CN110048980A - 一种数字通信盲解调方法和装置 - Google Patents

一种数字通信盲解调方法和装置 Download PDF

Info

Publication number
CN110048980A
CN110048980A CN201910318014.0A CN201910318014A CN110048980A CN 110048980 A CN110048980 A CN 110048980A CN 201910318014 A CN201910318014 A CN 201910318014A CN 110048980 A CN110048980 A CN 110048980A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
data
signal
trained
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.)
Pending
Application number
CN201910318014.0A
Other languages
English (en)
Inventor
陈仕川
郑仕链
杨小牛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 36 Research Institute
Original Assignee
CETC 36 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 36 Research Institute filed Critical CETC 36 Research Institute
Priority to CN201910318014.0A priority Critical patent/CN110048980A/zh
Publication of CN110048980A publication Critical patent/CN110048980A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

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

本申请实施例公开了一种数字通信盲解调方法和装置，方法包括：获取样本数据，其中，样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签，所述二进制数据的调制方式为多种；构造卷积神经网络，将所述样本数据划分为训练数据和测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；获取待处理信号，输入至所述训练好的卷积神经网络，得到卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。本申请实施例适用于各种不同调制方式的数字通信信号盲解调，具有通用性。

Description

一种数字通信盲解调方法和装置
技术领域
本申请涉及信号处理技术领域，特别涉及一种数字通信盲解调方法和装置。
背景技术
数字通信解调是数字通信信息恢复的关键环节。目前的数字通信解调方法大多是针对专门的调制方式设计的，即要求事先已知观测数据的调制方式，再来选择适合的解调算法。在自适应编码调制通信体制中，发射方往往会根据当前用户需求或信道环境选择合适的编码和调制方式，接收方为了恢复信息，需要对各种调制方式的数字通信信号进行解调处理，因此，目前的数字通信解调方法不能满足自适应编码调制通信体制的解调需求，导致通信效率不高。
发明内容
本申请实施例提供了一种数字通信盲解调方法和装置，适应各种调制方式的数字通信解调，具有通用性，提高了通信效率。
根据本申请的一个方面，提供了一种数字通信盲解调方法，包括：
获取样本数据；其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签；所述二进制数据的调制方式为多种；
构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
根据本申请的另一个方面，提供了一种数字通信盲解调装置，包括：
样本获取单元，用于获取样本数据，其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签，所述二进制数据的调制方式为多种；
训练单元，用于构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
解调单元，用于获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
本申请实施例实施例的数字通信盲解调方法和装置，基于卷积神经网络进行数字通信盲解调，首先，利用各种调制方式的信号采样数据对卷积神经网络进行训练，再利用训练好的卷积神经网络对实际接收信号进行解调，从而可以适应各种不同调制方式的数字通信信号的解调，具有通用性，通用的盲解调方法大大提高了自适应通信体制的通信效率。
附图说明
图1是本申请一个实施例的数字通信盲解调方法的流程示意图；
图2是本申请另一个实施例的数字通信盲解调方法的流程图；
图3是本申请一个实施例的卷积神经网络的工作流程示意图；
图4是本申请一个实施例的数字通信盲解调装置的框图。
具体实施方式
为使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。显然，所描述的实施例是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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，都属于本申请实施例保护的范围。
图1是本申请一个实施例的数字通信盲解调方法的流程示意图，参见图1，本实施例的数字通信盲解调方法包括下列步骤：
步骤S101，获取样本数据；其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签；所述二进制数据的调制方式为多种；
步骤S102，构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
步骤S103，获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
由图1所示可知，本实施例的数字通信盲解调方法，通过获取多种调制方式调制后的样本数据对构造的卷积神经网络进行训练，得到训练好的卷积神经网络，将待处理信号数据输入至训练的卷积神经网络，得到卷积神经网络输出的概率最大的类别标签，基于类别标签转换得到与待处理信号对应的比特流。该方法可以适应各种调制方式的数字通信信号，具有通用性。满足了自适应编码调制通信体制的解调需求，提高了通信效率。
