一步的,所述方法还包括:
使用所述最优特征优化函数,对待识别无线数字信号的调制方式进行识别。
本发明实施例还提供了一种特征优化函数选取装置,包括:
适应度计算模块,用于按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;
优化函数选取模块,用于采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数。
进一步的,所述多目标排序算法为非支配性排序基因算法;
所述优化函数选取模块,包括:
第一子模块,用于根据每个所述初始特征优化函数的所述多个适应度,计算每个所述初始特征优化函数的支配度;
第二子模块,用于将所述支配度为零的所述初始特征优化函数确定为帕累托特征优化函数;
第三子模块,用于根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数。
进一步的,所述装置还包括:
初始函数生成模块,用于采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数。
进一步的,所述多个预设适应度函数中包含分类准确率函数;
所述预定的所述多个适应度的优先级中,所述分类准确率适应度的优先级最高;
所述装置还包括:
初始函数生成模块,用于采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数,将组合后的所述子种群与所述初代种群,作为目标种群;
所述优化函数选取模块,具体用于获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度;
所述第三子模块,具体用于若所述基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在所述分类准确率适应度大于预设阈值的所述帕累托特征优化函数;
若不存在,则按照每个所述初始特征优化函数的所述支配度从小到大的顺序,选取所述预设数量一半的所述初始特征优化函数组成新种群,对所述新种群中的特征优化函数执行选择性遗传操作,将所得到的所述预设数量一半的特征优化函数和所述新种群的特征优化函数组成下一代种群,并将所述目标种群更新为所述下一代种群,返回执行所述使用所述预设数量的初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征的步骤;
若存在,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数;
若所述基因编程算法的遗传代数不小于预设最大遗传代数,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数。
进一步的,所述多个预设适应度函数中包含分类准确率函数;
所述优化函数选取模块,具体用于获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度。
进一步的,所述多个预设适应度函数中包含方差鲁棒性函数;
所述优化函数选取模块,具体用于在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号;
获取所述多个偏移信号的第二原始特征;
使用所述初始特征优化函数,分别对所述多个偏移信号的第二原始特征进行优化,得到所述多个偏移信号的第二优化特征;
分别计算每个所述偏移信号的第二优化特征的类内方差,以及每个所述偏移信号的第二优化特征与其他所述偏移信号的第二优化特征的类间方差;
将所述类间方差与所述类内方差的比值,确定为所述初始特征优化函数的方差鲁棒性适应度。
进一步的,所述装置还包括:
识别模块,用于使用所述最优特征优化函数,对待识别无线数字信号的调制方式进行识别。
本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一特征优化函数选取的方法步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一特征优化函数选取的方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的特征优化函数选取方法。
本发明实施例提供的特征优化函数选取方法,按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;采用多目标排序算法,基于每个初始特征优化函数的多个适应度,从预设数量的初始特征优化函数中,选取最优特征优化函数。
采用本发明实施例提供的上述方法,选取出的特征优化函数可以针对多个适应度函数对原始特征进行优化,优化效果更加全面,使得不同类别调制信号的特征经过特征优化函数优化后区别更大,从而进一步提高对无线数字信号调制方式的识别率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种特征优化函数选取方法的流程示意图;
图2为本发明实施例提供的另一种特征优化函数选取方法的流程示意图;
图3为本发明实施例提供的一种生成初始特征优化函数的流程示意图;
