CN113225282A - 一种基于bp神经网络的通信信号调制识别方法 - Google Patents

一种基于bp神经网络的通信信号调制识别方法 Download PDF

Info

Publication number
CN113225282A
CN113225282A CN202110071360.0A CN202110071360A CN113225282A CN 113225282 A CN113225282 A CN 113225282A CN 202110071360 A CN202110071360 A CN 202110071360A CN 113225282 A CN113225282 A CN 113225282A
Authority
CN
China
Prior art keywords
signal
neural network
function
characteristic parameters
modulation
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
Application number
CN202110071360.0A
Other languages
English (en)
Inventor
迟文升
王海
茹乐
赵伟
张敏
张鹏
刘亚擎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Air Force Engineering University of PLA
Original Assignee
Xidian University
Air Force Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University, Air Force Engineering University of PLA filed Critical Xidian University
Priority to CN202110071360.0A priority Critical patent/CN113225282A/zh
Publication of CN113225282A publication Critical patent/CN113225282A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F2218/08—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供了一种基于BP神经网络的通信信号调制识别方法，属于通信信号处理领域，包括：获取原始调制信号，所述原始调制信号包括2ASK、4ASK、2PSK、4PSK、2FSK、4FSK六种信号；利用信号预处理模块对所述原始调制信号进行分段、降噪；根据上一步的处理结果提取特征参数，并构造多维向量作为训练集，所述特征参数包括γmax、σaa、σaf、σap、σdp五个基于瞬时统计量的特征参数；搭建神经网络模型；重新构造信号及特征参数向量作为测试集，利用测试集进行信号识别；对测试集的识别效果进行仿真；对各信号进行分类识别；计算识别后的正确率。该方法对所有特征参数数据进行了零中心和归一化处理，将数据都转化到同一数量级相比较，从而提高了数据的可比较性。

Description

一种基于BP神经网络的通信信号调制识别方法
技术领域
本发明属于通信信号处理领域，具体涉及一种基于BP神经网络的通信信 号调制识别方法。
背景技术
近些年来，通信信号调制识别已经成为国内外众多专家学者研究的重点领 域。从现实意义上来讲，通信信号调制识别可以简单理解为：在复杂的电磁环 境下，在一个完整的通信系统、尤其是非协作通信系统(non-cooperative communication)当中，信号接收方对于信号发射方发送的调制信号所进行的一 系列处理，以期判别出信号的调制类型。这些处理通常包含低通滤波降噪处理， 信号预处理，信号参数估计，信号特征值提取，门限判别与分类等。一般来说， 调制识别单元位于接收机的射频接收模块之后，信号解调模块之前，决定着通 信效果的好坏。与传统的单一调制模式的通信电台不同，现代无线电通信的信道环境里充满了各种体制的调制信号，其功率覆盖范围之大，频带占用之宽， 都在挑战的通信系统。由于信号接收方能够截获大量差异巨大的信号，在不明 确通信协议、缺少相关先验信息的前提下，要想实现有效通信，必须依靠准确 快速的调制识别技术。可以说，通信信号的调制识别是现代通信的核心技术， 是一项事关国家通信与信息系统安全的重大工程。
无线通信技术的进步给实现通信信号调制识别带来了机遇与挑战。
一方面，传统的识别算法包括基于假设检验似然比(LB)识别法、基于特 征值提取(FB)识别法等已经不能满足如今的业务需求，LB识别法尽管可以 得到最优分类并能将错误分类概率降到最低，但其需要大量先验信息且对参数 偏差敏感的特性使其难以适应当前时频域信号多组合、多径效应明显、辐射源 多差异的复杂信道环境，FB识别法可根据信号特征参数差异实现信号分类，但 其特征值仅指调制模式相关参数而没能囊括信号功率、带宽等因素。
另一方面，神经网络、深度学习、遗传算法等先进的算法工具与调制识别 技术结合并未被广泛应用。
因此，本申请提出一种基于BP神经网络的通信信号调制识别方法。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于BP神经网络 的通信信号调制识别方法。
为了实现上述目的，本发明提供如下技术方案：
一种基于BP神经网络的通信信号调制识别方法，包括以下步骤：
步骤1、获取原始调制信号，所述原始调制信号包括2ASK、4ASK、2PSK、 4PSK、2FSK、4FSK六种信号；
步骤2、利用信号预处理模块对所述原始调制信号进行分段、降噪；
步骤3、根据步骤2的处理结果提取特征参数，并构造多维向量作为训练 集，所述特征参数包括瞬时幅度功率谱密度γmax、瞬时幅度绝对值标准偏差σaa、 非弱信号段瞬时频率绝对值的标准差σaf、非弱信号段的瞬时相位非线性分量绝 对值的标准偏差σap以及非弱信号段瞬时相位非线性分量的标准差σdp五个基于 瞬时统计量的特征参数，通过零中心化和归一化方法对五个特征参数进行修正， 将数据都转化到同一数量级相比较；
步骤4、利用特征参数，搭建BP神经网络模型；
步骤5、重新构造信号及特征参数向量作为测试集，利用测试集进行信号 识别；
步骤6、对测试集的识别效果进行仿真；
步骤7、根据仿真结果对各信号进行分类识别。
优选地，所述步骤3还包括通过零中心归和归一化方法对五个特征参数进 行修正，将数据都转化到同一数量级相比较。
优选地，所述步骤4采用MATLAB的BP神经网络工具中的训练函数、激 活函数和损失函数进行神经网络模型搭建；训练函数选择的是trainlm训练函 数，实现快速求最优解的同时避免陷入局部最优；激活函数选择的是Logsig， Tansig和Purelin函数，通过激活函数对输入样本进行非线性拟合；损失函数选 择的是MSE函数，实现样本的线性回归。
优选地，所述步骤6利用MATLAB中的BP神经网络函数模型对识别效果 进行仿真。
本发明提供的基于BP神经网络的通信信号调制识别方法具有以下有益效 果：
(1)对所有特征参数数据进行了零中心和归一化处理，将数据都转化到同 一数量级相比较，从而提高了数据的可比较性；
(2)选择了trainlm函数作为神经网络的训练函数，使得每次迭代的步长 可以自由调节，便于梯度的收敛，提高了神经网络的性能。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的 附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领 域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。
图1为本发明实施例1的基于BP神经网络的通信信号调制识别方法的流 程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面 结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地 说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种基于BP神经网络的通信信号调制识别方法，具体如图1 所示，包括以下步骤：
步骤1、获取原始调制信号，原始调制信号包括2ASK、4ASK、2PSK、4PSK、 2FSK、4FSK六种信号；
步骤2、利用信号预处理模块对原始调制信号进行分段、降噪；
步骤3、根据步骤2的处理结果提取特征参数，并构造多维向量作为训练 集，特征参数包括瞬时幅度功率谱密度γmax、瞬时幅度绝对值标准偏差σaa、非 弱信号段瞬时频率绝对值的标准差σaf、非弱信号段的瞬时相位非线性分量绝对 值的标准偏差σap以及非弱信号段瞬时相位非线性分量的标准差σdp五个基于瞬 时统计量的特征参数，通过零中心化和归一化方法对五个特征参数进行修正， 将数据都转化到同一数量级相比较；
步骤4、利用特征参数，搭建神经网络模型；
步骤5、重新构造信号及特征参数向量作为测试集，利用测试集进行信号 识别；
步骤6、对测试集的识别效果进行仿真；本实施例中，利用MATLAB中的 BP神经网络函数模型对识别效果进行仿真，仿真结果显示在SNR大于等于 10dB时，识别率能达到90％左右，且识别率比较稳定；
步骤7、根据仿真结果对各信号进行分类识别。
具体的，本实施例中，步骤3还包括通过零中心化(Zero-Centered)和归 一化(Standardization)方法对五个特征参数进行修正，将数据都转化到同一数 量级相比较，以便在分类识别阶段对于2ASK、4ASK、2FSK、4FSK、2PSK、 4PSK三类六种信号实现更高的识别率。所谓零中心化就是指将大量的数据样本 减去其均值，既提高了梯度下降的速度以求取最优解，又避免了数据绝对值大 小的干扰；所谓归一化就是指运用各种计算手段，使得不同量纲的数据处在同 一个数量级尺度上以便比较。零中心归一化解算出来的信号参数还很好地避免 了信道干扰和信号功率大小的影响。。
本实施例中，步骤4采用MATLAB的BP神经网络工具中的训练函数、激 活函数和损失函数进行神经网络模型搭建；训练函数选择的是trainlm训练函 数，实现快速求最优解的同时避免陷入局部最优；激活函数选择的是Logsig， Tansig和Purelin函数，通过激活函数对输入样本进行非线性拟合；损失函数选 择的是MSE函数，实现样本的线性回归。
其中，Logsig函数(又称Sigmoid函数)是生物学中常见的S型函数，表达 式如下：
Figure BDA0002905913650000051
Logsig函数具有结构简单，应用范围较广等特点，是神经网络常用的激活 函数。但同时可以发现，当输入值x趋向于正负无穷时，函数梯度趋近于0，迭 代后梯度弥散，收敛性能会受到影响。其全局梯度最大值仅为0.25，梯度下降 速度缓慢。同时其值域恒为正数，使得样本期望不能为0，进而影响到权值的 更新。
Tansig函数又叫Tanh函数，中文名为双曲正切函数，是Logsig的改进型，其 数学表达式为：
Figure BDA0002905913650000061
在Tansig函数当中，-1代表神经网络被抑制。相比起Sigmoid函数，Tansig函 数的值域扩展为(-1,1)，可以实现样本期望值为0的目标，同时其全局最大梯 度升为1，梯度下降性能更加优秀。
Purelin函数为线性传递函数，是最简单的传递函数，即斜率为1的正比例函数，起作用只是将神经网络某一层的全部输入值转换为净输出值。
本实施例通过信号的预处理、特征参数提取以及分类识别，特征参数的提 取是算法的关键，通过将原始信号转变为一个包含多个特征参数的多维向量， 实现原始信号降维化和简化，突出原始信号的特点。常用的特征参数分为三类： 直方图特征、统计矩特征以及变换域特征。
具体的，本实施例中，五个参数的零中心归一化包括：
(1)零中心归一化的瞬时幅度功率谱密度
定义γmax：
γmax＝max|FFT(acn(i))|2/Ns (1)
其中，Ns为取样点个数，acn(i)代表零中心归一化的瞬时幅度，定义如下：
acn(i)＝an(i)-1 (2)
Figure BDA0002905913650000071
Figure BDA0002905913650000072
其中，a(i)代表信号在i时刻的瞬时幅度，ma是信号瞬时幅度的平均值， 经过快速傅里叶变换处理得到γmax。
根据本实施例设计的算法仿真结果验证，在SNR≥10dB时，神经网络自 动探索出来的γmax门限可以实现FSK信号和ASK、PSK信号的类间区分。从 理论上分析，这是因为在低噪声情况下FSK信号为一恒包络信号，即其瞬时幅 度是一个定值，所以其包络经过中心化处理以后近似为0，得到的γmax应该是 一个近似于0的数。而ASK信号包络不恒定，PSK信号在相位反转处，由于带 宽受限，利用希尔伯特变换法求幅值会有一个突变，会打破原来的恒包络，导 致γmax>0。
(2)零中心归一化的瞬时幅度绝对值标准偏差
定义σaa：
Figure BDA0002905913650000073
σaa可以实现2ASK和4ASK的类内区分。这是因为标准偏差值表征的是一 组样本与均值的偏离程度。2ASK的瞬时幅度的绝对值是一个常数(正负幅度 绝对值相等)，经过中心化归一化处理后近似为0，而4ASK信号幅度变化， 其σaa必然远大于0。而对于FSK，PSK信号来说，由于其包络基本恒定，σaa也 不会很大。
(3)零中心归一化非弱信号段瞬时频率绝对值的标准差
定义σaf：
Figure BDA0002905913650000074
其中，ε是判断弱信号的门限值，瞬时幅度大于ε即为非弱信号，一般取信 号瞬时幅度均值ma。c代表非弱信号的个数。fcn是零中心归一化瞬时频率，计 算方法如下：
Figure BDA0002905913650000081
fn(i)＝f(i)-mf (8)
Figure BDA0002905913650000082
其中，f(i)是信号的瞬时频率，mf是信号瞬时频率的均值，Rs为信号的 传码率，经过零中心归一化处理得到fcn。
σaf可实现2FSK和4FSK的类内识别。σaf的物理意义是瞬时频率的偏离程 度，对于2FSK信号来说，其瞬时频率仅有两个取值，零中心归一化处理后近 似为0,4FSK瞬时频率有4个取值，处理后大于0。经过本实施例设计的算法测 试，为了避免信道干扰噪声的影响，应该选择非弱信号进行测试。在SNR>16dB 时各信号的σaf特征值基本恒定。
(4)零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差
定义σap：
Figure BDA0002905913650000083
其中，φcn(i)是零中心归一化非线性瞬时相位，求法如下：
Figure BDA0002905913650000084
Figure BDA0002905913650000085
其中，
Figure BDA0002905913650000086
是非线性瞬时相位，零中心归一化处理得到φcn(i)。
σap对4PSK信号敏感。这是因为4PSK信号带有4个非线性分量，求偏差 必不为0，而2PSK信号只有两个对称的分量，经过零中心归一化求绝对值处理 后近似为0，ASK不包含相位信息，求偏差也近似为0。
(5)零中心非弱信号段瞬时相位非线性分量的标准差
定义σdp：
Figure BDA0002905913650000091
与σap不同，σdp直取非线性瞬时相位的标准差，这样一来就使得2PSK信 号的
Figure BDA0002905913650000092
一项逼近于0，从而得到σdp(2PSK)>0，而ASK仍旧由于不 包含相位信息而得到σdp(ASK)≈0。实验证明，σdp是一个效果明显的强特征， 在SNR>10dB时即趋于稳定。
非线性瞬时相位与解卷绕
调制信号的实质是一个实信号，一般表示式为：
S(t)＝a(t)cos[2πfc(t)+θ(t)] (14)
其中fc(t)为载波频率，θ(t)为非线性瞬时相位，a(t)为瞬时幅度。其进行 希尔伯特变换得到其虚部，叠加成复数信号即原是信号的解析式：
y(t)＝Hilbert[x(t)]＝a(t)sin[2πfc(t)+θ(t)] (15)
Z(t)＝x(t)+jy(t) (16)
发现信号虚部与实部仅有一个
Figure BDA0002905913650000093
的相位变化。
可以顺便求出瞬时幅度：
Figure BDA0002905913650000094
计算瞬时相位：
Figure BDA0002905913650000095
根据所处相位的不同，对
Figure BDA0002905913650000101
求反正切即为瞬时相位：
Figure BDA0002905913650000102
由上可知，此时的相位是模2π相位(又称卷叠相位)，是由载波的线性相 位分量即2πfc(t)引起的。所以需要采用去卷叠(又称解卷叠)算法对
Figure BDA0002905913650000103
再次 求解。传统的去卷叠算法是添加一个校正因子c(i)。本实施例采用MATLAB自 带的解卷绕函数unwrap解决这个问题。
根据本实施例设计的算法仿真结果验证，在SNR≥10dB时，神经网络自 动探索出来的γmax门限可以实现FSK信号和ASK、PSK信号的类间区分。从 理论上分析，这是因为在低噪声情况下FSK信号为一恒包络信号，即其瞬时幅 度是一个定值，所以其包络经过中心化处理以后近似为0，得到的γmax应该是 一个近似于0的数。而ASK信号包络不恒定，PSK信号在相位反转处，由于带 宽受限，利用希尔伯特变换法求幅值会有一个突变，会打破原来的恒包络，导 致γmax>0。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限 于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地 得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (4)

1.一种基于BP神经网络的通信信号调制识别方法，其特征在于，包括以下步骤：
步骤1、获取原始调制信号，所述原始调制信号包括2ASK、4ASK、2PSK、4PSK、2FSK、4FSK六种信号；
步骤2、利用信号预处理模块对所述原始调制信号进行分段、降噪；
步骤3、根据步骤2的处理结果提取特征参数，并构造多维向量作为训练集，所述特征参数包括瞬时幅度功率谱密度γmax、瞬时幅度绝对值标准偏差σaa、非弱信号段瞬时频率绝对值的标准差σaf、非弱信号段的瞬时相位非线性分量绝对值的标准偏差σap以及非弱信号段瞬时相位非线性分量的标准差σdp五个基于瞬时统计量的特征参数；
步骤4、利用特征参数，搭建BP神经网络模型；
步骤5、重新构造信号及特征参数向量作为测试集，利用测试集进行信号识别；
步骤6、对测试集的识别效果进行仿真；
步骤7、根据仿真结果对各信号进行分类识别。
2.根据权利要求1所述的基于BP神经网络的通信信号调制识别方法，其特征在于，所述步骤3还包括通过零中心化和归一化方法对五个特征参数进行修正，将数据都转化到同一数量级相比较。
3.根据权利要求1所述的基于BP神经网络的通信信号调制识别方法，其特征在于，所述步骤4采用MATLAB的BP神经网络工具中的训练函数、激活函数和损失函数进行神经网络模型搭建；训练函数选择的是trainlm训练函数，实现快速求最优解的同时避免陷入局部最优；激活函数选择的是Logsig，Tansig和Purelin函数，通过激活函数对输入样本进行非线性拟合；损失函数选择的是MSE函数，实现样本的线性回归。
4.根据权利要求1所述的基于BP神经网络的通信信号调制识别方法，其特征在于，所述步骤6利用MATLAB中的BP神经网络函数模型对识别效果进行仿真。
CN202110071360.0A 2021-01-19 2021-01-19 一种基于bp神经网络的通信信号调制识别方法 Pending CN113225282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110071360.0A CN113225282A (zh) 2021-01-19 2021-01-19 一种基于bp神经网络的通信信号调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110071360.0A CN113225282A (zh) 2021-01-19 2021-01-19 一种基于bp神经网络的通信信号调制识别方法

Publications (1)

Publication Number Publication Date
CN113225282A true CN113225282A (zh) 2021-08-06

Family

ID=77084352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110071360.0A Pending CN113225282A (zh) 2021-01-19 2021-01-19 一种基于bp神经网络的通信信号调制识别方法

Country Status (1)

Country Link
CN (1) CN113225282A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
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
CN115277324A (zh) * 2022-07-25 2022-11-01 电信科学技术第五研究所有限公司 基于卷积神经网络的fsk信号识别方法
CN115664908A (zh) * 2022-10-19 2023-01-31 西安电子科技大学 通信信号调制识别的跨层智能对抗方法、系统、介质及设备
CN116067489A (zh) * 2023-03-07 2023-05-05 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853480A (zh) * 2009-03-31 2010-10-06 北京邮电大学 一种基于神经网络预测模型的外汇交易方法
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN107124381A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种数字通信信号调制方式自动识别方法
CN108768907A (zh) * 2018-01-05 2018-11-06 南京邮电大学 一种基于瞬时特征统计量和bp神经网络的调制识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853480A (zh) * 2009-03-31 2010-10-06 北京邮电大学 一种基于神经网络预测模型的外汇交易方法
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN107124381A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种数字通信信号调制方式自动识别方法
CN108768907A (zh) * 2018-01-05 2018-11-06 南京邮电大学 一种基于瞬时特征统计量和bp神经网络的调制识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN115277324A (zh) * 2022-07-25 2022-11-01 电信科学技术第五研究所有限公司 基于卷积神经网络的fsk信号识别方法
CN115277324B (zh) * 2022-07-25 2023-11-10 电信科学技术第五研究所有限公司 基于卷积神经网络的fsk信号识别方法
CN115664908A (zh) * 2022-10-19 2023-01-31 西安电子科技大学 通信信号调制识别的跨层智能对抗方法、系统、介质及设备
CN115664908B (zh) * 2022-10-19 2024-04-05 西安电子科技大学 通信信号调制识别的跨层智能对抗方法、系统、介质及设备
CN116067489A (zh) * 2023-03-07 2023-05-05 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质
CN116067489B (zh) * 2023-03-07 2023-09-22 国能大渡河检修安装有限公司 水电站辅助设备的监测系统、方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN107124381B (zh) 一种数字通信信号调制方式自动识别方法
Wu et al. Robust automatic modulation classification under varying noise conditions
CN113225282A (zh) 一种基于bp神经网络的通信信号调制识别方法
CN108540202B (zh) 一种卫星通信信号调制方式识别方法、卫星通信系统
Hassan et al. Automatic modulation recognition using wavelet transform and neural networks in wireless systems
Güner et al. Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN107038421A (zh) 基于稀疏堆栈自编码的调制样式识别方法
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
CN110113288A (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
Alharbi et al. Automatic modulation classification of digital modulations in presence of HF noise
CN111585922A (zh) 一种基于卷积神经网络的调制方式识别方法
CN106357575A (zh) 一种多参数联合估计的干扰类型识别方法
CN112737992A (zh) 一种水声信号调制方式自适应类内识别方法
CN113098638B (zh) 一种基于分组极差图的微弱信号检测方法
CN113259289B (zh) 基于残差神经网络的单通道混叠信号调制模式识别方法
Zhao et al. Automatic modulation recognition based on multi-dimensional feature extraction
Ya et al. Modulation recognition of digital signal based on deep auto-ancoder network
Hu et al. Modulation classification in alpha stable noise
CN116506273A (zh) 新型mpsk调制信号识别分类方法
Hazza et al. Robustness of digitally modulated signal features against variation in HF noise model
CN113905383B (zh) 一种基于射频指纹的iff信号识别方法、装置及介质
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN112202696B (zh) 基于模糊自编码器的水声信号自动调制识别方法
CN106936744B (zh) 基于动态理想解的信号调制识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806