CN110197127A - 基于深度学习的无线信号检测与电磁干扰分类系统及方法 - Google Patents
基于深度学习的无线信号检测与电磁干扰分类系统及方法 Download PDFInfo
- Publication number
- CN110197127A CN110197127A CN201910372389.5A CN201910372389A CN110197127A CN 110197127 A CN110197127 A CN 110197127A CN 201910372389 A CN201910372389 A CN 201910372389A CN 110197127 A CN110197127 A CN 110197127A
- Authority
- CN
- China
- Prior art keywords
- signal detection
- wireless signal
- electromagnetic interference
- convolutional neural
- data set
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于深度学习的无线信号检测与电磁干扰分类系统及方法,利用分布式部署的频谱监测节点获得的观测数据,基于复值观测数据并行执行两类信号特征挖掘,得到无线信号检测数据集和电磁干扰分类数据集,并基于两类数据集并行训练两组卷积神经网络,再利用训练后的两组卷积神经网络分别检测无线信号和执行电磁干扰分类。有益效果:有利于提高无线信号检测和电磁干扰分类的准确性,对两类数据集执行泛化奇异值分解和空间划分,能消除加性噪声并抑制来自相邻信道的串扰,增强数据的真实性,且无线信号检测和电磁干扰分类并发进行,效率高、响应快。
Description
技术领域
本发明涉及无线通信技术领域,具体的说是一种基于深度学习的无线信号检测与电磁干扰分类系统及方法。
背景技术
无线频谱的合理规划和严格监管是促进无线频谱资源有序和高效利用的关键。在复杂的无线通信环境中,必须在宽频、广域范围内执行分布式无线频谱监测,导致频谱监测数据泛滥。为了能够从海量和复杂的频谱监测数据集中提取有价值的频谱使用信息,需要设计精准、高效的分析、识别和分类算法。通过对无线通信环境中频谱资源的智能监测和分析,既能为频谱接入方案和通信体制设计提供技术指导,也能为异构多网共存与融合提供条件支持。
认知物联网(Cognitive Radio based Internet of Things,CR-IoT)将量大面广的设备永远连接到互联网,频谱需求量大,必须利用调制识别搜索无干扰频带,基于智能干扰抑制和频谱管理策略,实现与其他无线通信系统共存。为了掌握无线通信环境的干扰状况,频谱监管部门必须监测无线频谱的使用情况,通过工程分析判断授权频段是否存在干扰源,确保合法用户的权益,防止受到有害干扰。
基于通信信号处理技术的无线信号检测,如循环平稳特征检测及其与支持向量机(SVM)、决策树、K近邻(K-NN)和神经网络(NN)等机器学习融合,需要基于高阶矩提取无线信号特征,时间开销大,处理复杂度高。近年来,深度学习,特别是卷积神经网络(Convolutional Neural Network,CNN)已广泛应用于图像识别、语音识别和机器翻译等领域,将其应用于无线信号检测也引起关注。Shea等人利用时域同相和正交(I/Q)数据训练CNN,能获得比基于高阶矩的信号特征检测和基于决策树及朴素贝叶斯的信号检测更高的性能;Selim等人利用幅度和相位差数据训练CNN,能提高对雷达信号的检测精度;Akeret等人利用二维时域数据训练CNN,能准确检测射频干扰;Schmidt等人利用频域数据训练CNN,进而识别免授权(ISM)频段干扰;Yao等人也提出了一种针对移动监测数据的通用学习框架。但上述方法需要利用特定的信号特征和基础数据模型,但如何选择信号特征、如何构建基础数据模型仍面临挑战。
发明内容
针对上述问题,本发明提供了一种基于深度学习的无线信号检测与电磁干扰分类系统及方法,利用分布式部署的频谱监测节点获得的观测数据,利用卷积神经网络实现无线信号检测和电磁干扰分类利用。
为达到上述目的,本发明采用的具体技术方案如下:
一种基于深度学习的无线信号检测与电磁干扰分类系统,其关键技术在于:包括接收信号预处理与特征挖掘单元与卷积神经网络信号检测与干扰分类单元;
所述接收信号预处理与特征挖掘单元设置有依次连接的AP模块和FM模块;所述AP模块的输入端连接有无线频谱监测装置,该无线频谱监测装置用于对天线接收信号进行处理后得到观测数据,所述AP模块对观测数据进行解析处理,并输出复值信号;所述FM模块包括无线信号检测数据挖掘块和电磁干扰分类数据挖掘块;所述无线信号检测数据挖掘块用于对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;所述电磁干扰分类数据挖掘块用于对所述复值信号进行分类数据挖掘,得到电磁干扰分类数据集;
所述卷积神经网络信号检测与干扰分类单元包括LT模块和DC模块,所述LT模块包括并行连接的第一训练块和第二训练块;该第一训练块利用无线信号检测数据集进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;所述第二训练块利用电磁干扰分类数据集进行第二组卷积神经网络训练,得到卷积神经网络电磁干扰分类模型;所述DC模块用于将所述无线信号检测数据集送入卷积神经网络无线信号检测模型执行无线信号检测;所述DC模块还用于将所述电磁干扰分类数据集送入所述卷积神经网络无线信号检测模型执行电磁干扰分类。
通过上述系统,无线频谱监测装置实现数据采集,得到观测数据;接收信号预处理与特征挖掘单元用于对观测数据进行解析处理,并输出复值信号。并进行数据挖掘块,得到无线信号检测数据集和电磁干扰分类数据集。
并且通过卷积神经网络信号检测与干扰分类单元,实现信号的检测以及电磁干扰分类。
进一步的,所述第一组卷积神经网络采用4层结构,包括第一卷积层、第二卷积层、致密层和softmax分类器;并以概率p选择输入数据,避免过拟合,卷积层采用激活函数ReLU提取信号的高级特征,
其中,第一卷积层配置个的卷积核,卷积核大小根据需要设定;对XSD执行卷积运算,其输出信号特征作为第二卷积层的输入,第二卷积层配置个卷积核,致密层配置个神经元,将第二卷积层的输出特征展开为列向量馈送到softmax分类器,softmax分类器配置的神经元数与待检测的信号种类相同,基于交叉熵设计损失函数,基于梯度下降算法训练卷积神经网络,得到卷积层的权重矩阵偏置向量和softmax分类器的权值矩阵
所述第二组卷积神经网络采用6层结构,包括第一卷积层、第一池化层、第二卷积层、第二池化层、致密层和softmax分类器。
其中,第一卷积层配置个特征图,卷积核大小根据需求进行设定,所有神经元的激活函数为ReLU,第一池化层配置个特征图;第二卷积层配置个特征图;所有神经元的激活函数为ReLU,第二池化层配置个特征图;致密层将第二池化层的输出特征图展开为列向量,配置的神经元数为Nnum取决于特征向量维数和干扰分类数;softmax分类器配置的神经元数与待分类的干扰类别相同,基于交叉熵设计损失函数,基于梯度下降算法训练卷积神经网络,得到卷积层的权重矩阵偏置向量和softmax分类器的权值矩阵
一种基于深度学习的无线信号检测与电磁干扰分类系统的方法,其关键技术在于按照以下步骤进行:
S1:无线频谱监测装置对天线接收信号放大、混频和滤波后送入模数转换器,以采样率fs=1/Ts采样,获得观测数据r[n]:
r[n]=s[n]+m[n]=Aejφ[n]+m[n],n=0,1,2,…
其中,Ts表示信号的符号周期,s[n]表示发射信号,m[n]表示与发射信号叠加的串扰和噪声,A表示发射信号的幅度,φ[n]表示发射信号的相位;
S2:接收信号预处理与特征挖掘单元的AP模块对观测数据做解析处理,构造复值信号x[n]:
其中,H{·}表示希尔伯特变换,xI[n]表示复值信号x[n]的同相分量;xQ[n]表示复值信号x[n]的正交分量;
S3A:接收信号预处理与特征挖掘单元的无线信号检测数据挖掘块对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;
S4A:卷积神经网络信号检测与干扰分类单元的第一训练块利用无线信号检测数据集结合梯度下降算法、交叉熵设计损失函数进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;
S5A:利用训练后卷积神经网络无线信号检测模型执行无线信号检测;
S3B:接收信号预处理与特征挖掘单元的电磁干扰分类数据挖掘块对所述复值信号进行分类数据挖掘,得到最终电磁干扰分类数据集;
S4B:卷积神经网络信号检测与干扰分类单元的第二训练块利用电磁干扰分类数据集结合梯度下降算法、交叉熵设计损失函数进行第二组卷积神经网络训练,得到卷积神经网络无线信号检测模型;
S5B:利用训练后卷积神经网络无线信号检测模型执行电磁干扰分类。
通过上述设计,利用解析表示的复值信号进行数据挖掘,得到无线信号检测数据集和电磁干扰分类数据集,并采用两组卷积神经网络并行执行无线信号检测和电磁干扰分类,能充分适应两类功能需求之间的差异性,有利于提高无线信号检测和电磁干扰分类的准确性。
再进一步的技术方案为:在步骤S3A,无线信号检测数据集的构造步骤为:
S3A1:提取复值信号x[n]的幅度、相位、同相分量和正交分量特征,记为APIQ特征向量:
XAPIQ=[xA,xP,xI,xQ]T;
其中,复值信号x[n]的幅度特征数据序列为:xA={xA[0],xA[1],…};
复值信号x[n]的相位特征数据序列为:xP={xP[0],xP[1],…};
复值信号x[n]的同相分量特征数据序列为:xI={xI[0],xI[1],…};
复值信号x[n]的正交分量特征数据序列为:xQ={xQ[0],xQ[1],…};
且
Re{·},Im{·}分别表示取实部和虚部;
S3A2:在监测时间内获得个无线信号APIQ特征样本,构成初始无线信号检测数据集
S3A3:对初始无线信号检测数据集执行泛化奇异值分解操作、子空间划分操作、消除噪声并抑制串扰操作,获得清洗后的无线信号检测数据集XSD:
利用解析表示的复值信号提取幅度、相位、同相分量和正交分量构成无线信号检测数据集。
再进一步的,S3B中最终电磁干扰分类数据集的构造步骤为:
S3B1:对监测时间TIC=NIC×Ts=NIC/fs内获得的NIC个电磁干扰信号进行C-W时频变换,得到大小为NIC×NIC的时频二维特征谱图D(n,k):
其中,rect(τ)表示对称矩形窗函数,其值仅在-L≤τ≤L范围内取1,L的取值决定C-W时频变换的频率分辨率,n,k=0,1,…,NIC分别表示离散时间变量和离散频率变量;
指数核函数Y(n,τ)的表达式为:
σ表示尺度因子,σ>0;
S3B2:对时频二维特征谱图D(n,k)进行二值化处理,构成初始电磁干扰分类数据集
S3B3:对初始电磁干扰分类数据集执行泛化奇异值分解操作、子空间划分操作和消除噪声并抑制串扰操作,得到中间电磁干扰分类数据集
S3B4:采用最近邻插值法调整时频二维特征谱图大小,将中间电磁干扰分类数据集调整成大小为D×D的电磁时频二维特征谱图,该电磁时频二维特征谱图作为最终电磁干扰分类数据集XIC。
基于对复值信号的C-W时频变换构成最终电磁干扰分类数据集。
再进一步的,步骤S3B2中,获得初始电磁干扰分类数据集具体步骤为:
S3B21:将时频二维特征谱图D(n,k)取值归一化为[0,1],记为