目前的数字通信解调方法大多针对专门的调制方式设计，即，要求事先已知观测数据的调制方式，再来选择适合的解调算法。但这种通信解调方法对自适应编码调制通信体制不适用，因为自适应编码调制通信体制通常不能预知发射端的调制方式，对此，亟需一种通用的、能够对发射端的各种调制方式进行解调的方案。
本申请实施例的数字通信盲解调方法和装置，适应各种调制方式的数字通信解调，具有通用性，提高了通信效率。
图2是本申请另一个实施例的数字通信盲解调方法的流程图，参见图2，本实施例的基于卷积神经网络的数字通信信号盲解调方法，包括下列步骤：
步骤S201：产生各种调制方式的数字通信信号采样数据；
一个实施例中，系统随机产生N比特二进制数据，对所述二进制数据调制后得到复基带信号；将所述复基带信号的实部(同相分量)和虚部各作为一个列向量，虚部(正交分量)作为另一个列向量，按照先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本数据(xi,yi)，其中，xi为第i个样本数据的L行2列的矩阵，yi为所述xi转换成十进制后的类别标签，L表示采样点数。信号调制方式根据应用需要选择，比如，相移键控PSK、幅度键控ASK、频移键控FSK或正交振幅调制QAM等数字通信调制方式。
步骤S202：构造卷积神经网络；
本实施例中，所述构造卷积神经网络包括：构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层。
步骤S203：对卷积神经网络进行训练；
具体的，从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法(比如随机梯度下降法)对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。
步骤S204：利用训练好的卷积神经网络对实际接收信号进行解调。
这里是获取待处理信号(即，实际接收信号)的采样数据，得到复基带采样序列z(n)，n＝0,1,2,...,L-1；提取所述复基带采样序列z(n)的实部和虚部，将所述实部和所述虚部各作为一个列向量，并按照先实部后虚部的顺序组合成L行2列的矩阵，将L行2列的矩阵输入至所述训练好的卷积神经网络，其中，L表示采样点数。经过卷积神经网络推理运算，输出概率最大的类别标签，将该类别标签转换成N比特的二进制比特串，即为解调所得的比特流。
参见图3，图3示意了构建的卷积神经网络的工作流程，图3中，卷积神经网络分类层的类别数为2N；图3中conv代表卷积层，conv之前的数字(比如图3中的31×2、15×2)表示卷积核的尺寸，之后的数字(比如图3中的32,5；48,5)表示卷积核的个数。S表示卷积包含填充使输入与输出大小相同；/2表示降采样倍数为2，使得输出大小降为输入大小的一半。maxpool表示最大池化；Global avgpool表示全局平均池化；ReLU表示整流线性激活。fc表示全连接层，数字(比如图3中的16)代表神经元个数；SoftMax表示SoftMax层即分类层，最后输出为概率最大的类别标签。
如图3所示，卷积神经网络输入尺寸为512行2列，即，前述L等于512。需要说明的是，本实施例中构造的卷积神经网络的输出层是分类层比如softmax分类层，所述卷积神经网络输出为2N个类别数中概率最大的类别标签(比如10)，将该类别标签(10)转换成N比特的二进制比特串，即为解调所得的比特流。
与前述数字通信盲解调方法同属于一个技术构思，本申请实施例还提供了一种数字通信盲解调装置，图4是本申请一个实施例的数字通信盲解调装置的框图，参见图4，本实施例的数字通信盲解调装置400包括：
样本获取单元401，用于获取样本数据，其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签，所述二进制数据的调制方式为多种；
训练单元402，用于构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
解调单元403，用于获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
在本申请的一个实施例中，样本获取单元401具体用于获取随机产生的N比特二进制数据，对所述二进制数据调制后得到复基带信号；将所述复基带信号的实部作为一个列向量，虚部作为另一个列向量，按照先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本数据(xi,yi)，其中，xi为第i个样本数据的L行2列的矩阵，yi为所述xi转换成十进制后的类别标签，L表示采样点数。
在本申请的一个实施例中，所述训练单元402具体用于构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层，分类层的类别标签数为2N；从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。
在本申请的一个实施例中，所述解调单元403具体用于获取待处理信号的采样数据，得到复基带采样序列z(n)，n＝0,1,2,...,L-1；提取所述复基带采样序列z(n)的实部和虚部，将所述实部和所述虚部各作为一个列向量，并按照先实部后虚部的顺序组合成L行2列的矩阵输入至所述训练好的卷积神经网络，其中，L表示采样点数；将所述类别标签转换成N比特的二进制比特串，得到与待处理信号对应的比特流。
需要说明的是，关于图4所示数字通信盲解调装置中的各单元所执行的各功能的举例解释说明，与前述方法实施例中的举例解释说明一致，这里不再一一赘述。
综上所述，本申请实施例的数字通信盲解调方法和装置，通过利用各种数字调制方式的采样数据对卷积神经网络进行训练，再利用训练好的卷积神经网络对实际接收信号进行解调，这种基于卷积神经网络进行数字通信盲解调的方案适应各种调制方式的数字通信信号，具有通用性，满足了自适应编码调制通信需求，提高了通信效率。
本申请的说明书中，说明了大量具体细节。然而能够理解的是，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本申请实施例公开并帮助理解各个申请方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，正如权利要求书所反映的那样，申请方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
以上所述，仅为本申请的具体实施方式，在本申请实施例的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本申请的目的，本申请的保护范围以权利要求的保护范围为准。

