CN112488092B - 基于深度神经网络的导航频段信号类型识别方法及系统 - Google Patents

基于深度神经网络的导航频段信号类型识别方法及系统 Download PDF

Info

Publication number
CN112488092B
CN112488092B CN202110159518.XA CN202110159518A CN112488092B CN 112488092 B CN112488092 B CN 112488092B CN 202110159518 A CN202110159518 A CN 202110159518A CN 112488092 B CN112488092 B CN 112488092B
Authority
CN
China
Prior art keywords
signal
frequency
neural network
time
navigation
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.)
Active
Application number
CN202110159518.XA
Other languages
English (en)
Other versions
CN112488092A (zh
Inventor
付栋
牟卫华
王环宇
彭竞
龚航
马明
欧钢
陈飞强
马鹏程
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110159518.XA priority Critical patent/CN112488092B/zh
Publication of CN112488092A publication Critical patent/CN112488092A/zh
Application granted granted Critical
Publication of CN112488092B publication Critical patent/CN112488092B/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
    • 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
    • G06F18/20—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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06F2218/08—Feature extraction

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)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于深度神经网络的导航频段信号类型识别方法及系统，将已知的各种导航频段信号类型建立数据库，通过时频分析的方法将时域信号的特征转化为瞬时频率和谱熵两路一维时频域序列，再使用循环神经网络在一维信号特征提取上的优势，对神经网络进行训练。最后通过通用软件无线电设备实时采集导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对卫星导航系统的信号类型识别有着重大意义。

Description

基于深度神经网络的导航频段信号类型识别方法及系统
技术领域
本发明涉及导航信号处理领域，具体的涉及一种基于深度神经网络的导航频段信号类型识别方法及系统。
背景技术
在目前日趋复杂的电磁环境下，卫星导航信号由于长距离传输，信号强度极弱，湮没在噪声里，极易与的其他类型的信号混合，从而造成信号质量下降。如果不能将这些混合信号类型准确地识别，卫星导航系统将可能无法提供导航授时服务。因此，如何对导航频段信号类型进行识别是一个重要的问题，只有实时准确的识别出信号类型，才能进行后续的处理。因此导航频段信号类型识别，是需要解决的关键问题。
当前国内在导航频段信号类型识别领域正处于发展阶段。近几年，逐渐有学者发表关于导航频段信号类型识别的研究成果，相关专家和研究机构对信号分类进行了部分研究，主要采用人为设定阈值判别的方法，但是这种方法对信号特征的提取效率和识别准确度较低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度神经网络的导航频段信号类型识别方法，能够提高信号特征提取的效率和准确度。
根据本发明实施例的一种基于深度神经网络的导航频段信号类型识别方法，包括以下步骤：
S1、生成导航频段不同类型的信号数据集：根据信号的函数表达式，设定采样率f s 、每段信号时长τ和数据集大小N，得到遍历可调整参数范围的不同类型的导航频段信号的数据集S i （n），S i （n）为
Figure 494644DEST_PATH_IMAGE001
，其中i为信号类型；
S2、信号时频分析：对导航频段信号数据集里的每一段信号的数据集S i （n）进行时频分析，分别得到两路一维时频域序列：N×M段瞬时频率序列和N×M段谱熵序列；
S3、建立神经网络数据集：对N×M×2段瞬时频率和对应的谱熵序列分M类信号存储，每一类N×2段；将每一类的信号按照比例分成两部分组成神经网络的训练集和测试集,最后建立M种信号分类标签；
S4、训练深度神经网络：通过信号模型产生导航频段信号训练集，将步骤S3中的两路一维时频域序列的训练集输入循环神经网络训练参数，提取序列特征，训练结束后将神经网络参数保存；
S5、信号采集与下变频：利用天线接收射频信号并传输至信号采集设备，信号采集设备将监测的导航频点对应指定范围带宽内时长为τ的信号下变频成数字中频信号S（n），传输至信号识别设备；
S6、导航频段信号时频分析：信号识别设备读取信号采集设备传输的数字信号S（n），采用所述步骤S2的信号时频分析方法进行时频分析，得到瞬时频率和谱熵；
S7、导航频段信号类型识别：载入步骤S4保存的神经网络参数，将步骤S6得到的瞬时频率和谱熵序列输入循环神经网络分类，得到分类结果。
根据本发明实施例的一种基于深度神经网络的导航频段信号类型识别系统，包括：依次连接的导航天线、信号采集设备和信号处理设备，所述信号处理设备应用上述的基于深度神经网络的导航频段信号类型识别方法。
根据本发明实施例的基于深度神经网络的导航频段信号类型识别方法及系统，至少具有如下技术效果：本发明实施方式将常见的各种导航频段信号类型建立数据集，通过时频分析的方法将时域信号转化为瞬时频率和谱熵两路一维时频域序列，再使用训练集对循环神经网络进行训练。最后通过通用信号采集设备实时采集导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对导航频段信号类型识别有着重大意义。
本发明实施方式对信号进行求解瞬时频率和谱熵两路一维时频域序列的预处理可以进一步提高信号识别的准确度，实现了在更低干噪比的条件下准确识别信号类型，并且由于硬件只需要信号采集设备和信号处理设备，可广泛应用于信号监测站点、移动监测车辆等来提高导航频段信号类型识别能力。
随着硬件运算能力的进一步提升，基于时频分析的神经网络训练速度和信号处理速度能够进一步提高，从而能够识别更大带宽，更广范围的导航频段信号类型。
根据本发明的一些实施例，所述步骤S1中导航频段信号的类型包括扫频信号、单音信号、脉冲信号和扩频信号。
根据本发明的一些实施例，所述步骤S1中扫频信号、单音信号、扩频信号和脉冲信号对应的函数表达式分别为
扫频信号：
Figure 522642DEST_PATH_IMAGE002
；
单音信号：
Figure 641908DEST_PATH_IMAGE003
；
扩频信号：
Figure 831581DEST_PATH_IMAGE004
；
脉冲信号：
Figure 731404DEST_PATH_IMAGE005
；
其中，A（t）为信号幅值， j为虚数单位，f 0 为载波初始频率，T 1 为某一频率点的驻留时间，K为频率随时间变化的常系数，t为时间； A S 、f和φ 0分别为信号幅值、频率和初始相位；C（t）为载波调制的扩频码；τ、T 2 分别为脉冲宽度和重复周期。
根据本发明的一些实施例，所述步骤S1中扫频信号的可调整参数类型为起始/结束频率、起始/结束功率和扫频速率；单音信号的可调整参数类型为载波频率和载波功率；扩频信号的可调整信号参数类型为扩频码码率、载波频率和载波功率；脉冲信号的可调整参数类型为脉冲周期、占空比和载波功率。
根据本发明的一些实施例，所述步骤S2中时频分析的具体步骤为：
S201、首先利用短时傅里叶变换计算输入信号的时频功率谱矩阵S（t，f），其行数等于DFT点数，列数
Figure 297514DEST_PATH_IMAGE006
， N x 表示原始信号长度；
Figure 287598DEST_PATH_IMAGE007
表示对x向下取整，因此S（t，f）矩阵表示为：
Figure 648172DEST_PATH_IMAGE008
S（t，f）中，第m个元素为：
Figure 35291DEST_PATH_IMAGE009
其中，g（n）为W点长的窗函数；X m （f）为以时间mR为中心的窗内数据的DFT；R为连续两个DFT之间跳过的数据点数，其大小是窗口长度W与重叠长度L之间的差；
S202、最后根据下式估计瞬时频率：
Figure 342776DEST_PATH_IMAGE010
计算输入信号谱熵，给定的时频功率谱S（t，f）在t时刻的概率分布为：
Figure 233372DEST_PATH_IMAGE011
则可以得到t时刻的谱熵为：
Figure 30426DEST_PATH_IMAGE012
。
根据本发明的一些实施例，所述步骤S4中循环神经网络为LSTM神经网络。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例中基于深度神经网络的导航频段信号类型识别方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
一种基于深度神经网络的导航频段信号类型识别方法，如图1所示，包括S1、生成导航频段信号数据集；S2、信号时频分析；S3、建立神经网络训练集；S4、训练循环神经网络；S5、信号采集与下变频；S6、信号时频分析；S7、信号类型识别操作这几个步骤。
详细步骤为
以对北斗B1C频点为中心，双边带宽为40MHz频段内的四种信号类型识别为例，分别是扫频信号、单音信号、脉冲信号和扩频信号。其函数表达式如表1：
表1 导航频段常见信号类型函数表达式
Figure 639262DEST_PATH_IMAGE013
其中，A（t）为信号幅值， j为虚数单位，f 0 为载波初始频率，T 1 为某一频率点的驻留时间，K为频率随时间变化的常系数，t为时间； A S 、f和φ 0分别为信号幅值、频率和初始相位；C（t）为载波调制的扩频码；τ、T 2 分别为脉冲宽度和重复周期。
当然，表1只是四种信号的一种比较通用的表达式，信号还可以采用其他的表达式，信号种类也不限于扫频信号、单音信号、脉冲信号和扩频信号这四种。根据四种类型信号的函数表达式，利用仿真软件或标准信号源生成的手段，设置采样率f s =125MHZ（USRPN300主时钟频率）、每段信号时长为81.92μs（对应10240个采样点）和数据集大小N=1500得到信号数据集S i （n），S i （n）为
Figure 999705DEST_PATH_IMAGE001
，其中i为信号类型，此处数据库的建立还应当包含正常背景噪声的情况。
标准信号源采用E4438C矢量信号发生器，设置信号源面板选项，遍历不同类型不同信号参数范围的导航信号。通过软件编程生成同样遍历不同类型不同信号参数范围的导航频段信号。每种信号可调整的参数类型如表2。
表2 导航频段常见信号类型可调整参数
导航频段信号类型 可调整信号参数类型
扫频信号 起始/结束频率、起始/结束功率、 扫频速率
单音信号 载波频率、载波功率
扩频信号 扩频码码率、载波频率、载波功率
脉冲信号 脉冲周期、占空比、载波功率
注：扫频速率=扫频带宽/（步进点数×驻留时间）；占空比=脉冲宽度/脉冲周期
以上只是部分可变的信号参数，表2的内容不代表对信号的可变参数类型作出限定。
对信号数据集里的每一段信号S i （n）计算瞬时频率和谱熵，首先利用短时傅里叶变换计算输入信号的时频功率谱矩阵S（t，f），其行数等于DFT点数，列数
Figure 10387DEST_PATH_IMAGE006
， N x 表示原始信号长度；
Figure 978343DEST_PATH_IMAGE007
表示对x向下取整，因此S（t，f）矩阵表示为：
Figure 12158DEST_PATH_IMAGE008
S（t，f）中，第m个元素为：
Figure 723762DEST_PATH_IMAGE009
其中，g（n）为W点长的窗函数；X m （f）为以时间mR为中心的窗内数据的DFT；R为连续两个DFT之间跳过的数据点数，其大小是窗口长度W与重叠长度L之间的差。
最后根据下式估计瞬时频率：
Figure 588950DEST_PATH_IMAGE010
计算信号谱熵，给定的时频功率谱S（t，f）在t时刻的概率分布为：
Figure 917687DEST_PATH_IMAGE014
则可以得到t时刻的谱熵为：
Figure 438798DEST_PATH_IMAGE015
时频分析完成后得到两路一维时频域序列。这个过程相当于对信号进行预处理，提取信号特征参数，强化了信号的特征。
信号预处理后的时频序列对应信号类型分5类存储，每一类1500×2段。将每一类的1500×2段时频序列按照9:1比例分成两部分，组成神经网络的训练集和测试集。最后对这5类信号建立图像分类标签：Sweep（扫频信号）、Pulse（脉冲信号）、CW（单音信号）、DSSS（扩频信号）、Awgn（正常背景噪声）。
使用循环神经网络的一种特殊类型——LSTM作为训练对象，将建立的数据集输入神经网络，在有GPU加速条件的硬件平台进行训练，待训练结束。
通用软件无线电设备采用USRP N300，连接导航天线与信号识别设备——个人计算机组成硬件系统。USRP N300通过天线接收射频信号，将监测的导航频点对应40M双边带宽内时长为81.92μs的信号下变频成数字中频信号S（n），通过网络协议传输至计算机。
计算机载入已经训练好的神经网络参数，将来自USRP的数字信号接收并读入RAM，然后将信号进行时频分析，最后将两路一维时频域序列输入循环神经网络LSTM自动分类，得到分类结果。
本发明实施例还包括一种基于深度神经网络的导航频段信号类型识别系统，包括：依次连接的导航天线、信号采集设备和信号处理设备，信号采集设备为软件无线电设备，采用的型号为USRP N300，USRP N300连接导航天线与信号识别设备——个人计算机组成硬件系统，硬件系统应用上述方法实现导航频段信号类型的识别。
综上所述，本发明实施例将已知的各种导航类型信号建立数据库，通过时频分析的方法将时域信号的特征转化为两路时频域一维序列，再使用循环神经网络在一维序列特征提取上的优势，对神经网络进行训练。最后通过通用软件无线电设备实时采集监测导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对导航频段信号类型识别有着重大意义。
本发明方法与瞬时频率和谱熵结合可以进一步提高信号识别的准确度。该方法提高了信号监测与信号识别的准确度，实现了在更低干噪比的条件下准确识别信号类型，并且由于硬件只采用了软件无线电设备和信号处理设备，可广泛应用于信号监测站点、移动监测车辆等来提高导航信号类型识别能力。
随着USRP与GPU运算能力的进一步提升，基于瞬时频率和谱熵的信号神经网络训练速度和信号处理速度能够进一步提高，从而能够识别更大带宽，更广范围的导航频段信号类型。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种基于深度神经网络的导航频段信号类型识别方法，其特征在于，包括以下步骤：
S1、生成导航频段不同类型的信号数据集：根据信号的函数表达式，设定采样率f s 、每段 信号时长τ和数据集大小N，得到遍历可调整参数范围的不同类型的导航频段信号的数据集S i （n），S i （n）为
Figure 93928DEST_PATH_IMAGE001
，其中i为信号类型；
S2、信号时频分析：对导航频段信号数据集里的每一段信号的数据集S i （n）进行时频分析，分别得到两路一维时频域序列：N×M段瞬时频率序列和N×M段谱熵序列；
S3、建立神经网络数据集：对N×M×2段瞬时频率和对应的谱熵序列分M类信号存储，每一类N×2段；将每一类的信号按照比例分成两部分组成神经网络的训练集和测试集,最后建立M种信号分类标签；
S4、训练深度神经网络：通过信号模型产生导航频段信号训练集，将步骤S3中的两路一维时频域序列的训练集输入循环神经网络训练参数，提取序列特征，训练结束后将神经网络参数保存；
S5、信号采集与下变频：利用天线接收射频信号并传输至信号采集设备，信号采集设备将监测的导航频点对应指定范围带宽内时长为τ的信号下变频成数字中频信号S（n），传输至信号识别设备；
S6、导航频段信号时频分析：信号识别设备读取信号采集设备传输的数字信号S（n），采用所述步骤S2的信号时频分析方法进行时频分析，得到瞬时频率和谱熵；
S7、导航频段信号类型识别：载入步骤S4保存的神经网络参数，将步骤S6得到的瞬时频率和谱熵序列输入循环神经网络分类，得到分类结果；
所述步骤S1中导航频段信号的类型包括扫频信号、单音信号、脉冲信号和扩频信号。
2.根据权利要求1所述的基于深度神经网络的导航频段信号类型识别方法，其特征在于：所述步骤S1中扫频信号、单音信号、扩频信号和脉冲信号对应的函数表达式分别为
扫频信号：
Figure 853680DEST_PATH_IMAGE002
；
单音信号：
Figure 522559DEST_PATH_IMAGE003
；
扩频信号：
Figure 515923DEST_PATH_IMAGE004
；
脉冲信号：
Figure 270252DEST_PATH_IMAGE005
；
其中，A（t）为信号幅值， j为虚数单位，f 0 为载波初始频率，T 1 为某一频率点的驻留时间，K为频率随时间变化的常系数，t为时间； A S 、f和φ 0分别为信号幅值、频率和初始相位；C（t）为载波调制的扩频码；τ、T 2 分别为脉冲宽度和重复周期。
3.根据权利要求1所述的基于深度神经网络的导航频段信号类型识别方法，其特征在于：所述步骤S1中扫频信号的可调整参数类型为起始/结束频率、起始/结束功率和扫频速率；单音信号的可调整参数类型为载波频率和载波功率；扩频信号的可调整信号参数类型为扩频码码率、载波频率和载波功率；脉冲信号的可调整参数类型为脉冲周期、占空比和载波功率。
4.根据权利要求1所述的基于深度神经网络的导航频段信号类型识别方法，其特征在于：所述步骤S2中时频分析的具体步骤为：
S201、首先利用短时傅里叶变换计算输入信号的时频功率谱矩阵S（t，f），其行数等于 DFT点数，列数
Figure 7264DEST_PATH_IMAGE006
， N x 表示原始信号长度；
Figure 592966DEST_PATH_IMAGE007
表示对x向下取 整，因此S（t，f）矩阵表示为：
Figure 22810DEST_PATH_IMAGE008
S（t，f）中，第m个元素为：
Figure 264436DEST_PATH_IMAGE009
其中，g（n）为W点长的窗函数；X m （f）为以时间mR为中心的窗内数据的DFT；R为连续两个DFT之间跳过的数据点数，其大小是窗口长度W与重叠长度L之间的差，t为时间，f为频率；
S202、最后根据下式估计瞬时频率：
Figure 539559DEST_PATH_IMAGE010
计算输入信号谱熵，给定的时频功率谱S（t，f）在t时刻的概率分布为：
Figure 183030DEST_PATH_IMAGE011
则可以得到t时刻的谱熵为：
Figure 580514DEST_PATH_IMAGE012
。
5.根据权利要求1所述的基于深度神经网络的导航频段信号类型识别方法，其特征在于：所述步骤S4中循环神经网络为LSTM神经网络。
6.一种基于深度神经网络的导航频段信号类型识别系统，其特征在于，包括：依次连接的导航天线、信号采集设备和信号处理设备，所述信号处理设备应用权利要求1至5任意一项所述的基于深度神经网络的导航频段信号类型识别方法。
CN202110159518.XA 2021-02-05 2021-02-05 基于深度神经网络的导航频段信号类型识别方法及系统 Active CN112488092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110159518.XA CN112488092B (zh) 2021-02-05 2021-02-05 基于深度神经网络的导航频段信号类型识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159518.XA CN112488092B (zh) 2021-02-05 2021-02-05 基于深度神经网络的导航频段信号类型识别方法及系统

Publications (2)

Publication Number Publication Date
CN112488092A CN112488092A (zh) 2021-03-12
CN112488092B true CN112488092B (zh) 2021-08-24

Family

ID=74912380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159518.XA Active CN112488092B (zh) 2021-02-05 2021-02-05 基于深度神经网络的导航频段信号类型识别方法及系统

Country Status (1)

Country Link
CN (1) CN112488092B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116346197B (zh) * 2023-02-28 2024-03-19 北京扬铭科技发展有限责任公司 Uhf频段特定卫星信号分析设备和分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ566782A (en) * 2005-10-06 2010-07-30 Dts Inc Neural network classifier for separating audio sources from a monophonic audio signal
CN104935359A (zh) * 2015-05-12 2015-09-23 国网重庆市电力公司电力科学研究院 一种低压电力线载波通信信号调制方式识别装置及系统
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109543643A (zh) * 2018-11-30 2019-03-29 电子科技大学 基于一维全卷积神经网络的载波信号检测方法
CN110688992A (zh) * 2019-12-09 2020-01-14 中智行科技有限公司 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆
EP3686899A1 (en) * 2018-12-24 2020-07-29 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient s heart
CN111562597A (zh) * 2020-06-02 2020-08-21 南京敏智达科技有限公司 一种基于bp神经网络的北斗卫星导航干扰源识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867620B2 (en) * 2016-06-22 2020-12-15 Dolby Laboratories Licensing Corporation Sibilance detection and mitigation
CN108564964A (zh) * 2018-04-06 2018-09-21 东莞市华睿电子科技有限公司 一种语音信息验证方法
CN110738138A (zh) * 2019-09-26 2020-01-31 哈尔滨工程大学 基于循环神经网络的水声通信信号调制模式识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ566782A (en) * 2005-10-06 2010-07-30 Dts Inc Neural network classifier for separating audio sources from a monophonic audio signal
CN104935359A (zh) * 2015-05-12 2015-09-23 国网重庆市电力公司电力科学研究院 一种低压电力线载波通信信号调制方式识别装置及系统
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109543643A (zh) * 2018-11-30 2019-03-29 电子科技大学 基于一维全卷积神经网络的载波信号检测方法
EP3686899A1 (en) * 2018-12-24 2020-07-29 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient s heart
CN110688992A (zh) * 2019-12-09 2020-01-14 中智行科技有限公司 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆
CN111562597A (zh) * 2020-06-02 2020-08-21 南京敏智达科技有限公司 一种基于bp神经网络的北斗卫星导航干扰源识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Identification Method of Navigation Signal Interference Type based on SqueezeNet Model;Li, Xiangjun, et al;《2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC)》;20201231;全文 *
Robust Navigation Method for Wearable Human-Machine Interaction System Based on Deep Learning;Yang, Shuqin; et.al;《IEEE SENSORS JOURNAL》;20201231;全文 *
基于RBF神经网络结构混合优化的数字;张秀玲，等;《沈阳大学学报(自然科学版)》;20150706;全文 *

Also Published As

Publication number Publication date
CN112488092A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN107122738B (zh) 基于深度学习模型的无线电信号识别方法及其实现系统
CN109274621B (zh) 基于深度残差网络的通信协议信号识别方法
CN107124381B (zh) 一种数字通信信号调制方式自动识别方法
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN109307862A (zh) 一种目标辐射源个体识别方法
CN102244548B (zh) 一种联合频谱检测方法
CN107192991B (zh) 一种射频辐射式仿真宽带脉冲雷达成像等效模拟方法
CN107576943A (zh) 基于瑞利熵的自适应时频同步压缩方法
CN103763051A (zh) 实现瞬态信号捕获和频谱分析的系统
CN107490785A (zh) 一种基于频域置零调制的ofdm雷达通信一体化波形设计方法
CN112904282A (zh) 基于pwvd与卷积神经网络的雷达干扰信号识别方法
CN114881093B (zh) 一种信号分类识别方法
CN112488092B (zh) 基于深度神经网络的导航频段信号类型识别方法及系统
CN112764003A (zh) 一种雷达辐射源信号时频特征识别方法、装置及存储介质
CN108197545A (zh) 干扰类型的识别方法和系统
CN106301631A (zh) 一种基于子空间分解的互素欠采样频谱感知方法及其装置
CN106680791A (zh) 基于宽带扫频数据的雷达回波仿真方法
Torío et al. An algorithm to simulate impulsive noise
CN104868962B (zh) 基于压缩感知的频谱检测方法及装置
CN105891600A (zh) 四相相移键控信号频谱估计方法
Li et al. Specific emitter identification based on multi-domain features learning
Ya et al. Modulation recognition of digital signal based on deep auto-ancoder network
CN106506102A (zh) 一种互素欠采样下高精度、低时延的谱感知方法及其装置
CN106371072A (zh) 一种基于单个脉冲频域采样的空间信号频谱普查方法
CN105764153A (zh) 一种上行随机接入的签名序列检测方法及装置

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