CN112241724A - 一种基于双路卷积长短期神经网络的自动识别方法及系统 - Google Patents

一种基于双路卷积长短期神经网络的自动识别方法及系统 Download PDF

Info

Publication number
CN112241724A
CN112241724A CN202011186593.7A CN202011186593A CN112241724A CN 112241724 A CN112241724 A CN 112241724A CN 202011186593 A CN202011186593 A CN 202011186593A CN 112241724 A CN112241724 A CN 112241724A
Authority
CN
China
Prior art keywords
neural network
layer
term
convolutional
long
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
Application number
CN202011186593.7A
Other languages
English (en)
Other versions
CN112241724B (zh
Inventor
郭业才
胡国乐
王庆伟
李晨
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.)
Binjiang College of Nanjing University of Information Engineering
Original Assignee
Binjiang College of Nanjing University of Information Engineering
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 Binjiang College of Nanjing University of Information Engineering filed Critical Binjiang College of Nanjing University of Information Engineering
Priority to CN202011186593.7A priority Critical patent/CN112241724B/zh
Publication of CN112241724A publication Critical patent/CN112241724A/zh
Application granted granted Critical
Publication of CN112241724B publication Critical patent/CN112241724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明公开一种基于双路卷积长短期神经网络的自动识别方法及系统，利用将无线电信号的同向分量和正交分量转换成幅度分量和相位分量；构造双路神经网络，将简单的同向正交分量送入到卷积神经网络，同时，将转换的幅度相位分量送入到长短期神经网络进行识别；然后，将两路神经网络提取的时空特征进行信息融合，连接成一个新的特征矩阵；训练神经网络，使用softmax分类器完成信号识别分类。本发明基于双路卷积长短期神经网络，可以同时提取信号的时间和空间特征，并且为不同的特征选择适合的神经网络，充分利用神经网络提取特征的能力，学习更好的性能，提高分类的准确率。

Description

一种基于双路卷积长短期神经网络的自动识别方法及系统
技术领域
本发明属于深度学习领域，具体涉及一种基于双路卷积长短期神经网络的自动调制识别方法及系统，用于射频信号调制方式识别分类。
背景技术
自动调制识别方法主要有基于似然和基于特征两类。基于似然的识别方法通过接收信号的似然函数，把似然比和对应阈值进行比较，做出判决。基于特征的识别方法关键特征可分为时域特征：瞬时振幅、相位、频率；变换域特征：小波变换、傅里叶变换；高阶统计特征等。传统的方法准确率较低，运算量大，识别困难。深度学习以其杰出的特征提取能力广泛应用于自动调制识别方面。不同的模型结构对于不同的特征有不同的敏感度，因此，用双路神经网络结构提取不同的特征，使识别效果更加准确。
发明内容
发明目的：本发明提供一种基于双路卷积长短期神经网络的自动识别方法及系统，解决的是单个神经网络只能提取单一特征，导致特征提取不完全，从而达到更好的识别效果。
技术方案：本发明所述的一种基于双路卷积长短期神经网络的自动识别方法，具体包括以下步骤：
(1)将无线电信号的同相分量和正交分量转换成幅度分量和相位分量；
(2)构造双路神经网络，将简单的同向正交分量送入到卷积神经网络，同时，将转换的幅度相位分量送入到长短期神经网络进行识别；
(3)将两路神经网络提取的时空特征进行信息融合，连接成一个新的特征矩阵；
(4)训练双路神经网络，使用softmax分类器完成信号识别分类。
进一步地，所述步骤(1)通过以下公式实现：
Figure BDA0002751608180000011
其中，XA表示信号幅度分量，XP表示信号相位分量，XI和XQ分别代表同相和正交分量。
进一步地，步骤(2)所述的双路神经网络分别为卷积神经网络和长短期神经网路；所述卷积神经网络由一层卷积网络层构成，卷积网络层由卷积滤波和非线性激活函数ReLU构成，卷积网络层的滤波器大小为1*3，个数为256个；所述长短期神经网路由两层神经网络层构成，每层有256个神经单元。
进一步地，步骤(3)所述的两路神经网络提取的特征进行融合，采用特征相连的方式，表达式如下：
Figure BDA0002751608180000021
其中，concat表示融合后的信息，fCNN(XI/Q)表示信号矩阵X的同相正交(In-phase/Quadrature,I/Q)分量经过卷积神经网络(CNN)之后的特征矩阵，fLSTM(XA/P)表示信号矩阵X的幅度相位(Amplitude/Phase,A/P)分量经过长短期神经网络(LSTM)之后的特征矩阵，
Figure BDA0002751608180000022
表示两个特征矩阵相连。
进一步地，步骤(4)所述的训练双路神经网络采用反向传播算法，多分类激活函数softmax作为最后一层的激活函数，目标函数为交叉熵损失函数，表达式如下：
Figure BDA0002751608180000023
Figure BDA0002751608180000024
其中，Loss表示交叉熵损失函数，N为样本个数，yi和
Figure BDA0002751608180000025
分别是输出对象是第i种调制方式的真实概率和预测概率，使用反向传播算法来对损失函数求导；σ函数表示softmax激活函数，z表示输入数据，k表示调制类别数。
本发明还提供一种基于双路卷积长短期神经网络的自动识别系统，包括输入层、卷积神经网络层、长短期神经网路层、融合层以及输出层；所述卷积神经网络层和长短期神经网路层采用并联的方式同时提取信号的不同特征；所述输入层对输入信息进行收集，将采集到的调制信号作为2*128大小的矩阵进行处理，其中信号采样的同相和正交部分分开；所述卷积神经网络层提取信号的空间特征，采用一个卷积层，卷积核大小为1*3，卷积层节点数为256个，后面连接一个dropout层，激活函数使用ReLU函数；所述长短期神经网路层提取信号的时间特征，采用两层LSTM，每层有256个神经单元逐层从调制信号中提取有用信息，并且使用了L2正则化防止模型过度拟合；所述融合层将卷积神经网络提取的空间特征和长短期神经网路提取的时间特征进行融合，两路特征通过特征相连串接成新的特征矩阵。
有益效果：与现有技术相比，本发明的有益效果：本发明基于双路卷积长短期神经网络，可以同时提取信号的时间和空间特征，并且为不同的特征选择适合的神经网络，充分利用神经网络提取特征的能力，学习更好的性能，提高分类的准确率。
附图说明
图1是基于卷积长短期神经网络的自动识别系统结构图；
图2是两路神经网络得到的特征矩阵到融合矩阵的示意图；
图3是LSTM网络对不同输入信号的识别率；
图4是CNN网络对不同输入信号的识别率；
图5是不同LSTM层数对识别性能的影响；
图6是不同CNN层数对识别性能的影响；
图7是不同算法的识别率。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明提供一种基于卷积长短期神经网络的自动识别系统，如图1所示，基于卷积长短期神经网络的自动识别网络结构包括输入层、卷积神经网络(CNN)层和长短期神经网路(LSTM)层、融合层以及输出层；其中CNN层和LSTM层采用并联的方式同时提取信号的不同特征。
输入层主要完成输入信息的收集，将采集到的调制信号作为2*128大小的矩阵进行处理，其中信号采样的同相和正交部分分开。CNN层主要提取信号的空间特征，采用一个卷积层，卷积核大小为1*3，卷积层节点数为256个，后面是一个dropout层，防止模型过度拟合，dropout率设置为0.4，其中激活函数使用ReLU函数，ReLU函数定义为ReLU(x)＝max(0,x)。LSTM层主要提取信号的时间特征，采用两层LSTM层，每层有256个神经单元逐层从调制信号中提取有用信息，并且使用了L2正则化防止模型过度拟合。融合层主要将CNN网络提取的空间特征和LSTM提取的时间特征进行融合，两路特征通过特征相连的方式串接成新的特征矩阵。输出层主要完成各个调制方式的预测概率向量，采用全连接层和softmax函数，全连接层将融合特征映射到稀疏空间，softmax函数将全连接输出映射到(0,1)区间内，选取概率最大的节点作为预测目标，最后判定何种调制方式：
Figure BDA0002751608180000041
其中，
Figure BDA0002751608180000042
表示输出对象是第i种调制方式的预测概率，σ函数表示softmax激活函数，z表示输入数据，k表示调制类别数。
本发明还提供一种基于卷积长短期神经网络的自动识别方法，具体包括以下步骤：
步骤1：利用RadioML2016.10a数据集，将无线电信号的同相分量和正交分量转换成幅度分量和相位分量。
将无线电信号的同相分量和正交分量转换成幅度和相位分量，利用下式进行计算：
Figure BDA0002751608180000043
Figure BDA0002751608180000044
式中，XA表示信号幅度分量，XP表示信号相位分量，XI和XQ分别代表同相和正交分量。
步骤2：构造双路神经网络，将简单的同向正交分量送入到卷积神经网络，同时，将转换的幅度相位分量送入到长短期神经网络进行识别。
双路神经网络分别为卷积神经网络(CNN)和长短期神经网路(LSTM)。CNN由一层卷积网络层构成，卷积网络层由卷积滤波和非线性激活函数ReLU构成，卷积网络层的滤波器大小为1*3，个数为256个。LSTM由两层神经网络层构成，每层由256个神经单元。
步骤3：将双路神经网络提取的时空特征进行信息融合，连接成一个新的特征矩阵。
同相正交分量更适合CNN网络提取空间特征，幅度相位分量更适合LSTM网络提取时间特征，将两种特征采用特征相连(“concatenate”)的方式，表达式如下：
Figure BDA0002751608180000051
其中，concat表示融合后的信息，fCNN(XI/Q)表示信号矩阵X的同相正交(In-phase/Quadrature,I/Q)分量经过卷积神经网络(CNN)之后的特征矩阵，fLSTM(XA/P)表示信号矩阵X的幅度相位(Amplitude/Phase,A/P)分量经过长短期神经网络(LSTM)之后的特征矩阵，
Figure BDA0002751608180000052
表示两个特征矩阵相连，具体方式如图2所示，左边分别表示两路神经网络得到的特征矩阵，采用特征相连的方式，得到右边的融合矩阵。
步骤4：训练双路神经网络，使用softmax分类器完成信号识别分类。
训练神经网络过程采用反向传播算法，多分类激活函数softmax作为最后一层的激活函数，目标函数为交叉熵损失函数，表达式如下：
Figure BDA0002751608180000053
其中，Loss表示交叉熵损失函数，N为样本个数，yi和
Figure BDA0002751608180000054
分别是输出对象是第i种调制方式的真实概率和预测概率，使用反向传播算法来对损失函数求导，使网络学习更好的性能。
数据集是开源软件无线平台生成的RadioML2016.10a数据集，70％的数据集被随机选择用于训练，30％用于测试。为了避免局部优化，采用最小批数为1024个向量的随机梯度下降法。优化器使用Adam，学习率设置为0.01。模型在GPU上训练100个周期，同时加入了early-stopping机制，耐心值设置为5。实施平台是使用带有Tensorflow的Keras作为后端，配备3.40GHz CPU，16GB RAM和单个NVIDA GeForce GTX 1080GPU的系统。
图3和图4是不同模型输入不同类型的信号训练的模型的性能。从图中得知幅度相位(Amplitude/Phase,A/P)分量更适合于LSTM结构提取时序特征进行序列分类，同相正交(In-phase/Quadrature,I/Q)分量更适合于CNN结构提取空间特征进行信号分类。如果只向LSTM网络提供I/Q分量，结果会很糟，因为LSTM不能提取任何有意义的表示，该模型甚至不能减少训练损失，在数据集上只能给出27％的准确率。同样，CNN网络中的A/P分量也无法产生比I/Q分量更好的效果。
图5是LSTM层数对识别性能的影响。第一层LSTM提取的初步时序特征为输入后，多层LSTM网络进一步提取时序特征。图5表明，LSTM层数过少可能导致特征提取不完全，从而识别效果较差；过多则会达到饱和状态，继续增加层数只会造成网络臃肿，性能难以提升。
图6是CNN层数对识别性能的影响，当采用一层卷积层时，网络有最高的识别精度；当增加卷积层后，网络性能下降，说明网络采取一层卷积层提取的特征就很好的反映调制样式信息，再增加卷积层只会提取冗余特征，只会增加网络复杂度，泛化能力下降。
图7是不同算法的性能比较，图中将本发明(DCL)、CNN2(两个卷积层和两个密集层，滤波器的数量分别是256和80个，大小分别为1*3和2*3，两层密集层的神经单元数量为128和11个)、CNN4(在CNN2基础上增加两层卷积层)、ResNet(三个残差块和三个完全连接的层位于三个残差堆栈后面)、CLDNN(CNN+LSTM+DNN)和AMCNet(四个卷积层，dropout层和高斯噪声层)进行对比，图7表明，五种方法的识别性能均随着信噪比的增加而提高。单个CNN模型只提取空间特征，导致大量有价值的信息丢失，因此识别准确率仅为73％。ResNet模型的核心是在前层和后层之间创建捷径(跳过连接)，这些特性使得ResNet能够取得比CNN更好的性能，但是，随着网络的深入，ResNet网络的分类精度会大大降低。CLDNN是CNN、LSTM和DNN的组合，采用的串联的方式，模型结构复杂，识别精度高于除我们提出的网络模型。双路卷积长短期模型能够同时提取时间和空间特征，采用双路融合的方式，识别率最高。显然，本发明的优势十分明显。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于双路卷积长短期神经网络的自动识别方法，其特征在于，包括以下步骤：
(1)将无线电信号的同相分量和正交分量转换成幅度分量和相位分量；
(2)构造双路神经网络，将简单的同向正交分量送入到卷积神经网络，同时，将转换的幅度相位分量送入到长短期神经网络进行识别；
(3)将两路神经网络提取的时空特征进行信息融合，连接成一个新的特征矩阵；
(4)训练双路神经网络，使用softmax分类器完成信号识别分类。
2.根据权利要求1所述的基于双路卷积长短期神经网络的自动识别方法，其特征在于，所述步骤(1)通过以下公式实现：
Figure FDA0002751608170000011
其中，XA表示信号幅度分量，XP表示信号相位分量，XI和XQ分别代表同相和正交分量。
3.根据权利要求1所述的基于双路卷积长短期神经网络的自动识别方法，其特征在于，步骤(2)所述的双路神经网络分别为卷积神经网络和长短期神经网路；所述卷积神经网络由一层卷积网络层构成，卷积网络层由卷积滤波和非线性激活函数ReLU构成，卷积网络层的滤波器大小为1*3，个数为256个；所述长短期神经网路由两层神经网络层构成，每层有256个神经单元。
4.根据权利要求1所述的基于双路卷积长短期神经网络的自动识别方法，其特征在于，步骤(3)所述的两路神经网络提取的特征进行融合，采用特征相连的方式，表达式如下：
Figure FDA0002751608170000012
其中，concat表示融合后的信息，fCNN(XI/Q)表示信号矩阵X的同相正交(In-phase/Quadrature,I/Q)分量经过卷积神经网络(CNN)之后的特征矩阵，fLSTM(XA/P)表示信号矩阵X的幅度相位(Amplitude/Phase,A/P)分量经过长短期神经网络(LSTM)之后的特征矩阵，
Figure FDA0002751608170000013
表示两个特征矩阵相连。
5.根据权利要求1所述的基于双路卷积长短期神经网络的自动识别方法，其特征在于，步骤(4)所述的训练双路神经网络采用反向传播算法，多分类激活函数softmax作为最后一层的激活函数，目标函数为交叉熵损失函数，表达式如下：
Figure FDA0002751608170000021
Figure FDA0002751608170000022
其中，Loss表示交叉熵损失函数，N为样本个数，yi和
Figure FDA0002751608170000023
分别是输出对象是第i种调制方式的真实概率和预测概率，使用反向传播算法来对损失函数求导；σ函数表示softmax激活函数，z表示输入数据，k表示调制类别数。
6.一种采用如权利要求1所述方法的基于双路卷积长短期神经网络的自动识别系统，其特征在于，所述系统包括输入层、卷积神经网络层、长短期神经网路层、融合层以及输出层；所述卷积神经网络层和长短期神经网路层采用并联的方式同时提取信号的不同特征；所述输入层对输入信息进行收集，将采集到的调制信号作为2*128大小的矩阵进行处理，其中信号采样的同相和正交部分分开；所述卷积神经网络层提取信号的空间特征，采用一个卷积层，卷积核大小为1*3，卷积层节点数为256个，后面连接一个dropout层，激活函数使用ReLU函数；所述长短期神经网路层提取信号的时间特征，采用两层LSTM，每层有256个神经单元逐层从调制信号中提取有用信息，并且使用了L2正则化防止模型过度拟合；所述融合层将卷积神经网络提取的空间特征和长短期神经网路提取的时间特征进行融合，两路特征通过特征相连的方式串接成新的特征矩阵；所述输出层通过softmax分类器完成调制信号的识别。
CN202011186593.7A 2020-10-30 2020-10-30 一种基于双路卷积长短期神经网络的自动识别方法及系统 Active CN112241724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011186593.7A CN112241724B (zh) 2020-10-30 2020-10-30 一种基于双路卷积长短期神经网络的自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011186593.7A CN112241724B (zh) 2020-10-30 2020-10-30 一种基于双路卷积长短期神经网络的自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN112241724A true CN112241724A (zh) 2021-01-19
CN112241724B CN112241724B (zh) 2023-12-15

Family

ID=74170157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011186593.7A Active CN112241724B (zh) 2020-10-30 2020-10-30 一种基于双路卷积长短期神经网络的自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN112241724B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112887239A (zh) * 2021-02-15 2021-06-01 青岛科技大学 基于深度混合神经网络的快速准确水声信号调制方式识别方法
CN113486724A (zh) * 2021-06-10 2021-10-08 重庆邮电大学 基于cnn-lstm多支流结构和多种信号表示的调制识别模型
CN114422311A (zh) * 2022-01-26 2022-04-29 中国人民解放军战略支援部队信息工程大学 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN115392325A (zh) * 2022-10-26 2022-11-25 中国人民解放军国防科技大学 一种基于CycleGan的多特征降噪调制识别方法
CN115549780A (zh) * 2022-08-30 2022-12-30 北京邮电大学 光通信网络性能参数监测方法及装置
CN117131416A (zh) * 2023-08-21 2023-11-28 四川轻化工大学 一种小样本调制识别方法、系统、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法
CN108446021A (zh) * 2018-02-28 2018-08-24 天津大学 基于压缩感知的p300脑机接口在智能家居中的应用方法
CN108537794A (zh) * 2018-04-19 2018-09-14 上海联影医疗科技有限公司 医学图像数据处理方法、装置和计算机可读存储介质
CN109194423A (zh) * 2018-08-13 2019-01-11 中国人民解放军陆军工程大学 基于优化的长短期记忆模型的单频点频谱预测方法
CN109394258A (zh) * 2018-09-18 2019-03-01 平安科技（深圳）有限公司 一种肺部呼吸音的分类方法、装置及终端设备
CN109597891A (zh) * 2018-11-26 2019-04-09 重庆邮电大学 基于双向长短时记忆神经网络的文本情感分析方法
CN110059565A (zh) * 2019-03-20 2019-07-26 杭州电子科技大学 一种基于改进卷积神经网络的p300脑电信号识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法
CN108446021A (zh) * 2018-02-28 2018-08-24 天津大学 基于压缩感知的p300脑机接口在智能家居中的应用方法
CN108537794A (zh) * 2018-04-19 2018-09-14 上海联影医疗科技有限公司 医学图像数据处理方法、装置和计算机可读存储介质
CN109194423A (zh) * 2018-08-13 2019-01-11 中国人民解放军陆军工程大学 基于优化的长短期记忆模型的单频点频谱预测方法
CN109394258A (zh) * 2018-09-18 2019-03-01 平安科技（深圳）有限公司 一种肺部呼吸音的分类方法、装置及终端设备
CN109597891A (zh) * 2018-11-26 2019-04-09 重庆邮电大学 基于双向长短时记忆神经网络的文本情感分析方法
CN110059565A (zh) * 2019-03-20 2019-07-26 杭州电子科技大学 一种基于改进卷积神经网络的p300脑电信号识别方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887239A (zh) * 2021-02-15 2021-06-01 青岛科技大学 基于深度混合神经网络的快速准确水声信号调制方式识别方法
CN112887239B (zh) * 2021-02-15 2022-04-26 青岛科技大学 基于深度混合神经网络的快速准确水声信号调制方式识别方法
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
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
CN113486724A (zh) * 2021-06-10 2021-10-08 重庆邮电大学 基于cnn-lstm多支流结构和多种信号表示的调制识别模型
CN114422311A (zh) * 2022-01-26 2022-04-29 中国人民解放军战略支援部队信息工程大学 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN114422311B (zh) * 2022-01-26 2023-08-18 中国人民解放军战略支援部队信息工程大学 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN115549780A (zh) * 2022-08-30 2022-12-30 北京邮电大学 光通信网络性能参数监测方法及装置
CN115392325A (zh) * 2022-10-26 2022-11-25 中国人民解放军国防科技大学 一种基于CycleGan的多特征降噪调制识别方法
CN115392325B (zh) * 2022-10-26 2023-08-18 中国人民解放军国防科技大学 一种基于CycleGan的多特征降噪调制识别方法
CN117131416A (zh) * 2023-08-21 2023-11-28 四川轻化工大学 一种小样本调制识别方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN112241724B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN112241724B (zh) 一种基于双路卷积长短期神经网络的自动识别方法及系统
CN112784881B (zh) 网络异常流量检测方法、模型及系统
CN111585948B (zh) 一种基于电网大数据的网络安全态势智能预测方法
CN111967343A (zh) 基于简单神经网络和极端梯度提升模型融合的检测方法
CN113269077B (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN112560596B (zh) 一种雷达干扰类别识别方法及系统
CN103886334A (zh) 一种多指标融合的高光谱遥感影像降维方法
CN113556319B (zh) 物联网下基于长短期记忆自编码分类器的入侵检测方法
CN115037805B (zh) 一种基于深度聚类的未知网络协议识别方法、系统、装置及存储介质
CN112615804A (zh) 一种基于深度学习的短突发水声通信信号调制识别方法
CN113901448A (zh) 基于卷积神经网络和轻量级梯度提升机的入侵检测方法
CN116318928A (zh) 一种基于数据增强和特征融合的恶意流量识别方法及系统
CN114764577A (zh) 一种基于深度神经网络的轻量级调制识别模型及其方法
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN113206808B (zh) 一种基于一维多输入卷积神经网络的信道编码盲识别方法
Lin et al. Network security situation prediction based on combining 3D-CNNs and Bi-GRUs
CN114301499B (zh) 一种基于cnn-gru的跳频信号智能接收方法
Hu et al. Afb: Improving communication load forecasting accuracy with adaptive feature boosting
CN112529035B (zh) 识别不同电台个体种类的智能识别方法
Xu et al. Individual recognition of communication emitter based on deep learning
CN116520277B (zh) 一种基于分离式卷积网络的雷达目标识别方法和系统
CN114241263B (zh) 基于生成对抗网络的雷达干扰半监督开集识别系统
CN117332266A (zh) 基于混合熵深度学习网络的无人机射频信号检测识别方法
Dong Network Abnormal Data Detection Based on Deep Learning Model
CN117394935A (zh) 移动协作频谱感知方法及系统、电子设备

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