CN110191073B - 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 PDF

Info

Publication number
CN110191073B
CN110191073B CN201910577022.7A CN201910577022A CN110191073B CN 110191073 B CN110191073 B CN 110191073B CN 201910577022 A CN201910577022 A CN 201910577022A CN 110191073 B CN110191073 B CN 110191073B
Authority
CN
China
Prior art keywords
deep learning
snr
signal
modulation
scene
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
Application number
CN201910577022.7A
Other languages
English (en)
Other versions
CN110191073A (zh
Inventor
彭盛亮
谢小娟
倪艳琴
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN201910577022.7A priority Critical patent/CN110191073B/zh
Publication of CN110191073A publication Critical patent/CN110191073A/zh
Application granted granted Critical
Publication of CN110191073B publication Critical patent/CN110191073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • 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

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
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
Figure BDA0002112303660000021
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
Figure BDA0002112303660000022
根据SNR估计值
Figure BDA0002112303660000023
选出最优深度学习网络模型
Figure BDA0002112303660000024
其中，0≤optk≤NC-1，
Figure BDA0002112303660000025
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：
Figure BDA0002112303660000031
Figure BDA0002112303660000032
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
Figure BDA0002112303660000033
和噪声功率
Figure BDA0002112303660000034
可估计如下：
Figure BDA0002112303660000035
Figure BDA0002112303660000036
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
Figure BDA0002112303660000037
为：
Figure BDA0002112303660000038
进而，选出最优深度学习网络模型
Figure BDA0002112303660000039
其中，optk∈[0,NC-1]。
作为优选，针对NC个不同的SNR场景
Figure BDA00021123036600000310
将其划分为对应的NC个场景区间：
Figure BDA00021123036600000311
Figure BDA00021123036600000312
则利用M2M4估计器计算SNR估计值
Figure BDA00021123036600000313
并选出最优深度学习网络模型
Figure BDA00021123036600000314
具体如下：
当
Figure BDA00021123036600000315
SNR场景被判为γ0；
当
Figure BDA0002112303660000041
SNR场景被判为γ1；
当
Figure BDA0002112303660000042
SNR场景被判
Figure BDA0002112303660000043
当
Figure BDA0002112303660000044
SNR场景被判为
Figure BDA0002112303660000045
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
Figure BDA0002112303660000046
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
Figure BDA0002112303660000047
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
Figure BDA0002112303660000048
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
Figure BDA0002112303660000051
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
Figure BDA0002112303660000052
然后根据SNR估计值
Figure BDA0002112303660000053
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
Figure BDA0002112303660000054
将接收信号送入最优深度学习网络模型
Figure BDA0002112303660000055
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
Figure BDA0002112303660000056
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
Figure BDA0002112303660000061
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
Figure BDA0002112303660000062
根据SNR估计值
Figure BDA0002112303660000063
选出最优深度学习网络模型
Figure BDA0002112303660000064
其中，0≤optk≤NC-1，
Figure BDA0002112303660000065
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：
Figure BDA0002112303660000066
Figure BDA0002112303660000067
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
Figure BDA0002112303660000068
和噪声功率
Figure BDA0002112303660000069
可估计如下：
Figure BDA0002112303660000071
Figure BDA0002112303660000072
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
Figure BDA0002112303660000073
为：
Figure BDA0002112303660000074
进而，选出最优深度学习网络模型
Figure BDA0002112303660000075
其中，optk∈[0,NC-1]。
具体地，针对NC个不同的SNR场景
Figure BDA0002112303660000076
将其划分为对应的NC个场景区间，如图4所示，具体如下：
Figure BDA0002112303660000077
利用M2M4估计器计算SNR估计值
Figure BDA00021123036600000717
并选出最优深度学习网络模型
Figure BDA0002112303660000078
具体如下：
当
Figure BDA0002112303660000079
SNR场景被判为γ0；
当
Figure BDA00021123036600000710
SNR场景被判为γ1；
当
Figure BDA00021123036600000711
SNR场景被判
Figure BDA00021123036600000712
当
Figure BDA00021123036600000713
SNR场景被判为
Figure BDA00021123036600000714
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
Figure BDA00021123036600000715
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
Figure BDA00021123036600000716
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
Figure BDA0002112303660000081
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 (7)

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γ0、γ1、...、
Figure FDA0003163076760000011
进而将其划分为对应的NC个场景区间：
Figure FDA0003163076760000012
Figure FDA0003163076760000013
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，利用信噪比估计器计算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
Figure FDA0003163076760000014
根据SNR估计值
Figure FDA0003163076760000015
选出最优深度学习网络模型
Figure FDA0003163076760000016
其中，0≤optk≤NC-1，
Figure FDA0003163076760000017
具体如下：
当
Figure FDA0003163076760000018
SNR场景被判为γ0；
当
Figure FDA0003163076760000019
SNR场景被判为γ1；
当
Figure FDA00031630767600000110
SNR场景被判
Figure FDA00031630767600000111
当
Figure FDA00031630767600000112
SNR场景被判为
Figure FDA00031630767600000113
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
Figure FDA00031630767600000114
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，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：
Figure FDA0003163076760000021
Figure FDA0003163076760000022
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
Figure FDA0003163076760000023
和噪声功率
Figure FDA0003163076760000024
可估计如下：
Figure FDA0003163076760000025
Figure FDA0003163076760000026
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。
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，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
Figure FDA0003163076760000027
为：
Figure FDA0003163076760000031
进而，选出最优深度学习网络模型
Figure FDA0003163076760000032
其中，optk∈[0,NC-1]。
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，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
Figure FDA0003163076760000033
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
Figure FDA0003163076760000034
进行模型测试，识别调制方式。
CN201910577022.7A 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 Active CN110191073B (zh)

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 CN110191073A (zh) 2019-08-30
CN110191073B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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

Citations (7)

* Cited by examiner, † Cited by third party
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10461881B2 (en) * 2017-09-25 2019-10-29 Fujitsu Limited Method and system for assigning modulation format in optical networks

Patent Citations (7)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Deep Learning approach for Modulation;Yu ZHANG;《2018 IEEE 23rd International Conference on Digital Signal Processing (DSP)》;20190204;全文 *

Also Published As

Publication number Publication date
CN110191073A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110191073B (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
CN108234370B (zh) 基于卷积神经网络的通信信号调制方式识别方法
CN110300078B (zh) 基于课程学习的调制信号识别方法
CN110113288A (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN113141325B (zh) 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置
CN102497343A (zh) 一种基于聚类和支持向量机的联合调制识别方法
CN109309640B (zh) 基于机器学习的盲信号格式识别方法
CN108052956A (zh) 一种大气湍流下无线光通信副载波调制星座图识别方法
CN106452673B (zh) 多传感器接收中基于特征向量的最大似然调制识别方法
CN109617845A (zh) 一种基于深度学习的无线通信解调器的设计及解调方法
Smith et al. A communication channel density estimating generative adversarial network
CN111083079A (zh) 基于星座图的正交调制格式识别方法
CN109547376A (zh) 一种基于调制特性的高斯混合模型的调制识别方法
CN111935056A (zh) 一种信号解调方法及相关装置
Ma et al. Modulation classification method based on deep learning under non-Gaussian noise
CN111901267B (zh) 基于短时傅里叶变换时频分析的多天线盲调制识别方法
Prakasam et al. Automatic modulation identification of QPSK and GMSK using wavelet transform for adaptive demodulator in SDR
CN111079347B (zh) 一种利用星座图的基于深度学习的信噪比估计方法
CN113239788A (zh) 一种基于Mask R-CNN的无线通信调制模式识别方法
Cai et al. The performance evaluation of big data-driven modulation classification in complex environment
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN113489545B (zh) 基于k均值聚类的光空间脉冲位置调制分步分类检测方法
CN115409056A (zh) 一种面向大动态信噪比下的自动调制识别方法
CN107911321A (zh) 一种分块超奈奎斯特传输方法和系统

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
GR01 Patent grant
GR01 Patent grant