CN110086737B - 一种基于图神经网络的通信信号调制方式的识别方法 - Google Patents
一种基于图神经网络的通信信号调制方式的识别方法 Download PDFInfo
- Publication number
- CN110086737B CN110086737B CN201910189931.3A CN201910189931A CN110086737B CN 110086737 B CN110086737 B CN 110086737B CN 201910189931 A CN201910189931 A CN 201910189931A CN 110086737 B CN110086737 B CN 110086737B
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph
- modulation
- training
- feature
- 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.)
- Active
Links
Images
Classifications
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于无线通信技术领域,公开了一种基于图神经网络的通信信号调制方式的识别方法;在发射端发射多种调制方式的调制信号,得到通信信号调制方式识别数据集;将数据集按照图神经网络接口的数量进行划分,得到多个训练样本子集,将训练样本子集逐个输入特征嵌入网络,输出调制信号的特征嵌入向量,再将特征嵌入向量集输入图神经网络,输出测试样本的特征向量;最终将测试样本的特征向量映射为分类结果,根据分类结果对特征嵌入网络和图神经网络进行训练,完成训练后可以用来识别未知调制信号的调制方式。本发明克服了现有技术需要额外的数据预处理手段的问题,使得本发明提高了识别效率、减小了系统复杂度。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于图神经网络的通信信号 调制方式的识别方法。
背景技术
目前,业内现有技术是这样的:通信信号调制技术可以将发射信息映射为 高阶调制符号,提高通信系统的传输速率,又可以实现信号的频谱搬移,使通 信系统适应不同的信道的传输特性,提高通信的可靠性,是现代通信系统的基 础技术。在认知无线电、军事电子对抗等非合作通信中,我方目标为接收或干 扰对方信号,因此需要使用通信信号调制方式识别技术准确识别对方发射信号 的调制方式。现有方法可以有效的识别通信信号调制方式,但计算复杂度过高、 需要额外的数据预处理是现有方法面临的主要问题。
现有技术一提出了一种通信信号调制方式识别的方法。该方法首先利用了 高阶累积量来提取调制信号关键特征,由于理论上高斯白噪声的高阶累积量为 零,因此高阶累积量具有很好的对抗高斯白噪声的性能,高阶累积量的累积阶 数越高,噪声功率也就越小,得到的高阶累积量的关键信息也就越多,最后使 用模式识别方法分类提取的信号高阶累积量,得到信号的分类结果。该方法适 合处理噪声环境下的调制方式识别问题。该方法的不足之处是:需要额外的数 据预处理来提取信号的高阶累积量,高阶累积量的种类繁多,不同类型的高阶 累积量适用于不同信道环境下的调制方式识别问题,因此高阶统计量类型的选 择有一定的经验性和主观性。
现有技术二通过结合调制方式识别和深度学习技术提出了一种基于卷积神 经网络的调制方式识别方法,该方法在接收端将复信号按照实部和虚部拆分成 两行的矩阵,建立了双层卷积神经网络,将调制信号矩阵输入卷积神经网络中, 利用神经网络中的卷积层来自动提取信号特征,最后通过输出层的激活函数将 信号特征映射为分类结果。该方法可以实现端到端学习,提高通信信号调制方 式识别的效率。该方法存在的不足之处是:在低信噪比情况下,信号的噪声功 率较大,原始的卷积神经网络不能在含噪信号中提取有代表性的底层特征,也 就不能根据信号特征做出准确的预测,调制方式识别准确率较低。
现有技术三提出了通过结合星座图和卷积神经网络的调制方式识别方法。 该方法的实施步骤为:第一,射频信号数据的生成或采集;第二,射频信号数 据按照调制方式分类和整理;第三,生成射频信号的星座图;第四,将部分星 座图输入卷积神经网络进行模型训练;第五,将部分验证星座图输入卷积神经 网络,验证该方法的分类准确度;第六,将测试星座图输入卷积神经网络进行 分类识别。该方法存在的不足之处在于:卷积神经网络的输入数据为复信号对 应的星座图,因此需要将原始复信号转化为星座图,该转化过程引入了额外的 数据预处理,提高了算法的计算复杂度,降低了算法的预测效率。
综上所述,现有技术存在的问题是:现有方法可以有效的识别通信信号调 制方式,但需要额外的数据预处理,从而提高了算法的计算复杂度,降低了算 法的预测效率,低信噪比下的识别准确率较低。
解决上述技术问题的难度:
调制方式识别算法的效率和准确率是矛盾的,若提高算法的效率需要降低 模型的复杂度,而若提高算法的准确率则需要提高模型的复杂度,要达到二者 的平衡,需要合理的设计模型结构的复杂度,在低信噪比情况下,信号淹没在 功率较大的噪声中,难以从含噪信号中提取足够的特征,因此调制方式的识别 准确率较低。
解决上述技术问题的意义:
可以在保证调制方式识别算法准确率的前提下,尽量的降低模型复杂度, 从而提高模型的预测效率,使识别算法可以兼顾效率与准确率,若提高了低信 噪比情况下的调制识别准确率,可以使调制方式识别算法适用于更多低信噪比 下的信道环境。
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图神经网络的通信信号 调制方式的识别方法。
本发明是这样实现的,一种基于图神经网络的通信信号调制方式的识别方 法,所述基于图神经网络的通信信号调制方式的识别方法在发射端发射多种调 制方式的调制信号,接收端接收并存储调制信号和对应的调制方式,得到通信 信号调制方式识别数据集;将数据集按照图神经网络接口的数量进行划分,得 到多个训练样本子集,将训练样本子集逐个输入特征嵌入网络,输出调制信号 的特征嵌入向量,再将特征嵌入向量集输入图神经网络,输出测试样本的特征 向量;最终将测试样本的特征向量映射为分类结果,根据分类结果对特征嵌入 网络和图神经网络进行训练,完成训练后可以用来识别未知调制信号的调制方 式。
进一步,所述基于图神经网络的通信信号调制方式的识别方法包括以下步 骤:
步骤一,发射端发送多种调制方式的调制信号;
发射端根据不同调制方式的星座图将发送信息映射为不同类别的调制信 号,将调制信号经过多种信噪比的信道发送出去;
步骤二,接收端处理并存储调制信号;
接收端收到调制信号后对其做下变频操作,得到基带复信号向量,将复信号 向量按照实部和虚部拆分成Q/I两行的矩阵,将所有调制信号样本对应的Q/I矩 阵堆叠为三维矩阵,三个维度分别表示样本序号、Q/I及样本长度;
步骤三,构建通信信号调制方式识别数据集;
存储三维矩阵和每个样本相应的调制方式,得到通信信号调制方式识别数据 集;
步骤四,将数据集划分为多个训练样本子集;
根据输入图神经网络的每个图结构包含的调制方式类别总数、每个类别包括 的样本总数以及测试样本总数,对数据集进行划分,获得多个训练样本子集;
步骤五,特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量;
步骤六,训练特征嵌入网络和图神经网络;将训练样本子集的特征嵌入矩阵 输入图神经网络,经过多层图神经网络的处理,最终得到测试样本的预测结果, 根据预测结果来训练特征嵌入网络和图神经网络;
步骤七,识别未知调制信号样本的调制方式;
完成特征嵌入网络和图神经网络训练后,根据训练样本子集的组成规则, 将未知的新测试样本和样本集中的训练样本组合成新样本子集,将新样本子集 输入特征嵌入网络,得到新样本子集对应的特征嵌入矩阵,将其输入图神经网 络,得到未知新测试样本的预测调制方式。
进一步,所述步骤四将数据集划分为多个训练样本子集具体包括:
第一步,按照下式,计算每个训练样本子集中样本的个数:
N=M·C+T;
其中,N表示每个训练样本子集中样本的个数,·表示相乘操作,M表示调 制方式类别的个数,C表示每个类别包括的训练样本数,T表示测试样本数;
第二步,按照每个训练样本子集中包含的各种训练样本和测试样本的个数将 数据集划分为多个训练样本子集。
进一步,所述步骤五特征嵌入网络提取训练样本子集中每个样本的特征嵌入 向量具体包括:
第一步,构建基于卷积神经网络的特征嵌入网络,特征嵌入网络由1个输入 层、4个卷积层、3个池化层、1个全连接层和1个输出层组成,输出层后添加 Softmax分类激活函数,池化层后添加ReLU激活函数;
第二步,将每个训练样本子集中的样本逐个输入特征嵌入网络,输出样本的 特征嵌入向量,将每个训练样本子集对应的特征嵌入向量堆叠在一起得到每个训 练样本子集的特征嵌入矩阵。
进一步,所述步骤六训练特征嵌入网络和图神经网络具体包括:
第一步,构建图神经网络,图神经网络由邻接矩阵计算模块和图卷积模块两 部分组成,邻接矩阵计算模块包括1个输入层、4个卷积层和1个输出层,在卷 积层后添加批标准化处理,输出层后添加Softmax分类激活函数,卷积层后添加 ReLU激活函数,图卷积模块内为图卷积操作算子,损失函数选择交叉熵损失函 数,优化器选择Adam梯度下降优化器;
第二步,将训练样本子集的特征嵌入矩阵依次输入图神经网络,首先邻接矩 阵计算模块将调制信号的特征嵌入矩阵转变为图结构,然后图卷积模块的图卷积 算子对图结构做图卷积运算,得到新的调制信号特征嵌入矩阵,再将其输入下一 层的图神经网络中,经过多层图神经网络的处理,得到图结构中测试样本的特征 向量,最终利用Softmax激活函数将特征向量映射为预测标签;
第三步,根据测试样本的预测标签与真实标签计算交叉熵损失函数值,对特 征嵌入网络和图神经网络进行训练。
本发明的另一目的在于提供一种应用所述基于图神经网络的通信信号调制 方式的识别方法的无线通信系统。
综上所述,本发明的优点及积极效果为:本发明在保证通信信号调制方式 识别准确率的基础上,没有引入额外的数据预处理操作,而是直接对原始的接 收端调制信号进行处理,通过特征嵌入网络自动提取调制信号特征,避免了人 为主观提取信号特征的不利影响,克服了现有技术需要额外的数据预处理手段 的问题,使得本发明提高了识别效率、减小了系统复杂度。
本发明针对现有技术在低信噪比情况下调制方式识别准确率低的问题,将 各种调制类型的通信信号样本同时输入图神经网络,利用图神经网络的图卷积 操作将图结构中所有训练样本的信息都传入测试样本内,通过对比各种信噪比 下样本的特征得到最终的预测结果,使本发明提高了低信噪比情况下通信信号 调制方式识别的准确率。
本发明可用于认知无线电、军事电子对抗等非合作通信中,提升通信信号 调制方式识别的效率和准确率。
附图说明
图1是本发明实施例提供的基于图神经网络的通信信号调制方式的识别方 法流程图。
图2是本发明实施例提供的基于图神经网络的通信信号调制方式的识别方 法实现流程图。
图3是本发明实施例提供的图神经网络的计算过程示意图。
图4是本发明实施例提供的本发明和现有方法的调制方式识别准确率对比 仿真图。
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。
针对上述已有技术的不足,提出一种基于图神经网络的通信信号调制方式 识别方法,通过本发明的方法可以降低计算复杂度,避免额外的数据预处理, 提高低信噪比下的调制方式识别准确率。
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图神经网络的通信信号调制方式的 识别方法包括以下步骤:
S101:在发射端发射多种调制方式的调制信号,接收端接收并存储调制信 号和对应的调制方式,得到通信信号调制方式识别数据集;
S102:将数据集按照图神经网络接口的数量进行划分,得到多个训练样本 子集,将训练样本子集逐个输入特征嵌入网络,输出调制信号的特征嵌入向量, 再将特征嵌入向量集输入图神经网络,输出测试样本的特征向量;
S103:最终将测试样本的特征向量映射为分类结果,根据分类结果对特征 嵌入网络和图神经网络进行训练,完成训练后可以用来识别未知调制信号的调 制方式。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的基于图神经网络的通信信号调制方式的 识别方法包括以下步骤:
步骤一,发射端发送多种调制方式的调制信号。
发射端根据不同调制方式的星座图将发送信息映射为不同类别的调制信 号,将调制信号经过多种信噪比的信道发送出去。
步骤二,接收端处理并存储调制信号。
接收端收到调制信号后对其做下变频操作,得到基带复信号向量,将复信号 向量按照实部和虚部拆分成Q/I两行的矩阵,将所有调制信号样本对应的Q/I矩 阵堆叠为三维矩阵,三个维度分别表示样本序号、Q/I及样本长度。
步骤三,构建通信信号调制方式识别数据集。
存储三维矩阵和每个样本相应的调制方式,得到通信信号调制方式识别数据 集。
步骤四,将数据集划分为多个训练样本子集。
根据输入图神经网络的每个图结构包含的调制方式类别总数、每个类别包括 的样本总数以及测试样本总数,对数据集进行划分,获得多个训练样本子集。
第一步,按照下式,计算每个训练样本子集中样本的个数:
N=M·C+T;
其中,N表示每个训练样本子集中样本的个数,·表示相乘操作,M表示调 制方式类别的个数,C表示每个类别包括的训练样本数,T表示测试样本数。
第二步,按照每个训练样本子集中包含的各种训练样本和测试样本的个数将 数据集划分为多个训练样本子集。
步骤五,特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量。
第一步,构建基于卷积神经网络的特征嵌入网络,特征嵌入网络由1个输入 层、4个卷积层、3个池化层、1个全连接层和1个输出层组成,输出层后添加 Softmax分类激活函数,池化层后添加ReLU激活函数。
第二步,将每个训练样本子集中的样本逐个输入特征嵌入网络,输出样本的 特征嵌入向量,将每个训练样本子集对应的特征嵌入向量堆叠在一起得到每个训 练样本子集的特征嵌入矩阵;
步骤六,训练特征嵌入网络和图神经网络。
如图3,将训练样本子集的特征嵌入矩阵输入图神经网络,经过多层图神经 网络的处理,最终得到测试样本的预测结果,根据预测结果来训练特征嵌入网络 和图神经网络。
第一步,构建图神经网络,图神经网络由邻接矩阵计算模块和图卷积模块两 部分组成,邻接矩阵计算模块包括1个输入层、4个卷积层和1个输出层,在卷 积层后添加批标准化处理,输出层后添加Softmax分类激活函数,卷积层后添加 ReLU激活函数,图卷积模块内为图卷积操作算子,损失函数选择交叉熵损失函 数,优化器选择Adam梯度下降优化器。
第二步,将训练样本子集的特征嵌入矩阵依次输入图神经网络,首先邻接矩 阵计算模块将调制信号的特征嵌入矩阵转变为图结构,然后图卷积模块的图卷积 算子对图结构做图卷积运算,得到新的调制信号特征嵌入矩阵,再将其输入下一 层的图神经网络中,经过多层图神经网络的处理,得到图结构中测试样本的特征 向量,最终利用Softmax激活函数将特征向量映射为预测标签。
第三步,根据测试样本的预测标签与真实标签计算交叉熵损失函数值,对特 征嵌入网络和图神经网络进行训练。
步骤七,识别未知调制信号样本的调制方式。
完成特征嵌入网络和图神经网络训练后,根据训练样本子集的组成规则,将 未知的新测试样本和样本集中的训练样本组合成新样本子集,将新样本子集输入 特征嵌入网络,得到新样本子集对应的特征嵌入矩阵,将其输入图神经网络,得 到未知新测试样本的预测调制方式。
下面结合仿真实验对本发明的应用效果做详细的描述。
1.仿真条件:
本发明的仿真实验是在MATLAB 7.11和Pytorch 1.0软件下进行的。在本发 明的仿真实验中,发射端分别采用二进制振幅键控、四进制振幅键控、二进制频 移键控、四进制频移键控、二进制相移键控、四进制相移键控、十六进制正交振 幅调制和六十四进制正交振幅调制共8种数字调制方式对信源信号进行调制,传 输信道为瑞利平坦衰落信道,仿真信噪比范围为-14至10dB,每种信噪比下每种 调制方式的调制信号样本数量为1000,调制信号长度为256,每个图结构中包含 的调制方式类别数为8,每个类别包括的样本数为5,测试样本数为1,特征嵌 入向量的长度为64,图神经网络深度为2。
2.仿真内容及仿真结果分析:
本发明的仿真实验是使用本发明和两个现有技术来识别通信信号的调制方 式(现有技术1是基于卷积神经网络的通信信号调制方式识别算法,现有技术2 是基于K近邻算法的通信信号调制方式识别算法)。对不同信噪比下识别通信信 号调制方式的准确率进行仿真。
仿真实验的结果如图4所示,图4中横轴表示接收信号的信噪比,纵轴表示 调制方式识别的准确率。图4中以圆圈标示的实线表示由本发明获得的识别准确 率曲线,以加号标示的虚线表示由现有技术1获得的识别准确率曲线,以方块标 示的电线表示由现有技术2获得的识别准确率曲线。
从图4中可以看出,在所有信噪比情况下,本发明方法的识别准确率明显 高于现有方法2的识别准确率,在信噪比小于-2dB的情况下,本发明的识别准 确率高于现有方法1的识别准确率,说明本发明在降低模型复杂度的同时,提 高了信号的调制方式识别准确率。
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 (5)
1.一种基于图神经网络的通信信号调制方式的识别方法,其特征在于,所述基于图神经网络的通信信号调制方式的识别方法在发射端发射多种调制方式的调制信号,接收端接收并存储调制信号和对应的调制方式,得到通信信号调制方式识别数据集;将数据集按照图神经网络接口的数量进行划分,得到多个训练样本子集,将训练样本子集逐个输入特征嵌入网络,输出调制信号的特征嵌入向量,再将特征嵌入向量集输入图神经网络,输出测试样本的特征向量;最终将测试样本的特征向量映射为分类结果,根据分类结果对特征嵌入网络和图神经网络进行训练,完成训练后可以用来识别未知调制信号的调制方式;
所述基于图神经网络的通信信号调制方式的识别方法包括以下步骤:
步骤一,发射端发送多种调制方式的调制信号;
发射端根据不同调制方式的星座图将发送信息映射为不同类别的调制信号,将调制信号经过多种信噪比的信道发送出去;
步骤二,接收端处理并存储调制信号;
接收端收到调制信号后对其做下变频操作,得到基带复信号向量,将复信号向量按照实部和虚部拆分成Q/I两行的矩阵,将所有调制信号样本对应的Q/I矩阵堆叠为三维矩阵,三个维度分别表示样本序号、Q/I及样本长度;
步骤三,构建通信信号调制方式识别数据集;
存储三维矩阵和每个样本相应的调制方式,得到通信信号调制方式识别数据集;
步骤四,将数据集划分为多个训练样本子集;
根据输入图神经网络的每个图结构包含的调制方式类别总数、每个类别包括的样本总数以及测试样本总数,对数据集进行划分,获得多个训练样本子集;
步骤五,特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量;
步骤六,训练特征嵌入网络和图神经网络;将训练样本子集的特征嵌入矩阵输入图神经网络,经过多层图神经网络的处理,最终得到测试样本的预测结果,根据预测结果来训练特征嵌入网络和图神经网络;
步骤七,识别未知调制信号样本的调制方式;
完成特征嵌入网络和图神经网络训练后,根据训练样本子集的组成规则,将未知的新测试样本和样本集中的训练样本组合成新样本子集,将新样本子集输入特征嵌入网络,得到新样本子集对应的特征嵌入矩阵,将其输入图神经网络,得到未知新测试样本的预测调制方式。
2.如权利要求1所述的基于图神经网络的通信信号调制方式的识别方法,其特征在于,所述步骤四将数据集划分为多个训练样本子集具体包括:
第一步,按照下式,计算每个训练样本子集中样本的个数:
N=M·C+T;
其中,N表示每个训练样本子集中样本的个数,·表示相乘操作,M表示调制方式类别的个数,C表示每个类别包括的训练样本数,T表示测试样本数;
第二步,按照每个训练样本子集中包含的各种训练样本和测试样本的个数将数据集划分为多个训练样本子集。
3.如权利要求1所述的基于图神经网络的通信信号调制方式的识别方法,其特征在于,所述步骤五特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量具体包括:
第一步,构建基于卷积神经网络的特征嵌入网络,特征嵌入网络由1个输入层、4个卷积层、3个池化层、1个全连接层和1个输出层组成,输出层后添加Softmax分类激活函数,池化层后添加ReLU激活函数;
第二步,将每个训练样本子集中的样本逐个输入特征嵌入网络,输出样本的特征嵌入向量,将每个训练样本子集对应的特征嵌入向量堆叠在一起得到每个训练样本子集的特征嵌入矩阵。
4.如权利要求1所述的基于图神经网络的通信信号调制方式的识别方法,其特征在于,所述步骤六训练特征嵌入网络和图神经网络具体包括:
第一步,构建图神经网络,图神经网络由邻接矩阵计算模块和图卷积模块两部分组成,邻接矩阵计算模块包括1个输入层、4个卷积层和1个输出层,在卷积层后添加批标准化处理,输出层后添加Softmax分类激活函数,卷积层后添加ReLU激活函数,图卷积模块内为图卷积操作算子,损失函数选择交叉熵损失函数,优化器选择Adam梯度下降优化器;
第二步,将训练样本子集的特征嵌入矩阵依次输入图神经网络,首先邻接矩阵计算模块将调制信号的特征嵌入矩阵转变为图结构,然后图卷积模块的图卷积算子对图结构做图卷积运算,得到新的调制信号特征嵌入矩阵,再将其输入下一层的图神经网络中,经过多层图神经网络的处理,得到图结构中测试样本的特征向量,最终利用Softmax激活函数将特征向量映射为预测标签;
第三步,根据测试样本的预测标签与真实标签计算交叉熵损失函数值,对特征嵌入网络和图神经网络进行训练。
5.一种应用权利要求1~4任意一项所述基于图神经网络的通信信号调制方式的识别方法的无线通信系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189931.3A CN110086737B (zh) | 2019-03-13 | 2019-03-13 | 一种基于图神经网络的通信信号调制方式的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189931.3A CN110086737B (zh) | 2019-03-13 | 2019-03-13 | 一种基于图神经网络的通信信号调制方式的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110086737A CN110086737A (zh) | 2019-08-02 |
CN110086737B true CN110086737B (zh) | 2021-07-02 |
Family
ID=67412451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910189931.3A Active CN110086737B (zh) | 2019-03-13 | 2019-03-13 | 一种基于图神经网络的通信信号调制方式的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110086737B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555399B (zh) * | 2019-08-23 | 2022-04-29 | 北京智脉识别科技有限公司 | 手指静脉识别方法、装置、计算机设备及可读存储介质 |
CN110826425B (zh) * | 2019-10-21 | 2022-11-18 | 大连理工大学 | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 |
CN111091710A (zh) * | 2019-12-18 | 2020-05-01 | 上海天壤智能科技有限公司 | 交通信号控制方法、系统及介质 |
CN111340197B (zh) * | 2020-03-11 | 2023-09-05 | 湖南莱博赛医用机器人有限公司 | 一种神经网络系统的构建方法、系统及相关装置 |
CN111507293A (zh) * | 2020-04-22 | 2020-08-07 | 浙江工业大学 | 基于图卷积模型的信号分类方法 |
CN111614439B (zh) * | 2020-05-20 | 2021-04-20 | 北京邮电大学 | 一种信息传输方法、系统、装置及电子设备 |
CN111865849B (zh) * | 2020-06-30 | 2021-08-06 | 中国兵器科学研究院 | 一种信号调制的方法、装置和服务器 |
CN111931871B (zh) * | 2020-09-27 | 2021-01-15 | 上海兴容信息技术有限公司 | 一种通信模式确定方法及系统 |
CN112202527B (zh) * | 2020-10-01 | 2022-09-13 | 西北工业大学 | 基于动量梯度扰动的智能电磁信号识别系统干扰方法 |
CN112884122B (zh) * | 2021-02-23 | 2022-07-05 | 杭州弈鸽科技有限责任公司 | 一种基于神经元激活的信号调制类型识别模型可解释方法及装置 |
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 |
CN114239083B (zh) * | 2021-11-30 | 2024-06-21 | 西安电子科技大学 | 一种基于图神经网络的高效状态寄存器识别方法 |
CN114513394B (zh) * | 2022-01-13 | 2023-12-05 | 南京信息工程大学 | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 |
CN114584440A (zh) * | 2022-01-27 | 2022-06-03 | 西安电子科技大学 | 基于Transformer编码网络的小样本AMC方法 |
CN114417938B (zh) * | 2022-01-27 | 2023-06-27 | 中国人民解放军32802部队 | 一种利用知识向量嵌入的电磁目标分类方法 |
CN114580484B (zh) * | 2022-04-28 | 2022-08-12 | 西安电子科技大学 | 一种基于增量学习的小样本通信信号自动调制识别方法 |
CN117807529B (zh) * | 2024-02-29 | 2024-05-07 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
KR101910540B1 (ko) * | 2018-03-14 | 2018-10-22 | 국방과학연구소 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
CN109120563A (zh) * | 2018-08-06 | 2019-01-01 | 电子科技大学 | 一种基于神经网络集成的调制识别方法 |
-
2019
- 2019-03-13 CN CN201910189931.3A patent/CN110086737B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
KR101910540B1 (ko) * | 2018-03-14 | 2018-10-22 | 국방과학연구소 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
CN109120563A (zh) * | 2018-08-06 | 2019-01-01 | 电子科技大学 | 一种基于神经网络集成的调制识别方法 |
Non-Patent Citations (3)
Title |
---|
"Spectral Networks and Deep Locally Connected";Joan Bruna;《Conf. Learn.Representations (ICLR), Banff, AB, Canada, 2014》;20131231;第1-14页 * |
"基于CNN架构的通信信号调制模式分类识别研究";张永乐;《中国优秀硕士论文全文数据库》;20180515;第1-66页 * |
"基于神经网络的通信信号调制识别研究及实现";周江;《中国优秀硕士论文全文数库》;20180815;第1-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110086737A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
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 | |
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN111428817A (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
WO2021103206A1 (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN109995449A (zh) | 一种基于深度学习的毫米波信号检测方法 | |
CN111585925A (zh) | 一种基于深度学习的稳健实时射频信号调制识别方法 | |
CN113723556B (zh) | 基于熵加权-多模态域对抗神经网络的调制方式识别方法 | |
CN115186712A (zh) | 一种调制信号识别方法和系统 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN114021458B (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN116680608A (zh) | 一种基于复数图卷积神经网络的信号调制识别方法 | |
CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
CN116150603A (zh) | 一种基于多尺度特征融合的复杂调制方式识别方法 | |
CN115409056A (zh) | 一种面向大动态信噪比下的自动调制识别方法 | |
CN112232120B (zh) | 一种基于软件无线电的雷达辐射源信号分类系统及方法 | |
CN113705646B (zh) | 基于半监督元学习的射频细微特征信息提取方法及系统 | |
Yang et al. | Conventional Neural Network‐Based Radio Frequency Fingerprint Identification Using Raw I/Q Data | |
CN112946567A (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |