CN111510408A - 信号调制方式识别方法、装置、电子设备及存储介质 - Google Patents
信号调制方式识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111510408A CN111510408A CN202010291165.4A CN202010291165A CN111510408A CN 111510408 A CN111510408 A CN 111510408A CN 202010291165 A CN202010291165 A CN 202010291165A CN 111510408 A CN111510408 A CN 111510408A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature
- global
- features
- modulation mode
- 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
-
- 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
Abstract
本申请实施例提供了一种信号调制方式识别方法、装置、电子设备及存储介质,涉及无线通信技术领域。所述方法包括:获得待识别信号;提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;基于所述目标特征确定所述待识别信号的调制方式。由此可见,应用本申请实施例提供的方案,可以提高识别得到的信号调制方式的准确度。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种信号调制方式识别方法、装置、电子设备及存储介质。
背景技术
随着通信技术的快速发展,无线电信号的应用也越来越广泛。在接收到无线电信号后,通常需要识别信号的调制方式,然后根据识别出的调制方式实现对信号的解调。
现有技术中,在识别信号的调制方式时,通常需要人工进行识别。具体的,在获得待识别信号后,工作人员利用变频器将待识别信号从带通信号转化为低通信号,再通过解调器对上述低通信号进行解调,得到待识别信号的各类特征参数,最后工作人员基于特征参数确定待识别信号的调制方式。
由于人工在获得待识别信号的特征参数时误差较大,而且由人工确定调制方式时主观因素影响较大,导致人工识别信号调制方式的准确率较低。
发明内容
本申请实施例的目的在于提供一种信号调制方式识别方法、装置、电子设备及存储介质,以提高识别得到的信号调制方式的准确度。具体技术方案如下:
第一方面,本申请实施例提供了一种信号调制方式识别方法,所述方法包括:
获得待识别信号;
提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;
针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;
按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;
基于所述目标特征确定所述待识别信号的调制方式。
本申请的一个实施例中,所述按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,包括:
针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征,计算每一升维后的全局特征与其他升维后全局特征的关联信息;
基于每一升维后全局特征对应的关联信息,计算各个全局特征的关联权重;
按照各个全局特征的关联权重对各个更新后的全局特征进行加权求和,得到目标特征。
本申请的一个实施例中,所述针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征;计算每一升维后的全局特征与其他升维后全局特征的关联信息,包括:
利用以下公式计算每一个更新后全局特征对应的关联信息:
ut=tanh(W*ht)
其中,所述ut表示第t个更新后全局特征对应的关联信息,所述ht表示第t个更新后的全局特征,所述W表示预设的权重系数,tanh为激活函数。
本申请的一个实施例中,所述基于每一升维后全局特征对应的关联信息,计算各个全局特征的关联权重,包括:
利用以下公式计算每一个全局特征对应的关联权重:
其中,所述αt表示第t个全局特征对应的关联权重,所述u表示预设的关联标准,所述ut表示第t个更新后全局特征对应的关联信息,所述score(ut,u)表示ut与u之间的关联程度,所述T表示全局特征的数量。
本申请的一个实施例中,所述提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;基于所述目标特征确定所述待识别信号的调制方式,包括:
将所述待识别信号输入预先训练完成的调制方式识别模型,得到所述待识别信号疑似的各个调制方式以及每一调制方式的概率,确定概率最大的调制方式为所述待识别信号的调制方式;
其中,所述调制方式识别模型为:以样本信号为输入、样本信号的样本调制方式为标注、对所述调制方式识别模型的初始模型进行训练得到的模型,所述初始模型的结构包括特征提取层、目标特征获得层和结果输出层;
所述特征提取层用于:提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征,将所述全局特征输入所述目标特征获得层;所述目标特征获得层用于:针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,将所述目标特征输入所述结果输出层;所述结果输出层用于:基于所述目标特征获得所述待识别信号疑似的各个调制方式以及每一调制方式的概率。
本申请的一个实施例中,通过以下方式训练得到所述调制方式识别模型:
获得多个样本信号,并对各个样本信号的样本调制方式进行标注;
将标注后的各个样本信号输入所述调制方式识别模型的初始模型,得到输出结果;
利用预设的损失函数计算各个输出结果与标注的样本调制方式之间的损失值;
基于所述损失值对所述初始模型进行参数调整,将所述初始模型更新为参数调整后的模型,返回所述将标注后的各个样本信号输入所述调制方式识别模型的初始模型,得到输出结果的步骤,直至满足预设的训练结束条件。
本申请的一个实施例中,所述获得多个样本信号,包括:
获得多个样本信号,对各个样本信号进行模拟传输处理,得到处理后的样本信号,其中,所述模拟传输处理包括以下处理方式中的至少一种:噪声添加处理、信号衰落处理、频率偏移处理。
第二方面,本申请实施例提供了一种信号调制方式识别装置,所述装置包括:信号获得模块、特征融合模块和调制方式确定模块;其中,
所述信号获得模块,用于获得待识别信号;
所述特征融合模块,包括:特征提取子模块、特征更新子模块和特征融合子模块;
所述特征提取子模块,用于提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;
所述特征更新子模块,用于针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;
所述特征融合子模块,用于按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;
所述调制方式确定模块,用于基于所述目标特征确定所述待识别信号的调制方式。
第三方面,本申请实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的信号调制方式识别方法。
本申请实施例有益效果:
应用本申请实施例提供的方案识别信号调制方式时,首先获得待识别信号,提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征,针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,基于目标特征确定待识别信号的调制方式。一方面,在识别信号调制方式时,通过待识别信号的特征确定信号的调制方式,不受人工主观因素影响,可以识别得到的信号调制方式的准确度。另一方面,参考其他的全局特征对该全局特征进行更新,所得到的更新后的特征更能体现待识别信号各个全局特征之间的关联性,随后再根据各个更新后全局特征之间的关联性,对各个更新后全局特征进行融合,这样得到的目标特征准确度更高,进而根据目标特征确定的待识别信号的调制方式的准确度更高。由此可见,应用本申请实施例提供的方案,可以提高识别得到的信号调制方式的准确度。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种信号调制方式识别方法的流程示意图;
图2为本申请实施例提供的另一种信号调制方式识别方法的流程示意图;
图3为本申请实施例提供的一种调制方式识别模型的示意图;
图4为本申请实施例提供的一种模型工作流程的示意图;
图5为本申请实施例提供的一种模型训练方法的流程示意图;
图6为本申请实施例提供的一种信号调制方式识别装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了提高识别得到的信号调制方式的准确度,本申请实施例提供了一种信号调制方式识别方法、装置、电子设备及存储介质,下面分别进行详细描述。
参见图1,图1为本申请实施例提供的一种信号调制方式识别方法的流程示意图,方法包括如下步骤101至步骤105。
步骤101,获得待识别信号。
其中,上述待识别信号为:待进行调制方式识别的无线信号。具体的,信号发射端在发射信号时,为了提高可靠性,需要按照预设的调制方式对信号进行调制。信号接收端在接收到信号后,需要识别信号的调制方式,基于调制方式对信号进行解调。
信号的调制方式包括模拟调制方式和数字调制方式,模拟调制方式包括:DSB(Double Side Band,双边带调制)、SSB(Single Side Band,单边带调制)、WBFM(Wide BandFrequency Modulation,宽带调频调制),数字调制方式包括:BPSK(Binary Phase ShiftKeying,二进制相移键控调制)、QPSK(Quadrature Phase Shift Keying,正交相移键控调制)、8PSK(8Phase Shift Keying,8移相键控调制)、PAM4(4Pulse Amplitude Modulation,四电平脉冲幅度调制)、QAM16(16Quadrature Amplitude Modulation,16相正交振幅调制)、QAM64(64Quadrature Amplitude Modulation,64相正交振幅调制)、GFSK(Gaussfrequency Shift Keying,高斯频移键控调制)、CPFSK(continuous phase frequencyshift keying,连续相位频移键控调制)等。
本申请的一个实施例中,上述待识别信号可以是监听电台监听到的信号,也可以是信号接收器接收到的信号,还可以是从信号数据库中获取的信号。
本申请的一个实施例中,在获得信号后,可以从信号中截取预设长度的信号片段作为待识别信号。具体的,上述待识别信号可以是包含预设数量个信号周期的信号,也可以是预设时长的信号。
本申请的一个实施例中,在得到待识别信号后,可以首先对待识别信号进行预处理,包括消除噪声、调整频偏、信号增强等。信号在传输过程中,可能会受到环境干扰,使得信号因噪声、频偏、衰弱而受损。对待识别信号进行预处理可以修复受损信号,提高对信号进行调制方式识别的准确度。
步骤102,提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征。
其中,每一局部特征用于表征待识别信号一个局部的特征,全局特征用于表征待识别信号整体的特征。上述局部特征可以是待识别信号不同维度的特征,如振幅特征、频率特征、相位特征等,上述局部特征还可以是待识别信号中每一信号周期的特征。在得到待识别信号的各个局部特征后,可以对各个局部特征再次进行特征提取,从而得到待识别信号的全局特征,还可以对各个局部特征进行特征融合,将融合后的特征作为全局特征。
本申请的一个实施例中,上述局部特征可以是待识别信号的IQ特征。I表示待识别信号的同相位分量特征,Q表示待识别信号的90°相移分量特征。具体的,可以获得待识别信号的振幅信息和相位信息,将振幅信息和相位信息记录在二维空间的一点上,获得该点所代表向量在横轴和纵轴上的投影,其中,横轴上的投影即为待识别信号的同相位分量特征,纵轴上的投影即为待识别信号的90°相移分量特征。
