CN110995631A - 一种基于lstm和svm的通信信号调制模式识别方法及系统 - Google Patents

一种基于lstm和svm的通信信号调制模式识别方法及系统 Download PDF

Info

Publication number
CN110995631A
CN110995631A CN201911078203.1A CN201911078203A CN110995631A CN 110995631 A CN110995631 A CN 110995631A CN 201911078203 A CN201911078203 A CN 201911078203A CN 110995631 A CN110995631 A CN 110995631A
Authority
CN
China
Prior art keywords
lstm
svm
layer
layers
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
Application number
CN201911078203.1A
Other languages
English (en)
Other versions
CN110995631B (zh
Inventor
禹航
辛宁
丁睿
陈东
刘亮
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.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
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 China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN201911078203.1A priority Critical patent/CN110995631B/zh
Publication of CN110995631A publication Critical patent/CN110995631A/zh
Application granted granted Critical
Publication of CN110995631B publication Critical patent/CN110995631B/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明涉及一种基于LSTM和SVM的通信信号调制模式识别方法。包括步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。本发明能够解决现有的调制识别方法可适用的信噪比范围小，低信噪比下识别率低的问题。

Description

一种基于LSTM和SVM的通信信号调制模式识别方法及系统
技术领域
本发明涉及一种基于LSTM和SVM的通信信号调制模式识别方法及系统，属于信号处理领域中通信信号类型识别领域。
背景技术
随着通信设备数量的大量增长，通信所面临的电磁环境也变得越发复杂，而无线电信号需要通过调制才能进行传输。不同的调制模式拥有着不同的适应场景以及不同的信号特性。在军事应用中，需要对截获信号进行调制识别之后才能进行包含信号解调在内的后续处理。而在认知无线电背景下，主用户需要对接收到的主次用户混合的信号进行调制模式识别才能知道哪个是次用户，哪个是主用户。不仅如此，调制识别还可以在用户身份鉴别，频谱检测与管理等方面发挥巨大作用。因此，调制模式识别已成为当前通信领域中最有价值的研究方向之一。
近年来，随着电子设备计算力的大幅提升，机器学习尤其是深度学习技术得到了巨大的发展。而在对于信号的特征提取以及分类领域，深度学习技术也取得了许多成就。而这些成就被广泛的应用于计算机视觉和自然语言处理领域。而通信信号的调制模式识别本质上是一个模式识别问题，也需要通过特征提取然后分类。因此可以将深度学习技术应用于通信信号的调制模式识别领域。
发明内容
本发明的技术解决问题是：克服现有的调制识别方法可适用的信噪比范围小，低信噪比下识别率低的问题。基于长短时记忆网络(Long Short-Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)，提供一种可适用于信噪比大动态变化环境下的通信信号调制模式识别方法。
本发明的技术解决方案是：
一种基于LSTM和SVM的通信信号调制模式识别方法，步骤如下：
步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；
步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。
进一步的，步骤一中的通信信号标准化处理公式为：
Figure BDA0002263147180000021
式中：x为标准化之前的通信信号，x*为标准化之后的通信信号，μ为通信信号的均值，σ为标准差。
进一步的，步骤二中将处理后的信号送入由LSTM组成的自编码机进一步提取特征，具体为：在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数；每层之后都使用批量正则化让提取出的特征在进入下一层之前重新标准化。
进一步的，LSTM自编码机网络共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层；前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量。
进一步的，所述LSTM自编码机的输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。
进一步的，步骤三中进行分类具体为：通过在任意两类样本之间训练SVM分类器实现对多类通信信号的调制模式识别，k个类别的调制信号需要训练k(k-1)/2个SVM分类器。
进一步的，每个SVM分类器的核函数都选择为高斯核函数k(x1,x2):
Figure BDA0002263147180000031
其中，x1,x2为高斯核函数的两个输入参数，
Figure BDA0002263147180000032
进一步的，为了缓解噪声的影响，添加松弛变量εi:
yi(wTx+b)≥1-εi
松弛变量表示对输入x在通过目标函数yi之后能够被允许的误差量，wT表示网络参数矩阵的转置，b为偏移量；
非线性分类器的形式为：
Figure BDA0002263147180000033
式中αi为拉格朗日乘子。
进一步的，本发明还提出一种调制模式识别系统，包括：
信号预处理模块：对接收到的不同信噪比下的信号进行标准化处理；
特征提取模块：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
分类模块：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。
本发明与现有技术相比的有益效果是：
收集信噪比大动态变化下各个信噪比的通信调制信号，打好标签作为已知样本。通过训练LSTM自编码机来实现自动特征提取。相比于传统的手动特征提取方法而言，使用LSTM自编码机的方法可以最大限度的避免信息损失。这是因为通过手动方法提取的特征无论提取多少都不可避免的会造成信息损失，而这种信息很有可能是有用信息，而通过LSTM自动编码机提取的特征则是让网络自己学习提取哪些特征，去掉哪些无用的信息。这种做法可以最大限度的保留有用信息。采用LSTM则是因为LSTM可以通过信号之间的关联提取出有用的时域信息。而且采用深度学习的方法提取信息不受到信号调制模式的限制。对于手动提取方法而言，必须根据需要识别的调制模式集合决定采用哪些特征，有些特征提取方法对于一些相近的调制模式是无效的。而且需要识别的调制模式越多，需要提取的特征就越多，需要采用的手工提取方法也越多。但是采用本发明则是让网络自己提取特征，减小了计算复杂度，对于调制模式的增加也只需增加SVM分类器的个数即可。
附图说明
图1是本发明的基于LSTM和SVM的通信信号调制模式识别算法流程图。
图2是本发明的基于LSTM的自编码机结构框图。
图3是本发明的LSTM内部传播机制结构图。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步的详细描述。
图1是本发明的基于LSTM和SVM的通信信号调制模式识别算法流程图。它包括以下步骤：
步骤一：信号预处理：对接收到的不同信噪比范围下的信号进行标准化处理；
步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
通过训练LSTM自编码机来实现自动特征提取。相比于传统的手动特征提取方法而言，使用LSTM自编码机的方法可以最大限度的避免信息损失。这是因为通过手动方法提取的特征无论提取多少都不可避免的会造成信息损失，而这种信息很有可能是有用信息，而通过LSTM自动编码机提取的特征则是让网络自己学习提取哪些特征，去掉哪些无用的信息。这种做法可以最大限度的保留有用信息。
步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。
其中，步骤一中的通信信号标准化处理公式为：
Figure BDA0002263147180000051
式中：x*为标准化之后的通信信号。μ为通信信号的均值，σ为标准差。
步骤二中，在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数。每层之后都使用批量正则化(Batch Normalization,BN)让提取出的特征在进入下一层之前重新标准化。
图2是基于LSTM的自编码机结构框图。
步骤二中，LSTM自编码机网络总共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层。前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量。这个LSTM自编码机输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。
图3是LSTM内部传播机制结构图。根据图3，LSTM的前向传播算法中更新每个序列索引的过程为：
更新forget gate输出:
ft＝σ(Wfht-1+Ufxt+bf)
更新input gate输出：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
更新cell state：
Ct＝Ct-1⊙ft+it⊙at
更新output gate：
ot＝σ(Woht-1+Uoxt+bo)
ht＝ot⊙tanh(Ct)
更新当前序列预测输出：
Figure BDA0002263147180000061
式中，σ函数为sigmoid函数：
Figure BDA0002263147180000062
t为当前时间位置，t-1为上一个信号时刻。随后依据反向传播原则：
Figure BDA0002263147180000063
Figure BDA0002263147180000064
式中lr为学习率，
Figure BDA0002263147180000065
为第l层i单元的权重漂移。依据反向传播准则可以计算各个门的反向传播结果。
步骤三中，通过在任意两类样本之间训练SVM分类器实现对多类通信信号的调制模式识别，k个类别的调制信号需要训练k(k-1)/2个SVM分类器，每个SVM分类器的核函数都选择为高斯核函数k(x1,x2):
Figure BDA0002263147180000066
其中，x1,x2为高斯核函数的两个输入参数，
Figure BDA0002263147180000067
步骤三中为了缓解噪声的影响，需要添加松弛变量εi:
yi(wTx+b)≥1-εi
松弛变量表示对输入x在通过目标函数yi之后能够被允许的误差量，wT表示网络参数矩阵的转置，b为偏移量。一个非线性分类器的形式为：
Figure BDA0002263147180000068
式中αi为拉格朗日乘子。
采用LSTM则是因为LSTM可以通过信号之间的关联提取出有用的时域信息。而且采用深度学习的方法提取信息不受到信号调制模式的限制。对于手动提取方法而言，必须根据需要识别的调制模式集合决定采用哪些特征，有些特征提取方法对于一些相近的调制模式是无效的。而且需要识别的调制模式越多，需要提取的特征就越多，需要采用的手工提取方法也越多。但是采用本发明则是让网络自己提取特征，减小了计算复杂度，对于调制模式的增加也只需增加SVM分类器的个数即可。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域的公知技术。

Claims (10)

1.一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于步骤如下：
步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；
步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。
2.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤一中的通信信号标准化处理公式为：
Figure FDA0002263147170000011
式中：x为标准化之前的通信信号，x*为标准化之后的通信信号，μ为通信信号的均值，σ为标准差。
3.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤二中将处理后的信号送入由LSTM组成的自编码机进一步提取特征，具体为：在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数；每层之后都使用批量正则化让提取出的特征在进入下一层之前重新标准化。
4.根据权利要求3所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：LSTM自编码机网络共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层；前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量。
5.根据权利要求4所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：所述LSTM自编码机的输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。
6.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤三中进行分类具体为：通过在任意两类样本之间训练SVM分类器实现对多类通信信号的调制模式识别，k个类别的调制信号需要训练k(k-1)/2个SVM分类器。
7.根据权利要求6所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：每个SVM分类器的核函数都选择为高斯核函数k(x1，x2)：
Figure FDA0002263147170000021
其中，x1，x2为高斯核函数的两个输入参数，
Figure FDA0002263147170000022
8.根据权利要求7所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：为了缓解噪声的影响，添加松弛变量εi：
yi(wTx+b)≥1-εi
松弛变量表示对输入x在通过目标函数yi之后能够被允许的误差量，wT表示网络参数矩阵的转置，b为偏移量；
非线性分类器的形式为：
Figure FDA0002263147170000023
式中αi为拉格朗日乘子。
9.一种根据权利要求1所述的基于LSTM和SVM的通信信号调制模式识别方法实现的调制模式识别系统，其特征在于包括：
信号预处理模块：对接收到的不同信噪比下的信号进行标准化处理；
特征提取模块：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
分类模块：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。
10.根据权利要求9所述的调制模式识别系统，其特征在于：将处理后的信号送入由LSTM组成的自编码机进一步提取特征，具体为：在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数；每层之后都使用批量正则化让提取出的特征在进入下一层之前重新标准化；
LSTM自编码机网络共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层；前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量；LSTM自编码机的输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。
CN201911078203.1A 2019-11-06 2019-11-06 一种基于lstm和svm的通信信号调制模式识别方法及系统 Active CN110995631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911078203.1A CN110995631B (zh) 2019-11-06 2019-11-06 一种基于lstm和svm的通信信号调制模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911078203.1A CN110995631B (zh) 2019-11-06 2019-11-06 一种基于lstm和svm的通信信号调制模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN110995631A true CN110995631A (zh) 2020-04-10
CN110995631B CN110995631B (zh) 2022-07-05

Family

ID=70083216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911078203.1A Active CN110995631B (zh) 2019-11-06 2019-11-06 一种基于lstm和svm的通信信号调制模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN110995631B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861790A (zh) * 2021-03-10 2021-05-28 西南交通大学 一种基于深度学习的电磁探测网络组网方式识别方法
CN116760674A (zh) * 2023-08-11 2023-09-15 暨南大学 一种无线信号调制方式智能监测识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583346A (zh) * 2018-11-21 2019-04-05 齐鲁工业大学 基于lstm-fc的脑电信号特征提取与分类识别方法
CN109657604A (zh) * 2018-12-17 2019-04-19 中国人民解放军战略支援部队信息工程大学 基于循环神经网络的卫星幅相信号识别解调方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583346A (zh) * 2018-11-21 2019-04-05 齐鲁工业大学 基于lstm-fc的脑电信号特征提取与分类识别方法
CN109657604A (zh) * 2018-12-17 2019-04-19 中国人民解放军战略支援部队信息工程大学 基于循环神经网络的卫星幅相信号识别解调方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ANDREA CIMINO、FELICE DELL’ORLETTA: "Tandem LSTM-SVM Approach for Sentiment", 《EVALITA. EVALUATION OF NLP AND SPEECH TOOLS FOR》, 7 December 2016 (2016-12-07), pages 172 - 177 *
KAI CHEN,XIAO SONG,HANG YU: "Conv-LSTM: Pedestrian Trajectory Prediction in Crowded Scenarios", 《ASIASIM 2019》 *
KAI CHEN,XIAO SONG,HANG YU: "Conv-LSTM: Pedestrian Trajectory Prediction in Crowded Scenarios", 《ASIASIM 2019》, 21 October 2019 (2019-10-21) *
XIN LI, XIANZHONG LONG, GUOZI SUN等: "Overdue Prediction of Bank Loans Based on LSTM-SVM", 《2018 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATION 》 *
XIN LI, XIANZHONG LONG, GUOZI SUN等: "Overdue Prediction of Bank Loans Based on LSTM-SVM", 《2018 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATION 》, 12 October 2018 (2018-10-12) *
YONG FANG,CHENG HUANG1, LIANG LI等: "Research on Malicious JavaScript Detection Technology Based on LSTM", 《IEEE ACCESS》, 31 October 2018 (2018-10-31) *
杨佳欣，禹航: "应用动态流量控制的天地网络数据传输方法", 《空间控制技术与应用》 *
杨佳欣，禹航: "应用动态流量控制的天地网络数据传输方法", 《空间控制技术与应用》, 31 August 2018 (2018-08-31) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861790A (zh) * 2021-03-10 2021-05-28 西南交通大学 一种基于深度学习的电磁探测网络组网方式识别方法
CN112861790B (zh) * 2021-03-10 2022-03-11 西南交通大学 一种基于深度学习的电磁探测网络组网方式识别方法
CN116760674A (zh) * 2023-08-11 2023-09-15 暨南大学 一种无线信号调制方式智能监测识别方法及系统
CN116760674B (zh) * 2023-08-11 2023-11-24 暨南大学 一种无线信号调制方式智能监测识别方法及系统

Also Published As

Publication number Publication date
CN110995631B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Wang et al. Multi-task learning for generalized automatic modulation classification under non-Gaussian noise with varying SNR conditions
Hu et al. Robust modulation classification under uncertain noise condition using recurrent neural network
Dai et al. Automatic modulation classification using stacked sparse auto-encoders
Zhang et al. A novel automatic modulation classification scheme based on multi-scale networks
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
Zhang et al. Open set recognition of communication signal modulation based on deep learning
Zhang et al. Modulation classification in multipath fading channels using sixth‐order cumulants and stacked convolutional auto‐encoders
US11558810B2 (en) Artificial intelligence radio classifier and identifier
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN110995631B (zh) 一种基于lstm和svm的通信信号调制模式识别方法及系统
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN113723556B (zh) 基于熵加权-多模态域对抗神经网络的调制方式识别方法
CN115941407A (zh) 基于递归式卷积网络和注意力机制的信号调制识别方法
CN113205140A (zh) 基于生成式对抗网络的半监督式特定辐射源个体识别方法
Ghasemzadeh et al. GGCNN: An efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN113378910B (zh) 一种基于纯净标签的电磁信号调制类型识别的中毒攻击方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN117978595B (zh) 自动调制分类方法及装置、设备、计算机可读存储介质
Ali et al. Modulation format identification using supervised learning and high-dimensional features
Gu et al. Attention is needed for RF fingerprinting
CN118260571A (zh) 基于多模态特征融合和深度学习的卫星信号个体识别方法
CN115243288B (zh) 基于多节点合作感知的干扰识别方法和装置
Yang et al. Conventional Neural Network‐Based Radio Frequency Fingerprint Identification Using Raw I/Q Data
CN115270891A (zh) 一种信号对抗样本的生成方法、装置、设备及存储介质

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