CN112270263A - 基于差分密度星座图的调制识别方法 - Google Patents
基于差分密度星座图的调制识别方法 Download PDFInfo
- Publication number
- CN112270263A CN112270263A CN202011174918.XA CN202011174918A CN112270263A CN 112270263 A CN112270263 A CN 112270263A CN 202011174918 A CN202011174918 A CN 202011174918A CN 112270263 A CN112270263 A CN 112270263A
- Authority
- CN
- China
- Prior art keywords
- modulation
- constellation diagram
- differential
- density
- modulation 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于差分密度星座图的调制识别方法,根据实际需要从PSK调制和QAM调制中确定所需识别的调制方式,采集这些调制方式的信号样本,生成对应的差分星座图;预先设置PSK颜色序列和QAM颜色序列;先对差分星座图进行聚点处理,然后均分为若干格子,统计每个格子中数据点密度,根据预先确定的数据点密度的范围和颜色序列,生成差分密度星座图;采用信号样本的差分密度星座图和调制方式标签对神经网络进行训练;在进行调制识别时,先对待识别调制信号的差分星座图进行聚类,根据聚类中心数量初步判断所属调制方式,然后生成差分密度星座图,输入神经网络得到调制识别结果。本发明采用差分密度星座图结合神经网络,有效提高调制识别率。
Description
技术领域
本发明属于调制识别技术领域,更为具体地讲,涉及一种基于差分密度星座图的调制识别方法。
背景技术
调制识别是信号检测和信号解调之间的重要技术,是软件无线电和非合作通信的关键技术之一。对通信信号成功进行分析解调的前提就是知道信号的调制样式和特征参数,调制样式是区分不同调制信号的重要依据,而调制信号的盲识别技术能够在无先验知识的情况下通过对接收到信号处理,判断出所接收信号的种类,为下一步分析信号的特征提供了巨大的帮助
目前按照调制识别方法的理论不同,可以将其分为基于似然函数和基于特征提取的两种识别方法。基于似然函数识别方法以贝叶斯理论和假设检验为基础,计算接收信号的似然函数,并将似然比与某阈值做比较,在其具有最小化错误分类概率的时候会获得最优的估计。由于基于似然函数的识别方法计算参数复杂度高,数值需要手动设置,对计算结果影响比较大,鲁棒性差。基于特征工程算法通过提取获得不同调制信号自己的特征进行分类,目前使用比较广泛的方法有基于瞬时特征和基于循环谱、高阶累积量的识别方法。尽管基于特征的识别方法有诸多优点,但是分类性能的好坏取决于特征和分类器的选择,同时也存在识别调制信号范围有限,局限性比较大,所以目前需要一种更加有效、性能更好的方法去取代传统识别方法,深度学习为解决调制识别问题提供了一种全新的思路和方法。
深度学习直接从原始数据出发,利用多层神经网络找到数据的内在表达。与传统的机器学习有所不同,深度学习一个主要的特点是直接从原始的数据出发自动的学习到数据的特征。近年来,深度学习方法也广泛应用于调制识别当中,多使用IQ数据和星座图作为数据,搭建CNN网络完成信号的调制识别。但是目前基于深度学习的调制识别算法中所使用的网络模型多为传统CNN网络模型,如AlexNet、VGG16等,这些网络多以图像识别作为主要背景设计构建,网络模型大、参数量大、耗时久,网络性能浪费,不适用于调制识别领域。同时目前网络识别数据多为IQ信号和星座图,没有充分考虑数据特征,抗噪性差,同时没有充分利用网络性能,识别效果不理想。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于差分密度星座图的调制识别方法,提出了一种差分密度星座图,采用神经网络充分提取信号特征,提高调制识别率。
为实现上述发明目的,本发明基于差分密度星座图的调制识别方法包括以下步骤:
S1:根据实际需要从PSK调制和QAM调制中确定所需识别的M个调制方式,对每个调制方式分别采集若干预设时长的调制信号样本,记第d个调制信号样本为xd(t),t表示时间,d=1,2,…,D,D表示调制信号样本数量,为每个调制信号样本标注对应的调制方式标签fd,fd=1,2,…,M;
S2:对于每个调制信号样本xd(t)生成其对应的差分星座图Id;
S3:预先设置N个颜色构成颜色序列;如果调制信号样本为PSK调制方式,设置其密度色级所包含颜色数量K1,如果调制信号样本为QAM调制方式,设置其密度色级所包含颜色数量K2,其中K2<K1<N;在颜色序列中等间隔抽取K1个颜色构成PSK颜色序列,在颜色序列中等间隔抽取K2个颜色构成QAM颜色序列;
将聚点处理后的星座图按照P行Q列均分为P×Q个格子,P和Q根据实际情况设置,统计每个格子中数据点的密度根据经验预先确定当调制信号样本分别为PSK调制方式和QAM调制方式时数据点密度的最大值ρPSK、ρQAM;将PSK调制方式的数据点密度范围[0,ρPSK]划分成K1个子范围第k1个子范围对应PSK颜色序列中的第k1个颜色,将QAM调制方式的数据点密度范围[0,ρQAM]划分成K2个子范围 第k2个子范围对应QAM颜色序列中的第k2个颜色;
对于星座图首先根据调制信号样本所对应的调制方式确定对应的数据点密度范围和颜色序列,然后依次判断其每个格子中的数据点密度所对应的数据点密度子范围,确定其对应的颜色并填充该格子,从而生成第d个调制信号样本的差分密度星座图
S5:当需要进行调制识别时,采集预设时长的待识别调制信号x′(t);
S6:对于待识别调制信号x′(t)生成其对应的差分星座图I′,采用均值漂移聚类对该差分星座图I′中的数据点进行聚类,获取聚类中心,如果聚类中心的数量大于9,则判定待识别调制信号所对应的调制方式属于QAM调制方式,否则判定待识别调制信号所对应的调制方式属于PSK调制方式,进而确定对应的数据点密度范围和颜色序列;
S7:采用步骤S3中相同的聚点处理方法对差分星座图I′进行处理得到星座图采用步骤S3中相同的划分方法将星座图均分为P×Q个格子并统计每个格子中数据点的密度ρ′p,q,依次判断其每个格子中的数据点密度ρ′p,q所对应的数据点密度子范围,确定其对应的颜色并填充该格子,从而生成待识别调制信号的差分密度星座图
本发明基于差分密度星座图的调制识别方法,根据实际需要从PSK调制和QAM调制中确定所需识别的调制方式,采集这些调制方式的信号样本,生成对应的差分星座图;预先设置确定PSK颜色序列和QAM颜色序列;先对差分星座图进行聚点处理,然后均分为若干格子,统计每个格子中数据点密度,根据预先确定的数据点密度的范围和颜色序列,生成差分密度星座图;采用信号样本的差分密度星座图和调制方式标签对神经网络进行训练;在进行调制识别时,先对待识别调制信号的差分星座图进行聚类,根据聚类中心数量初步判断所属调制方式,然后生成差分密度星座图,输入神经网络得到调制识别结果。
本发明采用差分密度星座图,可以充分保留原始调制信号的特征,在具有更好抗噪性、抗频偏效果的同时,充分利用神经网络的色彩通道,有助于神经网络更好地提取信号特征,提高调制识别率。
附图说明
图1是本发明基于差分密度星座图的调制识别方法的具体实施方式流程图;
图2是本实施例中BPSK调制信号的差分星座图示例图;
图3是本实施例中QPSK调制信号的差分星座图示例图;
图4是本实施例中8PSK调制信号的差分星座图示例图;
图5是本实施例中三种MQAM调制信号的差分星座示例图;
图6是本实施例中差分星座图聚点处理的示例图;
图7是本实施例中PSK调制方式和QAM调制方式所生成的差分密度星座图示例图;
图8是本实施例中本发明和对比方法在不同信噪比下的识别率对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于差分密度星座图的调制识别方法的具体实施方式流程图。如图1所示,本发明基于差分密度星座图的调制识别方法的具体步骤包括:
S101:获取调制信号样本:
根据实际需要从PSK调制和QAM调制中确定所需识别的M个调制方式,对每个调制方式分别采集若干预设时长的调制信号样本,记第d个调制信号样本为xd(t),t表示时间,d=1,2,…,D,D表示调制信号样本数量。
本实施例中设置6个调制方式,分别为BPSK(Binary Phase Shift Keying,二进制相移键控)、QPSK(Quadrature Phase Shift Keying,正交相移键控)、8PSK(8Phase ShiftKeying,8相移键控),MQAM(Multiple Quadrature Amplitude Modulation,多进制正交幅度调制)-16,MQAM-32,MQAM-64。
S102:生成调制信号样本的差分星座图:
对于每个调制信号样本xd(t)生成其对应的差分星座图Id。
图2是本实施例中BPSK调制信号的差分星座图示例图。图3是本实施例中QPSK调制信号的差分星座图示例图。图4是本实施例中8PSK调制信号的差分星座图示例图。图5是本实施例中三种MQAM调制信号的差分星座示例图。
S103:生成调制信号样本的差分密度星座图:
对于传统的星座图,一般采用的是二值黑白图作为训练和测试图集,这种二值黑白图只能反映星座图上点数的多少和大致的分布情况,大部分重合的点也无法表示出来。因此为了充分挖掘调制信号的数据特征,本发明提出一种新的调制识别图像数据集,采用差分密度星座图作为调制识别的基础,使得调制数据集在具有良好的抗频偏性的同时更好地保留调制信号的原始特征,充分利用神经网络的色彩通道特征,更适用于神经网络调制识别中。生成差分密度星座图的具体方法如下:
预先设置N个颜色构成颜色序列。如果调制信号样本为PSK调制方式,设置其密度色级所包含颜色数量K1,如果调制信号样本为QAM调制方式,设置其密度色级所包含颜色数量K2,其中K2<K1<N。在颜色序列中等间隔抽取K1个颜色构成PSK颜色序列,在颜色序列中等间隔抽取K2个颜色构成QAM颜色序列。
对于差分星座图Id,首先对数据点进行聚点处理得到星座图具体方法为:对于每个数据点,记其坐标为(x,y),其聚点处理后的坐标为(x/λ,y/λ),其中λ表示预设的大于1的常数。聚点处理相当于是对差分星座图进行缩放,只是聚点处理后的星座图和原始差分星座图Id大小相同。图6是本实施例中差分星座图聚点处理的示例图。如图6所示,黑点表示数据点,圆表示数据点中心。可见在进行聚点处理后,整个数据点的图案和聚点处理之前是保持一致的,只是更为集中,这样更有助于后续神经网络的特征提取。经实验发现,为了使聚点处理后的星座图既可以实现缩放效果,又不至于过于集中,优选常数λ的取值范围为2≤λ≤5。
将聚点处理后的星座图按照P行Q列均分为P×Q个格子,P和Q根据实际情况设置,统计每个格子中数据点的密度根据经验预先确定当调制信号样本分别为PSK调制方式和QAM调制方式时数据点密度的最大值ρPSK、ρQAM。将PSK调制方式的数据点密度范围[0,ρPSK]划分成K1个子范围第k1个子范围对应PSK颜色序列中的第k1个颜色,将QAM调制方式的数据点密度范围[0,ρQAM]划分成K2个子范围 第k2个子范围对应QAM颜色序列中的第k2个颜色。即设置数据点密度越大所对应的颜色序号越大。
对于星座图首先根据调制信号样本所对应的调制方式确定对应的数据点密度范围和颜色序列,然后依次判断其每个格子中的数据点密度所对应的数据点密度子范围,确定其对应的颜色并填充该格子,从而生成第d个调制信号样本的差分密度星座图
经过研究发现,PSK调制方式所产生的调制信号在密度色级包含80种颜色的情况下识别效率最佳,QAM调制方式所产生的调制信号在密度色级包含60种颜色的情况下识别效率最佳,即优选K1=80,K2=60,从而实现良好的调制识别效率。本实施例中原始颜色序列中包含80种颜色,数据点密度最小值对应蓝色,数据点密度最大值对应红色。图7是本实施例中PSK调制方式和QAM调制方式所生成的差分密度星座图示例图。如图7所示,两种调制方式采用不同的颜色序列,所生成的差分密度星座图可以有效保留原始信号信息,体现不同高制方式之间的差别。经实验证明,这种差分密度星座图具有良好的抗频偏和抗噪性,可以有效提高调制识别率。同时这种差分密度星座图能够充分利用神经网络的色彩通道特征,更有助于神经网络提取星座图特征,从而提高调制识别率。
S104:训练神经网络:
对于基于神经网络的识别方法,神经网络的配置对于识别效率具有重大影响。为了提高性能,本实施例中采用的神经网络包括自注意力(Self-Attention)层和ResNet18神经网络,其中自注意力层用于对所输入的差分密度星座图基于自注意力机制进行预处理,将得到的特征图输入ResNet18神经网络进行识别。
自注意力机制是Attention机制的一种,通过直接计算图像中任意两个像素点之间的关系,从而获取图像的全局几何特征。相对于将差分密度星座图直接输入ResNet18神经网络,先采用自注意力层对差分密度星座图进行预处理,可以提升输入数据之间的联系,有效提高调制识别率。
自注意力机制的构造函数中,定义了三个1×1的卷积核,分别为query_conv,key_conv和value_conv。query意为查询,即希望输入一个像素点,查询(计算)到图像上所有像素点对这一点的影响。而key代表字典中的键,相当于所查询的数据库。query和key都是输入的图像。value_conv可以看成对原输入图像多加了一层卷积映射。通过学习,可以得到三个卷积核中的权重参数。自注意力机制的具体原理和在图像领域的实现可以参考文献“Vaswani A,Shazeer N,Parmar N,et al.Attention Is All You Need[J].arXiv,2017.”。
ResNet18网络是当前应用最为广泛的CNN特征提取网络之一,是ResNet网络的一种典型结构。ResNet网络是一种残差网络,可以把它理解为一个子网络,这个子网络经过堆叠可以构成一个很深的网络。ResNet网络巧妙利用了shortcut连接,解决了深度网络中模型退化的问题。ResNet18网络的具体结构可以参考文献“He K,Zhang X,Ren S,et al.DeepResidual Learning for Image Recognition[J].2016.”。
S105:采集待识别调制信号:
当需要进行调制识别时,采集与调制信号样本等长,即预设时长的待识别调制信号x′(t)。
S106:初步判断调制方式:
对于待识别调制信号x′(t)生成其对应的差分星座图I′,采用均值漂移聚类对该差分星座图I′中的数据点进行聚类,获取聚类中心,如果聚类中心的数量大于9,则判定待识别调制信号所对应的调制方式属于QAM调制方式,否则判定待识别调制信号所对应的调制方式属于PSK调制方式,进而确定对应的数据点密度子范围和颜色序列。从图2至图5也可以看出,QAM调制方式中数据点聚类中心的数量要大于PSK调制方式。
均值漂移聚类是基于滑动窗口的算法,它试图找到数据点的密集区域。这是一个基于质心的算法,这意味着它的目标是定位每个组/类的中心点,通过将中心点的候选点更新为滑动窗口内点的均值来完成。然后,在后处理阶段对这些候选窗口进行过滤以消除近似重复,形成最终的中心点集及其相应的组。本发明在生成待调制信号的差分密度星座图之前,通过采用均值漂移聚类对调制方式进行初步判断,从而确定生成差分密度星座图所使用的数据点密度子范围和颜色序列,可以使待识别调制信号的差分密度星座图更加有针对性,从而有效提高调制识别率。
S107:生成待识别调制信号的差分密度星座图:
采用步骤S103中相同的聚点处理方法对差分星座图I′进行处理得到星座图采用步骤S103中相同的方法将星座图均分为P×Q个格子并统计每个格子中数据点的密度ρ′p,q,依次判断其每个格子中的数据点密度ρ′p,q所对应的数据点密度范围,确定其对应的颜色并填充该格子,从而生成待识别调制信号的差分密度星座图
S108:调制识别:
为了更好地说明本发明的技术方案,采用一个具体实施例对本发明进行仿真验证。本实施例中选择了6种常见的调制方式,包括BPSK、QPSK、8PSK、MQAM-16、MQAM-32、MQAM-64。本次仿真验证使用Matlab在-2dB到10dB信噪比下,随机生成6种调制信号,每种调制信号在每个调制信噪比下生成1000张星座图作为训练集,100张作为验证集,100张作为测试集,在结合自注意力层的ResNet18网络上进行实验,其识别率为90%,可以证明本发明的有效性。
接下来采用基于传统星座图的调制识别方法作为对比方法,和本发明进行识别率对比。图8是本实施例中本发明和对比方法在不同信噪比下的识别率对比图。如图8所示,本发明的整体识别率相对于对比方法要高5%,且在信噪比为6dB时,信号识别率达到了100%。在信噪比较低的情况下,本发明的调制识别率明显优于传统方法。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于差分密度星座图的调制识别方法,其特征在于,包括以下步骤:
S1:根据实际需要从PSK调制和QAM调制中确定所需识别的M个调制方式,对每个调制方式分别采集若干预设时长的调制信号样本,记第d个调制信号样本为xd(t),t表示时间,d=1,2,…,D,D表示调制信号样本数量,为每个调制信号样本标注对应的调制方式标签fd,fd=1,2,…,M;
S2:对于每个调制信号样本xd(t)生成其对应的差分星座图Id;
S3:预先设置N个颜色构成颜色序列;如果调制信号样本为PSK调制方式,设置其密度色级所包含颜色数量K1,如果调制信号样本为QAM调制方式,设置其密度色级所包含颜色数量K2,其中K2<K1<N;在颜色序列中等间隔抽取K1个颜色构成PSK颜色序列,在颜色序列中等间隔抽取K2个颜色构成QAM颜色序列;
将聚点处理后的星座图按照P行Q列均分为P×Q个格子,P和Q根据实际情况设置,统计每个格子中数据点的密度根据经验预先确定当调制信号样本分别为PSK调制方式和QAM调制方式时数据点密度的最大值ρPSK、ρQAM;将PSK调制方式的数据点密度范围[0,ρPSK]划分成K1个子范围第k1个子范围对应PSK颜色序列中的第k1个颜色,将QAM调制方式的数据点密度范围[0,ρQAM]划分成K2个子范围k2=1,2,…,K2,第k2个子范围对应QAM颜色序列中的第k2个颜色;
对于星座图首先根据调制信号样本所对应的调制方式确定对应的数据点密度范围和颜色序列,然后依次判断其每个格子中的数据点密度所对应的数据点密度子范围,确定其对应的颜色并填充该格子,从而生成第d个调制信号样本的差分密度星座图
S5:当需要进行调制识别时,采集预设时长的待识别调制信号x′(t);
S6:对于待识别调制信号x′(t)生成其对应的差分星座图I′,采用均值漂移聚类对该差分星座图I′中的数据点进行聚类,获取聚类中心,如果聚类中心的数量大于9,则判定待识别调制信号所对应的调制方式属于QAM调制方式,否则判定待识别调制信号所对应的调制方式属于PSK调制方式,进而确定对应的数据点密度范围和颜色序列;
S7:采用步骤S3中相同的聚点处理方法对差分星座图I′进行处理得到星座图采用步骤S3中相同的划分方法将星座图均分为P×Q个格子并统计每个格子中数据点的密度ρ′p,q,依次判断其每个格子中的数据点密度ρ′p,q所对应的数据点密度子范围,确定其对应的颜色并填充该格子,从而生成待识别调制信号的差分密度星座图
2.根据权利要求1所述的调制识别方法,其特征在于,所述步骤S3中K1=80,K2=60。
3.根据权利要求1所述的调制识别方法,其特征在于,所述步骤步骤S3中常数λ的取值范围为2≤λ≤5。
4.根据权利要求1所述的调制识别方法,其特征在于,所述步骤S4中的神经网络包括自注意力层和Resnet18神经网络,其中自注意力层用于对所输入的差分密度星座图基于自注意力机制进行预处理,将得到的特征图输入ResNet18神经网络进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174918.XA CN112270263B (zh) | 2020-10-28 | 2020-10-28 | 基于差分密度星座图的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174918.XA CN112270263B (zh) | 2020-10-28 | 2020-10-28 | 基于差分密度星座图的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270263A true CN112270263A (zh) | 2021-01-26 |
CN112270263B CN112270263B (zh) | 2022-03-25 |
Family
ID=74345222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011174918.XA Active CN112270263B (zh) | 2020-10-28 | 2020-10-28 | 基于差分密度星座图的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN114978827A (zh) * | 2022-04-22 | 2022-08-30 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016180410A1 (de) * | 2015-05-13 | 2016-11-17 | Ls Telcom Ag | Verfahren und vorrichtung zur automatischen klassifikation des modulationsformats eines digital modulierten signals |
CN107872256A (zh) * | 2017-12-19 | 2018-04-03 | 郑州大学 | 无线光通信中盲检测及调制星座优化方法、存储介质 |
CN107948107A (zh) * | 2017-11-16 | 2018-04-20 | 成都玖锦科技有限公司 | 一种基于联合特征的数字调制信号分类方法 |
CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110309854A (zh) * | 2019-05-21 | 2019-10-08 | 北京邮电大学 | 一种信号调制方式识别方法及装置 |
US20190319659A1 (en) * | 2018-04-11 | 2019-10-17 | Booz Allen Hamilton Inc. | Method of constructing and training a neural network |
CN111083079A (zh) * | 2019-12-19 | 2020-04-28 | 湖南大学 | 基于星座图的正交调制格式识别方法 |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
CN111817994A (zh) * | 2019-07-25 | 2020-10-23 | 中国人民解放军陆军工程大学 | 基于相位差分星座图聚类的调制识别方法及装置 |
-
2020
- 2020-10-28 CN CN202011174918.XA patent/CN112270263B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016180410A1 (de) * | 2015-05-13 | 2016-11-17 | Ls Telcom Ag | Verfahren und vorrichtung zur automatischen klassifikation des modulationsformats eines digital modulierten signals |
CN107948107A (zh) * | 2017-11-16 | 2018-04-20 | 成都玖锦科技有限公司 | 一种基于联合特征的数字调制信号分类方法 |
CN107872256A (zh) * | 2017-12-19 | 2018-04-03 | 郑州大学 | 无线光通信中盲检测及调制星座优化方法、存储介质 |
US20190319659A1 (en) * | 2018-04-11 | 2019-10-17 | Booz Allen Hamilton Inc. | Method of constructing and training a neural network |
CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110309854A (zh) * | 2019-05-21 | 2019-10-08 | 北京邮电大学 | 一种信号调制方式识别方法及装置 |
CN111817994A (zh) * | 2019-07-25 | 2020-10-23 | 中国人民解放军陆军工程大学 | 基于相位差分星座图聚类的调制识别方法及装置 |
CN111083079A (zh) * | 2019-12-19 | 2020-04-28 | 湖南大学 | 基于星座图的正交调制格式识别方法 |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
SAI HUANG等: "《Automatic Modulation Classification Using Contrastive Fully Convolutional Network》", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
张清 等: "《基于AlexNet卷积神经网络的5G信号调制方式识别》", 《信息化研究》 * |
王童樾: "《基于轻量级神经网络的调制识别技术研究》", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/DETAIL.ASPX?DBCODE=CMFD&DBNAME=CMFD202201&FILENAME=1021748183.NH&UNIPLATFORM=NZKPT&V=KGP_-YQHXI3LEDUB9X7N7DBODXSWV0ZVLRYHC_XEQKE7-F1KFZGL94GZ_ZULXPR1》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
CN113114599B (zh) * | 2021-03-12 | 2022-01-11 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN114978827A (zh) * | 2022-04-22 | 2022-08-30 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
CN114978827B (zh) * | 2022-04-22 | 2024-05-10 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270263B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270263B (zh) | 基于差分密度星座图的调制识别方法 | |
CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
Dong et al. | SR2CNN: Zero-shot learning for signal recognition | |
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 | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
CN108540202A (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
CN104038296B (zh) | 一种认知无线电网络的协作频谱检测方法 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
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 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN114422311B (zh) | 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 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114143040A (zh) | 一种基于多通道特征重构的对抗信号检测方法 | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
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 | |
Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN112737992A (zh) | 一种水声信号调制方式自适应类内识别方法 | |
CN107707497B (zh) | 基于减法聚类和模糊聚类算法的通信信号识别方法 | |
CN113076925B (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
CN114943246A (zh) | 一种基于双谱特征提取的半监督特定辐射源识别方法 | |
Cai et al. | The performance evaluation of big data-driven modulation classification in complex environment | |
CN108494711B (zh) | 一种基于kl散度的通信信号图域特征提取方法 | |
CN111130694B (zh) | 一种低时延聚类的pdcch盲检方法及其系统 |
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 |