CN111461007A - 一种基于模糊逻辑的自动调制信号识别方法及装置 - Google Patents
一种基于模糊逻辑的自动调制信号识别方法及装置 Download PDFInfo
- Publication number
- CN111461007A CN111461007A CN202010247196.XA CN202010247196A CN111461007A CN 111461007 A CN111461007 A CN 111461007A CN 202010247196 A CN202010247196 A CN 202010247196A CN 111461007 A CN111461007 A CN 111461007A
- Authority
- CN
- China
- Prior art keywords
- classifier
- signal
- signals
- data
- modulation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012567 pattern recognition method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明涉及无线电技术领域,公开了一种基于模糊逻辑的自动调制信号识别方法及装置,包括:根据已知调制信号的特征参数构建模糊逻辑分类器;从接收机获取指定频率和时长的IQ数据,并分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值构成的训练数组;将训练数组输入分类器,完成分类器的训练;将从接收机获取指定频率和时长的IQ数据进行特征提取得到验证数组,验证分类器的识别准确率;若分类器的准确率达到设定阈值,将从接收机获取指定频率和时长的IQ数据使用训练完成的分类器识别信号的调制方式。本发明根据空中信号特征参数呈现范围性分布的特点,利用模糊逻辑原理构建分类器,从而实现了对空中信号调制方式的高识别率。
Description
技术领域
本发明涉及无线电技术领域,特别是指一种基于模糊逻辑的自动调制信号识别方法及装置。
背景技术
调制方式识别是无线电对抗领域的重要课题,是未来无线电监测重要的发展方向。调制方式识别的基本结构包括:1)数据预处理模块、2)特征提取模块、3)分类器模块。其中数据预处理模块通过信号下变频、正交分量分解、载频估计、信号分离等处理手段,为特征提取模块以及分类器模块提供合适的数据。特征识别模块从数据中提取信号的时域、变换域特征参数,分类器则是根据提取的特征参数判断信号的调制方式。
常见的分类器算法包括统计模式识别方法、决策论方法和人工神经网络方法。
统计模式识别方法主要有直方图构造特征向量,用线性分类器判别信号的调制方式。统计模式识别方法的先决条件是要以一定量的信号样本得出其特征参数和判决门限,所以识别结果受噪声干扰的因素较大。低信噪比时的识别效果远不如高信噪比时。但其因为理论判断简便,提取特征的适应能力强,可用于多种类型的识别。
决策论方法判决理论识别方法是建立在假设检验理论上的一种识别方法,主要利用到了概率论,使之推导出一个合理的分类标准。此方法在理论统计分析出信号特性的基础上,用提前设置的门限和判决标准和推算得出的检验统计量进行定向对比。在整个识别过程中不需要信号样本且更适用在低信噪比环境下的识别。但该方法只能对已经分析得出累积特性的某类调制信号进行识别,识别类型十分有限。
人工神经网络方法则是模仿人脑处理问题的方式发展起来的一种新型智能信息处理理论,通过大量称之为神经元的简单处理结构构成非线性动力学系统。神经元具有非线性映射能力,神经元之间通过权重系数相连接,这种并行结构具有很高的计算速度。人工神经网络的信息分布式存储连接系数中,使网络具有很高的容错性和鲁棒性。基于人工神经网络的调制识别方法速度快、识别率高,但仅限于调制特征独立性较高的数字调制方式,对于模拟信号调制方式识别率效果不佳。
以上三种识别分类方法各有侧重,对于实际使用的发射信号来说,由于受到调制源信号持续变化、传播过程中噪声和其它发射源干扰、环境变化引起的衰落、折射、以及传输损耗等因素影响,其到达接收机的调制特征将出现显著的差异,提取到的特征参数也将超出预计的阈值范围。同时在调制信号实时识别时,提取的特征数据稀疏化严重,根据理想信号特征的识别方法在实际应用时其识别性能出现显著下降。
因此,如何提高现有识别方法在当今日益复杂的通信环境下的识别性能,是十分有必要的。
发明内容
本发明提出一种基于模糊逻辑的自动调制信号识别方法及装置,解决了现有技术中无法对区间性分布的信号特征参数值进行处理统计的问题。
本发明的技术方案是这样实现的:一种基于模糊逻辑的自动调制信号识别方法,包括:
步骤S1.构建模糊逻辑分类器:根据已知调制信号的特征参数构建隶属度函数及其模糊推理规则,其中,所述隶属度函数的输入为调制信号的特征参数,输出为调制方式;
步骤S2.数据特征提取:从接收机获取指定频率和时长的IQ数据,从IQ数据中分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值,得到由多个信号特征参数值构成的训练数组;
步骤S3.模糊逻辑分类器的训练:对所述训练数组中的每个信号特征参数值进行正态分布统计,得到所述数组的期望和方差,更新所述隶属度函数,完成分类器的训练;
步骤S4.模糊逻辑分类器的验证:将从接收机获取指定频率和时长的IQ数据通过步骤S2进行特征提取,得到由多个信号特征参数值构成的验证数组,将所述验证数组中的每个信号特征参数值输入分类器中,根据所述分类器的输出,计算所述分类器的识别准确率;
步骤S5.若所述分类器的识别准确率小于设定阈值,则重复步骤S2至S4;若所述分类器的识别准确率大于设定阈值,则执行步骤S6;
步骤S6.若有其他已知调制方式的信号,重复步骤S1至S5;若无其他已知调制方式的信号,执行步骤S7;
步骤S7.从接收机获取指定频率和时长的IQ数据,从IQ数据中分离其它频率信号,计算其特征参数,使用训练完成的分类器识别信号的调制方式,输出识别结果。
作为优选的技术方案,所述已知调制信号是FM调制信号,其特征参数包括瞬时幅度偏离度、包络熵和瞬时频率偏离度。
一种基于模糊逻辑的自动调制信号识别装置,包括:
模糊逻辑分类器创建模块,用于根据已知调制信号的特征参数构建分类器的隶属度函数及其模糊推理规则,对分类器进行训练,并更新所述分类器的隶属度函数;
特征提取模块,用于将从接收机获取的IQ数据中分离特定频率的信号,计算其特征参数;
分析判断模块,根据分类器识别结果判断其识别准确率大于设定阈值,以及判断获取的IQ数据中是否有其他调制方式的信号。
识别结果输出模块,用于将分类器的识别结果输出。
一种计算机存储介质,所述存储介质中存储有基于模糊逻辑的自动调制信号识别方法的计算机程序。
一种电子设备,应用上述基于模糊逻辑的自动调制信号识别方法。
本发明的有益效果在于:本发明解决了无线电监测过程中,由于发射源数据变动、外界环境变化、传输损耗等因素导致调制信号出现明显波动而引起的调制方式无法有效识别的问题,通过将接收到的射频信号数据,经过接收机特征提取,得到时域IQ数据,根据频率带宽设定分离信号,分别计算统计信号对应的时域数据和频谱数据特征参数,然后将特征数据分为前后两部分输入分类器模块,前一部分用于训练,用于构建真实信号的隶属度函数,后一部分数据进入训练后的模糊逻辑分类器,实现对信号的在线识别。
本发明根据空中信号特征参数呈现范围性分布的特点,利用模糊逻辑原理构建分类器,从而实现了对空中信号调制方式的高识别率。其中训练阶段利用空中信号调制方式特征参数值的统计分布特性,重构隶属度函数,弥补测试人员经验不足导致的隶属度函数取值不准确的缺陷,提高了识别精度。
本发明对于空中模拟调制信号(AM/FM/USB/LSB)具有更好的适应性与分辨力,特别是FM调制信号,由于各电台播放内容、发射参数以及相对距离的差异导致特征参数取值出现较大范围的波动,使用理想的调制识别方法做在线识别,其准确率会有明显下降,而使用基于模糊逻辑的分类器则解决了此类问题。
本发明具有良好的扩展性,由于隶属度函数和模糊逻辑推理规则是根据信号特性而构建的,因而可以更方便的扩展信号调制方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。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。
其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
如图1所示,一种基于模糊逻辑的自动调制信号识别方法,本实施例中以FM调制信号的识别为例,包括:
步骤S1.构建模糊逻辑分类器:根据已知调制信号的特征参数构建隶属度函数及其模糊推理规则,其中,隶属度函数的输入为调制信号的特征参数,输出为调制方式。
则FM调制信号的特征参数为瞬时幅度偏离度R_a、包络熵A_e、瞬时频率偏离度F_e等,分别构建隶属度函数Fi,函数形状采用高斯正态分布函数,数值点均预设为0;
根据隶属度函数Fi,创建模糊推理规则:当瞬时幅度偏离度R_a、包络熵A_e、瞬时频率偏离度等F_e等分别对应的隶属度函数Fi同时满足条件时,则确定该调制方式为FM;
去模糊运算使用面积中心方法,构建模糊逻辑分类器。
步骤S2.数据特征提取:从接收机获取制定频率和时长的IQ数据,从IQ数据中分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值,得到由多个信号特征参数值构成的训练数组;
例如获取88MHz~108MHz频段范围,时长10秒的IQ数据,IQ数据中跟李FM电台信号,如频率102.5MHz,带宽200KHz的广播电台信号,计算并缓存其特征参数值,如瞬时幅度偏离度R_a、包络熵A_e、瞬时频率偏离度F_e等。重复获取次数不少于500次,获得该信号特征参数相应的数组。
步骤S3.模糊逻辑分类器的训练:对训练数组中的每个信号特征参数值进行正态分布统计,得到数组的期望(E)和方差(u),更新隶属度函数,完成分类器的训练:
对每个特征参数对应的数组进行正态分布统计,根据计算得到的期望和方差,更新对应隶属度函数,完成对分类器的训练。
步骤S4.模糊逻辑分类器的验证:将从接收机获取指定频率和时长的IQ数据通过步骤S2进行特征提取,得到由多个信号特征参数值构成的验证数组,将验证数组中的每个信号特征参数值输入分类器中,根据分类器的输出,计算分类器的识别准确率;