S3B22:估计初始阈值Tth:
S3B23:利用初始阈值Tth将时频二维特征谱图D(n,k)分为第一特征图M1和第二特征图M2;
S3B24:分别计算第一特征图M1和第二特征图M2的平均值,分别为第一平均值μ1和第二平均值μ2;
S3B25:更新阈值,Tth=(μ1+μ2)/2;
S3B26:判断步骤S3B25得到的阈值大小,若满足相邻两次计算得到的Tth之差小于0.001,则进入步骤S3B27;否则返回步骤S3B23;
S3B27:二值化后的记为
所有构成初始电磁干扰分类数据集
在步骤S3A3和步骤S3B3中,所述泛化奇异值分解操作、子空间划分操作、消除噪声并抑制串扰操作的具体内容为:
SC1:计算参数设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ,并初始化误差矩阵E=0;过程矩阵Λ=0;
其中,表示求的2范数;
所述或为初始无线信号检测数据集;所述或为初始电磁干扰分类数据集
SC2:设构造矩阵对构造矩阵P执行奇异值分解,按照奇异值大小降序排列,提取前κ个大的奇异值和对应的奇异向量:
{Fs,Σs,Gs},s=1,2,…,κ;
SC3:计算中间矩阵U,V;其中,U=[F1,F2,…,Fκ],
SC4:更新误差矩阵E:Eij=sign(Pij)×|Pij-1/μ|;
其中,Eij为误差矩阵E的第i行第j列元素值;Pij为过程矩阵P第i行第j列元素值;i=0,1,2,3;
SC5:更新过程矩阵Λ和μ;其中,
SC6:判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε;若是,算法收敛,将得到的中间矩阵U,V记为U*,V*,通过空间划分,保留信号子空间、消除噪声子空间、压缩串扰子空间,并进入步骤SC7;否则返回步骤SC2;
SC7:输出清洗后的数据集X=U*V*;
当所述为初始无线信号检测数据集时,则无线信号检测数据集XSD:
XSD=X=U*V*;
当所述为初始电磁干扰分类数据集时,则中间电磁干扰分类数据集
对两类数据集执行泛化奇异值分解和空间划分,能消除加性噪声并抑制来自相邻信道的串扰,增强数据的真实性。
本发明的有益效果:利用解析表示的复值信号提取幅度、相位、同相分量和正交分量构成信号检测数据集以及基于对复值信号的C-W时频变换构成干扰分类数据集,并采用两组卷积神经网络并行执行无线信号检测和电磁干扰分类,能充分适应两类功能需求之间的差异性,有利于提高无线信号检测和电磁干扰分类的准确性;对两类数据集执行泛化奇异值分解和空间划分,能消除加性噪声并抑制来自相邻信道的串扰,增强数据的真实性。
附图说明
图1是本发明中无线信号检测与电磁干扰分类系统结构框图;
图2是本发明中接收信号预处理与特征挖掘单元结构框图;
图3是本发明中基于卷积神经网络模型的无线信号检测与电磁干扰分类框架示意图;
图4是执行无线信号检测效果图;
图5是执行电磁干扰分类效果图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1可以看出,一种基于深度学习的无线信号检测与电磁干扰分类系统,其特征在于:包括接收信号预处理与特征挖掘单元与卷积神经网络信号检测与干扰分类单元;
所述接收信号预处理与特征挖掘单元设置有依次连接的AP模块和FM模块;所述AP模块的输入端连接有无线频谱监测装置,该无线频谱监测装置用于对天线接收信号进行处理后得到观测数据,所述AP模块对观测数据进行解析处理,并输出复值信号;所述FM模块包括无线信号检测数据挖掘块和电磁干扰分类数据挖掘块;所述无线信号检测数据挖掘块用于对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;所述电磁干扰分类数据挖掘块用于对所述复值信号进行分类数据挖掘,得到电磁干扰分类数据集;
结合图3可以看出,所述卷积神经网络信号检测与干扰分类单元包括LT模块和DC模块,所述LT模块包括并行连接的第一训练块和第二训练块;该第一训练块利用无线信号检测数据集进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;所述第二训练块利用电磁干扰分类数据集进行第二组卷积神经网络训练,得到卷积神经网络电磁干扰分类模型;所述DC模块用于将所述无线信号检测数据集送入卷积神经网络无线信号检测模型执行无线信号检测;所述DC模块还用于将所述电磁干扰分类数据集送入所述卷积神经网络无线信号检测模型执行电磁干扰分类。
本实施例利用“Radio ML 2016.10a调制”数据集提供的测量数据作为无线信号检测的原始数据集,包括BPSK,QPSK,8PSK,16QAM,64QAM,CPFSK,GFSK,4PAM,WBFM,AM-DSB,AM-SSB等11种调制类型,采样率为1Msps,原始数据集中的观测数据有200000个,记为r[n],n=0,1,2,…,200000,11种调制类型用11维二进制编码向量ySD∈R11表示。
本实施例利用“无线干扰”数据集提供的测量数据作为电磁干扰分类的原始数据集,包括2.4GHz频段基于IEEE 802.11b/g(WiFi)、IEEE 802.15.4(ZigBee)和IEEE802.15.1(Bluetooth)标准的通信系统测量数据,采样率为10Msps,原始数据集中的观测数据有200000,记为r[n],n=0,1,2,…,200000,根据分配信道和无线技术标记数据集,得到15个类别,用15维二进制编码向量yIC∈R15表示。
在本实施例中,所述第一组卷积神经网络采用4层结构,包括第一卷积层、第二卷积层、致密层和softmax分类器;
