CN111769844B - 一种单通道同频干扰消除方法和装置 - Google Patents
一种单通道同频干扰消除方法和装置 Download PDFInfo
- Publication number
- CN111769844B CN111769844B CN202010586943.2A CN202010586943A CN111769844B CN 111769844 B CN111769844 B CN 111769844B CN 202010586943 A CN202010586943 A CN 202010586943A CN 111769844 B CN111769844 B CN 111769844B
- Authority
- CN
- China
- Prior art keywords
- signal
- long
- memory network
- time
- data
- 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
-
- 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
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
-
- 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
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
- H04B1/1027—Means associated with receiver for limiting or suppressing noise or interference assessing signal quality or detecting noise/interference for the received signal
-
- 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
本发明公开了一种单通道同频干扰消除方法和装置。其中的方法包括:获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;构造适用于信号处理的长短时记忆网络;使用所述多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;将单通道接收的实际信号作为受干扰信号数据输入至所述同频干扰信号消除网络模型,输出无干扰的目标通信信号。本发明实施例是基于长短时记忆网络进行同频干扰消除,适用于各种不同数字通信调制样式的受干扰通信信号,具有通用性。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种单通道同频干扰消除方法和装置。
背景技术
近年来,随着移动通信技术和物联网技术的发展,各种各样的通信信号层出不穷,复杂的电磁环境和拥挤的频谱空间导致目标通信信号越来越容易受到其他信号的干扰。甚至,干扰信号和目标通信信号在时频域上完全混叠,干扰信号构成目标通信信号的同频干扰信号。这种场景给无线通信信号的接收、处理和分析带来了严峻挑战。
目前,多数同频干扰消除方法主要基于多通道接收条件进行处理,比如盲源分离和波束成形等,相比于多通道接收系统,单通道接收只需要单个天线,成本小,灵活性高,所以单通道的同频干扰信号消除具有更广阔的应用前景。但是基于单通道接收条件下如何进行同频干扰消除并没有很好的解决方案。
发明内容
本发明实施例提供了一种单通道同频干扰消除方法和装置,可在单通道条件下消除确定性同频干扰,适用于各种不同数字通信调制样式的受干扰通信信号,具有通用性。
本发明实施例采用下述技术方案:
第一方面,本发明实施例提供一种单通道同频干扰消除方法,包括:
获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;
构造适用于信号处理的长短时记忆网络;
使用所述多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;
将单通道接收的实际信号作为受干扰信号数据输入至所述同频干扰信号消除估计网络模型,输出无干扰的目标通信信号。
第二方面,本发明实施例还提供一种单通道同频干扰消除装置,包括:
样本获取单元,用于获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;
构造单元,用于构造适用于信号处理的长短时记忆网络;
训练单元,用于使用所述样本获取单元获取的多个信号样本数据对所述构造单元构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;
干扰消除单元,用于将单通道接收的实际信号作为受干扰信号数据输入至所述训练单元得到的同频干扰信号消除网络模型,输出无干扰的目标通信信号。
本发明实施例采用上述技术方案能够达到以下有益效果:
本发明实施例是基于长短时记忆网络进行同频干扰信号消除,由于长短时记忆网络适合处理序列到序列的学习,对长短时记忆网络进行同频干扰消除的训练过程就是从一个有干扰信号到无干扰信号的学习过程。利用目标通信信号及其同频干扰信号时频混叠后的受干扰通信信号作为信号样本数据,通过对长短时记忆网络进行训练得到训练好的同频干扰信号消除网络模型,从而只需将单通道实际接收的受干扰信号数据输入至该同频干扰信号消除网络模型,即可提取出无干扰的目标通信信号。本发明实施例的方案可以适用于单通道接收条件下的各种不同数字通信调制样式的受干扰信号的同频干扰消除,具有通用性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一个实施例的单通道同频干扰消除方法的流程示意图;
图2为本发明一个实施例的构造的长短时记忆网络的工作流程示意图;
图3为本发明一个实施例的单通道同频干扰消除装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明一个实施例的单通道同频干扰消除方法的流程示意图。参见图1,本实施例的同频干扰消除方法,包括下列步骤:
步骤S101,获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号。
本步骤S101获取的信号样本数据中既包括目标通信信号又包括干扰信号,而且每种干扰信号在时间和频率上与目标通信信号进行混叠构成目标通信信号的同频干扰信号。也即是说,信号样本数据为目标通信信号及其同频干扰信号时频混叠后的受干扰通信信号。采用这样的信号样本数据,保证了本实施例的同频干扰消除方法的通用性,可以适用于各种不同数字通信调制样式的同频干扰信号的消除。
步骤S102,构造适用于信号处理的长短时记忆网络。
需要说明的是,上述步骤S101与步骤S102为并列关系,在执行顺序上没有先后要求。
步骤S103,使用多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型。
长短时记忆网络适合处理序列到序列的学习,对长短时记忆网络进行同频干扰消除的训练过程就是从一个有干扰信号到无干扰信号的学习过程。本步骤S103停止训练的条件是,直至训练曲线收敛得到训练好的长短时记忆网络。本步骤S103是将训练好的长短时记忆网络作为同频干扰信号消除网络模型。
步骤S104,将单通道接收的实际信号作为受干扰信号数据输入至同频干扰信号消除网络模型,输出无干扰的目标通信信号。
本步骤S104是利用训练好的同频干扰消除网络对单通道实际接收的射频信号进行同频干扰消除。
由图1所示可知,本实施例的同频干扰消除方法,通过构造适合处理序列到序列学习的长短时记忆网络,利用目标通信信号及其同频干扰信号作为信号样本数据,对构造的长短时记忆网络进行训练,训练完成后得到同频干扰消除网络模型,进而将受干扰信号数据输入至该同频干扰消除网络模型,提取出无干扰的目标通信信号。本实施例方法可以适应各种不同数字通信调制样式的同频干扰的消除,具有通用性。
在一个实施例中,上述步骤S101的“获取多个信号样本数据”包括:
对目标通信信号及其同频干扰信号进行接收采样,分别获得N个目标通信信号的复基带采样序列x=[x1,x2,...,xM]和N个同频干扰信号的复基带采样序列y=[y1,y2,...,yM],其中M为信号采样点数,N为获取的信号样本数据的总数;
将复基带采样序列x=[x1,x2,...,xM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵将复基带采样序列y=[y1,y2,…,yM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵
令s=x+a*y,得到N个样本集合[s,x],其中α为大于0的随机数,s为叠加干扰信号后的目标通信信号的样本数据。
需要说明的是,目标通信信号和其同频干扰信号可以采用任一种数字通信调制样式。数字通信调制样式可包含二进制相移键控(Binary Phase Shift Keying,BPSK)、正交相移键控(Quadrature Phase Shift Keying,QPSK)、频移键控(Frequency-shift keying,FSK)、正交振幅调制(Quadrature Amplitude Modulation,QAM)等。
在一个实施例中,上述步骤S102的“构造适用于信号处理的长短时记忆网络”包括:
构造包括输入层、长短时记忆网络LSTM(Long Short-Term Memory)层、全连接层和输出层的长短时记忆网络;其中,所述长短时记忆网络的输入层的大小为Z,表示输入样本每个时间步长的特征维度是Z,而输入样本的时间步长为2M/Z;所述长短时记忆网络的LSTM层的隐藏单元的个数设置大于特征维度;所述长短时记忆网络的LSTM层和全连接层的个数和位置依据学习效果动态调整;所述长短时记忆网络的输出层采用回归层。
其中,长短时记忆网络采用多少个LSTM层,每个LSTM层采用多少个隐藏单元,本实施例对此不限定。
在一个实施例中,上述步骤S103的“使用多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型”包括:
利用误差反向传播算法中的随机梯度下降法,使用多个信号样本数据对构造的长短时记忆网络进行训练,直至得到训练好的长短时记忆网络,将训练好的长短时记忆网络作为同频干扰信号消除网络模型。
其中,采用误差反向传播算法中的随机梯度下降法进行训练保证了较快的训练速度。
在一个实施例中,上述步骤S104的“将单通道接收的实际信号作为受干扰信号数据输入至同频干扰信号消除网络模型,输出无干扰的目标通信信号”包括:
对受干扰信号数据进行接收采样,得到复基带采样序列s(n),n=0,1,2,...,M-1;提取复基带采样序列s(n)的I路数据和Q路数据交叉合并为一个长度为2M的1列向量;将该长度为2M的1列向量输入所述同频干扰信号消除网络模型,网络模型的输出结果即为无干扰的目标通信信号。
参见图2,图2为本发明一个实施例的构造的长短时记忆网络的工作流程示意图。图2中,长短时记忆网络输入尺寸为16,即,前述输入层(Sequence Input Layer)的大小Z等于16。图2中的LSTM代表长短时记忆网络层,隐藏单元的个数设置为200。图2中字母FC(Fully Connect)表示全连接层,如图2所示的数字64,16代表神经元个数。最后,经过图2中回归层(Regression layer)输出无干扰的通信信号采样序列。在本发明的其他实施例中,LSTM层的个数可以依据学习训练效果进行调整。
与前述单通道同频干扰消除方法同属于一个技术构思,本发明实施例还提供了一种单通道同频干扰消除装置。图3是本发明一个实施例的单通道同频干扰消除装置的框图,参见图3,本实施例的单通道同频干扰消除装置300包括:
样本获取单元301,用于获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;
构造单元302,用于构造适用于信号处理的长短时记忆网络;
训练单元303,用于使用样本获取单元301获取的多个信号样本数据对构造单元302构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;
干扰消除单元304,用于将单通道接收的实际信号作为受干扰信号数据输入至训练单元303得到的同频干扰信号消除网络模型,输出无干扰的目标通信信号。
在本发明的一个实施例中,上述的样本获取单元301具体用于:
对目标通信信号及其同频干扰信号进行接收采样,分别获得N个目标通信信号的复基带采样序列x=[x1,x2,...,xM]和N个同频干扰信号的复基带采样序列y=[y1,y2,...,yM],其中M为信号采样点数,N为获取的信号样本数据的总数;
将复基带采样序列x=[x1,x2,...,xM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵将复基带采样序列y=[y1,y2,...,yM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵
令s=x+a*y,得到N个样本集合[s,x],其中α为大于0的随机数,s为叠加干扰信号后的目标通信信号的样本数据。
需要说明的是,目标通信信号及其同频干扰信号可以采用任一种数字通信调制样式。数字通信调制样式可包含BPSK、QPSK、FSK、QAM等。
在本发明的一个实施例中,上述的构造单元302构造的长短时记忆网络包括输入层、LSTM层、全连接层和输出层的长短时记忆网络。其中:长短时记忆网络的输入层的大小为Z,表示输入样本每个时间步长的特征维度是Z,而输入样本的时间步长为2M/Z;长短时记忆网络的LSTM层的隐藏单元的个数设置大于特征维度;长短时记忆网络的LSTM层和全连接层的个数和位置依据学习效果动态调整;长短时记忆网络的输出层采用回归层。
在本发明的一个实施例中,上述的训练单元303具体用于:
利用误差反向传播算法中的随机梯度下降法,使用多个信号样本数据对构造的长短时记忆网络进行训练,直至得到训练好的长短时记忆网络,将训练好的长短时记忆网络作为同频干扰信号消除网络模型。
在本发明的一个实施例中,上述的干扰消除单元304具体用于:
对受干扰信号数据进行接收采样,得到复基带采样序列s(n),n=0,1,2,...,M-1;提取复基带采样序列s(n)的I路数据和Q路数据交叉合并为一个长度为2M的1列向量;将长度为2M的1列向量输入同频干扰信号消除网络模型,网络模型的输出结果即为无干扰的目标通信信号。
需要说明的是,关于图3所示的单通道同频干扰消除装置中的各单元所执行的各功能的举例解释说明,与前述方法实施例中的举例解释说明一致,这里不再一一赘述。
综上所述,本发明实施例的单通道同频干扰消除方法和装置,基于长短时记忆网络进行同频干扰消除,通过构造适合处理序列到序列学习的长短时记忆网络,获取目标通信信号及其同频干扰信号时频混叠后的受干扰通信信号作为信号样本数据,对构造的长短时记忆网络进行训练,训练完成后得到同频干扰消除网络模型,从而只需将受干扰信号数据输入至该同频干扰消除网络模型,即可提取出无干扰的目标通信信号。本实施例的方案可以适用于单通道接收条件下的各种不同数字通信调制样式的受干扰信号的同频干扰消除,具有通用性。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的单通道同频干扰消除装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是,上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。
Claims (4)
1.一种单通道同频干扰消除方法,其特征在于,所述方法包括:
获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;
构造适用于信号处理的长短时记忆网络,所述长短时记忆网络包括输入层、长短时记忆网络LSTM层、全连接层和输出层;
使用所述多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;
将单通道接收的实际信号作为受干扰信号数据输入至所述同频干扰信号消除估计网络模型,输出无干扰的目标通信信号;
其中,所述获取多个信号样本数据包括:
对目标通信信号及其同频干扰信号进行接收采样,分别获得N个目标通信信号的复基带采样序列x=[x1,x2,...,xM]和N个同频干扰信号的复基带采样序列y=[y1,y2,...,yM],其中M为信号采样点数,N为获取的信号样本数据的总数;
将所述复基带采样序列x=[x1,x2,...,xM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵将所述复基带采样序列y=[y1,y2,...,yM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵
令s=x+a*y,得到N个样本集合[s,x],其中a为大于0的随机数,s为叠加干扰信号后的目标通信信号的样本数据;
其中,所述使用所述多个信号样本数据对构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型包括:
利用误差反向传播算法中的随机梯度下降法,使用所述多个信号样本数据对构造的长短时记忆网络进行训练,直至训练曲线收敛,将训练好的长短时记忆网络作为同频干扰信号消除网络模型;
其中,所述将单通道接收的实际信号作为受干扰信号数据输入至所述同频干扰信号消除网络模型,输出无干扰的目标通信信号包括:
对受干扰信号数据进行接收采样,得到复基带采样序列s(n),n=0,1,2,...,M-1,M为信号采样点数;
提取所述复基带采样序列s(n)的I路数据和Q路数据交叉合并为一个长度为2M的1列向量;
将所述长度为2M的1列向量输入所述同频干扰信号消除网络模型,网络模型的输出结果即为无干扰的目标通信信号。
2.如权利要求1所述的方法,其特征在于,所述构造适用于信号处理的长短时记忆网络包括:
构造包括输入层、长短时记忆网络LSTM层、全连接层和输出层的长短时记忆网络;
所述长短时记忆网络的输入层的大小为Z,表示输入样本每个时间步长的特征维度是Z,而输入样本的时间步长为2M/Z;
所述长短时记忆网络的LSTM层的隐藏单元的个数设置大于特征维度;
所述长短时记忆网络的LSTM层和全连接层的个数和位置依据学习效果动态调整;
所述长短时记忆网络的输出层采用回归层。
3.一种单通道同频干扰消除装置,其特征在于,所述装置包括:
样本获取单元,用于获取多个信号样本数据,每个信号样本数据包括目标通信信号及其同频干扰信号;具体用于对目标通信信号及其同频干扰信号进行接收采样,分别获得N个目标通信信号的复基带采样序列x=[x1,x2,...,xM]和N个同频干扰信号的复基带采样序列y=[y1,y2,...,yM],其中M为信号采样点数,N为获取的信号样本数据的总数;将所述复基带采样序列x=[x1,x2,...,xM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵将所述复基带采样序列y=[y1,y2,...,yM]的I路数据和Q路数据交叉合并形成一个列向量,构造2M行1列的矩阵令s=x+a*y,得到N个样本集合[s,x],其中a为大于0的随机数,s为叠加干扰信号后的目标通信信号的样本数据;
构造单元,用于构造适用于信号处理的长短时记忆网络,所述长短时记忆网络包括输入层、长短时记忆网络LSTM层、全连接层和输出层;
训练单元,用于使用所述样本获取单元获取的多个信号样本数据对所述构造单元构造的长短时记忆网络进行训练,得到同频干扰信号消除网络模型;具体用于:利用误差反向传播算法中的随机梯度下降法,使用所述多个信号样本数据对构造的长短时记忆网络进行训练,直至得到训练好的长短时记忆网络,将训练好的长短时记忆网络作为同频干扰信号消除网络模型;
干扰消除单元,用于将单通道接收的实际信号作为受干扰信号数据输入至所述训练单元得到的同频干扰信号消除网络模型,输出无干扰的目标通信信号,具体用于:对受干扰信号数据进行接收采样,得到复基带采样序列s(n),n=0,1,2,...,M-1;提取所述复基带采样序列s(n)的I路数据和Q路数据交叉合并为一个长度为2M的1列向量;将所述长度为2M的1列向量输入所述同频干扰信号消除网络模型,网络模型的输出结果即为无干扰的目标通信信号。
4.如权利要求3所述的装置,其特征在于,所述构造单元具体用于:
构造包括输入层、长短时记忆网络LSTM层、全连接层和输出层的长短时记忆网络;
所述长短时记忆网络的输入层的大小为Z,表示输入样本每个时间步长的特征维度是Z,而输入样本的时间步长为2M/Z;
所述长短时记忆网络的LSTM层的隐藏单元的个数设置大于特征维度;
所述长短时记忆网络的LSTM层和全连接层的个数和位置依据学习效果动态调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586943.2A CN111769844B (zh) | 2020-06-24 | 2020-06-24 | 一种单通道同频干扰消除方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586943.2A CN111769844B (zh) | 2020-06-24 | 2020-06-24 | 一种单通道同频干扰消除方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111769844A CN111769844A (zh) | 2020-10-13 |
CN111769844B true CN111769844B (zh) | 2022-08-16 |
Family
ID=72722212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586943.2A Active CN111769844B (zh) | 2020-06-24 | 2020-06-24 | 一种单通道同频干扰消除方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111769844B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112491442B (zh) * | 2020-11-17 | 2021-12-28 | 中山大学 | 一种自干扰消除方法及装置 |
CN116318469B (zh) * | 2023-01-09 | 2024-03-22 | 中国电子科技集团公司第三十六研究所 | 非高斯噪声下的通信干扰信号中心频率估计方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729140A (zh) * | 2009-11-10 | 2010-06-09 | 中兴通讯股份有限公司 | 通道校准方法及装置 |
CN109983474A (zh) * | 2016-11-22 | 2019-07-05 | 海珀菲纳研究股份有限公司 | 用于磁共振图像中的自动检测的系统和方法 |
KR101888584B1 (ko) * | 2017-12-28 | 2018-09-20 | 한화시스템(주) | 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법 |
CN110971250B (zh) * | 2019-04-02 | 2020-11-10 | 成都云溯新起点科技有限公司 | 一种单通道同频干扰检测与分离方法 |
CN110231633B (zh) * | 2019-05-15 | 2021-05-28 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗式干扰识别、抑制方法及系统 |
CN111046824B (zh) * | 2019-12-19 | 2023-04-28 | 上海交通大学 | 一种时间序列信号高效去噪和高精度重构建模方法及系统 |
-
2020
- 2020-06-24 CN CN202010586943.2A patent/CN111769844B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111769844A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Channel estimation for extremely large-scale massive MIMO systems | |
Zhang et al. | An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation | |
CN111769844B (zh) | 一种单通道同频干扰消除方法和装置 | |
Hong et al. | Deep learning-based signal modulation identification in OFDM systems | |
CN109379311B (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
Han et al. | Deep learning-based FDD non-stationary massive MIMO downlink channel reconstruction | |
CN104301267B (zh) | 一种mimo无线通信接收机的多阶段迭代检测方法和装置 | |
CN104170290B (zh) | 用于空间抑制无线通信网络中的干扰的附加系统和方法 | |
CN106899393B (zh) | 噪声方差估计和干扰检测 | |
CN103916229B (zh) | 一种干扰抑制方法及装置 | |
Yang et al. | Temporal-frequency attention-based human activity recognition using commercial WiFi devices | |
CN110719240A (zh) | 基于反卷积和去噪卷积的信道估计方法和系统 | |
Molina-Tenorio et al. | Real-time implementation of multiband spectrum sensing using SDR technology | |
Moss et al. | Real-time FPGA-based anomaly detection for radio frequency signals | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
Alapuranen et al. | Complex artificial neural network with applications to wireless communications | |
Kadhim et al. | Digital filters windowing for data transmission enhancement in communication channel | |
CN107800491B (zh) | 一种基于信道状态信息的无线感知抗干扰方法及装置 | |
CN116319190A (zh) | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 | |
CN103701479B (zh) | 一种信息处理的方法及一种基站 | |
CN111709520A (zh) | 一种单通道信号源个数估计方法和装置 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN114567526A (zh) | 信号解调方法、基带芯片、终端设备及存储介质 | |
Liu | Baseband ASIP design for SDR | |
Ivanov et al. | Hybrid noise-resilient deep learning architecture for modulation classification in cognitive radio networks |
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 |