CN112565127A - 基于残差网络和频域图形的测控信号调制识别方法 - Google Patents
基于残差网络和频域图形的测控信号调制识别方法 Download PDFInfo
- Publication number
- CN112565127A CN112565127A CN202011350799.9A CN202011350799A CN112565127A CN 112565127 A CN112565127 A CN 112565127A CN 202011350799 A CN202011350799 A CN 202011350799A CN 112565127 A CN112565127 A CN 112565127A
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- spectrum
- modulation
- residual error
- 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
- G06F18/24—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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于残差网络和频域图形的测控信号调制识别方法。本发明步骤:1、通过数字接收机实现对输入的FM复合调制信号的解调;2、通过降采样和频谱搬移等方法对信号进行处理;获取处理后的内调制信号频谱和平方谱图形;3、将频谱特征图像输入残差网络分类器,将信号分为2k带宽的2FSK‑FM信号、MPSK‑FM信号,128K的MPSK‑FM信号和32k带宽的2FSK‑FM四类;4、对上一个分类器的输出标记是MPSK‑FM信号的平方谱图像送入分类器,实现对BPSK‑FM和QPSK‑FM的调制识别。本发明通过接收机提取测控信号的内调制信号频谱和平方谱特征,利用频域特征在低信噪比下的稳定性,和残差网络模型在相似图像分类识别中的高效性,实现了复合信号的调制方式识别。
Description
技术领域
本发明主要针对不同带宽的FM复合调制信号,主要涉及一种基于残差网络和频域图形的测控信号调制识别方法。
背景技术
无线通信的快速发展衍生出越来越多复杂的信号类型,复合信号的产生实现了两种调制信号的优缺点互补的特性同时提升了信号识别的复杂性。并且不同带宽的信号传输对于传统的数字接收机提高了滤波器要求。因此针对不同带宽复合调制信号开展调制识别方法,对现在复杂通信环境下的调制识别技术发展具有重要意义。
目前针对复合调制测控信号调制识别算法的研究主要是基于直接特征提取或者先解调再特征提取的决策树分类方法与利用CNN与星座图特征结合的精确调制分类方法。方法一流程简单,适应性强,但识别性能还有待提高并且其分类性能易受阈值影响。方法二对单一调制信号均有较好的识别效率,但由于该特征本身依赖于对信号的解调,而二次调制信号的解调精度受信噪比影响很大,同时CNN模型在深层网络中存在梯度消失或爆炸的问题,因此在低信噪比情况下,上述方案的识别率会迅速下降。基于残差网络和频域图形方法是使用更稳定的内调制信号的频谱和平方谱图像,避免二次解调,提高抗噪声性能,同时使用50层残差网络结构提高相似图像识别时的准确率。
由此可见,残差网络分类模型和频域图形结合起来,来实现对复合调制信号的模式识别有着非常广泛的应用前景。
发明内容
本发明的目的是解决测控系统中不同带宽下FM复合调制信号的识别问题,提出了一种基于残差网络和频域图形的测控信号调制识别方法。通过接收机提取FM复合信号的内调制信号频谱和平方谱特征,使用残差网络对内调制信号的频谱和平方谱整体图形特征进行分类识别。理论分析和仿真实验表明,针对不同带宽的2FSK-FM、BPSK-FM、 QPSK-FM信号,该方法方法与普遍应用的星座图和CNN的识别方案相比,识别性能平均提高了3dB以上。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1、通过数字接收机实现对输入的FM复合调制信号的解调;
步骤2、通过降采样和频谱搬移等方法对信号进行处理。获取处理后的内调制信号频谱和平方谱图形;
步骤3、将频谱特征图像输入残差网络分类器,将信号分为2k 带宽的2FSK-FM信号、MPSK-FM信号,128K的MPSK-FM信号和32k带宽的2FSK-FM四类;
步骤4、对上一个分类器的输出标记是MPSK-FM信号的平方谱图像送入分类器,实现对BPSK-FM和QPSK-FM的调制识别。
步骤1具体实现如下:
1-1.接收到的复合信号与数控振荡器的正交两路相乘,通过低通滤波器滤除和频分量,得到正交的两路信号Si(n)和Sq(n):
式中,Δf=fc-f0为信号载频与NCO初始频率的差值,θ(n)为数控振荡器(Numerical Control Oscillator,NCO)输出信号的初始相位, Ts为采样周期,Kf为调频系数,m(k)为内调制信号。
1-2.将Si(n)和Sq(n)通过FM鉴相器得到鉴相误差:
步骤2具体实现如下:
2-1.对经过接收机处理后得到的内调制信号进行下变频并进行降采样处理。并对处理后的信号进行FFT变换,得到不同信号的频谱图形。
2-2.2FSK信号的功率谱密度表达式为:
式中,P1(f)、P2(f)均为单极性基带信号功率谱。可知其功率谱在f=f1,f=f2处均存在单根谱线。
BPSK与QPSK信号的功率谱密度表达式均可写为:
其中P3为双极性基带信号功率谱。
2-3.对内调制信号m(n)进行平方并展开得到:
对于BPSK信号,a(n)、b(n)为相同的双极性码,因此可以改写为:
BPSK信号的平方谱在直流和2倍载频处存在峰值,而对于QPSK 信号,a(n)和b(n)并不相同,乘积在正负1之间跳变,因此其功率谱不包含2倍载频分量,仅在直流处存在峰值。
步骤3具体实现如下:
3-1.将信号根据调制方式与带宽分为不同带宽的2FSK-FM信号与MPSK-FM信号类标签。
3-2.训练时,通过向信号文件中添加不同功率的噪声形成具有不同信噪比的混合信号,将此混合信号的频谱特征作为训练集,对第一个残差网络进行训练,得到输出实现区分不同带宽的2FSK-FM信号与 MPSK-FM信号的能力。
本方法采用的的残差网络分类器为基于50层残差网络 (ResNet50)分类器。该网络首先通过一个7x7的卷积层,接一个最大池化层,之后通过堆叠残差块,在网络的结尾连接一个全局平均池化,完成网络模型构建。最后通过全连接层和激活函数SOFTMAX实现对数据的分类。
步骤4具体实现如下
4-1.将上一个分类器中输出的MPSK-FM信号进行标记,分为 BPSK-FM和QPSK-FM两类信号
4-2.把MPSK-FM信号的平方谱作为输入,对残差网络模型进行训练实现对BPSK-FM和QPSK-FM的二分类。
本发明有益效果如下:
1.本发明针对传统方法难以进行调制识别的复合信号,通过接收机和深度学习网络可以实现了不同带宽情况下调制方式的区分。
2.本发明通过接收机输出的鉴相误差数据,提取内调制信号的频域图形特征,利用残差网络实现不同带宽情况下复合调制信号 (2FSK-FM、BPSK-FM和QPSK-FM)的调制方式识别,与星座图和CNN 的识别方案相比,识别性能得到提高
3.本发明提供了解决复合信号调制识别问题的新思路,避免了传统算法对阈值的依赖,具有更高的识别率和更强的鲁棒性。
附图说明
图1本发明中使用的全数字接收机原理图;
图2经过频谱搬移与降采样处理的频谱对比图
图3基于鉴相误差得到的三种内调制信号的频谱图;
图4MPSK信号的平方谱图形;
图5残差网络网络结构;
图6基于残差网络和数字接收机的复合信号识别流程;
图7残差网络的损失函数下降曲线
图8本方法与决策树方法的识别率对比
图9本方法与星座图+CNN方法的识别率对比
具体实施方式
下面结合附图对本发明的具体实施例做进一步的说明。
步骤2、对鉴相误差进行频谱搬移和降采样处理,处理前后的频谱图形如图2所示,并根据图形特征如图3区分MPSK-FM、2FSK-FM 信号;
步骤3、对被判别成MPSK信号的数据进行平方谱图形获取,其平方谱特征如图4所示,使用该特征区分BPSK-FM和QPSK-FM信号;
步骤4、通过如图5所示的残差网络结构并根据图6的实施流程实现对不同带宽信号的分类(以2kHZ和32kHz的2FSK-FM复合信号和2kHz和128kHz的BPSK-FM、QPSK-FM信号六种信号为例)。
步骤1具体实现如下:
1-1.接收到的采样信号与数控振荡器的两路输出相乘,通过FIR 低通滤波器滤除和频分量,得到正交的两路信号Si(n)和Sq(n)如式(1) 和式(2)所示:
步骤2具体实现如下:
2-1.对经过接收机处理后得到的内调制信号进行先进行下变频处理和降采样处理并对处理后的信号进行FFT变换,得到不同带宽的不同调制方式的信号的的频谱图形。
2-2.式(5)为FSK信号的功率谱密度表达式,式中Ps(f)为单极性基带信号功率谱。如图3中c所示,其频谱在f=fc左右两处分别存在一根谱线。
MPSK信号的功率谱密度表达式如式(6)所示,如图3中a和b 所示BPSK与QPSK信号的频谱表现为宽带信号。
步骤3具体实现如下:
3-1.对MPSK信号,利用式(7)对其进行平方处理,再对平方后的数据进行FFT,获取平方谱图形特征。
3-2.对于BPSK信号,a(n),b(n)为相同的双极性码,因此式(7) 可以改写为:
因此BPSK信号的平方谱在直流和2倍载频处存在峰值,去直流后其平方谱如图4中a所示。而对于QPSK信号,a(n),b(n)并不相同,乘积在正负1之间跳变,因此其功率谱不包含2倍载频分量,仅在直流处存在峰值。去直流后其平方谱如图4-b所示。
步骤4具体实现如下:
4-1.通过如图5所示的残差网络结构进行模型设计。
4-2分类的整体流程如图6所示:在分类时首先将相同带宽的 BPSK与QPSK信号归为一类,并标记为MPSK。将信号经过频谱搬移与降采样处理后得到的频谱图输入残差网络模型1,实现对不同带宽的 FASK和MPSK信号的区分。之后对识别为MPSK信号的数据进行平方谱图形数据获取,输入残差网络模型2,利用平方谱图形区分BPSK 和QPSK信号。
4-3.训练时通过向信号文件中和添加不同功率的噪声形成具有不同信噪比的混合信号,将此混合信号作为训练集
4-4.最后将未知信号的内调制频谱图形输入训练网络,完成对未知信号的分类。
实施例:
仿真时使用矢量信号发生器SMBV100A-2发射内调制信号带宽分别为2kHZ和32kHz的2FSK-FM复合信号和内调制带宽分别为2kHz和 128kHz的BPSK-FM、QPSK-FM信号,其中FM调频系数为0.05,采样率fs=12.8MHz,信号载频均为fc=500kHz,副载频均为128kHz。
上述信号在-5dB到20dB信噪比之间,以1dB为间隔,各产生200 个样本,其中100个为训练数据,100个为测试数据,将上述产生数据进过处理输入残差网络不断迭代,迭代次数与损失图像如图7所示,在第400次迭代后已经基本不再减小,说明此时该模型的学习过程已经收敛。得到训练完成的模型
使用该模型对测试集进行测试并记录误码率性能,并该网络模型的识别性能分别与传统的决策树方案和基于星座图的残差网络方案对比,得到识别率对比图像如图8和图9所示。图8中的对比算法使用的是频域包络特征和二次方谱检测参数提取加决策树的分类方法,在信噪10dB以上时可以有效区分上述6种信号,但是当信噪比降低时,由于信号特征差异的削弱,该方法就无法有效区分具有相同带宽的各类信号,且对同一带宽的不同信号,分类准确性大大降低。图9 中所使用的对比算法是基于星座图特征和残差网络的识别方法。由图中的识别率性能可以发现该方法在信噪比为2dB以上时具有非常好的识别效果,但是当信噪比进一步降低时,其识别率迅速下降,在-5dB 时几乎完全失去分类能力。而本文方案在-5dB时识别率依然保持在 90%以上。这是因为对于复合调制信号,要获取其星座特征需要经过 FM接收机和MPSK/FSK接收机两次解调过程,此时噪声对解调效果的影响非常大。因此低信噪比情况下,接收机难以恢复其星座图特征。同时CNN模型对于低信噪比下较为相似的星座图像的分类能力较差,因此该方法的抗噪声能力较弱。
综上所述本算法基于频域图像的特征提取方案仅需使用FM接收机,同时采用对相似图像识别能力更强的残差网络,避免了上述问题,因此可以在更低的信噪比下实现良好的识别性能。
最后需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.基于残差网络和频域图形的测控信号调制识别方法,其特征在于包括以下步骤:
步骤1、通过数字接收机实现对输入的FM复合调制信号的解调;
步骤2、通过降采样和频谱搬移的方法对信号进行处理;获取处理后的内调制信号频谱和平方谱图形;
步骤3、将频谱特征图像输入残差网络分类器,将信号分为2k带宽的2FSK-FM信号、MPSK-FM信号,128K的MPSK-FM信号和32k带宽的2FSK-FM四类;
步骤4、对上一个分类器的输出标记是MPSK-FM信号的平方谱图像送入分类器,实现对BPSK-FM和QPSK-FM的调制识别。
2.根据权利要求1所述的基于残差网络和频域图形的测控信号调制识别方法,其特征在于步骤1具体实现如下:
1-1.接收到的复合信号与数控振荡器的正交两路相乘,通过低通滤波器滤除和频分量,得到正交的两路信号Si(n)和Sq(n):
式中,Δf=fc-f0为信号载频与NCO初始频率的差值,θ(n)为数控振荡器输出信号的初始相位,Ts为采样周期,Kf为调频系数,m(k)为内调制信号;
1-2.将Si(n)和Sq(n)通过FM鉴相器得到鉴相误差:
3.根据权利要求2所述的基于残差网络和频域图形的测控信号调制识别方法,其特征在于步骤2具体实现如下:
2-1.对经过接收机处理后得到的内调制信号进行下变频并进行降采样处理;并对处理后的信号进行FFT变换,得到不同信号的频谱图形;
2-2. 2FSK信号的功率谱密度表达式为:
式中,P1(f)、P2(f)均为单极性基带信号功率谱;可知其功率谱在f=f1,f=f2处均存在单根谱线;
BPSK与QPSK信号的功率谱密度表达式均可写为:
其中P3为双极性基带信号功率谱;
2-3.对内调制信号m(n)进行平方并展开得到:
对于BPSK信号,a(n)、b(n)为相同的双极性码,因此可以改写为:
BPSK信号的平方谱在直流和2倍载频处存在峰值,而对于QPSK信号,a(n)和b(n)并不相同,乘积在正负1之间跳变,因此其功率谱不包含2倍载频分量,仅在直流处存在峰值。
4.根据权利要求3所述的基于残差网络和频域图形的测控信号调制识别方法,其特征在于步骤3具体实现如下:
3-1.将信号根据调制方式与带宽分为不同带宽的2FSK-FM信号与MPSK-FM信号类标签;
3-2.训练时,通过向信号文件中添加不同功率的噪声形成具有不同信噪比的混合信号,将此混合信号的频谱特征作为训练集,对第一个残差网络进行训练,得到输出实现区分不同带宽的2FSK-FM信号与MPSK-FM信号的能力。
5.根据权利要求4所述的基于残差网络和频域图形的测控信号调制识别方法,其特征在于步骤4具体实现如下:
4-1.将上一个分类器中输出的MPSK-FM信号进行标记,分为BPSK-FM和QPSK-FM两类信号
4-2.把MPSK-FM信号的平方谱作为输入,对残差网络模型进行训练实现对BPSK-FM和QPSK-FM的二分类。
7.根据权利要求5所述的基于残差网络和频域图形的测控信号调制识别方法,其特征在于在分类时首先将相同带宽的BPSK与QPSK信号归为一类,并标记为MPSK;将信号经过频谱搬移与降采样处理后得到的频谱图输入残差网络模型1,实现对不同带宽的FASK和MPSK信号的区分;之后对识别为MPSK信号的数据进行平方谱图形数据获取,输入残差网络模型2,利用平方谱图形区分BPSK和QPSK信号;
训练时通过向信号文件中和添加不同功率的噪声形成具有不同信噪比的混合信号,将此混合信号作为训练集
最后将未知信号的内调制频谱图形输入训练网络,完成对未知信号的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350799.9A CN112565127B (zh) | 2020-11-26 | 2020-11-26 | 基于残差网络和频域图形的测控信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350799.9A CN112565127B (zh) | 2020-11-26 | 2020-11-26 | 基于残差网络和频域图形的测控信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112565127A true CN112565127A (zh) | 2021-03-26 |
CN112565127B CN112565127B (zh) | 2022-07-22 |
Family
ID=75045911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011350799.9A Active CN112565127B (zh) | 2020-11-26 | 2020-11-26 | 基于残差网络和频域图形的测控信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112565127B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060193407A1 (en) * | 2005-02-28 | 2006-08-31 | Dibiaso Eric A | Method and system using preamble detection to demodulate a phase shift key carrier signal |
CN106130942A (zh) * | 2016-07-05 | 2016-11-16 | 东南大学 | 一种基于循环谱的无线通信信号调制识别及参数估计方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN110113278A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于全数字接收机的调制方式识别方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN110768737A (zh) * | 2019-03-28 | 2020-02-07 | 苏州东奇信息科技股份有限公司 | 一种基于mppsk调制的模数混合调幅广播系统 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111245756A (zh) * | 2020-02-19 | 2020-06-05 | 杭州电子科技大学 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
US20200327397A1 (en) * | 2019-04-12 | 2020-10-15 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples |
-
2020
- 2020-11-26 CN CN202011350799.9A patent/CN112565127B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060193407A1 (en) * | 2005-02-28 | 2006-08-31 | Dibiaso Eric A | Method and system using preamble detection to demodulate a phase shift key carrier signal |
CN106130942A (zh) * | 2016-07-05 | 2016-11-16 | 东南大学 | 一种基于循环谱的无线通信信号调制识别及参数估计方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN110768737A (zh) * | 2019-03-28 | 2020-02-07 | 苏州东奇信息科技股份有限公司 | 一种基于mppsk调制的模数混合调幅广播系统 |
US20200327397A1 (en) * | 2019-04-12 | 2020-10-15 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples |
CN110113278A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于全数字接收机的调制方式识别方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111245756A (zh) * | 2020-02-19 | 2020-06-05 | 杭州电子科技大学 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
Non-Patent Citations (2)
Title |
---|
POOIA P ANIL: ""Signal Detection Scheme Based on Deep Learning in OFDM systems"", 《2019 2ND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, INSTRUMENTATION AND CONTROL TECHNOLOGIES (ICICICT)》 * |
赵永宽: "基于级联SVM 和全数字接收机的复合调制识别", 《杭州电子科技大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112565127B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495410B (zh) | 高动态pcm/fm信号载波频率精确估计方法 | |
CN108134753B (zh) | 宽带信号调制方式的识别方法 | |
CN110113278B (zh) | 一种基于全数字接收机的调制方式识别方法 | |
CN112671680B (zh) | 一种改进误码性能的基于多倍带宽采样的LoRa解调方法 | |
CN112511477A (zh) | 一种基于星座图和深度学习的混合卫星通信调制识别方法及系统 | |
CN107911329A (zh) | 一种信号分析仪ofdm信号解调方法 | |
CN105704081B (zh) | 多个偏移载波调幅信号的优选和解调方法 | |
CN111343116B (zh) | 密集信号环境下基于星座轨迹图的调制识别方法 | |
CN110912847A (zh) | 一种gmsk信号解调方法 | |
US20050063487A1 (en) | Method and apparatus for parameter estimation, modulation classification and interference characterization in satellite communication systems | |
CN114448761B (zh) | 调制指数自适应的多符号检测解调装置及其解调方法 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN106453171A (zh) | 一种同频同时全双工系统的自干扰消除方法 | |
CN112733811A (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 | |
CN112565127B (zh) | 基于残差网络和频域图形的测控信号调制识别方法 | |
CN109076038B (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
CN108650203B (zh) | 一种基于侦察接收机的调制模式识别方法 | |
CN112600784B (zh) | 一种基于二次差分相关的大频偏位同步方法 | |
CN111868545B (zh) | 一种卫星通信导航信号生成方法、装置及接收方法、装置 | |
CN116707558A (zh) | 基于多级动态盲数字接收机的数模混合信号识别方法 | |
CN111245756B (zh) | 基于级联svm和全数字接收机的复合信号调制识别方法 | |
CN116232823A (zh) | 基于多级盲数字接收机联合的幅相调制信号识别方法 | |
CN112565126B (zh) | 一种基于接收机多维特征模数混合信号的调制识别方法 | |
Su et al. | Dual-use of modulation recognition techniques for digital communication signals | |
CN111614591B (zh) | 一种信号快速捕获的方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221222 Address after: 310000 room 412, No. 68, Keye Road, Jianggan District, Hangzhou, Zhejiang Patentee after: Hangzhou Tianzhi RONGTONG Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
TR01 | Transfer of patent right |