CN109995690B - Mfsk数字信号子类调制识别的神经网络自优化方法 - Google Patents
Mfsk数字信号子类调制识别的神经网络自优化方法 Download PDFInfo
- Publication number
- CN109995690B CN109995690B CN201910263173.5A CN201910263173A CN109995690B CN 109995690 B CN109995690 B CN 109995690B CN 201910263173 A CN201910263173 A CN 201910263173A CN 109995690 B CN109995690 B CN 109995690B
- Authority
- CN
- China
- Prior art keywords
- point
- speed
- mfsk
- neural network
- modulation
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/10—Frequency-modulated carrier systems, i.e. using frequency-shift keying
- H04L27/106—M-ary FSK
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种MFSK数字信号子类调制识别的神经网络自优化方法,包括:对收到的调制信号进行解调,得到离散数据序列;对复数序列进行归一化;提取瞬时速度,求出速度随时间变化的离散映射;对离散映射平滑处理,求出速度以时间为自变量的平滑映射;求解稳定速度点,并投影到分布密度平面;训练卷积神经网络分类器模型,用于对MFSK子类调制信号进行分类;当置信度均低于预设的阈值时,加强平滑效果,并依次执行之后的步骤,直至识别置信度满足要求。本发明可在低信噪比,采样不足等实际通信情况下,实现对MFSK数字信号的调制识别,同时,自检测精度阈值并调整映射平滑度的设计使方法具有自优化精度功能。
Description
技术领域
本发明涉及无线电通信技术领域,特别是一种MFSK数字信号子类调制识别的神经网络自优化方法。
背景技术
数字通信信号调制方式的识别是信号处理研究的一个重要的课题,广泛应用于军用及民用领域。随着通信技术的飞速发展,通信信号的体制和调制样式变得更加复杂多样,信号环境日趋密集,使得常规的识别方法和理论很难适应实际需要,无法有效地对通信信号进行识别。近几十年来人们在通信信号的识别方面作了大量有益的探索,提出了很多新思路和新方法,目前调制识别常用算法有:
1、基于调制信号频率,幅度,相位等传统专家特征的决策识别;
2、根据信号星座图分布特征进行调制模式识别;
3、基于短时傅里叶变换的调制模式识别;
4、利用信号高阶累量进行调制模式识别。
以上调制识别算法的缺点分别在于:
(1)对于使用信号频率,幅度,相位等传统特征的识别方式,并没有考虑到载波频率,幅值等动态变化的因素;
(2)对于基于星座图的识别方式,频偏微量难以完全滤除,没有考虑到最终的累积频偏影响;
(3)对于基于短时傅里叶变换的识别方式,没有考虑到实际通信环境下噪声等因素的影响;
(4)对于利用信号高阶累量的识别方式,没有考虑到计算量的因素。
同时,现有方法还未考虑到当码速率与采样率配比不合理时损失信号的情况,以及低信噪比下识别准确率的问题。
发明内容
为解决现有技术中存在的问题,本发明的目的是提出一种MFSK数字信号子类调制识别的神经网络自优化方法,首先利用特征提取算法对MFSK子类调制信号进行预处理,并利用神经网络具有的高度非线性映射能力和强大的模式识别能力学习信号相关特征并对信号进行识别,并自动进行识别结果优化,本发明可有效地在低信噪比,接收信号存在频偏,信号不完整等非理想情况下,完成对MFSK调制信号的识别。
为实现上述目的,本发明采用的技术方案是:一种MFSK数字信号子类调制识别的神经网络自优化方法,包括以下步骤:
A、对接收机收到的MFSK子类调制信号进行IQ解调,分别得到I路和Q路的离散数据序列;
B、对I路和Q路离散数据序列组成的复数IQ序列进行归一化处理;可使用最大值归一化对每一位复数的模长进行归一化,最大值归一化公式为:
序列中每一位复数÷序列中最大的复数模长
或使用均值归一化对每一位复数进行归一,均值归一化公式为:
序列中每一位复数÷序列平均复数模长
具体的,在实际运用中可根据时间复杂度或运算量复杂度适当选取模长归一化方法;
C、提取每一个IQ点相对于接收坐标系的瞬时速度,求出速度随时间变化的离散映射;
D、通过滤波器对速度随时间变化的离散映射进行平滑处理,求出速度以时间为自变量的平滑映射;
E、通过平滑映射中的速度驻点并对其进行聚类得到速度平滑映射中的稳定速度点,并将速度点投射到平面上获得分布密度平面;
F、根据MFSK子类调制信号中3种FSK信号密度平面图的分布规律生成足量的训练数据集,训练卷积神经网络分类器模型,用于对MFSK子类调制信号中2FSK,4FSK,8FSK三种MFSK信号的密度平面进行识别并分类;
G、当步骤F中卷积神经网络分类器模型对MFSK子类调制信号识别结果的置信度均低于预设的阈值时,返回步骤D,自动对滤波器设置更大的窗口长度和使用更高阶多项式加强平滑效果,并依次执行之后的步骤,直至卷积神经网络分类器模型对MFSK子类调制信号的识别置信度高于预设的阈值。当出现神经网络最终输出识别结果的置信度低于预设的阈值时说明速度驻点聚类情况不佳,无法表征3种FSK子信号的频谱特征,产生这种不良聚类的原因是速度随时间映射的平滑程度不足,引入过多干扰点,因此需返回步骤D重新设置滤波器参数,对数据进行进一步平滑聚类,并重执行步骤E-G,直到神经网络的某一次识别置信度达到预设阈值置信度要求,实现识别精度的自动优化。
作为一种优选的实施方式,所述步骤G中,预设的置信度的阈值为40%-80%。
作为另一种优选的实施方式,所述步骤G中,预设的置信度的阈值为50%。
具体的,预设的置信度的阈值根据具体精度需进行设定。
作为另一种优选的实施方式,所述步骤C中,利用两两向量间的夹角计算IQ点的瞬时速度,得到全部IQ点角速度随时间变化的离散映射。具体的,当前时刻复数平面坐标系原点与本时刻IQ点形成的向量标记为A向量,上一个时刻复数平面坐标系原点与该时刻的IQ点形成的向量标记为B向量,A、B两向量之间的夹角即当前时刻IQ点相对于上一时刻的角位移,对所有IQ点循环执行以上步骤可求得每一个IQ点相对于上一个IQ点的角位移,由于IQ点间采样时间间隔相同,因此某一IQ点的角位移即该点的瞬时角速度,通过上述方式,可求得全部IQ点角速度随时间变化的离散映射。
作为另一种优选的实施方式,所述步骤D中,采用Savitzky-Golay滤波器在时域内基于局部多项式最小二乘拟合法对IQ点角速度随时间变化的离散映射进行平滑处理,拟合离散映射中的低频成分,并将高频成分平滑。具体的,本发明所使用的Savitzky-Golay滤波器窗口长度为51,使用的拟合多项式为3阶多项式,将速度随时间的非平滑映射转变为速度随时间的平滑映射,具体实施时,也可根据所需的平滑效果具体选取窗口长度和多项式阶数,当拟合效果不够平滑时,可进一步增大窗口长度和多项式阶数。
作为另一种优选的实施方式,所述步骤E中,使用速度驻点在50*50的平面密度分布情况表征速度驻点的聚类。使用一阶差分符号判别法,寻找速度随时间平滑映射中的速度驻点并对其进行聚类,具体的,上一时刻IQ点与本时刻IQ点的坐标差标记为α,本时刻IQ点与下一时刻IQ点的坐标差分标记为β,若α与β乘积为负数,则说明本轮计算的3个IQ点速度中存在速度驻点,循环对所有IQ速度点执行以上操作,可寻找出所有速度驻点并得到速度驻点的聚类分布情况,速度驻点聚类个数表征信号频谱具有的波峰个数,2FSK,4FSK,8FSK理论频谱波峰个数各不相同。在具体实施时,步骤D中平滑效果会直接影响到步骤E的聚类效果,因此需适当选取步骤D中平滑滤波器的参数。
作为另一种优选的实施方式,所述步骤F中,将分布密度平面中的密度矩阵作为卷积神经网络分类器模型的输入,利用神经网络的抽象学习能力学习输入的统计分布特征。本发明使用1个具有3层卷积层的神经网络作为信号分类识别模型,具体地,第1层卷积使用3*3卷积核,16张特征图提取输入特征,输出经过ReLU激活后进行3*3的池化处理,第2层卷积使用3*3卷积核,16张特征图,将第一层的输出作为输入,输出经过ReLU激活后进行3*3的池化处理,第3层卷积使用3*3卷积核,32张特征图,将第二层的输出作为输入,输出经过ReLU激活后进行3*3的池化处理,经过3层卷积池化处理后的输出数据进一步经过Dropout层和,最终通过32个神经元的全连接层和3个神经元的Softmax层输出识别结果,Softmax层输出一个长度为3的向量,向量中每个元素表示输入被识别为该类的概率,3个元素中最大概率所对应的分类,即为神经网络的最终识别结果。在具体实施时,还可进行BatchNormalization层替换Dropout层,AveragPooling层替换全连接层等高级优化操作,具体神经网络的结构可根据实际硬件设备计算能力进行调整。
作为另一种优选的实施方式,所述步骤G中,还包括先按照MFSK子类调制信号中2FSK,4FSK,8FSK的密度矩阵分布规律,通过随机改变数据分布并加入高斯白噪声,合成足够的仿真训练数据集供神经网络学习有效分布特征。
本发明的有益效果是:本发明的利用自优化神经网络实现识别MFSK数字信号子类调制的方法,可在低信噪比,采样不足等实际通信情况下,实现对MFSK数字信号的调制识别,同时,自检测精度阈值并调整映射平滑度的设计使方法具有自优化精度功能。
附图说明
图1为本发明实施例的流程框图;
图2a为本发明实施例中得到的典型2FSK密度分布示意图;
图2b为本发明实施例中得到的典型4FSK密度分布示意图;
图2c为本发明实施例中得到的典型8FSK密度分布示意图;
图3为本发明实施例中卷积神经网络分类器模型的结构示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例:
如图1所示,一种MFSK数字信号子类调制识别的神经网络自优化方法,包括以下步骤:
1.对接收机收到的MFSK子类调制信号进行IQ解调,分别得到I路和Q路的离散数据序列。
具体的,分别对接收到的载波信号乘以正弦函数和余弦函数,并分别进行积分操作,本实施例中为方便演示说明,假设得到长度为2*n的IQ数据序列为I1,Q1,I2,Q2,I3,Q3…In,Qn。
