CN111680666B - 欠采样跳频通信信号深度学习恢复方法 - Google Patents
欠采样跳频通信信号深度学习恢复方法 Download PDFInfo
- Publication number
- CN111680666B CN111680666B CN202010613485.7A CN202010613485A CN111680666B CN 111680666 B CN111680666 B CN 111680666B CN 202010613485 A CN202010613485 A CN 202010613485A CN 111680666 B CN111680666 B CN 111680666B
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- frequency hopping
- encoder
- convolutional neural
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
Abstract
本发明公开了欠采样跳频通信信号深度学习恢复方法,解决了现有技术中信号恢复方法计算复杂度高,计算效率较低,重构精度低的问题。实现步骤为:构建卷积神经网络和变分自编码器网络,引入新的网络结构和参数设置,构建最优的神经网络结构;跳频信号线性测量;数据预处理,用分离复数的实部和虚部的数据预处理方式,得到输入神经网络的数据格式;训练卷积神经网络和变分自编码器网络;跳频信号恢复。本发明构建权值共享,稀疏连接的两个网络,用数据预处理方式,得到输入神经网络的数据格式,通过训练好的最优神经网络结构和参数设置重构原始跳频信号。大幅度提高了信号恢复的准确率,降低了重构的误差和计算复杂度,用于跳频通信系统。
Description
技术领域
本发明属于通信技术领域,特别涉及跳频信号恢复,具体是一种欠采样跳频通信信号深度学习恢复方法,可用于军事领域和民用领域通信。
背景技术
跳频通信是一种常见的扩频通信方式,其工作原理是发送方和接收方在传输信号时载波频率按照一定的规律进行变化的通信方式,其中载波频率受伪随机序列的变化而跳变,具有抗干扰能力强,低截获,易组网等优势。随着无线通信技术的发展,各种新兴的通信方式不断涌现,无线频谱资源日益紧张,跳频通信由于其频带利用率较高成为解决频带拥挤的新方案。当下对跳频信号的分析基本是以传统的奈奎斯特采样定理作为基础的。传统采样定理规定:在对连续模拟信号进行采样时,只有当采样率至少是该信号最高频率的二倍时,该连续模拟信号才能被完全确定。这在处理低带宽信号时自然是没有太大问题的,但是随着近年来跳频信号工作频率的范围不断提高,传统采样定理已不能满足目前跳频信号分析的需要。
首要原因是由于衡量处理前端模-数转换器(Analog-to-Digital Converter,ADC)性能的重要参数——有效位数(Effective Number of Bits,ENOB)的制约,跳频信号多达吉赫兹的高频带已成为对ADC器件的最大挑战。其次,在对信号进行数据处理之前需先将其存入存储器中,但是对采样过程所得到的海量数据进行存储需要大量的时间,限于目前存储器的读写效率以及数字信号处理系统DSP的运算速度,系统在规定时间内的反应能力很难满足通信侦察过程中的实时性要求。
为了解决以上问题,有学者提出将压缩感知理论用于对跳频信号的分析,从根本上解决信号高带宽带来的问题。近年,一种新兴的压缩感知(Compressive Sensing,CS)理论为数据采集技术带来了革命性的突破。在该理论框架中,采样速率不再由信号的带宽决定,而是由信号结构和有效信息决定,因此,只要信号在某一变换域上是稀疏的,就能够以远低于奈奎斯特采样率的速率获取信号有效信息,完成模拟信号数字化,并通过最优化算法重构信号,具有广阔的应用前景。目前压缩感知技术已经应用到了众多研究领域,包括:雷达信号处理、无线传感器网络、图像采集设备及医学信号处理等。在核磁成像中,压缩感知的应用能够显著减少射线照射次数,减小对人体危害。在照相摄像方面,Rice大学研制了单像素相机。在雷达方面,Herman等提出了压缩感知高分辨雷达;Potter等提出了将压缩感知理论应用于雷达成像。压缩感知数据采集理论主要包括:可压缩信号稀疏表示以及可压缩信号观测。其中,信号的稀疏表示是CS理论应用的最基本前提,在确定信号的稀疏域后可对其进行无损压缩。
目前,基于压缩感知的模信号采集架构主要有:随机解调变换器、随机卷积变换器、宽带滤波组变换器以及宽带调制变换器(Modulated Wideband Converter,MWC)等。随机解调变换器以有限离散多音信号为模输入信号模型,通过将模输入信号与随机符号序列相乘,然后进行积分累加和低通采样,获得压缩采集样本,该采集架构实现简单,但在恢复超宽带内连续谱信号时,会面临输入信号模型失配产生极大的重构误差或者输入信号模型精确带来的高维复杂矩阵运算的困境。随机卷积变换器将模输入信号与随机抽头系数的FIR滤波器相卷积,然后通过抽取获得压缩采集样本,该架构解决了RD架构不能实时重构的问题,但未改进RD架构输入信号模型,并且引入高速卷积的实现问题。宽带滤波组变换器采用一组随机码片、一个混频器以及一组正交镜像滤波器,尝试解决宽带调制变换器的多支路硬件开销以及多个码片选择的困难,但是忽略了高品质因子滤波器设计的困难以及商用ADC的有效输入带宽的限制。宽带调制变换器以有限具有平移不变性子空间的并集作为模输入信号模型,通过将输入信号在多个支路上与周期随机符号序列相乘,实现输入信号子空间分解的不同权重因子下变频,从而降低必需的采样速率,然后通过占用子空间检测,可完成非混叠连续谱信号以及任意波形短时脉冲串的实时采集和重构,该变换器是目前研究最广泛模信息转换器。根据跳频信号的稀疏性和压缩感知理论的应用前提,可用宽带调制转换器实现对跳频信号的压缩采样。信号重构是CS理论能够应用于实际工程的基础,其目的是从观测到的压缩信息中重构原始信号以便对其进行后续处理。E.Candes等证明了可通过解最小范数问题完成信号重构,但其是一NP难题(多项式复杂程度的非确定性问题),无法直接求解。
在现有技术中,信号恢复方法是指通过压缩信号重构出原始信号的过程。求解最小范数问题完成信号重构是一NP难题,因此,很多学者提出了一系列解决方法,主要包括:凸优化方法、贪婪方法以及梯度追踪类方法等。凸优化方法包括:基追踪法(BasicPursuit,BP),内点法(Interior Point,IP)及其改进方法等。该类方法能够获得良好的重构效果,但计算复杂,限制了在实际中的应用。贪婪方法包括:匹配追踪算法(MatchingPursuit,OMP)、正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)、分段匹配追踪算法(Stagewise OMP,StOMP)、正则化匹配追踪算法(Regularized OMP,ROMP)等。该类方法计算复杂度及重构精度均低于凸优化方法。梯度追踪类方法包括:梯度追踪算法(GradientPursuit,GP)、共轭梯度追踪算法(Conjugate Gradient Pursuit,CGP)等。该类方法计算复杂度及重构精度均低于贪婪类方法。三种可用于信号恢复方法都有各自的缺点。
目前,现有技术信号恢复方法计算复杂度高,计算效率低,重构精度低,限制了在实际中的应用。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种重构误差低,信号恢复准确率高,计算速度快的基于深度学习的跳频信号恢复方法。
本发明是欠采样跳频通信信号深度学习恢复方法,应用于跳频通信,其特征在于,通过跳频通信接收端的调制宽带转换器的硬件结构,对观测的跳频信号x(t)进行线性测量,得到压缩信号y1[n]~ym[n],将压缩信号和原始信号通过数据预处理得到适合输入到卷积神经网络和变分自编码器的数据格式,将预处理后的压缩信号和原始信号送入到卷积神经网络和变分自编码器中进行训练,随后通过卷积神经网络和变分自编码器来对预处理后的压缩信号进行恢复,得到原始信号,包括有如下步骤:
(1)构建卷积神经网络和变分自编码器网络结构:两种网络结构分别为独立的信号恢复网络结构,实际上是构建了两种信号恢复网络结构,首先构建卷积神经网络结构,该网络结构设置了5层卷积网络,每一层结构相同,每层均包括卷积层、批量正则化层和Relu激活函数,输入信号为数据预处理后的向量输出信号为数据预处理后的向量[c-d]T;其次构建变分自编码器网络结构,该网络结构三层网络,第一层为全连接层,批量正则化层,Relu函数,第二层为隐层z,第三层为Relu函数,批量正则化层,全连接层,输入信号为数据预处理后的向量ATY,输出信号为数据预处理后的向量[c-d]T;
(2)跳频信号线性测量:将观测的跳频信号通过跳频通信接收端的调制宽带转换器进行线性测量得到压缩信号y1[n]~ym[n],其中n是采样点数,m是调制宽带转换器的采样通道数,观测的跳频信号x(t)作为输入信号,t为时间,p1(t)~pm(t)代表伪随机码片,m是调制宽带转换器的采样通道数,输入信号与各个通道的伪随机码片相乘,将观测的跳频信号搬移到基带,然后通过低通滤波器滤除带外干扰,再通过A/D转换器采样后得到线性测量后的压缩信号y1[n]~ym[n];
(3)数据预处理:将线性测量后的压缩信号y1[n]~ym[n]经过快速傅里叶变换得到线性测量向量Y={Y1[n],Y2[n]...,Ym[n]}T,将其拆解为实部a和虚部b,取其实部a即可,将观测矩阵A拆解为实部B和虚部C部分,构成新的观测矩阵每一行第一列是实部,第二列是虚部,将新的观测矩阵的转置和线性测量向量Y的实部a相乘得到卷积神经网络或变分自编码器输入信号/>将跳频信号x(t),经过快速傅里叶变换得到X={X1[n],X2[n]...,Xm[n]},将其拆分为实部c和虚部d,构成[c-d]T向量,实部在第一行,虚部取反排列在第二行,构成的向量为卷积神经网络或变分自编码器输出信号[c-d]T;
(4)训练卷积神经网络和变分自编码器网络:由步骤3得到输入信号和输出信号[c-d]T,通过输入信号和输出信号分别训练两个网络结构,卷积神经网络和变分自编码器,设置网络参数分别训练这两个网络,将训练好的卷积神经网络和变分自编码器分别进行保存;
(5)信号恢复:用保存的两个网络结构,即卷积神经网络和变分自编器,输入经过数据预处理的压缩信号卷积神经网络和变分自编码器均能输出两个网络重构信号对应的频谱值[c-d]T,此时再将频谱值[c-d]T进行变换构成/>将/>进行傅里叶逆变换即可得到重构信号/>完成跳频信号的恢复。
本发明针对传统信号恢复方法存在计算复杂度高,收敛速度慢,计算速度慢等问题,提出了欠采样跳频通信信号深度学习方法,解决了信号恢复过程中计算复杂度高,收敛速度慢,计算速度慢等问题,有效降低了重构误差,提高了信号恢复的准确率。
与现有技术相比本发明具有以下优点:
降低计算复杂度,提高计算效率:本发明引入卷积神经网络和变分自编码器方法后,利用卷积神经网络的卷积核权值共享的特性,有效降低计算量,提高计算速度,卷积神经网络的稀疏连接具有正则化的效果,提高了网络结构的稳定性和泛化能力,避免过度拟合,同时,稀疏连接减少了权重参数的总量,有利于神经网络的快速学习,和在计算时减少内存开销。利用变分自编码器对预处理后的压缩信号进行编码,通过隐层学习其有效信息,提取特征和有效信息,再通过解码层重构原始信号,这两种方法有效降低了计算复杂度,提高了计算效率。
