CN112073345A - 一种调制方式识别方法、装置、电子设备及存储介质 - Google Patents
一种调制方式识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112073345A CN112073345A CN202010738974.5A CN202010738974A CN112073345A CN 112073345 A CN112073345 A CN 112073345A CN 202010738974 A CN202010738974 A CN 202010738974A CN 112073345 A CN112073345 A CN 112073345A
- Authority
- CN
- China
- Prior art keywords
- modal
- fractal
- characteristic
- optimized
- statistical
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明实施例提供一种调制方式识别方法、装置、电子设备及存储介质,该方法包括:利用变分模态分解算法将接收信号分解为多个模态分量;提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。通过变分模态分解从分解后的模态分量中提取更具有分辨性的多重分形特征并结合统计特征,并且变分模态分解强大的信号分解能力能够将噪声从信号中分离出来,因此在低信噪比条件下也能够达到很好的识别效果。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种调制方式识别方法、装置、电子设备及存储介质。
背景技术
在通信技术中,利用不同的调制方式提高传输效率,在接收端通过解调恢复出信息的前提是已知信号的调制方式。同时调制方式是信号的一个重要的特征,在电磁环境监管中,掌握未知信号调制能够迅速确定其风险等级。因此调制方式识别是进行信号识别与信号解调前必不可少的一步。
现有技术中的调制方式识别主要包括最大似然的调制方式识别方法和基于特征的调制方式识别方法,基于最大似然的调制方式识别方法将接收信号通过匹配滤波器,然后计算所得样本序列的似然函数,并与某一门限作比较,从而做出判决。基于特征的调制方式识别方法利用不同调制方式的某些不同特征,尤其是不同调制类型的特征差异,通过提取信号的时域特征,进而通过分类器实现调制方式识别。
但是基于特征的调制方式识别方法在选择合适的特征情况下,能够达到较好的识别效果并且计算量小,但是已有的基于特征的调制方式识别方法在低信噪比条件下的识别效果差强人意,基于最大似然的调制方式识别方法理论上能够保证在贝叶斯最小错误概率准则下得到识别结果的最优性,但是这种方法计算量大并且对频率偏移、相位偏移等比较敏感。
因此如何更好的实现调制方式识别,已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种调制方式识别方法、装置、电子设备及存储介质,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种调制方式识别方法,包括:
利用变分模态分解算法将接收信号分解为多个模态分量;
提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;
将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
更具体的,所述提取每个模态分量的多重分形特征的步骤,具体包括:
通过多重分形降趋势分析法计算每个模态分量的多重分形谱和Hurst指数曲线;
从多重分形谱和Hurst指数曲线中提取有效参数作为每个模态分量的多重分形特征;
其中,所述有效参数包括:Hurst指数的最大值、Hurst指数的最小值、多重分形谱中Holder指数最大值、多重分形谱中Holder指数最小值、多重分形谱中Holder指数跨度和多重分形谱中最大值对应的Holder指数。
更具体的,所述提取每个模态分量的多重分形特征和统计特征的步骤,具体还包括:
提取每个模态分量的均值时域统计特征、方差时域统计特征、峰度时域统计特征和偏度时域统计特征,得到每个模态分类的时域统计特征,进而对每个模态分量进行傅里叶变换,得到每个模态分量的频域模态分量;
提取每个模态分量的频域模态分量的均值频域统计特征、方差频域统计特征、峰度频域统计特征和偏度频域统计特征得到每个模态分量的频域统计特征;
根据每个模态分量的频域统计特征和每个模态分量的时域统计特征得到每个模态分量的统计特征。
更具体的,所述将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息的步骤,具体包括:
将多个模态分量的多重分形特征和统计特征组成一维特征向量;
利用前向序列优化算法对所述一维特征向量进行优化,得到优化后的特征信息。
更具体的,在将所述优化后的特征信息输入训练好的分类器的步骤之前,所述方法还包括:
对每个优化后的样本特征信息进行调制方式标注,生成带标签的优化后的样本特征信息;
将所述带标签的优化后的样本特征信息进行归一化,得到训练样本集;
将所述训练样本集输入预设分类器,当满足预设训练条件时,得到训练好的分类器。
更具体的,在将所述优化后的特征信息输入训练好的分类器的步骤之前,所述方法还包括:
对每个优化后的样本特征信息进行调制方式标注,生成带标签的优化后的样本特征信息;
将所述带标签的优化后的样本特征信息进行归一化,得到训练样本集;
将所述训练样本集输入预设分类器,利用训练样本集训练优化分类器的具体参数,得到训练好的分类器。
第二方面,本发明实施例提供一种调制方式识别装置,包括:
分解模块,用于利用变分模态分解算法将接收信号分解为多个模态分量;
提取模块,用于提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;
识别模块,用于将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述调制方式识别方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述调制方式识别方法的步骤。
本发明实施例提供的一种调制方式识别方法、装置、电子设备及存储介质,通过变分模态分解从分解后的模态分量中提取更具有分辨性的多重分形特征并结合统计特征,并且变分模态分解强大的信号分解能力能够将噪声从信号中分离出来,因此在低信噪比条件下也能够达到很好的识别效果,再将多重分形特征和统计特征进行特征优化后,得到优化后的特征信息,优化后的特征信息输入训练好的分类器,输出调制方式分类结果,可以更准确有效的进行调制方式的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的调制方式识别方法流程示意图;
图2为本发明一实施例所描述的8种调制方式在不同信噪比下的分类准确率结果图;
图3为本发明一实施例所描述的8种调制方式在有无多重分形特征下的平均分类准确率对比图;
图4为本发明一实施例所描述的调制方式识别装置示意图;
图5为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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为本发明一实施例中所描述的调制方式识别方法流程示意图,如图1所示,包括:
步骤S1,利用变分模态分解算法将接收信号分解为多个模态分量;
步骤S2,提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;
步骤S3,将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
具体的,本发明实施例中所描述的接收信号是指需要进行调制方式识别的未知通信信号。
本发明实施例中所描述的多个模态分量的个数可以根据需要具体设定。
利用变分模态分解算法将接收信号分解为多个模态分量具体为:
步骤S11,初始化迭代次数m;
步骤S13,将m=m+1;
步骤S14,当k≤Nk时,更新第k个模态分量vk(t):
步骤S17,满足下列收敛条件停止迭代,否则回到步骤S12:
其中,为第k个模态分量vk(t)的傅里叶变换,为信号s(t)的傅里叶变换,Nk为模态分量总个数。δ为带宽约束系数,λ为拉格朗日系数,ξ为拉格朗日系数更新权重,ωk为第k个模态分量vk(t)的中心频率,∈为允许误差。
分别提取每个模态分量的多重分形特征和每个模态分量的统计特征,将每个接收信号所有模态分量的特征组成一个一维特征向量,进而利用前向序列优化(SequentialForward Selection;SFS)算法对一维特征向量进行优化以得到更有用的特征,从而降低后续训练模型的计算复杂度。
将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
本发明实施例中所描述的调制分类标签可以包括2ASK、2FSK、4FSK、BPSK、QPSK、16QAM、32QAM和64QAM等调制方式。
本发明实施例通过变分模态分解从分解后的模态分量中提取更具有分辨性的多重分形特征并结合统计特征,并且变分模态分解强大的信号分解能力能够将噪声从信号中分离出来,因此在低信噪比条件下也能够达到很好的识别效果,再将多重分形特征和统计特征进行特征优化,使得模型训练的数据更可靠,可以有效降低后续训练模型的计算复杂度,得到优化后的特征信息,将优化后的特征信息输入训练好的分类器,输出调制方式分类结果,可以更准确有效的进行调制方式的识别。可以更准确有效的进行调制方式的识别。
在上述实施例的基础上,所述提取每个模态分量的多重分形特征的步骤,具体包括:
通过多重分形降趋势分析法计算每个模态分量的多重分形谱和Hurst指数曲线;
从多重分形谱和Hurst指数曲线中提取有效参数作为每个模态分量的多重分形特征;
其中,所述有效参数包括:Hurst指数的最大值、Hurst指数的最小值、多重分形谱中Holder指数最大值、多重分形谱中Holder指数最小值、多重分形谱中Holder指数跨度和多重分形谱中最大值对应的Holder指数。
具体的,利用多重分形降趋波动分析法计算第一个模态分量v1(t)的多重分形谱f(α)和Hurst指数曲线H(q),构造新序列Y(n):将序列Y(n)划分成大小相同互不相交的Ns个区间段,每个区间段取s个数据点,从序列尾部开始做同样的处理;用最小二乘法估计第r个区间段的2阶多项式得到该区间段的残差计算局部均方根值:
计算全局q阶均方根值:
更换s值,根据Fq(s)∝sH(q)的关系得到Hurst指数曲线H(q);利用勒让德变换得到多重分形谱f(α),其中α为Holder指数。进而从得到的Hurst指数曲线和多重分形谱中提取多重分形特征,根据经验选择Hurst指数最大值Hmax(q)、Hurst指数最小值Hmin(q)和Hurst指数跨度ΔH(q)=Hmax(q)-Hmin(q)、多重分形谱f(α)中Holder指数最大值、多重分形谱f(α)中Holder指数最小值、Holder指数跨度和f(α)最大值对应的Holder指数作为多重分形特征。对其他模态分量进行同样的操作。
本发明实施例通过提取每个模态分量的多重分形特征的步骤,有利于后续调制方式识别的进行。
在上述实施例的基础上,所述提取每个模态分量的多重分形特征和统计特征的步骤,具体还包括:
提取每个模态分量的均值时域统计特征、方差时域统计特征、峰度时域统计特征和偏度时域统计特征,得到每个模态分类的时域统计特征,进而对每个模态分量进行傅里叶变换,得到每个模态分量的频域模态分量;
提取每个模态分量的频域模态分量的均值频域统计特征、方差频域统计特征、峰度频域统计特征和偏度频域统计特征得到每个模态分量的频域统计特征;
根据每个模态分量的频域统计特征和每个模态分量的时域统计特征得到每个模态分量的统计特征。
具体的,对一个模态分量v1(t)提取均值、方差、峰度、偏度4个时域统计特征,进一步,对v1(n)进行傅里叶变换得到并从中提取均值、方差、峰度、偏度4个频域统计特征。同样的,对其它模态分量行相同的处理,得到每个模态分量的统计特征。
在上述实施例的基础上,所述将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息的步骤,具体包括:
将多个模态分量的多重分形特征和统计特征组成一维特征向量;
利用前向序列优化算法对所述一维特征向量进行优化,得到优化后的特征信息。
具体的,每个接收信号均可以分解为多个模态分量,则相应的将每个接收信号的多个模态分量的多重分形特征和统计特征组成一维特征向量,可以得到每个接收信号的一维特征向量。
SFS算法对接收信号的一维特征向量进行优化,以筛选对训练更有效的数据,从而降低后续训练模型的计算复杂度。
SFS算法首先通过随机选择3个特征初始化特征池,每次增加一个特征来训练分类器,利用人工标记数据训练的分类器对测试集分类,根据分类准确率决定是否保留特征:若加入某一特征后分类准确率增加,则将该特征加入特征池;若加入该特征后分类准确率降低,则丢弃该特征。最终得到优化后的特征。
本发明实施例通过SFS算法可以有效对于训练数据进行筛选,筛选出对训练更有效的数据,从而降低后续训练模型的计算复杂度。
在上述实施例的基础上,在将所述优化后的特征信息输入训练好的分类器的步骤之前,所述方法还包括:
对每个优化后的样本特征信息进行调制方式标注,生成带标签的优化后的样本特征信息;
将所述带标签的优化后的样本特征信息进行归一化,得到训练样本集;
将所述训练样本集输入预设分类器,利用训练样本集训练优化分类器的具体参数,得到训练好的分类器。
其中,xi为第i个数据的特征向量,具体为利用SFS算法优化后的特征向量,yi为第i个数据的标签,Ns为数据集数目。
本发明实施例通过优化后的特征信息输入训练好的分类器,输出调制方式分类结果,可以更准确有效的进行调制方式的识别。
在上述实施例的基础上,在所述对每个优化后的样本特征信息进行调制方式标注的步骤之前,所述方法还包括:
利用变分模态分解算法将接收样本信号分解为多个样本模态分量;
提取每个样本模态分量的样本多重分形特征和样本统计特征,将每个样本模态分量的样本多重分形特征和样本统计特征进行特征优化后,得到优化后的样本特征信息。
本发明实施例通过SFS算法可以有效对于训练样本数据进行筛选,筛选出对训练更有效的样本数据,从而降低后续训练模型的计算复杂度。
在本发明另一实施例中,利用SMW200A矢量信号发生器产生了2ASK,2FSK,4FSK,BPSK,QPSK,16QAM,32QAM,64QAM共8种调制方式,并在添加不同强度的高斯白噪声以验证噪声对本发明的影响。信噪比范围为-5dB-15dB。为了保证分类效果的客观性,每个信噪比下的每种调制方式采集了300个样本,共采集了48000个样本,其中36000个样本作为训练样本,12000个样本作为测试样本。
对于采集的8种实际信号,本发明利用变分模态分解把每种调制方式信号分解为3个模态分量,并对每个模态分量提取多重分形特征和统计特征,将所有的特征组成一位特征向量,利用SFS算法优化特征,将优化后的特征作为输入训练极限学习机分类器,图2为本发明一实施例所描述的8种调制方式在不同信噪比下的分类准确率结果图,如图2所示,图3为本发明一实施例所描述的8种调制方式在有无多重分形特征下的平均分类准确率对比图,如图3所示,为验证多重分形特征的优势,本发明对比了提取多重分形特征和没有提取多重分形特征的分类结果。
图4为本发明一实施例所描述的调制方式识别装置示意图,如图4所示,包括:分解模块410、提取模块420和识别模块430;其中,分解模块410用于利用变分模态分解算法将接收信号分解为多个模态分量;其中,提取模块420用于提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;其中,识别模块430用于将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例通过变分模态分解从分解后的模态分量中提取更具有分辨性的多重分形特征并结合统计特征,并且变分模态分解强大的信号分解能力能够将噪声从信号中分离出来,因此在低信噪比条件下也能够达到很好的识别效果,再将多重分形特征和统计特征进行特征优化后,得到优化后的特征信息,优化后的特征信息输入训练好的分类器,输出调制方式分类结果,可以更准确有效的进行调制方式的识别。
图5为本发明一实施例所描述的电子设备结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:利用变分模态分解算法将接收信号分解为多个模态分量;提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:利用变分模态分解算法将接收信号分解为多个模态分量;提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:利用变分模态分解算法将接收信号分解为多个模态分量;提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种调制方式识别方法,其特征在于,包括:
利用变分模态分解算法将接收信号分解为多个模态分量;
提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;
将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
2.根据权利要求1所述调制方式识别方法,其特征在于,所述提取每个模态分量的多重分形特征的步骤,具体包括:
通过多重分形降趋势分析法计算每个模态分量的多重分形谱和Hurst指数曲线;
从多重分形谱和Hurst指数曲线中提取有效参数作为每个模态分量的多重分形特征;
其中,所述有效参数包括:Hurst指数的最大值、Hurst指数的最小值、多重分形谱中Holder指数最大值、多重分形谱中Holder指数最小值、多重分形谱中Holder指数跨度和多重分形谱中最大值对应的Holder指数。
3.根据权利要求1所述调制方式识别方法,其特征在于,所述提取每个模态分量的多重分形特征和统计特征的步骤,具体还包括:
提取每个模态分量的均值时域统计特征、方差时域统计特征、峰度时域统计特征和偏度时域统计特征,得到每个模态分类的时域统计特征,进而对每个模态分量进行傅里叶变换,得到每个模态分量的频域模态分量;
提取每个模态分量的频域模态分量的均值频域统计特征、方差频域统计特征、峰度频域统计特征和偏度频域统计特征得到每个模态分量的频域统计特征;
根据每个模态分量的频域统计特征和每个模态分量的时域统计特征得到每个模态分量的统计特征。
4.根据权利要求1所述调制方式识别方法,其特征在于,所述将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息的步骤,具体包括:
将多个模态分量的多重分形特征和统计特征组成一维特征向量;
利用前向序列优化算法对所述一维特征向量进行优化,得到优化后的特征信息。
5.根据权利要求1所述调制方式识别方法,其特征在于,在将所述优化后的特征信息输入训练好的分类器的步骤之前,所述方法还包括:
对每个优化后的样本特征信息进行调制方式标注,生成带标签的优化后的样本特征信息;
将所述带标签的优化后的样本特征信息进行归一化,得到训练样本集;
将所述训练样本集输入预设分类器,利用训练样本集训练优化分类器的具体参数,得到训练好的分类器。
6.根据权利要求5所述调制方式识别方法,其特征在于,在所述对每个优化后的样本特征信息进行调制方式标注的步骤之前,所述方法还包括:
利用变分模态分解算法将接收样本信号分解为多个样本模态分量;
提取每个样本模态分量的样本多重分形特征和样本统计特征,将每个样本模态分量的样本多重分形特征和样本统计特征进行特征优化后,得到优化后的样本特征信息。
7.一种调制方式识别装置,其特征在于,包括:
分解模块,用于利用变分模态分解算法将接收信号分解为多个模态分量;
提取模块,用于提取每个模态分量的多重分形特征和统计特征,将每个模态分量的多重分形特征和统计特征进行特征优化后,得到优化后的特征信息;
识别模块,用于将所述优化后的特征信息输入训练好的分类器,输出调制方式分类结果;
其中,所述训练好的分类器是通过优化后的样本特征信息和调制分类标签训练得到的。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述调制方式识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述调制方式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738974.5A CN112073345B (zh) | 2020-07-28 | 2020-07-28 | 一种调制方式识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738974.5A CN112073345B (zh) | 2020-07-28 | 2020-07-28 | 一种调制方式识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112073345A true CN112073345A (zh) | 2020-12-11 |
CN112073345B CN112073345B (zh) | 2021-08-31 |
Family
ID=73656279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738974.5A Active CN112073345B (zh) | 2020-07-28 | 2020-07-28 | 一种调制方式识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112073345B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800863A (zh) * | 2021-01-11 | 2021-05-14 | 吉林大学 | 用于通信信号调制模式识别的时频特征提取方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
US20190009089A1 (en) * | 2016-03-14 | 2019-01-10 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E.V. | Apparatus for applying electric pulses to living myocardial tissue |
CN109446928A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
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 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN110705387A (zh) * | 2019-09-16 | 2020-01-17 | 上海电机学院 | 一种基于云模型的通信信号特征提取方法及信号识别方法 |
-
2020
- 2020-07-28 CN CN202010738974.5A patent/CN112073345B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
US20190009089A1 (en) * | 2016-03-14 | 2019-01-10 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E.V. | Apparatus for applying electric pulses to living myocardial tissue |
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN109446928A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
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 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN110705387A (zh) * | 2019-09-16 | 2020-01-17 | 上海电机学院 | 一种基于云模型的通信信号特征提取方法及信号识别方法 |
Non-Patent Citations (2)
Title |
---|
张萌,王文等: ""基于HOG-SVM的跳频信号检测识别算法"", 《信息安全学报》 * |
罗亦泳等: ""基于改进VMD的变形特征提取与分析"", 《武汉大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800863A (zh) * | 2021-01-11 | 2021-05-14 | 吉林大学 | 用于通信信号调制模式识别的时频特征提取方法及系统 |
CN112800863B (zh) * | 2021-01-11 | 2022-07-01 | 吉林大学 | 用于通信信号调制模式识别的时频特征提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112073345B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
CN108629413B (zh) | 神经网络模型训练、交易行为风险识别方法及装置 | |
EP3968243A1 (en) | Method and apparatus for realizing model training, and computer storage medium | |
CN109086654B (zh) | 手写模型训练方法、文本识别方法、装置、设备及介质 | |
CN107451994A (zh) | 基于生成对抗网络的物体检测方法及装置 | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN111144566A (zh) | 神经网络权重参数的训练方法、特征分类方法及对应装置 | |
CN110190909B (zh) | 一种用于光通信的信号均衡方法及装置 | |
CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN112073345B (zh) | 一种调制方式识别方法、装置、电子设备及存储介质 | |
CN111813954A (zh) | 文本语句中两实体的关系确定方法、装置和电子设备 | |
CN116468938A (zh) | 一种在标签带噪数据上鲁棒的图像分类方法 | |
CN112598062A (zh) | 一种图像识别方法和装置 | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN113590764B (zh) | 训练样本构建方法、装置、电子设备和存储介质 | |
CN112101091B (zh) | 视频分类方法、电子设备和存储介质 | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
CN116246126A (zh) | 迭代无监督域自适应方法和装置 | |
CN115955375A (zh) | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 | |
CN115907003A (zh) | 基于度量学习的联邦学习恶意模型更新的检测方法及系统 | |
CN115146788A (zh) | 分布式机器学习模型的训练方法、装置、电设备存储介质 | |
CN114882582A (zh) | 基于联邦学习模式的步态识别模型训练方法与系统 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN116029957A (zh) | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 |
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 |