CN111652183A - 基于图传信号多特征融合的无人机检测与识别方法 - Google Patents

基于图传信号多特征融合的无人机检测与识别方法 Download PDF

Info

Publication number
CN111652183A
CN111652183A CN202010565503.9A CN202010565503A CN111652183A CN 111652183 A CN111652183 A CN 111652183A CN 202010565503 A CN202010565503 A CN 202010565503A CN 111652183 A CN111652183 A CN 111652183A
Authority
CN
China
Prior art keywords
signal
aerial vehicle
unmanned aerial
points
feature
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
Application number
CN202010565503.9A
Other languages
English (en)
Other versions
CN111652183B (zh
Inventor
谢跃雷
蒋平
刘信
易国顺
许强
肖潇
邓涵方
蒋俊正
廖可非
欧阳缮
廖桂生
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010565503.9A priority Critical patent/CN111652183B/zh
Publication of CN111652183A publication Critical patent/CN111652183A/zh
Application granted granted Critical
Publication of CN111652183B publication Critical patent/CN111652183B/zh
Expired - Fee Related 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了基于图传信号多特征融合的无人机检测与识别方法，其特征在于，包括如下步骤：1）信号采集；2）分段信号FFT处理；3）分段频谱重建；4）信号累积；5）阈值建立；6）循环判断；7）疑似OFDM信号判断；8）滑动移位循环自相关算法；9）建立特征库10）信号识别。这种方法能够在低信噪比下对无人机进行识别，具有较高的识别率，易于实际工程。

Description

基于图传信号多特征融合的无人机检测与识别方法
技术领域
本发明涉及无线电信号处理及无人机信号检测及识别领域，具体是基于图传信号多特征融合的无人机检测与识别方法。
背景技术
飞行高度低、速度慢的小型民用无人机的出现，本给我们生活及工作增添了乐趣与方便，但是违规的操作，无论有意或无意都给社会安全造成严重的影响。为此不少科研人员提出多种方法对无人机进行探测及识别。其中，通过无线电频谱探测是一种有效的方式，但是通过无人机图像传感器所散发的信号对无人机进行探测及识别，在特定情况下，相对于飞控探测更有优势。
发明内容
本发明的目的是针对现有技术的不足，而提供基于图传信号多特征融合的无人机检测与识别方法。这种方法能够在低信噪比下对无人机进行识别，具有较高的识别率，易于实际工程。
实现本发明目的的技术方案是：
基于图传信号多特征融合的无人机检测与识别方法，包括如下步骤：
1)信号采集：采用FPGA控制AD9361对无人机常用频段进行信号采集，采集数据一次性采集800万点；
2)分段信号FFT处理：对步骤1)采集的实测信号如公式(1-1)所示进行分段FFT处理，共7812段：
Figure BDA0002547699440000011
其中：
Figure BDA0002547699440000021
N＝8×10^6；
3)分段频谱重建：对步骤2)分段FFT处理后的信号如公式(1-2)所示进行频谱重建：
Figure BDA0002547699440000022
4)信号累积：对步骤3)分段后的每一段信号的每一频率点如公式(1-3)所示进行一对一累积求和，共累积求和7812次：
Figure BDA0002547699440000023
Figure BDA0002547699440000024
其中Sum_fft(i)为累积和；
5)阈值建立：对实测无人机图传信号反复100次测试验证，得到无人机图传信号的判断阈值，将无人机图传信号判断阈值的均值设置为最佳值，无人机图传信号判断阈值为步骤7)使用；
6)循环判断：该步骤主要是用于确定该信道是否有信号，因为无信号时刻，只存在噪声，无需执行下一步信号处理，噪声阈值根据对周围噪声如公式(1-4)所示进行多次实际采集统计来设定：
Sum_fft(n)＞noise_thersold,n＝0,1,2…1023；
(1-4)，
其中noise_thersold为所设定阈值；
7)疑似OFDM信号判断：信号band_cnt用于连续带宽点数计数，统计步骤4)所形成的信号累积频谱图中连续大于阈值点数和，当连续点数和满足大于5M带宽小于20M带宽，则可认定存在疑似OFDM信号，此外，连续统计点数在信号质量下降情况下出现漏点，因此需设置漏点检测，当连续出现漏点数小于阈值，则将漏点数补齐，认定为连续信号，否则丢弃，从而提高信号识别率，其中：
Figure BDA0002547699440000031
Figure BDA0002547699440000032
公式(1-5)中，band_cnt为带宽点数，del_cnt为漏点数；
8)滑动移位循环自相关算法：当步骤7)检测出疑似无人机图传信号,执行该步骤，其中，无人机图传信号属于OFDM信号，而OFDM信号由循环前缀、有用信号长度等组成,根据循环自相关函数，进行离散化处理可得下式：
Figure BDA0002547699440000033
当α为0时刻，公式(1-6)中τ等于OFDM有用信号长度时，会出现峰值,因此根据每一个无人机的图传信号可能具有不同有用信号持续时间长度，将有用信号持续时间长度作为特征值进行更进一步的信号识别；
9)建立特征库：提前对已知的无人机图传信号、WiFi信号按步骤8)的方式对有用信号持续时间长度进行特征提取，并建立信号特征库；
10)信号识别:对实测信号进行特征求取，并将该特征与特征库进行对比，特征对比判决准则如下：对以步骤8-步骤9持续十次检验，若连续相邻三次特征与无人机某一型号的信号特征库相同，可认定为该型号无人机，如连续相邻三段特征相同但不与无人机信号特征库相同，且不与WiFi信号特征库相同，可认定为未知疑似无人机,从而最终完成无人机的检测及识别,该准则基于实际验证所得，可防止信号偶然性。
本技术方案采用多种信号特征进行融合，优点是在于通过被动探测即无源方式进行信号侦测，并且通过对无人机机身图传传感器所发射信号进行研究，从而完成对无人机的检测及识别。
这种方法能够在低信噪比下对无人机进行识别，具有较高的识别率，易于实际工程。
附图说明
图1为实施例的方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明得限定。
实施例：
参照图1，基于图传信号多特征融合的无人机检测与识别方法，包括如下步骤：
1)信号采集：采用FPGA控制AD9361对无人机常用频段进行信号采集，采集数据一次性采集800万点；
2)分段信号FFT处理：对步骤1)采集的实测信号如公式(1-1)所示进行分段FFT处理，共7812段：
Figure BDA0002547699440000041
其中：
Figure BDA0002547699440000042
N＝8×10^6；
3)分段频谱重建：对步骤2)分段FFT处理后的信号如公式(1-2)所示进行频谱重建：
Figure BDA0002547699440000043
Figure BDA0002547699440000051
4)信号累积：对步骤3)分段后的每一段信号的每一频率点如公式(1-3)所示进行一对一累积求和，共累积求和7812次：
Figure BDA0002547699440000052
Figure BDA0002547699440000053
其中Sum_fft(i)为累积和；
5)阈值建立：对实测无人机图传信号反复100次测试验证，得到无人机图传信号的判断阈值，将无人机图传信号判断阈值的均值设置为最佳值，无人机图传信号判断阈值为步骤7)使用；
6)循环判断：该步骤主要是用于确定该信道是否有信号，因为无信号时刻，只存在噪声，无需执行下一步信号处理，噪声阈值根据对周围噪声如公式(1-4)所示进行多次实际采集统计来设定：
Sum_fft(n)＞noise_thersold,n＝0,1,2…1023；
(1-4)，
其中noise_thersold为所设定阈值；
7)疑似OFDM信号判断：信号band_cnt用于连续带宽点数计数，统计频谱图中连续大于阈值点数和，当连续点数和满足大于5M带宽小于20M带宽，则可认定存在疑似OFDM信号，此外，连续统计点数在信号质量下降情况下出现漏点，因此需设置漏点检测，当连续出现漏点数小于阈值，则将漏点数补齐，认定为连续信号，否则丢弃，从而提高信号识别率，其中：
Figure BDA0002547699440000054
Figure BDA0002547699440000061
公式(1-5)中，band_cnt为带宽点数，del_cnt为漏点数；
8)滑动移位循环自相关算法：步骤7)虽然可以检测出疑似无人机图传信号，但因WiFi等信号同样有以上所述特征，所以需另一种算法对疑似无人机图传信号进行精准识别,其中，无人机图传信号属于OFDM信号，而OFDM信号由循环前缀、有用信号长度等组成,根据循环自相关函数，进行离散化处理可得下式：
Figure BDA0002547699440000062
当α为0时刻，公式(1-6)中τ等于OFDM有用信号长度时，会出现峰值,因此根据每一个无人机的图传信号可能具有不同有用信号持续时间长度，将有用信号持续时间长度作为特征值进行更进一步的信号识别；
9)建立特征库：提前对已知的无人机图传信号、WiFi信号按步骤8)的方式对有用信号持续时间长度进行特征提取，并建立信号特征库；；
10)信号识别:对实测信号进行特征求取，并将该特征与特征库进行对比，特征对比判决准则如下：对以步骤8-步骤9持续十次检验，若连续相邻三次特征与无人机某一型号的信号特征库相同，可认定为该型号无人机，如连续相邻三段特征相同但不与无人机信号特征库相同，且不与WiFi信号特征库相同，可认定为未知疑似无人机。

Claims (1)

1.基于图传信号多特征融合的无人机检测与识别方法，其特征在于，包括如下步骤：
1)信号采集：采用FPGA控制AD9361对无人机常用频段进行信号采集，采集数据一次性采集800万点；
2)分段信号FFT处理：对步骤1)采集的实测信号如公式(1-1)所示进行分段FFT处理，共7812段：
Figure FDA0002547699430000011
Figure FDA0002547699430000012
Figure FDA0002547699430000013
Figure FDA0002547699430000014
其中：
Figure FDA0002547699430000015
3)分段频谱重建：对步骤2)分段FFT处理后的信号如公式(1-2)所示进行频谱重建：
Figure FDA0002547699430000016
Figure FDA0002547699430000017
……
Figure FDA0002547699430000018
4)信号累积：对步骤3)分段后的每一段信号的每一频率点如公式(1-3)所示进行一对一累积求和，共累积求和7812次：
Figure FDA0002547699430000019
Figure FDA00025476994300000110
Figure FDA0002547699430000021
……
Figure FDA0002547699430000022
Figure FDA0002547699430000023
其中Sum_fft(i)为累积和；
5)阈值建立：对实测无人机图传信号反复100次测试验证，得到无人机图传信号的判断阈值，将无人机图传信号判断阈值的均值设置为最佳值；
6)循环判断：噪声阈值根据对周围噪声如公式(1-4)所示进行多次实际采集统计来设定，当信号未大于噪声阈值，不执行后续步骤：
Sum_fft(n)＞noise_thersold,n＝0,1,2…1023；
(1-4)，
其中noise_thersold为所设定阈值；
7)疑似OFDM信号判断：信号band_cnt用于连续带宽点数计数，统计步骤4)所形成的信号累积频谱图中连续大于阈值点数和，当连续点数和满足大于5M带宽小于20M带宽，则可认定存在疑似OFDM信号，此外，设置漏点检测，当连续出现漏点数小于阈值，则将漏点数补齐，认定为连续信号，否则丢弃，其中：
Figure FDA0002547699430000024
Figure FDA0002547699430000025
公式(1-5)中，band_cnt为带宽点数，del_cnt为漏点数；
8)滑动移位循环自相关算法：无人机图传信号属于OFDM信号，而OFDM信号由循环前缀、有用信号长度等组成,根据循环自相关函数，进行离散化处理可得下式：
Figure FDA0002547699430000026
当α为0时刻，公式(1-6)中τ等于OFDM有用信号长度时，会出现峰值,因此根据每一个无人机的图传信号可能具有不同有用信号持续时间长度，将有用信号持续时间长度作为特征值进行更进一步的信号识别；
9)建立特征库：提前对已知的无人机图传信号、WiFi信号按步骤8)的方式对有用信号持续时间长度进行特征提取，并建立信号特征库；
10)信号识别：对实测信号进行特征求取，并将该特征与特征库进行对比，特征对比判决准则如下：对以步骤8-步骤9持续十次检验，若连续相邻三次特征与无人机某一型号的信号特征库相同，可认定为该型号无人机，如连续相邻三段特征相同但不与无人机信号特征库相同，且不与Wifi信号特征库相同，可认定为未知疑似无人机。
CN202010565503.9A 2020-06-19 2020-06-19 基于图传信号多特征融合的无人机检测与识别方法 Expired - Fee Related CN111652183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010565503.9A CN111652183B (zh) 2020-06-19 2020-06-19 基于图传信号多特征融合的无人机检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010565503.9A CN111652183B (zh) 2020-06-19 2020-06-19 基于图传信号多特征融合的无人机检测与识别方法

Publications (2)

Publication Number Publication Date
CN111652183A true CN111652183A (zh) 2020-09-11
CN111652183B CN111652183B (zh) 2022-03-29

Family

ID=72350140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010565503.9A Expired - Fee Related CN111652183B (zh) 2020-06-19 2020-06-19 基于图传信号多特征融合的无人机检测与识别方法

Country Status (1)

Country Link
CN (1) CN111652183B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598934A (zh) * 2020-12-25 2021-04-02 桂林电子科技大学 基于北斗定位及无线组网的无人机侦测系统及侦测方法
CN113066249A (zh) * 2021-03-17 2021-07-02 成都华日通讯技术股份有限公司 基于无线电特征信息提取的无人机监测系统
CN113300986A (zh) * 2021-04-17 2021-08-24 湖南红船科技有限公司 无人机图传信号与热点信号识别方法、介质、计算机设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105120230A (zh) * 2015-09-15 2015-12-02 成都时代星光科技有限公司 无人机图像监控和传输系统
CN105180902A (zh) * 2015-03-10 2015-12-23 无锡桑尼安科技有限公司 用于城市道路识别的无人机检测设备
US20160363929A1 (en) * 2015-06-10 2016-12-15 Kespry, Inc Aerial vehicle data communication system
US20170032175A1 (en) * 2015-07-31 2017-02-02 Hon Hai Precision Industry Co., Ltd. Unmanned aerial vehicle detection method and unmanned aerial vehicle using same
CN107094245A (zh) * 2017-06-05 2017-08-25 北京天承遥感科技有限公司 一种人工智能无人机城市管理目标识别与报警推送系统
US20170278410A1 (en) * 2016-03-28 2017-09-28 Cisco Technology, Inc. Multi-modal UAV Certification
CN107515391A (zh) * 2017-10-12 2017-12-26 深圳市吉赫兹电子有限公司 全频段无人机信号精确识别、侧向与定位系统和方法
CN107543540A (zh) * 2016-06-27 2018-01-05 杭州海康机器人技术有限公司 一种飞行设备的数据融合和飞行模式切换方法及装置
CN108055094A (zh) * 2017-12-26 2018-05-18 成都爱科特科技发展有限公司 一种无人机操作手频谱特征识别与定位方法
CN108197581A (zh) * 2018-01-10 2018-06-22 厦门大学 一种基于改进AC-WGANs的无人机信号识别检测算法
CN108280395A (zh) * 2017-12-22 2018-07-13 中国电子科技集团公司第三十研究所 一种对低小慢无人机飞控信号的高效识别方法
CN108344982A (zh) * 2018-02-07 2018-07-31 成都电科智达科技有限公司 基于长时间相参积累的小型无人机目标雷达检测方法
CN108737318A (zh) * 2018-07-19 2018-11-02 中国人民解放军战略支援部队信息工程大学 基于信号结构特性的ofdm信号识别方法及系统
CN109067478A (zh) * 2018-08-10 2018-12-21 北京历正科技有限责任公司 一种无人机检测方法、装置及设备
CN109446896A (zh) * 2018-09-19 2019-03-08 青岛国数信息科技有限公司 基于图像处理的无人机信号识别检测算法
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法
CN110764152A (zh) * 2019-10-30 2020-02-07 桂林电子科技大学 一种无人机快速检测与识别的装置及方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105180902A (zh) * 2015-03-10 2015-12-23 无锡桑尼安科技有限公司 用于城市道路识别的无人机检测设备
US20160363929A1 (en) * 2015-06-10 2016-12-15 Kespry, Inc Aerial vehicle data communication system
US20170032175A1 (en) * 2015-07-31 2017-02-02 Hon Hai Precision Industry Co., Ltd. Unmanned aerial vehicle detection method and unmanned aerial vehicle using same
CN105120230A (zh) * 2015-09-15 2015-12-02 成都时代星光科技有限公司 无人机图像监控和传输系统
US20170278410A1 (en) * 2016-03-28 2017-09-28 Cisco Technology, Inc. Multi-modal UAV Certification
CN107543540A (zh) * 2016-06-27 2018-01-05 杭州海康机器人技术有限公司 一种飞行设备的数据融合和飞行模式切换方法及装置
CN107094245A (zh) * 2017-06-05 2017-08-25 北京天承遥感科技有限公司 一种人工智能无人机城市管理目标识别与报警推送系统
CN107515391A (zh) * 2017-10-12 2017-12-26 深圳市吉赫兹电子有限公司 全频段无人机信号精确识别、侧向与定位系统和方法
CN108280395A (zh) * 2017-12-22 2018-07-13 中国电子科技集团公司第三十研究所 一种对低小慢无人机飞控信号的高效识别方法
CN108055094A (zh) * 2017-12-26 2018-05-18 成都爱科特科技发展有限公司 一种无人机操作手频谱特征识别与定位方法
CN108197581A (zh) * 2018-01-10 2018-06-22 厦门大学 一种基于改进AC-WGANs的无人机信号识别检测算法
CN108344982A (zh) * 2018-02-07 2018-07-31 成都电科智达科技有限公司 基于长时间相参积累的小型无人机目标雷达检测方法
CN108737318A (zh) * 2018-07-19 2018-11-02 中国人民解放军战略支援部队信息工程大学 基于信号结构特性的ofdm信号识别方法及系统
CN109067478A (zh) * 2018-08-10 2018-12-21 北京历正科技有限责任公司 一种无人机检测方法、装置及设备
CN109446896A (zh) * 2018-09-19 2019-03-08 青岛国数信息科技有限公司 基于图像处理的无人机信号识别检测算法
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法
CN110764152A (zh) * 2019-10-30 2020-02-07 桂林电子科技大学 一种无人机快速检测与识别的装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王军 等: ""基于电场法和图像识别的绝缘子无人机检测技术"", 《电子世界》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598934A (zh) * 2020-12-25 2021-04-02 桂林电子科技大学 基于北斗定位及无线组网的无人机侦测系统及侦测方法
CN112598934B (zh) * 2020-12-25 2022-02-18 桂林电子科技大学 基于北斗定位及无线组网的无人机侦测系统及侦测方法
CN113066249A (zh) * 2021-03-17 2021-07-02 成都华日通讯技术股份有限公司 基于无线电特征信息提取的无人机监测系统
CN113300986A (zh) * 2021-04-17 2021-08-24 湖南红船科技有限公司 无人机图传信号与热点信号识别方法、介质、计算机设备