在本实施例中,为了避免过拟合,引入退出机制,以概率p=0.6选择输入数据,卷积层采用激活函数ReLU提取信号的高级特征,第一卷积层配置128个大小为1×3的卷积核,对XSD执行卷积运算,输出4×128个信号特征,作为第二卷积层的输入,第二卷积层配置80个大小为4×3的卷积核,致密层配置4×128个神经元,将第二卷积层的输出特征展开为列向量馈送到softmax分类器,softmax分类器配置11个神经元,基于交叉熵设计损失函数,基于梯度下降算法训练卷积神经网络,得到卷积层的权重矩阵偏置向量和softmax分类器的权值矩阵
在本实施例中,所述第二组卷积神经网络采用6层结构,包括第一卷积层、第一池化层、第二卷积层、第二池化层、致密层和softmax分类器。
在本实施例中,第一卷积层配置6个特征图,卷积核大小为5×5,所有神经元的激活函数为ReLU,输出为6×28×28;第一池化层配置6个特征图,采用2×2均值池化,输出为6×14×14;第二卷积层配置16个特征图,卷积核大小为5×5,所有神经元的激活函数为ReLU,输出为16×10×10;第二池化层配置16个特征图,采用2×2均值池化,输出为16×5×5;致密层将第二池化层的输出特征图展开为列向量,配置的神经元数为Nnum=484,取决于特征向量维数和干扰分类数;softmax分类器配置15个神经元,基于交叉熵设计损失函数,基于梯度下降算法训练卷积神经网络,得到卷积层的权重矩阵偏置向量和softmax分类器的权值矩阵
一种基于深度学习的无线信号检测与电磁干扰分类系统的方法,具体步骤为:
S1:无线频谱监测装置对天线接收信号放大、混频和滤波后送入模数转换器,以采样率fs=1/Ts采样,获得观测数据r[n]:
r[n]=s[n]+m[n]=Aejφ[n]+m[n],n=0,1,2,…
其中,Ts表示信号的符号周期,s[n]表示发射信号,m[n]表示与发射信号叠加的串扰和噪声,A表示发射信号的幅度,φ[n]表示发射信号的相位;
S2:接收信号预处理与特征挖掘单元的AP模块对观测数据做解析处理,构造复值信号x[n]:
其中,H{·}表示希尔伯特变换,即:Hilbert变换;xI[n]表示复值信号x[n]的同相分量;xQ[n]表示复值信号x[n]的正交分量;
S3A:接收信号预处理与特征挖掘单元的无线信号检测数据挖掘块对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;
其中,无线信号检测数据集的构造步骤为:
S3A1:提取复值信号x[n]的幅度、相位、同相分量和正交分量特征,记为APIQ特征向量,
XAPIQ=[xA,xP,xI,xQ]T;
其中,复值信号x[n]的幅度特征数据序列为:xA={xA[0],xA[1],…,xA[200000]};
复值信号x[n]的相位特征数据序列为:xP={xP[0],xP[1],…,xP[200000]};
复值信号x[n]的同相分量特征数据序列为:xI={xI[0],xI[1],…,xI[200000]};
复值信号x[n]的正交分量特征数据序列为:xQ={xQ[0],xQ[1],…,xQ[200000]};
且
Re{·},Im{·}分别表示取实部和虚部;
S3A2:在监测时间内获得个无线信号APIQ特征样本,构成初始无线信号检测数据集本实施例选择N=128,包含8-16个调制符号:
S3A3:对初始无线信号检测数据集执行泛化奇异值分解操作、子空间划分操作、消除噪声并抑制串扰操作,获得清洗后的无线信号检测数据集XSD:
具体的:计算设置参数κ=11,ρ=1.2,ε=0.01,初始化误差矩阵E=0、过程矩阵Λ=0;
构造矩阵对其执行奇异值分解,按照奇异值大小降序排列,提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s=1,2,…,κ;
计算U,V:U=[F1,F2,…,Fκ],
更新E:Eij=sign(Pij)×|Pij-1/μ|,其中,Eij,Pij分别为E,P的第i行第j列元素值,i=0,1,2,3;j=0,1,…,127;
更新
判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε;算法收敛,将得到的中间矩阵U,V记为U*,V*,通过空间划分,保留信号子空间、消除噪声子空间、压缩串扰子空间;否则返回重新构造矩阵;
输出清洗后的无线信号检测数据集XSD=U*V*。
S4A:卷积神经网络信号检测与干扰分类单元的第一训练块利用无线信号检测数据集结合梯度下降算法、交叉熵设计损失函数进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;
基于交叉熵设计损失函数,利用无线信号检测数据集XSD,基于梯度下降算法训练第一组卷积神经网络,得到卷积层的权重矩阵偏置向量和softmax分类器的权值矩阵
S5A:利用训练后卷积神经网络无线信号检测模型执行无线信号检测;
S3B:接收信号预处理与特征挖掘单元的电磁干扰分类数据挖掘块对所述复值信号进行分类数据挖掘,得到最终电磁干扰分类数据集;
S3B1:对监测时间TIC=NIC×Ts=NIC/fs内获得的NIC个电磁干扰信号进行C-W时频变换,得到大小为NIC×NIC的时频二维特征谱图D(n,k):本实施例选择N=1024,包含8-96个调制符号:
其中,rect(τ)表示对称矩形窗函数,其值仅在-L≤τ≤L范围内取1,L的取值决定C-W时频变换的频率分辨率,n,k=0,1,…,NIC分别表示离散时间变量和离散频率变量;本实施例选择L=50,n,k=0,1,…,1023分别表示离散时间变量和离散频率变量,指数核函数:
指数核函数Y(n,τ)的表达式为:
σ表示尺度因子,σ>0;,本实施例中,σ=1;
S3B2:对时频二维特征谱图D(n,k)进行二值化处理,构成初始电磁干扰分类数据集
S3B21:将时频二维特征谱图D(n,k)取值归一化为[0,1],记为
