CN110929842A - 非合作无线电信号突发时间区域精确智能检测方法 - Google Patents

非合作无线电信号突发时间区域精确智能检测方法 Download PDF

Info

Publication number
CN110929842A
CN110929842A CN201910975707.7A CN201910975707A CN110929842A CN 110929842 A CN110929842 A CN 110929842A CN 201910975707 A CN201910975707 A CN 201910975707A CN 110929842 A CN110929842 A CN 110929842A
Authority
CN
China
Prior art keywords
signal
label
deep learning
learning network
signals
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
Application number
CN201910975707.7A
Other languages
English (en)
Other versions
CN110929842B (zh
Inventor
王翔
黄知涛
柯达
李保国
王丰华
张万龙
刘伟松
杨凯
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910975707.7A priority Critical patent/CN110929842B/zh
Publication of CN110929842A publication Critical patent/CN110929842A/zh
Application granted granted Critical
Publication of CN110929842B publication Critical patent/CN110929842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2218/16—Classification; Matching by matching signal segments
    • 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)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了非合作无线电信号突发时间区域精确智能检测方法，包括以下步骤：训练数据预处理；原始数据分段；设计无线电信号检测学习网络，由卷积特征层、时序特征层和分类层组成；标签二次处理；训练无线电信号的深度学习网络；确定判决门限；滑窗检测信号；本发明方法不依赖信号和噪声先验知识，是通过充分利用信号内在信息，实现低信噪比条件下的检测目标信号的检测方法，利用深度学习自适应提取特征的优点，挖掘信号内在的物理特性，增强在恶劣信噪比环境下发现目标信号的能力，可以适应信道参数未知的应用场景，在军民两用领域，如频谱接入检测、电子侦察等具有广阔前景。

Description

非合作无线电信号突发时间区域精确智能检测方法
技术领域
本发明涉及认知无线电信号处理技术领域，尤其涉及非合作无线电信号突发时间区域精确智能检测方法。
背景技术
随着通信技术的高速发展，信道传输速率的需求也越来越大，为了解决频谱资源利用率低的问题，非授权用户可以及时检测各信道的占用情况，通过动态频谱接入提高频率资源的利用率。在非授权用户工作过程中，仍然需要实时检测主用户信号的工作情况，以避免对主用户造成干扰；
传统的信号检测主要依赖于人工对信号物理特性的认知，基于电磁信号的物理特性和统计理论设计出合适的检验统计量，并确定检测门限来实现对信号和噪声空间的划分，检验统计量设计的好坏严重依赖于设计者对信号和背景噪声先验知识掌握的多少，而大多数情况下，对于非授权用户而言，主用户的传输信道往往是未知的，不能较好地掌握信号和噪声的先验知识，对信号和噪声的建模往往存在不准确的问题，因此，本发明提出非合作无线电信号突发时间区域精确智能检测方法，引入深度学习方法实现对电磁信号的盲检测，能够在不需要信号和噪声先验信息的前提下，利用深度学习自适应提取特征的优点，挖掘信号内在的物理特性，增强在恶劣信噪比环境下发现目标信号的能力，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明提出非合作无线电信号突发时间区域精确智能检测方法，不依赖信号和噪声先验知识，是通过充分利用信号内在信息，实现低信噪比条件下的检测目标信号的检测方法，可以适应信道参数未知的应用场景，在军民两用领域，如频谱接入检测、电子侦察等具有广阔前景。
本发明提出非合作无线电信号突发时间区域精确智能检测方法，包括以下步骤：
步骤一：训练数据预处理，针对任意一个辐射源，在信噪比条件较好情况下采集该辐射源发射的无线电信号，然后根据每个采样点信号的有无进行打标签，标签“0”代表无信号，标签“1”代表有信号；
步骤二：原始数据分段，设定实时接收信号有n个采样点，为
Figure BDA0002233542440000021
其表达式如公式(1)所示：
Figure BDA0002233542440000022
其中，si,ni分别表示感兴趣的目标信号和背景噪声；
然后将接收到的信号分成若干段
Figure BDA0002233542440000023
每段长度固定为N，即
Figure BDA0002233542440000024
再将每段进行去均值和方差归一化；
步骤三：设计无线电信号检测学习网络，设计一个由卷积特征层、时序特征层和分类层组成的无线电信号的深度学习网络；
步骤四：标签二次处理，利用步骤一中预处理好的训练数据，对打好的标签进行二次处理，如图3所示，假设原始标签为1×N向量{1,1,0,0,…1,1,…0,1}N，当其中有信号的点数超过
Figure BDA0002233542440000031
则将整段信号的标签视为标签“1”，否则视为标签“0”；
步骤五：训练无线电信号的深度学习网络，首先设置超参数，然后随机初始化每个神经元的权重，输入训练数据进行前向传播，再利用反向梯度传播算法优化网络参数，直至损失函数收敛到指定门限以下或者达到指定的训练次数；
步骤六：确定判决门限，采集一段信号作为测试数据，然后将测试数据分成若干段，每段长度为N，送入神经网络，根据设计的无线电信号的深度学习网络，输出一个0～1之间的数，进行检验统计量，然后设定虚警概率Pfa，根据Pfa确定判决门限，将无线电信号的深度学习网络输出的检验统计量最终判决为标签“0”或标签“1”；
步骤七：滑窗检测信号，将设计的无线电信号的深度学习网络当成一个有限长的冲激响应滤波器进行使用，将滤波器沿时间轴滑动处理信号，依次得到每次输出的信号有无情况，然后确定整段信号的起始和终止时间。
进一步改进在于：所述步骤二中去均值公式如公式(2)所示。
Figure BDA0002233542440000032
进一步改进在于：所述步骤二中去方差归一化如公式(3)所示。
Figure BDA0002233542440000033
进一步改进在于：所述步骤三中的卷积特征层由卷积神经网络构成，时序特征层由长短时记忆单元构成，分类层由全连接层组成。
进一步改进在于：所述步骤四中的表达式如公式(5)所示。
Figure BDA0002233542440000041
进一步改进在于：所述步骤五中的超参数包括训练次数epoch、学习速率和每个批次训练的样本数batch size。
进一步改进在于：所述步骤七中的具体操作为：将信号分段依次送入无线电信号的深度学习网络处理，步长根据时间分辨率的要求设置为1～N，当步长设置为1，输出的结果等价为第
Figure BDA0002233542440000042
个点的信号有无情况；当步长为N，输出结果等价为整段信号的有无情况。
本发明的有益效果为：本发明方法不依赖信号和噪声先验知识，是通过充分利用信号内在信息，实现低信噪比条件下的检测目标信号的检测方法，利用深度学习自适应提取特征的优点，挖掘信号内在的物理特性，增强在恶劣信噪比环境下发现目标信号的能力，可以适应信道参数未知的应用场景，在军民两用领域，如频谱接入检测、电子侦察等具有广阔前景。
附图说明
图1为本发明的原理框架示意图；
图2为本发明训练数据预处理示意图；
图3为本发明训练数据标签二次处理示意图；
图4为本发明算法性能分析示意图；
图5为本发明信号处理前后对比示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1、2、3、4、5所示，本实施例提出非合作无线电信号突发时间区域精确智能检测方法，包括以下步骤：
步骤一：训练数据预处理，针对任意一个辐射源，在信噪比条件较好情况下采集该辐射源发射的无线电信号，然后根据每个采样点信号的有无进行打标签，标签“0”代表无信号，标签“1”代表有信号；
本实施例中以图2为例，采集一段信噪比较高的无线电信号作为训练数据，然后根据信号包络能量的高低对数据打上初始标签；
步骤二：原始数据分段，设定实时接收信号有n个采样点，为
Figure BDA0002233542440000051
其表达式如公式(1)所示：
Figure BDA0002233542440000052
其中，si,ni分别表示感兴趣的目标信号和背景噪声；
然后将接收到的信号分成若干段
Figure BDA0002233542440000053
每段长度固定为N，即
Figure BDA0002233542440000054
再将每段进行去均值和方差归一化；
去均值公式如公式(2)所示：
Figure BDA0002233542440000055
去方差归一化如公式(3)所示；
Figure BDA0002233542440000061
本实施例中以250MHz采样率采集了一段无线电信号，总时长为2s，总采样点数为500M个点，每段长度N＝1000，可分为5×105段，即有5×105个样本，每个样本分别做均值归零化和方差归一化后，随机选择其中一半的样本作为训练数据，另一半样本作为测试数据；
步骤三：设计无线电信号检测学习网络，设计一个由卷积特征层、时序特征层和分类层组成的无线电信号的深度学习网络，卷积特征层由卷积神经网络构成，时序特征层由长短时记忆单元构成，分类层由全连接层组成；
本实施例中根据输入输出的维度，设计神经网输入维度为1×1000，输出维度为1，且输出激活函数为sigmoid函数，输出值域为[0,1]；
步骤四：标签二次处理，利用步骤一中预处理好的训练数据，对打好的标签进行二次处理，假设原始标签为1×N向量{1,1,0,0,…1,1,…0,1}N，当其中有信号的点数超过
Figure BDA0002233542440000062
则将整段信号的标签视为标签“1”，否则视为标签“0”；
表达式如公式(5)所示；
Figure BDA0002233542440000063
本实施例中已知每段长度为1000个点，标签为
Figure BDA0002233542440000064
若其中标签为“1”的点数量超过500，则将整段样本视为都有信号，标签
Figure BDA0002233542440000071
步骤五：训练无线电信号的深度学习网络，首先设置超参数，包括训练次数epoch、学习速率和每个批次训练的样本数batch size，本实施例中设置训练次数epoch＝100、学习速率为3×10-6、每个批次训练的样本数batch size＝64，然后随机初始化每个神经元的权重，输入训练数据进行前向传播，再利用反向梯度传播算法优化网络参数，直至损失函数收敛到指定门限以下或者达到指定的训练次数，保存训练好的模型；
步骤六：确定判决门限，
本实施例中将步骤一中采集的另一半信号作为测试数据，同样将测试数据分成若干段，每段长度为N＝1000，送入神经网络，根据设计的神经网络结构，输出一个0～1之间的数，等价于检验统计量，然后设定虚警概率Pfa＝0.1，初始化判决门限γ＝0，不断迭代γ的取值，直到Pfa达到指定的取值，以此时的γ作为最终的判决门限，将神经网络输出的检验统计量最终判决为标签“0”或标签“1”，即无信号或者有信号；
步骤七：滑窗检测信号，将设计的无线电信号的深度学习网络当成一个有限长的冲激响应滤波器进行使用，将滤波器沿时间轴滑动处理信号，依次得到每次输出的信号有无情况，然后确定整段信号的起始和终止时间，将信号分段依次送入无线电信号的深度学习网络处理，步长根据时间分辨率的要求设置为1～N，输出的结果等价为每段信号的第500个点的信号有无情况，此时时间分辨率最高，可以精确到每一个采样点，但计算量最大；当步长设置为1，输出的结果等价为第
Figure BDA0002233542440000081
个点的信号有无情况；当若步长为N＝1000，输出结果等价为整段信号的有无情况，此时时间分辨率最低，为
Figure BDA0002233542440000082
但计算量最小，若整段信号长度为M，则只需要重复上述操作
Figure BDA0002233542440000083
次。
本发明方法不依赖信号和噪声先验知识，是通过充分利用信号内在信息，实现低信噪比条件下的检测目标信号的检测方法，利用深度学习自适应提取特征的优点，挖掘信号内在的物理特性，增强在恶劣信噪比环境下发现目标信号的能力，可以适应信道参数未知的应用场景，在军民两用领域，如频谱接入检测、电子侦察等具有广阔前景。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.非合作无线电信号突发时间区域精确智能检测方法，其特征在于，包括以下步骤：
步骤一：训练数据预处理，针对任意一个辐射源，在信噪比条件较好情况下采集该辐射源发射的无线电信号，然后根据每个采样点信号的有无进行打标签，标签“0”代表无信号，标签“1”代表有信号；
步骤二：原始数据分段，设定实时接收信号有n个采样点，为
Figure FDA0002233542430000011
其表达式如公式(1)所示：
Figure FDA0002233542430000012
其中，si,ni分别表示感兴趣的目标信号和背景噪声；
然后将接收到的信号分成若干段
Figure FDA0002233542430000013
每段长度固定为N，即
Figure FDA0002233542430000014
再将每段进行去均值和方差归一化；
步骤三：设计无线电信号检测学习网络，设计一个由卷积特征层、时序特征层和分类层组成的无线电信号的深度学习网络；
步骤四：标签二次处理，利用步骤一中预处理好的训练数据，对打好的标签进行二次处理，假设原始标签为1×N向量{1,1,0,0,…1,1,…0,1}N，当其中有信号的点数超过
Figure FDA0002233542430000015
则将整段信号的标签视为标签“1”，否则视为标签“0”；
步骤五：训练无线电信号的深度学习网络，首先设置超参数，然后随机初始化每个神经元的权重，输入训练数据进行前向传播，再利用反向梯度传播算法优化网络参数，直至损失函数收敛到指定门限以下或者达到指定的训练次数；
步骤六：确定判决门限，采集一段信号作为测试数据，然后将测试数据分成若干段，每段长度为N，送入神经网络，根据设计的无线电信号的深度学习网络，输出一个0～1之间的数，进行检验统计量，然后设定虚警概率Pfa，根据Pfa确定判决门限，将无线电信号的深度学习网络输出的检验统计量最终判决为标签“0”或标签“1”；
步骤七：滑窗检测信号，将设计的无线电信号的深度学习网络当成一个有限长的冲激响应滤波器进行使用，将滤波器沿时间轴滑动处理信号，依次得到每次输出的信号有无情况，然后确定整段信号的起始和终止时间。
2.根据权利要求1所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤二中去均值公式如公式(2)所示。
Figure FDA0002233542430000021
3.根据权利要求2所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤二中去方差归一化如公式(3)所示。
Figure FDA0002233542430000022
4.根据权利要求1所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤三中的卷积特征层由卷积神经网络构成，时序特征层由长短时记忆单元构成，分类层由全连接层组成。
5.根据权利要求1所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤四中的表达式如公式(5)所示。
Figure FDA0002233542430000031
6.根据权利要求1所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤五中的超参数包括训练次数epoch、学习速率和每个批次训练的样本数batch size。
7.根据权利要求1所述的非合作无线电信号突发时间区域精确智能检测方法，其特征在于：所述步骤七中的具体操作为：将信号分段依次送入无线电信号的深度学习网络处理，步长根据时间分辨率的要求设置为1～N，当步长设置为1，输出的结果等价为第
Figure FDA0002233542430000032
个点的信号有无情况；当步长为N，输出结果等价为整段信号的有无情况。
CN201910975707.7A 2019-10-15 2019-10-15 非合作无线电信号突发时间区域精确智能检测方法 Active CN110929842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975707.7A CN110929842B (zh) 2019-10-15 2019-10-15 非合作无线电信号突发时间区域精确智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975707.7A CN110929842B (zh) 2019-10-15 2019-10-15 非合作无线电信号突发时间区域精确智能检测方法

Publications (2)

Publication Number Publication Date
CN110929842A true CN110929842A (zh) 2020-03-27
CN110929842B CN110929842B (zh) 2023-06-20

Family

ID=69848984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975707.7A Active CN110929842B (zh) 2019-10-15 2019-10-15 非合作无线电信号突发时间区域精确智能检测方法

Country Status (1)

Country Link
CN (1) CN110929842B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112751633A (zh) * 2020-10-26 2021-05-04 中国人民解放军63891部队 一种基于多尺度窗口滑动的宽带频谱检测方法
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
CN115276856A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于深度学习的信道选择方法
CN116244637A (zh) * 2023-05-12 2023-06-09 中星联华科技（北京）有限公司 突发信号采集方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008538065A (ja) * 2005-04-15 2008-10-02 ミツビシ・エレクトリック・リサーチ・ラボラトリーズ・インコーポレイテッド 無線信号のエネルギーマトリックスの構築
US20140097979A1 (en) * 2012-10-09 2014-04-10 Accipiter Radar Technologies, Inc. Device & method for cognitive radar information network
CN104135327A (zh) * 2014-07-10 2014-11-05 上海大学 基于支持向量机的频谱感知方法
US9042359B1 (en) * 2007-09-24 2015-05-26 Rockwell Collins, Inc. Cognitive spectrum violation detection
CN107808138A (zh) * 2017-10-31 2018-03-16 电子科技大学 一种基于FasterR‑CNN的通信信号识别方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109274621A (zh) * 2018-09-30 2019-01-25 中国人民解放军战略支援部队信息工程大学 基于深度残差网络的通信协议信号识别方法
US20190049548A1 (en) * 2017-08-09 2019-02-14 SWFL, Inc., d/b/a "Filament" Systems and methods for physical detection using radio frequency noise floor signals and deep learning techniques
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109817233A (zh) * 2019-01-25 2019-05-28 清华大学 基于层次注意力网络模型的语音流隐写分析方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008538065A (ja) * 2005-04-15 2008-10-02 ミツビシ・エレクトリック・リサーチ・ラボラトリーズ・インコーポレイテッド 無線信号のエネルギーマトリックスの構築
US9042359B1 (en) * 2007-09-24 2015-05-26 Rockwell Collins, Inc. Cognitive spectrum violation detection
US20140097979A1 (en) * 2012-10-09 2014-04-10 Accipiter Radar Technologies, Inc. Device & method for cognitive radar information network
CN104135327A (zh) * 2014-07-10 2014-11-05 上海大学 基于支持向量机的频谱感知方法
US20190049548A1 (en) * 2017-08-09 2019-02-14 SWFL, Inc., d/b/a "Filament" Systems and methods for physical detection using radio frequency noise floor signals and deep learning techniques
CN107808138A (zh) * 2017-10-31 2018-03-16 电子科技大学 一种基于FasterR‑CNN的通信信号识别方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109274621A (zh) * 2018-09-30 2019-01-25 中国人民解放军战略支援部队信息工程大学 基于深度残差网络的通信协议信号识别方法
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109817233A (zh) * 2019-01-25 2019-05-28 清华大学 基于层次注意力网络模型的语音流隐写分析方法及系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
DA KE ET AL.: "Blind Detection Techniques for Non-Cooperative Communication Signals Based on Deep Learning", 《IEEE ACCESS》 *
DA KE ET AL.: "Blind Detection Techniques for Non-Cooperative Communication Signals Based on Deep Learning", 《IEEE ACCESS》, 2 July 2019 (2019-07-02), pages 2 - 3 *
KAI YANG ET AL.: "A Blind Spectrum Sensing Method Based on Deep Learning", 《SENSORS 2019》 *
KAI YANG ET AL.: "A Blind Spectrum Sensing Method Based on Deep Learning", 《SENSORS 2019》, 16 May 2019 (2019-05-16), pages 1 - 4 *
付卫红;杨小牛;曾兴雯;刘乃安;: "一种基于时频分析神经网络的通信信号盲识别新方法", 信号处理, no. 05 *
张伟，等: "强噪声背景下DS-SS信号检测技术", 信息与电子工程, no. 03 *
李思佳: "低信噪比下直扩信号检测与参数估计技术研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
李思佳: "低信噪比下直扩信号检测与参数估计技术研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》, 15 September 2019 (2019-09-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112751633A (zh) * 2020-10-26 2021-05-04 中国人民解放军63891部队 一种基于多尺度窗口滑动的宽带频谱检测方法
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
CN115276856A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于深度学习的信道选择方法
CN115276856B (zh) * 2022-06-16 2023-09-29 宁波大学 一种基于深度学习的信道选择方法
CN116244637A (zh) * 2023-05-12 2023-06-09 中星联华科技（北京）有限公司 突发信号采集方法及装置

Also Published As

Publication number Publication date
CN110929842B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN110826630B (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN108600135B (zh) 一种信号调制方式的识别方法
CN111913156B (zh) 基于深度学习模型与特征联合的雷达辐射源个体识别方法
CN109471074B (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
Lin et al. Detection of gravitational waves using Bayesian neural networks
CN112949387B (zh) 基于迁移学习的智能抗干扰目标检测方法
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN114337880B (zh) 一种考虑主用户信号随机到达和离开的频谱感知方法
CN109948722B (zh) 一种识别空间目标的方法
CN110084126B (zh) 一种基于Xgboost的卫星通信干扰样式识别方法
CN116866129A (zh) 一种无线通信信号检测方法
CN110932807A (zh) 一种非高斯噪声下mimo系统的频谱感知方法
CN108549078A (zh) 一种雷达脉冲信号跨信道合并及检测方法
CN113315593A (zh) 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法
CN114895263A (zh) 基于深度迁移学习的雷达有源干扰信号识别方法
CN112528774A (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN113640768B (zh) 一种基于小波变换的低分辨雷达目标识别方法
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
Ma et al. Radar working mode recognition based on hierarchical feature representation and clustering
CN115980689A (zh) 基于点云检测的辐射源信号分选方法、装置、设备及介质
CN116383719A (zh) 一种用于lfm雷达的mgf射频指纹识别方法
CN114519372B (zh) 基于支持向量机的一维距离像目标识别方法
CN115422977A (zh) 基于cnn-bls网络的雷达辐射源信号识别方法

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