Claims (10)

1.一种数字通信盲解调方法，其特征在于，包括：
获取样本数据；其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签；所述二进制数据的调制方式为多种；
构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
2.根据权利要求1所述的方法，其特征在于，所述获取样本数据包括：
获取随机产生的N比特二进制数据，对所述二进制数据调制后得到复基带信号；
将所述复基带信号的实部作为一个列向量，虚部作为另一个列向量，按照先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本数据(xi,yi)，其中，xi为第i个样本数据的L行2列的矩阵，yi为所述xi转换成十进制后的类别标签，L表示采样点数。
3.根据权利要求2所述的方法，其特征在于，所述构造卷积神经网络包括：
构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层，分类层的类别标签数为2N。
4.根据权利要求2所述的方法，其特征在于，所述将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据，对所述卷积神经网络进行训练得到训练好的卷积神经网络包括：
从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。
5.根据权利要求3所述的方法，其特征在于，所述获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络包括：
获取待处理信号的采样数据，得到复基带采样序列z(n)，n＝0,1,2,...,L-1；
提取所述复基带采样序列z(n)的实部和虚部，将所述实部和所述虚部各作为一个列向量，并按照先实部后虚部的顺序组合成L行2列的矩阵输入至所述训练好的卷积神经网络，其中，L表示采样点数；
基于所述类别标签转换得到与待处理信号对应的比特流包括：
将所述类别标签转换成N比特的二进制比特串，得到与待处理信号对应的比特流。
6.根据权利要求1所述的方法，其特征在于，所述调制方式包括：相移键控PSK、幅度键控ASK、频移键控FSK或正交振幅调制QAM。
7.一种数字通信盲解调装置，其特征在于，包括：
样本获取单元，用于获取样本数据，其中，所述样本数据包括对二进制数据调制后得到的复基带信号，以及与所述复基带信号对应的类别标签，所述二进制数据的调制方式为多种；
训练单元，用于构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
解调单元，用于获取待处理信号，将所述待处理信号输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的概率最大的类别标签，基于所述类别标签转换得到与待处理信号对应的比特流。
8.根据权利要求7所述的装置，其特征在于，
所述样本获取单元，具体用于获取随机产生的N比特二进制数据，对所述二进制数据调制后得到复基带信号；将所述复基带信号的实部作为一个列向量，虚部作为另一个列向量，按照先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本数据(xi,yi)，其中，xi为第i个样本数据的L行2列的矩阵，yi为所述xi转换成十进制后的类别标签，L表示采样点数。
9.根据权利要求8所述的装置，其特征在于，
所述训练单元具体用于，构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层；从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。
10.根据权利要求9所述的装置，其特征在于，
所述解调单元，具体用于获取待处理信号的采样数据，得到复基带采样序列z(n)，n＝0,1,2,...,L-1；提取所述复基带采样序列z(n)的实部和虚部，将所述实部和所述虚部各作为一个列向量，并按照先实部后虚部的顺序组合成L行2列的矩阵输入至所述训练好的卷积神经网络，其中，L表示采样点数；将所述类别标签转换成N比特的二进制比特串，得到与待处理信号对应的比特流。
CN201910318014.0A 2019-04-19 2019-04-19 一种数字通信盲解调方法和装置 Pending CN110048980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318014.0A CN110048980A (zh) 2019-04-19 2019-04-19 一种数字通信盲解调方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318014.0A CN110048980A (zh) 2019-04-19 2019-04-19 一种数字通信盲解调方法和装置

Publications (1)

Publication Number Publication Date
CN110048980A true CN110048980A (zh) 2019-07-23

Family

ID=67277930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318014.0A Pending CN110048980A (zh) 2019-04-19 2019-04-19 一种数字通信盲解调方法和装置

Country Status (1)

Country Link
CN (1) CN110048980A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112187266A (zh) * 2020-09-29 2021-01-05 中国电子科技集团公司第三十六研究所 一种模数转换器的非线性校正方法、装置及电子设备
CN112202529A (zh) * 2020-09-27 2021-01-08 中国电子科技集团公司第三十六研究所 一种无线通信信息恢复方法、装置及电子设备
WO2021077841A1 (zh) * 2019-10-24 2021-04-29 北京邮电大学 一种基于循环残差网络的信号调制识别方法及装置
CN113395225A (zh) * 2021-06-10 2021-09-14 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317778A (zh) * 2017-07-28 2017-11-03 西安电子科技大学 基于1d‑cnn的bpsk调制信号相位跳变检测方法
CN107547460A (zh) * 2017-08-21 2018-01-05 西安电子科技大学 基于深度学习的无线通信调制信号识别方法
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法
CN108521387A (zh) * 2018-03-30 2018-09-11 中国电子科技集团公司第三十六研究所 一种信号调制样式识别方法和装置
CN108616471A (zh) * 2018-05-07 2018-10-02 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的信号调制识别方法和装置
KR101910540B1 (ko) * 2018-03-14 2018-10-22 국방과학연구소 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법
CN108805039A (zh) * 2018-04-17 2018-11-13 哈尔滨工程大学 联合熵与预训练cnn提取时频图像特征的调制识别方法
CN109274624A (zh) * 2018-11-07 2019-01-25 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的载波频偏估计方法
CN109412725A (zh) * 2018-10-15 2019-03-01 中国人民解放军战略支援部队信息工程大学 无线电通信pcma信号盲解调方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317778A (zh) * 2017-07-28 2017-11-03 西安电子科技大学 基于1d‑cnn的bpsk调制信号相位跳变检测方法
CN107547460A (zh) * 2017-08-21 2018-01-05 西安电子科技大学 基于深度学习的无线通信调制信号识别方法
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法
KR101910540B1 (ko) * 2018-03-14 2018-10-22 국방과학연구소 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법
CN108521387A (zh) * 2018-03-30 2018-09-11 中国电子科技集团公司第三十六研究所 一种信号调制样式识别方法和装置
CN108805039A (zh) * 2018-04-17 2018-11-13 哈尔滨工程大学 联合熵与预训练cnn提取时频图像特征的调制识别方法
CN108616471A (zh) * 2018-05-07 2018-10-02 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的信号调制识别方法和装置
CN109412725A (zh) * 2018-10-15 2019-03-01 中国人民解放军战略支援部队信息工程大学 无线电通信pcma信号盲解调方法及装置
CN109274624A (zh) * 2018-11-07 2019-01-25 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的载波频偏估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XUMING LIN ET AL: ""A Deep Convolutional Network Demodulator for Mixed Signals with Different Modulation Types"", 《2017 IEEE 15TH INTL CONF ON DEPENDABLE》 *
裴禹豪等: ""基于卷积神经网络AlexNet的通信信号调制类型识别"", 《武警工程大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021077841A1 (zh) * 2019-10-24 2021-04-29 北京邮电大学 一种基于循环残差网络的信号调制识别方法及装置
US11909563B2 (en) 2019-10-24 2024-02-20 Beijing University Of Posts And Telecommunications Method and apparatus for modulation recognition of signals based on cyclic residual network
CN112202529A (zh) * 2020-09-27 2021-01-08 中国电子科技集团公司第三十六研究所 一种无线通信信息恢复方法、装置及电子设备
CN112202529B (zh) * 2020-09-27 2022-11-08 中国电子科技集团公司第三十六研究所 一种无线通信信息恢复方法、装置及电子设备
CN112187266A (zh) * 2020-09-29 2021-01-05 中国电子科技集团公司第三十六研究所 一种模数转换器的非线性校正方法、装置及电子设备
CN112187266B (zh) * 2020-09-29 2024-03-08 中国电子科技集团公司第三十六研究所 一种模数转换器的非线性校正方法、装置及电子设备
CN113395225A (zh) * 2021-06-10 2021-09-14 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置

Similar Documents

Publication Publication Date Title
CN110048980A (zh) 一种数字通信盲解调方法和装置
Tunze et al. Sparsely connected CNN for efficient automatic modulation recognition
EP4287570A2 (en) Systems, methods and apparatuses for modulation-agnostic unitary braid division multiplexing signal transformation
CN101926095B (zh) 用于在无线通信中交织的伪随机排序的系统和方法
CN110086737A (zh) 一种基于图神经网络的通信信号调制方式的识别方法
US20030099302A1 (en) System and mehod for reducing the peak power in multi-carrier modulation
US7644345B2 (en) Bit distributor for multicarrier communication systems employing adaptive bit loading for multiple spatial streams and methods
CN105634712A (zh) 高斯信道下scma简易码本设计方法
CN102714578A (zh) 一种信息比特发送方法、装置和系统
EP2213063A2 (en) Low density parity check (ldpc) encoded higher order modulation
CN110782022A (zh) 一种面向可编程逻辑器件移动终端的小型神经网络的实现方法
EP1133097A1 (en) Method of wireless communication using unitary space-time signal consellations
WO2015065064A1 (ko) 프리앰블 시퀀스를 전송하는 방법 및 장치
CN109155767A (zh) 无线通信设备、发射机和其中的方法
Nan et al. Physical-layer adversarial robustness for deep learning-based semantic communications
CN107395546A (zh) 电力线载波通信中对数据符号进行频域信息扩展的方法
JPS58147267A (ja) 信号処理装置と方法
CN108366036A (zh) 一种面向稀疏码多址接入系统的调制码本设计方法
CN105874760A (zh) 有效载荷序列发送方法及装置
WO2002065724A1 (fr) Procede de modulation de niveaux multiples, procede de demodulation de niveaux multiples, et procede de modulation/demodulation de niveaux multiples
CN107018113A (zh) 发射机、接收机和信号处理的方法
CN108768482A (zh) 基于遗传算法的scma码本生成方法
CN106063212A (zh) 用于在无线通信系统中生成非高斯干扰信道的方法和设备
Al‐Makhlasawy et al. Modulation classification in the presence of adjacent channel interference using convolutional neural networks
CN117240673B (zh) 一种多路载波索引差分混沌移位键控调制解调器及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190723

RJ01 Rejection of invention patent application after publication