CN113128394A - 一种超宽带信道分类方法及系统 - Google Patents
一种超宽带信道分类方法及系统 Download PDFInfo
- Publication number
- CN113128394A CN113128394A CN202110410654.1A CN202110410654A CN113128394A CN 113128394 A CN113128394 A CN 113128394A CN 202110410654 A CN202110410654 A CN 202110410654A CN 113128394 A CN113128394 A CN 113128394A
- Authority
- CN
- China
- Prior art keywords
- ultra
- wideband
- classification
- channel
- observation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000006835 compression Effects 0.000 claims abstract description 8
- 238000007906 compression Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 11
- 230000006854 communication Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0212—Channel estimation of impulse response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开一种超宽带信道分类方法及系统,包括:接收脉冲超宽带信号;对脉冲超宽带信号进行压缩观测得到观测值;将观测值输入至训练后的神经网络模型中进行信道分类;根据分类结果中各类信道的频率确定最终的信道类型。将压缩感知与深度学习相结合,不仅有效地降低了信号采样率,同时提高了信道分类的准确率,并为深度学习与超宽带通信技术的结合提供一种新的方法。
Description
技术领域
本发明涉及超宽带无线通信技术领域,特别是涉及一种超宽带信道分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
脉冲超宽带(IR-UWB:impulse radio ultra-wideband)技术具有高传输速率、低功耗及高安全性等特点,被认为是一种极具前景的通信技术。脉冲超宽带系统采用纳秒级窄脉冲承载数据信息,信号带宽高达吉赫兹(GHz)量级,信道呈现典型的多径传播特征。为适应信道变化,一般采用“导频+数据”的帧格式进行数据通信,发射机发送的每个数据帧由一定数量的导频符号和数据符号组成,经过BPSK或PPM调制和脉冲成形后送入信道,接收机利用导频符号进行信道估计,并将信道估计结果用于数据符号的接收与检测。
压缩感知理论的提出,突破了传统奈奎斯特采样定理的限制,能够有效降低采样率,为超宽带信号的低速率采样提供了理论基础。压缩感知理论指出,只要目标信号在某个正交基或者框架上具有稀疏性,就能够通过一个观测矩阵对目标信号进行观测,得到一个低维观测向量。该观测向量等效的采样率低于传统的奈奎斯特采样率,使用非线性重构算法求解一个“L1-最小优化”问题,便可从低维观测向量中恢复出原始信号。
典型的观测矩阵有高斯随机矩阵、伯努利随机矩阵和傅里叶随机矩阵。基于脉冲超宽带信号的时域稀疏性和多径稀疏性,已有学者提出借助压缩感知实现低速率采样,利用匹配追踪算法或正交匹配追踪算法并借助导频符号实现信道估计。
深度学习通过深度神经网络能够自动地学习数据中的高维特征,在分类、检测、生成等任务中表现出了突出的优势。深度学习理论中最基础的计算单元与结构单元是神经元,常采用的神经元模型有M-P神经元模型;多个神经元构成神经网络,神经网络的结构需要根据任务类型进行设计,常用的结构有:全连接神经网络、卷积神经网络、循环神经网络等。利用神经网络完成分类的任务一般包括以下四步:生成数据集并进行标签处理,设计网络结构,数据集输入网络进行训练,对训练好的网络进行验证与测试。
在超宽带通信过程中,收发信机的移动和环境的变化往往导致信道类型的变化。根据IEEE802.15.3a标准,超宽带系统的信道模型存在四种:CM1、CM2、CM3和CM4,它们的参数设置和多径的概率分布都有较大差异;为了适应信道变化,需要对系统参数做出及时调整,因此,信道的分类是超宽带通信过程中需要解决的重要问题。
发明内容
为了解决上述问题,本发明提出了一种超宽带信道分类方法及系统,包括信号接收、压缩采样、神经网络分类以及融合决策模块等过程,基于压缩感知对接收到的脉冲超宽带信号进行压缩观测得到观测值,将观测值经深度学习神经网络模型进行信道分类,对信道分类结果进行决策层融合获得最终分类结果。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种超宽带信道分类方法,包括:
接收脉冲超宽带信号;
对脉冲超宽带信号进行压缩观测得到观测值;
将观测值输入至训练后的神经网络模型中进行信道分类;
根据分类结果中各类信道的频率确定最终的信道类型。
作为可选择的实施方式,对脉冲超宽带信号进行压缩观测的过程中,根据压缩感知理论对脉冲超宽带信号进行压缩观测。
作为可选择的实施方式,根据压缩感知理论对脉冲超宽带信号进行压缩观测的过程中,采用伯努利随机观测矩阵对脉冲超宽带信号进行压缩观测,得到观测值。
作为可选择的实施方式,所述神经网络模型包含6个全连接层,采用ReLU激活函数,网络输出层采用softmax函数。
作为可选择的实施方式,对所述神经网络模型进行训练时,在训练集中增加高斯白噪声。
作为可选择的实施方式,信道分类后得到分类结果,对分类结果进行决策层的融合,输出最终的信道分类结果。
作为可选择的实施方式,对分类结果进行决策层的融合过程中,将分类结果中频率最高的信道类型作为脉冲超宽带信号的信道类型。
第二方面,本发明提供一种超宽带信道分类系统,包括:
信号接收模块,被配置为接收脉冲超宽带信号;
压缩采样模块,被配置为对脉冲超宽带信号进行压缩观测得到观测值;
神经网络分类模块,被配置为将观测值输入至训练后的神经网络模型中进行信道分类;
融合决策模块,被配置为根据分类结果中各类信道的频率确定最终的信道类型。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明的超宽带信道分类方法及系统将传统算法与深度学习相结合,不仅更有效地利用了原始信号,同时提高了信道分类的准确率,并为深度学习与超宽带通信技术的结合提供一种新的方法。
本发明的超宽带信道分类方法及系统通过使用伯努利随机观测矩阵对接收到的脉冲超宽带信号进行压缩采样,有效降低采样率,同时结合深度学习技术,实现信道类型的识别。
本发明的超宽带信道分类方法及系统利用传统通信处理算法的成熟性,同时兼顾深度学习算法的轻便性,在合理利用原始信号的前提下,提升信道分类的准确率,增强算法的健壮性。
本发明附加方面的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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的超宽带信道分类方法流程图;
图2为本发明实施例1提供的深度学习神经网络结构图;
图3为本发明实施例1提供的分类准确度与信噪比的关系图;
图4为本发明实施例2提供的超宽带信道分类系统功能模块图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种超宽带信道分类方法,包括:
S1:接收脉冲超宽带信号;
S2:对脉冲超宽带信号进行压缩观测得到观测值;
S3:将观测值输入至训练后的神经网络模型中进行信道分类;
S4:根据分类结果中各类信道的频率确定最终的信道类型。
在步骤S1中,设脉冲超宽带发射机发送的1帧脉冲超宽带信号s(t)包含Np个导频符号和Ns个数据符号,其信号形式为:
其中,w(t)为超宽带脉冲波形,Tf为符号周期,pj∈{+1,-1}表示第j个导频符号,bi∈{+1,-1}表示第i个数据符号。
脉冲超宽带信号发射到超宽带信道后,主要受到信道的两种影响:一种是多径效应的影响,多径信道的冲激响应为h(t);另一种是加性高斯白噪声(Additive WhiteGaussian Noise,AWGN)的影响,用n(t)表示;所以,超宽带接收机收到的信号表示为:
其中,g(t)表示超宽带脉冲波形w(t)经过多径信道传播后形成的信道波形,其表达式为:
g(t)=w(t)*h(t)
在步骤S2中,对脉冲超宽带信号进行压缩观测得到观测值过程中,采用伯努利随机观测矩阵Φ∈RM×N,对每个导频符号周期Tf内收到的信号进行压缩观测,在第j个导频符号周期,获得观测值yj∈RM×1,其表达式为:
yj=Φ(pjg+nj),j=1,2,...,Np
其中,g∈RN×1为信道波形g(t)的离散化形式,nj∈RN×1为第j个导频符号周期内噪声n(t)的离散化形式。
在步骤S3中,所述神经网络模型的结构如图2所示,包含6个全连接层,各层的结点数分别为256,256,128,128,32和4,采用的激活函数为ReLU函数,网络输出层采用softmax函数。
为了训练神经网络模型,本实施例生成大量的信道样本作为训练集和测试集,且训练集和测试集中四种信道的数量是均等的;同时为了提高算法的健壮性,在训练集样本中增加一定的高斯白噪声,使样本信号的SNR取值范围为5dB-10dB,将训练集数据传入上述神经网络模型中进行训练,网络训练的参数如表1所示:
表1网络训练参数
参数 | 值 |
训练集数量 | 2×10<sup>7</sup> |
测试集数量 | 2×10<sup>6</sup> |
学习率 | 0.0001 |
优化器 | Adam |
批量大小 | 1000 |
训练轮次 | 2×10<sup>5</sup> |
硬件环境 | NVIDIA TITAN Xp GPU |
将步骤S2中得到的观测值yj传输至训练后的神经网络模型中进行信道分类,输出信道分类结果cj∈{CM1,CM2,CM3,CM4},对于连续J个导频符号周期,可得到J个信道分类结果,它们构成的集合为{c1,c2,…,cJ}。
在步骤S4中,对信道分类结果进行决策层融合的过程中,将J个信道分类结果的集合{c1,c2,…,cJ}输入到集成决策层中,集成决策层对分类结果进行融合。融合策略为:选择J个分类结果中出现的频率最高的信道类型作为最终的判决结果cf。
本实施例对上述方法进行训练与测试,并给出仿真结果。仿真性能的标准为分类准确度(Classification Accuracy,CA),其定义如下:
其中,Nsample为总测试样本数,Nc为分类正确的样本数。
仿真参数设置如下:信道模型采用IEEE802.15.3a标准的CM1、CM2、CM3和CM4信道;超宽带发射脉冲采用高斯二阶导数,宽度为Tw=2ns;符号周期为Tf=102.4ns;采样频率为fs=20GHz;每个符号周期离散化后的采样点数为N=Tf×fs=2048;观测矩阵为伯努利随机矩阵,大小为M×N,M=256。
超宽带信道分类准确度的仿真实验结果如图3所示,可以看出,在低信噪比下可以获得较好的分类效果,且J越大分类准确度越高;特别地,当SNR=3dB,J=100时,CA接近于100%,且当J变大时,CA会得到进一步的提升。
综上所述,本实施例提出的超宽带信道分类方法通过将压缩感知与深度学习相结合,对超宽带信道进行准确地分类,在有效降低信号采样率的前提下,提升超宽带信道分类的准确率,增强算法的健壮性。
实施例2
如图4所示,本实施例提供一种超宽带信道分类系统,包括:
信号接收模块,被配置为接收脉冲超宽带信号;
压缩采样模块,被配置为对脉冲超宽带信号进行压缩观测得到观测值;
神经网络分类模块,被配置为将观测值输入至训练后的神经网络模型中进行信道分类;
融合决策模块,被配置为根据分类结果中各类信道的频率确定最终的信道类型。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种超宽带信道分类方法,其特征在于,包括:
接收脉冲超宽带信号;
对脉冲超宽带信号进行压缩观测得到观测值;
将观测值输入至训练后的神经网络模型中进行信道分类;
根据分类结果中各类信道的频率确定最终的信道类型。
2.如权利要求1所述的一种超宽带信道分类方法,其特征在于,对脉冲超宽带信号进行压缩观测的过程中,根据压缩感知理论对脉冲超宽带信号进行压缩观测。
3.如权利要求2所述的一种超宽带信道分类方法,其特征在于,根据压缩感知理论对脉冲超宽带信号进行压缩观测的过程中,采用伯努利随机观测矩阵对脉冲超宽带信号进行压缩观测,得到观测值。
4.如权利要求1所述的一种超宽带信道分类方法,其特征在于,所述神经网络模型包含6个全连接层,采用ReLU激活函数,网络输出层采用softmax函数。
5.如权利要求1所述的一种超宽带信道分类方法,其特征在于,对所述神经网络模型进行训练时,在训练集中增加高斯白噪声。
6.如权利要求1所述的一种超宽带信道分类方法,其特征在于,信道分类后得到分类结果,对分类结果进行决策层的融合,输出最终的信道分类结果。
7.如权利要求6所述的一种超宽带信道分类方法,其特征在于,对分类结果进行决策层的融合过程中,将分类结果中频率最高的信道类型作为脉冲超宽带信号的信道类型。
8.一种超宽带信道分类系统,其特征在于,包括:
信号接收模块,被配置为接收脉冲超宽带信号;
压缩采样模块,被配置为对脉冲超宽带信号进行压缩观测得到观测值;
神经网络分类模块,被配置为将观测值输入至训练后的神经网络模型中进行信道分类;
融合决策模块,被配置为根据分类结果中各类信道的频率确定最终的信道类型。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410654.1A CN113128394A (zh) | 2021-04-14 | 2021-04-14 | 一种超宽带信道分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410654.1A CN113128394A (zh) | 2021-04-14 | 2021-04-14 | 一种超宽带信道分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128394A true CN113128394A (zh) | 2021-07-16 |
Family
ID=76777175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110410654.1A Pending CN113128394A (zh) | 2021-04-14 | 2021-04-14 | 一种超宽带信道分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128394A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2617433A (en) * | 2022-01-05 | 2023-10-11 | Yangtze Delta Region Institute Huzhou Univ Of Electronic Science And Technology Of China | Wideband signal detection method based on deep learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN109934285A (zh) * | 2019-03-11 | 2019-06-25 | 吉林大学 | 一种基于深度学习的图像分类神经网络压缩模型设计 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111446967A (zh) * | 2020-04-02 | 2020-07-24 | 山东大学 | 基于压缩感知的脉冲超宽带信号接收检测方法及系统 |
-
2021
- 2021-04-14 CN CN202110410654.1A patent/CN113128394A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN109934285A (zh) * | 2019-03-11 | 2019-06-25 | 吉林大学 | 一种基于深度学习的图像分类神经网络压缩模型设计 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111446967A (zh) * | 2020-04-02 | 2020-07-24 | 山东大学 | 基于压缩感知的脉冲超宽带信号接收检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
鲁泽城: "基于压缩感知与深度学习的超宽带信道估计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2617433A (en) * | 2022-01-05 | 2023-10-11 | Yangtze Delta Region Institute Huzhou Univ Of Electronic Science And Technology Of China | Wideband signal detection method based on deep learning |
GB2617433B (en) * | 2022-01-05 | 2024-04-03 | Yangtze Delta Region Institute Huzhou Univ Of Electronic Science And Technology Of China | Wideband signal detection method based on deep learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
Wang et al. | Transferred deep learning based waveform recognition for cognitive passive radar | |
Ghasemzadeh et al. | A novel deep learning and polar transformation framework for an adaptive automatic modulation classification | |
Liao et al. | The Rayleigh fading channel prediction via deep learning | |
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
US20200257985A1 (en) | Adversarially generated communications | |
CN105790813B (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN101610516B (zh) | 自组织网络中的入侵检测方法与设备 | |
CN109067427B (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
Michelusi et al. | UWB sparse/diffuse channels, part I: Channel models and Bayesian estimators | |
CN113128394A (zh) | 一种超宽带信道分类方法及系统 | |
Huang et al. | Design of learning engine based on support vector machine in cognitive radio | |
CN113298031B (zh) | 一种考虑信号物理和时序特性的信号调制识别方法及系统 | |
CN103117819B (zh) | 一种基于压缩感知的脉冲超宽带信号检测方法 | |
Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
Xu et al. | Blind modulation recognition of UWA signals with semi-supervised learning | |
Sengupta et al. | Generative diffusion models for radio wireless channel modelling and sampling | |
Wang et al. | Automatic modulation classification based on CNN, LSTM and attention mechanism | |
CN115980668A (zh) | 一种基于宽度神经网络的广义互相关的声源定位方法 | |
Yin et al. | Short-time modulation classification of complex wireless communication signal based on deep neural network | |
Zhang et al. | Blind recognition of channel coding based on CNN-BLSTM | |
Hu et al. | TCN-based M-ary mobile spread spectrum underwater acoustic communication | |
Ghasemzadeh et al. | Evaluation of machine learning-driven automatic modulation classifiers under various signal models | |
Le et al. | Ensemble of convolution neural networks for improving automatic modulation classification performance | |
CN114070688A (zh) | 多制式水声通信信号调制识别方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |
|
RJ01 | Rejection of invention patent application after publication |