CN112364845A - 信噪比评估方法、装置、电子设备和存储介质 - Google Patents
信噪比评估方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112364845A CN112364845A CN202110032828.5A CN202110032828A CN112364845A CN 112364845 A CN112364845 A CN 112364845A CN 202110032828 A CN202110032828 A CN 202110032828A CN 112364845 A CN112364845 A CN 112364845A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- ratio evaluation
- remote control
- unmanned aerial
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Selective Calling Equipment (AREA)
Abstract
本说明书一个或多个实施例提供一种信噪比评估方法、装置、电子设备和存储介质,包括:采集遥控环境信号;使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的;通过生成跳频信号来模拟无人机遥控信号训练卷积神经网络模型,用训练好的信噪比评估模型来评估实际无人机遥控信号环境,能够准确高效地对无人机遥控信号环境进行信噪比评估,为解决无人机信号信道分配和探查无人机信号功率的问题提供了有效的信息。
Description
技术领域
本说明书一个或多个实施例涉及通信技术领域,尤其涉及一种信噪比评估方法、装置、电子设备和存储介质。
背景技术
精准高效的信噪比评估不仅可以为监测无人机数据链提供信道分配所需信息,同时在探查无人机信号功率方面也起到了不可替代的作用,但当下尚未出现准确高效的信噪比评估方法。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种信噪比评估方法、装置、电子设备和存储介质,以解决无人机信噪比评估不够准确高效的问题。
基于上述目的,本说明书一个或多个实施例提供了一种信噪比评估方法,包括:
采集遥控环境信号;
使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
在一些实施方式中,所述波形数据集是由一维信号数据转换为二维波形图像数据后,将所述二维波形图像数据截取后标记得到的。
在一些实施方式中,所述截取为将所述二维波形图像数据取一致的横纵坐标截取至256*256大小后压缩为128*128大小。
在一些实施方式中,所述一维信号数据,通过如下步骤得到:
生成的模拟无人机信号特征的跳频信号;
采集通过信噪比为-10dB-10dB,间隔1dB的环境后的所述跳频信号,并按照所述跳频信号的信噪比大小,生成21类信号序列数据;
在一些实施方式中,所述跳频信号中心频率为2.4GHz,带宽为9.8MHz,每跳比特数为50。
在一些实施方式中,所述信噪比评估模型由Lenet-5神经网络模型改进而来,包括:
卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、全连接层F1、全连接层F2,图像通道数为3。
在一些实施方式中,所述卷积层C1使用5*5*6的卷积核,移动步长为1,用全0填充;所述卷积层C2使用5*5*16的卷积核,移动步长为1;所述卷积层C3使用5*5*6的卷积核,移动步长为1;所述池化层P1与所述池化层P2池化窗口为2*2,移动步长为2,用全0填充;在全连接层F1中引入dropout层。
基于同一发明构思,本说明书一个或多个实施例还提供了一种信噪比评估装置,其特征在于,包括:
数据采集模块,被配置为,采集遥控环境信号;
信噪比评估模块,被配置为,使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现根据上述实施例中任意一项所述的方法。
基于同一发明构思,本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令在被计算机执行时,使所述计算机实现根据上述实施例中任意一项所述的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的一种信噪比评估方法、装置、电子设备和存储介质,通过生成跳频信号来模拟无人机遥控信号训练卷积神经网络模型,用训练好的信噪比评估模型来评估实际无人机遥控信号环境,能够准确高效地对无人机遥控信号环境进行信噪比评估,为解决无人机信号信道分配和探查无人机信号功率的问题提供了有效的信息。
附图说明
为了更清楚地说明本说明书一个或多个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简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,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为本说明书一个或多个实施例的流程图;
图2为本说明书一个或多个实施例的无人机通信系统模型图;
图3为本说明书一个或多个实施例的神经网络模型结构图;
图4为本说明书一个或多个实施例的神经网络模型训练流程图;
图5为本说明书一个或多个实施例的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
近年来,人们对无线传感器网络进行了大量的研究,无人机传感器网络由于其成本低、覆盖范围广、灵活性高以及小规模传感器的可用性,在民用和军事应用中变得越来越重要。无人机现在广泛应用于测绘、军事行动、航空摄影、环境监测和搜救等方面。除了这些有效应用之外,还有一些安全问题,比如绝大多数民用无人机都属于没有民航管理部门的适航许可、也没有相关部门颁发的驾驶执照的“黑飞”,这就导致了非合作无人机干扰航空航天通信等劣性事件不断发生,如何通过合理有效方法探测出非合作无人机干扰迫在眉睫。在通信方面,可以通过对信号的分析对比来达到监控信道质量以及非合作无人机的效果,其中,对信噪比进行分析和评估是较为可行的一种方案。
信噪比一般是指信道输出端,即接收机输入端的载波信号平均功率与信道中的噪声平均功率的比值,因为与通信误码率的直接对应关系,成为信道状态和通信质量可靠性的有效评估标准,是许多信号处理算法或技术所必需的先验信息。信噪比估计的正确性直接影响通信系统的性能。在无人机领域,精准高效的信噪比评估不仅可以为监测无人机数据链提供信道分配时所需信息,同时能够对无人机信号功率进行探查。
信噪比评估技术已经有一些发展,但对无人机遥控环境进行信噪比评估的技术还比较少,典型的信噪比评估方法有基于极大似然比的信噪比评估算法、二阶四阶矩算法,分离符号矩算法,高阶累积量估计算法等,这些传统的方法都存在一定程度的缺陷:
最大似然估计算法,高信噪比下精确度高,但需要周期地发送训练序列,在低信噪比段0-5 dB的估计性能较差,复杂度也较大;二阶四阶矩估计法、高阶累积量估计法需要在每符号一倍最佳采样的情况下在5-25dB的信噪比范围内方具有较好的估计性能,而实际情况多为多倍采样,在低信噪比下性能也较差;分离符号矩算法只能对判决域信号进行处理。
有鉴于此,本说明书一个或多个实施例提供的一种信噪比评估方法、装置、电子设备和存储介质通过生成跳频信号来模拟无人机遥控信号训练卷积神经网络模型,用训练好的信噪比评估模型来评估实际无人机遥控信号环境。
可见,本说明书一个或多个实施例提供的一种信噪比评估方法、装置、电子设备和存储介质基于人工智能技术,能够准确高效地对无人机遥控信号环境进行信噪比评估,为解决无人机信号信道分配和探查无人机信号功率的问题提供了有效的信息;同时生成的信噪比评估模型复杂度较小,可有效节省评估时间;并且前期信号的采样符合实际的无人机技术要求,即使在低信噪比环境下评估精确度也高。
以下,结合图1为本说明书一个或多个实施例的流程图、图2为本说明书一个或多个实施例的无人机通信系统模型图、图3为本说明书一个或多个实施例的神经网络模型结构图、图4为本说明书一个或多个实施例的神经网络模型训练流程图和图5为本说明书一个或多个实施例的电子设备硬件结构示意图,通过具体的实施例进一步详细说明本公开的技术方案。
参考图1为本说明书一个或多个实施例的流程图,本说明书一个或多个实施例提供了一种信噪比评估方法,包括:
S1:采集遥控环境信号;
参考图2为本说明书一个或多个实施例的无人机通信系统模型图,无人机通信系统主要由无人机、无人机飞行控制器,以及一个RF信号接收器组成,无人机与控制器在相互通信时发射RF信号。
S2:使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
在一些实施方式中,所述波形数据集是由一维信号数据转换为二维波形图像数据后,将所述二维波形图像数据截取后标记得到的。
在一些实施方式中,所述截取为将所述二维波形图像数据取一致的横纵坐标截取至256*256大小后压缩为128*128大小。
为了保证有效和完整性,先对波形图像按照256*256大小进行截取,保证每张图像截取部分在原图像中的横纵坐标一致,然后进一步压缩生成128*128大小的图像数据集,根据对应的信噪比大小打上21种标签。
在一些实施方式中,所述一维信号数据,通过如下步骤得到:
生成的模拟无人机信号特征的跳频信号;
大多数无人机在2.4–2.4835 GHz的频带内工作,为了确保通信的秘密性和抗干扰性,使用跳频信号进行图像传输和飞行控制。
采集通过信噪比为-10dB-10dB,间隔1dB的环境后的所述跳频信号,并按照所述跳频信号的信噪比大小,生成21类信号序列数据;
将生成的信号按照不同信噪比经过瑞利信道,并且增加噪声,以模拟最终接收机接收的信号;
在一些实施方式中,所述跳频信号中心频率为2.4GHz,带宽为9.8MHz,每跳比特数为50。
无人机的跳频信号带宽大致为9.8MHz,其工作原理是指收发双方传输信号的载波频率按照预定规律进行离散变化的通信,通信信号符合IEEE 802.11标准。因此本实施例按照无人机通信信号标准生成中心频率为2.4GHz,带宽为9.8MHz的跳频信号;具体的,跳频信号由比特速率为50Kb/s的特信号经复基带调制得到。
在一些实施方式中,所述信噪比评估模型由Lenet-5神经网络模型改进而来,包括:
卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、全连接层F1、全连接层F2,图像通道数为3。
在一些实施方式中,所述卷积层C1使用5*5*6的卷积核,移动步长为1,用全0填充;所述卷积层C2使用5*5*16的卷积核,移动步长为1;所述卷积层C3使用5*5*6的卷积核,移动步长为1;所述池化层P1与所述池化层P2池化窗口为2*2,移动步长为2,用全0填充;在全连接层F1中引入dropout层。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈型的神经网络,其在大型图像处理方面有出色的表现,目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构,卷积神经网络需要的参数相对较少,使的其能够广泛应用。
LeNet-5沿用了LeCun (1989) 的学习策略并在原有设计中加入了池化层对输入特征进行筛选。LeNet-5基本上定义了现代卷积神经网络的基本结构,其构筑中交替出现的卷积层-池化层被认为有效提取了输入图像的平移不变特征,使得对于特征的提取前进了一大步,Lenet-5神经网络模型在复杂度上相较于其他网络模型复杂度更低,训练时间更短,同时精度更高。
在一些实施方式中,卷积层与池化层的作用分别为提取特征和降低数据维度,全连接层F1的输出经过softmax后得到最终分类结果。
优选的,将波形数据集按照适当比例分为训练集和验证集来训练神经网络模型,观察测试集数据的准确率以调整参数直到符合准确率要求。
优选的,训练结束后使用数量约为训练数据集10%的波形图像测试集来进行验证查看信噪比评估效果,波形图像测试集与波形数据集采用同一种方式得到。
在一些实施方式中,将波形数据集打乱数据后随机抽样划分,得到适当比例的训练集与验证集;优选的,训练集与验证集的比例为4:1;通过打乱数据集数据的顺序并随机抽样可以有效避免数据的过拟合情况;
进一步的,训练过程中主要调节的参数为学习率和训练批次大小。
基于同一发明构思,本说明书一个或多个实施例还提供了一种信噪比评估装置,其特征在于,包括:
数据采集模块,被配置为,采集遥控环境信号;
信噪比评估模块,被配置为,使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现根据上述实施例中任意一项所述的方法。
基于同一发明构思,本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令在被计算机执行时,使所述计算机实现根据上述实施例中任意一项所述的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的一种信噪比评估方法、装置、电子设备和存储介质,通过生成跳频信号来模拟无人机遥控信号训练卷积神经网络模型,用训练好的信噪比评估模型来评估实际无人机遥控环境信号,能够准确高效地对无人机遥控环境信号进行信噪比评估,为解决无人机信号信道分配和探查无人机信号功率的问题提供了有效的信息。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图, 该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种信噪比评估方法,其特征在于,包括:
采集遥控环境信号;
使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
2.根据权利要求1所述的信噪比评估方法,其特征在于,所述波形数据集是由一维信号数据转换为二维波形图像数据后,将所述二维波形图像数据截取后标记得到的。
3.根据权利要求2所述的信噪比评估方法,其特征在于,所述截取为将所述二维波形图像数据取一致的横纵坐标截取至256*256大小后压缩为128*128大小。
5.根据权利要求4所述的信噪比评估方法,其特征在于,所述跳频信号中心频率为2.4GHz,带宽为9.8MHz,每跳比特数为50。
6.根据权利要求1所述的信噪比评估方法,其特征在于,所述信噪比评估模型由Lenet-5神经网络模型改进而来,包括:
卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、全连接层F1、全连接层F2,图像通道数为3。
7.根据权利要求6所述的信噪比评估方法,其特征在于,所述卷积层C1使用5*5*6的卷积核,移动步长为1,用全0填充;所述卷积层C2使用5*5*16的卷积核,移动步长为1;所述卷积层C3使用5*5*6的卷积核,移动步长为1;所述池化层P1与所述池化层P2池化窗口为2*2,移动步长为2,用全0填充;在全连接层F1中引入dropout层。
8.一种信噪比评估装置,其特征在于,包括:
数据采集模块,被配置为,采集遥控环境信号;
信噪比评估模块,被配置为,使用信噪比评估模型对所述遥控环境信号进行评估,得到信噪比评估结果;
其中,所述信噪比评估模型是通过利用波形数据集训练神经网络模型得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现根据权利要求1至7中任意一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令在被计算机执行时,使所述计算机实现根据权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032828.5A CN112364845B (zh) | 2021-01-12 | 2021-01-12 | 信噪比评估方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032828.5A CN112364845B (zh) | 2021-01-12 | 2021-01-12 | 信噪比评估方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364845A true CN112364845A (zh) | 2021-02-12 |
CN112364845B CN112364845B (zh) | 2021-05-25 |
Family
ID=74534799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032828.5A Active CN112364845B (zh) | 2021-01-12 | 2021-01-12 | 信噪比评估方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364845B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978952A (zh) * | 2022-06-17 | 2022-08-30 | 国家无线电监测中心福建监测站 | 无人机监测系统编队通信链路质量评估方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080285833A1 (en) * | 2007-05-17 | 2008-11-20 | Cai Xia Fu | Method for calculating signal-to-noise ratio in parallel acquisition image reconstruction |
CN109217956A (zh) * | 2018-08-14 | 2019-01-15 | 南京航空航天大学 | 一种无人机电磁干扰通信环境半物理仿真方法及装置 |
CN110233684A (zh) * | 2019-07-04 | 2019-09-13 | 中国联合网络通信集团有限公司 | 信噪比评估方法、装置、设备及存储介质 |
CN110247729A (zh) * | 2019-07-18 | 2019-09-17 | 中电科仪器仪表有限公司 | 一种无人机实时跟踪与快速反制一体化控制系统及方法 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111342917A (zh) * | 2020-02-27 | 2020-06-26 | 咪咕文化科技有限公司 | 信干噪比评估方法及多媒体广播组播方法、电子设备 |
CN111449644A (zh) * | 2020-03-19 | 2020-07-28 | 复旦大学 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
CN111740793A (zh) * | 2020-08-25 | 2020-10-02 | 北京邮电大学 | 基于自适应采样的无人机检测方法和系统 |
CN111884716A (zh) * | 2020-06-30 | 2020-11-03 | 中国南方电网有限责任公司 | 一种基于神经网络的光纤通信系统性能评估方法 |
-
2021
- 2021-01-12 CN CN202110032828.5A patent/CN112364845B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080285833A1 (en) * | 2007-05-17 | 2008-11-20 | Cai Xia Fu | Method for calculating signal-to-noise ratio in parallel acquisition image reconstruction |
CN109217956A (zh) * | 2018-08-14 | 2019-01-15 | 南京航空航天大学 | 一种无人机电磁干扰通信环境半物理仿真方法及装置 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN110233684A (zh) * | 2019-07-04 | 2019-09-13 | 中国联合网络通信集团有限公司 | 信噪比评估方法、装置、设备及存储介质 |
CN110247729A (zh) * | 2019-07-18 | 2019-09-17 | 中电科仪器仪表有限公司 | 一种无人机实时跟踪与快速反制一体化控制系统及方法 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111342917A (zh) * | 2020-02-27 | 2020-06-26 | 咪咕文化科技有限公司 | 信干噪比评估方法及多媒体广播组播方法、电子设备 |
CN111449644A (zh) * | 2020-03-19 | 2020-07-28 | 复旦大学 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
CN111884716A (zh) * | 2020-06-30 | 2020-11-03 | 中国南方电网有限责任公司 | 一种基于神经网络的光纤通信系统性能评估方法 |
CN111740793A (zh) * | 2020-08-25 | 2020-10-02 | 北京邮电大学 | 基于自适应采样的无人机检测方法和系统 |
Non-Patent Citations (2)
Title |
---|
杨立山: "图信号采样与重建研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
穆俊生: "基于噪声不确定性和感知策略优化的频谱感知技术研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978952A (zh) * | 2022-06-17 | 2022-08-30 | 国家无线电监测中心福建监测站 | 无人机监测系统编队通信链路质量评估方法和装置 |
CN114978952B (zh) * | 2022-06-17 | 2023-09-15 | 国家无线电监测中心福建监测站 | 无人机监测系统编队通信链路质量评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112364845B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Learning human activities through Wi-Fi channel state information with multiple access points | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN104618045A (zh) | 基于采集数据的无线信道传播模型的建立方法和系统 | |
CN112910811A (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN112364845B (zh) | 信噪比评估方法、装置、电子设备和存储介质 | |
Shrestha et al. | Deep generative model learning for blind spectrum cartography with NMF-based radio map disaggregation | |
CN107682812B (zh) | 一种异构多通信链路融合网络的链路适配方法及装置 | |
Xia et al. | Radar waveform recognition based on a two‐stream convolutional network and software defined radio | |
Wang et al. | Residual learning based RF signal denoising | |
CN110596668B (zh) | 基于互逆深度神经网络的目标外辐射源被动定位方法 | |
CN114172615A (zh) | 传输方法、装置、设备及可读存储介质 | |
CN116318249A (zh) | 一种基于改进YOLOv5的短波跳频信号分选方法 | |
US11507803B2 (en) | System for generating synthetic digital data for data multiplication | |
CN114362851B (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
CN113641186A (zh) | 一种无人机编队射频兼容性设计方法 | |
CN114626302A (zh) | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 | |
CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
Barnes-Cook et al. | Scalable wireless anomaly detection with generative-lstms on rf post-detection metadata | |
Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
Yang et al. | SNR estimation of UAV control signal based on convolutional neural network | |
CN117558119B (zh) | 一种无人机与控制终端之间的安全检测方法 | |
CN111988788B (zh) | 一种用于轨道交通的5g定位组网设计方法及系统 | |
US11551061B2 (en) | System for generating synthetic digital data of multiple sources | |
Xu et al. | An Intelligent RFFI Scheme Based on Multi-Scale Learning and Attention Mechanism |
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 |