2.对I路和Q路离散数据序列组成的复数IQ序列进行归一化。
将得到的I1,Q1,I2,Q2,I3,Q3…In,Qn序列组合为长度为n的复数序列:I1+j*Q1,I2+j*Q2,I3+j*Q3…In+j*Qn,并对序列中每一位复数进行模长归一化,其中归一化可使用最大值归一化对每一位复数进行归一化,最大值归一化公式为:
序列中每一位复数÷序列中最大的复数模长
或使用均值归一化对每一位复数进行归一,均值归一化公式为:
序列中每一位复数÷序列平均复数模长
本实施例以最大值归一化为例,首先寻找复数序列中模长最大的一个复数,设该复数为Ik+j*Qk,该复数的模长为Lk,规一化后的复数序列为:(I1+j*Q1)/Lk,(I2+j*Q2,)/Lk,(I3+j*Q3)/Lk…(In+j*Qn)/Lk。
3.提取每一个IQ点相对于接收坐标系的瞬时速度,求出速度随时间变化的离散映射。
对于归一化后复数序列中的复数,在复数坐标系下,利用两两向量间的夹角计算IQ点瞬时速度,具体的,当前时刻复数平面坐标系原点与本时刻IQ点形成的向量标记为A向量,上一个时刻复数平面坐标系原点与该时刻的IQ点形成的向量标记为B向量,A、B两向量之间的夹角即当前时刻IQ点相对于上一时刻的角位移,对所有IQ点循环执行以上步骤可求得每一个IQ点相对于上一个IQ点的角位移,由于IQ点间采样时间间隔相同,因此某一IQ点的角位移即该点的瞬时角速度,通过上述方式,可求得全部IQ点角速度随时间变化的离散映射。
4.通过滤波器对速度随时间变化的离散映射进行平滑处理,求出速度以时间t为自变量的平滑映射。
采用滤波器窗口长度为51,3阶多项式拟合的Savitzky-Golay滤波器对IQ点角速度随时间变化的离散映射进行平滑,具体实施时,本步骤平滑的最终效果将直接影响接下来的聚类及神经网络识别结果,故需根据所需的平滑效果适当选取滤波器窗口长度和多项式阶数。
5.求解速度平滑映射中的稳定速度点,并将速度点投射到平面上获得分布密度平面。
对平滑后的IQ序列,使用一阶差分符号判别法,寻找速度随时间平滑映射中的速度驻点并对其进行聚类,具体的,上一时刻IQ点与本时刻IQ点的坐标差标记为α,本时刻IQ点与下一时刻IQ点的坐标差分标记为β,若α与β乘积为负数,则说明本轮计算的3个IQ点速度中存在速度驻点,循环对所有IQ速度点执行以上操作,寻找出所有速度驻点并得到速度驻点的聚类分布情况,本实施例中,将这些速度驻点转换为如图2a、图2b、图2c所示的50*50散点分布图(scatter)。
6.训练卷积神经网络(convolutional neural network)分类器模型,用于对2FSK,4FSK,8FSK三种MFSK信号进行分类。
具体地,如图3所示,将50*50的散点图作为输入,第1层卷积使用3*3卷积核,16张特征图提取输入特征,输出经过ReLU激活后进行3*3的池化处理,第2层卷积使用3*3卷积核,16张特征图,输出经过ReLU激活后进行3*3的池化处理,第3层卷积使用3*3卷积核,32张特征图,输出经过ReLU激活后进行3*3的池化处理,经过3层卷积池化处理后的输出数据进一步经过Dropout层后,最终通过32个神经元的全连接层和3个神经元的Softmax层输出识别结果,Softmax层输出一个长度为3的向量,向量中每个元素表示输入被识别为该类的概率,假设本示例中输出向量为(0.1,0.6,0.3),则样本被神经网络识别为第二类的概率最高,为60%,作为神经网络的识别结果。
7.识别模型的自动优化。
当神经网络最终识别结果的置信度低于精度要求阈值时,即主动发起系统自优化过程,重新进行速度平滑聚类并识别,应用过程如下:
a)检测到神经网络最终输出长度为3的向量中,最大元素的值低于精度要求阈值;
b)返回步骤4,对滤波器设置更大的窗口长度和拟合函数阶数;
c)重新执行以后的步骤,直到识别精度达到阈值要求;
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,包括以下步骤:
A、对接收机收到的MFSK子类调制信号进行IQ解调,分别得到I路和Q路的离散数据序列;
B、对I路和Q路离散数据序列组成的复数IQ序列进行归一化处理;
C、提取每一个IQ点相对于接收坐标系的瞬时速度,求出速度随时间变化的离散映射:对于归一化后复数序列中的复数,在复数坐标系下,利用两两向量间的夹角计算IQ点瞬时速度,具体的,当前时刻复数平面坐标系原点与本时刻IQ点形成的向量标记为A向量,上一个时刻复数平面坐标系原点与该时刻的IQ点形成的向量标记为B向量,A、B两向量之间的夹角即当前时刻IQ点相对于上一时刻的角位移,对所有IQ点循环执行以上步骤可求得每一个IQ点相对于上一个IQ点的角位移,由于IQ点间采样时间间隔相同,因此某一IQ点的角位移即该点的瞬时角速度,通过上述方式,可求得全部IQ点角速度随时间变化的离散映射;
D、通过滤波器对速度随时间变化的离散映射进行平滑处理,求出速度以时间为自变量的平滑映射;