图4为本发明实施例提供的另一种特征优化函数选取方法的流程示意图;
图5为本发明实施例提供的一种计算方差鲁棒性适应度的流程示意图;
图6为本发明实施例提供的一种无线数字信号的调制方式识别方法的流程示意图;
图7为本发明实施例提供的一种特征优化函数选取装置的结构示意图;
图8为本发明实施例提供的方法对提升分类准确率的一种效果仿真图;
图9为本发明实施例提供的方法对提升分类准确率的另一种效果仿真图;
图10为本发明实施例提供的方法对提升分类准确率的另一种效果仿真图;
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1为本发明实施例提供的一种特征优化函数选取方法的流程示意图,可以包括如下步骤:
步骤101:按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度。
具体的,多个适应度函数可以根据实际需要进行设置,例如,可以是分类准确率函数和方差鲁棒性函数;初始特征优化函数可以是随机生成的,例如,随机生成预设数量为2N的初始特征优化函数。
步骤102:采用多目标排序算法,基于每个初始特征优化函数的多个适应度,从预设数量的初始特征优化函数中,选取最优特征优化函数。
具体的,可以选择多种多目标排序算法,从预设数量的特征优化函数中,选取多个适应度均较好的初始特征优化函数,作为最优特征优化函数。
可以理解的是,该最优特征优化函数,是多个适应度均较好的初始特征优化函数,是指其他初始特征函数的多个适应度中,都至少有一个适应度比该最优特征优化函数的该适应度差。
采用本发明实施例提供的上述特征优化函数选取方法,不再是只能针对一个适应度函数对无线数字信号的原始特征进行优化,而是可以实现针对多个适应度函数对无线数字信号的原始特征进行优化,达到进一步提高识别率的目的。
本发明实施例还提供了一种采用非支配性排序算法,基于每个所述初始特征优化函数的多个适应度,从预设数量的初始特征优化函数中,选取最优特征优化函数的方法,参见图2,可以包括以下步骤:
步骤201:根据每个初始特征优化函数的多个适应度,计算每个初始特征优化函数的支配度。
具体的,一个初始特征优化函数的支配度,是指多个适应度均比该初始特征优化函数的多个适应度好的初始特征优化函数的个数;
例如,有六个初始特征优化函数A、B、C、D、E、F,预设两个适应度函数分别为分类准确率函数和方差鲁棒性函数,计算得到:
A的分类准确率适应度为90%,方差鲁棒性适应度为10;
B的分类准确率适应度为91%,方差鲁棒性适应度为12;
C的分类准确率适应度为89%,方差鲁棒性适应度为9;
D的分类准确率适应度为60%,方差鲁棒性适应度为2;
E的分类准确率适应度为95%,方差鲁棒性适应度为7;
F的分类准确率适应度为60%,方差鲁棒性适应度为3;
可以理解的是,特征优化函数的准确率适应度和方差鲁棒性适应度的值越高,表明该特征优化函数的该适应度越好;
六个特征优化函数中,两个适应度均比A好的特征优化函数仅有B,所以A的支持度为1;
六个特征优化函数中,不存在两个适应度均比B好的特征优化函数,所以B的支持度为0;
六个特征优化函数中,两个适应度均比C好的特征优化函数为A和B,所以C的支持度为2;
六个特征优化函数中,两个适应度均比D好的特征优化函数为A、B、C、E,所以D的支持度为4;
六个特征优化函数中,不存在两个适应度均比E好的特征优化函数,所以E的支持度为0;
六个特征优化函数中,两个适应度均比F好的特征优化函数为A、B、C、E,所以F的支持度为4。
步骤202:将支配度为零的初始特征优化函数确定为帕累托特征优化函数。
可以理解的是,支持度为零的初始特征优化函数可能仅有一个,也可能有多个,例如上述例子中,支持度为零的初始特征优化函数为B和E,则将B和E确定为帕累托特征优化函数。
步骤203:根据预定的多个适应度的优先级,在帕累托特征优化函数中,选取最优特征优化函数。
具体的,可以根据需要,预先设定多个适应度的优先级,例如,在分类准确率适应度与方差鲁棒性适应度中,设定分类准确率适应度的优先级更高,在上述例子中,B和E均为帕累托特征优化函数,而E的分类准确率适应度比B好,则选取E作为最优特征优化函数。
本发明实施例还提供了一种生成预设数量的初代特征优化函数的方法,参见图3,可以包括以下步骤:
步骤301:采用基因编程算法,随机初始化初代种群,该初代种群中包含预设数量一半的个体,该个体为初始特征优化函数。
需要说明的是,基因编程算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法;
在基因编程算法中,种群是由经过基因编码的一定数目的个体组成的;在本发明实施例中,个体为特征优化函数。
步骤302:对初代种群的个体执行选择性遗传操作,得到包括预设数量一半的初始特征优化函数的子种群,子种群中的初始特征优化函数与初代种群中的初始特征优化函数,作为预设数量的初始特征优化函数。
具体的,对初代种群的个体执行选择性遗传操作,可以是对初代种群的个体执行交叉、变异、繁殖等基因算子操作,从而得到初代种群的子种群,为了保持种群数量的稳定,可以对子种群的个体数量进行控制,使得子种群的个体数量与初代种群的个体数量相等。
例如,随机生成个体数量为N的初代种群,对N个初代种群的个体执行交叉、变异、繁殖等基因算子操作,得到个体数量为N的子种群,N个初代种群的个体和N个子种群的个体,作为2N个初始特征优化函数。
采用上述步骤生成初始特征优化函数,对随机生成的特征优化函数进行了选择性遗传操作,子种群中的特征优化函数的适应度会比初代种群中的特征优化函数的适应度更好,生成的初始特征优化函数的适应度更好,更易于选取出最优特征优化函数。
本发明实施例还提供了一种特征优化函数选取的方法,多个预设适应度函数中包含分类准确率适应度,并将分类准确率适应度的优先级设置为最高,参见图4,可以包括以下步骤:
步骤401:获取样本无线数字信号的第一原始特征。
具体的,样本无线数字信号是用于训练特征优化函数的无线数字信号,该无线数字信号可以为:
其中,r(n)是在时隙n的信号,A是信号幅度,T是样本时间,x(l)表示第l个样本序列,g(n)是高斯白噪声;
获取该样本无线数字信号的第一原始特征,可以是通过对该无线数字信号进行统计计算得到的特征矩阵;该第一原始特征可以是该无线数字信号的循环累积量特征或循环谱特征等信号统计特征。
步骤402:采用基因编程算法,生成预设数量的初始特征优化函数。
具体的,采用基因编程算法,随机初始化初代种群,初代种群中包含预设数量一半的个体,该个体为初始特征优化函数;
对初代种群的个体执行选择性遗传操作,得到包括预设数量一半的初始特征优化函数的子种群,子种群中的初始特征优化函数与初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数,将组合后的子种群与所述初代种群,作为目标种群。
步骤403:使用预设数量的初始特征优化函数,分别对第一原始特征进行优化,得到预设数量的第一优化特征。
例如,可以使用2N个初始特征优化函数,分别对第一原始特征进行优化,得到2N个第一优化特征。
步骤404:按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度。
具体的,按照分类准确率函数,分别计算预设数量的初始特征优化函数的分类准确率适应度的步骤,可以包括:
针对每个初始特征优化函数,将该初始特征优化函数的第一优化特征按照预设比例拆分为训练集和验证集,根据训练集,训练逻辑斯蒂回归分类器,并通过验证集验证训练好的逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度。
例如,通过2N个初始特征优化函数优化得到了2N个第一优化特征,该每个第一优化特征是与第一原始特征对应的特征矩阵,分别将每个第一优化特征按照预定比例拆分为训练集和验证集,例如,将每个第一优化特征,按照4:1的比例,拆分为训练集和验证集;
根据训练集训练逻辑斯蒂回归分类器的步骤为现有技术,这里不再赘述;
根据验证集,验证训练好的逻辑斯蒂回归分类器的分类准确率,作为该第一优化特征对应的初始特征优化函数的分类准确率适应度。
步骤405:采用非支配性排序基因算法,基于每个所述初始特征优化函数的多个适应度,确定帕累托特征优化函数。
步骤406:判断基因编程算法的遗传代数是否小于预设最大遗传代数。
具体的,为了控制基因编程算法的复杂度,可以预设一个最大遗产代数,例如200代,当基因编程算法的遗传代数大于或等于200代时,便停止进行基因编程算法。
步骤407:若基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在分类准确率适应度大于预设阈值的帕累托特征优化函数。
具体的,可以根据需要预设一个分类准确率适应度的阈值,例如99%,判断帕累托特征优化函数中,是否存在分类准确率适应度大于99%的特征优化函数。
步骤408:若不存在分类准确率适应度大于预设阈值的帕累托特征优化函数,则按照每个初始特征优化函数的支配度从小到大的顺序,选取预设数量一半的初始特征优化函数组成新种群,对新种群中的特征优化函数执行选择性遗传操作,将所得到的预设数量一半的特征优化函数和新种群的特征优化函数组成下一代种群,并将目标种群更新为下一代种群,返回执行使用所述预设数量的初始特征优化函数,分别对所述第一原始特征进行优化,得到预设数量的第一优化特征的步骤。
例如,预设的分类准确率适应度阈值为99%,生成了A、B、C、D、E、F六个初始特征优化函数;
A、B、C、D、E、F六个初始特征优化函数中,A的分类准确率适应度为90%,B的分类准确率适应度为91%,C的分类准确率适应度为89%,D的分类准确率适应度为60%,E的分类准确率适应度为95%,F的分类准确率适应度为60%;
A的支持度为1,B的支持度为0,C的支持度为2,D的支持度为4,E的支持度为0,F的支持度为4;
A、B、C、D、E、F中不存在分类准确率适应度大于99%的初始特征优化函数,按照支配度从小到大的顺序选取三个初始特征优化函数组成新种群,也就是选取B、E、A组成新种群;
对B、E、A进行选择性遗传操作,得到B1、E1、A1,将B、E、A、B1、E1、A1组成下一代种群,并将上述目标种群中的A、B、C、D、E、F的六个特征优化函数,更新为B、E、A、B1、E1、A1;
