CN110071885A - 一种psk数字信号子类调制识别的深度学习判别方法 - Google Patents
一种psk数字信号子类调制识别的深度学习判别方法 Download PDFInfo
- Publication number
- CN110071885A CN110071885A CN201910308392.0A CN201910308392A CN110071885A CN 110071885 A CN110071885 A CN 110071885A CN 201910308392 A CN201910308392 A CN 201910308392A CN 110071885 A CN110071885 A CN 110071885A
- Authority
- CN
- China
- Prior art keywords
- psk
- point
- subclass
- neural network
- discrimination
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种PSK数字信号子类调制识别的深度学习判别方法,涉及无线电通信技术领域,本发明包括利用调制信号接收机接收被测信号,获取IQ数据时间序列;对获取的IQ数据时间序列进行聚类分析,找出IQ数据时间序列中与星座图稳定点对应的聚类点;对S2中找出的聚类点进行过滤,得到时域上的相邻聚类点对;对相邻聚类点对进行相位归一化处理;利用相位归一化后的相邻聚类点对在二维平面上生成概率密度特征图;生成不同PSK子类信号的概率密度特征图作为训练集,对深度神经网络进行训练;利用训练好的训练模型对所接收的PSK子类信号进行判别,本发明可以有效地满足低信噪比、高失真环境下调制识别的需求,避免误判,且具有较好的可延展性和通用性。
Description
技术领域
本发明涉及无线电通信技术领域,更具体的是涉及一种PSK数字信号子类调制识别的深度学习判别方法。
背景技术
数字信号调制识别,在军用和民用领域都逐渐成为一个重要的话题。准确有效的调制识别,对后续的解调工作有重要的指导作用。伴随着通信的广泛应用,信号的环境日益复杂,各种不同的应用场景日趋增多,对传统的调制识别方法产生了很大的挑战。为了适应更低的信噪比和更为严重的信号失真,需要进行进一步的技术创新。调制识别通常是基于对被测信号的特征提取,而深度学习在特征提取和特征识别方面有着传统方法不可比拟的优势。然而,深度学习对于数据的预处理和输入数据的表示方式有着更高的要求。PSK信号是一种常见的调制信号,广泛地应用于多种不同的无线电通讯领域。
目前常用的调制识别算法有以下五钟:
1、时频分布、小波变换算法;
2、高阶累量算法;
3、Welch功率谱估计算法;
4、利用循环谱、谱相关函数进行调制识别的算法;
5、利用决策树按照上述算法提取出的参数进行判决;
然而以上调制识别算法却存在以下几个缺陷:
1、普适性较差,上述算法需要对每一个具体的PSK子类做特定的算法识别,同一套算法不能统一地适用于所有PSK子类;
2、自适应性不足,上述算法的各个判决门限需要人为地进行设定,缺乏可解释性,对于更加复杂环境下搜集的信号,判决的难度更大;
3、误判的情况较多,在识别难度较大的情况下,采用上述识别算法容易将一种信号识别为另一种信号,而不是判定为“不可识别”;
4、未来的可延拓性不足,上述算法均是基于确定性的数学统计特征、频谱特征和其它传统意义上的统计特征,缺乏未来改进的空间;
并且在现有的调制识别过程中还存在着运算量过于庞大的问题。
发明内容
本发明的目的在于:为了解决现有的特征提取式调制识别算法需要人为调整判决门限,并且存在较多误判的问题,本发明提供一种PSK数字信号子类调制识别的深度学习判别方法,在利用信号的先验特征的同时,充分利用深度神经网络的特征提取、特征表示和柔性判别等功能和特点,对一个带有噪声和失真的调制信号进行有效的调试方式的识别。
本发明为了实现上述目的具体采用以下技术方案:
一种PSK数字信号子类调制识别的深度学习判别方法,所述判别方法基于现有的调制信号接收机以及无线电监测一体化平台,包括如下步骤:
S1:利用调制信号接收机接收被测信号,获取与被测信号相对应的IQ数据时间序列;
S2:对获取的IQ数据时间序列进行聚类分析,找出IQ数据时间序列中与星座图稳定点对应的聚类点;
S3:对S2中找出的聚类点进行过滤,得到时域上的相邻聚类点对;
S4:对相邻聚类点对进行相位归一化处理,以消除频偏对采样的影响;
S5:利用相位归一化后的相邻聚类点对在二维平面上生成概率密度特征图;
S6:以调制方式作为标签,利用S1-S5生成不同PSK子类信号的概率密度特征图作为训练集,利用训练集对深度神经网络进行训练,得到训练模型;
S7:利用训练好的训练模型对所接收的PSK子类信号进行判别。
进一步的,所述S2中利用聚类算法对获取的IQ数据时间序列中的各个IQ数据点进行聚类分析,能够对IQ数据中变化相对缓慢的IQ数据点或者IQ数据在二维图中行进路径中的拐点进行识别。按照一定的数学概论,每一个聚类点对应于PSK类信号星座图上的稳定点,是标志调制信号的重要特征,即使在存在噪声和干扰的情况下,聚类算法仍然稳定有效。
对于BPSK、QPSK和8PSK,分别存在着2个、4个和8个类似的稳定点,然而由于接收过程存在着可能的频偏,这样的聚类点不可直接地表示为星座图,因此需要后续进行归一化处理。
所述聚类算法包括基于相对距离的简单聚类法和K-调和平均聚类等常用聚类算法,所述聚类算法对设备计算能力的要求不高,并且由于采样时间是均匀的,因此采用聚类算法能够挖掘出相对距离较近的聚类点,用以表征IQ数据点在二维图中行进相对缓慢的部分。