E、通过平滑映射中的速度驻点并对其进行聚类得到速度平滑映射中的稳定速度点,并将速度点投射到平面上获得分布密度平面:对平滑后的IQ序列,使用一阶差分符号判别法,寻找速度随时间平滑映射中的速度驻点并对其进行聚类,具体的,上一时刻IQ点与本时刻IQ点的坐标差标记为α,本时刻IQ点与下一时刻IQ点的坐标差分标记为β,若α与β乘积为负数,则说明本轮计算的3个IQ点速度中存在速度驻点,循环对所有IQ速度点执行以上操作,寻找出所有速度驻点并得到速度驻点的聚类分布情况,将这些速度驻点转换为50*50散点分布图;
F、根据MFSK子类调制信号密度平面图的分布规律生成足量的训练数据集,训练卷积神经网络分类器模型,用于对MFSK子类调制信号的密度平面进行识别并分类;
G、当步骤F中卷积神经网络分类器模型对MFSK子类调制信号识别结果的置信度均低于预设的阈值时,返回步骤D,自动对滤波器设置更大的窗口长度和使用更高阶多项式加强平滑效果,并依次执行之后的步骤,直至卷积神经网络分类器模型对MFSK子类调制信号的识别置信度高于预设的阈值。
2.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,所述步骤G中,预设的置信度的阈值为40%-80%。
3.根据权利要求2所述的MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,所述步骤G中,预设的置信度的阈值为50%。
4.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,所述步骤D中,采用Savitzky-Golay滤波器在时域内基于局部多项式最小二乘拟合法对IQ点角速度随时间变化的离散映射进行平滑处理,拟合离散映射中的低频成分,并将高频成分平滑。
5.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,所述步骤F中,将分布密度平面中的密度矩阵作为卷积神经网络分类器模型的输入,利用神经网络的抽象学习能力学习输入的统计分布特征。
6.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法,其特征在于,所述步骤G中,还包括先按照MFSK子类调制信号的密度矩阵分布规律,通过随机改变数据分布并加入高斯白噪声,合成仿真训练数据集供神经网络学习有效分布特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910263173.5A CN109995690B (zh) | 2019-04-02 | 2019-04-02 | Mfsk数字信号子类调制识别的神经网络自优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910263173.5A CN109995690B (zh) | 2019-04-02 | 2019-04-02 | Mfsk数字信号子类调制识别的神经网络自优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109995690A CN109995690A (zh) | 2019-07-09 |
CN109995690B true CN109995690B (zh) | 2021-07-13 |
Family
ID=67131276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910263173.5A Active CN109995690B (zh) | 2019-04-02 | 2019-04-02 | Mfsk数字信号子类调制识别的神经网络自优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109995690B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083077B (zh) * | 2019-12-06 | 2022-03-01 | 成都华日通讯技术股份有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN112565126B (zh) * | 2020-11-26 | 2022-06-28 | 杭州电子科技大学 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263716A (zh) * | 2011-07-26 | 2011-11-30 | 苏州大学 | 一种调制类型识别方法及系统 |
CN105553619A (zh) * | 2015-12-24 | 2016-05-04 | 成都国恒空间技术工程有限公司 | 基于调制识别辅助的突发信号检测方法 |
CN105915296A (zh) * | 2016-04-07 | 2016-08-31 | 成都华日通讯技术有限公司 | 基于fpga调幅解调的射频电平值计算方法及装置 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7930257B2 (en) * | 2007-01-05 | 2011-04-19 | Knowm Tech, Llc | Hierarchical temporal memory utilizing nanotechnology |
-
2019
- 2019-04-02 CN CN201910263173.5A patent/CN109995690B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263716A (zh) * | 2011-07-26 | 2011-11-30 | 苏州大学 | 一种调制类型识别方法及系统 |
CN105553619A (zh) * | 2015-12-24 | 2016-05-04 | 成都国恒空间技术工程有限公司 | 基于调制识别辅助的突发信号检测方法 |
CN105915296A (zh) * | 2016-04-07 | 2016-08-31 | 成都华日通讯技术有限公司 | 基于fpga调幅解调的射频电平值计算方法及装置 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
Non-Patent Citations (2)
Title |
---|
"Automatic Modulation Recognition using Deep Learning Architectures";Meng Zhang;《2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications》;20180827;第1-5页 * |
"通信信号自动调制识别中的分类器设计";张伟;《中国优秀硕士论文全文数据库》;20061215;第1-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109995690A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN104994045B (zh) | 一种基于usrp平台的数字调制方式自动识别平台及方法 | |
CN112737711B (zh) | 一种基于自适应噪声基底估计的宽带载波检测方法 | |
CN113435247B (zh) | 一种通信干扰智能识别方法、系统及终端 | |
CN108764077A (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN111083077B (zh) | 一种结合神经网络实现2ask信号及am信号调制识别的方法 | |
CN109995690B (zh) | Mfsk数字信号子类调制识别的神经网络自优化方法 | |
CN112511477A (zh) | 一种基于星座图和深度学习的混合卫星通信调制识别方法及系统 | |
CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN110071885A (zh) | 一种psk数字信号子类调制识别的深度学习判别方法 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN108694346A (zh) | 一种基于两级cnn的船舶辐射噪声信号识别方法 | |
CN101783777A (zh) | 数字调制信号识别方法 | |
CN109640255B (zh) | 位置指纹室内定位系统及方法 | |
CN112613443A (zh) | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及系统 | |
CN111612130A (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN110826425A (zh) | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 | |
Yang et al. | Modulation recognition using wavelet transform based on AlexNet | |
Qian et al. | Modulation classification based on cyclic spectral features and neural network | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 610045 No. 130 Wuxing Fourth Road, Wuhou New Town Management Committee, Chengdu City, Sichuan Province Applicant after: Chengdu Huari Communication Technology Co., Ltd Address before: 610045 No. 130 Wuxing Fourth Road, Wuhou New Town Management Committee, Chengdu City, Sichuan Province Applicant before: CHENGDU HUARI COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |