CN110046591A - 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 - Google Patents
一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 Download PDFInfo
- Publication number
- CN110046591A CN110046591A CN201910322739.7A CN201910322739A CN110046591A CN 110046591 A CN110046591 A CN 110046591A CN 201910322739 A CN201910322739 A CN 201910322739A CN 110046591 A CN110046591 A CN 110046591A
- Authority
- CN
- China
- Prior art keywords
- signal
- frwt
- var
- fractional
- wavelet transform
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明公开了一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法,其特征在于,包括如下步骤:1)接收信号、并分离信号后功率归一化;2)分数阶小波变换;3)中值滤波得到信号求包络方差;4)门限选择;5)信号识别。这种方法在复杂电磁环境下能及时发现并识别通信干扰源,以维护无线通信秩序、保障公众活动及公众安全,并提供理论支持和技术指导。
Description
技术领域
本发明涉及无线通信技术技术,具体是一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法。
背景技术
随着无线通信技术的迅猛发展,各种无线业务终端越来越多,频谱资源日益紧张,无线电磁环境越来越复杂,设备间的相互干扰时有发生,这在一些大型的公众活动场合尤为突出。大型公众活动如国际比赛、节日庆典及文艺晚会活动等,会同时存在并使用多种无线电设备,包括手机、广播电视转播、警务调度急救、无线麦克风摄像机、无线局域网及航拍无人机等,大量的无线电设备集中在较小的场地范围内,必然会造成信号间相互间干扰,尤其以移动的无人机对其他设备干扰最为严重,因此发现并及时识别这些无线通信干扰信号,尤其是干扰无人机的信号是十分重要的,与此同时,无线通信干扰信号识别属于非合作信号检测识别,在合作通信发展迅猛的同时,非合作通信技术也逐渐成为学者和专家研究和探讨的热点,尤其在电子侦察、无线电监测、频谱检测、软件无线电等非合作领域更加突出。非合作信号检测识别是指干扰信号的功率、频率、带宽及调制方式等参数未知,且通常与其它正常工作的无线通信信号混合在一起,接收信号表现为多个时间频率重叠的信号迭加在一起。
因此如何从混合的多载波信号中提取特征参数,进一步识别出干扰源,已成为当前信号处理研究领域的一个热点和难点问题。
目前现有的识别无人机混合信号的文献几乎没有,但是分别识别OFDM信号和跳频信号的方法有:
对于OFDM信号的识别主要有三类:
1.基于分离的混合信号识别方法,常见的分离方法有独立分量分析法和波束限零法,该方法就是先将混合信号分离再进行后续的调制识别,其本质是将混合信号识别问题转换为单信号识别问题,该类方法的性能依赖于混合信号的分离效果,要求接收方必须拥有足够的先验知识,其适用范围有限;
2.基于信号特征的混合信号识别方法,它是直接提取混合信号特征进行识别,常用的特征包括瞬时包络及谱线、星座图、高阶累积量循环谱、似然特征以及小波变换的幅度和脊线等。其中,基于瞬时包络特征的识别方法容易受到信噪比的影响;基于似然特征和星座图特征的识别方法需要先验知识,并且基于星座图特征的识别方法对频偏和定时比较敏感;基于循环谱特征的识别方法则需要较大的数据量,还容易出现谱图模糊现象;基于高阶累积量特征的识别方法也是需要较大的数据量,而且一般要求信道是高斯白噪声信道;基于小波变换幅度和脊线特征的识别方法仅适用于相同频率不同码率的混合信号;
3.联合检测识别方法,它同时选用混合信号的多个特征作为识别特征,并引入一些新的理论,如神经网络算法,虽然该方法可提升混合信号综合特征的检测识别,但是复杂度较高,寻找新的理论是其一大难点。
对于跳频信号的识别方法有:
1.基于谱图遥控信号提取的检测方法,该方法的主要思想是利用不同信号和跳频信号之间在时间统计特性上的不同来区分目标信号,这样就要求在接收信号数据的时候,至少要有几个跳的数据。其具体步骤为,将接收数据进行谱图处理,得到的谱图二值化,通过设置门限剔除定频信号和突发信号,最后根据驻留时间的规律得到遥控信号;
2.基于统计模式识别方法,引入改进的频谱特征参数提取方法及支持矢量机分类器对BPSK、QPSK、8PSK、2FSK、4FSK、MSK跳频信号进行分类识别。
使用分数阶小波变换来寻找可以识别混合信号的特征是一种新颖的方法,但是该方法存在变换阶次p的选取问题,变换阶次p的选择直接影响着信号的识别率,选择的p值不合适可能无法识别出信号。因此,能否准确地在复杂的频谱环境中检测出图传信号和跳频遥控信号,也成了能否准确识别非法无人机的难点和关键点。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法。这种方法在复杂电磁环境下能及时发现并识别通信干扰源,以维护无线通信秩序、保障公众活动及公众安全,并提供理论支持和技术指导。
实现本发明目的的技术方案是:
一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法,与现有技术不同处在于,包括如下步骤:
1)接收信号、并分信号后功率归一化:首先采用宽带接收机接收空中无线电信号,并对接收下来的混合信号进行去噪后采用最小方差无畸变响应即MVDR波束形成器对混合信号进行分离,使其变成单信号,对单信号进行功率归一化:
其中s为分离后的单信号,为进行功率归一化后的信号,上式能将信号固定带宽内的能量单位化为1;
2)分数阶小波变换:对步骤1)归一化后的信号进行不同阶次的分数阶小波变换得到信号包络||FRWTMP||,步进选择分数阶小波变换即FRWT的变换阶数p,p从0到1变换,每隔0.1取值,当p=0时,FRWT就退化成小波变换即WT;当p=1时,FRWT是双频变换,即FRFT和WT的结合;当p介于0到1之间则是分数域的变换,除此之外,还寻找各个信号的最优p值,做各个信号最优p值的分数阶小波变换,目前分数阶小波变换的实现方法主要包括两种思路:一种是将小波变换和分数阶傅里叶变换相融合,从而实现分数阶小波变换;第二种是基于分数阶小波包的时频变换,采用将小波变换和分数阶傅里叶变换相融合的分数阶小波变换,定义为:
其中,f(t)为输入信号,Kp(t,u)为分数阶傅里叶变换核函数,可表示为:
p为分数阶因子,分数阶傅立叶变换可看作傅立叶变换在时频平面上旋转一个角度
而是小波变换的母小波函数,且仿真采用的小波基函数是haar小波基,分解层数为2层;
3)中值滤波得到信号求包络方差:对步骤2)得到的||FRWTMP||进行中值滤波,中值滤波器的窗口长度取10,接着对滤波后的信号求包络方差得到VAR(||FRWTMP||),目前主流的图传信号技术不外乎有两种,一种就是简单的WIFi技术,另一种则是OFDM技术,所以总体来说,图传信号和802.11a协议的WIFi信号都是OFDM信号,只是子载波数和子载波调制方式不同,因此WIFi信号得到的包络方差记为VAR(||FRWTMP_WiFi||),以此类推,图传信号的包络方差记为VAR(||FRWTMP_TUCH||),遥控信号的包络方差记为VAR(||FRWTMP_TH||),单载波信号的包络方差记为VAR(||FRWTMP_SC||);
4)门限选择:通过步骤3)得到可以识别出无人机图传信号和遥控信号的特征值,接下来进行门限选择,最后进行判决与分类,从而识别出信号,设置判决门限为:
5)信号识别:判决分类为:
若VAR(||FRWTMP||)>th1,VAR(||FRWTMP||)为遥控信号特征值;
若VAR(||FRWTMP||)<th3,VAR(||FRWTMP||)为单载波信号特征值;
若th2<VAR(||FRWTMP||)<th1,VAR(||FRWTMP||)为图传信号特征值;
若th3<VAR(||FRWTMP||)<th2,VAR(||FRWTMP||)为WiFi信号特征值。
步骤1)中所述的混合信号包括QPSK、8PSK、4FSK、16QAM 4种单载波调制信号、WiFi信号即802.11a协议中BPSK_OFDM、16QAM_OFDM、64QAM_OFDM信号、图传信号即QPSK_OFDM信号和遥控信号,其中,
(1)图传信号或WiFi信号为:
其中,{cn,k}为调制映射的符号序列,它是零均值、独立同分布的,N为子载波个数,f0为调制载波中心频率,Δf为子载波间频率间隔,g(t)为脉冲函数,Ts为码元持续时间,k为观察的码元个数;
(2)遥控信号为:
其中,T为观测时间,T0为起跳时间,Th为跳频时间,即跳速的倒数,fk为第k个时隙的跳频频率,属于跳频频率集,其中,
(3)单载波信号为:
MPSK信号:
其中,A代表归一化幅度信息,g(t)代表脉冲成型函数,Ts代表符号周期,fc代表载波频率,φ0代表载波的初始相位,且φ0∈{2πm/M,m=1,2,...M-1},代表发送信号的M个可能相位,且
MFSK信号:
其中,fn∈{(2m-1-M)Δf,m=1,2...M},Δf为发送信号的频偏指数,其它参数含义同MPSK信号;
MQAM信号:
其中,an和bn为幅度增益,且 代表发送信号的M个可能相位,且其他参数含义同MPSK信号,
设发送信号为s(t),信道高斯白噪声为w(t),接收信号为S(t),则有如下关系:
其中,s(t)为上述混合信号中所有分量信号之和,ak是第k个分量信号的混合系数,sk是第k个分量信号,
已分离的信号可表示为:
其中,WMVRD为阵元权值,
R为阵列输出的协方差矩阵,θl期望方向,
本技术方案首先利用宽带接收机接收信号,然后对接收信号进行去噪后利用最小方差无畸变响应(MVDR)波束形成器对混合信号进行分离,使其变成单信号,然后进行功率归一化预处理,接着对功率归一化后的信号进行不同变换阶次的分数阶小波变换得到,再经过中值滤波器,中值滤波器的窗口长度为10,计算所得结果的方差,最后选择合适的判决门限,进而识别出混合信号中的无人机图传信号和遥控信号。
本技术方案解决了复杂电磁环境下无线通信信号受到无人机干扰以及无人机信号识别研究缺乏的情况。
本技术方案是基于分数阶小波变换的特征识别无人机信号,分数阶小波变换是分数阶傅里叶变换和小波变换的融合,既具有分数傅里叶变换分数域表征功能,又具有小波变换多分辨率分析的优点,并且分数阶小波变换具有变换阶数p,可以展示出信号从小波变换到双频变换(小波变换、分数阶傅里叶变换)的所有谱信息,该方法验证了分数阶小波变换可识别无人机信号的可行性。
这种方法在复杂电磁环境下能及时发现并识别通信干扰源,以维护无线通信秩序、保障公众活动及公众安全,并提供理论支持和技术指导。
附图说明
图1为实施例中识别无人机信号的流程示意图;
图2为实施例中p=0.2时信号的分数阶小波变换包络方差特征图;
图3-a为实施例中p=0.2时WiFi/图传信号和遥控信号的识别结果图;
图3-b为实施例中p=0.2时单载波信号的识别结果图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法,包括如下步骤:
1)接收信号、并分信号后功率归一化:首先采用宽带接收机接收空中无线电信号,并对接收下来的混合信号进行去噪后采用最小方差无畸变响应即MVDR波束形成器对混合信号进行分离,使其变成单信号,对单信号进行功率归一化:
其中s为分离后的单信号,为进行功率归一化后的信号,上式能将信号固定带宽内的能量单位化为1;
2)分数阶小波变换:对步骤1)归一化后的信号进行不同阶次的分数阶小波变换得到||FRWTMP||,步进选择FRWT的变换阶数p,p从0到1变换,每隔0.1取值,当p=0时,FRWT就退化成WT;当p=1时,FRWT是双频变换,即FRFT和WT的结合;当p介于0到1之间则是分数域的变换,除此之外,还寻找各个信号的最优p值,做各个信号最优p值的分数阶小波变换,目前分数阶小波变换的实现方法主要包括两种思路:一种是将小波变换和分数阶傅里叶变换相融合,从而实现分数阶小波变换;第二种是基于分数阶小波包的时频变换,本例采用将小波变换和分数阶傅里叶变换相融合的分数阶小波变换,定义为:
其中,f(t)为输入信号,Kp(t,u)为分数阶傅里叶变换核函数,可表示为:
p为分数阶因子,分数阶傅立叶变换可看作傅立叶变换在时频平面上旋转一个角度
而是小波变换的母小波函数,且本例仿真采用的小波基函数是haar小波基,分解层数为2层;
3)中值滤波得到信号求包络方差:对步骤2)得到的||FRWTMP||进行中值滤波,中值滤波器的窗口长度取10,接着对滤波后的信号求包络方差得到VAR(||FRWTMP||),目前主流的图传信号技术不外乎有两种,一种就是简单的WIFi技术,另一种则是OFDM技术,所以总体来说,图传信号和802.11a协议的WIFi信号都是OFDM信号,只是子载波数和子载波调制方式不同,因此WIFi信号得到的包络方差记为VAR(||FRWTMP_WiFi||),以此类推,图传信号的包络方差记为VAR(||FRWTMP_TUCH||),遥控信号的包络方差记为VAR(||FRWTMP_TH||),单载波信号的包络方差记为VAR(||FRWTMP_SC||),如图2为p=0.2时信号的分数阶小波变换包络方差特征图,可以看出该特征值把信号分成了四个部分{遥控信号}、{图传信号}、{WiFi信号}、{单载波信号},所以接下来只需要设置合适的判决门限值就可以把无人机的遥控信号、图传信号、WiFi信号和单载波信号识别出来;
4)门限选择:通过步骤3)得到可以识别出无人机图传信号和遥控信号的特征值,接下来进行门限选择,最后进行判决与分类,从而识别出信号,本例设置判决门限为:
5)信号识别:判决分类为:
若VAR(||FRWTMP||)>th1,VAR(||FRWTMP||)为遥控信号特征值;
若VAR(||FRWTMP||)<th3,VAR(||FRWTMP||)为单载波信号特征值;
若th2<VAR(||FRWTMP||)<th1,VAR(||FRWTMP||)为图传信号特征值;
若th3<VAR(||FRWTMP||)<th2,VAR(||FRWTMP||)为WiFi信号特征值;
通过步骤5),可以得到信号的识别图,如图3-a为p=0.2时WiFi、图传信号和遥控信号的识别结果图,图3-b为p=0.2时单载波信号的识别结果图,可以看出单载波信号的识别最好,无人机遥控信号在信噪比4dB以上识别率达到100%,WiFi信号和图传信号的识别率不是很高,但可以识别出来;
本例中的th1=0.049,th2=0.0412,th3=0.0348。
步骤1)中所述的混合信号包括QPSK、8PSK、4FSK、16QAM 4种单载波调制信号、WiFi信号即802.11a协议中BPSK_OFDM、16QAM_OFDM、64QAM_OFDM信号、图传信号即QPSK_OFDM信号和遥控信号,其中,
(1)图传信号或WiFi信号为:
其中,{cn,k}为调制映射的符号序列,它是零均值、独立同分布的,N为子载波个数,f0为调制载波中心频率,Δf为子载波间频率间隔,g(t)为脉冲函数,Ts为码元持续时间,k为观察的码元个数;
(2)遥控信号为:
其中,T为观测时间,T0为起跳时间,Th为跳频时间,即跳速的倒数,fk为第k个时隙的跳频频率,属于跳频频率集,其中,
(3)单载波信号为:
MPSK信号:
其中,A代表归一化幅度信息,g(t)代表脉冲成型函数,Ts代表符号周期,fc代表载波频率,φ0代表载波的初始相位,且φ0∈{2πm/M,m=1,2,...M-1},代表发送信号的M个可能相位,且
MFSK信号:
其中,fn∈{(2m-1-M)Δf,m=1,2...M},Δf为发送信号的频偏指数,其它参数含义同MPSK信号;
MQAM信号: (2.5),
其中,an和bn为幅度增益,且 代表发送信号的M个可能相位,且其他参数含义同MPSK信号,
设发送信号为s(t),信道高斯白噪声为w(t),接收信号为S(t),则有如下关系:
其中,s(t)为上述混合信号中所有分量信号之和,ak是第k个分量信号的混合系数,sk是第k个分量信号,
已分离的信号可表示为:
其中,WMVRD为阵元权值,
R为阵列输出的协方差矩阵,θl期望方向,
本例的的硬件环境是:Intel(R)Core(TM)i7-7700 3.60GHz双核计算机、8GB内存,运行的软件环境是:Matlab 2014b和windows 7。采用Matlab程序设计语言实现了本发明提出的新算法。利用宽带接收机接收到的空中无线电信号有大疆精灵3无人机的图传信号、遥控信号,与此同时,还有存在同一频段的802.11a协议的WiFi信号和单载波信号,图传信号的子载波调制方式为QPSK,子载波数为1024,空载波202个,循环前缀128,子载波间隔为9.3KHz;遥控信号:跳频周期14ms,跳频频率为3MHz-100MHz,频率间隔2MHz,跳频集为[100,78,56,34,80,38,44,50,70,90],跳速71hop/s;基于802.11a协议的WiFi信号,子载波调制方式分别为BPSK、16QAM、64QAM,子载波数64,其中有12个空载波,保护间隔为0.8μs,载波频率2.4GHz,OFDM符号速率0.25MB/s;单载波信号(4FSK、QPSK、8PSK、16QAM),符号速率2000Bauds/s,载波频率8K Hz,采样频率40K Hz,码元个数为200个,其中4FSK频差为500Hz,以上信号采样频率为200MHz。仿真环境基于AWGN信道,信噪比范围0:2:30dB,在相同信噪比下进行了500次蒙特卡罗实验。
Claims (2)
1.一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法,其特征在于,包括如下步骤:
1)接收信号、并分离信号后功率归一化:首先采用宽带接收机接收空中无线电信号,并对接收下来的混合信号进行去噪后采用最小方差无畸变响应即MVDR波束形成器对混合信号进行分离,使其变成单信号,对单信号进行功率归一化:
其中s为分离后的单信号,为进行功率归一化后的信号,将信号固定带宽内的能量单位化为1;
2)分数阶小波变换:对步骤1)归一化后的信号进行不同阶次的分数阶小波变换得到信号包络||FRWTMP||,步进选择分数阶小波变换即FRWT的变换阶数p,p从0到1变换,每隔0.1取值,当p=0时,FRWT就退化成小波变换即WT;当p=1时,FRWT是双频变换,即FRFT和WT的结合;当p介于0到1之间则是分数域的变换,除此之外,还寻找各个信号的最优p值,做各个信号最优p值的分数阶小波变换,采用将小波变换和分数阶傅里叶变换相融合的分数阶小波变换,定义为:
其中,f(t)为输入信号,Kp(t,u)为分数阶傅里叶变换核函数,可表示为:
p为分数阶因子,分数阶傅立叶变换可看作傅立叶变换在时频平面上旋转一个角度而是小波变换的母小波函数,且仿真采用的小波基函数是haar小波基,分解层数为2层;
3)中值滤波得到信号求包络方差:对步骤2)得到的||FRWTMP||进行中值滤波,中值滤波器的窗口长度取10,接着对滤波后的信号求包络方差得到VAR(||FRWTMP||),WIFi信号得到的包络方差记为VAR(||FRWTMP_WiFi||),以此类推,图传信号的包络方差记为VAR(||FRWTMP_TUCH||),遥控信号的包络方差记为VAR(||FRWTMP_TH||),单载波信号的包络方差记为VAR(||FRWTMP_SC||);
4)门限选择:通过步骤3)得到可以识别出无人机图传信号和遥控信号的特征值,接下来进行门限选择,最后进行判决与分类,从而识别出信号,设置判决门限为:
5)信号识别:判决分类为:
若VAR(||FRWTMP||)>th1,VAR(||FRWTMP||)为遥控信号特征值;
若VAR(||FRWTMP||)<th3,VAR(||FRWTMP||)为单载波信号特征值;
若th2<VAR(||FRWTMP||)<th1,VAR(||FRWTMP||)为图传信号特征值;
若th3<VAR(||FRWTMP||)<th2,VAR(||FRWTMP||)为WiFi信号特征值。
2.根据权利要求1所述的基于分数阶小波变换的无人机图传信号与遥控信号识别方法,其特征在于,步骤1)中所述的混合信号包括QPSK、8PSK、4FSK、16QAM4种单载波调制信号、WiFi信号即802.11a协议中BPSK_OFDM、16QAM_OFDM、64QAM_OFDM信号、图传信号即QPSK_OFDM信号和遥控信号,其中,
(1)图传信号或WiFi信号为:
其中,{cn,k}为调制映射的符号序列,它是零均值、独立同分布的,N为子载波个数,f0为调制载波中心频率,Δf为子载波间频率间隔,g(t)为脉冲函数,Ts为码元持续时间,k为观察的码元个数;
(2)遥控信号为:
其中,T为观测时间,T0为起跳时间,Th为跳频时间,即跳速的倒数,fk为第k个时隙的跳频频率,属于跳频频率集,其中,
(3)单载波信号为:
MPSK信号:
其中,A代表归一化幅度信息,g(t)代表脉冲成型函数,Ts代表符号周期,fc代表载波频率,φ0代表载波的初始相位,且φ0∈{2πm/M,m=1,2,...M-1},代表发送信号的M个可能相位,且
MFSK信号:
其中,fn∈{(2m-1-M)Δf,m=1,2...M},Δf为发送信号的频偏指数,其它参数含义同MPSK信号;
MQAM信号:
其中,an和bn为幅度增益,且 代表发送信号的M个可能相位,且其他参数含义同MPSK信号,
设发送信号为s(t),信道高斯白噪声为w(t),接收信号为S(t),则有如下关系:
其中,s(t)为上述混合信号中所有分量信号之和,ak是第k个分量信号的混合系数,sk是第k个分量信号,
已分离的信号可表示为:
其中,WMVRD为阵元权值,
R为阵列输出的协方差矩阵,θl期望方向,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322739.7A CN110046591B (zh) | 2019-04-22 | 2019-04-22 | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322739.7A CN110046591B (zh) | 2019-04-22 | 2019-04-22 | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046591A true CN110046591A (zh) | 2019-07-23 |
CN110046591B CN110046591B (zh) | 2022-06-07 |
Family
ID=67278309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322739.7A Active CN110046591B (zh) | 2019-04-22 | 2019-04-22 | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046591B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753803A (zh) * | 2020-07-06 | 2020-10-09 | 杭州画印科技有限公司 | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 |
CN113079120A (zh) * | 2021-03-24 | 2021-07-06 | 湖南波尔坤雷信息科技有限公司 | 一种2fsk调制信号的识别方法及装置 |
CN113162879A (zh) * | 2021-04-30 | 2021-07-23 | 桂林电子科技大学 | 一种联合特征提取的调制信号识别方法 |
CN113518374A (zh) * | 2021-04-13 | 2021-10-19 | 北京航空航天大学 | Wifi干扰下无人机图传信号的射频识别方法 |
CN114205199A (zh) * | 2021-11-30 | 2022-03-18 | 成都中科合迅科技有限公司 | 一种复杂电磁环境下wifi信号识别的方法 |
CN117237833A (zh) * | 2023-11-16 | 2023-12-15 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442512A (zh) * | 2008-12-19 | 2009-05-27 | 西安电子科技大学 | Ofdm信号的识别方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
-
2019
- 2019-04-22 CN CN201910322739.7A patent/CN110046591B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442512A (zh) * | 2008-12-19 | 2009-05-27 | 西安电子科技大学 | Ofdm信号的识别方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
Non-Patent Citations (1)
Title |
---|
李双霞: "基于FRFT的小波包调制信号的识别研究", 《杭州电子科技大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753803A (zh) * | 2020-07-06 | 2020-10-09 | 杭州画印科技有限公司 | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 |
CN111753803B (zh) * | 2020-07-06 | 2023-01-10 | 杭州画印科技有限公司 | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 |
CN113079120A (zh) * | 2021-03-24 | 2021-07-06 | 湖南波尔坤雷信息科技有限公司 | 一种2fsk调制信号的识别方法及装置 |
CN113518374A (zh) * | 2021-04-13 | 2021-10-19 | 北京航空航天大学 | Wifi干扰下无人机图传信号的射频识别方法 |
CN113518374B (zh) * | 2021-04-13 | 2023-02-07 | 北京航空航天大学 | Wifi干扰下无人机图传信号的射频识别方法 |
CN113162879A (zh) * | 2021-04-30 | 2021-07-23 | 桂林电子科技大学 | 一种联合特征提取的调制信号识别方法 |
CN113162879B (zh) * | 2021-04-30 | 2022-06-21 | 桂林电子科技大学 | 一种联合特征提取的调制信号识别方法 |
CN114205199A (zh) * | 2021-11-30 | 2022-03-18 | 成都中科合迅科技有限公司 | 一种复杂电磁环境下wifi信号识别的方法 |
CN114205199B (zh) * | 2021-11-30 | 2023-10-20 | 成都中科合迅科技有限公司 | 一种复杂电磁环境下wifi信号识别的方法 |
CN117237833A (zh) * | 2023-11-16 | 2023-12-15 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
CN117237833B (zh) * | 2023-11-16 | 2024-01-30 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110046591B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046591A (zh) | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 | |
JP6764018B2 (ja) | 動作検出のための信号変調の検出 | |
Alom et al. | Enhanced spectrum sensing based on Energy detection in cognitive radio network using adaptive threshold | |
Turunen et al. | Implementation of cyclostationary feature detector for cognitive radios | |
Xiao et al. | Micro-UAV detection and identification based on radio frequency signature | |
Salberg et al. | Doppler and frequency-offset synchronization in wideband OFDM | |
Alharbi et al. | Automatic modulation classification of digital modulations in presence of HF noise | |
CN109617843A (zh) | 一种基于knn的弹性光网络调制格式识别方法 | |
CN109787930A (zh) | 一种基于mppsk调制方式的抗脉冲干扰方法 | |
CN105516036B (zh) | 一种cpfsk调制识别方法 | |
Laghate et al. | USRP N210 demonstration of wideband sensing and blind hierarchical modulation classification | |
CN113518374B (zh) | Wifi干扰下无人机图传信号的射频识别方法 | |
Kayraklik et al. | Application of object detection approaches on the wideband sensing problem | |
CN109076038A (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
CN110035025A (zh) | 一种基于直接特征提取的多载波混合信号的检测识别方法 | |
CN113077600B (zh) | 一种基于菲涅耳区的Wi-Fi室内安防报警系统 | |
Ye et al. | Digital modulation classification using temporal waveform features for cognitive radios | |
CN109039497A (zh) | 单频信号组合分配方法、数据发射方法、接收方法及设备 | |
Naraghi-Pour et al. | EM-based localization of noncooperative multicarrier communication sources with noncoherent subarrays | |
CN106888061B (zh) | 一种智能无线电监测装置和方法 | |
Tekbıyık et al. | Real-world considerations for deep learning in wireless signal identification based on spectral correlation function | |
US20200228192A1 (en) | System and method for modulation classification using signal graphs | |
Nishiyama et al. | Examination of signal separation/demodulation method of multi-value modulation sensor terminal signal using STFT in storage batch signal processing | |
US11736128B2 (en) | Channelizing a wideband waveform for transmission on a spectral band comprising unavailable channel segments | |
Zhang et al. | A fast spectrum sensing for OFDM based on adaptive thresholding |
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 |