Also Published As

Publication number Publication date
CN111652183B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111652183B (zh) 基于图传信号多特征融合的无人机检测与识别方法
US9989439B2 (en) Method and data processing device for severity assessment of bearing defects using vibration energy
CN102263601B (zh) 一种宽带多信号检测方法
CN103220055B (zh) 无线发射机信号的多重分形梯度特征指纹识别方法
CN110927682B (zh) 一种宽带通道干扰分类识别方法
CN110749878B (zh) 一种基于数字信道化的脉内频率编码信号参数测量方法
CN104502905A (zh) 基于多通道顺序统计的距离扩展目标检测方法
EP2599316A1 (en) Statistical word boundary detection in serialized data streams
CN109347579A (zh) 一种在无线信道衰落不确定条件下的弱信号检测方法
Ali et al. Improvements on transient signal detection for RF fingerprinting
CN110764152B (zh) 一种无人机快速检测与识别的装置及方法
US9696717B2 (en) Apparatus and method of segmenting sensor data output from a semiconductor manufacturing facility
CN103905129B (zh) 基于谱型分析的信号检测及信号信息判读方法
CN202794329U (zh) 一种基于欠采样的射电天文宽带辐射计系统
CN112929141B (zh) 一种基于图传信号匹配的无人机检测识别方法和系统
CN109444660B (zh) 一种输电线路故障与干扰的辨识方法
CN104734793A (zh) 基于p次方的无线协作频谱感知的能量检测方法
CN113824518B (zh) 基于频谱的非合作信号检测方法
CN114584227B (zh) 自动化突发信号检测方法
CN110290946A (zh) 用于配对安装在机动车辆车轮中的测量模块的方法和装置
CN111211866B (zh) 基于ads-b的新型功率一致性验证方法
Kishore et al. Waveform and energy based dual stage sensing technique for cognitive radio using RTL-SDR
KR101202698B1 (ko) 신호의 주파수 산출방법과 이를 이용한 루프검지기 점검장치
US20140314165A1 (en) Method for identifying ofdm communication signal using ofdm symbol estimation
CN103731180B (zh) 基于主值区间分析的窄带干扰检测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220329

CF01 Termination of patent right due to non-payment of annual fee