CN112818891B - 通信干扰信号类型智能识别方法 - Google Patents
通信干扰信号类型智能识别方法 Download PDFInfo
- Publication number
- CN112818891B CN112818891B CN202110183700.9A CN202110183700A CN112818891B CN 112818891 B CN112818891 B CN 112818891B CN 202110183700 A CN202110183700 A CN 202110183700A CN 112818891 B CN112818891 B CN 112818891B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- time domain
- module
- convolution
- lstm
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- G06N3/08—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
- G06F2218/12—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
Abstract
本发明公开的一种通信干扰信号类型智能识别方法,识别率高,解决了复杂频谱环境下干扰信号识别问题。本发明通过下述技术方案实现:干扰识别过程分为预处理部分和识别网络部分,在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换,得到时域数据和频域数据;在识别网络部分首先将时域数据输入到时域特征提取支路,通过时域卷积模块和时域LSTM模块得到时域特征;同时将频域数据输入频域特征提取支路,通过频域卷积模块和频域LSTM模块得到频域特征;然后将时域特征和频域特征送入融合模块进行特征融合;最后将得到的融合特征送入分类模块对干扰信号进行分类识别,得到干扰信号的类型识别结果。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种通信干扰信号类型智能识别方法。
背景技术
无线通信在信息化发展中扮演着重要的角色,在现代通信中占据着极其重要的位置,被广泛应用于商业、气象、军事、民用等领域。当代无线通信系统很多,例如航天测控通信系统、蜂窝移动通信系统、无线寻呼系统、短波通信系统、微波通信系统等等。各种通信系统由于自身的特点而应用于不同的场合。由于通信信号的产生和传输过程中会受到信号和信道的干扰及其他不稳定因素的存在,会造成接收信号波形不稳定。随着电磁环境日益复杂,无线通信系统的正常运行受到严重威胁。此时,全面监测无线通信系统所面临的干扰显得极为重要。通过干扰监测全面掌握无线通信系统所面临的电磁环境,才能有效规范频段的频谱使用保护无线通信系统;才能指导主控站、注入站等地面站的选址,尽量避免其受到电磁干扰影响;才能为抗干扰技术研发和措施实施提供技术支撑,对维持无线通信系统的正常运行意义重大。在干扰监测中,干扰信号类型的识别是其需要首先解决的问题,是干扰参数分析、干扰影响分析、抗干扰抑制等的基础,非常关键。
以航天测控通信系统为例,随着电磁环境日益复杂的变化,航天测控系统中也面临着各种有意、无意干扰信号,给测控系统带来了严峻的挑战。为了保证测控系统在干扰环境下能够保持可靠工作,需要采取干扰防护措施。在复杂的电磁环境中,很难有干扰防护手段能够对抗所有干扰类型,不同干扰防护手段在对抗干扰的同时需要付出不同程度的代价。为了保证测控系统对飞行器进行有效测控,以较小的代价实现有效的干扰防护,首先需要进行干扰类型识别。对干扰信号类型的识别,可以为接收机决策最佳干扰防护手段提供重要的依据,是航天测控干扰防护系统的关键技术之一。
干扰信号识别的困难在于干扰类型的多样化,及如何找到一种通用的算法或方法用于识别。利用时频分析工具虽然能够提取时频特征区分信号,然而时频分析工具涉及矩阵运算,运算量巨大。传统的干扰信号类型识别过程包括三部分:信号预处理部分、特征提取部分和类型识别部分。在具体的识别过程中,三个部分缺一不可,环环相扣。信号预处理部分的主要任务是为特征提取提供准确的数据。具体处理的内容有频率下变频、同相和正交分量分解、载频估计和载频分量的消除等。特征提取部分是从输入的信号序列中提取对干扰信号类型识别有用的信息;在预处理的基础上需要依靠特征提取的功能提取信号的时域特征或变换域特征。通过提取特征,选择和运用合适的判决准则和识别分类器,这是分类识别的主要任务。而在这一过程中,特征提取的准确与否直接作用于分类器的设计和功能实现。分类识别部分的主要功能是判断干扰信号类型的从属关系。此类方法在识别系统的构建过程中需要一定数量的各类干扰信号样本,其性能评价一般采用各种干噪比条件下的正确识别率。通信干扰信号类型的分类识别是一种典型的模式识别问题,它涉及到很多复杂的特殊因素。随着通信技术的飞速发展,通信干扰信号样式变的更加复杂多样,信号环境日益密集,使得常规的识别方法和理论很难适应实际需要,无法有效的对通信干扰信号进行识别。由于通信干扰信号经过无线信道的传输,干噪比变化范围较大,通常在几分贝到几十分贝的范围内变化,这将导致从同一类干扰信号的不同干噪比样本中提取的同一种特征有可能产生严重的畸变,相当于成倍增加了干扰信号类别识别的难度,使分类器的识别率降低。
近年来,随着人工智能技术的发展,深度学习算法突飞猛进,卷积神经网络和循环神经网络也被用在智能识别技术中,在诸多领域取得了十分优秀的成果。卷积神经网络和循环神经网络是两种非常具有代表性的深度学习算法,分别在计算机视觉和自然语言处理等领域表现出优异的性能。长短时记忆(Long Short-Term Memory,LSTM)网络是一种特殊的循环神经网络,它可以学习长期依赖的信息,性能表现更好。随着深度学习技术的发展,卷积神经网络和循环神经网络也被用在智能识别技术中,可以取得十分优异的性能。
在现代通信中,通信干扰信号的种类很多,但从理论上来说,各种通信干扰信号类型识别都可以用模式识别的方法来实现。实现方式如梁金第等人提出一种联合多维特征的干扰识别方法,首先从多个域提取多维特征,然后分别基于SVM和决策树作为分类器进行干扰识别。该方法需要人工设计特征提取器,且分类器的分类性能较低,干扰识别效果不佳。宋绯等人提出一种基于深度卷积神经网络的干扰识别算法,该算法针对无线通信干扰识别问题,基于频谱瀑布图利用卷积神经网络进行识别。徐国进等人提出一种基于卷积神经网络的干扰信号识别方法,主要利用Inception结构构建卷积神经网络进行干扰识别。这些干扰识别方法只利用了信号的频域信息,且对信号时序变化特征的提取能力不足,干扰识别性能不高。
发明内容
本发明的目的是针对复杂电磁环境中的干扰信号识别问题和现有技术中存在的问题,提出一种识别率高,能够提高分类能力和效率的通信干扰信号类型智能识别方法,以解决复杂频谱环境下干扰信号识别问题。
本发明的上述目的可以通过以下措施来得到,一种通信干扰信号类型智能识别方法,具有如下技术特征:干扰识别过程分为预处理部分和识别网络部分,在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换,得到时域数据和频域数据;在识别网络部分首先将时域数据输入到时域特征提取支路,通过时域卷积模块和时域LSTM模块得到时域特征;同时将频域数据输入频域特征提取支路,通过频域卷积模块和频域LSTM模块得到频域特征;然后将时域特征和频域特征送入融合模块进行特征融合;最后将得到的融合特征送入分类模块对干扰信号进行分类识别,得到干扰信号的类型识别结果。
本发明相比于现有技术具有如下有益效果。
本发明针对复杂电磁环境下的干扰识别问题,将通信干扰信号类型识别分为预处理部分和识别网络部分,在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换,具有一定的鲁棒性;利用信号时域和频域数据同时输入识别网络,使用时域特征提取支路和频域特征提取支路分别提取时域特征和频域特征,接着将时域特征和频域特征进行融合,最后使用融合后的特征进行分类识别,克服了现有技术仅利用信号单个域作为神经网络的输入造成的信息利用不充分的问题,结合人工智能技术提高了干扰识别的性能。在不同电磁环境中有识别较多干扰信号类型的能力;具有实时处理的功能和较低的算法复杂度。
本发明针对现有神经网络算法干扰识别特征提取性能不足的问题,将时域数据和频域数据输入到时域特征提取支路和频域特征提取支路,两个支路中的卷积模块利用卷积神经网络提取样本的卷积特征,然后将卷积特征分别输入到两个支路中的LSTM模块提取时域和频域的时序特征;将时域和频域的时序特征送入融合模块进行特征融合,并将融合特征送入分类模块对干扰信号进行分类识别;利用卷积神经网络和循环神经网络提取特征,并通过特征融合的方式对干扰信号进行识别来解决复杂环境的干扰信号类型识别问题,且具有较高的正确识别概率。这种利用具备强大的特征提取能力的卷积神经网络提取输入信号的卷积特征,通过数据驱动的方式学习从输入到特征的复杂映射关系,以及利用局部连接和权值共享机制实现了对输入数据的高效特征提取,减少了网络的参数量和计算量,样本数据可以直接输入卷积神经网络,避免了传统机器学习算法复杂的特征提取过程。使用循环神经网络提取时序特征,能够学习到数据中的时序信息,网络利用历史信息影响后续节点的输出,对序列数据具有优秀的特征提取能力。利用卷积神经网络和循环神经网络提取特征克服了现有技术特征提取性能不足的问题,提升了干扰信号特征提取的性能。自动特征提取方式显示出比人工方式更高的效率、更好的适应性等诸多优点。
附图说明
图1是本发明通信干扰信号类型智能识别流程图。
图2是图1中识别网络部分的网络结构图。
为使本发明的目的、技术方法及优点更加详细清楚,下面结合附图和实施例对发明进一步说明。
具体实施方式
参阅图1。根据本发明,干扰识别过程分为预处理部分和识别网络部分,在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换,得到时域数据和频域数据;在识别网络部分首先将时域数据输入到时域特征提取支路,通过时域卷积模块和时域LSTM模块得到时域特征;同时将频域数据输入频域特征提取支路,通过频域卷积模块和频域LSTM模块得到频域特征;然后将时域特征和频域特征送入融合模块进行特征融合;最后将得到的融合特征送入分类模块对干扰信号进行分类识别,得到干扰信号的类型识别结果。
两个特征提取支路的卷积模块及LSTM模块的网络结构相同,但网络的权重参数不同。
经过预处理的时域数据和频域数据共同构成识别网络的输入样本。
在预处理部分,接收到的信号经过时域加窗和功率归一化处理之后即可得到时域数据,再经过傅里叶变换之后即可得到频域数据。时域和频域数据都含有实部、虚部和幅度值三个通道,每个通道的数据长度都是N,经过预处理的样本时域数据为频域数据为其中,N表示时域加窗长度,i表示信号向量元素序号的索引,T表示时域,F表示频域,I表示实部,Q表示虚部,A表示幅度值。
识别网络部分主要包括时域特征提取支路、频域特征提取支路、融合模块和分类识别模块。时域特征提取支路包括时域卷积模块和时域LSTM模块,频域特征提取支路包括频域卷积模块和频域LSTM模块。
识别网络分为以下3个步骤,1)提取时域和频域特征:识别网络的输入样本是信号的时域数据和频域数据,将其分别输入到时域特征提取支路和频域特征提取支路,得到时域特征和频域特征;两个特征提取支路都是先通过卷积模块提取样本的卷积特征,然后将卷积特征输入LSTM模块,使用LSTM模块来提取时序特征。2)特征融合:将时域和频域的时序特征送入融合模块进行特征融合。3)分类识别:使用融合后的特征利用全连接分类模块进行分类识别。
根据上述步骤,在提取时域和频域特征中,识别网络的输入样本分别输入到时域特征提取支路和频域特征提取支路,得到时域特征和频域特征;两个特征提取支路都是先通过卷积模块提取样本的卷积特征,然后将卷积特征输入LSTM模块,使用LSTM模块来提取时序特征。
在特征融合中,LSTM模块将时域和频域的时序特征送入融合模块进行特征融合;在分类识别中,分类模块使用融合后的特征,利用全连接分类模块进行分类识别。
时域和频域卷积模块包括3个卷积单元和2个下采样层,每个卷积单元由2个卷积层、1个批归一化层和1个激活函数层组成,前两个卷积单元之后都跟着1个下采样层,下采样后的特征图尺寸减半并保留主要信息;时域和频域卷积模块都含有6个卷积层、6个批归一化层、6个激活函数层和2个下采样层。
时域和频域LSTM模块包括3个LSTM层。每层的LSTM单元数为Nsteps=63,LSTM中隐藏层的节点个数为Nunits=64,输入LSTM单元的序列长度为Ninputs0=1024,序列个数是Nsteps,时域和频域LSTM模块的输入是Nsteps个长度为Ninputs0的序列,输出特征的长度为Nunits。
为了将卷积特征输入到时域和频域LSTM模块中提取时序特征,需要分别将时域卷积特征和频域卷积特征经过裁剪处理成可以输入LSTM网络的格式,时域和频域特征处理方法相同;裁剪处理的方法为,将时域和频域卷积模块提取的长度为Ncnn的特征进行滑窗裁剪得到多个小序列,滑窗截取的步长为Nstride,滑窗的窗长为Ninputs0,则可以计算得到滑窗次数为Nsteps=(Ncnn-Ninputs0)/Nstride+1,可以分割得到Nsteps个小序列,每个小序列的长度为Ninputs0。
融合模块将两个特征提取支路提取的时域特征和频域特征进行融合。融合模块将时域部分的时域LSTM模块输出的长度为Nunits的特征,与频域部分的频域LSTM模块输出的长度为Nunits的特征进行融合,可以采用特征拼接的方式进行融合,也可以采用相加的方式进行融合,融合之后的特征长度为Nfusion。
分类识别模块将融合特征使用全连接分类器进行分类,首先,将融合特征输入第一个全连接层和激活函数层,该全连接层隐藏节点个数为Nfc1,该全连接层输出的特征记为Feature1;然后,将特征Feature1输入第二个全连接层,该全连接层隐藏节点个数为Nclass,保证与干扰信号的类别个数相等,该全连接层输出的特征记为Feature2;最后,将Feature2输入到softmax激活函数中进行归一化,得到长度为Nclass的分类置信度向量,向量中各元素之和为1,每个元素值代表其对应类别的预测概率。
在可选的实施例中,实施步骤如下:
步骤1:构建数据集。获取已知类型的干扰信号,经过预处理得到可以输入网络的样本。每个样本都由时域数据和频域数据构成,时域数据长度N=2048,频域数据长度N=2048,样本的标签是干扰信号的类型,将这些样本及其标签构成训练数据集。采用相同的方式获得验证数据集和测试数据集。在本实施例中,训练数据集中样本个数为Ntrain=1000,验证数据集中样本个数为Nval=500,测试数据集中样本个数Ntest=500。本实施例考虑的信号类型为:无干扰、单音干扰、多音干扰、线性扫频干扰、噪声调频干扰、部分频带干扰和脉冲干扰,信号类型数量为Nclass=7。
步骤2:构建识别网络。参阅图2。时域和频域卷积模块含有3个卷积单元和2个下采样层,每个卷积单元含有2个卷积层、2个批归一化层和2个ReLU激活函数层,三个卷积单元中的卷积核个数分别为16、32和64。图2的名称中b1表示第1条支路,即时域支路,b2表示第2条支路,即频域支路。以第1条支路为例,图2中的b1_conv1、b1_conv2和b1_conv3分别表示第1条支路的第1、第2和第3个卷积单元,b1_pool1和b1_pool2分别表示第1条支路的第1个和第2个下采样层。
时域和频域LSTM模块含有3个LSTM层,每个LSTM层含有的LSTM单元为Nsteps=63个,LSTM单元的输入序列长度为Ninputs0=1024,LSTM单元的隐藏层节点个数Nunits=64。以第1条支路为例,图2中b1_divide表示对第1条支路的卷积特征进行裁剪处理的层,b1_lstm1、b1_lstm2、b1_lstm3分别表示第1条支路的第1、第2和第3个LSTM层。
在本例中,融合方式采用特征拼接的方式,融合后特征长度等于融合前两个域特征长度之和,即Nfusion=128。图2中,fusion表示融合层,该层输入为时域特征和频域特征,输出为融合特征。
分类模块的第一个全连接层节点个数为Nfc1=64,第二个全连接层的节点个数与干扰类型数量相同。图2中,fc1表示第一个全连接层及其激活函数,fc2表示第2个全连接层,softmax表示softmax激活函数,softmax的输出即为识别结果。
步骤3:使用步骤1构建好的训练和验证数据集对步骤2构建好的识别网络进行训练。训练过程中批数据量为196,学习率为0.001,训练数据集训练次数为200。采用反向传播算法对识别网络进行训练,每完成一次完整训练数据集的利用,就使用当前的模型对验证数据集进行一次预测,获取当前模型对验证数据集的预测准确率。在训练完成时,保存预测准确率最高的模型作为最终模型,记为Model_final。
步骤4:测试识别网络。将步骤1构建好的测试数据集输入到训练好的模型Model_final进行预测,将输出的预测结果与测试数据集的真实标签进行比对,根据比对结果计算测试准确率,可作为对当前模型的性能评价值。
步骤5:识别任意干扰信号。如图1所示,首先将接收信号进行预处理,包括时域加窗、功率归一化处理和傅里叶变换,得到时域数据和频域数据。然后经过时域特征提取支路、频域特征提取支路、融合模块和分类模块,输出得到预测结果向量Y=[x1,x2,…,xj],j=1,2,...,Nclass,该向量表示输入信号属于对应类型的概率,最大的概率值对应的类型即为识别的干扰类型,该概率即为识别的置信度。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本发明的范围并不局限于所描述的具体技术方案。对上述这些实施例的多种修改,对本领域的专业技术人员来说将是显而易见的。本发明所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。任何对所描述的具体技术方案中的技术要素进行相同或等同替换获得的技术方案或本领域技术人员在所描述的具体技术方案的基础上不经过创造性劳动就可以获得的技术方案,都应当视为落入本发明的保护范围。
Claims (7)
1.一种通信干扰信号类型智能识别方法,具有如下技术特征:干扰识别过程分为预处理部分和识别网络部分,在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换,得到时域数据和频域数据;在识别网络部分首先将时域数据输入到时域特征提取支路,通过时域卷积模块和时域LSTM模块得到时域特征;同时将频域数据输入频域特征提取支路,通过频域卷积模块和频域LSTM模块得到频域特征;然后将时域特征和频域特征送入融合模块进行特征融合;最后将得到的融合特征送入分类模块对干扰信号进行分类识别,得到干扰信号的类型识别结果;其中,识别网络部分包括时域特征提取支路、频域特征提取支路、融合模块和分类识别模块,时域特征提取支路包括时域卷积模块和时域LSTM模块,频域特征提取支路包括频域卷积模块和频域LSTM模块,在提取时域和频域特征中,识别网络的输入样本分别输入到时域特征提取支路和频域特征提取支路,得到时域特征和频域特征;两个特征提取支路都是先通过卷积模块提取样本的卷积特征,然后将卷积特征输入LSTM模块,使用LSTM模块来提取时序特征;时域和频域卷积模块包括3个卷积单元和2个下采样层,每个卷积单元由2个卷积层、1个批归一化层和1个激活函数层组成,前两个卷积单元之后都跟着1个下采样层,下采样后的特征图尺寸减半并保留主要信息;时域和频域卷积模块都含有6个卷积层、6个批归一化层、6个激活函数层和2个下采样层;时域和频域LSTM模块包括3个LSTM层,每层的LSTM单元数为Nsteps=63,LSTM中隐藏层的节点个数为Nunits=64,输入LSTM单元的序列长度为Ninputs0=1024,序列个数是Nsteps,时域和频域LSTM模块的输入是Nsteps个长度为Ninputs0的序列,输出特征的长度为Nunits。
2.如权利要求1所述的通信干扰信号类型智能识别方法,其特征在于:两个特征提取支路的卷积模块及LSTM模块的网络结构相同,但网络的权重参数不同;经过预处理的时域数据和频域数据共同构成识别网络的输入样本。
4.如权利要求1所述的通信干扰信号类型智能识别方法,其特征在于:在特征融合中,LSTM模块将时域和频域的时序特征送入融合模块进行特征融合;在分类识别中,分类模块使用融合后的特征,利用全连接分类模块进行分类识别。
5.如权利要求1所述的通信干扰信号类型智能识别方法,其特征在于:将卷积特征输入到时域和频域LSTM模块中提取时序特征,分别将时域卷积特征和频域卷积特征经过裁剪处理成可以输入LSTM网络的格式;裁剪处理的方法为,将时域和频域卷积模块提取的长度为Ncnn的特征进行滑窗裁剪得到多个小序列,根据滑窗截取的步长为Nstride,滑窗的窗长为Ninputs0,则计算得到滑窗次数为Nsteps=(Ncnn-Ninputs0)/Nstride+1,分割得到Nsteps个小序列,每个小序列的长度为Ninputs0。
6.如权利要求1所述的通信干扰信号类型智能识别方法,其特征在于:融合模块将时域部分的时域LSTM模块输出的长度为Nunits的特征,与频域部分的频域LSTM模块输出的长度为Nunits的特征进行融合,采用特征拼接的方式进行融合或采用相加的方式进行融合,融合之后的特征长度为Nfusion。
7.如权利要求1所述的通信干扰信号类型智能识别方法,其特征在于:分类识别模块将融合特征使用全连接分类器进行分类,首先,将融合特征输入第一个全连接层和激活函数层,该全连接层隐藏节点个数为Nfc1,该全连接层输出的特征记为Feature1;然后,将特征Feature1输入第二个全连接层,该全连接层隐藏节点个数为Nclass,保证与干扰信号的类别个数相等,该全连接层输出的特征记为Feature2;最后,将Feature2输入到softmax激活函数中进行归一化,得到长度为Nclass的分类置信度向量,向量中各元素之和为1,每个元素值代表其对应类别的预测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183700.9A CN112818891B (zh) | 2021-02-10 | 2021-02-10 | 通信干扰信号类型智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183700.9A CN112818891B (zh) | 2021-02-10 | 2021-02-10 | 通信干扰信号类型智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818891A CN112818891A (zh) | 2021-05-18 |
CN112818891B true CN112818891B (zh) | 2022-09-02 |
Family
ID=75865136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110183700.9A Active CN112818891B (zh) | 2021-02-10 | 2021-02-10 | 通信干扰信号类型智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818891B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
CN114139585B (zh) * | 2021-11-30 | 2023-04-07 | 西安电子科技大学 | 复信号多分量交互特征信号处理方法、模型及系统 |
CN114781460B (zh) * | 2022-05-13 | 2023-04-07 | 西安电子科技大学 | 面向与通信信号耦合的干扰信号检测与识别方法及装置 |
CN114839466B (zh) * | 2022-05-24 | 2023-02-28 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试系统及其测试方法 |
CN116016068B (zh) * | 2022-09-19 | 2023-08-11 | 西安电子科技大学 | 基于数据驱动的互频智能干预信号表示方法及系统 |
CN115588437B (zh) * | 2022-12-13 | 2023-04-07 | 南方电网数字电网研究院有限公司 | 语音增强方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1794894A1 (en) * | 2004-09-30 | 2007-06-13 | TELEFONAKTIEBOLAGET LM ERICSSON (publ) | Multicode transmission using walsh hadamard transform |
CN101222306A (zh) * | 2007-01-08 | 2008-07-16 | 上海无线通信研究中心 | 具有联合频域重复和混合自动重传的通信系统及通信方法 |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
CN111541511A (zh) * | 2020-04-20 | 2020-08-14 | 中国人民解放军海军工程大学 | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040213354A1 (en) * | 2003-04-28 | 2004-10-28 | Jones William W. | Mixed domain cancellation |
-
2021
- 2021-02-10 CN CN202110183700.9A patent/CN112818891B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1794894A1 (en) * | 2004-09-30 | 2007-06-13 | TELEFONAKTIEBOLAGET LM ERICSSON (publ) | Multicode transmission using walsh hadamard transform |
CN101222306A (zh) * | 2007-01-08 | 2008-07-16 | 上海无线通信研究中心 | 具有联合频域重复和混合自动重传的通信系统及通信方法 |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
CN111541511A (zh) * | 2020-04-20 | 2020-08-14 | 中国人民解放军海军工程大学 | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于时频特性分析的雷达压制干扰信号识别;李宝鹏,彭志刚,高伟亮;《电光与控制》;20201013;第27卷(第9期);第14-18页 * |
基于深度学习的无线通信干扰信号识别与处理技术研究;党泽;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20210115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818891A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN108566253B (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
CN110166387A (zh) | 一种基于卷积神经网络识别信号调制方式的方法及系统 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
KR102073935B1 (ko) | 전파신호 변조인식시스템 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
Xie et al. | Virtual adversarial training-based semisupervised specific emitter identification | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
Liang et al. | Few-shot learning UAV recognition methods based on the tri-residual semantic network | |
CN110826425B (zh) | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 | |
Bkassiny | A deep learning-based signal classification approach for spectrum sensing using long short-term memory (LSTM) networks | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
Nkechinyere et al. | Automatic radar waveform recognition using the Wigner-Ville distribution and AlexNet-SVM | |
Rahman et al. | Ensemble classifier based modulation recognition for beyond 5G massive MIMO (mMIMO) communication | |
Weng et al. | Message structure aided attentional convolution network for rf device fingerprinting | |
Chen et al. | An Anomaly Detection Scheme with K-means aided Extended Isolation Forest in RSS-based Wireless Positioning System | |
Yang et al. | Conventional neural network-based radio frequency fingerprint identification using raw I/Q data | |
Shen et al. | Deep learning based source number estimation with single-channel mixtures | |
Lin et al. | Features fusion based automatic modulation classification using convolutional neural network |
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 |