返回执行使用B、E、A、B1、E1、A1,分别对第一原始特征进行优化,得到六个第一优化特征的步骤。
步骤409:将分类准确率适应度最大的帕累托特征优化函数确定为最优特征优化函数。
若存在分类准确率适应度大于预设阈值的帕累托特征优化函数,则执行步骤409。
例如,预设的分类准确率适应度阈值为89%,上例中,A、B、C、D、E、F六个初始特征优化函数中,A的分类准确率适应度为90%,B的分类准确率适应度为91%,C的分类准确率适应度为89%,D的分类准确率适应度为60%,E的分类准确率适应度为95%,F的分类准确率适应度为60%;
B、E为帕累托特征优化函数,且B、E的分类准确率适应度均大于89%,将分类准确率适应度最大的E,确定为最优特征优化函数。
若基因编程算法的遗传代数不小于预设最大遗传代数,则执行步骤409。
例如,预设最大遗传代数为200代,当基因编程算法的遗传代数达到200代时,则停止基因编程算法,将第200代的目标种群中分类准确率适应度最大的帕累托特征优化函数,确定为最优特征优化函数。
本发明实施例还提供了方差鲁棒性函数,参见图5,计算预设数量的初始特征优化函数的方差鲁棒性适应度,可以包括以下步骤:
步骤501:在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号。
步骤502:获取多个偏移信号的第二原始特征。
具体的,第二原始特征可以是偏移信号的循环累积量特征或循环谱特征等信号统计特征。
步骤503:使用初始特征优化函数,分别对多个偏移信号的第二原始特征进行优化,得到多个偏移信号的第二优化特征。
步骤504:分别计算每个偏移信号的第二优化特征的类内方差,以及每个偏移信号的第二优化特征与其他偏移信号的第二优化特征的类间方差。
步骤505:将类间方差与类内方差的比值,确定为初始特征优化函数的方差鲁棒性适应度。
其中,n为调制方式的类别数目,vi为第i种调制识别方式的方差,该式中的分母为类内方差,分子为类间方差,类间方差与类内方差的比值越大,则表示该调制方式的第二优化特征的类内相似度越大,该调制方式的第二优化特征与其他调制方式的第二优化特征的类间相似度越小,则该第二优化特征对应的初始特征优化函数对相位漂移的鲁棒性越好。
本发明实施例还提供了一种无线数字信号的调制方式识别方法,参见图6,可以包括以下步骤:
步骤601:获取待识别无线数字信号的原始特征。
步骤602:使用最优特征优化函数对原始特征进行优化,得到优化特征。
步骤603:采用机器学习方法,根据优化特征,识别待识别无线数字信号的调制方式。
具体的,机器学习方法可以是逻辑斯蒂回归法、支持向量法或神经网络法等。
基于同一发明构思,根据本发明实施例提供的上述特征优化函数选取方法,相应地,本发明实施例还提供了一种特征优化函数选取装置,其结构示意图如图7所示,具体包括:
适应度计算模块701,用于按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;
优化函数选取模块702,用于采用多目标排序算法,基于每个初始特征优化函数的多个适应度,从预设数量的初始特征优化函数中,选取最优特征优化函数。
进一步的,多目标排序算法为非支配性排序基因算法;
优化函数选取模块702,包括:
第一子模块7021,用于根据每个初始特征优化函数的多个适应度,计算每个初始特征优化函数的支配度;
第二子模块7022,用于将支配度为零的初始特征优化函数确定为帕累托特征优化函数;
第三子模块7023,用于根据预定的多个适应度的优先级,在帕累托特征优化函数中,选取最优特征优化函数。
进一步的,所述装置还包括:
初始函数生成模块703,用于采用基因编程算法,随机初始化初代种群,初代种群中包含预设数量一半的个体,个体为初始特征优化函数;
对初代种群的个体执行选择性遗传操作,得到包括预设数量一半的初始特征优化函数的子种群,子种群中的初始特征优化函数与初代种群中的初始特征优化函数,作为预设数量的初始特征优化函数。
进一步的,多个预设适应度函数中包含分类准确率函数;
预定的多个适应度的优先级中,分类准确率适应度的优先级最高;
初始函数生成模块703,用于采用基因编程算法,随机初始化初代种群,初代种群中包含预设数量一半的个体,个体为初始特征优化函数;
对初代种群的个体执行选择性遗传操作,得到包括预设数量一半的初始特征优化函数的子种群,子种群中的初始特征优化函数与初代种群中的初始特征优化函数,作为预设数量的初始特征优化函数,将组合后的子种群与初代种群,作为目标种群;
优化函数选取模块702,具体用于获取样本无线数字信号的第一原始特征;
使用预设数量的初始特征优化函数,分别对第一原始特征进行优化,得到预设数量的第一优化特征;
针对每个初始特征优化函数,将该初始特征优化函数的第一优化特征按照预设比例拆分为训练集和验证集,根据训练集,训练逻辑斯蒂回归分类器,并通过验证集验证训练好的逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度;
第三子模块7023,具体用于若基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在分类准确率适应度大于预设阈值的帕累托特征优化函数;
若不存在,则按照每个初始特征优化函数的支配度从小到大的顺序,选取预设数量一半的初始特征优化函数组成新种群,对新种群中的特征优化函数执行选择性遗传操作,将所得到的预设数量一半的特征优化函数和新种群的特征优化函数组成下一代种群,并将目标种群更新为下一代种群,返回执行使用预设数量的初始特征优化函数,分别对第一原始特征进行优化,得到预设数量的第一优化特征的步骤;
若存在,则将分类准确率适应度最大的帕累托特征优化函数确定为最优特征优化函数;
若基因编程算法的遗传代数不小于预设最大遗传代数,则将分类准确率适应度最大的帕累托特征优化函数确定为最优特征优化函数。
进一步的,多个预设适应度函数中包含分类准确率函数;
优化函数选取模块702,具体用于获取样本无线数字信号的第一原始特征;
使用预设数量的初始特征优化函数,分别对第一原始特征进行优化,得到预设数量的第一优化特征;
针对每个初始特征优化函数,将该初始特征优化函数的第一优化特征按照预设比例拆分为训练集和验证集,根据训练集,训练逻辑斯蒂回归分类器,并通过验证集验证训练好的逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度。
进一步的,多个预设适应度函数中包含方差鲁棒性函数;
优化函数选取模块702,具体用于在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号;
获取多个偏移信号的第二原始特征;
使用初始特征优化函数,分别对多个偏移信号的第二原始特征进行优化,得到多个偏移信号的第二优化特征;
分别计算每个偏移信号的第二优化特征的类内方差,以及每个偏移信号的第二优化特征与其他偏移信号的第二优化特征的类间方差;
将类间方差与类内方差的比值,确定为初始特征优化函数的方差鲁棒性适应度。
进一步的,该装置还包括:
识别模块704,用于使用最优特征优化函数,对待识别无线数字信号的调制方式进行识别。
采用本发明实施例提供的最优特征优化函数,对待识别数字信号的调制方式进行识别,在不同信噪比、不同采样点数条件下,分类准确率均高于现有技术中的单适应度优化方案,参见图8,其中,MOMC(Multi-Objective Modulation Classification,多目标调制分类识别)为使用本发明实施例提供的优化方法,GP-LR(Genetic Programming-LogisticRegression,基因编程-逻辑斯蒂回归结合算法)为使用现有技术的单适应度优化方法,N为对待识别无线数字信号的采样点数。
图9为在不同信噪比、采样点数为4096个条件下,使用多种优化方法的分类准确率仿真图,其中,MOMC为使用本发明实施例提供的优化方法,DFNN(Dynamic Fully ConnectedNeural Network,深度全连接神经网络)为使用深度全连接神经网络算法的优化方法,GP-KNN(Genetic Programming-K-Nearest Neighbor,基因编程-邻近算法结合算法)为使用单适应度优化方法与最邻近算法结合的优化方法,SVM(Support Vector Machine,支持向量机)为使用支持向量机方法;
从仿真图可以看出,使用本发明实施例提供的优化方法,在不同信噪比条件下,分类准确率较其他三种方法均为最高。
图10为加入不同相位偏移时,使用多种优化方法的分类准确率仿真图,其中,MOMC为使用本发明实施例提供的优化方法,DFNN为使用深度全连接神经网络算法的优化方法,GP-KNN为使用单适应度优化方法与最邻近算法结合的优化方法,SVM为使用支持向量机方法;
可以看出,采用本发明实施例提供的方法,分类准确率保持在99%上下,而使用其他三种方法,分类准确率随着相位偏移而明显降低,可见,本发明实施例提供的方法在信号出现相位偏移时,相比于现有技术的方法,进一步提升了识别的分类准确率。
本发明实施例还提供了一种电子设备,如图11所示,包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信,
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现如下步骤:
按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;
采用多目标排序算法,基于每个初始特征优化函数的多个适应度,从预设数量的初始特征优化函数中,选取最优特征优化函数。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一特征优化函数选取方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一特征优化函数选取方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种特征优化函数选取方法,其特征在于,包括:
按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;所述多个预设适应度函数为分类准确率函数或者方差鲁棒性函数;
采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数;
当所述多个预设适应度函数为所述方差鲁棒性函数时,所述按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度的步骤,包括:
获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度;
当所述多个预设适应度函数为方差鲁棒性函数时,所述按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度的步骤,包括:
在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号;
获取所述多个偏移信号的第二原始特征;
使用所述初始特征优化函数,分别对所述多个偏移信号的第二原始特征进行优化,得到所述多个偏移信号的第二优化特征;
分别计算每个所述偏移信号的第二优化特征的类内方差,以及每个所述偏移信号的第二优化特征与其他所述偏移信号的第二优化特征的类间方差;
将所述类间方差与所述类内方差的比值,确定为所述初始特征优化函数的方差鲁棒性适应度。
2.根据权利要求1所述的方法,其特征在于,所述多目标排序算法为非支配性排序基因算法;
所述采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数的步骤,包括:
根据每个所述初始特征优化函数的所述多个适应度,计算每个所述初始特征优化函数的支配度;
将所述支配度为零的所述初始特征优化函数确定为帕累托特征优化函数;
根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数。
3.根据权利要求1所述的方法,其特征在于,采用如下步骤生成所述预设数量的初始特征优化函数,包括:
采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数。
4.根据权利要求2所述的方法,其特征在于,所述预定的所述多个适应度的优先级中,所述分类准确率适应度的优先级最高;
采用如下步骤生成所述预设数量的初始特征优化函数,包括:
采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数,将组合后的所述子种群与所述初代种群,作为目标种群;
所述根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数的步骤,包括:
若所述基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在所述分类准确率适应度大于预设阈值的所述帕累托特征优化函数;
若不存在,则按照每个所述初始特征优化函数的所述支配度从小到大的顺序,选取所述预设数量一半的所述初始特征优化函数组成新种群,对所述新种群中的特征优化函数执行选择性遗传操作,将所得到的所述预设数量一半的特征优化函数和所述新种群的特征优化函数组成下一代种群,并将所述目标种群更新为所述下一代种群,返回执行所述使用所述预设数量的初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征的步骤;
若存在,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数;
若所述基因编程算法的遗传代数不小于预设最大遗传代数,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数。
5.根据权利要求1所述的方法,其特征在于,还包括:
使用所述最优特征优化函数,对待识别无线数字信号的调制方式进行识别。
6.一种特征优化函数选取装置,其特征在于,包括:
适应度计算模块,用于按照多个预设适应度函数,分别计算预设数量的初始特征优化函数的多个适应度;所述多个预设适应度函数为分类准确率函数或者方差鲁棒性函数;
优化函数选取模块,用于采用多目标排序算法,基于每个所述初始特征优化函数的多个适应度,从所述预设数量的初始特征优化函数中,选取最优特征优化函数;
所述优化函数选取模块,具体用于
当所述多个预设适应度函数为所述方差鲁棒性函数时,获取样本无线数字信号的第一原始特征;
使用所述预设数量的所述初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征;
针对每个所述初始特征优化函数,将该初始特征优化函数的所述第一优化特征按照预设比例拆分为训练集和验证集,根据所述训练集,训练逻辑斯蒂回归分类器,并通过所述验证集验证训练好的所述逻辑斯蒂回归分类器的分类准确率,作为该初始特征优化函数的分类准确率适应度;
当所述多个预设适应度函数为所述方差鲁棒性函数时,在多个不同调制方式的样本无线数字信号中分别加入不同的相位偏移,得到多个偏移信号;
获取所述多个偏移信号的第二原始特征;
