CN111444805A - 一种基于改进的多尺度小波熵数字信号调制识别方法 - Google Patents
一种基于改进的多尺度小波熵数字信号调制识别方法 Download PDFInfo
- Publication number
- CN111444805A CN111444805A CN202010195282.0A CN202010195282A CN111444805A CN 111444805 A CN111444805 A CN 111444805A CN 202010195282 A CN202010195282 A CN 202010195282A CN 111444805 A CN111444805 A CN 111444805A
- Authority
- CN
- China
- Prior art keywords
- entropy
- wavelet
- signals
- signal
- scale
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F2218/04—Denoising
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于改进的多尺度小波熵数字信号调制识别方法,在基于统计模式的识别方法框架下利用基于信号多尺度小波熵的特征提取方法得到最终代表信号的特征,然后利用极限学习机分类器进行分类,在信噪比为‑15dB时,平均识别率仍能达到90%以上。对于PSK类信号,得到描述其相位信息的相位函数,再次计算相位函数的多尺度小波熵特征,得到的信号特征更为稳定,相对于传统的特征,能够更好的区分PSK类信号;所提取的信号特征抗噪声性能好,即使在较低信噪比的情况下也能达到理想的识别率。
Description
技术领域
本发明涉及的是一种基于特征提取的通信信号调制识别方法,具体涉及一种基于改进的多尺度小波熵数字信号调制识别方法,属于通信技术领域。
背景技术
随着时代的发展和科学技术的进步,无线通信技术已经应用到了生活的各个领域,无论是在军事通信还是民用领域都有着至关重要的作用。在时代的进步下,人们对通信质量的要求也越来越高,为适应人们对信息传输要求的提高,不同的通信环境和背景需要采用不同的调制方式。随着数字通信技术的进步,数字信号应用最为广泛,并且各种形式的调制方式也不断涌现,而通信信号的调制方式是区分各类信号最重要的特征之一。因此,数字信号的调制识别仍然是通信领域中至关重要的研究课题。然而通信环境越来越复杂,如何在低信噪比(Signal to Noise Ratio,SNR)下提取信号的特征成为通信领域一个亟待解决的问题。
目前,关于通信信号调制识别算法主要可以分为两大类,一类是基于最大似然法,另一类是基于特征提取的模式识别方法。最大似然法是一种统计方法,通过获取接收信号的似然函数,并比较阈值与似然率的关系进行判决,该方法理论上可以将识别的错分率降到最低。但是该方法也存在很多不足,例如计算量大、所需的先验知识较多以及似然函数在大多数条件下无法算出封闭的表达式等等。基于特征提取的模式识别方法是通过一定的算法得到能够区分信号类型的各类特征,然后选择合适的分类器对信号进行分类识别,该方法的计算量小、实时性高,因此被广泛应用。本发明也是采用基于特征提取的模式识别方法对通信信号进行识别。
发明内容
目前,对于低信噪比条件下的数字信号调制识别问题仍没有被很好的解决,面对目前复杂的通信环境,信号受噪声的影响很大,如何在低信噪比条件下提取能够区分信号类型的各类特征至关重要。本发明针对这一问题,提供一种基于改进的多尺度小波熵数字信号调制识别方法,提取更稳定的信号特征,以提高低信噪比下的识别率。
为了实现上述目标,本发明采用如下技术方案:
一种基于改进的多尺度小波熵数字信号调制识别方法,包括以下步骤:
步骤1:利用Matlab仿真模拟产生各个信噪比下的待识别信号;
步骤2:计算各类信号的多尺度小波熵特征。对信号进行小波变换,小波变换的尺度为4,然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵,构成10维特征向量,利用极限学习机(Extreme learning machine,ELM)分类器对PSK类信号和非PSK类信号进行分类;
步骤3:对于步骤2中的非PSK类信号继续利用5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量,并利用极限学习机(Extreme learning machine,ELM)分类器对非PSK类信号进行分类。
步骤4:对于PSK类信号,得到其相位变化函数,利用步骤2中的方法,得到相位变化函数的多尺度小波熵特征,并利用极限学习机(Extreme learning machine,ELM)分类器对PSK类信号进行分类。
1、所述步骤2具体为:
(a)计算小波系数:
任意函数f(t)可以表示为:
其中,设V0表示原始的尺度空间,是空间V1的正交基,{ψ1,k(t)=2-1/2ψ(2-1t-k)}k∈z是空间W1的正交基;第一层的小波系数和d1,k=<f(t),ψ(2-1t-k)>由下式计算得到:
c0.n为离散化的待处理原始信号数据,a1,k和d1,k分别为第一层的低频系数和高频系数;h和g分别为低通分解滤波器和高通分解滤波器;
(b)选取小波变换尺度为4,将信号分解为低频逼近a5和高频细节d1,d2,...,d5共5个分量,对每个小波分量系数进行傅里叶变换:
(c)计算每一层小波系数的功率谱{si,i=1,2,...,5}:
(d)计算第k(i=1,2,...,5)个分量的小波功率谱香农熵:
(e)计算第k(i=1,2,...,5)个分量的小波功率谱指数熵:
因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵:高频系数(d1,d2,d3,d4)对应的功率谱香农熵记为Hs1,Hs2,Hs3,Hs4,对应的功率谱指数熵记为He1,He2,He3,He4;低频系数(a5)对应的功率谱香农熵记为Hs5,对应的功率谱指数熵记为He5,最终构成特征向量H=[Hs1,Hs2,Hs3,Hs4,Hs5He1,He2,He3,He4,He5],将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类;
(f)利用该10维特征向量对非PSK类信号进行分类;
2、所述步骤4具体为:
(a)调相信号可以表示为:
eMPSK(t)=cos(2πfct+φ(t))
(b)得到调相信号的解析表达式:
(c)得到调相信号的相位函数:
φ(t)=θ-2πfct
其中,θ和2πfct都要转换到[0,2π]范围内;
(d)根据1中的计算方法得到φBPSK(t)和φQPSK(t)的5个小波系数的功率谱香农熵和功率谱指数熵,即特征向量H=[Hs1,Hs2,Hs3,Hs4,Hs5He1,He2,He3,He4,He5];利用ELM对PSK类信号进行分类。
前述的一种基于改进的多尺度小波熵数字信号调制识别方法,其特征在于,在步骤1中,所述利用Matlab仿真模拟产生的各个信噪比下的待识别信号是指数字信号,且信噪比在-15dB以上。
前述的一种基于改进的多尺度小波熵数字信号调制识别方法,其特征在于,在步骤2中,所述的多尺度小波变换,尺度为4,信号的10维特征向量是指计算5个小波系数的功率谱香农熵和功率谱指数熵。
前述的一种基于改进的多尺度小波熵数字信号调制识别方法,其特征在于,在步骤4中,所述的多尺度小波熵是指PSK类信号相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量。
本发明的有益之处在于:
(1)所提取的特征为信号的多尺度小波熵特征,计算量小并且信号经小波分解可以得到信号内部的细微差异信息,因此得到的信号特征也相对稳定;
(2)对于PSK类信号,得到描述其相位信息的相位函数,再次计算相位函数的多尺度小波熵特征,得到的信号特征更为稳定,相对于传统的特征,能够更好的区分PSK类信号;
(3)所提取的信号特征抗噪声性能好,即使在较低信噪比的情况下也能达到理想的识别率。
附图说明
图1为本发明的算法流程图;
图2a-图2b为相位函数的小波系数特征He3和Hs3随信噪比的变化曲线图;
具体实施方式
本发明对待识别的各类数字调制信号进行小波变换,小波变换的尺度为4,然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵,构成10维特征向量,利用ELM进行分类。由于通信环境的复杂,在低信噪比下PSK类信号的特征并不稳定,出现交叠,因此对于PSK类信号,推导得到其相位变化函数,进一步提取其相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵,构成10维特征向量并利用极限学习机(Extremelearningmachine,ELM)分类器识别PSK类信号,最后计算得到最终各类数字调制信号的识别率。
基于特征提取的模式识别方法主要由两部分构成:分别是特征提取模块和分类器设计模块。本发明中,特征提取模块提取了信号的多尺度小波熵特征,用于区分数字信号中的PSK信号和非PSK信号,对于非PSK类信号继续采用多尺度小波熵特征进行识别,然后提出基于相位变化的多尺度小波熵特征用于区分PSK类信号。分类器设计模块采用极限学习机(Extreme learningmachine,ELM)分类器。
以下结合附图和具体实施案例,对本发明进行详细说明。
参照图1,本发明的一种基于改进的多尺度小波熵数字信号调制识别方法具体实现步骤如下:
步骤1:以2ASK、2FSK、BPSK、4ASK、4FSK、QPSK、16QAM、32QAM、64QAM信号为例,使用Matlab进行仿真,得到在信噪比为[-15,-10,-5,0,5,1015]dB下的各类信号,仿真使用的噪声为高斯白噪声。
步骤2:计算各类信号的多尺度小波熵特征。对信号进行小波变换,小波变换的尺度为4,然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵,构成10维特征向量,利用极限学习机(Extreme learning machine,ELM)分类器对PSK类信号和非PSK类信号进行分类;
多分辨率分析是指将原始的系数空间分解为一系列子空间,且每一级的空间包含下一级的子空间,如下式表示:
对各类信号进行多尺度小波变换,计算信号的5个小波系数的功率谱香农熵和功率谱指数熵,具体计算步骤如下:
(2a)计算小波系数:
任意函数f(t)可以表示为:
其中,设V0表示原始的尺度空间,是空间V1的正交基,{ψ1,k(t)=2-1/2ψ(2-1t-k)}k∈z是空间W1的正交基,k为求和变量。第一层的小波系数和d1,k=<f(t),ψ(2-1t-k)>由下式计算得到:
c0.n为离散化的待处理原始信号数据,a1,k和d1,k分别为第一层的低频系数和高频系数。h和g分别为低通分解滤波器和高通分解滤波器,n为离散信号采样点数。
(2b)选取小波变换尺度为j=4,将信号分解为低频逼近a5和高频细节d1,d2,...,d4共5个分量,对每个小波分量系数进行傅里叶变换:
(2c)计算每一层小波系数的功率谱{Si,i=1,2,...,5}:
其中,k为频域采样点数,
(2d)计算第i(i=1,2,...,5)个分量的小波功率谱香农熵:
(2e)计算第i(i=1,2,...,5)个分量的小波功率谱指数熵:
因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵:高频系数(d1,d2,d3,d4)对应的功率谱香农熵记为Hs1,Hs2,Hs3,Hs4,对应的功率谱指数熵记为He1,He2,He3,He4;低频系数(a5)对应的功率谱香农熵记为Hs5,对应的功率谱指数熵记为He5,最终构成特征向量H=[Hs1,Hs2,Hs3,Hs4,Hs5He1,He2,He3,He4,He5],将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类,得到识别率如表1所示:
表1不同信噪比下非PSK类与PSK类信号的识别率
SNR(dB) | -15 | -10 | -5 | -0 | 5 | 10 | 15 |
非PSK类(%) | 99.6 | 100 | 100 | 100 | 100 | 100 | 100 |
PSK类(%) | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
平均识别率(%) | 99.7 | 100 | 100 | 100 | 100 | 100 | 100 |
步骤3:对于步骤2中的非PSK类信号,根据步骤2中的算法提取非PSK类信号的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量,并利用极限学习机(Extreme learning machine,ELM)分类器对非PSK类信号进行分类,得到识别率如表2所示:
表2不同信噪比下7种非PSK类信号的平均识别率
SNR(dB) | -15 | -10 | -5 | 0 | 5 | 10 | 15 |
非PSK类信号平均识别率(%) | 97.9 | 100 | 100 | 100 | 100 | 100 | 100 |
步骤4:对于PSK类信号,首先得到其相位变化函数,然后利用步骤2中的算法,得到相位变化函数的多尺度小波熵特征,具体计算步骤如下:
(4a)调相信号可以表示为:
eMPSK(t)=cos(2πfct+φMPSK(t)) (8)
其中,fc表示调相信号的载波频率,t表示时间,φMPSK(t)表示调相信号的相位函数。
(4b)得到调相信号的解析表达式:
(4c)得到调相信号的相位函数:
φMPSK(t)=θ-2πfct (11)
其中,θMPSK表示调相信号的解析表达式的相位,θMPSK和2πfct都要转换到[0,2π]范围内。
(4d)根据步骤2中的计算方法得到相位函数φBPSK(t)和φQPSK(t)的5个小波系数的功率谱香农熵和功率谱指数熵,即特征向量H=[Hs1,Hs2,Hs3,Hs4,Hs5He1,He2,He3,He4,He5]。相位函数φBPSK(t)和φQPSK(t)的10个小波系数特征Hs3和He3随信噪比的变化曲线如图2所示。利用ELM对PSK类信号进行分类,得到识别率,如表3所示:
表3不同信噪比下PSK类信号的识别率
SNR(dB) | -15 | -10 | -5 | 0 | 5 | 10 | 15 |
BPSK(%) | 75.0 | 98.0 | 100 | 100 | 100 | 100 | 100 |
QPSK(%) | 75.0 | 98.0 | 100 | 100 | 100 | 100 | 100 |
平均识别率(%) | 75.0 | 98.0 | 100 | 100 | 100 | 100 | 100 |
(4e)计算得出各类信号的识别率,如表4
表4不同信噪比下9类信号的平均识别率
SNR(dB) | -15 | -10 | -5 | 0 | 5 | 10 | 15 |
平均识别率(%) | 92.5 | 99.6 | 100 | 100 | 100 | 100 | 100 |
本发明所提取的特征为信号的多尺度小波熵特征,计算量小,并通过求得PSK类信号的相位函数,得到相位小波熵特征,提高了信号的总体识别率。
本发明的基于改进的多尺度小波熵数字信号调制识别方法,主要用于数字通信信号传输过程中的调制方式识别。
需要说明的是,上述实施案例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
综上所述:本发明提供了一种基于改进的多尺度小波熵数字信号调制识别方法,在基于统计模式的识别方法框架下利用基于信号多尺度小波熵的特征提取方法得到最终代表信号的特征,然后利用极限学习机(Extreme learning machine,ELM)分类器进行分类,在信噪比为-15dB时,平均识别率仍能达到90%以上。
Claims (6)
1.一种基于改进的多尺度小波熵数字信号调制识别方法,其特征是,包括如下步骤:
步骤1:利用Matlab仿真模拟产生各个信噪比下的待识别信号;
步骤2:计算各类信号的多尺度小波熵特征;对信号进行小波变换,小波变换的尺度为4,然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵,构成10维特征向量,利用极限学习机分类器对PSK类信号和非PSK类信号进行分类;
步骤3:对于步骤2中的非PSK类信号继续利用5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量,并利用极限学习机分类器对非PSK类信号进行分类;
步骤4:对于PSK类信号,得到其相位变化函数,利用步骤2中的方法,得到相位变化函数的多尺度小波熵特征,并利用极限学习机分类器对PSK类信号进行分类,得到最终各类数字调制信号的识别率。
2.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法,其特征是,所述步骤2具体为:
(a)计算小波系数:
任意函数f(t)可以表示为:
其中,设V0表示原始的尺度空间,是空间V1的正交基,{ψ1,k(t)=2-1/2ψ(2-1t-k)}k∈z是空间W1的正交基;第一层的小波系数和d1,k=<f(t),ψ(2-1t-k)>由下式计算得到:
c0.n为离散化的待处理原始信号数据,a1,k和d1,k分别为第一层的低频系数和高频系数;h和g分别为低通分解滤波器和高通分解滤波器;
(b)选取小波变换尺度为4,将信号分解为低频逼近a5和高频细节d1,d2,...,d5共5个分量,对每个小波分量系数进行傅里叶变换:
(c)计算每一层小波系数的功率谱{si,i=1,2,...,5}:
(d)计算第k(i=1,2,...,5)个分量的小波功率谱香农熵:
(e)计算第k(i=1,2,...,5)个分量的小波功率谱指数熵:
因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵:高频系数(d1,d2,d3,d4)对应的功率谱香农熵记为Hs1,Hs2,Hs3,Hs4,对应的功率谱指数熵记为He1,He2,He3,He4;低频系数(a5)对应的功率谱香农熵记为Hs5,对应的功率谱指数熵记为He5,最终构成特征向量H=[Hs1,Hs2,Hs3,Hs4,Hs5He1,He2,He3,He4,He5],将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类;
(f)利用该10维特征向量对非PSK类信号进行分类。
4.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法,其特征是,
在步骤2中,所述的多尺度小波变换,尺度为4,信号的10维特征向量是指计算5个小波系数的功率谱香农熵和功率谱指数熵。
5.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法,其特征是,在步骤1中,所述利用Matlab仿真模拟产生的各个信噪比下的待识别信号是指数字信号,且信噪比在-15dB以上。
6.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法,其特征是,在步骤4中,所述的多尺度小波熵是指PSK类信号相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195282.0A CN111444805B (zh) | 2020-03-19 | 2020-03-19 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195282.0A CN111444805B (zh) | 2020-03-19 | 2020-03-19 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444805A true CN111444805A (zh) | 2020-07-24 |
CN111444805B CN111444805B (zh) | 2023-03-17 |
Family
ID=71657422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010195282.0A Active CN111444805B (zh) | 2020-03-19 | 2020-03-19 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444805B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898583A (zh) * | 2020-08-13 | 2020-11-06 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及系统 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112801026A (zh) * | 2021-02-08 | 2021-05-14 | 上海电机学院 | 基于多维熵特征的信号特征提取方法 |
CN112910813A (zh) * | 2021-04-10 | 2021-06-04 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN115079258A (zh) * | 2022-07-19 | 2022-09-20 | 自然资源部第二海洋研究所 | 一种基于小波分析的海底地震信号在线识别方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1395400A (zh) * | 2002-07-05 | 2003-02-05 | 清华大学 | 无需先验知识的常用数字信号调制方式的自动识别方法 |
US6897802B1 (en) * | 2003-11-10 | 2005-05-24 | Raytheon Company | Fusion of shape and multiscale features for unknown target rejection |
US20120130682A1 (en) * | 2010-11-18 | 2012-05-24 | Jia Wang | Real-time detection system and the method thereof |
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
CN104065597A (zh) * | 2014-07-04 | 2014-09-24 | 哈尔滨工程大学 | 一种基于小波能量分布熵的bpsk/qpsk信号识别方法 |
US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
CN105469049A (zh) * | 2015-11-24 | 2016-04-06 | 昆明理工大学 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
CN105488520A (zh) * | 2015-11-24 | 2016-04-13 | 昆明理工大学 | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
CN109084186A (zh) * | 2018-08-17 | 2018-12-25 | 常州大学 | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 |
CN109190570A (zh) * | 2018-09-11 | 2019-01-11 | 河南工业大学 | 一种基于离散小波变换和多尺度熵的脑电情感识别方法 |
CN109359633A (zh) * | 2018-12-10 | 2019-02-19 | 西北工业大学 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
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 |
CN110263832A (zh) * | 2019-06-11 | 2019-09-20 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
-
2020
- 2020-03-19 CN CN202010195282.0A patent/CN111444805B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1395400A (zh) * | 2002-07-05 | 2003-02-05 | 清华大学 | 无需先验知识的常用数字信号调制方式的自动识别方法 |
US6897802B1 (en) * | 2003-11-10 | 2005-05-24 | Raytheon Company | Fusion of shape and multiscale features for unknown target rejection |
US20120130682A1 (en) * | 2010-11-18 | 2012-05-24 | Jia Wang | Real-time detection system and the method thereof |
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
CN104065597A (zh) * | 2014-07-04 | 2014-09-24 | 哈尔滨工程大学 | 一种基于小波能量分布熵的bpsk/qpsk信号识别方法 |
CN105469049A (zh) * | 2015-11-24 | 2016-04-06 | 昆明理工大学 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
CN105488520A (zh) * | 2015-11-24 | 2016-04-13 | 昆明理工大学 | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
CN109084186A (zh) * | 2018-08-17 | 2018-12-25 | 常州大学 | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 |
CN109190570A (zh) * | 2018-09-11 | 2019-01-11 | 河南工业大学 | 一种基于离散小波变换和多尺度熵的脑电情感识别方法 |
CN109359633A (zh) * | 2018-12-10 | 2019-02-19 | 西北工业大学 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
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 |
CN110263832A (zh) * | 2019-06-11 | 2019-09-20 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
LI YI BING ET AL.: "RADAR EMITTER SIGNAL RECOGNITION BASED ON MULTI-SCALE WAVELET ENTROPY AND FEATURE WEIGHTING", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 * |
李一兵等: "基于熵特征和支持向量机的调制识别方法", 《系统工程与电子技术》 * |
邹晓阳等: "基于多尺度模糊熵的动作表面肌电信号模式识别", 《生物医学工程学杂志》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898583A (zh) * | 2020-08-13 | 2020-11-06 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及系统 |
CN111898583B (zh) * | 2020-08-13 | 2022-07-05 | 华中科技大学 | 一种基于深度学习的通信信号调制方式识别方法及系统 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112733811B (zh) * | 2020-09-23 | 2023-06-13 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN112202696B (zh) * | 2020-10-12 | 2022-03-29 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN112801026A (zh) * | 2021-02-08 | 2021-05-14 | 上海电机学院 | 基于多维熵特征的信号特征提取方法 |
CN112910813A (zh) * | 2021-04-10 | 2021-06-04 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN115079258A (zh) * | 2022-07-19 | 2022-09-20 | 自然资源部第二海洋研究所 | 一种基于小波分析的海底地震信号在线识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111444805B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444805B (zh) | 一种基于改进的多尺度小波熵数字信号调制识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
Ma et al. | Automatic modulation classification under non-Gaussian noise: A deep residual learning approach | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
Ansari et al. | Automatic digital modulation recognition based on genetic-algorithm-optimized machine learning models | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
Alharbi et al. | Automatic modulation classification of digital modulations in presence of HF noise | |
Lin et al. | A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
Bouchenak et al. | A semi-supervised modulation identification in MIMO systems: A deep learning strategy | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
Ghauri | KNN based classification of digital modulated signals | |
Wang et al. | Residual learning based RF signal denoising | |
CN113076925B (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
Jassim et al. | Comparison of Automatic Modulation Classification Techniques. | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers | |
Baris et al. | Modulation classification of MFSK modulated signals using spectral centroid | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Li et al. | Deep learning based automatic modulation classification exploiting the frequency and spatiotemporal domain of signals | |
Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies |
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 |