CN111585925A - 一种基于深度学习的稳健实时射频信号调制识别方法 - Google Patents
一种基于深度学习的稳健实时射频信号调制识别方法 Download PDFInfo
- Publication number
- CN111585925A CN111585925A CN202010308607.1A CN202010308607A CN111585925A CN 111585925 A CN111585925 A CN 111585925A CN 202010308607 A CN202010308607 A CN 202010308607A CN 111585925 A CN111585925 A CN 111585925A
- Authority
- CN
- China
- Prior art keywords
- training
- identification
- interference
- network
- 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
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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
Abstract
本发明提供了一种基于深度学习的稳健实时射频信号调制识别方法,将无干扰数据集和有干扰数据集划分为训练集、验证集和测试集,在识别模块建立识别神经网络,并进行训练,将存储的信号输入训练好的识别模块的神经网络输入端进行识别,从而得到识别结果,并不断重新训练网络修正神经网络。本发明可提取到信号的深层特征,有较高的识别率,加速模型更优收敛,增加新的调制方式集,可较快收敛,使得模型适应场景更加灵活,可以方便的实现调制信号的生成与识别,具有多频段、多功能通信能力和很强的灵活性,可以通过增加软件模块容易地增加新的功能,对真实通信环境的干扰和噪声等影响具有较强的稳健性。
Description
技术领域
本发明涉及射频信号的调制领域,尤其是一种调制识别方法,适用于利用深度学习和认知无线电相结合的方法构建出一套完整的可用于实际信道的实时射频信号调制识别系统,在干扰环境下具有一定的稳健性。
背景技术
通信信号调制识别是信号检测和信号解调之间的重要步骤,它的目的是在没有其他先验知识的情况下,通过对接收信号的处理,判断出信号的调制方式,并估计出相应的调制参数。其主要在两方面得到了应用:一方面是软件无线电系统,保证不同体制通信系统之间实现互通互联;二是电子战系统,为截获信息和选择最佳干扰样式提供依据。
通信信号调制识别的基本任务是在多信号环境和有噪声干扰的条件下确定出接收信号的调制方式和其它信号参数,从而为进一步分析和处理信号提供依据。随着通信技术的发展,无线通信环境日益复杂,通信信号的调制方式越来越多样化。如何有效的监视和识别这些信号,在军事和民用领域都是十分重要的研究课题。
在军事领域,通信信号调制方式的识别是对敌方通信进行干扰或侦听的前提,只有正确识别非合作方信号的调制方式,才有可能进一步估计相关调制参数,建立无线电接收机和干扰机,从而有针对性的制定侦察和反侦察策略。在民用领域,比如信号确认、干扰识别和频谱监测等无线电管理工作,其任务是监视合法的无线电电台是否严格遵守分配给他们的工作参数的限制,同时侦听非法电台的干扰和来源,通信信号调制识别技术是实现这些非合作通信任务的关键技术之一。
发明内容
为了克服现有技术的不足,本发明提供一种基于深度学习的稳健实时射频信号调制识别方法。本发明提供一种基于深度学习的射频信号调制识别方法,包含发送模块、接收模块和识别模块,其中发送模块、接收模块均在软件无线电平台实现,识别模块通过引入深度学习的算法实现端到端的识别,利用卷积神经网络强大的特征提取能力,将人工提取特征的过程交给机器自动完成,并可提取到信号的深层特征。本发明调制识别速度更快,单组数据识别可达0.1ms;准确度更高,在低信噪比下识别准确度可达到90%以上,在传统算法无能为力的负信噪比下,也能有较高的识别率。利用迁移学习方法,加速模型更优收敛,增加新的调制方式集,可较快收敛,使得模型适应场景更加灵活。
本发明解决其技术问题所采用的技术方案是包括以下步骤:
(1)首先,发送模块的软件无线电平台产生不同的调制信号,接收模块的软件无线电平台接收信号,将数据分段存储,形成无干扰数据集;再利用干扰模块的软件无线电平台产生干扰信号,以同样的方式,即由接收模块接收,将数据分段存储,形成有干扰数据集,将无干扰数据集和有干扰数据集混合打乱,以8:1:1的比例划分为训练集、验证集和测试集;
(2)在识别模块建立识别神经网络,将步骤(1)中形成的训练集输入识别神经网络进行训练,训练采用的代价函数为L2正则化的交叉熵函数,训练算法采用自适应矩估计(Adam)优化算法离线训练识别模块的神经网络参数,利用训练集和验证集的损失函数和识别准确率判断网络是否训练完成,当损失函数值最小且准确率最高,并且网络没有过拟合,则此时网络训练完成,将训练好的网络参数固化,利用测试集的数据评估网络的性能;若验证集的损失函数下降而准确率不升反降,则网络出现了过拟合,需要减小训练次数,重新执行步骤(2);如未完成则继续训练或更改超参数重新训练;
(3)进入测试阶段,发送模块的软件无线电平台发送任意调制方式的调制信号,同时接收模块的软件无线电平台对信号进行接收和存储,每存储1000组信号进行识别操作,即将存储的1000组信号输入训练好的识别模块的神经网络输入端进行识别,从而得到1000组识别结果,将1000组识别结果按照调制方式的种类计算频次,频次最高的识别结果传输到上位机进行显示,显示的结果为当前发送模块发射信号的调制方式;每实时处理1000组信号便更新上位机的显示结果;
(4)若需要识别原数据集中没有的新的调制方式,根据新调制方式原理,借助软件无线电平台GNU Radio的框图模块化设计便捷的生成新的调制方式的信号,利用步骤(1)的方式采集并制作数据集,利用迁移学习的思路,即首先增加输出层的个数,然后将步骤(2)已固化的网络参数作为初始参数,重新训练网络,网络训练采用的代价函数为L2正则化的交叉熵函数,训练算法为Adam优化算法离线训练识别模块的新神经网络参数,将新训练得到的网络参数固化,并重复步骤(3)。
本发明的有益效果在于:
(1)在当前复杂的电磁环境中,很难利用传统的方法抓取更多的信号特征,并且当前通信环境调制方式越来越多,难以实现多种信号调制方式的分类。本发明将深度学习应用于信号调制识别领域,利用卷积神经网络强大的特征提取能力,将人工提取特征的过程交给机器自动完成,并可提取到信号的深层特征,搭建了一套端到端的调制识别系统。
(2)传统方法识别的运算量大、识别速度慢、准确度低,不满足当前复杂电磁环境下实时性的要求。本发明提出的调制识别系统速度更快,单组数据识别可达0.1ms;准确度更高,在低信噪比下识别准确度可达到90%以上,在传统算法无能为力的负信噪比下,也能有较高的识别率。
(3)当有新的调制方式加入系统的时候,通常需要寻找更多的信号参数特征将其进行区分,而这种工作量是巨大的,难以使得模型具有灵活性。本发明利用迁移学习方法,加速模型更优收敛,增加新的调制方式集,可较快收敛,使得模型适应场景更加灵活。
(4)通常的接收机只能接收特定频率、特定带宽的信号,很难在一个超宽的频谱上去检测整个频谱的状况,并且接收机通常是难以设计的,很难对大量的调制方式适配,同时软件上增添新的功能也很不容易。本发明利用软件无线电平台可以方便的实现调制信号的生成与识别,具有多频段、多功能通信能力和很强的灵活性,可以通过增加软件模块容易地增加新的功能。
(5)在实际状况中,信道中的干扰、噪声等均对不同调制方式的影响很大,传统的调制方式识别方法难以在真实情况下具有稳健性。本发明基于深度学习的模型是基于数据驱动的,数据本身包含了信道信息,因此对真实通信环境的干扰和噪声等影响具有较强的稳健性。
附图说明
图1为本发明的射频信号调制识别系统框图;
图2为本发明中采集数据的数据变化形式;
图3为本发明识别模块的网络结构;
图4为本发明的某次训练集/验证集的损失曲线/准确曲线;
图5为本发明中测试集的混淆矩阵;
图6为本发明的实时射频信号识别的处理流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的技术方案包括如下步骤:
(1)首先,发送模块的软件无线电平台产生不同的调制信号,接收模块的软件无线电平台接收信号,将数据分段存储,形成无干扰数据集;再利用干扰模块的软件无线电平台产生干扰信号,以同样的方式,即由接收模块接收,将数据分段存储,形成有干扰数据集,将无干扰数据集和有干扰数据集混合打乱,以8:1:1的比例划分为训练集、验证集和测试集;
(2)在识别模块建立识别神经网络,将步骤(1)中形成的训练集输入识别神经网络进行训练,训练采用的代价函数为L2正则化的交叉熵函数,训练算法采用自适应矩估计(Adam)优化算法离线训练识别模块的神经网络参数,利用训练集和验证集的损失函数和识别准确率判断网络是否训练完成,当训练集损失函数的值不再减小或减小不明显、而识别准确率不再上升或上升不明显,且此时的验证集的损失函数同样不再减小或减小不明显,且识别准确率不再上升或上升不明显,即使得损失函数值最小且准确率最高,并且网络没有过拟合,则此时网络训练完成,将训练好的网络参数固化,利用测试集的数据评估网络的性能;若验证集的损失函数下降而准确率不升反降,则网络出现了过拟合,需要减小训练次数,重新执行步骤(2);如未完成则继续训练或更改超参数重新训练;
(3)进入测试阶段,发送模块的软件无线电平台发送任意调制方式的调制信号,同时接收模块的软件无线电平台对信号进行接收和存储,每存储1000组信号进行识别操作,即将存储的1000组信号输入训练好的识别模块的神经网络输入端进行识别,从而得到1000组识别结果,将1000组识别结果按照调制方式的种类计算频次,频次最高的识别结果传输到上位机进行显示,显示的结果为当前发送模块发射信号的调制方式;每实时处理1000组信号便更新上位机的显示结果,由于设置的每组数据很短,采集1000组数据的速度极快,且利用训练完成的神经网络的进行识别仅仅需要做乘加等简单的运算,因此识别速度快,因此可以认为实现了实时的射频信号调制识别;
(4)若需要识别原数据集中没有的新的调制方式,根据新调制方式原理,借助软件无线电平台GNU Radio的框图模块化设计便捷的生成新的调制方式的信号,利用步骤(1)的方式采集并制作数据集,利用迁移学习的思路,即首先增加输出层的个数,然后将步骤(2)已固化的网络参数作为初始参数,重新训练网络,网络训练采用的代价函数为L2正则化的交叉熵函数,训练算法为Adam优化算法离线训练识别模块的新神经网络参数,训练方式可以大大加快训练过程,使模型更快收敛,且不易过拟合;将新训练得到的网络参数固化,并重复步骤(3)。
本发明提出了一种基于深度学习和认知无线电的稳健实时射频信号调制识别方法,其射频信号调制识别的系统框图如图1所示。在实施例中,软件平台为Ubuntu16.04LTS64位、Python版本2.7;硬件环境为Intel(R)Core(TM)i5-4288U CPU@2.60GHZ、显卡为NVIDIA GTX1080Ti、软件无线电平台为HackRF One。具体实施步骤如下:
(1)首先,由发送模块的软件无线电平台根据调制信号原理利用开源软件无线电(GNU Radio)软件平台共生成16种调制方式的调制信号:AM、DSB、SSB、2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、MSK、2PSK、4PSK、8PSK、16QAM、64QAM、256QAM。发送模块将信号均调制到1GHz的中频上,然后分别发送16种调制信号,利用接收模块的软件无线电平台和PC机,中频对准1GHz,然后对信号分别接收并存储,得到无干扰的数据集;在发送模块发送16种调制信号的同时,再利用干扰机分别发射宽带干扰、窄带干扰、脉冲干扰、扫频干扰等干扰信号,干扰信号满足中频1GHz、且覆盖调制信号的带宽与功率,得到有干扰的数据集。将无干扰数据集和有干扰的数据集混合后以8:1:1划分为训练集、验证集和测试集。
(2)将步骤(1)中处理好的训练集的所有N×2的矩阵输入至识别网络(如图3所示)的输入层进行训练;训练采用的代价函数为L2正则化的交叉熵函数,其中利用正则化技术和交叉熵损失函数以防止训练过拟合;训练算法采用深度学习领域最常用的自适应矩估计(Adam)优化算法,该算法可以自适应的更新权值,网络的超参数也可以很直观地解释,并且只需极少量的调参,便可得到较优的结果。图4为某次训练过程中训练集/验证集的损失曲线/准确曲线。训练完成后,即可得到训练好的识别模块神经网络的网络参数。利用测试集对该网络的性能进行评估,得到的测试集混淆矩阵如图5所示,从混淆矩阵中可以看出该网络的训练良好,未过拟合。
(3)为了使得调制识别系统可以实时进行识别达到实用的效果,利用软件无线电平台和GNU Radio结合上位机的系统调度构成实时调制识别系统(如图6所示),具体的实施过程表述如下:上位机系统(此例中即为PC机的Linux操作系统)控制HackRF One的开启与关闭。首先将HackRF One开启进行数据的采集,采集1000组序列长度N=1000的数据,然后将其关闭;关闭HackRF One设备后,系统将采集的数据转码后,将转码后的数据从内存存入Linux的文件系统;将采集的数据送入调制识别系统得到1000组输出,对输出进行统计,将出现频次最大的结果认为是识别出的调制方式,将结果与准确率实时显示在上位机的GUI界面上,然后清空数据文件,打开HackRF One重新进行数据采集,如此循环。由于实际测试得到射频信号调制识别1000组数据的时间为0.0798s,整个系统的时延小于0.1s,因此可以认为该系统是实时识别的。利用该系统在自由空间和干扰环境下进行测试,实测的准确度如表1所示,表1为本发明在自由空间和干扰环境下进行测试的实测结果,可以看出该网络在干扰环境下依然有较强的稳健性。
表1
(4)若还需增加新的调制方式,则利用(1)中的方式制作新调制方式的数据集,增加输出层的个数,然后将步骤(2)已固化的网络参数作为初始参数,重新训练网络,网络训练采用的代价函数为L2正则化的交叉熵函数,训练算法为Adam优化算法离线训练识别模块的新神经网络参数,训练方式可以大大加快训练过程,使模型更快收敛,且不易过拟合。将新训练得到的网络参数固化,并重复步骤(3)。
Claims (1)
1.一种基于深度学习的稳健实时射频信号调制识别方法,其特征在于包括下述步骤:
(1)首先,发送模块的软件无线电平台产生不同的调制信号,接收模块的软件无线电平台接收信号,将数据分段存储,形成无干扰数据集;再利用干扰模块的软件无线电平台产生干扰信号,以同样的方式,即由接收模块接收,将数据分段存储,形成有干扰数据集,将无干扰数据集和有干扰数据集混合打乱,以8:1:1的比例划分为训练集、验证集和测试集;
(2)在识别模块建立识别神经网络,将步骤(1)中形成的训练集输入识别神经网络进行训练,训练采用的代价函数为L2正则化的交叉熵函数,训练算法采用自适应矩估计(Adam)优化算法离线训练识别模块的神经网络参数,利用训练集和验证集的损失函数和识别准确率判断网络是否训练完成,当损失函数值最小且准确率最高,并且网络没有过拟合,则此时网络训练完成,将训练好的网络参数固化,利用测试集的数据评估网络的性能;若验证集的损失函数下降而准确率不升反降,则网络出现了过拟合,需要减小训练次数,重新执行步骤(2);如未完成则继续训练或更改超参数重新训练;
(3)进入测试阶段,发送模块的软件无线电平台发送任意调制方式的调制信号,同时接收模块的软件无线电平台对信号进行接收和存储,每存储1000组信号进行识别操作,即将存储的1000组信号输入训练好的识别模块的神经网络输入端进行识别,从而得到1000组识别结果,将1000组识别结果按照调制方式的种类计算频次,频次最高的识别结果传输到上位机进行显示,显示的结果为当前发送模块发射信号的调制方式;每实时处理1000组信号便更新上位机的显示结果;
(4)若需要识别原数据集中没有的新的调制方式,根据新调制方式原理,借助软件无线电平台GNU Radio的框图模块化设计便捷的生成新的调制方式的信号,利用步骤(1)的方式采集并制作数据集,利用迁移学习的思路,即首先增加输出层的个数,然后将步骤(2)已固化的网络参数作为初始参数,重新训练网络,网络训练采用的代价函数为L2正则化的交叉熵函数,训练算法为Adam优化算法离线训练识别模块的新神经网络参数,将新训练得到的网络参数固化,并重复步骤(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308607.1A CN111585925A (zh) | 2020-04-18 | 2020-04-18 | 一种基于深度学习的稳健实时射频信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308607.1A CN111585925A (zh) | 2020-04-18 | 2020-04-18 | 一种基于深度学习的稳健实时射频信号调制识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111585925A true CN111585925A (zh) | 2020-08-25 |
Family
ID=72126727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010308607.1A Pending CN111585925A (zh) | 2020-04-18 | 2020-04-18 | 一种基于深度学习的稳健实时射频信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585925A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
CN112732591A (zh) * | 2021-01-15 | 2021-04-30 | 杭州中科先进技术研究院有限公司 | 一种缓存深度学习的边缘计算架构 |
CN112865915A (zh) * | 2021-01-05 | 2021-05-28 | 西安电子科技大学 | 用于对抗深度学习的无线电信号伪造方法 |
CN112910811A (zh) * | 2021-02-18 | 2021-06-04 | 北京交通大学 | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 |
CN113114398A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN115001608A (zh) * | 2022-04-11 | 2022-09-02 | 中国人民解放军63892部队 | 一种基于通用软件无线电平台架构的认知干扰系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180079050A (ko) * | 2016-12-30 | 2018-07-10 | 국방과학연구소 | 딥 러닝 기반의 변조 방식 분류 방법 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN109922019A (zh) * | 2019-02-26 | 2019-06-21 | 天津大学 | 基于深度学习的智能通信方法 |
-
2020
- 2020-04-18 CN CN202010308607.1A patent/CN111585925A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180079050A (ko) * | 2016-12-30 | 2018-07-10 | 국방과학연구소 | 딥 러닝 기반의 변조 방식 분류 방법 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN109922019A (zh) * | 2019-02-26 | 2019-06-21 | 天津大学 | 基于深度学习的智能通信方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112115821B (zh) * | 2020-09-04 | 2022-03-11 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
CN112865915A (zh) * | 2021-01-05 | 2021-05-28 | 西安电子科技大学 | 用于对抗深度学习的无线电信号伪造方法 |
CN112865915B (zh) * | 2021-01-05 | 2022-07-12 | 西安电子科技大学 | 用于对抗深度学习的无线电信号伪造方法 |
CN112732591A (zh) * | 2021-01-15 | 2021-04-30 | 杭州中科先进技术研究院有限公司 | 一种缓存深度学习的边缘计算架构 |
CN112910811A (zh) * | 2021-02-18 | 2021-06-04 | 北京交通大学 | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113269023B (zh) * | 2021-03-26 | 2024-04-12 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113114398A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN113114398B (zh) * | 2021-04-14 | 2022-01-28 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN115001608A (zh) * | 2022-04-11 | 2022-09-02 | 中国人民解放军63892部队 | 一种基于通用软件无线电平台架构的认知干扰系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585925A (zh) | 一种基于深度学习的稳健实时射频信号调制识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
Ke et al. | Real-time radio technology and modulation classification via an LSTM auto-encoder | |
CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
Popoola et al. | A novel modulation-sensing method | |
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 | |
Zhang et al. | Automatic modulation classification using a deep multi-stream neural network | |
Zhang et al. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
Jagannath et al. | Multi-task learning approach for automatic modulation and wireless signal classification | |
CN101895494B (zh) | 基于随机共振预处理的数字调制方式自动识别方法 | |
Dakic et al. | LoRa signal demodulation using deep learning, a time-domain approach | |
Smith et al. | A communication channel density estimating generative adversarial network | |
CN111464469A (zh) | 基于神经网络的混合数字调制方式识别方法 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
Gravelle et al. | SDR demonstration of signal classification in real-time using deep learning | |
Dabcevic et al. | Cognitive radio as the facilitator for advanced communications electronic warfare solutions | |
Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
CN115866615B (zh) | 一种基于电磁频谱特征的无线网络通联关系发现方法 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
WO2023121659A1 (en) | Communication device and method for performing communication signal processing | |
Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
Wei et al. | Automatic modulation recognition of digital signal based on auto-encoding network in MIMO System | |
Hu et al. | Signal Classification in Real-time Based on SDR using Convolutional Neural Network | |
He et al. | A learning based cognitive radio receiver | |
Kumar et al. | Hardware implementation of automatic modulation classification with deep learning |
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 |
Application publication date: 20200825 |
|
WD01 | Invention patent application deemed withdrawn after publication |