降低重构误差:本发明以卷积神经网络算法和变分自编码器方法来替代传统的正交匹配追踪信号恢复方法,利用卷积神经网络的卷积操作对输入数据进行特征提取、降维,降低了重构信号的误差。利用变分自编码器具有较强的抗噪声性能,减少噪声对输入信号和输出信号之间拟合的影响,通过变分自编码器的有效数据表示从数据中学习到稀疏性特征,建立输入信号和输出信号之间的映射关系,从而从输入信号高精度的重构输出信号,两种方法均提高了信号恢复方法的抗噪声性能,降低了重构误差。
提高信号恢复准确率:本发明通过卷积神经网络算法和变分自编码器方法对输入信号和输出信号进行拟合,卷积神经网络本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。变分自编码器对输入的信号提取有效特征和信息,学习其内在的规律,找到输入信号和输出信号之间的映射关系,有效地提高了信号恢复的准确率。
附图说明
图1是调制宽带转换器结构示意图;
图2为本发明的流程图;
图3为本发明提出的卷积神经网络结构图;
图4为本发明提出的变分自编码器结构图;
图5为卷积过程示意图,其中图5(a)为输入图像对应的元素值,图5(b)为卷积核,
图5(c)为输入图像与卷积核卷积后对应的输出数据;
图6为变分自编码器结构示意图;
图7为本发明在不同信噪比下信号恢复准确率对比曲线图;
图8为本发明在不同采样通道下信号恢复准确率对比曲线图;
图9为本发明在不同样本数量下信号恢复准确率对比曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图结合实施例对本发明详细说明。
实施例1
随着无线通信技术的发展,各种新兴的通信方式不断涌现,无线频谱资源日益紧张,跳频通信由于其频带利用率较高成为解决频带拥挤的新方案,跳频通信具有抗干扰能力强,低截获,易组网,安全性能优越等优点。本发明欠采样跳频通信信号深度学习恢复方法的原理是,根据深度学习能够学习样本数据的内在规律和表示层次,学习输入信号和输出信号之间的映射关系,使重构信号误差更小,达到提高跳频通信性能的目的。
现有技术中,信号恢复算法是指压缩信号重构出原始信号的过程。常用的基本方法是1范数法和贪婪算法,其中1范数算法是通过求解凸最优问题,进而转换为线性规划求解,贪婪算法是一种迭代算法,每次迭代就有一次局部最优解被选定依次逐步逼近原始信号,最终结果是产生次优解。现有技术方法重构精度低,复杂度较高,计算效率低。本发明针对此现状展开了研究与思考,提出欠采样跳频通信信号深度学习恢复方法。
本发明是欠采样跳频通信信号深度学习恢复方法,应用于跳频通信,通过跳频通信接收端的调制宽带转换器的硬件结构,结构参见图1,对观测的跳频信号x(t),即原始信号,进行线性测量,得到压缩信号y1[n]~ym[n],将压缩信号和原始信号通过数据预处理得到输入到卷积神经网络和变分自编码器的数据格式,将预处理后的压缩信号和原始信号x(t)送入到卷积神经网络和变分自编码器中进行训练,随后通过卷积神经网络和变分自编码器来对预处理后的压缩信号/>进行恢复,得到原始信号x(t),参见图2,包括有如下步骤:
(1)构建卷积神经网络和变分自编码器网络结构:两种网络结构分别为独立的信号恢复网络结构,实际上是构建了两种信号恢复网络结构,首先构建卷积神经网络结构,参见图3,该网络结构设置了5层卷积网络,每一层结构相同,每层均包括卷积层、批量正则化层和Relu激活函数,输入信号为数据预处理后的向量输出信号为数据预处理后的向量[c-d]T,输入信号依次通过5层相同的结构,最后得到输出信号。卷积神经网络是一种层次模型,其输入是原始数据,如红绿蓝图像、原始音频数据等。卷积神经网络通过卷积操作、池化操作和非线性激活函数映射等一系列操作的层层堆叠,将高层语义信息逐层由原始数据输入层中抽取出来,逐层抽象,这一过程便是“前馈运算”。其中,不同类型操作在卷积神经网络中一般称作“层”:卷积操作对应“卷积层”,池化操作对应“池化层”等等。最终,卷积神经网络的最后一层将其目标任务(分类、回归等)形式化为损失函数。通过计算预测值与真实值之间的误差或损失,凭借反向传播算法将误差或损失由最后一层逐层向前反馈,更新每层参数,并在更新参数后再次前馈,如此往复,直到网络模型收敛,从而达到模型训练的目的。
本发明还构建变分自编码器网络结构,参见图4,图4所示为该网络结构三层网络,第一层为全连接层,批量正则化层,Relu函数,第二层为隐层z,第三层为Relu函数,批量正则化层,全连接层,输入信号为数据预处理后的向量ATY,输出信号为数据预处理后的向量[c-d]T,输入信号经过全连接层,批量正则化层,Relu激活函数,将其压缩到隐空间z,再通过Relu激活函数,批量正则化层,全连接层,将输入信号经过全连接层压缩到隐向量,得到输入信号的高级表示,再通过全连接层得到输出信号。变分自编码器是一种数据压缩方式,它把一个数据点x有损编码为低维的隐向量z,通过z可以解码重构回x。变分自编码器包含编码器、解码器和损失函数三部分。编码器将数据压缩到隐空间z中。解码器根据隐状态z重建数据。编码器是一个神经网络,它的输入是数据点x,输出是隐向量z,它的参数是θ,编码器表示为qθ(z|x)。解码器也是一个神经网络,它的输入是隐向量z,输出是数据的概率分布,它的参数是φ,解码器表示为pφ(x|z)。变分自编码器结构参见图6。
本发明构建了卷积神经网络和变分自编码器网络两种独立的网络结构,此步骤可以同时构建两个网络或者构建其中一个网络。
(2)跳频信号线性测量:将无线信道中观测的跳频信号通过跳频通信接收端的调制宽带转换器进行线性测量得到压缩信号y1[n]~ym[n],其中n是采样点数,m是调制宽带转换器的采样通道数。观测的跳频信号x(t)作为输入信号,t为时间,p1(t)~pm(t)代表伪随机码片,m是调制宽带转换器的采样通道数,输入信号与各个通道的伪随机码片相乘,将观测的跳频信号搬移到基带,然后通过低通滤波器滤除带外干扰,再通过A/D转换器采样后得到线性测量后的压缩信号y1[n]~ym[n],完成跳频信号的线性测量过程。跳频信号x(t)作为输入信号进入到调制宽带转换器完成线性测量,得到压缩信号y1[n]~ym[n]。
(3)数据预处理:将线性测量后的压缩信号y1[n]~ym[n]经过快速傅里叶变换得到线性测量向量Y={Y1[n],Y2[n]...,Ym[n]}T,将其拆解为实部a和虚部b,取其实部a即可,将观测矩阵A拆解为实部B和虚部C部分,构成新的观测矩阵每一行第一列是实部,第二列是虚部,将新的观测矩阵的转置和线性测量向量Y的实部a相乘得到卷积神经网络或变分自编码器输入信号/>将跳频信号x(t),经过快速傅里叶变换得到X={X1[n],X2[n]...,Xm[n]},将其拆分为实部c和虚部d,构成[c-d]T向量,实部在第一行,虚部取反排列在第二行,构成的向量为卷积神经网络或变分自编码器输出信号[c-d]T,完成输入信号和输出信号的预处理;输入信号和输出信号经过数据预处理后得到输入本发明构建的神经网络的数据格式,其中输入信号为/>输出信号为[c-d]T,T代表矩阵的转置。
(4)训练卷积神经网络和变分自编码器网络:由步骤3得到输入信号和输出信号[c-d]T,如果构建的是两个神经网络,通过输入信号和输出信号分别训练两个网络结构,卷积神经网络和变分自编码器,训练的两个神经网络通过损失函数来拟合输入信号和输出信号,损失函数越小,输入信号与输出信号拟合的越好,通过输入信号重构输出信号的重构误差越低,通过反向传播的算法更新网络参数,使得神经网络的输出信号和输入到神经网络的输出信号误差越来越小,此时损失函数也越来越小,当训练的轮数epoch到达设定的参数值,停止训练。设置训练轮数为150,优化器为Adam,学习率0.00000001,将训练好的卷积神经网络和变分自编码器分别进行保存。根据需要,可以选择训练两个网络或者选择其中之一。
(5)信号恢复:用步骤4保存的两个训练好的网络结构,即卷积神经网络和变分自编器,此时只要输入经过数据预处理的压缩信号卷积神经网络和变分自编码器均能分别输出两个网络重构信号对应的频谱值[c-d]T,此时再将频谱值[c-d]T进行变换构成将/>进行傅里叶逆变换即可得到重构信号/>完成跳频信号的恢复,当重构信号2范数平方值小于原始信号2范数平方值5%误差时,此时认为重构信号成功,否则,则认为信号重构失败。
针对信号恢复过程中重构精度低,计算复杂度高,计算速度慢等问题和现状,本发明通过构建卷积神经网络和变分自编码器网络,跳频信号线性测量,数据预处理,训练卷积神经网络和变分自编码器网络,信号恢复步骤完成信号恢复,本发明提供了欠采样跳频信号深度学习恢复的整体技术方案。
本发明通过欠采样结构降低跳频信号的采样率,获得压缩后的信号,利用深度学习的方法恢复跳频信号。解决了重构精度低,计算复杂度高,计算速度慢的技术问题,降低了重构误差,有效地提高了信号恢复的准确率。
实施例2
欠采样跳频信号深度学习恢复方法同实施例1,本发明步骤1中所述的构建卷积神经网络和变分自编码器网络结构,其中卷积神经网络,网络参数设置为:卷积核大小为10,数量为16,步长为1,填充方式为“Same”;卷积神经网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力,卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度,有效降低了计算复杂度和提高了计算效率,效果较好,稀疏连接有效降低了计算复杂度;变分自编码器,网络参数设置为:第一层全连接层的维度为400,经过批量正则化层,激活函数为Relu,隐向量z的维度为100,第三层经过批量正则化层,激活函数为Relu,全连接层维度为400。变分自编码器是一种数据压缩方式,包含编码器、解码器和损失函数三部分,它把一个数据点x有损编码为低维的隐向量z,通过z可以解码重构回x。变分自编码器有较强的抗噪声性能,具有特征提取,非线性降维两方面的作用,能够有效提取输入信号的信息,能够学习到输入数据的深层次表示,以较高的精度重构信号。
实施例3
欠采样跳频信号深度学习恢复方法同实施例1-2,步骤3中所述的数据预处理过程如下:由压缩感知的表达式Y=AX,其中Y={Y1[n],Y2[n]...,Ym[n]}T为预处理后的向量,A是观测矩阵,X={X1[n],X2[n]...,Xm[n]}为预处理后的向量,令Y=a+jb,A=B+jC,X=c+jd,由Y=AX可得,a+jb=(B+jC)*(c+jd),拆解,令复数的实部和实部相等,虚部和虚部相等,可以得到以下的关系式,
即
将上式两边同左乘AT,可得
该步骤完成对观测矩阵A,原始信号x(t),压缩信号y1[n]~ym[n]的数据预处理,创新的提出了数据预处理方式,将复数拆解成实部和虚部两个部分,转换成实数对应的表达式,得到输入卷积神经网络和变分自编码器的数据格式,数据预处理后的数据格式有利于两种网络结构对输入信号和输出信号进行拟合,能够以较低的重构误差重构信号,具有较高的重构准确率。
本发明采用欠采样跳频通信信号深度学习恢复方法,通过卷积神经网络和变分自编码器网络对压缩后的跳频信号重构,得到原始的跳频信号。本发明降低了重构的误差和计算复杂度,提高了计算效率,大幅度提高了信号恢复的准确率,用于跳频通信系统。
下面给出一个更加详细的例子对本发明进一步说明
实施例4
欠采样跳频信号深度学习恢复方法同实施例1-3,本发明是一种基于深度学习的跳频信号恢复方法,应用于跳频通信,参见图2,本发明通过跳频通信接收端的调制宽带转换器的硬件结构,对观测的跳频信号x(t)进行线性测量,得到压缩信号y1[n]~ym[n],将压缩信号和原始信号通过数据预处理得到适合输入到卷积神经网络和变分自编码器的数据格式,将预处理后的压缩信号和原始信号送入到卷积神经网络或变分自编码器中进行训练,随后通过卷积神经网络或变分自编码器来对预处理后的压缩信号进行恢复,得到原始信号,包括有如下步骤:
(1)构建卷积神经网络和变分自编码器网络结构:两种网络结构分别为独立的信号恢复网络结构,实际上是构建了两种信号恢复网络结构,首先构建卷积神经网络结构,参见图3,该网络结构设置了5层卷积网络,每一层结构相同,每层均包括卷积层、批量正则化层和Relu激活函数,输入信号为数据预处理后的向量输出信号为数据预处理后的向量[c-d]T。本发明中网络层数以4层或5层为佳,卷积步长为1,卷积核个数为16或32效果较好,卷积核大小设置为10。此时构建的卷积神经网络重构信号的效果较好,能够以较低的误差重构信号。
其次本发明还构建变分自编码器网络结构,参见图4,图4所示为该网络结构三层网络,第一层为全连接层,批量正则化层,Relu函数,第二层为隐层z,第三层为Relu函数,批量正则化层,全连接层,输入信号为数据预处理后的向量ATY,输出信号为数据预处理后的向量[c-d]T,其中全连接层数设置为400,隐层层数设置为100时,变分自编码器重构信号的效果较好,能够以较低的重构误差重构信号。本发明构建了两种独立的信号恢复网络结构用于跳频信号重构,重构误差低,重构准确率高。
(2)跳频信号线性测量:调制宽带转换器结构参见图1,跳频信号分别进入m个通道,每个通道的输入信号被各不相同的、周期为Tp的伪随机±1序列pi(t),i=1,2,…,m混频,混频后的信号经过通带为[0,1/2Ts]的理想低通滤波器h(t)完成抗混叠滤波,然后将滤波后的信号通过采样率为fs=1/Ts的低通采样模数转换器获得m组样本yi(n),i=1,2,…,m,n=0,1,…,假设调制宽带转换器输入信号为x(t),该信号经过混频和低通滤波后为:
其中,τ为时间间隔,对yi(t)进行低通采样,得到离散样本:
由于pi(t)的周期性,yi(n)的离散时间傅里叶变换为:
定义y(f)=[y1(f),…,yi(f),…,ym(f)]T和z(f)=[z1(f),…,zl(f),…,zL(f)]T,T为矩阵的转置,向上取整,假设输入信号在超宽带内只有少量频谱被占用,则z(f)是稀疏的,则公式(3)可写成:
y(f)=Az(f), (7)
将式(4)代入式(5),可得,
其中,z(f)为输入调制宽带转换器的输入信号,y(f)为经过调制宽带转换器线性测量的输出信号。此步骤完成了从输入信号z(f)线性测量得到输出信号y(f)的过程。
(3)由压缩感知的表达式Y=AX,其中Y={Y1[n],Y2[n]...,Ym[n]}T,A是观测矩阵,X={X1[n],X2[n]...,Xm[n]},令Y=a+jb,A=B+jC,X=c+jd,由Y=AX可得,a+jb=(B+jC)*(c+jd),令复数的实部和实部相等,虚部和虚部相等,可得,
即
将上式两边同左乘AT,可得
(4)训练网络:本发明采用两种神经网络结构,卷积神经网络和变分自编码器,下面对卷积神经网络和变分自编码器用到的卷积层,全连接层,批量正则化层,激活函数,损失函数分别进行介绍。
4.1卷积层
卷积层是卷积神经网络中的基础操作,甚至在网络最后起分类作用的全连接层在工程实现时也是由卷积操作替代的。卷积运算实际是分析数学中的一种运算方式,在卷积神经网络中通常是仅涉及离散卷积的情形。下面介绍二维场景的卷积操作。
输入图像(输入数据)参见图5(a)中的5×5矩阵,其对应的卷积核为一个3×3的矩阵,参见图5(b)。同时,假定卷积操作时每做一次卷积,卷积核移动一个像素位置,即卷积步长(stride)为1,卷积核从输入图像的从左到右,从上到下进行卷积操作,每一移动一个像素单位,图5(a)中的阴影部分与图5(b)中对应的卷积核相对应的元素相乘相加得到图5(c)中的一个卷积输出结果,具体过程为(-1)*1+0*0+1*2+(-1)*5+0*4+1*2+(-1)*3+0*4+1*5=0,即图5(c)中对应的阴影部分。
4.2全连接层
全连接层在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的特征表示映射到样本的标记空间的作用。在实际使用中,全连接层可由卷积操作实现:对前层是全连接的全连接层可以转化为卷积核为1×1的卷积;而前层是卷积层的全连接层可以转化为卷积核为h×w的全局卷积,h和w分别为前层卷积输出结果的高和宽。
4.3批量正则化层
批量正则化层不仅仅对输入层做标准化处理,还对网络的每一中间层的输入做标准化处理,使得输出服从均值为0,方差为1的正态分布,从而避免变量分布偏移的问题。之所以称之为批标准化,是因为在训练期间,本发明仅通过计算当前层一小批数据的均值和方差来标准化每一层的输入。相当于把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0,方差为1的标准正态分布。
4.4激活函数
激活函数层又称非线性映射层,顾名思义,激活函数的引入为的是增加整个网络的表达能力(即非线性)。否则,若干线性操作层的堆叠仍然只能起到线性映射的作用,无法形成复杂的函数。
本发明中使用Relu函数,实际上是一个分段函数,其定义为:
4.5损失函数
卷积神经网络和变分自编码器的损失函数、激活函数、批量正则化层都是相同的,卷积层为卷积神经网络特有的基础操作,全连接层为变分自编码器的操作。
(5)信号恢复:本发明中信号恢复准确率定义为:
定义信号恢复准确率如上式,当恢复信号与原始信号的误差值小于原始信号5%的误差时,可以认为信号恢复成功。整个过程重复N次,当信号恢复成功时,记为1,当信号恢复失败时,记为0,累加N次,除以N,得到信号恢复的准确率。
利用步骤4保存的网络参数,输入经过预处理的压缩信号,卷积神经网络和变分自编码器就能够分别重构出原始信号对应的频谱值,此时再将频域对应的信号进行傅里叶逆变换即可得到原始信号,完成跳频信号的恢复。此时卷积神经网络和变分自编码完成了对跳频信号的重构。
定义各支路离散样本y(n)=[y1(n),…,yi(n),…,ym(n)]T,通过正交匹配追踪算法重构信号时,计算其相关矩阵:
然后对相关矩阵进行矩阵分解Q=VVH,并且利用矩阵V和测量矩阵A构造多重测量矢量问题:
V=AU
完成模拟信号x(t)的重构,AS表示重构向量的集合,H表示矩阵的共轭转置,/>表示对矩阵/>求逆,z(n)=[z1(n),…,zL(n)]T,zi(t)是zi(n),i=1,2,...,m经过截止频率为fs/2的低通滤波器得出的复信号。R{}表示取复数的实部,表示取复数的虚部。∑表示求和。
本发明针对信号恢复过程中重构精度低,计算复杂度高,计算速度慢等问题,通过构建卷积神经网络和变分自编码器网络,跳频信号线性测量,数据预处理,训练卷积神经网络和变分自编码器网络,信号恢复步骤完成信号恢复,本发明提供了欠采样跳频信号深度学习恢复的整体技术方案。
本发明解决了重构精度低,计算复杂度高,计算速度慢的技术问题,降低了重构误差,有效地提高了信号恢复的准确率,提升了信号恢复算法的抗噪声性能,适用于跳频通信。
下面通过仿真及其数据对本发明的技术效果再做说明
实施例5
欠采样跳频通信信号深度学习恢复方法同实施例1-4,
仿真条件:参数设置为:采样通道数m=50,子带带宽B=10M,信号长度N=390,信噪比SNR=8dB,奈奎斯特采样率fNYQ=10GHZ,采样率fs和伪随机序列的频率fp取值相等,即fs=fp=51MHZ,子带数量N=6,训练样本18000,测试样本2000,训练轮数epoch=200轮,学习率lr=0.00000001,使用Adam优化器。
仿真内容:在跳频通信中采用本发明欠采样跳频通信信号深度学习恢复方法,图7,图8,图9是在相同条件下对不同指标进行仿真,并与传统正交匹配追踪信号恢复算法对信噪比,通道数,样本数量进行仿真比较,结果如图7-9。
仿真结果与分析
在图7-9中,*表示本发明的变分自编码器,o表示本发明的卷积神经网络,x表示正交匹配追踪。
参见图7,图7为本发明在不同信噪比下信号恢复准确率对比曲线图。
在图7中,纵坐标为“信号重构准确率”,横坐标为“信噪比”。
由图7仿真结果可见,当信噪比大于6dB时,本发明基于深度学习的两种方法卷积神经网络和变分自编码器的信号恢复准确率都远高于正交匹配追踪信号恢复算法,其中基于变分自编码器的信号恢复算法在低信噪比的情况下仍然能够保持较高的恢复准确率。这说明基于深度学习的两种方法抗噪声能力强,在噪声强度较强时,仍然能够以较高的准确率恢复信号,性能优于正交匹配追踪信号恢复算法。
实施例6
欠采样跳频通信信号深度学习恢复方法同实施例1-4,仿真条件和仿真内容同实施例5。
仿真结果与分析
参见图8,图8为本发明在不同采样通道下信号恢复准确率对比曲线图。
在图8中,纵坐标为“信号重构准确率”,横坐标为“调制宽带转换器的采样通道”。
由图8仿真结果可知,在采样通道数大于60时,基于深度学习的两种方法卷积神经网络和变分自编码器的信号恢复准确率都高于正交匹配追踪算法,在采样通道数较小时,变分自编码器也能够保持较高的恢复准确率。这说明基于深度学习的两种方法在压缩比较低的情况时,仍然能够较好恢复信号,性能优于正交匹配追踪信号恢复算法。
实施例7
欠采样跳频通信信号深度学习恢复算法同实施例1-4,仿真条件和仿真内容同实施例5。
仿真结果与分析
参见图9,图9为本发明在不同样本数量下信号恢复准确率对比曲线图。
在图9中,纵坐标为“信号重构准确率”,横坐标为“样本数量”。
由图9的仿真结果可见,当正交匹配追踪算法取最优条件时,基于卷神经网络和变分自编码的信号恢复方法在训练的样本数量逐渐增加时,其性能和正交匹配追踪算法相近,当训练样本的数量增加到一定程度时,欠采样跳频通信信号深度学习恢复方法和正交匹配追踪算法的信号恢复准确率几乎都接近100,这说明只要基于深度学习的两种方法在训练的样本数量较为充足时,信号恢复的准确率与正交匹配追踪算法的性能相近,能够较好的恢复信号,且准确率很高。
简而言之,本发明的欠采样跳频通信信号深度学习恢复方法,解决了现有技术中信号恢复方法计算复杂度高,计算效率较低,重构精度低的问题。实现步骤为:构建卷积神经网络和变分自编码器网络,引入新的网络结构和参数设置,构建最优的神经网络结构;跳频信号线性测量;数据预处理,创新的提出了分离复数的实部和虚部的数据预处理方式,通过数据预处理得到输入神经网络的数据格式;训练卷积神经网络和变分自编码器网络;跳频信号恢复。本发明创新的提出数据预处理方式,得到输入神经网络的数据格式,通过训练好的最优神经网络结构和参数设置重构原始跳频信号。本发明大幅度提高了信号恢复的准确率,降低了重构的误差和计算复杂度,用于跳频通信系统。
Claims (3)
1.一种欠采样跳频通信信号深度学习恢复方法,应用于跳频通信,其特征在于,通过跳频通信接收端的调制宽带转换器的硬件结构对观测的跳频信号x(t)进行线性测量,得到压缩信号y1[n]~ym[n],将压缩信号和原始信号通过数据预处理得到适合输入到卷积神经网络和变分自编码器的数据格式,将预处理后的压缩信号和原始信号送入到卷积神经网络和变分自编码器中进行训练,随后通过卷积神经网络和变分自编码器来对预处理后的压缩信号进行恢复,得到原始信号,包括有如下步骤:
(1)构建卷积神经网络和变分自编码器网络结构:两种网络结构分别为独立的信号恢复网络结构,实际上是构建了两种信号恢复网络结构,首先构建卷积神经网络结构,该网络结构设置了5层卷积网络,每一层结构相同,每层均包括卷积层、批量正则化层和Relu激活函数,输入信号为数据预处理后的向量输出信号为数据预处理后的向量[c-d]T;其次构建变分自编码器网络结构,该网络结构三层网络,第一层为全连接层,批量正则化层,Relu函数,第二层为隐层z,第三层为Relu函数,批量正则化层,全连接层,输入信号为数据预处理后的向量ATY,输出信号为数据预处理后的向量[c-d]T;
(2)跳频信号线性测量:将观测的跳频信号通过跳频通信接收端的调制宽带转换器进行线性测量得到压缩信号y1[n]~ym[n],其中n是采样点数,m是调制宽带转换器的采样通道数,观测的跳频信号x(t)作为输入信号,t为时间,p1(t)~pm(t)代表伪随机码片,输入信号与各个通道的伪随机码片相乘,将观测的跳频信号搬移到基带,然后通过低通滤波器滤除带外干扰,再通过A/D转换器采样后得到线性测量后的压缩信号y1[n]~ym[n];
(3)数据预处理:将线性测量后的压缩信号y1[n]~ym[n]经过快速傅里叶变换得到线性测量向量Y={Y1[n],Y2[n]...,Ym[n]}T,将其拆解为实部a和虚部b,取其实部a即可,将观测矩阵A拆解为实部B和虚部C部分,构成新的观测矩阵每一行第一列是实部,第二列是虚部,将新的观测矩阵的转置和线性测量向量Y的实部a相乘得到卷积神经网络或变分自编码器输入信号将跳频信号x(t),经过快速傅里叶变换得到X={X1[n],X2[n]...,Xm[n]},将其拆分为实部c和虚部d,构成[c-d]T向量,实部在第一行,虚部取反排列在第二行,构成的向量为卷积神经网络或变分自编码器输出信号[c-d]T;
(4)训练卷积神经网络和变分自编码器网络:由输入信号和输出信号[c-d]T,通过输入信号和输出信号分别训练两个网络结构,卷积神经网络和变分自编码器,设置网络参数分别训练这两个网络,将训练好的卷积神经网络和变分自编码器分别进行保存;
2.根据权利要求1所述的采样跳频通信信号深度学习恢复方法,步骤1中所述的构建卷积神经网络和变分自编码器网络结构,其中卷积神经网络,网络参数设置为:卷积核大小为10,数量为16,步长为1,填充方式为“Same”;变分自编码器,网络参数设置为:第一层全连接层的维度为400,经过批量正则化层,激活函数为Relu,隐向量z的维度为100,第三层经过批量正则化层,激活函数为Relu,全连接层维度为400。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613485.7A CN111680666B (zh) | 2020-06-30 | 2020-06-30 | 欠采样跳频通信信号深度学习恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613485.7A CN111680666B (zh) | 2020-06-30 | 2020-06-30 | 欠采样跳频通信信号深度学习恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680666A CN111680666A (zh) | 2020-09-18 |
CN111680666B true CN111680666B (zh) | 2023-03-24 |
Family
ID=72437557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010613485.7A Active CN111680666B (zh) | 2020-06-30 | 2020-06-30 | 欠采样跳频通信信号深度学习恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680666B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146660B (zh) * | 2020-09-25 | 2022-05-03 | 电子科技大学 | 一种基于动态词向量的室内地图定位方法 |
CN112561055B (zh) * | 2020-12-09 | 2023-11-07 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN113452408B (zh) * | 2021-04-30 | 2022-07-22 | 郑州大学 | 一种网台跳频信号分选方法 |
CN114301499B (zh) * | 2021-12-28 | 2024-02-20 | 杭州电子科技大学 | 一种基于cnn-gru的跳频信号智能接收方法 |
CN114978381B (zh) * | 2022-04-27 | 2023-06-23 | 深圳大学 | 基于深度学习的宽带信号的压缩感知处理方法及装置 |
CN115001917B (zh) * | 2022-08-01 | 2022-10-21 | 烟台初心航空科技有限公司 | 用于雷达通信一体化的调制信号产生方法 |
CN116499607B (zh) * | 2023-06-27 | 2023-09-08 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108776261A (zh) * | 2018-05-16 | 2018-11-09 | 电子科技大学 | 一种大带宽跳频窄带信号多通道欠采样测频方法 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050680A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for on-line compressed sensing |
US20100074303A1 (en) * | 2006-11-10 | 2010-03-25 | Nec Corporation | Wireless Communication Apparatus |
WO2018106805A1 (en) * | 2016-12-09 | 2018-06-14 | William Marsh Rice University | Signal recovery via deep convolutional networks |
US10592635B2 (en) * | 2018-05-31 | 2020-03-17 | International Business Machines Corporation | Generating synthetic layout patterns by feedforward neural network based variational autoencoders |
-
2020
- 2020-06-30 CN CN202010613485.7A patent/CN111680666B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108776261A (zh) * | 2018-05-16 | 2018-11-09 | 电子科技大学 | 一种大带宽跳频窄带信号多通道欠采样测频方法 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
Non-Patent Citations (2)
Title |
---|
一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用;张西宁等;《西安交通大学学报》;20180614(第07期);全文 * |
基于卷积神经网络的压缩感知重构算法优化;刘玉红等;《计算机科学》;20200315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111680666A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680666B (zh) | 欠采样跳频通信信号深度学习恢复方法 | |
Rani et al. | A systematic review of compressive sensing: Concepts, implementations and applications | |
Marques et al. | A review of sparse recovery algorithms | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN105933008B (zh) | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 | |
US8725784B2 (en) | Method and apparatus for compressive domain filtering and interference cancellation | |
CN113113030B (zh) | 一种基于降噪自编码器的高维受损数据无线传输方法 | |
CN107918710B (zh) | 基于凸优化的非下采样图滤波器组的设计方法 | |
CN110045375B (zh) | 一种一比特sar回波数据的处理方法及系统 | |
CN113376600A (zh) | 一种基于RSDNet的行人雷达回波去噪方法 | |
CN107483057A (zh) | 基于共轭梯度追踪的稀疏多频带信号重构方法 | |
CN114509731B (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
Eamaz et al. | Unlimited sampling via one-bit quantization | |
Qiu et al. | DeepSIG: A Hybrid Heterogeneous Deep Learning Framework for Radio Signal Classification | |
Li et al. | Deep gated recurrent unit convolution network for radio signal recognition | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
CN114529482B (zh) | 基于小波多通道深度网络的图像压缩感知重建方法 | |
CN116055270A (zh) | 一种调制识别模型及其训练方法、信号调制处理方法 | |
Ghosh et al. | A deep neural architecture for image super resolution | |
Li et al. | DenseNet-ResNet-LSTM model for modulation recognition of communication signal | |
CN108631786A (zh) | 一种声信号随机稀疏压缩采样方法及装置 | |
Li et al. | Research on lossless compression coding algorithm of N-band parametric spectral integer reversible transformation combined with the lifting scheme for hyperspectral images | |
Ahmed | Compressive sensing for speech signals in mobile systems | |
CN114301499B (zh) | 一种基于cnn-gru的跳频信号智能接收方法 | |
CN113842134B (zh) | 基于双路人工神经网络的双序列加速核磁成像优化方法 |
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 |