CN111159891B - 基于dnn神经网络的单样本极化滤波器系数预测方法 - Google Patents

基于dnn神经网络的单样本极化滤波器系数预测方法 Download PDF

Info

Publication number
CN111159891B
CN111159891B CN201911385728.XA CN201911385728A CN111159891B CN 111159891 B CN111159891 B CN 111159891B CN 201911385728 A CN201911385728 A CN 201911385728A CN 111159891 B CN111159891 B CN 111159891B
Authority
CN
China
Prior art keywords
dnn
signal
network
polarization filter
neural network
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
CN201911385728.XA
Other languages
English (en)
Other versions
CN111159891A (zh
Inventor
党小宇
张嘉纹
杨凌辉
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911385728.XA priority Critical patent/CN111159891B/zh
Publication of CN111159891A publication Critical patent/CN111159891A/zh
Application granted granted Critical
Publication of CN111159891B publication Critical patent/CN111159891B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

基于DNN神经网络的单样本极化滤波器系数预测方法，DNN深度神经网络模型可以直接从接收的混合信号数据特征中寻找变量间的相关特性，以此优化迭代网络权重和偏置，通过对训练过程的损失函数变化进行监测，对网络训练参数，例如网络深度、激活函数以及学习率等进行调整优化，寻找最优模型参数。通过在不同的信噪比条件下，对传统算法与DNN模型的误码率性能对比分析表明，在高信噪比约大于15dB时，DNN网络对单样本极化滤波器系数预测更加准确。

Description

基于DNN神经网络的单样本极化滤波器系数预测方法
技术领域
本发明属于数字通信领域，具体涉及基于DNN神经网络的单样本极化滤波器系数预测方法，用于解决海面无线通信链路受大气噪声干扰严重且通信系统误码率性能较低的问题。
背景技术
短波通信技术由于其高速的数据传输特性得到了广泛应用。它具有抗干扰性强、设备简单、造价低廉和使用方便等特点，所以被普遍应用于军事等部门。由于地波传播方式具有稳定性的特点，受天气、昼夜及气候变化影响较小，因此本专利采用短波地波通信技术作为海上通信方式。
海面短波传播环境复杂，受大气噪声影响较大，准确的单样本极化滤波器系数预测对于通信系统的误码率性能提高有着重要的理论指导意义。传统算法是依据提取到的噪声信息产生单样本极化滤波器系数，噪声信息的提取是通过一个不包含目标信号中心频率的带通滤波器进行截取得到，在截取时会有少量目标信号混入使单样本极化滤波器下降。
大气噪声作为海上电波传播的主要干扰源。其主要是由于雷电瞬时放电引起的，具有很强的随机性和不确定性，由于其幅度分布具有较厚的拖尾，是一种具有较大波动且幅度可变的过程。
单样本极化滤波器是在极化域下根据带通滤波器提取的包含水平极化和垂直极化方向两路信号的噪声信息构造而成，适用于具有一个或多个独立干扰源的平稳或非平稳极化干扰信号的极化处理。其主要功能是将经过调制系统后得到的混合信号中的噪声干扰信号进行抑制，从而使整个通信系统的误码率性能得以提高。
近期无线通信领域与机器学习的结合得到了很快的发展。因此，构造一个DNN神经网络模型，直接从接收端的混合信号中自动反演生成单样本极化滤波器参数，实现在不同信噪比下的单样本极化滤波器系数预测，是非常有必要的。
发明内容
本发明针对现有技术中的不足，将单样本极化滤波器应用于海面短波通信链路中，基于传统算法在提取噪声信息时会受到目标信号的影响，提供一种DNN神经网络的单样本极化滤波器系数预测方法，实现在不同信噪比下提供更准确的系数预测。
为实现上述目的，本发明采用以下技术方案：
基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于，包括如下步骤：
步骤1：对大气噪声采用Alpha稳定分布模型进行建模；
步骤2：设计一个不包含目标信号主瓣频率的FIR带通滤波器，将接收的混合信号通过带通滤波器截取出噪声干扰信号，其中，混合信号包括目标信号和大气噪声；
步骤3：根据噪声干扰信号构造单样本极化滤波器系数；
步骤4：将噪声干扰信号作为DNN网络模型的输入，单样本极化滤波器系数作为模型的输出，对输入输出的数据进行预处理；
步骤5：设计DNN网络模型；
步骤6：将预处理后的数据通过搭建好的DNN网络模型进行训练，寻找合适的损失函数与优化器，不断更新DNN网络模型的权重，最终获得使损失函数最小化的DNN网络模型；在调制系统中使用该DNN网络模型训练得到单样本极化滤波器系数。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤1中，Alpha稳定分布模型由下式的特征函数E[ejθX]给出：
Figure BDA0002340163780000021
其中，θ表示时间，X表示随机变量，sgn(θ)是符号函数，特征指数α决定分布的脉冲特性，0≤α≤2，尺度参数σ是用来描述样本相对于均值的分散程度，σ≥0；偏斜参数β决定分布的斜度，-1≤β≤1；位置参数μ为实数，对于0＜α≤1时，μ表示中值；当1＜α≤2时，μ表示均值；当β＝0时，α的稳定分布Sα(β，σ，μ)关于μ对称。
进一步地，步骤2中，将接收的混合信号通过带通滤波器截取出如下的噪声干扰信号：
Figure BDA0002340163780000022
Figure BDA0002340163780000023
Figure BDA0002340163780000024
Figure BDA0002340163780000025
其中，RH(n)，IH(n)，RV(n)，IV(n)分别表示干扰信号在水平极化方向上的实部信号、在水平极化方向上的虚部信号、在垂直极化方向上的实部信号、在垂直极化方向上的虚部信号；EdH(n)是干扰信号在水平方向的信号，EdV(n)是干扰信号在垂直方向的信号；Ed(n)是干扰信号向量，εd(n)代表干扰信号的极化角，δd(n)代表干扰信号水平极化分量与垂直极化分量的相位差；fd为干扰信号的中心频率，fs是采样频率，n表示数字域下的时间。
进一步地，步骤3中，根据噪声干扰信号的极化信息构造单样本极化滤波器，先定义五个分量分别如下式所示：
Figure BDA0002340163780000031
Figure BDA0002340163780000032
Figure BDA0002340163780000033
P3(n)＝[(RH(n)+RV(n))/2]2+[(IH(n)+IV(n))/2]2 (11)
P4(n)＝[(RH(n)-IV(n))/2]2+[(RV(n)+IH(n))/2]2 (12)
根据上述五个分量构造单样本极化滤波器系数如下式：
H1(n)＝-[P2(n)P0(n)]0.5 (13)
H2(n)＝[2P4(n)P0(n)-0.5]/H1(n) (14)
H3(n)＝[0.5-2P3(n)P0(n)]/H1(n) (15)
其中，H1(n)，H2(n)，H3(n)为单样本极化滤波器的三个系数。
进一步地，步骤4中，选择干扰信号在水平极化方向与垂直极化方向的实部信号与虚部信号作为DNN网络模型的输入，选取单样本极化滤波器的三个系数H1(n)，H2(n)，H3(n)作为DNN网络模型的输出。
进一步地，步骤5中，设计四层的DNN网络模型，每层中每个神经元都用下式方法对输入数据进行变换：
z＝∑wixi+b (7)
其中，z是神经网络的每一层输出，wi是神经网络中每个节点的权重，xi是神经网络一层中每个节点，b是神经网络中每个节点的偏置。
进一步地，步骤6中，对预处理后的数据进行训练，运行DNN网络模型得到学习后的预测值，通过损失函数计算网络在这批数据上的损失，来衡量网络在训练数据后的预测值与预期结果的匹配程度，从而不断更新网络的所有权重；计算损失相对于网络权重的梯度，通过梯度下降法来一步步的迭代求解，将权重参数沿着梯度的反方向移动，使损失函数最小化，直至网络在训练数据上的损失很小即得到想要的DNN网络模型。
进一步地，步骤6中，损失函数为平均绝对误差函数，优化器为rmsprop算法。
本发明的有益效果是：采用Alpha稳定分布模型进行建模，对噪声模型中选用不同参数的同时得到脉冲成分比例不同的大气噪声，从而使信道更好的接近实际情况；通过构造DNN神经网络模型，直接从接收端的混合信号中自动反演生成单样本极化滤波器参数，实现在不同信噪比下的单样本极化滤波器系数预测，相较于传统算法误码率性能有较大提高，且复杂度更低。
附图说明
图1是不同参数下大气噪声的概率密度曲线拖尾特性。
图2是特征指数为1.1的大气噪声仿真曲线。
图3是特征指数为0.6的大气噪声仿真曲线。
图4是带有单样本极化滤波器的通信系统构造图。
图5是噪声干扰信号水平分量实部与虚部频谱对照图。
图6是噪声干扰信号垂直分量实部与虚部频谱对照图。
图7是大气噪声特征指数为1.1时经过与不经过单样本极化滤波器误码率性能曲线对比。
图8是大气噪声特征指数为1.4时经过与不经过单样本极化滤波器误码率性能曲线对比。
图9是DNN深度神经网络架构图。
图10是DNN模型训练流程图。
图11是大气噪声特征指数为1.1时的传统算法与DNN模型误码率性能曲线对比。
图12是大气噪声特征指数为1.5时的传统算法与DNN模型误码率性能曲线对比。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明提出的基于DNN神经网络的单样本极化滤波器系数预测方法，包括：提取接收端混合信号在水平与垂直极化方向的实部与虚部信号作为模型输入，搭建DNN网络模型实现单样本极化滤波器系数的预测，将预测得到的滤波器系数应用在调制系统中，在不同的信噪比下计算误码率大小。具体步骤如下：
步骤1：首先对大气噪声采用Alpha稳定分布模型进行建模，用于模拟大气噪声，Alpha稳定分布一般由式1的特征函数给出。
Figure BDA0002340163780000051
不同参数下大气噪声的概率密度曲线拖尾特性如图1所示。图2、图3分别表示两个特征指数情况下的大气噪声的仿真曲线，可以看出，随着特征指数的减小，噪声中的脉冲成分所占比例越大，脉冲峰值的幅度也越大。此时噪声主要呈现出脉冲特性，大部分能量集中于脉冲中，产生的随机序列的冲击特性也更加明显。将会对通信系统产生严重的干扰，使得误码性能下降明显。
步骤2：设计一个不包含目标信号(发射端发射的信号)主瓣频率的FIR带通滤波器，将接收的混合信号(目标信号+大气噪声)通过带通滤波器截取出如下的噪声干扰信号，RH(n)，IH(n)，RV(n)，IV(n)分别表示在水平和垂直极化方向上的实部与虚部信号，如图5、图6所示。
Figure BDA0002340163780000052
Figure BDA0002340163780000053
Figure BDA0002340163780000054
Figure BDA0002340163780000055
步骤3：根据噪声干扰信号的信息及下式得到构造单样本极化滤波器向量的三个系数H1(n)，H2(n)，H3(n)。带有单样本极化滤波器的通信系统构造如图4所示。
Figure BDA0002340163780000056
步骤4：对数据进行预处理，选择接收端混合信号在水平与垂直极化方向的实部与虚部信息作为模型输入，选取滤波器三个系数分量H1(n)，H2(n)，H3(n)作为模型的输出。
步骤5：设计四层的DNN网络模型，网络结构如图9所示。每层中每个神经元都用下式方法对输入数据进行变换。
z＝∑wixi+b (7)
步骤6：将预处理后的数据通过搭建好的DNN模型进行训练，训练过程如图10所示，寻找合适的损失函数与优化器，用训练好的单样本滤波器系数应用到调制系统中，与传统算法在不同信噪比下进行误码率性能对比分析。
本发明在MATLAB平台上进行原始通信数据预处理，并在Python平台利用Keras深度学习框架搭建DNN网络，以达到一定的误码率为指标，探讨在不同单样本极化滤波器构造方法下，调制系统所需的信噪比大小。
下面给出实现的具体细节：
1、在式6中，我们根据噪声信号的极化信息构造单样本极化滤波器时，先定义5个分量分别为下式所示。
Figure BDA0002340163780000061
Figure BDA0002340163780000062
Figure BDA0002340163780000063
P3(n)＝[(RH(n)+RV(n))/2]2+[(IH(n)+IV(n))/2]2 (11)
P4(n)＝[(RH(n)-IV(n))/2]2+[(RV(n)+IH(n))/2]2 (12)
根据上述五个分量构造单样本极化滤波器系数如下式：
H1(n)＝-[P2(n)P0(n)]0.5 (13)
H2(n)＝[2P4(n)P0(n)-0.5]/H1(n) (14)
H3(n)＝[0.5-2P3(n)P0(n)]/H1(n) (15)
2、按照图9搭建DNN网络，对于每个神经元单元选择的非线性激活函数是Reh激活函数，公式如下式所示，其功能是将参数小于0的输出为0，参数大于0的以自身作为激活函数输出，从而有效防止DNN网络模型过拟合以及梯度爆炸。
fRelu(x)＝max(0，x) (16)
3、按照图10对经过预处理后的数据进行训练，运行网络得到学习后的预测值，通过损失函数计算网络在这批数据上的损失，来衡量网络在训练数据后的预测值与预期结果的匹配程度，从而不断更新网络的所有权重。计算损失相对于网络权重的梯度，通过梯度下降法来一步步的迭代求解，将权重参数沿着梯度的反方向移动，使损失函数最小化，直至网络在训练数据上的损失很小即得到想要的模型。此网络选择的损失函数为平均绝对误差(MAE)函数，公式为
Figure BDA0002340163780000071
4、本专利选择的优化器为rmsprop算法，对权重的梯度计算了微分平方加权平均数，有利于消除了摆动幅度大的方向，用来修正摆动幅度，使得各个维度的摆动幅度都较小，同时也使得网络函数收敛更快。采用神经元参数的随机初始化，Dropout参数设置为0.2，即每次训练网络随机丢弃一部分神经元，使其不参与该次训练，减少训练参数的同时，可以有效防止模型过拟合，达到模型最优解。
5、在调制系统中用模型训练得到的单样本极化滤波器系数构造滤波器，在不同信噪比条件下进行误码率性能分析并与传统算法进行对比得到图11、图12，在低信噪比约0-15dB情况下，通过DNN模型构造出滤波器和传统算法对信号的误码率影响基本一致，但是在高信噪比约超过15dB的情况下深度学习模型依然能保持较准确地噪声滤波器系数预测，比传统方法平均提高约5dB左右的信噪比。
图7、图8是分别在不同大气噪声下使用与不使用单样本极化滤波器的误码率曲线图，可以看出，单样本极化滤波器对噪声有抑制作用，在达到10-4误码率时，使用单样本极化滤波器可以平均得到7dB左右的信噪比增益。图11、图12是分别在不同大气噪声下使用传统算法与DNN模型预测单样本极化滤波器的误码率曲线图，可以看出，在低信噪比约0-15dB情况下，通过DNN模型构造出滤波器和传统算法对信号的误码率影响基本一致，但是在高信噪比约超过15dB的情况下由于传统算法提取的噪声信息会有部分目标信号混入，导致滤波器性能下降，而深度学习模型在高信噪比情况下依然能保持较准确地噪声滤波器系数预测，在达到10-4误码率时，DNN网络模型比传统算法平均提高5dB左右的信噪比。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于，包括如下步骤：
步骤1：对大气噪声采用Alpha稳定分布模型进行建模；
步骤2：设计一个不包含目标信号主瓣频率的FIR带通滤波器，将接收的混合信号通过带通滤波器截取出噪声干扰信号，其中，混合信号包括目标信号和大气噪声；步骤2中，将接收的混合信号通过带通滤波器截取出如下的噪声干扰信号：
Figure FDA0003422951410000011
Figure FDA0003422951410000012
Figure FDA0003422951410000013
Figure FDA0003422951410000014
其中，RH(n),IH(n),RV(n),IV(n)分别表示干扰信号在水平极化方向上的实部信号、在水平极化方向上的虚部信号、在垂直极化方向上的实部信号、在垂直极化方向上的虚部信号；EdH(n)是干扰信号在水平方向的信号，EdV(n)是干扰信号在垂直方向的信号；Ed(n)是干扰信号向量，εd(n)代表干扰信号的极化角，δd(n)代表干扰信号水平极化分量与垂直极化分量的相位差；fd为干扰信号的中心频率，fs是采样频率，n表示数字域下的时间；
步骤3：根据噪声干扰信号构造单样本极化滤波器系数；步骤3中，根据噪声干扰信号的极化信息构造单样本极化滤波器，先定义五个分量分别如下式所示：
Figure FDA0003422951410000015
Figure FDA0003422951410000016
Figure FDA0003422951410000017
P3(n)＝[(RH(n)+RV(n))/2]2+[(IH(n)+IV(n))/2]2 (11)
P4(n)＝[(RH(n)-IV(n))/2]2+[(RV(n)+IH(n))/2]2 (12)
根据上述五个分量构造单样本极化滤波器系数如下式：
H1(n)＝-[P2(n)P0(n)]0.5 (13)
H2(n)＝[2P4(n)P0(n)-0.5]/H1(n) (14)
H3(n)＝[0.5-2P3(n)P0(n)]/H1(n) (15)
其中，H1(n),H2(n),H3(n)为单样本极化滤波器的三个系数；
步骤4：将噪声干扰信号作为DNN网络模型的输入，单样本极化滤波器系数作为模型的输出，对输入输出的数据进行预处理；步骤4中，选择干扰信号在水平极化方向与垂直极化方向的实部信号与虚部信号作为DNN网络模型的输入，选取单样本极化滤波器的三个系数H1(n),H2(n),H3(n)作为DNN网络模型的输出；
步骤5：设计DNN网络模型；
步骤6：将预处理后的数据通过搭建好的DNN网络模型进行训练，寻找合适的损失函数与优化器，不断更新DNN网络模型的权重，最终获得使损失函数最小化的DNN网络模型；在调制系统中使用该DNN网络模型训练得到单样本极化滤波器系数。
2.如权利要求1所述的基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于：步骤1中，Alpha稳定分布模型由下式的特征函数E[ejθX]给出：
Figure FDA0003422951410000021
其中，θ表示时间，X表示随机变量，sgn(θ)是符号函数，特征指数α决定分布的脉冲特性，0≤α≤2，尺度参数σ是用来描述样本相对于均值的分散程度，σ≥0；偏斜参数β决定分布的斜度，-1≤β≤1；位置参数μ为实数，对于0＜α≤1时，μ表示中值；当1＜α≤2时，μ表示均值；当β＝0时，α的稳定分布Sα(β，σ，μ)关于μ对称。
3.如权利要求1所述的基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于：步骤5中，设计四层的DNN网络模型，每层中每个神经元都用下式方法对输入数据进行变换：
z＝∑wixi+b (7)
其中，z是神经网络的每一层输出，wi是神经网络中每个节点的权重，xi是神经网络一层中每个节点，b是神经网络中每个节点的偏置。
4.如权利要求1所述的基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于：步骤6中，对预处理后的数据进行训练，运行DNN网络模型得到学习后的预测值，通过损失函数计算网络在这批数据上的损失，来衡量网络在训练数据后的预测值与预期结果的匹配程度，从而不断更新网络的所有权重；计算损失相对于网络权重的梯度，通过梯度下降法来一步步的迭代求解，将权重参数沿着梯度的反方向移动，使损失函数最小化，直至网络在训练数据上的损失很小即得到想要的DNN网络模型。
5.如权利要求1所述的基于DNN神经网络的单样本极化滤波器系数预测方法，其特征在于：步骤6中，损失函数为平均绝对误差函数，优化器为rmsprop算法。
CN201911385728.XA 2019-12-27 2019-12-27 基于dnn神经网络的单样本极化滤波器系数预测方法 Active CN111159891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911385728.XA CN111159891B (zh) 2019-12-27 2019-12-27 基于dnn神经网络的单样本极化滤波器系数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911385728.XA CN111159891B (zh) 2019-12-27 2019-12-27 基于dnn神经网络的单样本极化滤波器系数预测方法

Publications (2)

Publication Number Publication Date
CN111159891A CN111159891A (zh) 2020-05-15
CN111159891B true CN111159891B (zh) 2022-03-15

Family

ID=70558851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911385728.XA Active CN111159891B (zh) 2019-12-27 2019-12-27 基于dnn神经网络的单样本极化滤波器系数预测方法

Country Status (1)

Country Link
CN (1) CN111159891B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114244666B (zh) * 2021-12-20 2023-09-12 北京零壹空间电子有限公司 极化分集接收方法、装置、计算机设备和存储介质
CN116206117B (zh) * 2023-03-03 2023-12-01 北京全网智数科技有限公司 基于编号遍历的信号处理优化系统及方法
CN117236137B (zh) * 2023-11-01 2024-02-02 龙建路桥股份有限公司 一种高寒区深长隧道冬季连续施工控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101295969A (zh) * 2008-06-26 2008-10-29 湖南大学 高阶有限冲击响应数字滤波器设计方法
US7813556B2 (en) * 2002-05-14 2010-10-12 Microsoft Corporation Incremental system for real time digital ink analysis
CN110221256A (zh) * 2019-06-21 2019-09-10 西安电子科技大学 基于深度残差网络的sar干扰抑制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813556B2 (en) * 2002-05-14 2010-10-12 Microsoft Corporation Incremental system for real time digital ink analysis
CN101295969A (zh) * 2008-06-26 2008-10-29 湖南大学 高阶有限冲击响应数字滤波器设计方法
CN110221256A (zh) * 2019-06-21 2019-09-10 西安电子科技大学 基于深度残差网络的sar干扰抑制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Classification of Spectrally Efficient Constant Envelope Modulations Based on Radial Basis Function Network and Deep Learning;Dang xiaoyu等;《 IEEE Communications Letters》;20190708;第23卷(第9期);1529-1533 *
基于BP神经网络的自适应噪声消除技术的研究;关山等;《煤矿机械 》;20090515;第30卷(第5期);66-68 *
基于Matlab的模拟通信系统实验设计与仿真;党小宇等;《实验科学与技术》;20141228;第12卷(第6期);1-3 *

Also Published As

Publication number Publication date
CN111159891A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111159891B (zh) 基于dnn神经网络的单样本极化滤波器系数预测方法
WO2022262173A1 (zh) 一种基于条件生成对抗网络的时变水声信道模拟方法
CN113298846B (zh) 基于时频语义感知的干扰智能检测方法
CN113452408B (zh) 一种网台跳频信号分选方法
CN111917508A (zh) 基于多天线抗干扰通信模型及动态空间谱抗干扰方法
CN107333017B (zh) 一种重用权系数指数型误差自适应回声消除方法
CN106330219A (zh) 一种基于递归网络的无源互调干扰对消系统及方法
CN105704071A (zh) 基于信息序列的自适应渐消扩展卡尔曼粒子滤波的多普勒频移估计方法
CN112468230A (zh) 一种基于深度学习的无线紫外光散射信道估计方法
CN112560342A (zh) 一种基于dnn的大气波导参数估计方法
Jiang et al. Joint compressed sensing and enhanced whale optimization algorithm for pilot allocation in underwater acoustic OFDM systems
Shang et al. Sea clutter suppression method of HFSWR based on RBF neural network model optimized by improved GWO algorithm
CN114464206A (zh) 一种单通道盲源分离方法及系统
CN111796253B (zh) 基于稀疏信号处理的雷达目标恒虚警检测方法
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN110441761A (zh) 基于分布式浮标探测的多源信息融合方法
He et al. Design and implementation of adaptive filtering algorithm for vlc based on convolutional neural network
CN115327483A (zh) 一种基于盲提取的雷达主瓣干扰抑制方法
Shi et al. Adaptive radar jamming waveform design based on low probability of intercept
CN114172770B (zh) 量子根树机制演化极限学习机的调制信号识别方法
CN115508790A (zh) 基于回溯q学习的雷达抗干扰智能决策方法
CN115378487A (zh) 基于电磁屏障的卫星通信动态频谱接入方法
Zou et al. Underwater optical channel generator: A generative adversarial network based approach
Hao et al. An improved NLMS algorithm for interference cancellation
Tang et al. Research on Space-Time Anti-jamming Algorithm of Beidou Navigation Receiver

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