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 PDFInfo
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 51
- 230000004913 activation Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect 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
-
- 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
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:
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:
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)
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:
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:
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:
fn(i)=f(i)-mf (8)
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:
其中,φcn(i)是零中心归一化非线性瞬时相位,求法如下:
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:
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)
可以顺便求出瞬时幅度:
计算瞬时相位:
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。
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)
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)
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 |
-
2021
- 2021-01-19 CN CN202110071360.0A patent/CN113225282A/zh active Pending
Patent Citations (4)
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)
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 |