使用所述初始特征优化函数,分别对所述多个偏移信号的第二原始特征进行优化,得到所述多个偏移信号的第二优化特征;
分别计算每个所述偏移信号的第二优化特征的类内方差,以及每个所述偏移信号的第二优化特征与其他所述偏移信号的第二优化特征的类间方差;
将所述类间方差与所述类内方差的比值,确定为所述初始特征优化函数的方差鲁棒性适应度。
7.根据权利要求6所述的装置,其特征在于,所述多目标排序算法为非支配性排序基因算法;
所述优化函数选取模块,包括:
第一子模块,用于根据每个所述初始特征优化函数的所述多个适应度,计算每个所述初始特征优化函数的支配度;
第二子模块,用于将所述支配度为零的所述初始特征优化函数确定为帕累托特征优化函数;
第三子模块,用于根据预定的所述多个适应度的优先级,在所述帕累托特征优化函数中,选取最优特征优化函数。
8.根据权利要求7所述的装置,其特征在于,所述多个预设适应度函数中包含分类准确率函数;
所述预定的所述多个适应度的优先级中,所述分类准确率适应度的优先级最高;
所述装置还包括:
初始函数生成模块,用于采用基因编程算法,随机初始化初代种群,所述初代种群中包含预设数量一半的个体,所述个体为初始特征优化函数;
对所述初代种群的个体执行选择性遗传操作,得到包括所述预设数量一半的初始特征优化函数的子种群,所述子种群中的初始特征优化函数与所述初代种群中的初始特征优化函数,作为所述预设数量的初始特征优化函数,将组合后的所述子种群与所述初代种群,作为目标种群;
所述第三子模块,具体用于若所述基因编程算法的遗传代数小于预设最大遗传代数,则判断是否存在所述分类准确率适应度大于预设阈值的所述帕累托特征优化函数;
若不存在,则按照每个所述初始特征优化函数的所述支配度从小到大的顺序,选取所述预设数量一半的所述初始特征优化函数组成新种群,对所述新种群中的特征优化函数执行选择性遗传操作,将所得到的所述预设数量一半的特征优化函数和所述新种群的特征优化函数组成下一代种群,并将所述目标种群更新为所述下一代种群,返回执行所述使用所述预设数量的初始特征优化函数,分别对所述第一原始特征进行优化,得到所述预设数量的第一优化特征的步骤;
若存在,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数;
若所述基因编程算法的遗传代数不小于预设最大遗传代数,则将所述分类准确率适应度最大的所述帕累托特征优化函数确定为最优特征优化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181345.4A CN109905340B (zh) | 2019-03-11 | 2019-03-11 | 一种特征优化函数选取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181345.4A CN109905340B (zh) | 2019-03-11 | 2019-03-11 | 一种特征优化函数选取方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109905340A CN109905340A (zh) | 2019-06-18 |
CN109905340B true CN109905340B (zh) | 2020-04-24 |
Family
ID=66947075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181345.4A Active CN109905340B (zh) | 2019-03-11 | 2019-03-11 | 一种特征优化函数选取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109905340B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379507B2 (en) * | 2004-10-01 | 2008-05-27 | Industrial Technology Research Institute | Method and device for modulation recognition of digitally modulated signals with multi-level magnitudes |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708609B (zh) * | 2015-11-16 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种特征生成方法及系统 |
-
2019
- 2019-03-11 CN CN201910181345.4A patent/CN109905340B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379507B2 (en) * | 2004-10-01 | 2008-05-27 | Industrial Technology Research Institute | Method and device for modulation recognition of digitally modulated signals with multi-level magnitudes |
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 |
Non-Patent Citations (3)
Title |
---|
Automatic Modulation Classification Based Multiple Cumulants and Quasi-Newton Method for MIMO System;Yani Nie, Xu Shen, Sai Huang, Yifan Zhang, and Zhiyong Feng;《2017 IEEE Wireless Communications and Networking Conference (WCNC)》;20170322;全文 * |
Multi-gene Genetic Programming Based Modulation Classification Using Multinomial Logistic Regression;Yizhou Jiang, Sai Huang, Yifan Zhang, Zhiyong Feng;《2016 19th International Symposium on Wireless Personal Multimedia Communications (WPMC)》;20161127;全文 * |
一种计算机无线通信信号调制识别方法;杨雯迪;《通信技术》;20180831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109905340A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karim et al. | Decision tree and naive bayes algorithm for classification and generation of actionable knowledge for direct marketing | |
CN109918498B (zh) | 一种问题入库方法和装置 | |
WO2019149059A1 (zh) | 确定业务对应的决策策略的方法、装置和电子设备 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
EP1866814A2 (en) | Mahalanobis distance genetic algorithm method and system | |
WO2022227217A1 (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
CN110135681A (zh) | 风险用户识别方法、装置、可读存储介质及终端设备 | |
US20180247226A1 (en) | Classifier | |
WO2023024408A1 (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN112632609A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN114840857A (zh) | 基于深度强化学习与多级覆盖策略的智能合约模糊测试方法及系统 | |
CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
Ying et al. | FrauDetector+ An Incremental Graph-Mining Approach for Efficient Fraudulent Phone Call Detection | |
CN109905340B (zh) | 一种特征优化函数选取方法、装置及电子设备 | |
CN115600926A (zh) | 项目后评价方法、装置、电子设备及存储介质 | |
US20230041338A1 (en) | Graph data processing method, device, and computer program product | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
WO2021142914A1 (zh) | 基于双进化的流量数据类型集成分类方法及装置 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN116432507A (zh) | 一种锅炉烟气含氧量预测方法、装置和计算设备 | |
CN113988670A (zh) | 综合性企业信用风险预警方法及系统 |
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 |