进一步的,所述S3中根据被测信号的符号率和调制信号接收机的采样率,对聚类点进行过滤,筛选出时域上临近的相邻聚类点对,确保相邻聚类点对在时间上的临近,能够避免进行后续步骤时,频偏随时间累积造成的误差。
进一步的,所述S4中采用坐标旋转法对相邻聚类点对进行归一化处理,具体为:对于每一对相邻聚类点对,在二维图上,以原点为中心,将前聚类点旋转到x轴并记录下旋转的角度,然后对后聚类点旋转相同的角度,并将旋转以后的点绘制于二维图中,再对下一对相邻聚类点对做相同的重复。该步骤的有效性在于提取了相邻聚类点对之间的相位跳变。
对于BPSK,后聚类点相对于前聚类点的相位跳变只能是π,因此,将前聚类点旋转到x轴以后,后聚类点旋转相同的角度,将会落于π角度的位置。对于QPSK,后聚类点相对于前聚类点的相位跳变只能是π,因此,将前聚类点旋转到x轴以后,后聚类点旋转相同的角度,将会落于π、π/2和-π/2三个位置。将坐标旋转之后的所有后聚类点绘制于二维坐标系中,将会得到类似于QPSK星座图一样的分布规律,所有的聚类点聚集在4个位置。8PSK的情况与之相仿,所有的稳定点将会聚集在8个位置。值得注意的是,这种算法可以有效地区分QPSK,OQPSK和π/4 DQPSK。以OQPSK为例,由于相邻两个聚类点之间的相位跳变只能是π/2和-π/2,而不能是π,因此经过坐标旋转以后的聚类点只会落于π/2和-π/2两个位置,由此可以与QPSK区分开来。π/4 DQPSK也可以同理区分开来。
进一步的,所述S5中将一幅由多个经过相位归一化的聚类点构成的图转换为热度图,即概率密度特征图。即使在低信噪比和具有较大的信号失真存在的情况下,热度图仍然可以代表聚类点分布的概率规律,可以用于表征不同PSK信号的特征,便于在后续步骤中被深度神经网络识别。
进一步的,所述S6利用各种不同的PSK信号对应的概率密度特征图训练深度神经网络。深度神经网络的拓扑结构采用卷积和CNN神经网络。传统上,CNN可以有效地挖掘使用图形的特征,即使在图像有干扰的情况下也能做出准确的判决。
此设计方案符合深度学习工程应用的两个先决条件:一是存在大量的训练样本,每种PSK信号对应的特征图都拥有明显且固定的特征规律,便于进行数据集增强,自动生成大量的训练样本;二是每个特征图作为训练样本,都有已知的“调制方式”作为对应的标签。CNN的输入为概率密度特征图;输出为一个向量,其每个元素代表一种PSK调制方式的置信度。每个训练样本的“输出”中,与其标签对应的置信度设置为1,而其它的元素的置信度设置为0。在信号特征较好的情况下,CNN的输出中,各个元素中有一个明显最大的元素,可以判决为其对应的调制方式;而在信号特征较差的情况下,CNN的输出中,各个元素值差别不大,可以直接判决为“不可判决”,以提示采取别的方式进行判决,或者进行重复实验,从而避免了误判决。
只需保证训练集的充分性和神经网络参数的合理选取,即可保证CNN的特征提取和识别的能力。CNN的训练过程是一次性完成的;换言之,经过训练的CNN,对于新的信号和测试环境不需要再次训练。
进一步地,所述S6中,经过训练的CNN将学习到的各种PSK子类信号特征保存的特征存储于深度神经网络的权重中,新的调制信号,经过上述接收、预处理,生成概率密度特征图,即可由CNN给出判决结果。
进一步的,所述S6中,对深度神经网络的训练集进行数据集增强,人为根据不同PSK子类信号的固定特征生成大量的概率密度特征图,对深度神经网络进行训练。
进一步的,所述对深度神经网络的训练集进行数据集增强,具体是在概率密度特征图及基础上,随机加上人为噪声和畸变,构成新的训练集对深度神经网络进行训练。
本发明的有益效果如下:
1、本发明在利用PSK信号的先验特征的同时,充分利用深度神经网络的特征提取、特征表示和柔性判别等功能和特点,对带有噪声和失真的调制信号进行有效的调试方式的识别,能够有效避免误判,防止误判对后续解调工作产生的误导。
2、本发明充分利用了深度学习的抽象能力和表示能力,并且能够适用于任一PSK子类信号的调制识别,具有普适性、通用性和可延展性。
附图说明
图1是本发明的方法流程示意图。
图2是本发明各PSK子类调制信号概率密度特征图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示,本实施例提供一种PSK数字信号子类调制识别的深度学习判别方法,所述判别方法基于现有的调制信号接收机以及无线电监测一体化平台,包括如下步骤:
一、信号的接收
S1:利用调制信号接收机接收被测信号,获取与被测信号相对应的IQ数据时间序列;
信号的接收过程与传统的信号接收相似,被测信号通过调制信号接收机进行接收,调制信号接收器滤波器的种类、参数以及采样率都通过对调制信号接收机进行软件设置。本实施例对此类设置的取值范围具有鲁棒性,设置方式与传统方案相似,仅需确保接收的过程不对信号产生额外的损失和畸变。调制信号接收机的输出是IQ数据的时间序列,由I的数据子列和Q的数据子列组成,其长度相同;
二、信号的预处理
S2:对获取的IQ数据时间序列进行聚类分析,找出IQ数据时间序列中与星座图稳定点对应的聚类点;
S3:对S2中找出的聚类点进行过滤,得到时域上的相邻聚类点对;
S4:对相邻聚类点对进行相位归一化处理,以消除频偏对采样的影响;
S5:利用相位归一化后的相邻聚类点对在二维平面上生成概率密度特征图;
信号的预处理是由IQ数据的时间序列生成概率密度特征图的过程,可以作为无线电监测一体化平台软件的一部分进行实现,现有的无线电监测一体化平台,已经能够成熟稳定地提供被测信号码速率等信息,可以作为重要的先验信息。本实施例不需要其它额外的先验信息,对各种不同种类的PSK信号的识别过程,拥有统一的算法流程。
信号的预处理过程包含了S2对IQ数据时间序列进行聚类分析、S3时间过滤、S4相位归一化等算法过程。由聚类算法找出IQ数据时间序列中的聚类点;由时间过滤算法筛选相邻聚类点对;由相位归一化算法来消除采样过程中频偏的影响,使得聚类点收敛于几个固定的特征位置;再将聚类点的分布规律转化为密度图的形式。这些算法在数学上,对计算设备的要求不高,便于使用C/C++/C#进行物理实现,作为一体化平台的一部分在普通的工作电脑上实现;实现的过程不需要人为干预。信号预处理过程生成的概率密度特征图以数据的形式表示。例如,对于100×100的图像,所有像素都统一化为0到1之间的热度;那么输出数据就是10000个位于0到1之间的double型数;
其中S3中根据被测信号的符号率和调制信号接收机的采样率,对聚类点进行过滤,具体为:在无线电监测一体化平台软件显示的频谱图上,观察被测信号的频谱是否落入了调制信号接收机对应的接收带宽的范围,从而确定接收过程选用的采样率与被测信号的符号率是否匹配;对于不匹配的情况,则修改采样率,重新进行接收;
其中S5中采用常用的转换工程将相位归一化后的相邻聚类点对生成概率密度特征图,即:将二维坐标平面均分为若干个网格,算出所有聚类点落入各个网格的数量值,这些数量值便构成了概率密度特征图;
三、深度神经网络的训练
S6:以调制方式作为标签,利用S1-S5生成不同PSK子类信号的概率密度特征图作为训练集,利用训练集对深度神经网络进行训练,得到训练模型;
本实施例中,卷积和神经网络训练的过程是一次性的;针对各种PSK子类信号的特征训练结束以后,获得表征神经网络的权重值以后,不需要再次训练。因此,训练的过程可以是离线的。神经网络的训练需要大量的训练样本;由于各种PSK子类信号的特征较为明显,可以用单独的算法程序生成离线训练样本。例如,按照如图2中理想的特征图,加入噪声;在有较大失真的情况下获得信号的特征图。这些特征图进行加权叠加,即可生成大量的训练样本,同时使神经网络适应比较恶劣的极限条件。经过训练的神经网络的权重可以直接集成于软件平台进行判决。神经网络的训练过程不需集成于软件平台,因此可以选用任意的实现方式。
四、训练模型判决和后续处理
S7:利用训练好的训练模型对所接收的PSK子类信号进行判别;
经过训练的卷积和神经网络,可以通过C/C++/C#程序集成入一体化平台。神经网络按照特征图生成输入向量;输入向量的每个元素对应于判决为某一种特定PSK调制方式的置信度。在后续处理中,如果对某一种PSK调制方式的置信度明显高于其它的调制方式,即可确定调制方式;否则即可判决为“不可判决”,提示需要进行重新实验,或者检查信号的有效性。
本实施例的PSK调制识别方案,是在现成已成熟的调制信号接收机和一体化软件平台,集成了深度学习算法而完成的一种实现。按照现有的信号接收方式进行接收,即可由软件对PSK调制方式做出判决,给出结论。在信号已经完全失真的情况下,本实施例会避免误判决。此外,本实施例在未来还能扩展到其它调制方式子类信号的识别,具有一定的通用性。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (7)
1.一种PSK数字信号子类调制识别的深度学习判别方法,所述判别方法基于现有的调制信号接收机以及无线电监测一体化平台,其特征在于,包括如下步骤:
S1:利用调制信号接收机接收被测信号,获取与被测信号相对应的IQ数据时间序列;
S2:对获取的IQ数据时间序列进行聚类分析,找出IQ数据时间序列中与星座图稳定点向对应的聚类点;
S3:对S2中找出的聚类点进行过滤,得到时域上的相邻聚类点对;
S4:对相邻聚类点对进行相位归一化处理;
S5:利用相位归一化后的相邻聚类点对在二维平面上生成概率密度特征图;
S6:以调制方式作为标签,利用S1-S5生成不同PSK子类信号的概率密度特征图作为训练集,利用训练集对深度神经网络进行训练,得到训练模型;
S7:利用训练好的训练模型对所接收的PSK子类信号进行判别。
2.根据权利要求1所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述S2中利用聚类算法对获取的IQ数据时间序列中的各个IQ数据点进行聚类分析,所述聚类算法包括基于相对距离的简单聚类法和K-调和平均聚类等常用聚类算法。
3.根据权利要求1所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述S3中根据被测信号的符号率和调制信号接收机的采样率,对聚类点进行过滤。
4.根据权利要求1所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述S4中采用坐标旋转法对相邻聚类点对进行归一化处理,具体为:在二维图中对每一相邻聚类点对中的前聚类点和后聚类点进行相同角度的坐标旋转,使得前聚类点落在一个固定的坐标轴上。
5.根据权利要求1所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述S6中的深度神经网络的拓扑结构采用卷积和CNN神经网络,向CNN神经网络输入概率密度特征图,CNN神经网络输出一个向量,所述向量中的每个元素代表一种PSK调制方式的置信度,每个训练样本的输出的向量中,与其标签相对应的置信度为1,其他元素的置信度为0。
6.根据权利要求1所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述S6中,对深度神经网络的训练集进行数据集增强,人为根据不同PSK子类信号的固定特征生成大量的概率密度特征图,对深度神经网络进行训练。
7.根据权利要求6所述的一种PSK数字信号子类调制识别的深度学习判别方法,其特征在于:所述对深度神经网络的训练集进行数据集增强,具体是在概率密度特征图及基础上,随机加上人为噪声和畸变,构成新的训练集对深度神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308392.0A CN110071885A (zh) | 2019-04-17 | 2019-04-17 | 一种psk数字信号子类调制识别的深度学习判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308392.0A CN110071885A (zh) | 2019-04-17 | 2019-04-17 | 一种psk数字信号子类调制识别的深度学习判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110071885A true CN110071885A (zh) | 2019-07-30 |
Family
ID=67367875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308392.0A Pending CN110071885A (zh) | 2019-04-17 | 2019-04-17 | 一种psk数字信号子类调制识别的深度学习判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110071885A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN112866156A (zh) * | 2021-01-15 | 2021-05-28 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN113242201A (zh) * | 2021-04-16 | 2021-08-10 | 西北大学 | 基于生成分类网络的无线信号增强解调方法及系统 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN115150237A (zh) * | 2022-06-09 | 2022-10-04 | 姚辰熙 | 基于深度学习算法的无线电信号识别技术 |
CN115314348A (zh) * | 2022-08-03 | 2022-11-08 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的qam信号调制识别方法 |
CN115664906A (zh) * | 2022-10-18 | 2023-01-31 | 中国人民解放军军事科学院系统工程研究院 | 一种tdma信号协议无监督聚类方法及装置 |
CN115277325B (zh) * | 2022-07-29 | 2024-01-30 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的psk信号调制识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047678A1 (en) * | 2005-08-30 | 2007-03-01 | Motorola, Inc. | Method and system for combined polarimetric and coherent processing for a wireless system |
CN107425940A (zh) * | 2017-06-15 | 2017-12-01 | 电子科技大学 | 一种基于监督式学习聚类算法的空间调制系统检测方法 |
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 |
CN109309640A (zh) * | 2018-09-08 | 2019-02-05 | 苏州大学 | 基于机器学习的盲信号格式识别方法 |
CN109347775A (zh) * | 2018-10-22 | 2019-02-15 | 西南交通大学 | 一种联合强度波动与相位波动特征的调制格式识别方法 |
-
2019
- 2019-04-17 CN CN201910308392.0A patent/CN110071885A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047678A1 (en) * | 2005-08-30 | 2007-03-01 | Motorola, Inc. | Method and system for combined polarimetric and coherent processing for a wireless system |
CN107425940A (zh) * | 2017-06-15 | 2017-12-01 | 电子科技大学 | 一种基于监督式学习聚类算法的空间调制系统检测方法 |
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 |
CN109309640A (zh) * | 2018-09-08 | 2019-02-05 | 苏州大学 | 基于机器学习的盲信号格式识别方法 |
CN109347775A (zh) * | 2018-10-22 | 2019-02-15 | 西南交通大学 | 一种联合强度波动与相位波动特征的调制格式识别方法 |
Non-Patent Citations (2)
Title |
---|
吴佩军: ""基于星座图恢复的多进制相位调制信号识别"", 《电讯技术》 * |
陈曦: ""基于深度学习的数字信号调制方式识别方法研究"", 《中国优秀硕士论文全文数据库》 * |
Cited By (14)
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 |
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN112866156A (zh) * | 2021-01-15 | 2021-05-28 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN112866156B (zh) * | 2021-01-15 | 2022-06-17 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113269023B (zh) * | 2021-03-26 | 2024-04-12 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113242201B (zh) * | 2021-04-16 | 2022-04-12 | 西北大学 | 基于生成分类网络的无线信号增强解调方法及系统 |
CN113242201A (zh) * | 2021-04-16 | 2021-08-10 | 西北大学 | 基于生成分类网络的无线信号增强解调方法及系统 |
CN115150237A (zh) * | 2022-06-09 | 2022-10-04 | 姚辰熙 | 基于深度学习算法的无线电信号识别技术 |
CN115277325B (zh) * | 2022-07-29 | 2024-01-30 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的psk信号调制识别方法 |
CN115314348A (zh) * | 2022-08-03 | 2022-11-08 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的qam信号调制识别方法 |
CN115314348B (zh) * | 2022-08-03 | 2023-10-24 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的qam信号调制识别方法 |
CN115664906A (zh) * | 2022-10-18 | 2023-01-31 | 中国人民解放军军事科学院系统工程研究院 | 一种tdma信号协议无监督聚类方法及装置 |
CN115664906B (zh) * | 2022-10-18 | 2023-05-02 | 中国人民解放军军事科学院系统工程研究院 | 一种tdma信号协议无监督聚类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110071885A (zh) | 一种psk数字信号子类调制识别的深度学习判别方法 | |
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 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
O'Shea et al. | Learning approximate neural estimators for wireless channel state information | |
CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
CN111049770B (zh) | 基于高阶累积量的调制信号识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
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 | |
CN106936742A (zh) | 基于神经网络的多档码速率自适应解调系统及方法 | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN112702294A (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN107317778B (zh) | 基于1d-cnn的bpsk调制信号相位跳变检测方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
Ahmadi | Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
US20030165259A1 (en) | Signal analysis using image processing techniques | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN116680608A (zh) | 一种基于复数图卷积神经网络的信号调制识别方法 |
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. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190730 |