CN110061939A - 一种符号速率估计方法和装置 - Google Patents

一种符号速率估计方法和装置 Download PDF

Info

Publication number
CN110061939A
CN110061939A CN201910317630.4A CN201910317630A CN110061939A CN 110061939 A CN110061939 A CN 110061939A CN 201910317630 A CN201910317630 A CN 201910317630A CN 110061939 A CN110061939 A CN 110061939A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
data
layer
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
CN201910317630.4A
Other languages
English (en)
Inventor
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 CN201910317630.4A priority Critical patent/CN110061939A/zh
Publication of CN110061939A publication Critical patent/CN110061939A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0262—Arrangements for detecting the data rate of an incoming signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种符号速率估计方法和装置，方法包括：获取样本数据；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；获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。本发明实施例适用于各种不同调制样式的数字通信信号符号速率估计，具有通用性。

Description

一种符号速率估计方法和装置
技术领域
本发明涉及信号处理技术领域，特别涉及一种符号速率估计方法和装置。
背景技术
认知无线电是一种可以在授权用户不使用当前频谱时，机会式利用频谱空穴进行通信的技术。为了实现这种动态频谱利用方式，认知无线电需要对当前频段内的授权用户信号进行检测，以保证不对授权用户造成有害干扰。为了更好地实现授权用户信号检测任务，可以对授权用户信号参数进行估计，再将估计结果与特定信号制式进行比对来判断授权用户类型。其中一个可以估计的参数就是符号速率。现有符号速率估计算法大多与特定的调制样式相关联，即要求提前已知观测数据的调制样式，再选择适合的估计算法，不能满足多种调制信号符号速率估计需求。
发明内容
本发明提供了一种符号速率估计方法和装置，可以适应各种不同调制样式的数字通信信号的符号速率估计，具有通用性。
根据本申请的一个方面，提供了一种符号速率估计方法，包括：
获取样本数据，其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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；
获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
根据本申请的另一个方面，提供了一种符号速率估计装置，包括：
样本获取单元，用于获取样本数据，其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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；
估计单元，用于获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
本发明实施例的符号速率估计方法和装置，基于卷积神经网络进行数字通信信号符号速率估计，利用各种符号速率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的符号速率进行估计，从而可以适应各种不同调制样式的数字通信信号估计场景，具有通用性。
附图说明
图1是本发明一个实施例的符号速率估计方法的流程示意图；
图2是本发明另一个实施例的符号速率估计方法的流程图；
图3是本发明一个实施例的卷积神经网络的工作流程示意图；
图4是本发明一个实施例的符号速率估计装置的框图。
具体实施方式
为使本发明的上述目的、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发明作进一步详细的说明。显然，所描述的实施例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。
图1是本发明一个实施例的符号速率估计方法的流程示意图，参见图1，本实施例的符号速率估计方法，包括下列步骤：
步骤S101，获取样本数据，其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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，获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
由图1所示可知，本实施例的符号速率估计方法，通过获取样本数据，构造卷积神经网络，对卷积神经网络进行训练得到训练好的卷积神经网络，获取待估计信号数据，将待估计信号数据输入至训练好的卷积神经网络，得到训练好的卷积神经网络输出的估计所得的符号速率。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。
符号速率，即，码元传输速率，简称传码率，它表示单位时间内传输码元的数目，符号速率与特定的调制样式相关联。基于此，现有的符号速率估计算法大都要求要求提前知道观测数据的调制样式，也就是说，不同的符号速率估计适用于不同的调制样式。
本发明实施例的公开一种基于卷积神经网络的数字通信信号符号速率估计方法，通过利用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接收信号符号速率进行估计。该方法可以适应各种不同调制样式的信号。
图2是本发明另一个实施例的符号速率估计方法的流程图，参见图2，本实施例的基于卷积神经网络的数字通信信号符号速率估计方法，包括下列步骤：
步骤S201：产生各种符号速率的信号采样数据；
一个实施例中，获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按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(xi,yi)，其中xi为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，yi为其符号速率；这里的信号调制方式应根据应用需要选择，可包含PSK、ASK、FSK、QAM等各种数字通信调制方式。
具体的，可以产生各种符号速率的复基带信号，将所述复基带信号的实部(同相分量)和虚部(正交分量)各作为一个列向量，按先实部后虚部的顺序组合成L行2列的矩阵；以此得到M个样本(xi,yi)。
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或回归层。即，卷积神经网络输入层尺寸为L行2列，中间至少包含一个卷积层、一个非线性激活层ReLU。
步骤S203：对卷积神经网络进行训练；
从所述M个样本(xi,yi)中选取T个(1＜T＜M)作为训练数据，其余作为测试数据，利用误差反向传播算法中的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。
步骤S204：利用训练好的卷积神经网络对实际接收信号的符号速率估计获取待估计信号数据，得到复基带采样序列z(n)，n＝0,1,2,...,L-1；直接提取z(n)的实部和虚部，各作为一个列向量，按先实部后虚部的顺序组合成L行2列的矩阵，输入所述训练好的卷积神经网络，经过网络运算后的输出结果即为估计所得的符号速率。
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，卷积神经网络输入尺寸为512行2列，即，前述L等于512。图3中的conv代表卷积层，conv之前的数字(如图3所示21×2)表示卷积核的尺寸，之后的数字(如图3所示256)表示卷积核的个数。图3中ReLU激活层表示整流线性激活；Dropout表示Dropout层，括号内数字(如图3所示0.6)中表示Dropout概率；图3中字母fc表示卷积神经网络的全连接层，数字(如图3所示256)代表神经元个数。图3中Regression layer表示卷积神经网络的回归层，最后输出为符号速率。在本发明的其他实施例中，卷积神经网络的卷积层和非线性激活层ReLU之间还可以包含归一化层，图3中未示出。
另外，在本发明的其他实施例中，图3中Regression layer可以被替换为卷积神经网络的分类层，以满足不同输出需求。
需要说明的是，本实施例中构造的卷积神经网络的输出层可以是分类层比如softmax分类层，也可以是回归层，如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值。如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。
与前述符号速率估计方法同属于一个技术构思，本发明实施例还提供了一种符号速率估计装置，图4是本发明一个实施例的符号速率估计装置的框图，参见图4，本实施例的符号速率估计装置400包括：
样本获取单元401，用于获取样本数据，其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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；
估计单元403，用于获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
在本发明的一个实施例中，样本获取单元401，具体用于获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按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(xi,yi)，其中xi为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，yi为其符号速率。
在本发明的一个实施例中，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或回归层；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。
在本发明的一个实施例中，所述估计单元403，具体用于如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值；如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。
需要说明的是，关于图4所示符号速率估计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，本发明实施例的符号速率估计方法和装置，通过利用各种符号速率的数字通信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的符号速率进行估计，基于卷积神经网络进行数字通信信号符号速率估计可以适应各种调制样式的数字通信信号，具有通用性。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明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，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明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：即所要求保护的本发明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，发明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发明的单独实施例。
以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，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发明的目的，本发明的保护范围以权利要求的保护范围为准。