本申请的一个实施例中,在得到待识别信号的IQ特征后,可以对同相位分量特征和90°相移分量特征进行融合,得到待识别信号的全局特征。具体的,上述融合方式包括对同相位分量特征和90°相移分量特征进行拼接、求取交集、求取并集等。
步骤103,针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征。
具体的,由于待识别信号在时域上具有连续性,待识别信号的各个片段之间存在相关性,进而待识别信号的各个全局特征之间也存在相关性。也就是,待识别信号的各个全局特征之间并非独立的,每一全局特征均与其他全局特征相关。参考其他的全局特征对各个全局特征进行更新后,更能体现出各个全局特征之间的关联性。
其中,针对每一全局特征,在参考其他全局特征对该全局特征进行更新时,可以按照预设的权重系数对其他全局特征和该全局特征进行加权求和。例如,假设其他全局特征为10,该全局特征为8,其他全局特征对应的权重系数为0.3,该全局特征对应的权重系数为0.7,则对该全局特征进行更新后得到的全局特征为:0.7×8+0.3×10=8.6。
除此之外,还可以计算其他全局特征与该全局特征的平均数,作为更新后的该全局特征。例如,假设其他全局特征为7,该全局特征为9,则可以计算得到更新后的全局特征为8。
本申请的一个实施例中,针对每一全局特征,可以参考与该全局特征相邻的全局特征,对该全局特征进行更新,也可以按照各个全局特征的时序,参考该全局特征的前一全局特征对该全局特征进行更新。
例如,假设提取得到待识别信号的10个全局特征,按照各个全局特征的时序,参考每一全局特征的前一全局特征对该全局特征进行更新,则第一个全局特征保持不变,参考第一个全局特征对第二个全局特征进行更新,参考第二个全局特征对第三个全局特征进行更新……参考第九个全局特征对第十个全局特征进行更新,共可以得到十个更新后的全局特征。
步骤104,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征。
具体的,可以首先评估各个全局特征之间的关联性,按照关联性大小确定各个全局特征的关联权重,基于关联权重对各个更新后的全局特征进行加权融合,得到目标特征。这样所得到的目标特征中,与各个全局特征关联性较大的全局特征所占的比重较大,与各个全局特征关联性较小的全局特征所占的比重较小,上述目标特征可以进一步地表征待识别信号的整体特征。
其中,在评估各个全局特征之间的关联性时,可以利用预设的关联标准与各个更新后的全局特征进行对比。上述关联标准为预设的参数,可以用于衡量各个更新后全局特征与其他全局特征之间的关联性。若更新后的全局特征与关联标准相似度越高,则可以认为该全局特征与其他全局特征之间的关联性越大;若更新后的全局特征与关联标准相似度越低,则可以认为该全局特征与其他全局特征之间的关联性越小。
步骤105,基于目标特征确定待识别信号的调制方式。
具体的,在获得待识别信号的目标特征后,可以根据目标特征识别该信号对应的调制方式。具体的,可以根据目标特征对待识别信号疑似的调制方式进行分类,得到每一调制方式为正确的调制方式的概率,从中选择对应概率最大的调制方式,作为待识别信号的调制方式。
应用上述实施例提供的方案识别信号调制方式时,首先获得待识别信号,提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征,针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,基于目标特征确定待识别信号的调制方式。一方面,在识别信号调制方式时,通过待识别信号的特征确定信号的调制方式,不受人工主观因素影响,可以识别得到的信号调制方式的准确度。另一方面,参考其他的全局特征对该全局特征进行更新,所得到的更新后的特征更能体现待识别信号各个全局特征之间的关联性,随后再根据各个更新后全局特征之间的关联性,对各个更新后全局特征进行融合,这样得到的目标特征准确度更高,进而根据目标特征确定的待识别信号的调制方式的准确度更高。由此可见,应用上述实施例提供的方案,可以提高识别得到的信号调制方式的准确度。
参见图2,本申请的一个实施例中,对于上述步骤104,在获得目标特征时,具体可以包括如下步骤1041-1043。
步骤1041,针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征,计算每一升维后的全局特征与其他升维后全局特征的关联信息。
具体的,上述权重系数用于将更新后的全局特征压缩为高维的向量,权重系数为高维的矩阵,通过对权重系数和更新后的全局特征进行相乘,可以得到高维的向量。上述向量的维度可以是1000、5000、10000等。高维的全局特征表现力更强,便于后续计算高维的全局特征的关联信息。其中,上述权重系数中每一项的取值可以根据实验获得。
在得到高维的全局特征后,可以再次利用预设的激活函数计算各个高维的全局特征之间的关联信息。上述激活函数可以是双曲线正切函数tanh,也可以是S型生长曲线函数Sigmoid。
本申请的一个实施例中,可以利用以下公式计算每一个更新后全局特征对应的关联信息:
ut=tanh(W*ht)
其中,ut表示第t个更新后全局特征对应的关联信息,ht表示第t个更新后的全局特征,W表示预设的权重系数,tanh为激活函数。
具体的,可以利用上述公式计算各个全局特征的关联信息。
步骤1042,基于每一升维后全局特征对应的关联信息,计算各个全局特征的关联权重。
具体的,基于基于每一升维后全局特征对应的关联信息,可以判断该升维后全局特征的关联性大小,依据关联性大小,可以进一步计算各个全局特征的关联权重。在升维后全局特征的关联信息表征该全局特征关联性越大的情况下,该关联信息的关联权重越大;在升维后全局特征的关联信息表征该全局特征关联性越小的情况下,该关联信息的关联权重越小。
本申请的一个实施例中,可以利用以下公式计算每一个全局特征对应的关联权重αt:
其中,αt表示第t个全局特征对应的关联权重,u表示预设的关联标准,ut表示第t个更新后全局特征对应的关联信息,score(ut,u)表示ut与u之间的关联程度,T表示全局特征的数量。
上述关联标准可以是工作人员根据无线信号的参数特性预先设定的标准,上述关联标准用于衡量每一关联信息的关联程度。
上述exp函数用于计算score(ut,u)的反函数。上述score是一种评分函数,该评分函数可以衡量每一更新后全局特征的关联信息相对关联标准的关联程度。关联程度越大,说明该更新后全局特征的关联信息越接近关联标准;关联程度越小,说明该更新后全局特征的关联信息越远离关联标准。
具体的,可以利用上述公式计算各个全局特征的关联权重。
步骤1043,按照各个全局特征的关联权重对各个更新后的全局特征进行加权求和,得到目标特征。
其中,上述目标特征的形式可以是向量、矩阵、数列等。具体的,可以计算每一全局特征对应的关联权重与更新后的该全局特征的乘积,在计算各个乘积之和,得到目标特征。
本申请的一个实施例中,可以按照下述公式计算目标特征s:
其中,αt表示第t个全局特征对应的关联权重,T表示全局特征的数量,ht表示第t个更新后的全局特征。
本申请的一个实施例中,在确定待识别信号的调制方式时,还可以将待识别信号输入预先训练完成的调制方式识别模型,得到待识别信号疑似的各个调制方式以及每一调制方式的概率,确定概率最大的调制方式为待识别信号的调制方式。
其中,调制方式识别模型为:以样本信号为输入、样本信号的样本调制方式为标注、对调制方式识别模型的初始模型进行训练得到的模型。
具体的,将待识别信号输入上述调制方式识别模型后,调制方式识别模型可以输出疑似的各个调制方式,以及每一疑似的调制方式为正确的调制方式的概率,可以从中选择对应的概率最大的调制方式,作为待识别信号的调制方式。
参见图3,图3为本申请实施例提供的一种调制方式识别模型的示意图。初始模型的结构可以包括特征提取层、目标特征获得层和结果输出层:
特征提取层用于:提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征,将全局特征输入目标特征获得层。
该特征提取层可以是卷积神经网络层,卷积神经网络层可以通过多层线性变换从输入的数据中提取数据特征,并且对数据预处理要求不高,并且由于卷积神经网络本身具有局部连接、权值共享的特征,因此可以迅速缩减训练所需的参数,简化网络的结构和训练。
本申请的一个实施例中,上述特征提取层可以包括两个卷积神经网络层,第一个卷积神经网络层用来利用较小的卷积核提取待识别信号的局部特征,第二个卷积神经网络层采用较大的卷积核来从各个局部特征中提取全局特征。
本申请的一个实施例中,在每一个卷积神经网络层之后可以选用Relu激活函数对数据进行激活,这样可以提高模型的表现能力。还可以在每一卷积神经网络层的后面加入随机失活神经元机制,这样可以防止输出数据过拟合,避免数据泛化,提高模型的鲁棒性。
目标特征获得层用于:针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,将目标特征输入结果输出层。
上述目标特征获得层可以由基于长短期记忆网络的注意力机制网络搭建而成。其中,长短期记忆网络可以是LSTM(Long Short-Term Memory,长短期记忆网络)模型,LSTM模型可以按照各个全局特征的时序,参考该全局特征的前一全局特征对该全局特征进行更新,将更新后的全局特征输入注意力机制网络。
注意力机制可以抽象为Encoder-Decoder框架,Encoder(编码器)可以将更新后的全局特征压缩为一个高维的向量,Decoder(解码器)则可以根据上述高维向量之间的关联性,对各个更新后的全局特征进行融合,得到目标特征。由于上述所获得的目标特征相对本方案而言,是获得待识别信号调制方式的有效特征,因此目标特征获得层也可以理解为有效特征选择层,用于根据各个更新后的全局特征选择待识别信号的有效特征。
注意力机制可以考虑到信号自身的特点,能够将更新后的全局特征进行进一步的优化,得到更能表征待识别信号特点的有效特征,这样在后续根据目标特征确定调制方式时,可以进一步提高识别得到的调制方式的准确度。
结果输出层用于:基于目标特征获得待识别信号疑似的各个调制方式以及每一调制方式的概率。
结果输出层可以是归一化层,基于目标特征,利用归一化函数softmax计算各个疑似的调制方式的概率,分类输出每一疑似的调制方式和各个调制方式对应的概率。
其中,上述归一化函数softmax可以是:
上述Zj表示第j个输出的分类结果,每一分类结果表示一个疑似的调制方式。利用上述归一化函数可以得到每一疑似的调制方式对应的概率,各个疑似的调制方式的概率之和为1。
参见图4,图4为本申请实施例提供的一种模型工作流程的示意图。图中Conv1表示第一个卷积神经网络层,Conv2表示第二个卷积神经网络层,LSTM表示长短期记忆网络层,softmax表示归一化层。
具体的,首先获得待识别信号,在获得待识别信号后,将待识别信号输入调制方式识别模型,首先由特征提取层中Conv1层提取待识别信号的局部特征,再由特征提取层中Conv2层根据各个局部特征提取全局特征,再由有效特征选择层LSTM根据全局特征选择待识别信号的有效特征,最后由softmax层分类输出每一疑似的调制方式和各个调制方式对应的概率。
参见图5,图5为本申请实施例提供的一种模型训练方法的流程示意图,包括如下步骤501-步骤504:
步骤501,获得多个样本信号,并对各个样本信号的样本调制方式进行标注。
其中,上述样本信号可以从开放的信号共享平台获得,这类信号中通常携带有调制方式标签,可以利用所携带的调制方式标签对这类信号的调制方式进行标注;
上述样本信号也可以从接收到的信号中收集得到,接收到信号后,由人工识别信号的调制方式,并根据识别结果对信号进行标注;
上述样本信号还可以是人工模拟调制的信号。具体的,首先由人工对信号进行调制,从而获得样本信号,再根据调制方式对样本信号进行标注。
本申请的一个实施例中,上述样本信号可以是不同信噪比的信号。各个样本信号的信噪比可以从-20dB到+18dB以两步长增加,这样得到的样本信号种类更加丰富。
本申请的一个实施例中,在获得获得多个样本信号后,可以对各个样本信号进行模拟传输处理,得到处理后的样本信号。
其中,模拟传输处理包括以下处理方式中的至少一种:噪声添加处理、信号衰落处理、频率偏移处理。具体的,在实际应用中,所获得的信号通常是受到传输环境干扰的信号。为了更加适应应用场景,可以对样本信号进行模拟传输处理,这样得到的样本信号更接近实际应用中所接收到的待识别信号,利用上述样本信号训练得到的调制方式识别模型在实际应用中准确度更高。
步骤502,将标注后的各个样本信号输入调制方式识别模型的初始模型,得到输出结果。
具体的,将各个标注后的样本信号输入上述初始模型后,可以得到模型的输出结果。
