CN111901267A - 基于短时傅里叶变换时频分析的多天线盲调制识别方法 - Google Patents
基于短时傅里叶变换时频分析的多天线盲调制识别方法 Download PDFInfo
- Publication number
- CN111901267A CN111901267A CN202010731525.8A CN202010731525A CN111901267A CN 111901267 A CN111901267 A CN 111901267A CN 202010731525 A CN202010731525 A CN 202010731525A CN 111901267 A CN111901267 A CN 111901267A
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- modulation
- fourier transform
- short
- 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
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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0404—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas the mobile station comprising multiple antennas, e.g. to provide uplink diversity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Signal Processing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及认知无线电、通信信号调制识别技术领域,具体公开了一种基于短时傅里叶变换时频分析的多天线盲调制识别方法,采用短时傅里叶变换进行时频分析,可以清晰地提取到接收信号的时频特征,并生成接收信号的RGB时频图;采用卷积神经网络作为分类器,对RGB时频图进行训练分类,从而将传统意义上的信号识别问题转化为图像识别问题;对多天线系统各路接收天线的识别结果(采用“n‑out‑of‑Nr”的准则)进行决策融合,实现调制模式识别。相比现有多天线盲调制识别方法,本发明有益效果在于:结合短时傅里叶变换、卷积神经网络、决策融合,使得本发明在低噪声环境下仍然具有较高的识别精度,高达85%,并且本发明收敛速度快、复杂度低、易实现。
Description
技术领域
本发明涉及认知无线电、通信信号调制识别技术领域,尤其涉及基于短时傅里叶变换时频分析的多天线盲调制识别方法。
背景技术
盲调制识别技术是实现认知无线电的重要步骤,广泛应用于军用和民用通信中,如电子对抗战和电子监控等。然而,针对多天线系统,由于多路信号重叠对原始发送信号统计特性的破坏和对信道状态信息估计的困难,难以利用传统的基于似然估计和基于特征提取的调制识别方法来实现多天线系统的调制信号识别。
针对多天线系统盲调制识别的难题,学术界和工业界的研究才刚刚起步。现有的识别方法包括基于信道信息估计和特征提取的组合方法以及基于信道信息估计和似然估计的组合方法。这两类方法需要提前知道信道状态信息或信道信息进行估计,这在敌对(盲)环境下来实现是不现实的,且基于信道信息估计、特征提取、似然估计算法的缺陷,这类方法的精度往往不能让人满意。
发明内容
本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法,解决的技术问题是,现有多天线系统盲调制识别方法,需要提前知道信道状态信息或信道信息进行估计,不能应用在盲环境下,且识别精度不高。
为解决以上技术问题,本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法,包括步骤:
S1.利用信号发生器生成各种调制信号并模拟多天线系统的信道生成不同信噪比下的多路接收信号;
S2.对每路所述接收信号基于短时傅里叶变换进行时频分析,得到对应的多幅彩色时频图像;
S3.利用卷积神经网络对每幅所述彩色时频图像进行训练并测试分类,得到每路所述接收信号的分类结果;
S4.利用决策融合模块对每路所述接收信号的分类结果进行融合,得出所述多天线系统的调制类型。
进一步地,所述步骤S1中,所述信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成所述各种调制信号,所述多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。
进一步地,所述步骤S2具体包括步骤:
S21.对任一路所述接收信号y(n)利用汉明窗ω(n)加窗,得到第F个加窗后的信号yF(n);
S22.对加窗后的信号yF(n)进行短时傅里叶变换,得到对应的信号谱fF(k);
S23.将信号谱fF(k)取绝对值得到线性谱S(k,F);
S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F);
S25.组合归一化线性谱G(k,F),得到接收信号y(n)的灰度时频图G;
S26.对灰度时频图G进行色彩映射得到RGB时频图Ic。
进一步地,所述步骤S21中:
所述汉明窗ω(n)表示为:
其中,Rωw(n)表示宽度为ωs的矩形窗;
加窗后的信号yF(n)表示为:
yF(n)=y(Fδ+n)ω(n),n=0,...,ωs (2)
进一步地,
所述步骤S22中,信号谱fF(k)表示为:
其中,N/2-1为傅里叶变换的点数;
所述步骤S23中,线性谱S(k,F)表示为:
S(k,F)=|fF(k)| (4)
所述步骤S24中,归一化线性谱G(k,F)表示为:
其中,min(S)、max(S)分别表示S(k,F)中的最小和最大线性值。
进一步地,
所述步骤S25中,灰度时频图G表示为:
G=[G(k,1)T,...,G(k,F)T,...,G(k,NF)T] (6)
所述步骤S26中,RGB时频图Ic表示为:
Ic=fmap(G) (7)
RGB时频图Ic的大小为(N/2-1)×NF。
进一步地,所述步骤S4中,所述决策融合模块进行融合的步骤包括:
S41.根据对应的分类结果确定每路所述接收信号的调制方式;
S42.对多路所述接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。
进一步地,所述步骤S41中,第i路所述接收信号的最终调制方式mi表示为:
其中,K表示调制信号的种类数,dik表示第i路接收信号被识别为第k类调制方式的概率。
本发明提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法,采用短时傅里叶变换进行时频分析,可以清晰地提取到接收信号的时频特征,并生成接收信号的RGB时频图;采用卷积神经网络作为分类器,对RGB时频图进行训练分类,从而将传统意义上的信号识别问题转化为图像识别问题;对多天线系统各路接收天线的识别结果(采用“n-out-of-Nr”的准则)进行决策融合,实现调制模式识别。相比现有多天线盲调制识别方法,其有益效果在于:
结合短时傅里叶变换、卷积神经网络、决策融合,使得本发明在低噪声环境下仍然具有较高的识别精度,高达85%,并且本发明收敛速度快、复杂度低、易实现。
附图说明
图1是本发明实施例提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法的步骤流程图;
图2是本发明实施例提供的图1的工作流程图;
图3是本发明实施例提供的本发明仿真生成的RGB时频图样例;
图4是本发明实施例提供的本发明和其他方法的平均调制识别精度对比图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
(1)方法说明
为解决现有多天线系统盲调制识别方法,不能应用在盲环境下,且识别精度不高的技术问题,本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法,如图1、2所示,包括步骤:
S1.利用信号发生器生成各种调制信号x1(t)~xNr(t),并模拟多天线系统各个信道上的高斯白噪声n1(t)~nNr(t)从而生成不同信噪比下的多路接收信号y1(t)~yNr(t);
S2.对每路接收信号基于短时傅里叶变换进行时频分析,得到对应的多幅彩色时频图像Ic1~IcNr;
S3.利用卷积神经网络(CNN分类器)对每幅彩色时频图像进行训练并测试分类,得到每路接收信号的分类结果;
S4.利用决策融合模块对每路接收信号的分类结果进行融合,得出多天线系统的调制类型。
具体的,步骤S1中,信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成各种调制信号,多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。
进一步地,步骤S2具体包括如下步骤S21-S26。
S21.对多路接收信号y1(t)~yNr(t)中任一路接收信号y(n)利用汉明窗ω(n)加窗,得到第F个加窗后的信号yF(n)。
在该步骤S21中,汉明窗ω(n)表示为:
加窗后的信号yF(n)表示为:
yF(n)=y(Fδ+n)ω(n),n=0,...,ωs (2)
其中,ωs为汉明窗的长度,δ为相邻汉明窗之间的间隔,相邻汉明窗之间的信号重叠长度为ωs-δ,汉明窗的数量为L为信号长度,因此,原始信号y(n)被分割为NF个长度为ωs的加窗信号yF(n),F=1,...,NF。
S22.对加窗后的信号yF(n)进行短时傅里叶变换,得到对应的信号谱fF(k)。
在该步骤S22中,信号谱fF(k)表示为:
其中,N/2-1为傅里叶变换的点数。
S23.将信号谱fF(k)取绝对值得到线性谱S(k,F):
S(k,F)=|fF(k)| (4)
S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F):
其中,min(S)、max(S)分别表示S(k,F)中的最小和最大线性值。
S25.组合归一化线性谱G(k,F),得到接收信号y(n)的灰度时频图G:
G=[G(k,1)T,...,G(k,F)T,...,G(k,NF)T] (6)
S26.对灰度时频图G进行色彩映射得到RGB时频图Ic:
Ic=fmap(G) (7)
进一步地,在步骤S4中,决策融合模块进行融合的步骤包括:
S41.根据对应的分类结果确定每路接收信号的调制方式。
步骤S3中,第i路接收信号yi(n)的决策结果可以表示为di=[di1,...,dik,...,diK],其中K为调制信号的种类数。则本步骤S41中第i路接收信号的最终调制方式mi表示为:
其中,dik表示第i路接收信号被识别为第k类调制方式的概率。
S42.对Nr路接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。
本发明实施例提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法,采用短时傅里叶变换进行时频分析,可以清晰地提取到接收信号的时频特征,并生产接收信号的RGB时频图;采用卷积神经网络作为分类器,对RGB时频图进行训练分类,从而将传统意义上的信号识别问题转化为图像识别问题;对多天线系统各路接收天线的识别结果(采用“n-out-of-Nr”的准则)进行决策融合,实现调制模式识别。相比现有多天线盲调制识别方法,其有益效果在于:
结合短时傅里叶变换、卷积神经网络、决策融合,使得本发明在低噪声环境下仍然具有较高的识别精度,高达85%,并且本发明收敛速度快、复杂度低、易实现。
(2)实验仿真
为了证明本实施例上述方法实现的识别效果,本实施例进行了实验仿真,在仿真中,建立多天线系统时,考虑了[0,1]之间的随机信道衰减和一个符号间隔内的随机相移,并在调制信号中添加不同信噪比的高斯白噪声。多天线系统包括2根发射天线和4根接收天线,即Nt=2,Nr=4。调制信号包含:Θ1={2ASK,2FSK,2PSK,4ASK,4FSK,4PSK,8PSK,16QAM}(K=8,即8种调制信号)。此外,生成调制信号的参数设置如下:采样频率为16kHz,载波频率为2kHz,符号速率为100Hz,原始数字信号的长度为14,即每个调制信号包含(16000/100)×14=2240个样本点。在对基于迁移学习的AlexNet卷积神经网络的训练阶段,每种调制信号的信噪比由-2dB至10dB且以2dB为间隔变化(7个信噪比),每个信噪比下共生成100个调制信号(共7*100调制信号)。在测试阶段,每种调制信号在随机信噪比条件下生成100个测试调制信号(共8*7*100=5600个测试调制信号)。在RGB时频图生成过程中的参数设置如下,ωs=320,δ=5,N=2048,L=2240,NF=365。
如图3所示,图3(a)、(b)、(c)分别展示了本发明所提方法生成的10dB信噪比条件下的2ASK、2PSK和2FSK信号的RGB时频图,可以发现不同调制方式的RGB时频图具有很大的区别,具有图像识别的可行性。
将本发明所提方法在数据集Θ1下实现,并分别与基于特征提取、GoogLeNet和SqueezeNet的盲调制识别方法进行对比。基于特征提取的方法的基本思想为:提取原始信号的时频特征,转化为时频图,利用神经网络进行训练分类,不进行决策融合;基于GoogLeNet的盲调制识别方法的基本思想为:利用GoogLeNet替代所提算法中的AlexNet;基于SqueezeNet的盲调制识别方法的基本思想为:利用SqueezeNet替代所提算法的AlexNet。
图4展示了本发明算法和对比算法在数据集Θ1下的平均调制识别精度。本发明所提方法在-4dB的低信噪比情况下也可以达到80%以上的识别精度,在高信噪比下识别精度可以达到85%,识别性能明显优于基于特征提取、GoogLeNet和SqueezeNet的盲调制识别方法。可以看出,本实施例所提方法相对于基于特征提取的方法能明显提升多天线系统下的调制识别精度,并且具有良好的抗噪性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.基于短时傅里叶变换时频分析的多天线盲调制识别方法,其特征在于,包括步骤:
S1.利用信号发生器生成各种调制信号并模拟多天线系统的信道生成不同信噪比下的多路接收信号;
S2.对每路所述接收信号基于短时傅里叶变换进行时频分析,得到对应的多幅彩色时频图像;
S3.利用卷积神经网络对每幅所述彩色时频图像进行训练并测试分类,得到每路所述接收信号的分类结果;
S4.利用决策融合模块对每路所述接收信号的分类结果进行融合,得出所述多天线系统的调制类型。
2.如权利要求1所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法,其特征在于:所述步骤S1中,所述信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成所述各种调制信号,所述多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。
3.如权利要求1所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法,其特征在于,所述步骤S2具体包括步骤:
S21.对任一路所述接收信号y(n)利用汉明窗ω(n)加窗,得到第F个加窗后的信号yF(n);
S22.对加窗后的信号yF(n)进行短时傅里叶变换,得到对应的信号谱fF(k);
S23.将信号谱fF(k)取绝对值得到线性谱S(k,F);
S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F);
S25.组合归一化线性谱G(k,F),得到接收信号y(n)的灰度时频图G;
S26.对灰度时频图G进行色彩映射得到RGB时频图Ic。
6.如权利要求5所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法,其特征在于:
所述步骤S25中,灰度时频图G表示为:
G=[G(k,1)T,...,G(k,F)T,...,G(k,NF)T] (6)
所述步骤S26中,RGB时频图Ic表示为:
Ic=fmap(G) (7)
RGB时频图Ic的大小为(N2-1)×NF。
7.如权利要求4所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法,其特征在于,所述步骤S4中,所述决策融合模块进行融合的步骤包括:
S41.根据对应的分类结果确定每路所述接收信号的调制方式;
S42.对多路所述接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731525.8A CN111901267B (zh) | 2020-07-27 | 2020-07-27 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731525.8A CN111901267B (zh) | 2020-07-27 | 2020-07-27 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111901267A true CN111901267A (zh) | 2020-11-06 |
CN111901267B CN111901267B (zh) | 2021-07-02 |
Family
ID=73191071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731525.8A Active CN111901267B (zh) | 2020-07-27 | 2020-07-27 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111901267B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114374411A (zh) * | 2022-03-23 | 2022-04-19 | 江苏米特物联网科技有限公司 | 一种低频电力线载波拓扑识别方法 |
CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886967A (zh) * | 2017-11-18 | 2018-04-06 | 中国人民解放军陆军工程大学 | 一种深度双向门递归神经网络的骨导语音增强方法 |
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN108519812A (zh) * | 2018-03-21 | 2018-09-11 | 电子科技大学 | 一种基于卷积神经网络的三维微多普勒手势识别方法 |
CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
WO2019006473A1 (en) * | 2017-06-30 | 2019-01-03 | The Johns Hopkins University | ACTION RECOGNITION SYSTEMS AND METHOD USING MICRO-DOPPLER SIGNATURES AND RECURRING NEURAL NETWORKS |
CN109871757A (zh) * | 2019-01-11 | 2019-06-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于联合时频特征的雷达信号脉内调制类型识别方法 |
CN109935243A (zh) * | 2019-02-25 | 2019-06-25 | 重庆大学 | 基于vtlp数据增强及多尺度时频域空洞卷积模型的语音情感识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111178260A (zh) * | 2019-12-30 | 2020-05-19 | 山东大学 | 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法 |
CN111419213A (zh) * | 2020-03-11 | 2020-07-17 | 哈尔滨工业大学 | 一种基于深度学习的ecg心电信号生成方法 |
-
2020
- 2020-07-27 CN CN202010731525.8A patent/CN111901267B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019006473A1 (en) * | 2017-06-30 | 2019-01-03 | The Johns Hopkins University | ACTION RECOGNITION SYSTEMS AND METHOD USING MICRO-DOPPLER SIGNATURES AND RECURRING NEURAL NETWORKS |
CN107886967A (zh) * | 2017-11-18 | 2018-04-06 | 中国人民解放军陆军工程大学 | 一种深度双向门递归神经网络的骨导语音增强方法 |
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN108519812A (zh) * | 2018-03-21 | 2018-09-11 | 电子科技大学 | 一种基于卷积神经网络的三维微多普勒手势识别方法 |
CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
CN109871757A (zh) * | 2019-01-11 | 2019-06-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于联合时频特征的雷达信号脉内调制类型识别方法 |
CN109935243A (zh) * | 2019-02-25 | 2019-06-25 | 重庆大学 | 基于vtlp数据增强及多尺度时频域空洞卷积模型的语音情感识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111178260A (zh) * | 2019-12-30 | 2020-05-19 | 山东大学 | 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法 |
CN111419213A (zh) * | 2020-03-11 | 2020-07-17 | 哈尔滨工业大学 | 一种基于深度学习的ecg心电信号生成方法 |
Non-Patent Citations (4)
Title |
---|
RAHUL GUPTA: "《Design and Implementation of a Tree-Based Blind Modulation Classification Algorithm for Multiple-Antenna Systems》", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
吴昭: "《基于盲分离算法的心音信号分析》", 《中国优秀硕士学位论文全文数据库-医药卫生科技辑》 * |
王宇: "《基于极端学习机的空间相关MIMO系统的盲调制识别算法》", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
王辉: "《大动态信噪比下数字调制信号识别方法研究》", 《中国博士学位论文全文数据库-信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114374411A (zh) * | 2022-03-23 | 2022-04-19 | 江苏米特物联网科技有限公司 | 一种低频电力线载波拓扑识别方法 |
CN114374411B (zh) * | 2022-03-23 | 2022-06-07 | 江苏米特物联网科技有限公司 | 一种低频电力线载波拓扑识别方法 |
CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
CN117857270B (zh) * | 2024-03-07 | 2024-05-14 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111901267B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Jdid et al. | Machine learning based automatic modulation recognition for wireless communications: A comprehensive survey | |
CN111901267B (zh) | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 | |
CN110300078B (zh) | 基于课程学习的调制信号识别方法 | |
Petrova et al. | Multi-class classification of analog and digital signals in cognitive radios using support vector machines | |
Shahid et al. | A convolutional neural network approach for classification of lpwan technologies: Sigfox, lora and ieee 802.15. 4g | |
CN111428817A (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
Perenda et al. | Learning the unknown: Improving modulation classification performance in unseen scenarios | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN110191073B (zh) | 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 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN109617845A (zh) | 一种基于深度学习的无线通信解调器的设计及解调方法 | |
CN111431825B (zh) | 一种基于深度多流神经网络的信号自动分类识别方法 | |
Daldal et al. | Deep long short-term memory networks-based automatic recognition of six different digital modulation types under varying noise conditions | |
Vahidi et al. | Channel estimation, equalisation, and evaluation for high‐mobility airborne hyperspectral data transmission | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
Chen et al. | Automatic modulation classification using multi-scale convolutional neural network | |
Scholl | Classification of radio signals and hf transmission modes with deep learning | |
CN113518374B (zh) | Wifi干扰下无人机图传信号的射频识别方法 | |
Wang et al. | Residual learning based RF signal denoising | |
Essai et al. | Automatic Modulation Classification: Convolutional Deep Learning Neural Networks Approaches | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers | |
CN115243288B (zh) | 基于多节点合作感知的干扰识别方法和装置 |
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 |