CN110705387A - 一种基于云模型的通信信号特征提取方法及信号识别方法 - Google Patents
一种基于云模型的通信信号特征提取方法及信号识别方法 Download PDFInfo
- Publication number
- CN110705387A CN110705387A CN201910870583.6A CN201910870583A CN110705387A CN 110705387 A CN110705387 A CN 110705387A CN 201910870583 A CN201910870583 A CN 201910870583A CN 110705387 A CN110705387 A CN 110705387A
- Authority
- CN
- China
- Prior art keywords
- signal
- holder
- cloud
- characteristic
- coefficient
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 19
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于云模型的通信信号特征提取方法及信号识别方法,该通信信号特征提取方法包括以下步骤:S1.从待提取信号中选取M个样本片段,并获得各样本片段的频域序列{Si(f)},其中:M为大于1的正整数,i为小于等于M的正整数;S2.选取两个参考序列,计算每个样本片段的频域序列{Si(f)}对应的Holder系数特征H,得到Holder系数云;S3.计算Holder系数云的数字特征,所述数字特征包括期望Exn、特征熵Enn以及超熵Hen,得到所述待提取信号的Holder云模型特征。在传统的Holder特征提取算法的基础上,结合云模型对提取的Holder特征云团进一步进行特征提取,通过两次特征提取,可以达到低信噪比下对通信信号的特征进行有效提取,从而达到识别通信信号的目的。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于云模型的通信信号特征提取方法及信号识别方法。
背景技术
信息战场作为未来科技发展的主战场,通过各种辐射源的通信设备进行信息的发送与接收是我们的主流任务,也是一大难题。飞速发展的电子信息技术,日趋复杂的通信信号调制模式,信号的接收端如何准确的接收并准确地识别通信辐射源所发射的个体信息,变得越来越困难,给电子通信的通信检测带来了巨大的挑战,这不仅是现代通信系统研究的一个重要课题,也是电子对抗领域的一大难题。在传统的信息传递中,大部分识别信号类型是通过幅度分布,相位变化和频谱等参数。但是当信号传播时,我们无法通过传统的通信信息方法获取足够的信息内容。针对这种情况,通信信号的调制类型可以作为对不同的通信调制信号分类的标准,每种信号都有其特征参数,我们通过提取特征参数的方法,能够有效的提高信号的识别性能。
文献[Automatic HF signal classification[J].Fourth InternationalConference on HF Radio Systems and Techniques,1988:210-214]和文献[AnAutomatic VHF Signal Classifier[J].Proceedings of Integrating Research,Industry and Education in Energy and Communication Engineering,1989]的早期的调制方式识别器中,基本采用一组解调器:AM解调器、FM解调器、PM解调器、 ASK解调器、FSK解调器、PSK解调器,这种针对单一调制类型设计的解调器,随着信息高速发展,通信调制模式日趋复杂,信号种类日益增多,已经不满足现代通信现状的基本要求了。
目前,人们所采用的调制识别方法大致可以分为两类:基于似然的方法和基于特征的方法,例如文献[数字通信信号调制方式自动识别研究及实现[D].国防科学技术大学,2012]中记载的方法。这两种方法都能在一定程度上实现低信噪比下信号的分类,但随着通信环境的日趋复杂,传统的算法但是并不能完全实现信号的分类。如何深度挖掘通信信号在调制过程中所包含的有用信息和通信特性,实现对于通信信号的特征提取,进而对信号进行聚类,成为现代通信的一大难题。因此,需要在传统的特征提取算法上改进,进而提高信号的聚类特性。