其中,上述初始模型的各项参数可以由工作人员预先设定。
参见下表1,表1为本申请实施例提供的一种初始模型参数:
表1
可见,初始模型中包括特征提取层、有效特征选择层、结果输出层。在结果输出层之前该模型还可以包括随机失活层,其中随机失活率为0.5,有助于提高模型的鲁棒性。
特征提取层中包括卷积层1和卷积层2,卷积层1用于提取待识别信号的局部特征,其卷积核较小,所支持的输入格式为[2,128],卷积层2用于提取待识别信号的全局特征,其卷积核较大,所支持的输入格式为[1,130]。特征提取层还包括补零层,用于补充待识别信号缺失的特征,其中ZeroPadding2D((0,2))用于定义补0规则。
有效特征选择层包括LSTM层,用于按照各个全局特征的时序,参考该全局特征的前一全局特征对该全局特征进行更新,将更新后的全局特征输入注意力机制网络。有效特征选择层还包括注意力机制层,用于对各个更新后的全局特征进行融合,得到目标特征。LSTM层和注意力机制层的隐藏层神经元个数units均为256个。
结果输出层中用于输出结果的神经元数目classes为11个。
步骤503,利用预设的损失函数计算各个输出结果与标注的样本调制方式之间的损失值。
上述损失函数可以是交叉熵损失函数L:
其中,N表示样本信号的数量,k表示输出结果中调制方式的数量,yik表示第i个样本信号所标注的样本调制方式,Pik为:第i个样本信号对应的输出结果中所表征的第k个调制方式对应的概率。
通过损失函数可以计算得到各个样本信号对应的输出结果与标注的样本调制方式之间的损失值,损失值越大,说明该模型的输出结果的准确度越小,该模型越不完善;损失值越小,说明该模型的输出结果的准确度越大,该模型越趋于完善。
步骤504,基于损失值对初始模型进行参数调整,将初始模型更新为参数调整后的模型,返回步骤502,直至满足预设的训练结束条件。
具体的,可以依据损失值对初始模型的参数进行调整,得到调整后的初始模型。返回步骤502,再次将样本信号输入参数调整后的模型,得到输出结果。循环对模型的参数进行调整,直至满足预设的训练结束条件。
本申请的一个实施例中,上述训练结束条件可以是训练次数达到预设的次数阈值。具体的,上述次数阈值可以是1000次、5000次、10000次等。在对模型的训练次数达到次数阈值后,可以认为模型区域完善,结束对模型的训练,将该模型作为调制方式识别模型。
本申请的一个实施例中,上述训练结束条件还可以是输出结果相对标注的样本调制方式的损失值小于预设的损失阈值。具体的,当模型的输出结果相对标注的样本调制方式的损失值小于预设的损失阈值时,说明模型的输出结果为正确的调制方式,这种情况下可以认为模型训练结束。
本申请的一个实施例中,在每一次训练得到损失值后,可以比较该损失值相对之前计算得到的损失值中取值最小的最小损失值的大小,若该损失值小于上述最小损失值,则依据损失值对模型的参数进行调整,并更新最小损失值的取值,对上述参数调整后的模型进行再次训练;若该损失值不小于上述最小损失值,则将模型的参数恢复为本次训练之前的模型参数。若连续的、损失值不小于上述最小损失值的次数达到预设的容忍次数阈值,则认为满足训练结束条件,停止训练,将该模型确定为最终的调制方式识别模型。上述容忍次数阈值可以是8次、10次、20次等。
这样利用调制方式识别模型来确定待识别信号的调制方式,无需人工对待识别信号进行处理,可以节省人力资源成本,而且不受人为主观因素影响,所得到的调制方式的准确度更高。
参见图6,图6为本申请实施例提供的一种信号调制方式识别装置的结构示意图,所述装置包括:信号获得模块601、特征融合模块602和调制方式确定模块603;其中,
所述信号获得模块601,用于获得待识别信号;
所述特征融合模块602,包括:特征提取子模块6021、特征更新子模块6022和特征融合子模块6023;
所述特征提取子模块6021,用于提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;
所述特征更新子模块6022,用于针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;
所述特征融合子模块6023,用于按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;
所述调制方式确定模块603,用于基于所述目标特征确定所述待识别信号的调制方式。
本申请的一个实施例中,所述特征融合子模块6023,包括:
关联信息获得单元,用于针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征,计算每一升维后的全局特征与其他升维后全局特征的关联信息;
关联权重获得单元,用于基于每一升维后全局特征对应的关联信息,计算各个全局特征的关联权重;
目标特征获得单元,用于按照各个全局特征的关联权重对各个更新后的全局特征进行加权求和,得到目标特征。
本申请的一个实施例中,所述关联信息获得单元,具体用于:
利用以下公式计算每一个更新后全局特征对应的关联信息:
ut=tanh(W*ht)
其中,所述ut表示第t个更新后全局特征对应的关联信息,所述ht表示第t个更新后的全局特征,所述W表示预设的权重系数,tanh为激活函数。
本申请的一个实施例中,所述关联权重获得单元,具体用于:
利用以下公式计算每一个全局特征对应的关联权重αt:
其中,所述αt表示第t个全局特征对应的关联权重,所述u表示预设的关联标准,所述ut表示第t个更新后全局特征对应的关联信息,所述score(ut,u)表示ut与u之间的关联程度,所述T表示全局特征的数量。
本申请的一个实施例中,所述特征融合模块602,具体用于:
将所述待识别信号输入预先训练完成的调制方式识别模型,得到所述待识别信号疑似的各个调制方式以及每一调制方式的概率,确定概率最大的调制方式为所述待识别信号的调制方式;
其中,所述调制方式识别模型为:以样本信号为输入、样本信号的样本调制方式为标注、对所述调制方式识别模型的初始模型进行训练得到的模型,所述初始模型的结构包括特征提取层、目标特征获得层和结果输出层;
所述特征提取层用于:提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征,将所述全局特征输入所述目标特征获得层;所述目标特征获得层用于:针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,将所述目标特征输入所述结果输出层;所述结果输出层用于:基于所述目标特征获得所述待识别信号疑似的各个调制方式以及每一调制方式的概率。
本申请的一个实施例中,所述装置还包括模型训练模块,包括:
样本信号获得单元,用于获得多个样本信号,并对各个样本信号的样本调制方式进行标注;
输出结果获得单元,用于将标注后的各个样本信号输入所述调制方式识别模型的初始模型,得到输出结果;
损失计算单元,用于利用预设的损失函数计算各个输出结果与标注的样本调制方式之间的损失值;
参数调整单元,用于基于所述损失值对所述初始模型进行参数调整,将所述初始模型更新为参数调整后的模型,触发输出结果获得单元,直至满足预设的训练结束条件。
本申请的一个实施例中,所述样本信号获得单元,具体用于:
获得多个样本信号,对各个样本信号进行模拟传输处理,得到处理后的样本信号,并对各个样本信号的样本调制方式进行标注其中,所述模拟传输处理包括以下处理方式中的至少一种:噪声添加处理、信号衰落处理、频率偏移处理。
应用上述实施例提供的方案识别信号调制方式时,首先获得待识别信号,提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征,针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,基于目标特征确定待识别信号的调制方式。一方面,在识别信号调制方式时,通过待识别信号的特征确定信号的调制方式,不受人工主观因素影响,可以识别得到的信号调制方式的准确度。另一方面,参考其他的全局特征对该全局特征进行更新,所得到的更新后的特征更能体现待识别信号各个全局特征之间的关联性,随后再根据各个更新后全局特征之间的关联性,对各个更新后全局特征进行融合,这样得到的目标特征准确度更高,进而根据目标特征确定的待识别信号的调制方式的准确度更高。由此可见,应用上述实施例提供的方案,可以提高识别得到的信号调制方式的准确度。
本申请实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现信号调制方式识别方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一信号调制方式识别方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一信号调制方式识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
应用上述实施例提供的方案识别信号调制方式时,首先获得待识别信号,提取待识别信号的局部特征,并基于所得到的局部特征提取待识别信号的全局特征,针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,基于目标特征确定待识别信号的调制方式。一方面,在识别信号调制方式时,通过待识别信号的特征确定信号的调制方式,不受人工主观因素影响,可以识别得到的信号调制方式的准确度。另一方面,参考其他的全局特征对该全局特征进行更新,所得到的更新后的特征更能体现待识别信号各个全局特征之间的关联性,随后再根据各个更新后全局特征之间的关联性,对各个更新后全局特征进行融合,这样得到的目标特征准确度更高,进而根据目标特征确定的待识别信号的调制方式的准确度更高。由此可见,应用上述实施例提供的方案,可以提高识别得到的信号调制方式的准确度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种信号调制方式识别方法,其特征在于,所述方法包括:
获得待识别信号;
提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;
针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;
按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;
基于所述目标特征确定所述待识别信号的调制方式。
2.根据权利要求1所述的方法,其特征在于,所述按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,包括:
针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征,计算每一升维后的全局特征与其他升维后全局特征的关联信息;
基于每一升维后全局特征对应的关联信息,计算各个全局特征的关联权重;
按照各个全局特征的关联权重对各个更新后的全局特征进行加权求和,得到目标特征。
3.根据权利要求2所述的方法,其特征在于,所述针对每一更新后的全局特征,基于预设的权重系数对该更新后的全局特征进行升维,得到升维后的全局特征;计算每一升维后的全局特征与其他升维后全局特征的关联信息,包括:
利用以下公式计算每一个更新后全局特征对应的关联信息:
ut=tanh(W*ht)
其中,所述ut表示第t个更新后全局特征对应的关联信息,所述ht表示第t个更新后的全局特征,所述W表示预设的权重系数,tanh为激活函数。
5.根据权利要求1所述的方法,其特征在于,所述提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;基于所述目标特征确定所述待识别信号的调制方式,包括:
将所述待识别信号输入预先训练完成的调制方式识别模型,得到所述待识别信号疑似的各个调制方式以及每一调制方式的概率,确定概率最大的调制方式为所述待识别信号的调制方式;
其中,所述调制方式识别模型为:以样本信号为输入、样本信号的样本调制方式为标注、对所述调制方式识别模型的初始模型进行训练得到的模型,所述初始模型的结构包括特征提取层、目标特征获得层和结果输出层;
所述特征提取层用于:提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征,将所述全局特征输入所述目标特征获得层;所述目标特征获得层用于:针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征,按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征,将所述目标特征输入所述结果输出层;所述结果输出层用于:基于所述目标特征获得所述待识别信号疑似的各个调制方式以及每一调制方式的概率。
6.根据权利要求5所述的方法,其特征在于,通过以下方式训练得到所述调制方式识别模型:
获得多个样本信号,并对各个样本信号的样本调制方式进行标注;
将标注后的各个样本信号输入所述调制方式识别模型的初始模型,得到输出结果;
利用预设的损失函数计算各个输出结果与标注的样本调制方式之间的损失值;
基于所述损失值对所述初始模型进行参数调整,将所述初始模型更新为参数调整后的模型,返回所述将标注后的各个样本信号输入所述调制方式识别模型的初始模型,得到输出结果的步骤,直至满足预设的训练结束条件。
7.根据权利要求6所述的方法,其特征在于,所述获得多个样本信号,包括:
获得多个样本信号,对各个样本信号进行模拟传输处理,得到处理后的样本信号,其中,所述模拟传输处理包括以下处理方式中的至少一种:噪声添加处理、信号衰落处理、频率偏移处理。
8.一种信号调制方式识别装置,其特征在于,所述装置包括:信号获得模块、特征融合模块和调制方式确定模块;其中,
所述信号获得模块,用于获得待识别信号;
所述特征融合模块,包括:特征提取子模块、特征更新子模块和特征融合子模块;
所述特征提取子模块,用于提取所述待识别信号的局部特征,并基于所得到的局部特征提取所述待识别信号的全局特征;
所述特征更新子模块,用于针对每一全局特征,参考其他的全局特征对该全局特征进行更新,获得更新后的该全局特征;
所述特征融合子模块,用于按照更新后的各个全局特征之间的关联性,对各个更新后的全局特征进行融合,得到目标特征;
所述调制方式确定模块,用于基于所述目标特征确定所述待识别信号的调制方式。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291165.4A CN111510408B (zh) | 2020-04-14 | 2020-04-14 | 信号调制方式识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291165.4A CN111510408B (zh) | 2020-04-14 | 2020-04-14 | 信号调制方式识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111510408A true CN111510408A (zh) | 2020-08-07 |
CN111510408B CN111510408B (zh) | 2021-05-07 |
Family
ID=71874261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291165.4A Active CN111510408B (zh) | 2020-04-14 | 2020-04-14 | 信号调制方式识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111510408B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别系统及调制识别方法 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN113486724A (zh) * | 2021-06-10 | 2021-10-08 | 重庆邮电大学 | 基于cnn-lstm多支流结构和多种信号表示的调制识别模型 |
CN113869227A (zh) * | 2021-09-29 | 2021-12-31 | 西南交通大学 | 一种信号调制方式识别方法、装置、设备及可读存储介质 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103748820A (zh) * | 2013-09-05 | 2014-04-23 | 华为技术有限公司 | 上报信道状态信息、确定调制编码方式的方法及装置 |
CN104022837A (zh) * | 2014-05-28 | 2014-09-03 | 广州海格通信集团股份有限公司 | 一种基于特征提取的通信信号调制方式进行识别的方法 |
WO2015058385A1 (zh) * | 2013-10-24 | 2015-04-30 | 华为技术有限公司 | 一种识别正交调制信号的调制格式的方法及装置 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
CN106452673A (zh) * | 2016-09-30 | 2017-02-22 | 中国人民解放军信息工程大学 | 多传感器接收中基于特征向量的最大似然调制识别方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN110166388A (zh) * | 2019-05-25 | 2019-08-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Cnn联合l1正则化的智能通信信号调制模式识别方法 |
-
2020
- 2020-04-14 CN CN202010291165.4A patent/CN111510408B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783777A (zh) * | 2009-03-31 | 2010-07-21 | 西安电子科技大学 | 数字调制信号识别方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103748820A (zh) * | 2013-09-05 | 2014-04-23 | 华为技术有限公司 | 上报信道状态信息、确定调制编码方式的方法及装置 |
WO2015058385A1 (zh) * | 2013-10-24 | 2015-04-30 | 华为技术有限公司 | 一种识别正交调制信号的调制格式的方法及装置 |
CN104022837A (zh) * | 2014-05-28 | 2014-09-03 | 广州海格通信集团股份有限公司 | 一种基于特征提取的通信信号调制方式进行识别的方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
