CN111401263B - 一种融合专家知识的优效组合式调制识别方法 - Google Patents

一种融合专家知识的优效组合式调制识别方法 Download PDF

Info

Publication number
CN111401263B
CN111401263B CN202010194033.XA CN202010194033A CN111401263B CN 111401263 B CN111401263 B CN 111401263B CN 202010194033 A CN202010194033 A CN 202010194033A CN 111401263 B CN111401263 B CN 111401263B
Authority
CN
China
Prior art keywords
signal
dimensional
feature vector
envelope
time
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
CN202010194033.XA
Other languages
English (en)
Other versions
CN111401263A (zh
Inventor
王超宇
邵怀宗
张伟
潘晔
林静然
利强
胡全
李�昊
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010194033.XA priority Critical patent/CN111401263B/zh
Publication of CN111401263A publication Critical patent/CN111401263A/zh
Application granted granted Critical
Publication of CN111401263B publication Critical patent/CN111401263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种融合专家知识的优效组合式调制识别方法，涉及数字通信识别技术领域，其包括读入待识别信号采样序列，得到一维的数组数据s(n)；从数组数据s(n)提取8维人工特征向量；根据数组数据s(n)获取归一化包络信号数据；根据数组数据s(n)获取时频图，并对时频图进行预处理；基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；基于组合式特征向量获取识别结果。本发明借助了迁移学习节省训练时间和提升分类精度，既利用了信号的时频图与包络的特征，又加入了鲁棒性较强的8个的人工特征协助分类任务，为待识别信号提供了更具有表征性的数据表达，可以明显提高低信噪比下的准确率。

Description

一种融合专家知识的优效组合式调制识别方法
技术领域
本发明涉及数字通信识别技术领域，具体而言，涉及一种融合专家知识的优效组合式调制识别方法。
背景技术
目前，对于数字通信信号的智能识别技术的研究，已经逐渐成为该领域的一个研究热点。
现有的调制识别方法多是基于特征提取的统计模式识别，这一方法虽然可以通过特征集成实现所提取特征参数的功能互补来改善传统识别方法适用性不足的问题；但同时也继承了特征的先定要素和适用场景的限定性，往往需要设计不同的特征并且重复地进行有效性验证以适应不同通信场景下的调制识别问题。因此，近年来，许多学者在通信信号调制样式的智能识别上开展了大量的研究，先后提出多种算法完成了不同的场景下的调制识别任务，通过结合计算方法与产业的未来发展方向来保证其创新应用进而不断的完善与改进通信信号调制样式的智能识别方法。
深度学习无需依赖人工的方法设计特征，可以直接从海量数据中学习到复杂特征的表达，因此我们求助于深度学习来直接探讨信号本身的可区分性。但现有的基于深度学习的调制识别算法仍然存在着识别准确率不高以及对噪声的鲁棒能力差等问题。
发明内容
本发明在于提供一种融合专家知识的优效组合式调制识别方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
一种融合专家知识的优效组合式调制识别方法，包括以下步骤：
S1、读入待识别信号采样序列，得到一维的数组数据s(n)；
S2、从数组数据s(n)提取8维人工特征向量；
S3、根据数组数据s(n)获取归一化包络信号数据的特征；
S4、根据数组数据s(n)获取预处理后的时频图特征；
S5、基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；
S6、基于组合式特征向量进行多分类，获取识别结果。
本技术方案的技术效果是：设计的组合式特征向量模型借助了迁移学习节省训练时间和提升分类精度，既利用了信号的时频图与包络的特征，又加入了鲁棒性较强的8个的人工特征协助分类任务，为待识别信号提供了更具有表征性的数据表达，该识别方法优于对单一时频图进行识别或单独基于人工特征工程进行识别的效果，可以明显提高低信噪比下的准确率。
进一步地，所述步骤S2具体包括以下步骤：
S21、对数组数据s(n)进行希尔伯特变换，获取解析信号序列sa(n)，对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱进行标准差系数的统计分析，得到人工特征参数Sv1、Sv2与Sv4；
S22、根据公式
Figure BDA0002416928520000021
计算作为差分信号包络的方差系数Ra，其中，σ2为差分信号包络的方差，m为差分信号包络的均值；
S23、根据解析信号序列sa(n)及其共轭序列
Figure BDA0002416928520000022
计算高阶累积量特征F1、F2、F3和F4；
S24、根据Sv1、Sv2、Sv4、Ra、F1、F2、F3和F4构建所述8维人工特征向量。
本技术方案的技术效果是：8个人工特征参数的加入在一定程度上弥补了调制识别器在幅度信息上的缺失问题，而且其中3个基于高阶功率谱的特征参数对信号频域的统计信息进行了补充，4个高阶累积量特征更是很好地削弱了噪声对识别效果的干扰，利用组合式特征向量可以取得较组合前的单一特征更出色的识别结果。
更进一步地，所述步骤S21中，人工特征参数Sv1、Sv2与Sv4的计算公式如下：
Figure BDA0002416928520000023
Figure BDA0002416928520000024
Figure BDA0002416928520000031
其中，C1(n)、C2(n)与C4(n)分别是对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱取各自模值的平方后得到。
本技术方案的技术效果是：通过选择计算功率谱的方式计算人工特征参数Sv1、Sv2与Sv4，可以有效削弱噪声的影响，从而有助于提取信号本身的信息，并且补充了信号频域内的统计信息，有助于更好地完成调制识别任务。
更进一步地，所述步骤S3具体包括以下步骤：
S31、求取解析信号序列sa(n)的模值作为包络信号A(n)；
S32、利用最大最小值法将包络信号A(n)归一化到[0,1]的范围，得到所述归一化包络信号数据的特征。
本技术方案的技术效果是：方差系数Ra既可对差分信号包络集中程度进行度量，也可用于信号之间的调制样式的区分，归一化包络信号数据可以消除信道增益的影响，使所提取的特征更具稳健性。
更进一步地，所述步骤S32中，归一化公式如下：
Figure BDA0002416928520000032
更进一步地，所述步骤S4具体包括以下步骤：
S41、对数组数据s(n)进行连续小波变换后得到时频图，并将时频图转换为灰度图像；
S42、运用双三次插值法将灰度图像大小调整为229×229；
S43、利用最大最小值法对每张灰度图像的像素矩阵I进行归一化处理，得到所述预处理后的时频图特征。
本技术方案的技术效果是：利用灰度图可以简化所需处理的图像数据类型，归一化处理可增强图像数据的可比性，采用维纳自适应滤波器可对图像进行增强处理，调整图像大小使所有时频图的尺寸大小保持一致，可以在不损失信号时频图信息的同时减小了数据量。
更进一步地，所述步骤S43中，归一化公式如下：
Figure BDA0002416928520000041
更进一步地，所述步骤S5具体包括以下步骤：
S51、通过迁移预训练的InceptionResNetV2模型对预处理后的时频图特征进行处理，获取64维的时频图特征向量；
S52、将8维人工特征向量映射为64维的人工特征向量；
S53、利用一维卷积神经网络从归一化包络信号数据的特征中提取出64维的信号包络特征向量；
S54、将64维的时频图特征向量、64维的人工特征向量以及64维的信号包络特征向量拼接成192维的所述组合式特征向量。
本技术方案的技术效果是：对时频图特征进行降维与对人工特征进行维数扩充都是为了更好地实现其人工特征向量的拼接，因为时频图特征向量的维数远大于人工特征向量的维数，这会在特征融合后导致人工特征向量的天然话语权弱得多，将两种处理成与所提取出64维的信号包络特征向量等长，可以使网络对每种类型的特征初始重视程度将近。
更进一步地，所述步骤S6具体包括：利用一全连接层对组合式特征向量进行融合处理，然后利用另一全连接层对融合处理结果进行多分类，得到所述识别结果。
本技术方案的技术效果是：利用全连接层的普适近似性实现组合式特征向量与标签间的映射，简单的网络结构设计也可避免过拟合的发生。
更进一步地，设待识别信号的类别总数为N，则对组合式特征向量进行融合时所采用的全连接层的神经元数量为(192+N)/2个，激活函数采用ReLU函数，对融合处理结果进行多分类时所采用的全连接层的神经元数量为N个，激活函数采用Softmax函数。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明组合式调制识别方法的流程图；
图2是用于获取64维的时频图特征向量的网络结构图；
图3是用于获取64维的人工特征向量的网络结构图；
图4是用于获取64维的信号包络特征向量的网络结构图；
图5是用于获取192维的组合式特征向量的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参照图1，本实施例提供了一种融合专家知识的优效组合式调制识别方法，包括以下步骤：
S1、读入待识别信号采样序列，得到一维的数组数据s(n)；
S2、从数组数据s(n)提取8维人工特征向量；
S3、根据数组数据s(n)获取归一化包络信号数据的特征；
S4、根据数组数据s(n)获取预处理后的时频图特征；
S5、基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；
S6、基于组合式特征向量进行多分类，获取识别结果。
在本实施例中，8维人工特征向量的提取方法包括以下步骤：
S21、对数组数据s(n)进行希尔伯特变换，获取解析信号序列sa(n)，对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱进行标准差系数的统计分析，得到人工特征参数Sv1、Sv2与Sv4。选择计算功率谱是因为自相关运算可以有效削弱噪声的影响，从而有助于提取信号本身的信息。具体计算公式为：
Figure BDA0002416928520000061
Figure BDA0002416928520000062
Figure BDA0002416928520000063
其中，C1(n)、C2(n)与C4(n)分别是对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱取各自模值的平方后得到，
C1(n)＝|FFT[E[sa(n)sa(n+τ)]]|2；
C2(n)＝|FFT[E[sa 2(n)sa 2(n+τ)]]|2；
C4(n)＝|FFT[E[sa 4(n)sa 4(n+τ)]]|2。
S22、Ra作为差分信号包络的方差系数是对差分信号包络集中程度的度量，也可用于信号之间的调制样式的区分，
Figure BDA0002416928520000064
其中，σ2为差分信号包络的方差，m为差分信号包络的均值。为了降低噪声的影响，此处引入了值滤波器对差分信号进行处理后再计算包络。
S23、根据解析信号序列sa(n)及其共轭序列
Figure BDA0002416928520000065
计算高阶累积量特征F1、F2、F3和F4，计算公式如下：
C21＝M21
Figure BDA0002416928520000066
Figure BDA0002416928520000067
Figure BDA0002416928520000068
Figure BDA0002416928520000069
其中，各阶累积量的计算公式如下：
Figure BDA00024169285200000610
C41＝M41-3M20M21
Figure BDA0002416928520000071
Figure BDA0002416928520000072
Figure BDA0002416928520000073
Figure BDA0002416928520000074
上式中Mpq为对于一个零均值的复平稳随机过程sa(n)的p阶混合矩，q为小于p的非负数：
Figure BDA0002416928520000075
S24、根据Sv1、Sv2、Sv4、Ra、F1、F2、F3和F4构建8维人工特征向量。
在本实施例中，步骤S3具体包括以下步骤：
S31、求取解析信号序列sa(n)的模值作为包络信号A(n)；
S32、利用最大最小值法将包络信号A(n)归一化到[0,1]的范围，得到归一化包络信号数据的特征，归一化公式如下：
Figure BDA0002416928520000076
在本实施例中，步骤S4具体包括以下步骤：
S41、对数组数据s(n)进行连续小波变换后得到时频图，并将时频图转换为灰度图像；
S42、运用双三次插值法将灰度图像大小调整为229×229；
S43、利用最大最小值法对每张灰度图像的像素矩阵I进行归一化处理，得到预处理后的时频图特征，归一化公式如下：
Figure BDA0002416928520000077
在本实施例中，步骤S5具体包括以下步骤：
S51、通过迁移预训练的InceptionResNetV2模型对预处理后的时频图特征进行处理，如图2所示，从直接赋予了每个卷积通道类别意义的全局池化层(GAP层)入手：获取GAP层输出的1792维特征向量作为目标时频特征，再添加一个全连接层(神经元数量为64个，激励函数采用ReLU函数)来整合全局池化层中具有类别区分性的局部信息，从而获取了基于时频图分析的64维的时频图特征向量。
S52、将8维人工特征向量映射为与时频图特征长度相同的64维特征向量，如图3所示，这部分是通过2个全连接层(神经元数量分别为36个和64个，激励函数都采用ReLU函数)实现的，从而获取了扩展为64维的人工特征向量。
S53、利用一维卷积神经网络从归一化包络信号数据的特征中提取出64维的信号包络特征向量；
如图4所示，其中，一维卷积神经网络包括四个一维卷积层(卷积窗口长度为5，步长为3，激活函数采用ReLU函数)和2个全连接层(神经元数量分别为1600个和64个，激活函数都采用ReLU函数，两个全连接层之间设有以0.3的概率随机失活的Dropout)。
S54、如图5所示，将64维的时频图特征向量、64维的人工特征向量以及64维的信号包络特征向量拼接成192维的组合式特征向量。
在本实施例中，步骤S6具体为：利用一全连接层(神经元数量为(192+N)/2个，激活函数采用ReLU函数，N为待识别信号的类别总数)对组合式特征向量进行融合处理，然后利用另一全连接层(神经元数量为N个，激活函数采用softmax函数)对融合处理结果进行多分类，进而完成通信信号调制样式的智能识别，得到识别结果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种融合专家知识的优效组合式调制识别方法，其特征在于，包括以下步骤：
S1、读入待识别信号采样序列，得到一维的数组数据s(n)；
S2、从数组数据s(n)提取8维人工特征向量；
步骤S2具体包括以下步骤：
S21、对数组数据s(n)进行希尔伯特变换，获取解析信号序列sa(n)，对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱进行标准差系数的统计分析，得到人工特征参数Sv1、Sv2与Sv4；
步骤S21中，人工特征参数Sv1、Sv2与Sv4的计算公式如下：
Figure FDA0003651747050000011
Figure FDA0003651747050000012
Figure FDA0003651747050000013
其中，C1(n)、C2(n)与C4(n)分别是对解析信号序列sa(n)的功率谱、二次方功率谱和四次方功率谱取各自模值的平方后得到；
S22、根据公式
Figure FDA0003651747050000014
计算作为差分信号包络的方差系数Ra，其中，σ2为差分信号包络的方差，m为差分信号包络的均值；
S23、根据解析信号序列sa(n)及其共轭序列
Figure FDA0003651747050000015
计算高阶累积量特征F1、F2、F3和F4；
S24、根据Sv1、Sv2、Sv4、Ra、F1、F2、F3和F4构建所述8维人工特征向量；
S3、根据数组数据s(n)获取归一化包络信号数据的特征；
步骤S3具体包括以下步骤：
S31、求取解析信号序列sa(n)的模值作为包络信号A(n)；
S32、利用最大最小值法将包络信号A(n)归一化到[0,1]的范围，得到所述归一化包络信号数据的特征；
步骤S32中，归一化公式如下：
Figure FDA0003651747050000021
S4、根据数组数据s(n)获取预处理后的时频图特征；
步骤S4具体包括以下步骤：
S41、对数组数据s(n)进行连续小波变换后得到时频图，并将时频图转换为灰度图像；
S42、运用双三次插值法将灰度图像大小调整为229×229；
S43、利用最大最小值法对每张灰度图像的像素矩阵I进行归一化处理，得到所述预处理后的时频图特征；
步骤S43中，归一化公式如下：
Figure FDA0003651747050000022
S5、基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；
步骤S5具体包括以下步骤：
S51、通过迁移预训练的InceptionResNetV2模型对预处理后的时频图特征进行处理，获取64维的时频图特征向量；
S52、将8维人工特征向量映射为64维的人工特征向量；
S53、利用一维卷积神经网络从归一化包络信号数据的特征中提取出64维的信号包络特征向量；
S54、将64维的时频图特征向量、64维的人工特征向量以及64维的信号包络特征向量拼接成192维的所述组合式特征向量；
S6、基于组合式特征向量进行多分类，获取识别结果。
2.根据权利要求1所述融合专家知识的优效组合式调制识别方法，其特征在于，所述步骤S6具体包括：利用一全连接层对组合式特征向量进行融合处理，然后利用另一全连接层对融合处理结果进行多分类，得到所述识别结果。
3.根据权利要求2所述融合专家知识的优效组合式调制识别方法，其特征在于，设待识别信号的类别总数为N，则对组合式特征向量进行融合时所采用的全连接层的神经元数量为(192+N)/2个，激活函数采用ReLU函数，对融合处理结果进行多分类时所采用的全连接层的神经元数量为N个，激活函数采用Softmax函数。
CN202010194033.XA 2020-03-19 2020-03-19 一种融合专家知识的优效组合式调制识别方法 Active CN111401263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010194033.XA CN111401263B (zh) 2020-03-19 2020-03-19 一种融合专家知识的优效组合式调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010194033.XA CN111401263B (zh) 2020-03-19 2020-03-19 一种融合专家知识的优效组合式调制识别方法

Publications (2)

Publication Number Publication Date
CN111401263A CN111401263A (zh) 2020-07-10
CN111401263B true CN111401263B (zh) 2022-07-08

Family

ID=71430950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010194033.XA Active CN111401263B (zh) 2020-03-19 2020-03-19 一种融合专家知识的优效组合式调制识别方法

Country Status (1)

Country Link
CN (1) CN111401263B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910812B (zh) * 2021-02-25 2021-10-22 电子科技大学 一种基于时空特征提取深度学习的调制模式识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
CN103095636A (zh) * 2012-12-07 2013-05-08 桂林电子科技大学 差分球调制方法
CN107577999A (zh) * 2017-08-22 2018-01-12 哈尔滨工程大学 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN109446877A (zh) * 2018-09-01 2019-03-08 哈尔滨工程大学 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法
CN109526251A (zh) * 2016-07-27 2019-03-26 华为技术有限公司 波束赋形广播信号以及波束赋形同步信号的系统和方法
CN109802905A (zh) * 2018-12-27 2019-05-24 西安电子科技大学 基于cnn卷积神经网络的数字信号自动调制识别方法
CN110187313A (zh) * 2019-05-31 2019-08-30 中国人民解放军战略支援部队信息工程大学 基于分数阶Fourier变换的雷达信号分选识别方法及装置
CN110490095A (zh) * 2019-07-31 2019-11-22 中国人民解放军战略支援部队信息工程大学 一种基于神经网络的多模态特征融合调制识别方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9882675B2 (en) * 2013-08-16 2018-01-30 Origin Wireless, Inc. Time-reversal wireless systems having asymmetric architecture

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
CN103095636A (zh) * 2012-12-07 2013-05-08 桂林电子科技大学 差分球调制方法
CN109526251A (zh) * 2016-07-27 2019-03-26 华为技术有限公司 波束赋形广播信号以及波束赋形同步信号的系统和方法
CN107577999A (zh) * 2017-08-22 2018-01-12 哈尔滨工程大学 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109446877A (zh) * 2018-09-01 2019-03-08 哈尔滨工程大学 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN109802905A (zh) * 2018-12-27 2019-05-24 西安电子科技大学 基于cnn卷积神经网络的数字信号自动调制识别方法
CN110187313A (zh) * 2019-05-31 2019-08-30 中国人民解放军战略支援部队信息工程大学 基于分数阶Fourier变换的雷达信号分选识别方法及装置
CN110490095A (zh) * 2019-07-31 2019-11-22 中国人民解放军战略支援部队信息工程大学 一种基于神经网络的多模态特征融合调制识别方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于深度学习的通信信号调制识别研究;李威;《中国优秀硕士学位论文全文数据集 信息科技辑》;20190215(第02期);I136-319 *
基于深度学习的通信信号调制识别算法;李唱白等;《空间电子技术》;20190225(第1期);第49-54、74页 *
基于深度学习的通信信号调制识别算法研究;张宇;《中国优秀硕士学位论文全文数据集 信息科技辑》;20190915(第09期);I136-70 *
基于神经网络的通信信号调制识别研究及实现;周江;《中国优秀硕士学位论文全文数据集 信息科技辑》;20180815(第08期);I136-72 *

Also Published As

Publication number Publication date
CN111401263A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN112364779B (zh) 信号处理与深-浅网络多模型融合的水声目标识别方法
CN109559736B (zh) 一种基于对抗网络的电影演员自动配音方法
Zhang et al. Convolutional neural networks for automatic cognitive radio waveform recognition
CN109828251B (zh) 基于特征金字塔轻量卷积神经网络的雷达目标识别方法
CN109522857B (zh) 一种基于生成式对抗网络模型的人数估计方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN107578007A (zh) 一种基于多特征融合的深度学习人脸识别方法
CN111582320B (zh) 一种基于半监督学习的动态个体识别方法
CN109890043B (zh) 一种基于生成式对抗网络的无线信号降噪方法
CN113488060B (zh) 一种基于变分信息瓶颈的声纹识别方法及系统
CN111444832A (zh) 基于卷积神经网络的鲸鱼叫声分类方法
Wei et al. A method of underwater acoustic signal classification based on deep neural network
CN111967361A (zh) 一种基于婴儿表情识别与哭声的情绪检测方法
CN111401263B (zh) 一种融合专家知识的优效组合式调制识别方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
JP2000259766A (ja) パターン認識方法
CN117672202A (zh) 一种基于深度卷积生成对抗网络的环境声音分类方法
CN113780521A (zh) 一种基于深度学习的辐射源个体识别方法
CN113628640A (zh) 一种基于样本均衡和最大均值差异的跨库语音情感识别方法
CN113435276A (zh) 一种基于对抗残差网络的水声目标识别方法
CN116434759B (zh) 一种基于srs-cl网络的说话人识别方法
CN111027570B (zh) 一种基于细胞神经网络的图像多尺度特征提取方法
CN111860246A (zh) 面向深度卷积神经网络的心音信号分类的数据扩充方法
CN111914922A (zh) 一种基于局部卷积和空洞卷积的高光谱图像分类方法
CN115293214A (zh) 一种基于样本扩充网络的水声目标识别模型优化方法

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