S3B22:估计初始阈值Tth:
S3B23:利用初始阈值Tth将时频二维特征谱图D(n,k)分为第一特征图M1和第二特征图M2;在本实施例中,其中M1包括的取值大于Tth的像素点,M2包括其余像素点;
S3B24:分别计算第一特征图M1和第二特征图M2的平均值,分别为第一平均值μ1和第二平均值μ2;
S3B25:更新阈值,Tth=(μ1+μ2)/2;
S3B26:判断步骤S3B25得到的阈值大小,若满足相邻两次计算得到的Tth之差小于0.001,则进入步骤S3B27;否则返回步骤S3B23;
S3B27:二值化后的记为
所有构成初始电磁干扰分类数据集
S3B3:对初始电磁干扰分类数据集执行泛化奇异值分解操作、子空间划分操作和消除噪声并抑制串扰操作,得到中间电磁干扰分类数据集
计算设置参数κ=15,ρ=1.2,ε=0.01,初始化误差矩阵E=0、过程矩阵Λ=0;
构造矩阵对其执行奇异值分解,按照奇异值大小降序排列,提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s=1,2,…,κ;
计算U,V:U=[F1,F2,…,Fκ],
更新E:Eij=sign(Pij)×|Pij-1/μ|,其中,Eij,Pij分别为E,P的第i行第j列元素值,i,j=0,1,…,1023;
更新
判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε;若是,算法收敛,将得到的中间矩阵U,V记为U*,V*,通过空间划分,保留信号子空间、消除噪声子空间、压缩串扰子空间;否则返回重新构造新的矩阵P
S3B4:采用最近邻插值法调整时频二维特征谱图大小,将中间电磁干扰分类数据集调整成大小为D×D的电磁时频二维特征谱图,该电磁时频二维特征谱图作为最终电磁干扰分类数据集XIC。
作为电磁干扰分类数据集,在保留时频二维特征谱图关键特征的同时,减少计算开销,本实施例选择D=32。
S4B:卷积神经网络信号检测与干扰分类单元的第二训练块利用电磁干扰分类数据集结合梯度下降算法、交叉熵设计损失函数进行第二组卷积神经网络训练,得到卷积神经网络无线信号检测模型;
S5B:利用训练后卷积神经网络电磁干扰分类模型执行电磁干扰分类。
从数据集中随机选择67%的数据用于训练,33%的数据用于测试,对卷积神经网络模型进行30轮训练,选择损失函数最小的卷积神经网络模型进行测试和验证,结合图4可以看出,无线信号正确检测率约为86%。结合图5可以看出,电磁干扰正确分类率约为97%。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种基于深度学习的无线信号检测与电磁干扰分类系统,其特征在于:包括接收信号预处理与特征挖掘单元以及卷积神经网络信号检测与干扰分类单元;
所述接收信号预处理与特征挖掘单元设置有依次连接的AP模块和FM模块;所述AP模块的输入端连接有无线频谱监测装置,该无线频谱监测装置用于对天线接收信号进行处理后得到观测数据,所述AP模块对观测数据进行解析处理,并输出复值信号;所述FM模块包括无线信号检测数据挖掘块和电磁干扰分类数据挖掘块;所述无线信号检测数据挖掘块用于对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;所述电磁干扰分类数据挖掘块用于对所述复值信号进行分类数据挖掘,得到电磁干扰分类数据集;
所述卷积神经网络信号检测与干扰分类单元包括LT模块和DC模块,所述LT模块包括并行连接的第一训练块和第二训练块;该第一训练块利用无线信号检测数据集进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;所述第二训练块利用电磁干扰分类数据集进行第二组卷积神经网络训练,得到卷积神经网络电磁干扰分类模型;所述DC模块用于将所述无线信号检测数据集送入卷积神经网络无线信号检测模型执行无线信号检测;所述DC模块还用于将所述电磁干扰分类数据集送入所述卷积神经网络无线信号检测模型执行电磁干扰分类。
2.根据权利要求1所述的基于深度学习的无线信号检测与电磁干扰分类系统,其特征在于:所述第一组卷积神经网络采用4层结构,包括第一卷积层、第二卷积层、致密层和softmax分类器;
所述第二组卷积神经网络采用6层结构,包括第一卷积层、第一池化层、第二卷积层、第二池化层、致密层和softmax分类器。
3.根据权利要求1或2所述的基于深度学习的无线信号检测与电磁干扰分类系统的方法,其特征在于按照以下步骤进行:
S1:无线频谱监测装置对天线接收信号放大、混频和滤波后送入模数转换器,以采样率fs=1/Ts采样,获得观测数据r[n]:
r[n]=s[n]+m[n]=Aejφ[n]+m[n],n=0,1,2,…
其中,Ts表示信号的符号周期,s[n]表示发射信号,m[n]表示与发射信号叠加的串扰和噪声,A表示发射信号的幅度,φ[n]表示发射信号的相位;
S2:接收信号预处理与特征挖掘单元的AP模块对观测数据做解析处理,构造复值信号x[n]:
其中,H{·}表示希尔伯特变换,xI[n]表示复值信号x[n]的同相分量;xQ[n]表示复值信号x[n]的正交分量;
S3A:接收信号预处理与特征挖掘单元的无线信号检测数据挖掘块对所述复值信号进行检测数据挖掘,得到无线信号检测数据集;
S4A:卷积神经网络信号检测与干扰分类单元的第一训练块利用无线信号检测数据集结合梯度下降算法、交叉熵设计损失函数进行第一组卷积神经网络训练,得到卷积神经网络无线信号检测模型;
S5A:利用训练后卷积神经网络无线信号检测模型执行无线信号检测;
S3B:接收信号预处理与特征挖掘单元的电磁干扰分类数据挖掘块对所述复值信号进行分类数据挖掘,得到最终电磁干扰分类数据集;
S4B:卷积神经网络信号检测与干扰分类单元的第二训练块利用电磁干扰分类数据集结合梯度下降算法、交叉熵设计损失函数进行第二组卷积神经网络训练,得到卷积神经网络电磁干扰分类模型;
S5B:利用训练后积神经网络电磁干扰分类模型执行电磁干扰分类。
4.根据权利要求3所述的基于深度学习的无线信号检测与电磁干扰分类系统的方法,其特征在于在步骤S3A,无线信号检测数据集的构造步骤为:
S3A1:提取复值信号x[n]的幅度、相位、同相分量和正交分量特征,记为APIQ特征向量,
XAPIQ=[xA,xP,xI,xQ]T;
其中,复值信号x[n]的幅度特征数据序列为:xA={xA[0],xA[1],…};
复值信号x[n]的相位特征数据序列为:xP={xP[0],xP[1],…};
复值信号x[n]的同相分量特征数据序列为:xI={xI[0],xI[1],…};
复值信号x[n]的正交分量特征数据序列为:xQ={xQ[0],xQ[1],…};
且
Re{·},Im{·}分别表示取实部和虚部;
S3A2:在监测时间内获得个无线信号APIQ特征样本,构成初始无线信号检测数据集
S3A3:对初始无线信号检测数据集执行泛化奇异值分解操作、子空间划分操作、消除噪声并抑制串扰操作,获得清洗后的无线信号检测数据集XSD。
5.根据权利要求3所述的基于深度学习的无线信号检测与电磁干扰分类系统的方法,其特征在于S3B中最终电磁干扰分类数据集的构造步骤为:
S3B1:对监测时间TIC=NIC×Ts=NIC/fs内获得的NIC个电磁干扰信号进行C-W时频变换,得到大小为NIC×NIC的时频二维特征谱图D(n,k):
其中,rect(τ)表示对称矩形窗函数,其值仅在-L≤τ≤L范围内取1,L的取值决定C-W时频变换的频率分辨率,n,k=0,1,…,NIC分别表示离散时间变量和离散频率变量;
指数核函数Y(n,τ)的表达式为:
σ表示尺度因子,σ>0;
S3B2:对时频二维特征谱图D(n,k)进行二值化处理,构成初始电磁干扰分类数据集
S3B3:对初始电磁干扰分类数据集执行泛化奇异值分解操作、子空间划分操作和消除噪声并抑制串扰操作,得到中间电磁干扰分类数据集
S3B4:采用最近邻插值法调整时频二维特征谱图大小,将中间电磁干扰分类数据集调整成大小为D×D的电磁时频二维特征谱图,该电磁时频二维特征谱图作为最终电磁干扰分类数据集XIC。
6.根据权利要求5所述的基于深度学习的无线信号检测与电磁干扰分类系统的方法,其特征在于步骤S3B2的具体内容为:
S3B21:将时频二维特征谱图D(n,k)取值归一化为[0,1],记为
S3B22:估计初始阈值Tth:
S3B23:利用初始阈值Tth将时频二维特征谱图D(n,k)分为第一特征图M1和第二特征图M2;
S3B24:分别计算第一特征图M1和第二特征图M2的平均值,分别为第一平均值μ1和第二平均值μ2;
S3B25:更新阈值,Tth=(μ1+μ2)/2;
S3B26:判断步骤S3B25得到的阈值大小,若满足相邻两次计算得到的Tth之差小于0.001,则进入步骤S3B27;否则返回步骤S3B23;
S3B27:二值化后的记为
所有构成初始电磁干扰分类数据集
7.根据权利要求4或5所述的基于深度学习的无线信号检测与电磁干扰分类系统的方法,其特征在于所述泛化奇异值分解操作、子空间划分操作、消除噪声并抑制串扰操作的具体内容为:
SC1:计算参数设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ,并初始化误差矩阵E=0;过程矩阵Λ=0;
其中,表示求的2范数;
所述或为初始无线信号检测数据集;所述或为初始电磁干扰分类数据集
SC2:设构造矩阵对构造矩阵P执行奇异值分解,按照奇异值大小降序排列,提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s=1,2,…,κ;
SC3:计算中间矩阵U,V;其中,
SC4:更新误差矩阵E:Eij=sign(Pij)×|Pij-1/μ|;
其中,Eij为误差矩阵E的第i行第j列元素值;Pij为过程矩阵P第i行第j列元素值;
SC5:更新过程矩阵Λ和μ;其中,
SC6:判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε;若是,算法收敛,将得到的中间矩阵U,V记为U*,V*,通过空间划分,保留信号子空间、消除噪声子空间、压缩串扰子空间,并进入步骤SC7;否则返回步骤SC2;
SC7:输出清洗后的数据集X=U*V*;
当所述为初始无线信号检测数据集时,则无线信号检测数据集XSD:
XSD=X=U*V*;
当所述为初始电磁干扰分类数据集时,则中间电磁干扰分类数据集
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372389.5A CN110197127B (zh) | 2019-05-06 | 2019-05-06 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372389.5A CN110197127B (zh) | 2019-05-06 | 2019-05-06 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197127A true CN110197127A (zh) | 2019-09-03 |
CN110197127B CN110197127B (zh) | 2022-10-18 |
Family
ID=67752344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910372389.5A Active CN110197127B (zh) | 2019-05-06 | 2019-05-06 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197127B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595811A (zh) * | 2019-09-11 | 2019-12-20 | 浙江工业大学之江学院 | 机械设备健康状态特征图构建方法 |
CN111060755A (zh) * | 2019-11-28 | 2020-04-24 | 北京济松科技有限公司 | 一种电磁干扰诊断方法和装置 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111598020A (zh) * | 2020-05-19 | 2020-08-28 | 中国电子科技集团公司第三十六研究所 | 基于半监督生成对抗网络的电磁信号识别方法 |
CN111935721A (zh) * | 2020-08-18 | 2020-11-13 | 深圳大学 | 一种实现异构网络共存的方法和系统 |
CN112084714A (zh) * | 2020-09-14 | 2020-12-15 | 重庆长安新能源汽车科技有限公司 | 一种基于数据驱动的整车电磁干扰抑制方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
CN113037411A (zh) * | 2019-12-24 | 2021-06-25 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
CN113453153A (zh) * | 2020-03-27 | 2021-09-28 | 威海北洋电气集团股份有限公司 | 基于深度学习的无线定位融合方法及系统 |
CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
CN113762478A (zh) * | 2021-09-10 | 2021-12-07 | 中国科学院国家天文台 | 射频干扰检测模型、射频干扰检测方法及装置 |
CN117574056A (zh) * | 2023-11-21 | 2024-02-20 | 中南大学 | 基于混合神经网络模型的广域电磁数据去噪方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070049995A1 (en) * | 2005-08-31 | 2007-03-01 | Cardiac Pacemakers, Inc. | System and method for discriminating high frequency electromagnetic interference from cardiac events |
CN101871983A (zh) * | 2009-04-24 | 2010-10-27 | 京元电子股份有限公司 | 提高元件测试准确率的测试装置、测试系统及测试方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
-
2019
- 2019-05-06 CN CN201910372389.5A patent/CN110197127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070049995A1 (en) * | 2005-08-31 | 2007-03-01 | Cardiac Pacemakers, Inc. | System and method for discriminating high frequency electromagnetic interference from cardiac events |
CN101871983A (zh) * | 2009-04-24 | 2010-10-27 | 京元电子股份有限公司 | 提高元件测试准确率的测试装置、测试系统及测试方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
Non-Patent Citations (2)
Title |
---|
何元利等: "基于卷积神经网络的无线电信号搜索", 《兵工自动化》 * |
李云杰等: "电子医疗射频消融设备电磁干扰检测仿真", 《计算机仿真》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595811A (zh) * | 2019-09-11 | 2019-12-20 | 浙江工业大学之江学院 | 机械设备健康状态特征图构建方法 |
CN111060755A (zh) * | 2019-11-28 | 2020-04-24 | 北京济松科技有限公司 | 一种电磁干扰诊断方法和装置 |
CN113037411A (zh) * | 2019-12-24 | 2021-06-25 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113037411B (zh) * | 2019-12-24 | 2022-02-15 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113453153A (zh) * | 2020-03-27 | 2021-09-28 | 威海北洋电气集团股份有限公司 | 基于深度学习的无线定位融合方法及系统 |
CN113453153B (zh) * | 2020-03-27 | 2022-05-17 | 威海北洋电气集团股份有限公司 | 基于深度学习的无线定位融合方法及系统 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111585671B (zh) * | 2020-04-15 | 2022-06-10 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111598020A (zh) * | 2020-05-19 | 2020-08-28 | 中国电子科技集团公司第三十六研究所 | 基于半监督生成对抗网络的电磁信号识别方法 |
CN111935721A (zh) * | 2020-08-18 | 2020-11-13 | 深圳大学 | 一种实现异构网络共存的方法和系统 |
CN111935721B (zh) * | 2020-08-18 | 2022-06-28 | 深圳大学 | 一种实现异构网络共存的方法和系统 |
CN112084714A (zh) * | 2020-09-14 | 2020-12-15 | 重庆长安新能源汽车科技有限公司 | 一种基于数据驱动的整车电磁干扰抑制方法 |
CN112084714B (zh) * | 2020-09-14 | 2023-03-07 | 重庆长安新能源汽车科技有限公司 | 一种基于数据驱动的整车电磁干扰抑制方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112561055B (zh) * | 2020-12-09 | 2023-11-07 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
CN112818876B (zh) * | 2021-02-04 | 2022-09-20 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
CN113762478A (zh) * | 2021-09-10 | 2021-12-07 | 中国科学院国家天文台 | 射频干扰检测模型、射频干扰检测方法及装置 |
CN117574056A (zh) * | 2023-11-21 | 2024-02-20 | 中南大学 | 基于混合神经网络模型的广域电磁数据去噪方法及系统 |
CN117574056B (zh) * | 2023-11-21 | 2024-05-10 | 中南大学 | 基于混合神经网络模型的广域电磁数据去噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110197127B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197127A (zh) | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 | |
Zou et al. | Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
Yuan et al. | DeepMorse: A deep convolutional learning method for blind morse signal detection in wideband wireless spectrum | |
CN110224956A (zh) | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 | |
CN111355616B (zh) | 一种基于物理层数据的战术通信网关键节点识别方法 | |
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 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
Zhang et al. | Device-free wireless localization and activity recognition with deep learning | |
WO2021173234A1 (en) | Gradient feedback framework for joint transceiver neural network training | |
CN114358064B (zh) | 一种基于深度支持向量数据描述的干扰检测装置及方法 | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
CN112347871A (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
CN109145889A (zh) | 一种针对无线信号进行盲估计的明密文信号分类检测方法 | |
Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
Ghasemzadeh et al. | A robust graph convolutional neural network-based classifier for automatic modulation recognition | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies | |
CN109525528A (zh) | 面向mqam调制信号的图域信号识别方法 | |
CN112883905B (zh) | 基于粗粒度时频特征与多层融合学习的人体行为识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |