CN112069883A - 一种融合一维二维卷积神经网络的深度学习信号分类方法 - Google Patents
一种融合一维二维卷积神经网络的深度学习信号分类方法 Download PDFInfo
- Publication number
- CN112069883A CN112069883A CN202010736397.6A CN202010736397A CN112069883A CN 112069883 A CN112069883 A CN 112069883A CN 202010736397 A CN202010736397 A CN 202010736397A CN 112069883 A CN112069883 A CN 112069883A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- neural network
- channel
- convolutional neural
- signal
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种融合一维二维卷积神经网络的深度学习信号分类方法,包括以下步骤:S1:使用无线电信号作为样本数据,分别处理IQ信号的I通道和Q通道,利用Gram矩阵将它们转化为不同的特征矩阵SI、SQ;S2:定义一个结构对称的一维卷积和二维卷积并联的卷积神经网络模型;S3:将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道;S4:在一维卷积和二维卷积每一个块单元结束后,将一维卷积的特征向量利用Gram矩阵转化为二维矩阵,再经过卷积后,叠加到二维卷积神经网络的特征矩阵上;S5:对卷积神经网络模型进行端到端的训练;S6:将样本数据输入训练完成的模型进行分类。本发明避免了人工提取特征的弊端、降低了时间复杂度、部署方便。
Description
技术领域
本发明涉及一种无线电信号分类方法。
背景技术
信号识别的主要过程包括特征提取和分类识别。目前,比较流行的无线电信号识别方式是依靠本领域的专家,挑选信号的功率谱密度最大值、瞬时相位标准差、相位脉冲个数、高阶矩、循环谱、信号包络峭度等时域/频域特征,然后利用传统的信号处理算法计算信号的特征参数值,最后利用基于特定规则的机器学习算法进行分类。通常,这类模型需要一个甚至几十个特征值作为模型输入,具有非常高的计算复杂度,不仅需要耗费大量的人力物力,同时由于信号波形的多样性和多径衰落效应的影响,这类特征选择和判决准则也缺乏普适性,因此很难实际部署使用。
人工智能在模式识别任务中有着得天独厚的优势。近年来,深度学习技术的发展极大的推动了图像/语音识别、医疗、自然语言处理、金融等诸多方面的进展,引起了社会的热切关注。事实上,从本质上来说,无线电信号识别也是模式识别的一种。因此本发明认为可以将人工智能技术与无线电信号识别融合,利用深度学习的算法,自动提取无线电信号内部的模式特征,避免了基于经验的人工特征提取带来的巨大的人力和物力消耗,提高模型在复杂无线电环境下的泛化能力,更加利于部署使用。
无线电信号从本质上来说是时域信号的一种,其在时域上具有前后相关性和时域连续性。目前,处理时序数据最典型的网络是长短期记忆网络(Long Short Term Memory,LSTM),如发表在IJCAI2016上的论文《Recurrent Neural Network for TextClassification with Multi-Task Learning》中便使用了LSTM对文本数据进行多分类,发表在CVPR2017上的论文《Deep Learning Human Mind for Automated VisualClassification》也是利用LSTM对脑电波信号进行特征提取,并利用特征进行视频分类。大量的实验已经证明,LSTM在时序信号处理上有着良好的效果。但是,依赖LSTM解决信号识别问题必须通过增加网络的深度来提取更高维度的信号特征,由于LSTM本身的特殊结构,依靠深度提升特征提取能力将会来网络规模特别是训练时间的急剧增加,而且LSTM网络训练的过程中容易发生梯度离散或者是梯度爆炸,参数的调整给训练带来了极大的时间和精力的消耗,实际应用价值限制很大。
现有的信号分类方法多为通过大量的计算和分析提取信号的特征来对信号进行分类。如申请号为200480024164.2的专利所公开的技术方案。该方案利用信号分析装置具备:频带分割单元,用来将输入信号分割为多个频带的信号;频带能量提取单元,用来针对被分割成各个频带的输入信号提取各个频带的频带能量;标准化单元,用来按每个频带标准化提取出来的频带能量,求取各个频带的标准化频带能量。利用这种结构,即使在高噪音环境中也能够获得稳定的信号识别精度。另外,在输入了完全没有噪声区间的信号的情况下或者在发声过程中噪声电平逐渐变化的情况下也能够获得稳定的信号识别精度。本发明的方法不需要较高的专业知识,仅通过构建卷积神经网络,即可实现具有可训练、端到端、自我学习能力的信号处理机制,解决了传统方法在提取特征上的复杂度和实际部署应用上的限制性,具有重大的意义。
发明内容
本发明要克服现有技术的特征提取方法需要较高的专业知识、时间复杂度较高、难以部署等方面的缺点,提供了一种端到端的融合一维二维卷积神经网络的深度学习信号分类方法。
本发明利用深度学习方法构建了一种融合一维和二维卷积神经网络的信号分类模型,该模型不需要对原始数据进行复杂的预处理操作,实现了端到端可训练的卷积神经网络,可以自适应提取信号的时序和“空间”特征。在公开数据集RML2016.10a上,精度达到59.68%;经过实验验证,本发明所提出的方法,网络结构小、参数量少,在整体精度显著高于ResNet50_V2的同时,参数量仅仅是ResNet50_V2的近四分之一,再次验证了本发明提出的方法效果良好。
表1本专利模型和ResNet50_V2的对比
本专利模型 | ResNet50_V2 | |
参数量 | 5.8M | 24M |
准确率 | 59.68% | 56.82% |
本发明实现上述发明目的所采用的技术方案如下:
一种融合一维二维卷积神经网络的深度学习信号分类方法,包括以下步骤:
S1:使用无线电信号作为样本数据,分别处理IQ信号的I通道和Q通道,利用Gram矩阵将它们转化为不同的特征矩阵SI、SQ;
S2:定义一个结构对称的一维卷积和二维卷积并联的卷积神经网络模型;
S3:将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道;
S4:在一维卷积和二维卷积每一个块单元结束后,将一维卷积的特征向量利用Gram矩阵转化为二维矩阵,再经过卷积后,叠加到二维卷积神经网络的特征矩阵上;
S5:对卷积神经网络模型进行端到端的训练;
S6:将样本数据输入训练完成的模型进行分类。
进一步的,所述步骤S1包括以下步骤:
S1.1:使用无线电信号作为样本数据:
本发明所使用的数据集包括但不限于11个调制类别:用于数字调制的BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和PAM4,以及用于模拟调制的WB-FM、AM-SSB和AM-DSB;
S1.2:制作特征矩阵:
首先,分别处理IQ信号的I通道和Q通道,将它们转化为不同的矩阵,IQ信号可以表示为:
I=[i1,i2,i3,…,iN]
Q=[q1,q2,q3,…,qN]
其中,N是每个通道的信号长度,处理I、Q通道的操作相同,本发明使用Gram矩阵对信号I的通道进行特征关联,得到一个特征矩阵SI,如下所示:
其中,N是每个通道的信号长度。通过Gram矩阵将原始信号数据转化成特征矩阵,可以在不破坏原始信号的结构信息下,表征信号两两特征之间的相关性,同时可以更好的把握信号的大体风格,更好的适应深度神经网络。
进一步的,所述步骤S2具体包括:
自定义一个结构对称的一维卷积和二维卷积神经网络,以保证步骤S4中的一维通路的信号数据可以和二维数据互相融合。
进一步的,所述步骤S3具体包括:
将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道,形成两个通路的模型训练。
进一步的,所述步骤S4具体包括:
将一维卷积通道每一个块单元结束后的特征向量利用步骤S1中的方法转化为对应的特征矩阵,并且依次加以1×1和3×3的二维卷积,分别来降低通道数量、提取更多的信号特征并且增强网络的稳定性。最后将形成的特征矩阵叠加到二维卷积通道上,为二维卷积神经网络补充在训练过程中被丢失的时序特征,以增强网络的表达能力。
进一步的,所示步骤S5具体包括:
整个卷积神经网络框架的训练是端到端的,一维卷积通道、二维卷积通道和步骤S4中所述的一维卷积和二维卷积交互网络可以一起训练或者交替训练,卷积神经网络的结构可以是任何典型深度学习网络中的任意一个,实验中为了满足叠加操作形状的一致性因此选择了结构对称的一维卷积和二维卷积神经网络。
最后,步骤S6具体包括:
将样本数据输入训练完成的模型进行分类,得到样本数据的调制类型。
本发明的技术构思为:一种融合一维二维卷积神经网络的深度学习信号分类方法,通过S1步骤中的Gram矩阵和S4步骤中的一维卷积和二维卷积交互的方法,本发明可以将信号数据中时序特征和信号整体的大体风格更好的关联起来,更好的进行信号数据的分类。卷积神经网络的结构可以是任何典型深度学习网络中的一个。整个深度学习框架搭建的过程可以分为两个部分:第一部分是一维和二维卷积通道的搭建,第二部分是一维二维交互通道的搭建。搭建一维二维的交互通道的目的是更好的为二维卷积神经网络补充在训练过程中被丢失的时序特征,以增强网络的表达能力。整个卷积神经网络框架的训练是端到端的,一维卷积通道、二维卷积通道和步骤S4中所述的一维卷积和二维卷积交互网络可以一起训练或者交替训练。另外,本发明可以设置不同的训练参数,例如不同的学习率和不同的权重衰减,同时网络参数也不一定要求对称。在本发明中,为方便起见,本发明以对称的参数对网络进行了训练。采取此方法,可以同时把握信号的整体风格和信号的局部特征,更好的提升网络的表达能力。实验结果证实了本方法的可行性和有效性。
本发明的有益效果为:1)使用深度卷积网络自动提取无线电信号的特征,充分利用了深度学习自我学习特征的优势,免去了繁琐的手动提取和特征设计的过程,避免了人工提取特征的弊端,大大降低了时间复杂度,简化了流程,节约了时间;2)无线电信号在时域上具有前后相关性和时序连续性,利用一维卷积神经网络所提取到的特征,可以更好的为二维卷积神经网络补充在训练过程中被丢失的时序特征,有效增强了网络的表达能力;3)本方法是针对信号分类问题的灵活框架,可以调整网络具体参数,在信号数据较长时可以先灵活利用一维卷积减少信号长度。研究人员可以根据自己的任务对其进行调整以获得更好的表现。
附图说明
图1为本发明方法的流程示意图。
图2为本发明方法的S4中所述的一维卷积和二维卷积交互网络。
图3为本发明方法的整体结构的示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细描述。
参照图1~图3,一种融合一维二维卷积神经网络的深度学习信号分类方法,包括以下步骤:
S1:使用无线电信号作为样本数据,分别处理IQ信号的I通道和Q通道,利用Gram矩阵将它们转化为不同的特征矩阵SI、SQ;
S2:定义一个结构对称的一维卷积和二维卷积并联的卷积神经网络模型;
S3:将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道;
S4:在一维卷积和二维卷积每一个块单元结束后,将一维卷积的特征向量利用Gram矩阵转化为二维矩阵,再经过卷积后,叠加到二维卷积网络的特征矩阵上;
S5:对卷积神经网络模型进行端到端的训练;
S6:将样本数据输入训练完成的模型进行分类。
进一步的,所述步骤S1包括以下步骤:
S1.1:使用无线电信号作为样本数据:
本发明采用的数据集为RML2016.10a,此数据集是公开的用于信号调制分类的数据集。它使用GNU Radio合成IQ信号样本。数据集包含11个调制类别:用于数字调制的BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和PAM4,以及用于模拟调制的WB-FM、AM-SSB和AM-DSB。信噪比范围为-20dB至18dB,每个样本的长度为128,训练集和测试集的大小分别为176000和44000。
S1.2:制作特征矩阵:
首先,分别处理IQ信号的I通道和Q通道,将它们转化为不同的矩阵,IQ信号可以表示为:
I=[i1,i2,i3,…,iN]
Q=[q1,q2,q3,…,qN]
其中,N是每个通道的信号长度,处理I、Q通道的操作相同,本发明使用Gram矩阵对信号I的通道进行特征关联,得到一个特征矩阵SI,如下所示:
其中,N是每个通道的信号长度。
进一步的,所述步骤S2具体包括:
自定义一个结构对称的一维卷积和二维卷积神经网络,以保证步骤S4中的一维通路的信号数据的长度可以和二维通路中的特征矩阵数据的形状相匹配,达到步骤S4中的张量数据可以互相融合的目的。
进一步的,所述步骤S3具体包括:
将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道,形成两个通路的模型训练。
进一步的,所述步骤S4具体包括:
将一维卷积通道每一个块单元结束后的特征向量利用步骤S1中的方法转化为对应的特征矩阵,为了减小模型的参数量和增强模型的非线性表达能力,使用1×1的二维卷积将特征矩阵的通道数降低为原来的一半;为了提取更多的特征,再利用3×3的二维卷积处理1×1的二维卷积输出的特征矩阵,将通道数乘2,即恢复为原来的通道数,最后将处理所得的特征矩阵叠加到步骤S2中所述的二维卷积神经网络中。
进一步的,所示步骤S5具体包括:
整个卷积神经网络框架的训练是端到端的,如图1所示,一维卷积通道、二维卷积通道和步骤S4中所述的一维卷积和二维卷积交互网络可以一起训练或者交替训练,卷积神经网络的结构可以是任何典型深度学习网络中的任意一个,实验中为了满足叠加操作形状的一致性因此选择了结构对称的一维卷积和二维卷积神经网络。如图3所示,本发明优选DenseNet121,网络增长速率为16,压缩率为0.5,为了提升网络的运算效率,本发明所有的卷积运算均不使用偏置项。
最后,步骤S6具体包括:
将样本数据输入训练完成的模型进行分类,得到样本数据的调制类型。
针对传统的特征提取方法需要较高的专业知识、时间复杂度较高、难以部署等方面的局限性,本发明设计了一种端到端的融合一维二维卷积神经网络的深度学习信号分类方法,通过一维卷积提取信号的时序特征,利用Gram矩阵将一维信号数据转化为二维,利用二维卷积提取信号的“空间特征”,同时使用了一种连接机制,关联了一维卷积通道和二维卷积通道,完成了信号的高精度、自适应识别。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种融合一维二维卷积神经网络的深度学习信号分类方法,其特征在于:包括以下步骤:
S1:使用无线电信号作为样本数据,分别处理IQ信号的I通道和Q通道,利用Gram矩阵将它们转化为不同的特征矩阵SI、SQ;
S2:定义一个结构对称的一维卷积和二维卷积并联的卷积神经网络模型;
S3:将无线电信号输入一维卷积通道,将SI、SQ输入二维卷积通道;
S4:在一维卷积和二维卷积每一个块单元结束后,将一维卷积的特征向量利用Gram矩阵转化为二维矩阵,再经过卷积后,叠加到二维卷积神经网络的特征矩阵上;
S5:对卷积神经网络模型进行端到端的训练;
S6:将样本数据输入训练完成的模型进行分类。
2.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法,其特征在于:所述步骤S1具体包括:
S1.1:使用无线电信号作为样本数据:
所使用的数据集包括但不限于11个调制类别:用于数字调制的BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和PAM4,以及用于模拟调制的WB-FM、AM-SSB和AM-DSB;
S1.2:制作特征矩阵:
首先,分别处理IQ信号的I通道和Q通道,将它们转化为不同的矩阵,IQ信号可以表示为:
I=[i1,i2,i3,…,iN]
Q=[q1,q2,q3,…,qN]
其中,N是每个通道的信号长度,处理I、Q通道的操作相同,使用Gram矩阵对信号I的通道进行特征关联,得到一个特征矩阵SI,如下所示:
其中,N是每个通道的信号长度,通过Gram矩阵将原始信号数据转化成特征矩阵。
3.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法,其特征在于:
步骤S2所述的卷积神经网络模型包括有二维卷积神经网络和一维卷积神经网络,所述一维卷积神经网络通道通过Gram矩阵以及另一个二维卷积神经网络和所述二维卷积神经网络通道相连,并在各自卷积层后加入全局平均池化层,最后利用全连接层进行分类。
4.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法,其特征在于:所述步骤S4具体包括:
将一维卷积通道每一个块单元结束后的特征向量利用步骤S1中的方法转化为对应的特征矩阵,并且依次加以1×1和3×3的二维卷积,最后将经过卷积运算的特征矩阵叠加到二维卷积通道上。
5.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法,其特征在于:所述步骤S5具体包括:
整个卷积神经网络框架的训练是端到端的,一维卷积通道、二维卷积通道和步骤S4中所述的一维卷积和二维卷积交互网络可以一起训练或者交替训练,卷积神经网络的主要结构选用任何典型深度学习网络中的任意一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010736397.6A CN112069883B (zh) | 2020-07-28 | 2020-07-28 | 一种融合一维二维卷积神经网络的深度学习信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010736397.6A CN112069883B (zh) | 2020-07-28 | 2020-07-28 | 一种融合一维二维卷积神经网络的深度学习信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069883A true CN112069883A (zh) | 2020-12-11 |
CN112069883B CN112069883B (zh) | 2024-03-29 |
Family
ID=73656815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010736397.6A Active CN112069883B (zh) | 2020-07-28 | 2020-07-28 | 一种融合一维二维卷积神经网络的深度学习信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069883B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580598A (zh) * | 2020-12-30 | 2021-03-30 | 浙江工业大学 | 一种基于多通道Diffpool的无线电信号分类方法 |
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN112866156A (zh) * | 2021-01-15 | 2021-05-28 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN113837036A (zh) * | 2021-09-09 | 2021-12-24 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
CN116468892A (zh) * | 2023-04-24 | 2023-07-21 | 北京中科睿途科技有限公司 | 三维点云的语义分割方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944493A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种基于卷积神经网络的第一导联心电图心拍分类方法 |
CN108154194A (zh) * | 2018-01-18 | 2018-06-12 | 北京工业大学 | 一种用基于张量的卷积网络提取高维特征的方法 |
CN110288018A (zh) * | 2019-06-24 | 2019-09-27 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
CN110703006A (zh) * | 2019-09-04 | 2020-01-17 | 国网浙江省电力有限公司金华供电公司 | 一种基于卷积神经网络的三相电能质量扰动检测方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
-
2020
- 2020-07-28 CN CN202010736397.6A patent/CN112069883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944493A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种基于卷积神经网络的第一导联心电图心拍分类方法 |
CN108154194A (zh) * | 2018-01-18 | 2018-06-12 | 北京工业大学 | 一种用基于张量的卷积网络提取高维特征的方法 |
CN110288018A (zh) * | 2019-06-24 | 2019-09-27 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
CN110703006A (zh) * | 2019-09-04 | 2020-01-17 | 国网浙江省电力有限公司金华供电公司 | 一种基于卷积神经网络的三相电能质量扰动检测方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580598A (zh) * | 2020-12-30 | 2021-03-30 | 浙江工业大学 | 一种基于多通道Diffpool的无线电信号分类方法 |
CN112580598B (zh) * | 2020-12-30 | 2024-02-13 | 浙江工业大学 | 一种基于多通道Diffpool的无线电信号分类方法 |
CN112866156A (zh) * | 2021-01-15 | 2021-05-28 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN112866156B (zh) * | 2021-01-15 | 2022-06-17 | 浙江工业大学 | 一种基于深度学习的无线电信号聚类方法及系统 |
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN112702294B (zh) * | 2021-03-24 | 2021-06-22 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN113780106B (zh) * | 2021-08-24 | 2024-02-27 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN113837036A (zh) * | 2021-09-09 | 2021-12-24 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
CN113837036B (zh) * | 2021-09-09 | 2024-08-02 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
CN116468892A (zh) * | 2023-04-24 | 2023-07-21 | 北京中科睿途科技有限公司 | 三维点云的语义分割方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112069883B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069883A (zh) | 一种融合一维二维卷积神经网络的深度学习信号分类方法 | |
CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
Tu et al. | Complex-valued networks for automatic modulation classification | |
Li et al. | Robust automated VHF modulation recognition based on deep convolutional neural networks | |
Tu et al. | Deep neural network compression technique towards efficient digital signal modulation recognition in edge device | |
CN110070101B (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN111314257B (zh) | 一种基于复值神经网络的调制方式识别方法 | |
CN108616470A (zh) | 基于卷积神经网络的调制信号识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN112153616B (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
Zhang et al. | Automatic modulation classification using a deep multi-stream neural network | |
CN109269547A (zh) | 基于线谱的水下目标舰船检测方法 | |
CN108712397A (zh) | 基于深度学习的通信协议识别方法 | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
Sang et al. | Application of novel architectures for modulation recognition | |
CN111431825A (zh) | 一种基于深度多流神经网络的信号自动分类识别方法 | |
Liang et al. | Attention mechanism based ResNeXt network for automatic modulation classification | |
Wang et al. | Communication modulation signal recognition based on the deep multi-hop neural network | |
Liang et al. | Wireless channel data augmentation for artificial intelligence of things in industrial environment using generative adversarial networks | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN109886097A (zh) | 一种基于人工鱼群优化h-elm的疲劳驾驶检测方法 | |
Wu et al. | Deep multi-scale representation learning with attention for automatic modulation classification | |
CN112101460A (zh) | 基于深度学习分类的频谱感知方法及装置 | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems |
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 |