CN110084126A - 一种基于Xgboost的卫星通信干扰样式识别方法 - Google Patents
一种基于Xgboost的卫星通信干扰样式识别方法 Download PDFInfo
- Publication number
- CN110084126A CN110084126A CN201910246077.XA CN201910246077A CN110084126A CN 110084126 A CN110084126 A CN 110084126A CN 201910246077 A CN201910246077 A CN 201910246077A CN 110084126 A CN110084126 A CN 110084126A
- Authority
- CN
- China
- Prior art keywords
- signal
- xgboost
- parameter
- identified
- model
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Noise Elimination (AREA)
Abstract
本发明属于通信技术与人工智能技术领域,公开了一种基于Xgboost的卫星通信干扰样式识别方法;首先,对待训练的干扰信号进行预处理,提取信号的九种特征参数,并构建用于训练模型的输入矩阵与输出矩阵;然后,创建Xgboost模型,设置模型参数组合区间,并结合Bayesian Optimization的思想对模型进行训练,寻找最优的参数组合,并得到最终的模型;最后,提取待识别信号的九种特征参数,将提取的特征参数输入训练好的模型,对干扰信号的样式进行识别。本发明有效地解决了现有识别方法在低干噪比场景中识别率低、需人工手动调参优化、以及稳定性较差的问题,为进行干扰抑制、干扰消除提供依据。
Description
技术领域
本发明属于通信技术与人工智能技术领域,尤其涉及一种基于Xgboost的卫星通信干扰样式识别方法。
背景技术
当今的时代,是信息化的时代,无线通信技术不断发展,可利用的频谱资源越来越稀缺,相互之间的干扰也越来越严重。同时,卫星通信系统也时刻经受着各式各样的人为干扰。如何提供高质量、高可靠性、高安全性的无线通信已经成为通信领域的一个重大的研究课题。
目前,最接近的现有技术:对于干扰信号的识别方法主要有两种方式。一是基于最大似然理论的识别方法,首先对信号的似然函数进行处理,得到适用于信号分类的统计量,然后选择一个合适的门限比较,通过判决完成信号识别分类过程。另一种是基于统计模式的识别方法,即通过提取信号的特征参数,设计算法分类器进行判别,这种也是现今应用最广泛的方法。
现有技术一提出一种采用决策树的干扰识别方法。该方法首先提取具有鲁棒性的特征参数,通过人为设定的阈值,对干扰样式进行分类判决。该方法实现简单,复杂度低,但是存在不足之处:决策效果主要取决于判决阈值的影响,若阈值选取不合适,那么在干噪比较低的场景下,识别性能很低;另外,使用决策树方法进行干扰样式识别时,识别准确率还受特征参数的选择顺序影响,若先作为划分的特征属性性能较差,会直接影响后续整体的识别性能。
现有技术二提出一种采用BP神经网络进行干扰识别的方法。该方法将提取的特征参数通过神经网络自动实现样式识别。该方法虽然自学习和自适应能力强,但是存在不足之处:神经网络模型复杂,训练效率低,参数调节复杂,且隐层数和隐层神经元数选取方面无理论依据。另外,神经网络模型依赖大量的样本数据,若数据样本少,容易过拟合,即在已知的样本上表现良好,但对未知数据的预测能力不足,泛化能力弱。
综上所述,现有技术存在的问题是:
(1)现有技术采用决策树的干扰识别方法存在决策效果主要取决于判决阈值的影响,若阈值选取不合适,在干噪比较低的场景下,识别性能很低;另外,使用决策树方法进行干扰样式识别时,识别准确率还受特征参数的选择顺序影响,若先作为划分的特征属性性能较差,会直接影响后续整体的识别性能。
(2)现有技术采用BP神经网络进行干扰识别的方法存在神经网络模型复杂,训练效率低,参数调节复杂,且隐层数和隐层神经元数选取方面无理论依据;另外,神经网络模型依赖大量的样本数据,若数据样本少,容易只在已知的样本上表现良好,但对未知数据的预测能力不足,泛化能力弱。
解决上述技术问题的难度和意义:
现有技术中,对于决策树,效果主要取决于判决阈值的影响,判决阈值又是需要提前设定好的,而对阈值的设置没有一个固定的标准。对于神经网络,虽然识别结果较好,但是网络参数设置复杂,参数选取方面也无理论依据,通常需要经过大量的试验,才能得到较好的参数。训练成本高,效率低,解释性也差,因此也很少能够直接应用于工程中。因此,需要设计一种方法,使得能够让学习器不仅能够通过自身训练去得到一个很好的判决效果,而且对于模型参数的选取也能自适应地做出调整,提升模型的准确率和效率。
近几年来,人工智能行业发展迅速,将人工智能算法应用于卫星通信场景下的干扰样式识别逐渐成为了一个新的研究热点。本发明将人工智能算法之一——Xgboost算法与Bayesian Optimization的思想结合起来,应用到卫星通信干扰样式识别的场景下,只需设置参数区间,可实现模型参数的自动最优选择,在低干噪比下有很高的识别性能,而且运算速度快,效率高,在小样本数据上,同样具有较强的泛化能力,稳定性高。
发明内容
针对现有技术存在的问题,本发明提供了一种基于Xgboost的卫星通信干扰样式识别方法。
本发明是这样实现的,一种基于Xgboost的卫星通信干扰样式识别方法,首先,对待训练的干扰信号进行预处理,提取信号的九种特征参数,并构建用于训练模型的输入矩阵与输出矩阵;然后,创建Xgboost模型,设置模型参数组合区间,并结合BayesianOptimization的思想对模型进行训练,寻找最优的参数组合,并得到最终的模型;最后,提取待识别信号的九种特征参数,将提取的特征参数输入训练好的模型,对干扰信号的样式进行识别。
本发明的另一目的在于提供一种模型参数自动调整的方法,基于BayesianOptimization的思想对模型进行训练,避免传统网格搜索,随机搜索的调参方式容易陷入局部最优解的问题。
综上所述,本发明的优点及积极效果为:本发明通过将Xgboost算法与BayesianOptimization的思想结合起来,应用到卫星通信干扰样式识别的场景下,只需设置参数区间,即可通过训练完成模型参数的自动最优选择,实现了卫星通信系统中六种典型干扰样式的自动识别,在低干噪比下有很高的识别率。避免了传统决策树方法需要提前设置门限阈值、准确率低的缺点;同时,也无神经网络模型调参复杂,缺乏理论依据等缺点。且运算速度快,效率高,在小样本数据上,同样具有较强的泛化能力,不容易过拟合,稳定性高。
附图说明
图1是本发明实施例提供的基于Xgboost的卫星通信干扰样式识别方法流程图。
图2是本发明实施例提供的在不同干噪比下干扰样式识别的性能图。
图3是本发明实施例提供的与现有技术在不同干噪比下干扰样式识别的性能对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明具体涉及在卫星通信场景下一种基于Xgboost的卫星通信干扰样式识别方法,可用于卫星地面监测站进行卫星信号频谱监测场景中的干扰样式方式识别。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于Xgboost的卫星通信干扰样式识别方法包括以下步骤:
S101:对待训练干扰信号进行功率归一化预处理,分析信号的时频域特性,提取待训练信号的九种特征参数;
S102:构建用于训练Xgboost模型的输入矩阵与输出矩阵;
S103:创建Xgboost模型,设置模型参数组合区间,结合Bayesian Optimization的思想,不断训练,通过评价函数来评判每个组合参数的结果,找到组合参数的全局最优解。将最优参数组合带入Xgboost算法,得到最终分类模型;
S104:对待识别干扰信号进行功率归一化处理,并提取待识别信号的九种特征参数,并构建待识别信号的特征参数向量;
S105:将构建的待识别干扰信号的特征参数向量输入训练好的模型,对干扰信号的样式进行判别,得到识别后的结果。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的基于Xgboost的卫星通信干扰样式识别方法包括以下步骤:
步骤一,对待训练干扰信号进行功率归一化预处理,分析信号的时频域特性,提取待识别信号的九种特征参数;
待训练干扰信号的六种样式分别为:单频干扰、多频干扰、扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰;
信号预处理功率归一化方式如下:
其中,x(n)表示经过采样后的原始信号序列,x′(n)表示原始信号功率归一化后的信号,N表示信号的采样点数;
提取干扰信号的九种特征参数分别为:
(1)信号的时域矩偏度T3:
其中,A(n)表示归一化信号的时域包络,定义为A(n)=|x′(n)|,n=1,2,…,N,N为采样点的个数;μt,σt分别为时域信号的幅度均值与标准差;
(2)信号的时域矩峰度T4:
(3)信号的时域包络起伏度TR:
(4)信号的时域峰均比系数Tpm:
其中,Amax为时域信号包络A(n)的最大值,Amean为时域信号包络A(n)的平均值。
(5)信号的频域矩偏度F3:
其中,X(k)表示信号的功率谱。μf,σf分别为X(k)的幅度均值与标准差。
(6)信号的频域矩峰度F4:
(7)信号的频域起伏度FR:
(8)平均频谱平坦系数:
其中,
其中,为Xc(k)的统计均值。L为平均滑动窗口宽度,取L=0.03K,K为频域信号点数。
(9)信号的3dB带宽因子:
其中,
其中,Xmax表示功率谱的最大值,λ=0.5。
步骤二,构建用于训练Xgboost模型的输入矩阵与输出矩阵。
构建训练输入矩阵、输出矩阵的方式如下:
对于每一个数据样本,其输入向量为一个1×9维的特征参数向量:
其中,xi的每一列对应一种特征参数。设每种信号样本数为Nsample,共K中待识别信号类型,则共有样本数N=K×Nsample,此处K=6。那么,对所有的样本数据,输入矩阵为:
其中,X为训练的输入矩阵,行数N等于干扰信号的总样本数据,列数M等于干扰信号特征参数数目,此处M=9。
对于每一个数据样本,其输出为一个类别,需要对标签进行LabelEncoder编码转化为数值,采用顺序编码的方式,如果干扰样式是总干扰样式里的第k种,则编码后的结果为k。于是,对于输入向量xi,其输出值为:
yi=Si,Si∈[1,K];
其中,K为待识别信号类型数目,此处K=6。那么对所有的样本数据,输出矩阵为:
其中,Y为训练的输出矩阵,每一行代表该行数据样本的判别结果。
步骤三,创建Xgboost模型,设置模型参数组合区间,结合Bayesian Optimization的思想,不断训练,通过评价函数对每个参数组合得到的分类结果进行评价,得到最优参数组合,将最优参数组合带入Xgboost算法,得到最终分类模型。
基于BayesianOptimization的寻参方式如下:
(1)设定Xgboost算法的参数区间,包括其中,模型参数包括学习率、基分类器个数、最大树深度、叶节点最小权值、行抽样率、列抽样率、正则化项1、正则化项2。
(2)将得到的用于训练的输入矩阵X、输出矩阵Y输入Xgboost模型中进行训练,将Bayesian Optimization思想运用在Xgboost算法中用于参数的选择,如下公式:
xt=arg maxμt-1(x)+kσt-1(x);
其中,xt表示下一次采样的位置,考虑最大值函数值的情况,首先使用已有的观测值构建一个高斯过程的回归模型,并预测出输入位置上的均值μt-1(x)和标准差σt-1(x)。选择均值和标准差的加和最大的输入位置作为下一个采样的点,其中k为权重参数。
(3)基于Bayesian Optimization算法,找出组合参数的惩罚函数的最优值。
(4)将全局最优的参数组合带入Xgboost算法进行训练,测试Xgboost算法模型,并计算分类精度。
(5)如果满足要求,则输出最优参数值,如果不符合再次返回(3),直到满足要求。
步骤四,对待识别干扰信号进行功率归一化处理,并提取待识别信号的九种特征参数,并构建待识别信号的特征参数向量。
构建待识别信号的特征参数向量方式如下:
对于每一个待识别样本,提取该待识别信号的九种特征参数,其中特征包括T3,T4,TR,Tpm,F3,F4,FR,Fc,Bf。则对于任意第j个待识别信号,其特征参数向量为一个由特征参数组成的1×9维的向量x′j:
步骤五,将构建的待识别干扰信号的特征参数向量输入训练好的模型,对干扰信号的样式进行判别,得到识别后的结果。
对待识别信号判决的方式如下:
对任意待识别干扰信号的特征参数向量x′j,输入已训练完成的模型中,进行干扰样式自动识别,待识别完成后输出识别结果。
下面结合仿真图对本发明的应用效果作详细的描述。
1.仿真参数设置:
信号参数设置:
采样频率250MHz,系统观测频段为40MHz到90MHz,干扰类型包括单频干扰(STJ)、多频干扰(MTJ)、扫频干扰(LFM)、射频噪声干扰(NMJ)、噪声调幅干扰(NAM)、噪声调频干扰(NFM)。其中,单频干扰、多频干扰位置随机,多频干扰频点数2到10个,扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰,干扰带宽为10MHz,干噪比范围从-5dB到20dB,每种干扰信号产生200个样本信号以供训练,干噪比范围从-15dB到20dB,每种干扰信号每个干噪比下产生100个样本信号以供测试。
模型参数设置:
表1模型参数设置
模型参数 | 取值区间 |
学习率(learning_rate) | [0.01,0.1] |
基分类器个数(n_estimators) | [10,100] |
最大树深度(max_depth) | [5,15] |
叶节点最小权值(min_child_weight) | [1,20] |
行抽样率(subsample) | [0.5,1] |
列抽样率(col_sample_bytree) | [0.5,1] |
正则化项1(gamma) | [0,1] |
正则化项2(alpha) | [0,1] |
2.仿真结果分析
图2、图3分别给出了本发明在不同干噪比下干扰样式识别的性能图,以及与现有技术在不同干噪比下总识别率的性能对比图。横坐标JNR代表干噪比,取值范围为[-15,20];纵坐标Pd代表干扰样式的识别率,取值范围为[0,1]。
由图2可以看出,本发明在低干噪比下时表现出很好的正确识别率性能,其中,扫频干扰识别性能最优,在干噪比为-15dB时识别概率能达到90%以上。多频干扰,射频噪声干扰,噪声调频干扰,在干噪比为-4dB时,识别概率均能到达100%,在干噪比为1dB时,所有干扰信号识别概率均能到达100%。
由图3可以看出,本发明在干噪比小于-5dB时下时总正确识别率性能显著高于传统的决策树与BP神经网络方法,在干噪比大于-5dB时,总正确识别率能达到90%。之后随着干噪比的增大,逐渐和神经网络的性能接近,但是均高于决策树方法,大约在干噪比3dB时,三种方法识别率均能达到100%。
由上可以看出,本发明有效提高了干扰样式识别在干噪比较低场景中的性能,且易于实现,运算速度快,效率高,在小样本数据上,具有较强的泛化能力,稳定性高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述基于Xgboost的卫星通信干扰样式识别方法包括:
第一步,对待训练干扰信号进行功率归一化预处理,分析信号的时频域特性,提取待训练信号的九种特征参数;
第二步,构建用于训练Xgboost模型的输入矩阵与输出矩阵;
第三步,创建Xgboost模型,设置模型参数组合区间,结合Bayesian Optimization的思想,不断训练,通过评价函数来评判每个组合参数的结果,找到组合参数的全局最优解;将最优参数组合带入Xgboost算法,得到最终分类模型;基于Bayesian Optimization的寻参方式如下:
(1)设定Xgboost算法的参数区间,其中,模型参数包括学习率、基分类器个数、最大树深度、叶节点最小权值、行抽样率、列抽样率、正则化项1、正则化项2;
(2)将得到的用于训练的输入矩阵X、输出矩阵Y输入Xgboost模型中进行训练,将Bayesian Optimization思想运用在Xgboost算法中用于参数的选择,如下公式:
xt=argmaxμt-1(x)+kσt-1(x);
其中,xt表示下一次采样的位置,考虑最大值函数值的情况,首先使用已有的观测值构建一个高斯过程的回归模型,并预测出输入位置上的均值μt-1(x)和标准差σt-1(x);选择均值和标准差的加和最大的输入位置作为下一个采样的点,其中k为权重参数;
(3)基于Bayesian Optimization算法,找出组合参数的惩罚函数的最优值;
(4)将全局最优的参数组合带入Xgboost算法进行训练,测试Xgboost算法模型,并计算分类精度;
(5)如果满足要求,则输出最优参数值,如果不符合再次返回(3),直到满足要求;
第四步,对待识别干扰信号进行功率归一化处理,提取待识别信号的九种特征参数,并构建待识别信号的特征参数向量;
第五步,将构建的待识别干扰信号的特征参数向量输入训练好的模型,对干扰信号的样式进行判别,得到识别后的结果。
2.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第一步中待训练干扰信号的六种样式分别为:单频干扰、多频干扰、扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰。
3.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第一步中信号功率归一化预处理方式如下:
其中,x(n)表示经过采样后的原始信号序列,x′(n)表示原始信号功率归一化后的信号,N表示信号的采样点数。
4.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第一步中提取干扰信号的九种特征参数分别为:
(1)信号的时域矩偏度T3:
其中,A(n)表示归一化信号的时域包络,定义为A(n)=|x′(n)|,n=1,2,…,N,N为采样点的个数;μt,σt分别为时域信号的幅度均值与标准差;
(2)信号的时域矩峰度T4:
(3)信号的时域包络起伏度TR:
(4)信号的时域峰均比系数Tpm:
其中,Amax为时域信号包络A(n)的最大值,Amean为时域信号包络A(n)的平均值;
(5)信号的频域矩偏度F3:
其中,X(k)表示信号的功率谱,μf,σf分别为X(k)的幅度均值与标准差;
(6)信号的频域矩峰度F4:
(7)信号的频域起伏度FR:
(8)平均频谱平坦系数:
其中;
其中,为Xc(k)的统计均值,L为平均滑动窗口宽度,取L=0.03K,K为信号傅里叶变换点数;
(9)信号的3dB带宽因子:
其中;
其中,Xmax表示功率谱的最大值,λ=0.5。
5.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第二步中构建训练输入矩阵、输出矩阵的方式如下:
对于每一个数据样本,其输入向量为一个1×9维的特征参数向量:
其中,xi的每一列对应一种特征参数,每种信号样本数为Nsample,共K种干扰信号类型,则共有样本数N=K×Nsample,此处K=6;那么,对所有的样本数据,输入矩阵为:
其中,X为训练的输入矩阵,行数N等于干扰信号的总样本数据,列数M等于干扰信号特征参数数目,此处M=9;
对于每一个数据样本,其输出为一个类别,需要对标签进行LabelEncoder编码转化为数值,采用顺序编码的方式,如果干扰样式是总干扰样式里的第k种,则编码后的结果为k;于是,对于输入向量xi,其输出值为:
yi=Si,Si∈[1,K];
其中,K为待识别信号类型数目,此处K=6。那么对所有的样本数据,输出矩阵为:
其中,Y为训练的输出矩阵,每一行的数值代表该行数据样本的判别结果。
6.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第四步中构建待识别信号的特征参数向量方式如下:
对于每一个待识别样本,提取该待识别信号的九种特征参数,其中特征包括T3,T4,TR,Tpm,F3,F4,FR,Fc,Bf;则对于任意第j个待识别信号,其特征参数向量为一个由特征参数组成的1×9维的向量x′j:
7.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法,其特征在于,所述第五步中对待识别信号判决的方式如下:
对任意待识别干扰信号的特征参数向量x′j,输入已训练完成的模型中,进行干扰样式自动识别,待识别完成后输出识别结果。
8.一种应用权利要求1~7任意一项所述的基于Xgboost的卫星通信干扰样式识别方法的卫星通信系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246077.XA CN110084126B (zh) | 2019-03-29 | 2019-03-29 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246077.XA CN110084126B (zh) | 2019-03-29 | 2019-03-29 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084126A true CN110084126A (zh) | 2019-08-02 |
CN110084126B CN110084126B (zh) | 2022-01-28 |
Family
ID=67413793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910246077.XA Active CN110084126B (zh) | 2019-03-29 | 2019-03-29 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084126B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069987A (zh) * | 2020-09-04 | 2020-12-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于统计流形寻优降维的干扰类型自动识别方法 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN113055107B (zh) * | 2021-02-23 | 2021-11-30 | 电子科技大学 | 一种针对具有未知通信模式电台的干扰策略生成方法 |
CN115243288A (zh) * | 2022-07-11 | 2022-10-25 | 中国人民解放军国防科技大学 | 基于多节点合作感知的干扰识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
WO2017152990A1 (en) * | 2016-03-11 | 2017-09-14 | Telecom Italia S.P.A. | Convolutional neural networks, particularly for image analysis |
GB2553514A (en) * | 2016-08-31 | 2018-03-14 | Green Running Ltd | A utility consumption signal processing system and a method of processing a utility consumption signal |
CN108135003A (zh) * | 2017-12-25 | 2018-06-08 | 广东海格怡创科技有限公司 | 干扰类型识别模型的构建方法和系统 |
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
US20190080237A1 (en) * | 2017-09-13 | 2019-03-14 | Southern Methodist University | Bridge impact detection and classification systems and methods |
-
2019
- 2019-03-29 CN CN201910246077.XA patent/CN110084126B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
WO2017152990A1 (en) * | 2016-03-11 | 2017-09-14 | Telecom Italia S.P.A. | Convolutional neural networks, particularly for image analysis |
GB2553514A (en) * | 2016-08-31 | 2018-03-14 | Green Running Ltd | A utility consumption signal processing system and a method of processing a utility consumption signal |
US20190080237A1 (en) * | 2017-09-13 | 2019-03-14 | Southern Methodist University | Bridge impact detection and classification systems and methods |
CN108135003A (zh) * | 2017-12-25 | 2018-06-08 | 广东海格怡创科技有限公司 | 干扰类型识别模型的构建方法和系统 |
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
Non-Patent Citations (2)
Title |
---|
JUNQI GUO 等: "An XGBoost-based physical fitness evaluation model using advanced feature selection and Bayesian hyper-parameter optimization for wearable running monitoring", 《COMPUTER NETWORKS》 * |
闫琰 等: "基于多特征联合处理的灵巧噪声干扰识别", 《雷达科学与技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069987A (zh) * | 2020-09-04 | 2020-12-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于统计流形寻优降维的干扰类型自动识别方法 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN113055107B (zh) * | 2021-02-23 | 2021-11-30 | 电子科技大学 | 一种针对具有未知通信模式电台的干扰策略生成方法 |
CN115243288A (zh) * | 2022-07-11 | 2022-10-25 | 中国人民解放军国防科技大学 | 基于多节点合作感知的干扰识别方法和装置 |
CN115243288B (zh) * | 2022-07-11 | 2024-05-03 | 中国人民解放军国防科技大学 | 基于多节点合作感知的干扰识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110084126B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084126A (zh) | 一种基于Xgboost的卫星通信干扰样式识别方法 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN111490853A (zh) | 一种基于深度卷积神经网络的信道编码参数识别方法 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN110996343B (zh) | 基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
CN108830308A (zh) | 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 | |
CN103926526A (zh) | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 | |
CN111832417A (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN103440495A (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN113298846A (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN115276857B (zh) | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 | |
Su et al. | Robust and efficient modulation recognition with pyramid signal transformer |
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 |