CN106452673A (zh) * | 2016-09-30 | 2017-02-22 | 中国人民解放军信息工程大学 | 多传感器接收中基于特征向量的最大似然调制识别方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN110166388A (zh) * | 2019-05-25 | 2019-08-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Cnn联合l1正则化的智能通信信号调制模式识别方法 |
Non-Patent Citations (5)
Title |
---|
KEZHONG ZHANG等: "A Novel Automatic Modulation Classifiation Method Based on Dictionary Learning", 《IEEE》 * |
SAI HUANG: "Automatic Modulation Classification of Overlapped Sources Using Multi-Gene Genetic Programming With Structural Risk Minimization Principle", 《IEEE》 * |
SAI HUANG等: "Automatic Modulation Classification Using Compressive Convolutional Neural Network", 《IEEE》 * |
杨发权: "无线通信信号调制识别关键技术与理论研究", 《中国博士学位论文全文数据库 信息科技辑(月刊)》 * |
黄赛: "复杂电磁环境下高性能频谱感知与分析方法研究", 《中国博士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别系统及调制识别方法 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN113486724A (zh) * | 2021-06-10 | 2021-10-08 | 重庆邮电大学 | 基于cnn-lstm多支流结构和多种信号表示的调制识别模型 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN113869227A (zh) * | 2021-09-29 | 2021-12-31 | 西南交通大学 | 一种信号调制方式识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111510408B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111510408B (zh) | 信号调制方式识别方法、装置、电子设备及存储介质 | |
CN110798417B (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN111614398B (zh) | 基于异或神经网络的调制格式及信噪比识别方法及装置 | |
CN110569752A (zh) | 基于卷积神经网络的雷达信号类别确定方法 | |
CN110969066A (zh) | 直播视频的识别方法、装置及电子设备 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN114175800A (zh) | 使用无线通信生成环境信息 | |
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 | |
CN114818785A (zh) | 基于多模型融合的信号调制方式识别方法 | |
CN115580564B (zh) | 一种物联网通信网关动态调用装置 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN111798966A (zh) | 一种基于人工智能辅助识别数字病理切片的扫描方法 | |
CN113869227B (zh) | 一种信号调制方式识别方法、装置、设备及可读存储介质 | |
Popoola | Automatic recognition of both inter and intra classes of digital modulated signals using artificial neural network | |
CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
Abd et al. | Intelligent Digital Signal Modulation Recognition using Machine Learning | |
CN114611673A (zh) | 神经网络压缩方法、装置、设备及可读存储介质 | |
Rahman et al. | Ensemble classifier based modulation recognition for beyond 5G massive MIMO (mMIMO) communication | |
CN110766165A (zh) | 用于恶意url检测的在线主动机器学习方法 | |
Daldal et al. | A New Generation Communication System Based on Deep Learning Methods for the Process of Modulation and Demodulation from the Modulated Images | |
CN112884122B (zh) | 一种基于神经元激活的信号调制类型识别模型可解释方法及装置 | |
CN115630289B (zh) | 一种基于证据理论的目标识别方法及装置 | |
CN113300788A (zh) | 一种基于CapsNet胶囊网络的盲接收机方法及装置 |
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 |