在现有的特征提取算法中,基本都是一次特征提取,计算方法简单且容易实现,在比较高的信噪比下具有很强的适用性。但是在低信噪比下,提取到的特征参数更容易受到噪声的影响,这种情况下,利用传统的特征提取算法对信号进行特征提取,提取到的信号聚类特性差,不利于信号识别。
众多学者越来越重视信号的特征提取与识别,分形理论、熵理论、小波理论等现代信号处理技术陆续被应用于通信信号识别的研究中。但是,因为无处不在的噪声,如何在低信噪比下实现信号的有效的特征提取与分类,并没有得到很好地解决,这也是当前研究的热点。
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种基于云模型的通信信号特征提取方法及信号识别方法,以实在不低信噪比下实现信号特征的提取以及调制类型的识别。
本发明目的实现由以下技术方案完成:
一种基于云模型的通信信号特征提取方法,其包括以下步骤:
S1.从待提取信号中选取M个样本片段,并获得各样本片段的频域序列 {Si(f)},其中:M为大于1的正整数,i为小于等于M的正整数;
S2.选取两个参考序列,计算每个样本片段的频域序列{Si(f)}对应的Holder 系数特征H,得到Holder系数云;
S3.计算Holder系数云的数字特征,所述数字特征包括期望Exn、特征熵Enn以及超熵Hen,得到所述待提取信号的Holder云模型特征。
本发明的进一步改进在于,获得所述样本片段的所述频域序列{Si(f)}包括以下步骤:
S2.1.对所述样本片段进行预处理;
S2.2.对所述样本片段进行离散化,得到样本序列si(t);
S2.3.对所述样本序列进行傅里叶变换,并归一化信号,得到频域序列{Si(f)}。
本发明的进一步改进在于,选取的所述参考序列包括矩形信号序列{S1(f)}以及三角信号序列{S2(f)},矩形信号序列为:
三角信号序列为:
其中,N为所述频域序列{Si(f)}的长度。
本发明的进一步改进在于,计算所述样本片段的所述频域序列{Si(f)}对应的Holder系数特征H包括两个系数值Hc、Ht,其计算公式为
本发明的进一步改进在于,计算Holder系数云的数字特征的过程包括以下步骤:
S5.1.计算Holder系数云的期望Exn,采用的公式为:
S5.2.计算Holder系数云中每个Holder系数特征H的熵Enn(i),采用的公式为:
S5.3.计算Holder系数云的特征熵Enn,采用的公式为:
S5.4.计算Holder系数云的超熵Hen,采用的公式为:
其中,M为大于1的正整数,i为小于等于M的正整数。
本发明还包括一种采用上述通信信号特征提取方法的信号识别方法,其包括以下步骤:
S1建立不同信噪比下的信号识别模型;
S2根据待识别信号所处的信噪比环境选取相应的信号识别模型;
S3使用基于云模型的通信信号特征提取方法提取所述待识别信号的Holder 云模型特征,并将其带入所述信号识别模型,得到信号识别结果。
本发明的进一步改进在于,建立不同信噪比下的信号识别模型包括以下步骤:
S1.1选取多个信号,通过基于云模型的通信信号特征提取方法提取各所述信号的Holder云模型特征,并将各信号的Holder云模型特征S、调制类型T以及信噪比snr作为训练数据集{S,T,snr};
S1.2将训练数据集按照信噪比进行分类,并将分类得到训练数据集采用区间灰色关联算法,建立不同信噪比下的信号识别模型。
本发明的进一步改进在于,将待识别信号的Holder云模型特征带入所述信号识别模型,包括以下步骤:
S3.1信号识别模型包括特征区间矩阵,特征区间矩阵为:
其中,m表示信号种类,n表示特征参数的个数,表示调制信号m的第 n个特征值波动范围的最小值,表示调制信号m的第n个特征值波动范围的最大值;所述待识别信号的第n个特征的特征区间为求取其与已知信号特征区间的区间相离度:
S3.2构建关联系数矩阵:
其中,i=1,2,…,m,j=1,2,…,n;
构建关联系数矩阵的过程中,根据灰色关联基础理论,依次求取关联系数矩阵中的每个元素ξmn的值,ξmn的计算公式如下所示:
其中,ρ=0.5;
S3.3求取关联系数矩阵中的每一行的平均值,得到灰色关联度向量,向量中的最大的分量对应的调制类型为所述待识别信号的识别结果。
本发明的优点是:在传统的Holder特征提取算法的基础上,结合云模型对提取的Holder特征云团进一步进行特征提取,通过两次特征提取,可以达到低信噪比下对通信信号的特征进行有效提取,实现待识别通信信号AM、FM、PM、 2ASK、2FSK、2PSK的有效聚类,从而达到识别通信信号的目的。基于Holder 云模型特征不仅在高信噪比的条件下具有百分之百的识别率,而且在低信噪比的条件下依然具有出色的识别率。
附图说明
图1为本发明一种基于云模型的通信信号特征提取方法的流程图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本发明的实施例包括一种基于云模型的通信信号特征提取方法,该方法对低信噪比下的通信信号多次进行特征提取,众多的特征点汇集成Holder系数云,针对形成的云团,结合云模型理论,求取其数字特征—期望、熵、超熵,来刻画云团的分布特性,实现信号特征的精确提取。
本发明是在传统的信号处理算法上,首先运用Holder特征提取算法对信号进行一次特征提取,得到Holder系数值,多次计算后得到Holder云团,再对Holder 云团用云模型进行二次特征提取,得到三维特征值。Holder特征提取算法源于 Holder不等式。Holder不等式的定义可以描述如下:
对任意向量X=(x1,x2,…,xn)T,Y=(y1,y2,…,yn)T,且X∈Cn,Y∈Cn,有:
针对上述Holder不等式理论,可以对离散的信号Holder系数进行定义。若 p,q>1,且对于两个离散的信号:{f1(i)≥0,i=1,2,…,N}, {f2(i)≥0,i=1,2,…,N},它们的Holder系数可以表示为:
其中,离散正值信号{f1(i)},{f2(i)}不恒为0,且0≤Hc≤1。
Holder系数算法是从Holder不等式演化而来的,可以使用Holder系数测量两个序列的相似程度。根据公式(2)可知,当且仅当分子∑f1(i)f2(i)=0时,Hc取得最小值为0,此时两个离散的信号相似程度最小,根据相似性原则, f1(i)、f2(i)属于不同类别的信号。当且仅当分母k为实数,N为信号点数,Hc取得最大值为1,根据相似性原则,f1(i)、f2(i)信号的相似程度最大,属于同一种信号种类。
为了实现低信噪比下的信号的提取,本发明采用云模型理论,求取Holder 云的数字特征(期望、熵、超熵),来刻画云团的分布特性。云模型的基本定义:
对于一个普通集合X,定义论域X={x}。假设模糊集合为一个属于论域X 中的集合,那么,对于任意元素x,定义具有稳定倾向的随机数叫做为x 对的隶属度。如果X中各元素无序,但根据对应法则f,将X映射到一个有序的论域X'上,并且X'中有且只有一个x'与x对应,此时,X'为基础变量,称隶属度在X上的分布为隶属云;如果X中各元素简单有序,那么,X为基础变量,其隶属度在X上的分布称为隶属云。
最常用到的正态云模型的表达式可以表示为:
其中,xi是论域内的任意数值,Ex是论域的中心值;En为论域范围概念的一个熵。
云模型有三个数字特征,分别为期望Ex,熵En,超熵He。云模型的三个数字特征所代表的意义可以表述如下:
期望Ex:云图的中心值,是图上所有云滴构成的云滴群的的重心位置,可以用来表示云滴分布的数值期望。作为定性概念在论域中的中心值,期望Ex极具代表性。
熵En:云图中云滴的范围,从云滴最边缘到中心位置为3En,熵En越大,整个云图的覆盖范围越广,所表示的概念也就越模糊。
超熵He:也就是熵En的熵,即用超熵He表述出熵En的离散程度。超熵He越大,离散度也就越大,不确定程度越大,从云图上反映出来就是两侧变宽。
以上为本实施例中涉及的背景知识。本实施例的基于云模型的通信信号特征提取方法,具体包括以下步骤:
S1.从待提取信号中选取M个样本片段,并获得各样本片段的频域序列 {Si(f)},其中:M为大于1的正整数,i为小于等于M的正整数;本实施例中, M的数目越大,本实施例的算法在低信噪比的信号下表现更好。符号{Si(f)}表示其为第i个样本片段对应的频域序列。获得所述样本片段的所述频域序列{Si(f)} 包括以下步骤:
S2.1.对样本片段进行预处理;预处理的过程主要包括放大、滤波。
S2.2.对样本片段进行离散化,得到样本序列si(t);样本序列为若干离散信号点组合的序列,其包括N个信号点;
S2.3.对样本序列进行傅里叶变换,将时域信号转换到频域,并归一化信号,最终得到频域序列{Si(f)}。
S2.选取两个参考序列,计算每个样本片段的频域序列{Si(f)}对应的Holder 系数特征H,得到Holder系数云。本实施例中,选取的参考序列包括矩形信号序列{S1(f)}以及三角信号序列{S2(f)},矩形信号序列为:
三角信号序列为:
其中,N为频域序列{Si(f)}的长度。矩形信号和三角信号的频率范围应根据待测信号的频率范围设定。计算某个样本片段的所述频域序列{Si(f)}对应的 Holder系数特征H包括两个系数值Hc、Ht,其计算公式为
其中,p,q>1,且最终得到的特征系数H为HC以及Ht构成的二元向量。每个样本片段的Holder系数特征H=[Hc,Ht]。在计算过程中,依次采用上述公式计算个样本片段的Holder系数特征,即可得到多个样本片段的Holder 系数特征H构成的Holder系数特征云。
S3.计算Holder系数云的数字特征,数字特征包括期望Exn、特征熵Enn以及超熵Hen,得到待提取信号的Holder云模型特征。计算Holder系数云的数字特征的过程包括以下步骤:
S5.1.计算Holder系数云的期望Exn,采用的公式为:
S5.2.计算Holder系数云中每个Holder系数特征H的熵Enn(i),采用的公式为:
S5.3.计算Holder系数云的特征熵Enn,采用的公式为:
S5.4.计算Holder系数云的超熵Hen,采用的公式为:
其中,M为大于1的正整数,i为小于等于M的正整数。
由于呈不规律变化的噪声无处不在,Holder系数特征也会随着噪声呈现随机性的变化,其特征值会逐渐接近某个稳定值,波动时,其分布状态符合正态分布的特点,这会使得单个信号样本的Holder系数特征无法反映信号的特征,由此可知,通过传统的一次特征提取的方式无法获取信号的稳定特征。
根据云模型,通过计算Holder系数云的数字特征,可以反映出信号在随机噪声的作用下的统计参数,通过云模型的三个数字特征,来反映变信噪比下的呈正态分布的特征。因此将本实施例的方法应用于待提取的信号,可以得到待提取信号的Holder云模型特征,Holder云模型特征具有良好的聚类性能,将本实施例的方法与现有的统计学习方法相结合,可以获得识别信号调制方式的模型及方法。
本发明的实施例还包括一种采用上述通信信号特征提取方法的信号识别方法,该方法包括以下步骤:
S1建立不同信噪比下的信号识别模型;
S2根据待识别信号所处的信噪比环境选取相应的信号识别模型;
S3使用基于云模型的通信信号特征提取方法提取所述待识别信号的Holder 云模型特征,并将其带入所述信号识别模型,得到信号识别结果。
具体的,建立不同信噪比下的信号识别模型包括以下步骤:
S1.1选取多个信号,通过基于云模型的通信信号特征提取方法提取各所述信号的Holder云模型特征,并将各信号的Holder云模型特征S、调制类型T以及信噪比snr作为训练数据集{S,T,snr}i。作为训练数据的信号可采用的调制方式包括AM、FM、PM、ASK、FSK、PSK。各信号的信噪比为0dB至15dB。
S1.2将训练数据集{S,T,snr}i按照信噪比进行分类,并将分类得到训练数据集采用区间灰色关联算法,建立不同信噪比下的信号识别模型。分类过程中,可以将信噪比为[0dB,2.5dB]的信号归为一类、[2.5B,7.5dB]的信号归为一类。本实施例中,每隔5dB的信噪比区间生成一个信号识别模型;在对信号进行识别的过程中,需要根据待识别信号的信噪比选取对应的信号识别模型。
在本实施例中,将待识别信号的Holder云模型特征带入所述信号识别模型,包括以下步骤:
S3.1信号识别模型包括特征区间矩阵,特征区间矩阵为:
其中,m表示信号种类,n表示特征参数的个数,表示调制信号m的第 n个特征值波动范围的最小值,表示调制信号m的第n个特征值波动范围的最大值。本实施例中,待识别的信号调制方式为6种(AM、FM、PM、ASK、 FSK、PSK),作为特征参数的Holder云模型特征包括3个参数。因此对于上述的特征区间矩阵,m=6,n=3。
S3.2构建关联系数矩阵:
其中,i=1,2,…,m,j=1,2,…,n;
构建关联系数矩阵的过程中,根据灰色关联基础理论,依次求取关联系数矩阵中的每个元素ξmn的值,ξmn的计算公式如下所示:
其中,ρ=0.5;
S3.3求取关联系数矩阵中的每一行的平均值,得到灰色关联度向量,向量中的最大的分量对应的调制类型为待识别信号的识别结果。
本实施例中的信号识别方法可以在低信噪比的状态下准确识别目标信号的调制类型。从表-1的测试结果可知,与现有的基于Holder特征相比,本实施例采用的基于Holder云特征不仅在高信噪比的条件下具有百分之百的识别率,而且在低信噪比的条件下依然具有出色的识别率。
表-1
以上的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于云模型的通信信号特征提取方法及信号识别方法,其特征在于包括以下步骤:
S1.从待提取信号中选取M个样本片段,并获得各样本片段的频域序列{Si(f)},其中:M为大于1的正整数,i为小于等于M的正整数;
S2.选取两个参考序列,计算每个样本片段的频域序列{Si(f)}对应的Holder系数特征H,得到Holder系数云;
S3.计算Holder系数云的数字特征,所述数字特征包括期望Exn、特征熵Enn以及超熵Hen,得到所述待提取信号的Holder云模型特征。
2.根据权利要求1所述的基于云模型的通信信号特征提取方法,其特征在于,获得所述样本片段的所述频域序列{Si(f)}包括以下步骤:
S2.1.对所述样本片段进行预处理;
S2.2.对所述样本片段进行离散化,得到样本序列si(t);
S2.3.对所述样本序列进行傅里叶变换,并归一化信号,得到频域序列{Si(f)}。
6.一种采用权利要求1至5中任一所述通信信号特征提取方法的信号识别方法,其特征在于,包括以下步骤:
S1 建立不同信噪比下的信号识别模型;
S2 根据待识别信号所处的信噪比环境选取相应的信号识别模型;
S3 使用基于云模型的通信信号特征提取方法提取所述待识别信号的Holder云模型特征,并将其带入所述信号识别模型,得到信号识别结果。
7.根据权利要求6所述的一种信号识别方法,其特征在于,建立不同信噪比下的信号识别模型包括以下步骤:
S1.1 选取多个信号,通过基于云模型的通信信号特征提取方法提取各所述信号的Holder云模型特征,并将各信号的Holder云模型特征S、调制类型T以及信噪比snr作为训练数据集{S,T,snr};
S1.2 将训练数据集按照信噪比进行分类,并将分类得到训练数据集采用区间灰色关联算法,建立不同信噪比下的信号识别模型。
8.根据权利要求7所述的一种信号识别方法,其特征在于,将待识别信号的Holder云模型特征带入所述信号识别模型,包括以下步骤:
S3.1 信号识别模型包括特征区间矩阵,特征区间矩阵为:
其中,m表示信号种类,n表示特征参数的个数,表示调制信号m的第n个特征值波动范围的最小值,表示调制信号m的第n个特征值波动范围的最大值;所述待识别信号的第n个特征的特征区间为求取其与已知信号特征区间的区间相离度:
S3.2 构建关联系数矩阵:
其中,i=1,2,…,m,j=1,2,…,n;
构建关联系数矩阵的过程中,根据灰色关联基础理论,依次求取关联系数矩阵中的每个元素ξmn的值,ξmn的计算公式如下所示:
其中,ρ=0.5;
S3.3 求取关联系数矩阵中的每一行的平均值,得到灰色关联度向量,向量中的最大的分量对应的调制类型为所述待识别信号的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870583.6A CN110705387A (zh) | 2019-09-16 | 2019-09-16 | 一种基于云模型的通信信号特征提取方法及信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870583.6A CN110705387A (zh) | 2019-09-16 | 2019-09-16 | 一种基于云模型的通信信号特征提取方法及信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705387A true CN110705387A (zh) | 2020-01-17 |
Family
ID=69195393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870583.6A Pending CN110705387A (zh) | 2019-09-16 | 2019-09-16 | 一种基于云模型的通信信号特征提取方法及信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705387A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754992A (zh) * | 2020-06-30 | 2020-10-09 | 山东大学 | 一种噪声鲁棒的音视频双模态语音识别方法及系统 |
CN112073345A (zh) * | 2020-07-28 | 2020-12-11 | 中国科学院信息工程研究所 | 一种调制方式识别方法、装置、电子设备及存储介质 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
CN113688655A (zh) * | 2020-05-19 | 2021-11-23 | 广州海格通信集团股份有限公司 | 干扰信号的识别方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110071884A (zh) * | 2019-04-11 | 2019-07-30 | 哈尔滨工程大学 | 一种基于改进熵云特征的通信信号调制识别方法 |
-
2019
- 2019-09-16 CN CN201910870583.6A patent/CN110705387A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110071884A (zh) * | 2019-04-11 | 2019-07-30 | 哈尔滨工程大学 | 一种基于改进熵云特征的通信信号调制识别方法 |
Non-Patent Citations (1)
Title |
---|
李靖超: ""基于复杂度特征的通信辐射源个体识别"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688655A (zh) * | 2020-05-19 | 2021-11-23 | 广州海格通信集团股份有限公司 | 干扰信号的识别方法、装置、计算机设备和存储介质 |
CN113688655B (zh) * | 2020-05-19 | 2023-12-15 | 广州海格通信集团股份有限公司 | 干扰信号的识别方法、装置、计算机设备和存储介质 |
CN111754992A (zh) * | 2020-06-30 | 2020-10-09 | 山东大学 | 一种噪声鲁棒的音视频双模态语音识别方法及系统 |
CN112073345A (zh) * | 2020-07-28 | 2020-12-11 | 中国科学院信息工程研究所 | 一种调制方式识别方法、装置、电子设备及存储介质 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705387A (zh) | 一种基于云模型的通信信号特征提取方法及信号识别方法 | |
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN112039820B (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN108268837B (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
Zhang et al. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
Li | A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier | |
CN110163040B (zh) | 非高斯杂波中雷达辐射源信号识别技术 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
Essai et al. | Automatic Modulation Classification: Convolutional Deep Learning Neural Networks Approaches | |
CN106443625A (zh) | 基于高分辨一维像信息融合的目标识别方法 | |
Wang et al. | Residual learning based RF signal denoising | |
CN105403862B (zh) | 一种基于证据c均值的雷达信号类别分选方法 | |
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
Yan et al. | Automatic modulation classification in α-stable noise using graph-based generalized second-order cyclic spectrum analysis | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
CN108494711B (zh) | 一种基于kl散度的通信信号图域特征提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |