CN110191073A - 一种适用于变化场景的基于深度学习的调制方式识别方法 - Google Patents
一种适用于变化场景的基于深度学习的调制方式识别方法 Download PDFInfo
- Publication number
- CN110191073A CN110191073A CN201910577022.7A CN201910577022A CN110191073A CN 110191073 A CN110191073 A CN 110191073A CN 201910577022 A CN201910577022 A CN 201910577022A CN 110191073 A CN110191073 A CN 110191073A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- scene
- snr
- signal
- modulated signal
- 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
-
- 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)
- Image Analysis (AREA)
Abstract
本发明涉及一种适用于变化场景的基于深度学习的调制方式识别方法,充分考虑无线环境中SNR的多变性,通过应用场景划分与场景判决这两个关键步骤和思想,有效地解决了多变SNR场景中的调制方式识别问题,为应对复杂多变的通信系统中信号分析与处理等问题上取得了关键性的进展。本发明在变化SNR场景下的识别精度颇高,很接近特定SNR场景下的识别精度。
Description
技术领域
本发明涉及通信技术领域,更具体地说,涉及一种适用于变化场景的基于深度学习的调制方式识别方法。
背景技术
调制方式识别的目的是在信道传输过程中,能够准确地识别出接收信号的调制类型,为后续的信号解调及分析等提供重要的参考依据,通信信号的调制方式识别任务是通信领域中至关重要的一部分,尤其是在软件无线电和军事应用方面。
传统的调制方式识别研究大体上可分为两类,一类是基于判决理论的方法,另一类是基于统计模式的方法。前者依赖已有的先验知识且计算复杂度高,后者理论分析简单,适应性强,但识别结果易受干扰。
随着深度学习的兴起,基于深度学习的调制方式识别方法经实验证明,识别准确率高,远优于传统的调制方式识别方法。然而,基于深度学习的调制方式识别研究仅限于理想通信环境下针对特定的信噪比(Signal to Noise Ratio,SNR)场景,而对于变化场景中的调制方式识别问题还没有很好的解决方案。随着当前通信技术的快速发展,通信环境日益复杂化。由于实际传输环境的复杂多变性,特定的SNR场景几乎不存在。因此,在实际传输过程中,调制信号的SNR场景会不断发生变化,不可避免地会导致结果推断与模型训练场景的不匹配,进一步造成识别准确率下降。
针对现有问题,本发明提出一种适用于变化场景的基于深度学习的调制方式识别方法。该方法能够充分考虑到无线环境的复杂性和多变性,通过场景划分、模型训练、场景判决以及结果推断这四个步骤即可完成调制方式识别任务,设计复杂度低。该方法主要利用场景划分和场景判决的思想有效解决了变化场景下的调制方式识别问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于解决多变SNR场景中的调制方式识别问题的适用于变化场景的基于深度学习的调制方式识别方法。本发明能够充分考虑到无线环境的复杂性和多变性,通过场景划分、模型训练、场景判决以及结果推断这四个步骤即可完成调制方式识别任务,设计复杂度低。
本发明的技术方案如下:
一种适用于变化场景的基于深度学习的调制方式识别方法,对应NC个不同的信噪比SNR,将无线环境划分为NC个不同的SNR场景针对每种SNR场景,训练得到不同的深度学习网络模型;进行识别时,先估计出待识别的调制信号的SNR,然后选择匹配的深度学习网络模型进行调制方式识别。
作为优选,深度学习网络模型的训练步骤如下:
1.1)信号生成:空口接收得到多种已知的调制信号;
1.2)信号预处理:对于第i个SNR场景下接收到的每一个调制信号γi,先对其进行预处理;
1.3)数据标定:根据已知的调制信号的调制方式,对其打上相应的标签,得到一定量的数据集后,以一定的比例将其划分成训练集;
1.4)网络训练:将训练集送入配置好的深度学习网络进行训练,得到深度学习网络模型Ci。
作为优选,步骤1.2)中,将预处理后的调制信号映射成彩色星座图的三维表征形式。
作为优选,步骤1.3)中,还得到验证集,通过验证集对步骤1.4)得到的深度学习网络模型Ci的超参数进行调整,优化深度学习网络模型,得到优化后的深度学习网络模型。
作为优选,通过信噪比估计器估计待识别的调制信号的载波强度和噪声强度,求出第k个观测下待识别的调制信号的SNR估计值
根据SNR估计值选出最优深度学习网络模型其中,0≤optk≤NC-1,0≤i≤NC-1。
作为优选,采用M2M4估计器,利用信号的二阶矩和四阶矩来估计待识别的调制信号的载波强度和噪声强度;对于第k个观测,待识别的调制信号yk(n)的二阶矩、四阶矩分别表示如下:
假定待识别的调制信号和噪声都是零均值,独立随机过程,且噪声的同相分量和正交分量都是独立的,则待识别调制信号的信号功率和噪声功率可估计如下:
其中,κs、κg分别表示信号的峰值、噪声的峰值,计算如下:
κs=E{|sk(n)|4}/E{|sk(n)|2}2;
κg=E{|gk(n)|4}/E{|gk(n)|2}2。
作为优选,对于任意M进制相移键控信号,κs=1,且对于复噪声,有κg=2,进而SNR估计值为:
进而,选出最优深度学习网络模型其中,optk∈[0,NC-1]。
作为优选,针对NC个不同的SNR场景将其划分为对应的NC个场景区间:
则利用M2M4估计器计算SNR估计值并选出最优深度学习网络模型具体如下:
当SNR场景被判为γ0;
当SNR场景被判为γ1;
当SNR场景被判
当SNR场景被判为
经场景判决后,确定最有可能的SNR场景,然后相应地选择最优深度学习网络模型
作为优选,将接收的待识别的调制信号送入选择得到的最优深度学习网络模型进行结果推断,得到其调制方式,具体如下:
2.1)信号预处理:将每一个接收的待识别的调制信号映射成彩色星座图的三维表征形式;
2.2)模型测试:将预处理后的调制信号送入最优深度学习网络模型进行模型测试,识别调制方式。
本发明的有益效果如下:
本发明所述的适用于变化场景的基于深度学习的调制方式识别方法,充分考虑无线环境中SNR的多变性,通过应用场景划分与场景判决这两个关键步骤和思想,有效地解决了多变SNR场景中的调制方式识别问题,为应对复杂多变的通信系统中信号分析与处理等问题上取得了关键性的进展。本发明在变化SNR场景下的识别精度颇高,很接近特定SNR场景下的识别精度。
附图说明
图1是本发明的流程示意图;
图2是场景划分示意图;
图3是模型训练示意图;
图4是场景判决参照图;
图5是结果推断示意图;
图6是本发明与特定SNR场景的调制方式识别精度对比图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
本发明为了解决现有技术存在的依赖已有的先验知识且计算复杂度高、识别结果易受干扰或识别准确率低等不足,提供一种适用于变化场景的基于深度学习的调制方式识别方法,主要利用场景划分和场景判决的思想有效解决了变化场景下的调制方式识别问题。
如图1所示,本发明所述的适用于变化场景的基于深度学习的调制方式识别方法,考虑NC个不同的信噪比SNR,将无线环境划分为NC个不同的SNR场景针对每种SNR场景,训练得到不同的深度学习网络模型。其中,第i个场景中信号的SNR为γi,0≤i≤NC-1;对于第i个SNR场景γi,首先对接收的待识别的调制信号进行预处理,给数据打上标签并按照一定比例划分数据集,将经预处理后的训练集送入深度学习网络进行训练,得到训练好的第i个深度神经网络模型Ci。
进行识别时,先估计出待识别的调制信号的SNR,然后选择匹配的深度学习网络模型进行调制方式识别。其中,对于接收到的第k个观测信号,采用一种合适的SNR估计方法,计算出SNR的估计值然后根据SNR估计值及SNR场景判决规则对该信噪比场景作出判决,确定最有可能的SNR场景,相应地选择最优深度学习网络模型将接收信号送入最优深度学习网络模型进行结果推断,完成调制方式识别。
本发明所述的方法大致包括四个步骤,即场景划分、模型训练、场景判决、结果推断。
场景划分步骤:如图2所示,考虑NC个不同的信噪比SNR,将无线环境划分为NC个不同的SNR场景其中,第i个场景中信号的SNR为γi。
模型训练步骤:如图3所示,对于第i个SNR场景γi,首先对接收的待识别的调制信号进行预处理,可将预处理后的调制信号映射成彩色星座图的三维表征形式。根据信号的调制方式,给其打上相应的标签。得到大量数据后,以一定的比例将其划分成训练集(train)和验证集(val),分别保存在文件夹train和val下。为了利用深度学习技术,通常需要将原始数据格式(JPEG、JPG、PNG等)转换成适合网络学习的LevelDB、LMDB、h5py、TFRecords等格式。接着将预处理过的训练集送入配置好的深度神经网络进行模型训练,验证集用于模型超参数的调整,可使得模型最优化,得到最优的深度学习网络模型Ci。对于NC个不同SNR场景,最终会生成对应的NC个不同深度神经网络模型供结果推断时选择。
具体地,深度学习网络模型的训练步骤如下:
1.1)信号生成:空口接收得到多种已知的调制信号;
1.2)信号预处理:对于第i个SNR场景下接收到的每一个调制信号γi,先对其进行预处理;
1.3)数据标定:根据已知的调制信号的调制方式,对其打上相应的标签,得到一定量的数据集后,以一定的比例将其划分成训练集和验证集;
1.4)网络训练:将训练集送入配置好的深度学习网络进行训练,得到深度学习网络模型Ci。进一步地,通过验证集对得到的深度学习网络模型Ci的超参数进行调整,优化深度学习网络模型,得到优化后的深度学习网络模型。
场景判决步骤:采用一种合适的SNR方法,对接收信号进行SNR场景估计。本发明中,通过信噪比估计器估计待识别的调制信号的载波强度和噪声强度,求出第k个观测下待识别的调制信号的SNR估计值根据SNR估计值选出最优深度学习网络模型其中,0≤optk≤NC-1,0≤i≤NC-1。
本实施例中,采用M2M4估计器,利用信号的二阶矩和四阶矩来估计待识别的调制信号的载波强度和噪声强度;对于第k个观测,待识别的调制信号yk(n)的二阶矩、四阶矩分别表示如下:
假定待识别的调制信号和噪声都是零均值,独立随机过程,且噪声的同相分量和正交分量都是独立的,则待识别调制信号的信号功率和噪声功率可估计如下:
其中,κs、κg分别表示信号的峰值、噪声的峰值,计算如下:
κs=E{|sk(n)|4}/E{|sk(n)|2}2;
κg=E{|gk(n)|4}/E{|gk(n)|2}2。
作为优选,对于任意M进制相移键控(PSK)信号,κs=1,且对于复噪声,有κs=2,进而SNR估计值为:
进而,选出最优深度学习网络模型其中,optk∈[0,NC-1]。
具体地,针对NC个不同的SNR场景将其划分为对应的NC个场景区间,如图4所示,具体如下:
利用M2M4估计器计算SNR估计值并选出最优深度学习网络模型具体如下:
当SNR场景被判为γ0;
当SNR场景被判为γ1;
当SNR场景被判
当SNR场景被判为
经场景判决后,确定最有可能的SNR场景,然后相应地选择最优深度学习网络模型
结果推断步骤:如图5所示,将接收的待识别的调制信号送入场景判决步骤选择得到的最优深度学习网络模型进行结果推断,得到其调制方式,具体如下:
2.1)信号预处理:将每一个接收的待识别的调制信号映射成彩色星座图的三维表征形式;
2.2)模型测试:将预处理后的调制信号送入最优深度学习网络模型进行模型测试,识别调制方式。
如图6所示,将本发明的识别结果与特定SNR场景下的调制方式识别精度对比,可以看出本发明在变化SNR场景下的识别精度颇高,很接近特定SNR场景下的识别精度。
上述实施例仅是用来说明本发明,而并非用作对本发明的限定。只要是依据本发明的技术实质,对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
Claims (9)
1.一种适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,对应NC个不同的信噪比SNR,将无线环境划分为NC个不同的SNR场景针对每种SNR场景,训练得到不同的深度学习网络模型;进行识别时,先估计出待识别的调制信号的SNR,然后选择匹配的深度学习网络模型进行调制方式识别。
2.根据权利要求1所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,深度学习网络模型的训练步骤如下:
1.1)信号生成:空口接收得到多种已知的调制信号;
1.2)信号预处理:对于第i个SNR场景下接收到的每一个调制信号γi,先对其进行预处理;
1.3)数据标定:根据已知的调制信号的调制方式,对其打上相应的标签,得到一定量的数据集后,以一定的比例将其划分成训练集;
1.4)网络训练:将训练集送入配置好的深度学习网络进行训练,得到深度学习网络模型Ci。
3.根据权利要求2所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,步骤1.2)中,将预处理后的调制信号映射成彩色星座图的三维表征形式。
4.根据权利要求2所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,步骤1.3)中,还得到验证集,通过验证集对步骤1.4)得到的深度学习网络模型Ci的超参数进行调整,优化深度学习网络模型,得到优化后的深度学习网络模型。
5.根据权利要求1所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,通过信噪比估计器估计待识别的调制信号的载波强度和噪声强度,求出第k个观测下待识别的调制信号的SNR估计值
根据SNR估计值选出最优深度学习网络模型C(optk),其中,0≤optk≤NC-1,
6.根据权利要求5所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,采用M2M4估计器,利用信号的二阶矩和四阶矩来估计待识别的调制信号的载波强度和噪声强度;对于NS个接收信号中第k个观测,待识别的调制信号yk(n)的二阶矩、四阶矩分别表示如下:
假定待识别的调制信号和噪声都是零均值,独立随机过程,且噪声的同相分量和正交分量都是独立的,则待识别调制信号的信号功率和噪声功率可估计如下:
其中,κs、κg分别表示信号的峰值、噪声的峰值,计算如下:
κs=E{|sk(n)|4}/E{|sk(n)|2}2;
κg=E{|gk(n)|4}/E{|gk(n)|2}2。
式中,sk(n)表示M阶源符号序列,gk(n)表示符号间隔的经过滤后的噪声采样。
7.根据权利要求6所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,对于任意M进制相移键控信号,κs=1,且对于复噪声,有κs=2,进而SNR估计值为:
进而,选出最优深度学习网络模型C(optk),其中,optk∈[0,NC-1]。
8.根据权利要求7所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,针对NC个不同的SNR场景将其划分为对应的NC个场景区间:
进行识别时,利用M2M4估计器计算SNR估计值并选出最优深度学习网络模型具体如下:
当SNR场景被判为γ0;
当SNR场景被判为γ1;
当SNR场景被判
当SNR场景被判为
经场景判决后,确定最有可能的SNR场景,然后相应地选择最优深度学习网络模型
9.根据权利要求8所述的适用于变化场景的基于深度学习的调制方式识别方法,其特征在于,将接收的待识别的调制信号送入选择得到的最优深度学习网络模型进行结果推断,得到其调制方式,具体如下:
2.1)信号预处理:将每一个接收的待识别的调制信号映射成彩色星座图的三维表征形式;
2.2)模型测试:将预处理后的调制信号送入最优深度学习网络模型进行模型测试,识别调制方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577022.7A CN110191073B (zh) | 2019-06-28 | 2019-06-28 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577022.7A CN110191073B (zh) | 2019-06-28 | 2019-06-28 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110191073A true CN110191073A (zh) | 2019-08-30 |
CN110191073B CN110191073B (zh) | 2021-08-31 |
Family
ID=67724251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910577022.7A Active CN110191073B (zh) | 2019-06-28 | 2019-06-28 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110191073B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079347A (zh) * | 2019-12-26 | 2020-04-28 | 华侨大学 | 一种利用星座图的基于深度学习的信噪比估计方法 |
CN111314255A (zh) * | 2020-02-13 | 2020-06-19 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
CN111817802A (zh) * | 2020-05-13 | 2020-10-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
CN116016069A (zh) * | 2022-12-02 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种基于迁移学习的调制识别系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
CN104243391A (zh) * | 2012-07-27 | 2014-12-24 | 南京邮电大学 | 一种基于证据折扣的协作调制识别方法 |
CN106452673A (zh) * | 2016-09-30 | 2017-02-22 | 中国人民解放军信息工程大学 | 多传感器接收中基于特征向量的最大似然调制识别方法 |
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 |
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 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
US20190097747A1 (en) * | 2017-09-25 | 2019-03-28 | Fujitsu Limited | Method and system for assigning modulation format in optical networks |
-
2019
- 2019-06-28 CN CN201910577022.7A patent/CN110191073B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
CN104243391A (zh) * | 2012-07-27 | 2014-12-24 | 南京邮电大学 | 一种基于证据折扣的协作调制识别方法 |
CN106452673A (zh) * | 2016-09-30 | 2017-02-22 | 中国人民解放军信息工程大学 | 多传感器接收中基于特征向量的最大似然调制识别方法 |
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 |
US20190097747A1 (en) * | 2017-09-25 | 2019-03-28 | Fujitsu Limited | Method and system for assigning modulation format in optical networks |
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 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
Non-Patent Citations (1)
Title |
---|
YU ZHANG: "A Deep Learning approach for Modulation", 《2018 IEEE 23RD INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING (DSP)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079347A (zh) * | 2019-12-26 | 2020-04-28 | 华侨大学 | 一种利用星座图的基于深度学习的信噪比估计方法 |
CN111079347B (zh) * | 2019-12-26 | 2023-08-01 | 华侨大学 | 一种利用星座图的基于深度学习的信噪比估计方法 |
CN111314255A (zh) * | 2020-02-13 | 2020-06-19 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
CN111314255B (zh) * | 2020-02-13 | 2021-06-08 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
CN111817802A (zh) * | 2020-05-13 | 2020-10-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
CN111817802B (zh) * | 2020-05-13 | 2022-04-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
CN116016069A (zh) * | 2022-12-02 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种基于迁移学习的调制识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110191073B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110191073A (zh) | 一种适用于变化场景的基于深度学习的调制方式识别方法 | |
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 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
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 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
CN109919015A (zh) | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
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 | |
CN104363037B (zh) | 一种lte系统天线端口数的快速检测系统及方法 | |
CN108965178A (zh) | 基于机器学习的智能自适应均衡器及均衡解调方法 | |
CN106357574A (zh) | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 | |
CN116257750A (zh) | 一种基于样本增强和深度学习的射频指纹识别方法 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
Zhang et al. | Radar sensing via OTFS signaling | |
Liu et al. | Deep transfer learning-based variable Doppler underwater acoustic communications | |
CN111865848B (zh) | 一种信号调制格式识别方法及系统 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN102158254B (zh) | 信号接收方法及装置 | |
CN112104389A (zh) | 基于循环平稳特征的分阶段boc信号检测方法 | |
CN116150603A (zh) | 一种基于多尺度特征融合的复杂调制方式识别方法 | |
Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
CN110290084A (zh) | 一种基于数据频率能量峰值的短波信道盲符号同步方法 | |
CN107528807A (zh) | 一种基于相位判决的空间调制mqam信号检测方法 |
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 |