CN111817802B - 一种根据物理层头部信号进行频谱感知的方法 - Google Patents

一种根据物理层头部信号进行频谱感知的方法 Download PDF

Info

Publication number
CN111817802B
CN111817802B CN202010404803.9A CN202010404803A CN111817802B CN 111817802 B CN111817802 B CN 111817802B CN 202010404803 A CN202010404803 A CN 202010404803A CN 111817802 B CN111817802 B CN 111817802B
Authority
CN
China
Prior art keywords
signal
physical layer
noise
training
wireless network
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
Application number
CN202010404803.9A
Other languages
English (en)
Other versions
CN111817802A (zh
Inventor
郑伟军
陈鼎
方景辉
吴国庆
唐锦江
张勇
程振杰
李琦
陈嵘
王文华
钱啸
邵炜平
杨鸿珍
黄红兵
汤亿则
曾建梁
文科
应杰耀
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.)
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010404803.9A priority Critical patent/CN111817802B/zh
Publication of CN111817802A publication Critical patent/CN111817802A/zh
Application granted granted Critical
Publication of CN111817802B publication Critical patent/CN111817802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H04B17/327—Received signal code power [RSCP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0078—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location
    • H04L1/0083—Formatting with frames or packets; Protocol or part of protocol for error control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2656—Frame synchronisation, e.g. packet synchronisation, time division duplex [TDD] switching point detection or subframe synchronisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种根据物理层头部信号进行频谱感知的方法。为了克服无法有效地识别不同的无线网络系统问题；本发明包括以下步骤：S1：通过无线电设备接收到无线网络信号的物理层信号；S2：将物理层信号截取相应的长度，分隔出物理层头部信息，利用头部信息识别无线网络种类，区分不同的无线网络信号种类与噪声；S3：通过神经网络训练，深度学习，优化识别能力；S4：对不同的无线网络进行共存管理与资源分配。本方案通过结合深度学习的方法，利用物理层的头部信号，区分不同的无线网络信号类型，对无线网络信号与噪声进行区分识别，并能在低信噪比的情况下实现高准确率。