Claims (10)

1.一种符号速率估计方法，其特征在于，包括：
获取样本数据；其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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；
获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
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：
获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按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(xi,yi)，其中xi为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，yi为其符号速率。
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或回归层。
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，如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值。
6.根据权利要求3所述的方法，其特征在于，如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。
7.一种符号速率估计装置，其特征在于，包括：
样本获取单元，用于获取样本数据，其中，所述样本数据包括数字基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；
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；
估计单元，用于获取待估计信号数据，将所述待估计信号数据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估计所得的符号速率。
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，具体用于获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按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(xi,yi)，其中xi为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，yi为其符号速率。
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或回归层；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，
所述估计单元，具体用于如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值；如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。
CN201910317630.4A 2019-04-19 2019-04-19 一种符号速率估计方法和装置 Pending CN110061939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910317630.4A CN110061939A (zh) 2019-04-19 2019-04-19 一种符号速率估计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910317630.4A CN110061939A (zh) 2019-04-19 2019-04-19 一种符号速率估计方法和装置

Publications (1)

Publication Number Publication Date
CN110061939A true CN110061939A (zh) 2019-07-26

Family

ID=67319610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910317630.4A Pending CN110061939A (zh) 2019-04-19 2019-04-19 一种符号速率估计方法和装置

Country Status (1)

Country Link
CN (1) CN110061939A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709520A (zh) * 2020-06-24 2020-09-25 中国电子科技集团公司第三十六研究所 一种单通道信号源个数估计方法和装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621486A (zh) * 2009-08-07 2010-01-06 温炳华 数据传输信道的估计
CN101710889A (zh) * 2009-11-03 2010-05-19 上海大学 多路线性混合数字调制信号的盲符号率估计方法
CN103701731A (zh) * 2013-12-31 2014-04-02 上海高清数字科技产业有限公司 符号率估计方法及装置
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
CN106130942A (zh) * 2016-07-05 2016-11-16 东南大学 一种基于循环谱的无线通信信号调制识别及参数估计方法
CN106936742A (zh) * 2017-05-02 2017-07-07 西安电子科技大学 基于神经网络的多档码速率自适应解调系统及方法
CN107360110A (zh) * 2017-06-09 2017-11-17 佛山科学技术学院 无线通信高精度信号识别及波特率参数估计的方法
CN108243130A (zh) * 2018-01-10 2018-07-03 四川阵风科技有限公司 解调方法、装置、频谱检测仪及计算机可读存储介质
CN108282262A (zh) * 2018-04-16 2018-07-13 西安电子科技大学 基于门控循环单元深度网络的智能时序信号分类方法
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
CN109525519A (zh) * 2017-09-19 2019-03-26 晨星半导体股份有限公司 符号率估计装置、符号率估计方法与邻近通道干扰检测装置
US20190109736A1 (en) * 2017-10-09 2019-04-11 Nec Laboratories America, Inc. Transmission filtering using machine learning

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621486A (zh) * 2009-08-07 2010-01-06 温炳华 数据传输信道的估计
CN101710889A (zh) * 2009-11-03 2010-05-19 上海大学 多路线性混合数字调制信号的盲符号率估计方法
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
CN103701731A (zh) * 2013-12-31 2014-04-02 上海高清数字科技产业有限公司 符号率估计方法及装置
CN106130942A (zh) * 2016-07-05 2016-11-16 东南大学 一种基于循环谱的无线通信信号调制识别及参数估计方法
CN106936742A (zh) * 2017-05-02 2017-07-07 西安电子科技大学 基于神经网络的多档码速率自适应解调系统及方法
CN107360110A (zh) * 2017-06-09 2017-11-17 佛山科学技术学院 无线通信高精度信号识别及波特率参数估计的方法
CN109525519A (zh) * 2017-09-19 2019-03-26 晨星半导体股份有限公司 符号率估计装置、符号率估计方法与邻近通道干扰检测装置
US20190109736A1 (en) * 2017-10-09 2019-04-11 Nec Laboratories America, Inc. Transmission filtering using machine learning
CN108243130A (zh) * 2018-01-10 2018-07-03 四川阵风科技有限公司 解调方法、装置、频谱检测仪及计算机可读存储介质
CN108282262A (zh) * 2018-04-16 2018-07-13 西安电子科技大学 基于门控循环单元深度网络的智能时序信号分类方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN ZHU ETAL: ""Digital Signal Processing for Training-Aided Coherent Optical Single-Carrier Frequency-Domain Equalization Systems"", 《JOURNAL OF LIGHTWAVE TECHNOLOGY》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709520A (zh) * 2020-06-24 2020-09-25 中国电子科技集团公司第三十六研究所 一种单通道信号源个数估计方法和装置

Similar Documents

Publication Publication Date Title
Eisen et al. Learning optimal resource allocations in wireless systems
Qian et al. Specific emitter identification based on multi-level sparse representation in automatic identification system
CN109902186A (zh) 用于生成神经网络的方法和装置
CN107122738A (zh) 基于深度学习模型的无线电信号识别方法及其实现系统
Weber et al. Automatic modulation classification technique for radio monitoring
CN109815365A (zh) 用于处理视频的方法和装置
Clark IV et al. Training data augmentation for deep learning radio frequency systems
Chin et al. Intelligent indoor positioning based on artificial neural networks
Ren et al. Spatio-temporal spectrum load prediction using convolutional neural network and ResNet
Dakic et al. LoRa signal demodulation using deep learning, a time-domain approach
CN108616471A (zh) 一种基于卷积神经网络的信号调制识别方法和装置
CN110061939A (zh) 一种符号速率估计方法和装置
Meneghello et al. Smartphone identification via passive traffic fingerprinting: A sequence-to-sequence learning approach
Wang et al. Privacy protection and efficient incumbent detection in spectrum sharing based on federated learning
Shrestha et al. Deep generative model learning for blind spectrum cartography with NMF-based radio map disaggregation
Gul et al. On the impact of CDL and TDL augmentation for RF fingerprinting under impaired channels
Casari et al. Acoustic projectors make covert bioacoustic chirplet signals discoverable
CN110119871A (zh) 信息交互平台及方法
US11507803B2 (en) System for generating synthetic digital data for data multiplication
Feng et al. Waveform Reconstruction of DSSS Signal Based on VAE‐GAN
Wong et al. An analysis of RF transfer learning behavior using synthetic data
Xie et al. Few‐Shot Specific Emitter Identification Based on Variational Mode Decomposition and Meta‐Learning
Liu et al. Adversarial training for low-complexity convolutional neural networks using in spectrum sensing
Abubakr et al. Novel LSTM-Based Approaches for Enhancing Outdoor Localization Accuracy in 4G Networks
CN112488092A (zh) 基于深度神经网络的导航频段信号类型识别方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726