CN112910813A - 基于lda-knn的水声信号自动调制识别方法 - Google Patents
基于lda-knn的水声信号自动调制识别方法 Download PDFInfo
- Publication number
- CN112910813A CN112910813A CN202110385508.8A CN202110385508A CN112910813A CN 112910813 A CN112910813 A CN 112910813A CN 202110385508 A CN202110385508 A CN 202110385508A CN 112910813 A CN112910813 A CN 112910813A
- Authority
- CN
- China
- Prior art keywords
- entropy
- spectrum
- shannon
- amplitude
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005236 sound signal Effects 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 106
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于LDA‑KNN的水声信号自动调制识别方法,首先采样接收水声信号,提取水声信号的形态特征与熵特征并进行归一化处理;将处理后的特征用于训练LDA,得到用于特征降维与优化的映射权值与偏置;使用训练好的映射权值与归一化后的原始特征相乘并与偏置项相加,完成特征的映射;将映射后的特征进行标准化后,作为KNN的样本空间,得到LDA‑KNN分类模型;最后,将待识别的水声信号进行同样的特征提取以及映射后,输入到分类模型中,输出调制方式的分类。本发明最终实现低延迟、高准确率的水声信号自动调制识别,相较于传统自动调制识别算法,该方法可识别信号种类多、抗干扰能力强、识别准确率与稳定性高。
Description
技术领域
本发明属于水声通信技术领域,具体地说,涉及一种基于LDA-KNN的水声信号自动调制识别方法。
背景技术
声波作为一种优秀的水下信息载体,因其具有较高的传输距离和传输速度以及较低的衰减系数,成为了水下通信的首选媒介。水声通信系统中,发送端通常使用自适应调制编码技术(adaptive modulation coding,AMC),该技术可依据信道状况,自适应地选择适合当前信道的调制方式,该技术需要信号发送端与接收端通过握手信号同步调制方式,然而水声信道噪声干扰与多径效应严重,致使握手信号无法准确传输,致使接收端采用了不匹配的解调方式,进而导致解调数据的严重错误。
自动调制识别(automatic modulation recognition,AMR)技术可使接收端在调制信息未知的情况下,自动识别出信号的调制方式,保证接收端采用正确的解调方式解调数据。目前调制方式智能识别的方法主要有基于最大似然比的识别方法与基于特征提取的识别方法;前者虽然数学理论完备,但是需要大量的先验信息,难以实际应用且复杂度较高,后者则实现简单,易于工程应用。然而水下信道复杂多变,存在严重的噪声与多径干扰,严重影响提取特征的质量,降低了特征的区分度。此外,传统的AMR方法模型复杂,识别速率低下,难以满足通信系统的实时性要求。
因此,需要设计研发一种识别性能良好的水声信号自动调制识别方法。
发明内容
针对现有水声信号自动调制识别方法的抗干扰能力差、计算成本高、识别准确率低等技术问题,本发明的目的是提供一种基于LDA-KNN的水声信号自动调制识别方法,以解决上述问题。
线性判别分析法(Linear Discriminant Analysis,LDA)是一种线性变换,可在降低特征维度的同时优化特征分布,K最近邻分类算法(K-Nearest Neighbor,KNN)则是一种简单有效的分类算法,无需训练过程即可完成分类,但其严重依赖特征的空间分布且难以处理高维特征。本发明将LDA与KNN相结合,使用LDA降低特征维度的同时优化特征空间分布,同时提高了KNN的识别准确率与效率。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于LDA-KNN的水声信号自动调制识别方法,包括以下步骤:
S1:获取水声信号;
S2:提取S1中水声信号的形态特征与熵特征,并进行归一化处理;
S3:将S2中处理后的特征向量用于训练LDA,得到LDA映射的权值与偏置;
S4:将S2中处理后的特征向量与S3得到的权值相乘后,加上偏置项,得到LDA映射后的特征向量;
S5:将S4得到的特征向量进行L2标准化之后,作为KNN的分类样本空间,得到LDA-KNN分类模型;
S6:将需要识别的水声信号经过上述S1-S4的特征提取与映射后,输入到S5中训练好的LDA-KNN分类模型中,输出信号调制方式识别分类。
进一步的,所述S2中计算水声信号的特征所采用的信号处理方法包括:功率谱、奇异谱、相位谱、小波能量谱、频谱以及瞬时幅度。
进一步的,所述S2中,所述形态特征包括:零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数;
所述熵特征包括:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。
更进一步的,所述零中心归一化瞬时幅度谱密度的最大值的公式为:
γmax=max{DFT[acn(n)]}2/N
式中n=(1,2,..,N),N为采样点数,acn(n)=an(n)-1,an(n)为归一化后的瞬时幅度,DFT(·)表示离散傅里叶变换;
其中,零中心归一化瞬时幅度标准差的公式为:
其中,波动系数的具体公式为:
β=v/μ
其中v与μ分别为an(n)的方差与均值。
更进一步的,所述奇异谱香农熵和奇异谱指数熵的计算方法为:
将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵:
其中,功率谱香农熵与功率谱指数熵的计算公式如下:
式中Pi为信号功率谱中各点的权值,K为功率谱的点数。
其中,频谱幅度香农熵与频谱幅度指数熵的计算方法如下:
记信号的幅频响应序列为F={x1,x2,...,xk},则各点权值Pi如下:
则频谱幅度香农熵与频谱幅度指数熵的公式如下:
式中K为幅频响应序列的点数。
其中,相位谱香农熵与相位谱指数熵的计算方法如下:
记信号的相频响应序列为P={x1,x2,...,xk},则各点权值wi如下:
则相位谱香农熵与相位谱指数熵的公式如下:
式中K为相频响应曲线的点数。
其中,小波能量香农熵与小波能量指数熵的计算方法如下:
使用dB3小波作为母小波对信号进行n层小波分解,得到2n级分解后的信号序列,计算每级信号能量,得到小波能量谱,记为E={E1,E2,...,E2n};
计算小波能量谱中各点的权值Pi,其公式如下:
则可得小波能量香农熵与小波能量指数熵的公式如下:
式中K=2n为小波能量谱的点数。
其中,瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下:
记信号的瞬时幅度为S={x1,x2,...,xk},则各点权值Pi如下:
则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下:
进一步的,所述S2中归一化的公式为:
式中N为样本数量,max与min分别为特征向量的最大值与最小值。
进一步的,所述S5中L2标准化的公式如下:
其中,n为样本个数,xi与xi′分别为原始特征与L2标准化后的特征。
本发明的优点和积极效果是:
首先,本发明提取水声信号中抗噪声干扰能力强的形态特征与熵特征,保证了提取特征的区分度;然后,依据KNN分类算法无需训练即可使用的优势,将KNN作为本发明的识别手段,并针对KNN算法无法处理高维特征且强烈依赖特征空间分布的问题,将LDA与KNN相结合,使用LDA降低特征维度的同时优化特征空间分布,解决了上述KNN中存在的难题,提高了KNN的识别准确率与效率。最后,本发明详尽分析了不同调制方式的内在区别并进行了相应的特征提取,可识别的调制方式达8种以上,远超同类型的其他算法。
本发明最终实现低延迟、高准确率的水声信号自动调制识别,相较于传统自动调制识别算法,该方法可识别信号种类多、抗干扰能力强、识别准确率与稳定性高。
附图说明
图1是本发明实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图和实施例,对本发明作进一步详细说明。
实施例1:
在水声自适应调制编码通信系统中,信号发送端与接收端需要通过握手信号同步调制方式,然而水声信道噪声干扰与多径效应严重,致使握手信号无法准确传输,此时接收端可借助自动调制识别技术准确识别出接收信号的调制方式,从而正确地解调数据,保障通信的质量。
一种基于LDA-KNN的水声信号自动调制识别方法,该方法包括以下步骤(如图1所示):
S1:水声信号收集;
S2:水声信号特征提取与处理步骤,包括:
S21、求出水声信号的功率谱、奇异谱、相位谱、小波能量谱、频谱以及瞬时幅度;
S22、对S11处理后的信号进行形态特征与熵特征的提取;
S23、对S12得到的水声调制信号特征进行归一化;
本实施例选择抗噪声能力强的形态特征与熵特征作为该自动调制识别方法的特征;其中,信号的形态特征与熵特征具体包括:
所述形态特征:零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数;
所述熵特征:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。
其中,零中心归一化瞬时幅度谱密度的最大值的公式为:
γmax=max{DFT[acn(n)]}2/N
式中n=(1,2,..,N),N为采样点数,acn(n)=an(n)-1,an(n)为归一化后的瞬时幅度,DFT(·)表示离散傅里叶变换。
其中,零中心归一化瞬时幅度标准差的公式为:
其中,波动系数的具体公式为:
β=v/μ
其中v与μ分别为an(n)的方差与均值。
其中,奇异谱香农熵和奇异谱指数熵的计算方法为:
将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵:
其中,功率谱香农熵与功率谱指数熵的计算公式如下:
式中Pi为信号功率谱中各点的权值,K为功率谱的点数。
其中,频谱幅度香农熵与频谱幅度指数熵的计算方法如下:
记信号频谱幅度序列为F={x1,x2,...,xk},则各点权值Pi如下:
则可得频谱幅度香农熵与频谱幅度指数熵的公式如下:
式中Pi为信号幅频响应曲线中各点的权值,K为幅频响应曲线的点数。
其中,相位谱香农熵与相位谱指数熵的计算方法如下:
记信号的相频响应序列为P={x1,x2,...,xk},则各点权值wi如下:
则相位谱香农熵与相位谱指数熵的公式如下:
式中K为相频响应曲线的点数。
其中,小波能量香农熵与小波能量指数熵的计算方法如下:
使用dB3小波作为母小波对信号进行3层小波分解,得到8级分解后的信号序列,计算每级信号能量,得到小波能量谱,记为E={E1,E2,...,E8}。
计算小波能量谱中各点的权值Pi,其公式如下:
则可得小波能量香农熵与小波能量指数熵的公式如下:
式中K=8为小波能量谱的点数。
其中,瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下:
记信号的瞬时幅度为S={x1,x2,...,xk},则各点权值Pi如下:
则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下:
所述S23中归一化的公式为:
式中N为样本数量,max与min分别为特征向量的最大值与最小值。
S3:将S2中处理后特征向量用于训练LDA,得到LDA映射的权值与偏置;
S4:将S2中处理后的特征向量与S3得到的权值相乘后,加上偏置项,得到LDA映射后的特征向量;
S5:将S4得到的特征向量进行L2标准化之后,作为KNN的分类样本空间,得到LDA-KNN分类模型;
S4:LDA训练步骤,包括:
S41、将S13中归一化后的特征样本以3:1的比例划分训练集与测试集。
S42、使用S13中的训练集与测试集进行LDA的训练,得到映射权值与偏置。
S5:KNN分类模型的构建步骤,包括:
S51、将S13处理后的特征向量与S22得到的权值相乘后,加上偏置项,得到LDA映射后的特征向量。
S52、将S31所得特征向量作为KNN的分类样本空间,得到LDA-KNN分类模型。
S6:自动调制识别步骤,包括:
S61、对测试集的信号进行S2中相应的特征提取与归一化处理,再进行所述S3-S4处理,得到LDA映射后的特征向量;
S63、将上述得到的特征向量输入已有的LDA-KNN分类模型中,输出分类结果,最终完成自动调制识别。
实施例2:
为了验证本发明所提供方法的有效性,本实施例中使用海南省三亚市南海海域中采集到的不同类别的共计8种调制信号进行实验,调制方式分别为:DS、BPSK、QPSK、BFSK、QFSK、16QAM、64QAM、OFDM;每类调制信号200组,总样本数总计1600组。本实施例依据3:1的比例将采集到的水声信号均匀划分为训练集与测试集。
本实施例所采取的具体步骤同实施例1。
本实施例所处实验环境如表1所示:
表1:实验环境及参数设置
该实施例选择了4种常用的机器学习算法用于对比,包括:BP神经网络(backpropagation,BP)、支持向量机(Support Vector Machine,SVM)、逻辑回归(logisticsRegression,LR)以及决策树(Decision Tree,DT)。
实验结果:
各方法识别性能对比如表2所示:
表2:LDA-KNN与同类算法对比结果
将1600组样本以3:1的比例均匀划分为训练集与测试集,使用一致的LDA映射权值对特征进行映射后,分别使用上述5种算法进行识别,并统计了20次连续实验的结果。由上表可以看出,LDA-KNN在最优准确率、平均准确率以及方差上均优于其它分类算法,并且最优识别准确率可达99.75%,表现出极高的识别准确率与稳定性;同时,从算法平均运行时间来看,LDA-KNN亦优于其它算法,且比LDA-BP低了3个数量级。说明了,本发明所提供的识别模型具有优良的识别性能。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (7)
1.一种基于LDA-KNN的水声信号自动调制识别方法,其特征在于,该方法包括以下步骤:
S1:获取水声信号;
S2:提取S1中水声信号的形态特征与熵特征,并进行归一化处理;
S3:将S2中处理后的特征向量用于训练LDA,得到LDA映射的权值与偏置;
S4:将S2中处理后的特征向量与S3得到的权值相乘后,加上偏置项,得到LDA映射后的特征向量;
S5:将S4得到的特征向量进行L2标准化之后,作为KNN的分类样本空间,得到LDA-KNN分类模型;
S6:将需要识别的水声信号经过上述S1-S4的特征提取与映射后,输入到S5中训练好的LDA-KNN分类模型中,输出信号调制方式识别分类。
2.如权利要求1所述的水声信号自动调制识别方法,其特征在于,所述S2中,所述形态特征包括:零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数。
4.如权利要求1所述的水声信号自动调制识别方法,其特征在于,所述熵特征包括:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。
5.如权利要求4所述的水声信号自动调制识别方法,其特征在于,所述奇异谱香农熵和奇异谱指数熵的计算方法为:
将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵:
所述功率谱香农熵与功率谱指数熵的计算公式如下:
式中Pi为信号功率谱中各点的权值,K为功率谱的点数;
所述频谱幅度香农熵与频谱幅度指数熵的计算方法如下:
记信号的幅频响应序列为F={x1,x2,...,xk},则各点权值Pi如下:
则频谱幅度香农熵与频谱幅度指数熵的公式如下:
式中K为幅频响应序列的点数;
所述相位谱香农熵与相位谱指数熵的计算方法如下:
记信号的相频响应序列为P={x1,x2,...,xk},则各点权值wi如下:
则相位谱香农熵与相位谱指数熵的公式如下:
式中K为相频响应曲线的点数;
所述小波能量香农熵与小波能量指数熵的计算方法如下:
计算小波能量谱中各点的权值Pi,其公式如下:
则可得小波能量香农熵与小波能量指数熵的公式如下:
式中K=2n为小波能量谱的点数。
所述瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下:
记信号的瞬时幅度为S={x1,x2,...,xk},则各点权值Pi如下:
则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385508.8A CN112910813B (zh) | 2021-04-10 | 2021-04-10 | 基于lda-knn的水声信号自动调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385508.8A CN112910813B (zh) | 2021-04-10 | 2021-04-10 | 基于lda-knn的水声信号自动调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112910813A true CN112910813A (zh) | 2021-06-04 |
CN112910813B CN112910813B (zh) | 2022-09-06 |
Family
ID=76110524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110385508.8A Active CN112910813B (zh) | 2021-04-10 | 2021-04-10 | 基于lda-knn的水声信号自动调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910813B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107220670A (zh) * | 2017-05-27 | 2017-09-29 | 重庆大学 | 基于离散小波变换的有监督式人工味觉系统特征提取方法 |
CN108921019A (zh) * | 2018-05-27 | 2018-11-30 | 北京工业大学 | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 |
CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109617843A (zh) * | 2018-12-28 | 2019-04-12 | 上海铿诚智能科技有限公司 | 一种基于knn的弹性光网络调制格式识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
CN110852417A (zh) * | 2019-10-10 | 2020-02-28 | 华东师范大学 | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 |
CN111027488A (zh) * | 2019-12-11 | 2020-04-17 | 深圳先进技术研究院 | 一种信号分类的方法和设备 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及系统 |
CN111428733A (zh) * | 2020-03-12 | 2020-07-17 | 山东大学 | 基于语义特征空间转换的零样本目标检测方法及系统 |
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN112134818A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
CN112565133A (zh) * | 2021-02-26 | 2021-03-26 | 南京信息工程大学 | 一种基于高维信息特征提取的复杂格式解析方法 |
-
2021
- 2021-04-10 CN CN202110385508.8A patent/CN112910813B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107220670A (zh) * | 2017-05-27 | 2017-09-29 | 重庆大学 | 基于离散小波变换的有监督式人工味觉系统特征提取方法 |
CN108921019A (zh) * | 2018-05-27 | 2018-11-30 | 北京工业大学 | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 |
CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109617843A (zh) * | 2018-12-28 | 2019-04-12 | 上海铿诚智能科技有限公司 | 一种基于knn的弹性光网络调制格式识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
CN110852417A (zh) * | 2019-10-10 | 2020-02-28 | 华东师范大学 | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 |
CN111027488A (zh) * | 2019-12-11 | 2020-04-17 | 深圳先进技术研究院 | 一种信号分类的方法和设备 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及系统 |
CN111428733A (zh) * | 2020-03-12 | 2020-07-17 | 山东大学 | 基于语义特征空间转换的零样本目标检测方法及系统 |
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN112134818A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
CN112565133A (zh) * | 2021-02-26 | 2021-03-26 | 南京信息工程大学 | 一种基于高维信息特征提取的复杂格式解析方法 |
Non-Patent Citations (12)
Title |
---|
DAVIDE FREY: "Hide & Share: Landmark-Based Similarity for Private KNN Computation", 《PUBLISHED IN: 2015 45TH ANNUAL IEEE/IFIP INTERNATIONAL CONFERENCE ON DEPENDABLE SYSTEMS AND NETWORKS》 * |
JIJIE WANG等: "Efficient K-Nearest Neighbor Join Algorithms for High Dimensional Sparse Data", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/47758166》 * |
JINGJING WANG等: "Using Convolutional Neural Networks to Extract Keywords and Keyphrases: A Case Study for Foodborne Illnesses", 《2019 18TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 * |
WEIHUA CHEN等: "Research on text categorization model based on LDA—KNN", 《2017 IEEE 2ND ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 * |
YUBIN LAN等: "Comparison of machine learning methods for citrus greening detection on UAV multispectral images", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
刘桥平等: "基于深度神经网络的自动调制识别", 《电子设计工程》 * |
刘爱萍等: "基于KISOMAP-LDA-KNN算法TE过程故障诊断研究", 《计算机与数字工程》 * |
周欣等: "基于KPCA和LDA的信号调制识别", 《系统工程与电子技术》 * |
张浩然: "基于自编码器和卷积神经网络的调制信号识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
汤鹏: "基于LDA的特征提取及其在人脸识别中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
蒋留兵等: "一种新型的数字调制信号的识别", 《微电子学与计算机》 * |
郭业才等: "基于改进LDA和自编码器的调制识别算法", 《系统仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112910813B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
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 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN112637093A (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
CN110690931B (zh) | 一种基于多小波基联合的数字信号自适应码率估计方法和装置 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN102724147A (zh) | 一种水声正交频分复用的信道估计方法 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN111444805A (zh) | 一种基于改进的多尺度小波熵数字信号调制识别方法 | |
CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
CN114513394B (zh) | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 | |
CN114422311A (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 | |
CN112202696B (zh) | 基于模糊自编码器的水声信号自动调制识别方法 | |
CN112910813B (zh) | 基于lda-knn的水声信号自动调制识别方法 | |
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
CN111404852B (zh) | 基于振幅和频谱幅度特征的调制方式识别方法 | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN111327558B (zh) | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及系统 | |
Liu et al. | An effective radio frequency signal classification method based on multi-task learning mechanism | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 |
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 |