Description

一种根据物理层头部信号进行频谱感知的方法
技术领域
本发明涉及一种无线通信领域，尤其涉及一种根据物理层头部信号进行频谱感知的方法。
背景技术
随着移动网络的快速发展，智能终端和便携式智能网络设备呈爆发式增长趋势，对无线通信网络资源的需求也在以爆炸式的速度增长，这使得无线通信网络资源的分配面临着严峻的挑战。无线通信网络资源的分配问题和人们对网络资源的需求这两者间的矛盾日益突出，且无线通信网络资源存在着不合理分配、资源利用率不高等问题，这些问题严重弱化了网络的性能。
多种无线通信系统共存，通过频谱感知和动态接入技术共享频谱资源。例如，在230MHz频段的电力无线专网中，存在着传统无线数传电台、LTE-G230系统和IoT-G230系统，可以通过认知无线电技术共享频段资源。在LAA频段，WIFI和LTE系统通过认知无线电技术实现共存。目前，WIFI系统采用的是基于竞争的媒体访问控制协议和随机退避机制，当LTE和WIFI使用相同信道时，由于LTE不需要进行信道侦听，因此会长时间占据信道，使得WIFI一直保持在侦听状态而无法接入信道，这会极大影响WIFI的性能。因此，为了实现LTE与WIFI网络和谐共存，必须对LTE网络和WIFI网络的资源管理功能进行智能化地管控。而管理首要的是要区分不同的无线网络。
例如，一种在中国专利文献上公开的“基于频谱感知的异构认知无线网络资源分配方法”，其公告号CN104618912B，包括以下步骤：步骤1，智能集中控制器收集异构认知无线网络中可用的无线资源；步骤2，智能集中控制器收集用户设备的资源使用申请；步骤3，智能集中控制器采用有领导机制的混合蛙跳算法对异构认知无线网络中的资源进行分配。该方法无法有效地识别不同的无线网络系统。
发明内容
本发明主要解决现有技术无法有效地识别不同的无线网络系统问题；提供一种根据物理层头部信号进行频谱感知的方法，根据不同无线网络物理层的头部信号识别不同的无线网络，方便对不同的无线网络进行管理与资源分配。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
本发明包括以下步骤：
S1：通过无线电设备接收到无线网络信号的物理层信号；
S2：将物理层信号截取相应的长度，分隔出物理层头部，利用头部信息识别无线网络种类；
S3：通过神经网络训练，深度学习，优化识别能力；
S4：对不同的无线网络系统进行共存管理与资源分配。
因为不同无线网络的物理层规范不同，通过神经网络的训练学习，根据无线网络物理层头部信号的不同特征来识别不同的无线网络信号。训练完成后，通过无线电设备获取无线网络信号的物理层信号的结构，截取物理层信号的头部信息，根据截取到的头部信号识别无线网络的种类。通过识别无线网络的种类，能够实现不同无线网络的共存，使得无线网络资源合理分配，提高无线网络的性能。识别时使用物理层头部信号，在信息获取时不需要获取整段信息，所需采集的信息少。
作为优选，所述的步骤S3包括以下步骤：
S31：输入接收到的无线信号的物理层头部信号或截取的头部信号；
S32：将输入的信号划分为训练集与测试集；
S33：训练集输入分类网络模型中训练学习，所述的分类网络模型采用全卷积神经网络；
S34：测试集输入分类网络模型，模型输出分类结果。
输入经过增强处理的不同无线网络头部信号，用于根据不同无线网络的头部信号识别无线网络的种类。输入截取的头部信号，用于测试以及丰富训练数据，提高识别的准确性。头部信号与截取的头部信号均为时域信号。使用全卷积神经网络，使得训练后能够快速准确地识别分类。
作为优选，对所述的头部信号经过归一化处理后，进行稠密标记，将稠密标记后的数据与稠密标签一同输入到分类网络中进行训练。
针对定时同步问题，将时域信号中包含物理层信号结构信息的数据作为网络的输入数据，使用稠密标记(dense labeling)为不同的信号制作标签，并手动引入不同步，对网络进行训练，降低了对信道监听中对定时同步的要求。
作为优选，在所述的接收到的无线信号中增加不同信噪比的噪声信号。增加不同信噪比的噪声信号，以实现数据加强，使得通过神经网络训练后能够区分噪声和信号，提高在噪声环境下的无线网络信号识别的准确率。
作为优选，所述的噪声信号增加步骤包括：
S311：通过先计算原信号的功率值，固定噪声功率值；
S312：通过设定不同的信噪比得出该噪声功率和信噪比下的信号功率值；
S313：根据新的信号功率值与原信号的功率值调整信号的幅度。
统一噪声环境，使接收到的数据更符合实际的应用场景，通过设定统一的噪声功率逆向计算信号的功率，进而调整信号波形。
作为优选，所述的接收到的物理层头部信号取不同无线信号波形的前N位作为识别部分；N的取值应至少包含链路层、物理层的报头控制信息。
作为优选，训练时的数据包括移位的数据，所述的移位包括头部信号后加发送的负荷数据比特和头部信号前面加噪声数据；负荷数据比特和噪声的长度占整个训练信号数据样本长度的0～10％。
为使分类效果更加可信，模拟了对多协议进行识别时由于偏差而无法保证每次正好接收到所有无线信号的头部信号部分，使用了移位后的数据部分，其中一部分信号加带发送的数据比特，另一部分信号则前面加带噪声部分。多种情况模拟，使得分类结果更加可信。
本发明的有益效果是：
1.通过结合深度学习的方法，利用物理层的头部信号，区分不同的无线网络信号类型，对不同无线网络系统的信号与噪声进行区分识别，并能在低信噪比的情况下实现高准确率。
2.统一噪声环境，使训练数据更符合实际的应用场景，通过设定统一的噪声功率逆向计算信号的功率，进而调整信号波形。
3.通过使用稠密标记技术来降低对于定时同步的要求。
附图说明
图1是本发明的一种频谱感知方法流程图。
图2是本发明的一种PPDU的帧格式图。
图3是本发明的一种OFDM的PHY规范图。
图4是本发明的一种使用稠密标记的FCN网络结构图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例以LTE信号和WIFI信号为例，进行详细说明。需要说明的是，本发明所适用范围并不仅仅限于所提到的LTE和WIFI系统，也包括LTE-G230系统和低速无线数传电台等系统。
一种根据物理层头部信号进行频谱感知的方法，如图1所示，包括以下步骤：
S1：通过无线电设备接收到无线网络信号，并分析其物理层头部信号。
图2为PPDU的帧格式，包括OFDM PLCP前导码、OFDM PLCP头、PSDU、尾比特和填充比特。PLCP报头包括：长度(LENGTH)、速率(RATE)、保留比特、奇偶校验比特以及服务(SERVICE)字段。从调制角度看，长度、速率、预留比特和奇偶比特(加上6个“0”尾比特)组成了一个独立的OFDM符号，记为信号(SIGNAL)字段。PLCP报头的SERVICE 字段与PSDU(加上6个“0”尾比特和填充比特)一起，标记为DATA字段。
OFDM的PHY规范，如图3所示，OFDM的训练结构，即PLCP前导码字段，用于实现同步，由10个短符号和2个长符号组成，其中t1一t10表示短训练符号，T1和T2表示长训练符号，总的训练时间为16us，前导码的后面是SIGNAL和DATA字段。图3中的虚线表示的边界代表傅里叶逆变换的周期性引起的循环。
OFDM的短训练符号由12个子载波组成，子载波由序列S的组成元素进行调制：
Figure BDA0002489954000000041
式中系数
Figure BDA0002489954000000042
是为了使得到的OFDM符号的平均功率归一化。OFDM符号利用了52 个子载波中的12个。
信号按照下式产生：
Figure BDA0002489954000000043
其中，WT(t)为持续时间T的矩形脉冲，NST为子载波总数，大小为50。ΔF为子载波频率间隔，大小为20MHz/64＝0.3125MHz，TSHORT为短训练系列的持续时间。
在S-26，26中，只有系数为4的倍数的谱线幅度不为0，因此以上信号的周期为 TFFT/4＝0.8us，TFFT为IFFT/FFT周期，大小为1/ΔF＝3.2us；TSHORT等于10个0.8us的周期，即 8us。
OFDM的长训练符号由53个子载波组成，其中包含了一个直流零值，这些子载波由序列L的组成元素进行调制：
L-26，26＝{1，1，-1，-1，1，1，-1，1，-1，1，1，1，1，1，1，-1，-1，1，1， -1，1，-1，1，1，1，1，0，1，-1，-1，1，1，-1，1，-1，1，-1，-1， -1，-1，-1，1，1，-1，-1，1，-1，1，-1，1，1，1，1}
OFDM的长训练符号按照下式产生：
Figure BDA0002489954000000044
式中：TLONG为长训练序列的持续时间。TG12＝1.6us。
为了提高信道估计精确度，需要发送两个周期的长序列，因此得到： TLONG＝1.6+2x3.2＝8us。
短循环部分与长循环部分连结在一起，形成前导码：
rPREAMBLE(t)＝rSHORT(t)+rLONG(t-TSHORT)
SIGNAL字段位于OFDM训练符号的后面，在SIGNAL字段中，每个OFDM符号的编码采用子载波的BPSK调制及R＝1/2的卷积编码。编码过程包括卷积编码、交织、调制映射过程、导频插入和OFDM调制，这些过程位于以6Mbit/s速率进行数据发送的过程之后。字段中的内容不进行加扰。
LTE的多址方式为上行采用单载波频分多址SC-FDMA，下行采用正交频分多址OFDMA。LTE支持两种基本的工作模式，即频分双工(FDD)和时分双工(TDD)，支持两种不同的无线帧结构，帧长均为10ms。
TDD模式下，每一个10ms无线帧由两个长度为5ms的半帧构成，每一个半帧由4个数据子帧和1个特殊子帧组成。特殊子帧包括3个特殊时隙：DwPTS，GP和UpPTS，总长度为1ms。下行导频时隙保护间隔DwPTS用于下行传输同步符号，UpPTS也用于传输上行同步符号，不用于传输上行数据，而GP为保护间隔，防止上下行间的干扰。上行导频时隙DwPTS 和UpPTS的长度可配置，DwPTS的长度为3-12个OFDM符号，UpPTS的长度为1-2个 OFDM符号，相应的GP长度为1-10个OFDM符号。
S2：将物理层信号截取相应的长度，分隔出物理层头部信号，利用头部信息识别无线网络种类。
因为不同无线网络的物理层PHY规范不同，通过神经网络的训练学习，根据无线网络物理层头部信号的不同特征来识别不同的无线网络信号。训练完成后，通过无线电设备获取无线网络信号，截取物理层头部，根据截取到的头部信号识别无线网络的种类。通过识别无线网络的种类，能够实现在LAA背景下不同无线网络的共存，使得无线网络资源合理分配，提高无线网络的性能。识别时使用帧头部信息，在信息获取时不需要获取整段信息，所需采集的信息少。
S3：通过神经网络训练，深度学习，优化识别能力。
S31：输入接收到的无线信号的物理层头部信号或截取的头部信号。其中头部信号与截取的头部信号均为时域信号。
输入经过增强处理的不同无线网络头部信号，用于根据不同无线网络的头部信号识别无线网络的种类。输入截取的头部信号，用于测试以及丰富训练数据，提高识别的准确性。使用全卷积神经网络(FCN)，使得训练后能够快速准确地识别分类。
接收到的物理层头部信号取不同无线信号波形的前N位作为识别部分；N的取值应至少包含链路层、物理层的报头控制信息。在本实施例中，头部信号取不同无线信号波形的前 400位作为识别部分。
802.11a/g/j(OFDM)的Fs为20MHz，LTE的Fs为30.72MHz，根据其物理层规范，以头部信号位数最小者802.11a/g/j(OFDM)为基准，均取三种波形的前400位为要识别的部分，在信噪比的范围为-20-30之间，每个信噪比下三种波形各接收200个，在信噪比的范围为31-60之间，每个信噪比下三种波形各100个。
训练中的无线信号还包括移位的数据，移位包括头部信号后加发送的负荷数据比特和头部信号前面加噪声数据。
因对多协议进行识别时无法保证定时精准、每次正好取到头部信息，所以为使分类效果更加可信，训练也使用了移位后的数据部分。其中一部分信号加带发送的数据比特，另一部分信号则前面加带噪声部分，数据比特和噪声的长度为0-40的随机数。单独的噪声序列共 800条，分为两类，其中一类是1行400列的矩阵，占200条，另一类是1行10000列的矩阵在其中随机取相邻400列，占600条。数据比特和噪声的长度占整个训练数据样本长度的0～10％。
为统一噪声环境，使得其更符合实际的应用场景。在头部信号中增加不同信噪比的噪声信号。
S311：通过先计算原信号的功率值，固定噪声功率值。
S312：通过设定不同的信噪比得出该噪声功率和信噪比下的信号功率值。
S313：根据新的信号功率值与原信号的功率值调整信号的幅度。
统一噪声环境，使训练的数据更符合实际的应用场景，通过设定统一的噪声功率逆向计算信号的功率，进而调整信号波形。
S32：将输入的信号划分为训练集与测试集。
将输入的信号按照0.9的比例随机划分训练集与测试集。
S33：训练集输入分类网络模型中训练学习，分类网络模型采用全卷积神经网络(FCN)。
如图4所示，无线信号头部数据经过归一化处理后，进行稠密标记，将稠密标记后的信息输入到分类网络模型中进行训练学习。
针对定时同步问题，将时域信号中包含物理层头部信息的数据作为网络的输入数据，使用稠密标记(dense labeling)为不同的信号制作标签，并手动引入不同步，对网络进行训练，降低了对信道监听中对定时同步的要求。
S34：测试集输入分类网络模型，模型输出分类结果。
S4：对不同的无线网络进行共存管理与资源分配。
本实施例通过结合深度学习的方法，利用物理层的头部信号，完成LAA背景中对LTE 与WIFI信号的快速识别分类的要求，，对无线网络信号与噪声进行区分识别，并能在低信噪比的情况下实现高准确率。通过设定统一的噪声功率逆向计算信号的功率，进而调整信号波形，统一噪声环境，使得训练数据更加符合实际的应用场景。通过使用稠密标记技术来降低对于定时同步的要求。

Claims (5)

1.一种根据物理层头部信号进行频谱感知的方法，其特征在于，包括以下步骤：
S1：通过无线电设备接收到无线网络信号的物理层信号；
S2：将物理层信号截取相应的长度，分隔出物理层头部，利用头部信息识别无线网络种类；
S3：通过神经网络训练，深度学习，优化识别能力；
S4：对不同的无线网络系统进行共存管理与资源分配；
所述的步骤S3包括以下步骤：
S31：输入接收到的无线信号的物理层头部信号或截取的头部信号；
S32：将输入的信号划分为训练集与测试集；
S33：训练集输入分类网络模型中训练学习，所述的分类网络模型采用全卷积神经网络；
S34：测试集输入分类网络模型，模型输出分类结果；
对所述的头部信号经过归一化处理后，进行稠密标记，将稠密标记后的数据与稠密标签一同输入到分类网络中进行训练。
2.根据权利要求1所述的一种根据物理层头部信号进行频谱感知的方法，其特征在于，在所述的接收到的无线信号中增加不同信噪比的噪声信号。
3.根据权利要求2所述的一种根据物理层头部信号进行频谱感知的方法，其特征在于，所述的噪声信号增加步骤包括：
S311：通过先计算原信号的功率值，固定噪声功率值；
S312：通过设定不同的信噪比得出该噪声功率和信噪比下的信号功率值；
S313：根据新的信号功率值与原信号的功率值调整信号的幅度。
4.根据权利要求1所述的一种根据物理层头部信号进行频谱感知的方法，其特征在于，所述的接收到的物理层头部信号取不同无线信号波形的前N位作为识别部分；N的取值应至少包含链路层、物理层的报头控制信息。
5.根据权利要求3或4所述的一种根据物理层头部信号进行频谱感知的方法，其特征在于，训练时的数据包括移位的数据，所述的移位包括头部信号后加发送的负荷数据比特和头部信号前面加噪声数据；负荷数据比特和噪声的长度占整个训练信号数据样本长度的0~10%。
CN202010404803.9A 2020-05-13 2020-05-13 一种根据物理层头部信号进行频谱感知的方法 Active CN111817802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010404803.9A CN111817802B (zh) 2020-05-13 2020-05-13 一种根据物理层头部信号进行频谱感知的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010404803.9A CN111817802B (zh) 2020-05-13 2020-05-13 一种根据物理层头部信号进行频谱感知的方法

Publications (2)

Publication Number Publication Date
CN111817802A CN111817802A (zh) 2020-10-23
CN111817802B true CN111817802B (zh) 2022-04-19

Family

ID=72847683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010404803.9A Active CN111817802B (zh) 2020-05-13 2020-05-13 一种根据物理层头部信号进行频谱感知的方法

Country Status (1)

Country Link
CN (1) CN111817802B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101132363A (zh) * 2007-08-10 2008-02-27 北京邮电大学 基于强化学习的自主联合无线资源管理系统和方法
CN103179593A (zh) * 2013-04-12 2013-06-26 重庆大学 一种异构多认知无线网络共存环境中的网络识别方法
CN103609194A (zh) * 2011-07-07 2014-02-26 横河电机株式会社 通信装置、通信系统及通信方法
CN104144089A (zh) * 2014-08-06 2014-11-12 山东大学 一种基于bp神经网络进行流量识别的方法
CN110191073A (zh) * 2019-06-28 2019-08-30 华侨大学 一种适用于变化场景的基于深度学习的调制方式识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11521221B2 (en) * 2018-03-01 2022-12-06 Adobe Inc. Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101132363A (zh) * 2007-08-10 2008-02-27 北京邮电大学 基于强化学习的自主联合无线资源管理系统和方法
CN103609194A (zh) * 2011-07-07 2014-02-26 横河电机株式会社 通信装置、通信系统及通信方法
CN103179593A (zh) * 2013-04-12 2013-06-26 重庆大学 一种异构多认知无线网络共存环境中的网络识别方法
CN104144089A (zh) * 2014-08-06 2014-11-12 山东大学 一种基于bp神经网络进行流量识别的方法
CN110191073A (zh) * 2019-06-28 2019-08-30 华侨大学 一种适用于变化场景的基于深度学习的调制方式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的未知协议识别方法;张路煜等;《微电子学与计算机》;20180705;第35卷(第07期);第106-108页 *

Also Published As

Publication number Publication date
CN111817802A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
US9025684B2 (en) Method for generating and transmitting a reference signal for uplink demodulation in a clustered DFT-spread OFDM transmission scheme
CN105812112B (zh) 无线通信系统中导频的配置方法及装置
KR101079387B1 (ko) Ｏｆｄｍ 통신 환경에서 업링크 액세스 요청
CN109565361A (zh) 用于确定传输块大小的方法及无线装置
KR101412006B1 (ko) 무선랜 서비스 제공 방법 및 무선랜 시스템
CN110266462A (zh) 发射机传输方法和由接收机通过未授权带信道执行的方法
CN111884971B (zh) 测控信号与ofdm信号一体化波形共存传输系统
CN108632189B (zh) 上行数据的发送方法、装置及用户设备
CN102035786B (zh) 一种用于宽带无线通信系统的时分双工传输方法
CN107483166A (zh) 一种无线通信中的方法和装置
CN102790972B (zh) 一种基于zc序列生成资源请求信道的空中信号的方法及装置
US11956741B2 (en) Simultaneous transmission in multiple frequency segments
US8036190B2 (en) Methods and devices for allocating data in a wireless communication system
CN108540271A (zh) 一种适用于FBMC/OQAM的Alamouti传输方法、无线通信系统
WO2020234687A1 (en) Pdcch structure for coverage limited scenarios
WO2021012738A1 (zh) 同步信号块的发送、时隙位置确定方法及装置、存储介质、基站、终端
JP2008502273A (ja) Ｏｆｄｍ移動通信システムで時間同期獲得方法
Kumar et al. Impact of “Better than Nyquist” pulse shaping in GFDM PHY with LTE-compatible frame structure
CN111817802B (zh) 一种根据物理层头部信号进行频谱感知的方法
US8098757B2 (en) Method and apparatus for windowing orthogonal frequency division multiplexed signals
US20100323738A1 (en) Mobile station apparatus and communication method
CN105471567B (zh) 一种基于ofdm的数据传输方法、发射站点和接收站点
CN106911998A (zh) 用于基站和窄带用户设备的数据发送和接收方法及装置
EP3069487A1 (en) Interference mitigation for spectrum sharing
CN101325571A (zh) 参考信号的定位方法及装置

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