步骤S5.若分类器的识别准确率小于设定阈值,则重复步骤S2至S4,更新分类器的隶属度函数并对分类器进行训练直至分类器的识别准确率达到设定阈值,优选的,本实施例中,识别准确率的设定阈值为95%;若分类器的识别准确率大于设定阈值,也就是分类器的识别准确率>95%,则执行步骤S6;
步骤S6.判断是否存在其他已知调制方式的信号,若有其他已知调制方式的信号,重复步骤S1至S5,构建其他调制方式识别的分类器,并对该分类器进行训练和验证;若无其他已知调制方式的信号,执行步骤S7;
步骤S7.从接收机获取指定频率和时长的IQ数据,如88MHz~108MHz频段范围的IQ数据,为保证信号识别的实时性,IQ数据时长为10ms;从IQ数据中分离其它FM电台的频率信号,计算其特征参数,使用训练完成的分类器自动识别信号的调制方式,输出自动识别结果。
本发明还提供一种应用基于模糊逻辑的自动调制信号识别方法的装置、电子设备和计算机存储介质,该装置包括:
模糊逻辑分类器创建模块,用于根据已知调制信号的特征参数构建分类器的隶属度函数及其模糊推理规则,对分类器进行训练,并更新分类器的隶属度函数;
特征提取模块,用于将从接收机获取的IQ数据中分离特定频率的信号,计算其特征参数;
分析判断模块,根据分类器识别结果判断其识别准确率大于设定阈值,以及判断获取的IQ数据中是否有其他调制方式的信号。
识别结果输出模块,用于将分类器的识别结果输出。
该电子设备包括具有控制以及数据处理功能的移动终端如手机和PAD等,以及电脑、控制器等。
该计算机存储介质中存储有基于模糊逻辑的自动调制信号识别方法的计算机程序。
计算机存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
以上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、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于模糊逻辑的自动调制信号识别方法,其特征在于,包括:
步骤S1.构建模糊逻辑分类器:根据已知调制信号的特征参数构建隶属度函数及其模糊推理规则,其中,所述隶属度函数的输入为调制信号的特征参数,输出为调制方式;
步骤S2.数据特征提取:从接收机获取指定频率和时长的IQ数据,从IQ数据中分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值,得到由多个信号特征参数值构成的训练数组;
步骤S3.模糊逻辑分类器的训练:对所述训练数组中的每个信号特征参数值进行正态分布统计,得到所述数组的期望和方差,更新所述隶属度函数,完成分类器的训练;
步骤S4.模糊逻辑分类器的验证:将从接收机获取指定频率和时长的IQ数据通过步骤S2进行特征提取,得到由多个信号特征参数值构成的验证数组,将所述验证数组中的每个信号特征参数值输入分类器中,根据所述分类器的输出,计算所述分类器的识别准确率;
步骤S5.若所述分类器的识别准确率小于设定阈值,则重复步骤S2至S4;若所述分类器的识别准确率大于设定阈值,则执行步骤S6;
步骤S6.若有其他已知调制方式的信号,重复步骤S1至S5;若无其他已知调制方式的信号,执行步骤S7;
步骤S7.从接收机获取指定频率和时长的IQ数据,从IQ数据中分离其它频率信号,计算其特征参数,使用训练完成的分类器识别信号的调制方式,输出识别结果。
2.如权利要求1所述的一种基于模糊逻辑的自动调制信号识别方法,其特征在于:所述已知调制信号是FM调制信号,其特征参数包括瞬时幅度偏离度、包络熵和瞬时频率偏离度。
3.一种基于模糊逻辑的自动调制信号识别装置,其特征在于,包括:
模糊逻辑分类器创建模块,用于根据已知调制信号的特征参数构建分类器的隶属度函数及其模糊推理规则,对分类器进行训练,并更新所述分类器的隶属度函数;
特征提取模块,用于将从接收机获取的IQ数据中分离特定频率的信号,计算其特征参数;
分析判断模块,根据分类器识别结果判断其识别准确率大于设定阈值,以及判断获取的IQ数据中是否有其他调制方式的信号。
识别结果输出模块,用于将分类器的识别结果输出。
4.一种计算机存储介质,其特征在于:所述存储介质中存储有如权利要求1和2所述的基于模糊逻辑的自动调制信号识别方法的计算机程序。
5.一种电子设备,其特征在于:所述电子设备应用如权利要求1和2所述的基于模糊逻辑的自动调制信号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247196.XA CN111461007A (zh) | 2020-03-31 | 2020-03-31 | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247196.XA CN111461007A (zh) | 2020-03-31 | 2020-03-31 | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461007A true CN111461007A (zh) | 2020-07-28 |
Family
