CN113095162B - 一种基于半监督深度学习的频谱感知方法 - Google Patents
一种基于半监督深度学习的频谱感知方法 Download PDFInfo
- Publication number
- CN113095162B CN113095162B CN202110311989.8A CN202110311989A CN113095162B CN 113095162 B CN113095162 B CN 113095162B CN 202110311989 A CN202110311989 A CN 202110311989A CN 113095162 B CN113095162 B CN 113095162B
- Authority
- CN
- China
- Prior art keywords
- semi
- supervised
- spectrum sensing
- spectrum
- signal
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000005562 fading Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
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)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于半监督深度学习的频谱感知方法,该方法包括以下步骤:S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器;S2、将无标签样本输入分类器,并将置信度高于预设值的无标签样本样本标记为伪标签;S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型。本方法的训练阶段基于半监督分类,只需要少量有标签样本,相比于传统基于完全监督学习的频谱感知算法,本方案能够大大降低对有标签样本的依赖。
Description
技术领域
本发明属于无线通信中认知无线电领域,尤其是涉及一种基于半监督深度学习的频谱感知方法。
背景技术
认知无线电(Cognit ive Radio,CR)技术可动态使用频谱空穴,又称为动态频谱接入,是一种自主、动态、高效的频谱使用方式,对于缓解频谱资源匮乏问题具有重要意义。
动态频谱接入首先要解决的问题便是频谱感知。
相比于传统的频谱感知算法,深度学习(deep learning,DL)是一种基于大规模数据的表征学习算法,它可以自动从大量数据寻找特征,同时它具有深层结构,因此有更强的特征提取能力。近来,许多基于DL的频谱感知方法被提出。
虽然基于深度学习的算法已经超越传统频谱感知方法,但是现有基于深度学习的频谱感知方法偏向于监督学习,而完全监督深度学习方法需要大量有标签样本作为支撑,如果可供训练的有标签样本不足,模型往往会出现欠拟合或无法收敛等问题,判别精度也不够理想。而且这些大量有标签的样本在频谱感知的场景中往往是很难获得的,这就使得深度学习方法在频谱感知领域面临由于缺乏标签数据而难以训练出泛化能力较强模型的问题,进而导致无法很好地完成学习任务。
发明内容
本发明的目的是针对上述问题,提供一种基于半监督深度学习的频谱感知方法。
为达到上述目的,本发明采用了下列技术方案:
一种基于半监督深度学习的频谱感知方法,该方法包括以下步骤:
S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器;
S2、将无标签样本输入分类器,并将置信度高于预设值的无标签样本样本标记为伪标签;
S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型。
在上述的基于半监督深度学习的频谱感知方法中,在步骤S1中,通过提取有标签样本的高阶累积量特征、时频特征和信息熵特征训练半监督集成决策树。
在上述的基于半监督深度学习的频谱感知方法中,通过混合矩定义Mpq获取各类高阶累积量:
Mpq=E[r(n)p-q(r*(n))q] (1)
提取高阶累积量C40,
在上述的基于半监督深度学习的频谱感知方法中,所述的时频特征包括零中心归一化瞬时幅度谱密度最大值γmax和零中心瞬时相位非线性分量标准偏差βdp,其中,
零中心归一化瞬时幅度谱密度最大值γmax用于表征信号瞬时幅度的变换情况;
零中心瞬时相位非线性分量标准偏差βdp用于区分PU信号和噪声。
在上述的基于半监督深度学习的频谱感知方法中,零中心归一化瞬时幅度谱密度最大值γmax被定义为:
γmax=max|DFT(Acn(i))|2/N (4)
其中,Acn(i)为零中心归一化瞬时幅度,由下式计算:
Acn(i)=An(i)-1 (5)
零中心瞬时相位非线性分量标准偏差βdp被定义为:
其中,φNL是经过零中心化处理后瞬时相位的非线性分量,ta
用于判断信号段的一个幅度阈值。
在上述的基于半监督深度学习的频谱感知方法中,所述的信息熵特征包括频谱香农熵特征、奇异谱熵特征和能量谱熵特征。
在上述的基于半监督深度学习的频谱感知方法中,将频谱感知描述为如下二元假设检验问题:
其中,r(n)表示接收机收到的复信号,n=0,1,2…,N-1,x(n)表示经过多径衰落的PU信号,v(n)为服从高斯分布N(0,σ2)的加性高斯白噪声,H0表示信道当前未被占用,H1表示信道被占用。
在上述的基于半监督深度学习的频谱感知方法中,对公式(7)进行傅里叶变换:
其中,k=0,1,2…N-1,R(k),S(k)和V(k)分别表示接收信号,PU信号和噪声频谱;
香农熵、奇异谱熵、能量谱熵分别定义为:
在上述的基于半监督深度学习的频谱感知方法中,在步骤S1之前中先构建半监督集成决策模型:
令X={XL,XU}表示由有标签样本集XL和无标签样本集XU构成的训练集,YL={yi|yi∈[0,1]}对应于XL的标签,fi=f(xi)∈RJ表示第i个接收信号xi对应的特征向量,xi∈X;
在步骤S2中,输入无标签样本集XU,将其中置信水平高于预设值的样本标记为伪标签;
第M棵决策树hm(·)定义为:
在上述的基于半监督深度学习的频谱感知方法中,为半监督集成决策树模型定义如下代价函数:
本发明的优点在于:
1、本方法的训练阶段基于半监督分类,只需要少量有标签样本,相比于传统基于完全监督学习的频谱感知算法,本方案能够大大降低对有标签样本的依赖;
2、建立半监督集成决策树学习的正则化分类模型,设计了损失函数,提高分类泛化性能;
3、选择高阶累积量、信息熵和时频分量作为特征区分PU信号和噪声,具备良好的区分能力;
4、能够充分利用少量有标签样本和大量无标签样本。
附图说明
图1为本发明的方法流程图;
图2为本发明的正则化分类模型图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1所示,本方案提出一种基于半监督深度学习的频谱感知方法,首先提取有限标签样本的高阶累积量特征、时频特征和信息熵特征训练半监督集成决策树模型,得到一个分类器,然后将无标签样本输入分类器,并将置信度高的无标签样本标记为伪标签样本,最后将这些归一化功率的样本的IQ双路数据直接输入到CNN网络中训练学习得到最终频谱感知预测模型,这里将置信度大于95%的样本视为置信度高的样本。具体实现方式如下:
(一)一般情况下,基于频谱感知的研究可以描述为如下二元假设检验问题:
其中,r(n)表示接收机收到的复信号,n=0,1,2…,N-1,x(n)表示经过多径衰落的PU信号,v(n)为服从高斯分布N(0,σ2)的加性高斯白噪声(additional white gaussiannoise,AWGN),H0表示信道当前未被占用,H1表示信道被占用。
(二)提取特征信号
1、提取高阶累积量特征C40特征
由混合矩定义Mpq=E[r(n)p-q(r*(n))q]可以得到各类高阶累积量,本方案选择C40作为特征,其中,
E(r(n))表示对r(n)求期望,r(n)表示接收机收到的复信号,本实施例是从有限长的接收信号中估计信号的累积量,故利用采样点的平均值代替理论的期望,假设接收信号r(n),n=1,2,…,N,则在实际情况下,接收信号的四阶累积量计算公式如下:
2、提取信号零中心归一化瞬时幅度谱密度最大值γmax,零中心归一化瞬时幅度谱的最大值γmax表征了信号瞬时幅度的变换情况,其定义如下:
γmax=max|DFT(Acn(i))|2/N (4)
其中Acn(i)为零中心归一化瞬时幅度,由下式计算:
Acn(i)=An(i)-1 (5)
3、提取信号零中心瞬时相位非线性分量标准偏差βdp,βdp对噪声不敏感,因此βdp可以有效区分PU信号和噪声,定义如下:
其中φNL是经过零中心化处理后瞬时相位的非线性分量,ta是判断信号段的一个幅度阈值。
4、提取信号信息熵特征,包括频谱香农熵特征、奇异谱熵特征和能量谱熵特征。
对公式(1)进行傅里叶变换,得到:
其中,k=0,1,2…N-1,R(k),S(k)和V(k)分别表示接收信号,PU信号和噪声频谱;
香农熵、奇异谱熵、能量谱熵分别定义为:
(三)构建并训练半监督集成决策模型
令X={XL,XU}表示由有标签样本集XL和无标签样本集合XU构成的训练集,YL={yi|yi∈[0,1]}对应于XL的标签,fi=f(xi)∈RJ表示第i个接收信号x对应的特征向量,x∈X,首先利用有标签训练集i i
然后输入XU,并将其中置信水平高的样本打上伪标签,其中,第m棵决策树hm(·)定义为:
其中,为决策树结构,表示将一个样本映射到相应的叶节点索引,Cm=|hm(·)|为当前决策树中叶节点的数目,/>为所有叶节点的响应值向量。这样,每颗决策树对应一个独立的结构和一组叶节点响应值,那么给定一个输入样本,就可以利用不同决策树的结构将其划分到叶节点中,然后对相应叶节点的响应值进行累加求和和剪枝优化来计算最终输出。
优选地,为了提高决策树的分类泛化性能,本实施例为半监督集成决策树模型定义如下代价函数:
(四)训练CNN网络模型
利用有标签样本和伪标签样本共同训练CNN网络,或直接利用伪标签样本训练CNN网络。为了提高感知准确度,这里使用如下检测准则:
hθ 0表示样本属于H0的概率,γ∈[0,1],可以根据Pf设定。
具体地,本实施例使用的的CNN网络模型参数如下表,其中conv表示卷积层,maxpool和avgpool分表表示最大池化和平均池化,fc表示全连接层。
表1 CNN网络参数
Index | Layer | PatchSize/depth |
1 | input | 1x1024x2 |
2 | conv | 1x8x2/16 |
3 | maxpool | 1x2 |
4 | conv | 1x8x16/24 |
5 | maxpool | 1x2 |
6 | conv | 1x8x24/32 |
7 | maxpool | 1x2 |
8 | conv | 1x8x32/48 |
9 | maxpool | 1x2 |
10 | conv | 1x8x48/64 |
11 | maxpool | 1x2 |
12 | conv | 1x8x64/96 |
13 | avgpool | 1x32 |
14 | fc,softmax | 1x2 |
具体训练集可以为:PU信号采用AM、BFSK、QPSK、16QAM四种调制类型,载波频率为902MHz,经过3条平均路径增益为[0 -2-10]dB的莱斯多径衰落,采样长度为1024点长。噪声为加性高斯白噪声。训练集对信噪比从-20dB到20dB、间隔为2dB的每一信噪比不同调制信号均生成100个有标和1000个无标签标记的训练样本,且正负样本数量相同,共计8400个有标签样本和84000个无标签样本,另外每个信噪比下生成400个样本作为测试集。利用训练集和测试集训练步骤4设计的CNN网络,待训练结束输出频谱感知预测模型。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了半监督集成决策树模型、有标签样本、无标签样本、高阶累积量特征、时频特征和信息熵特征等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (6)
1.一种基于半监督深度学习的频谱感知方法,其特征在于,该方法包括以下步骤:
S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器;
S2、将无标签样本输入分类器,并将置信度高于预设值的无标签样本标记为伪标签;
S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型;
在步骤S1之前先构建半监督集成决策模型:
令X={XL,XU}表示由有标签样本集XL和无标签样本集XU构成的训练集,YL={yi|yi∈[0,1]}对应于XL的标签,fi=f(xi)∈RJ表示第i个接收信号xt对应的特征向量,xt∈X;
在步骤S1中,通过提取有标签样本的高阶累积量特征、时频特征和信息熵特征训练半监督集成决策树;
通过混合矩定义Mpq获取各类高阶累积量:
Mpq=E[r(n)p-q(r*(n))q] (1)
提取高阶累积量C40,
所述的时频特征包括零中心归一化瞬时幅度谱密度最大值γmax和零中心瞬时相位非线性分量标准偏差βdp,其中,
零中心归一化瞬时幅度谱密度最大值γmax用于表征信号瞬时幅度的变换情况;
零中心瞬时相位非线性分量标准偏差βdp用于区分PU信号和噪声;
所述的信息熵特征包括频谱香农熵特征、奇异谱熵特征和能量谱熵特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311989.8A CN113095162B (zh) | 2021-03-24 | 2021-03-24 | 一种基于半监督深度学习的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311989.8A CN113095162B (zh) | 2021-03-24 | 2021-03-24 | 一种基于半监督深度学习的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095162A CN113095162A (zh) | 2021-07-09 |
CN113095162B true CN113095162B (zh) | 2023-05-23 |
Family
ID=76669402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110311989.8A Active CN113095162B (zh) | 2021-03-24 | 2021-03-24 | 一种基于半监督深度学习的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095162B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567398B (zh) * | 2022-04-11 | 2024-04-23 | 浙江工业大学 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
CN115577253B (zh) * | 2022-11-23 | 2023-02-28 | 四川轻化工大学 | 一种基于几何功率的监督频谱感知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9363679B2 (en) * | 2012-06-18 | 2016-06-07 | Regents Of The University Of Minnesota | Robust parametric power spectral density (PSD) construction |
CN109245840B (zh) * | 2018-10-15 | 2021-02-02 | 哈尔滨工业大学 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
CN111600667B (zh) * | 2020-05-25 | 2021-08-17 | 电子科技大学 | 一种基于cnn-lstm的频谱感知方法 |
CN112115467A (zh) * | 2020-09-04 | 2020-12-22 | 长沙理工大学 | 一种基于集成学习的半监督分类的入侵检测方法 |
CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
CN112232416B (zh) * | 2020-10-16 | 2021-09-14 | 浙江大学 | 一种基于伪标签加权的半监督学习方法 |
CN112422213B (zh) * | 2020-11-11 | 2022-06-14 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
CN112488237A (zh) * | 2020-12-07 | 2021-03-12 | 北京天融信网络安全技术有限公司 | 一种分类模型的训练方法及装置 |
-
2021
- 2021-03-24 CN CN202110311989.8A patent/CN113095162B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113095162A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
CN111723874B (zh) | 一种基于宽度和深度神经网络的声场景分类方法 | |
CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
CN114567528A (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
CN111723666A (zh) | 一种基于半监督学习的信号识别方法和装置 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN114157539A (zh) | 一种数据知识双驱动的调制智能识别方法 | |
Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
Zhang et al. | A deep learning approach for modulation recognition | |
CN113642378A (zh) | 基于n+1类对抗训练的信号对抗样本检测器设计方法及系统 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 | |
CN113570032A (zh) | 基于半监督深度神经网络的有限数据频谱感知方法 | |
CN115883301A (zh) | 基于样本回想增量学习的信号调制分类模型及学习方法 | |
CN113420817B (zh) | 基于网络结构特征归纳的半监督调制类型识别方法、装置及介质 | |
Cai et al. | Mobile signal modulation recognition based on multimodal feature fusion | |
CN114785433A (zh) | 信道场景识别的方法、网络设备及存储介质 |
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 |