ID=71682412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247196.XA Pending CN111461007A (zh) | 2020-03-31 | 2020-03-31 | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084850A (zh) * | 2020-08-04 | 2020-12-15 | 中电科仪器仪表有限公司 | 一种信号调制参数自适应识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561497A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | Fsk及多种非线性调频信号识别及参数估算方法 |
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
CN111046697A (zh) * | 2018-10-12 | 2020-04-21 | 北京博识广联科技有限公司 | 一种基于模糊逻辑系统的自适应调制信号识别方法 |
-
2020
- 2020-03-31 CN CN202010247196.XA patent/CN111461007A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
CN107561497A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | Fsk及多种非线性调频信号识别及参数估算方法 |
CN111046697A (zh) * | 2018-10-12 | 2020-04-21 | 北京博识广联科技有限公司 | 一种基于模糊逻辑系统的自适应调制信号识别方法 |
Non-Patent Citations (1)
Title |
---|
刘伟等: "正交频分复用信号子载波调制方式识别", 《电子信息对抗技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084850A (zh) * | 2020-08-04 | 2020-12-15 | 中电科仪器仪表有限公司 | 一种信号调制参数自适应识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN111862951A (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN111046697A (zh) | 一种基于模糊逻辑系统的自适应调制信号识别方法 | |
CN114900256B (zh) | 通信场景识别方法和装置 | |
Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
CN115174355A (zh) | 故障根因定位模型的生成方法,故障根因定位方法和装置 | |
CN111461007A (zh) | 一种基于模糊逻辑的自动调制信号识别方法及装置 | |
CN113837122B (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 | |
CN117579101A (zh) | 载波通讯模块的控制方法及其系统 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
CN111245821B (zh) | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 | |
CN113688953B (zh) | 基于多层gan网络的工控信号分类方法、装置和介质 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
Ohize et al. | An adaptive wavelet-based scale space filtering algorithm for spectrum sensing in cognitive radio | |
CN116340849B (zh) | 一种基于度量学习的非接触式跨域人体活动识别方法 | |
CN117711423B (zh) | 联合听觉场景分析与深度学习的混合水声信号分离方法及系统 | |
CN115549823B (zh) | 一种无线电环境地图预测方法 | |
CN117540328B (zh) | 一种煤矿噪声高精度测量过程中噪声处理方法 | |
CN112083448B (zh) | 面向卫星导航系统的干扰信号分类识别特征提取方法及系统 | |
CN116260547B (zh) | 一种抑制同频干扰的系统及方法 | |
Zhou et al. | Improved Single-Channel Blind Source Separation Algorithm based on Variational Mode Decomposition | |
CN115499912A (zh) | 一种基于Wi-Fi信道状态信息的视距识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200728 |