CN113259289A - 基于残差神经网络的单通道混叠信号调制模式识别方法 - Google Patents
基于残差神经网络的单通道混叠信号调制模式识别方法 Download PDFInfo
- Publication number
- CN113259289A CN113259289A CN202110519985.9A CN202110519985A CN113259289A CN 113259289 A CN113259289 A CN 113259289A CN 202110519985 A CN202110519985 A CN 202110519985A CN 113259289 A CN113259289 A CN 113259289A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- residual
- signals
- residual error
- 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
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
- 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
Abstract
本发明公开了基于残差神经网络的单通道混叠信号调制模式识别方法,包括以下步骤:步骤1:通过仿真获取不同码率的时频混叠信号;步骤2:搭建、训练神经网络;步骤3:获取实测混叠信号,仅对收、发信号进行必要的信号处理;步骤4:将步骤3得到的信号输入步骤2得到的残差神经网络,即可得到混叠信号的识别结果。本发明采用堆叠式残差神经网络,改进了传统串联式残差模块连接,避开了传统残差神经网络处理信息高度冗余、层级传递不稳定的弊端;以数据增广的形式对网络输入了不同码率的数字混叠信号,增强网络的鲁棒性和泛化能力;不需要仍何先验信息,也不需要对信号做额外的预处理,直接对信号进行识别分类。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种基于残差神经网络的单通道混叠信号调制模式识别方法。
背景技术
在非合作通信系统中,通信信号的调制识别是对接收信号进行处理的前提和关键。传统的单通道单信号识别技术有小波变换、高阶累积量、瞬时特征参数提取等。现有的基于瞬时特征参数提取的方法,提取的参数属于信号二阶统计量。在低信噪比情况下或信道经历深衰时效果较差。现有的高阶累积量理论上可以完美地抑制噪声对信号的干扰,但其效果极大程度地依赖于接收信号的长度和采样点数。并且,由于{8PSK,FSK}、{2ASK,BPSK}有着一致的高阶累量值,该方法不能直接区分这些信号。
神经网络作为当今研究领域的热点,同样也被应用在了信号调制识别领域。陈晋音等人通过先将语音信号降噪,再将其送入长短时记忆神经网络(LSTM),克服了在低信噪比区间信号识别准确率过低的问题。徐茂等人先将人工提取出来的信号时频特性转化为图片模式,再利用深度卷积神经网络作为智能分类器对信号进行识别。但以上有关神经网络的方法都针对单信号接收,且效果好坏极大程度地取决于传统方法对信号的预处理好坏程度。随着通信技术的发展,混叠信号的处理和减少预处理步骤具有更实际的意义。
发明内容
本发明针对现有技术存在的问题提供一种基于残差神经网络的单通道混叠信号调制模式识别方法。
本发明采用的技术方案是:
一种基于残差神经网络的单通道混叠信号调制模式识别方法,包括以下步骤:
步骤1:通过仿真获取不同码率的时频混叠信号,将信号分为训练集、验证集和测试集;
步骤2:搭建神经网络,采用训练集对残差神经网络进行训练,采用验证集对残差神经网络进行调参,采用测试集对残差神经网络进行评估和测试;
步骤3:获取实测混叠信号,对收、发信号进行预处理;
步骤4:将步骤3得到的信号输入步骤2得到的残差神经网络,即可得到混叠信号的识别结果;
残差神经网络为堆叠式残差神经网络,包括:网络输入层、卷积池化层、残差堆叠模块、卷积连接层、残差堆叠模块、分类输出层;所述残差堆叠模块为四个残差模块两两相连构成,每个残差堆叠模块均采用两个Kernel大小为3×3的卷积层堆栈来提取波形特征。
进一步的,所述步骤1中采用Matlab产生不同码率的时频混叠信号,对信号进行高斯白噪声加噪处理;将70%划分为训练集、15%划分为验证集、15%划分为测试集。
进一步的,所述步骤1中的采用Matlab产生不同码率的时频混叠信号;以数据增广的形式,添加不同码率的信号,其码率为50~200Kbps范围的随机值。
进一步的,所述步骤3中实测混叠信号采用两台距离超过1.5倍波长的发射设备同时发射信号;两分量信号的载波频率设为一致。
进一步的,所述步骤3中对收、发信号的预处理过程如下:
发射端:信号依次经脉冲成形、采样、上变频;
接收端:信号依次经下变频、4倍载波频率重采样、滤波后输出基带信号;
将输出的信号加窗截断为固定长度,选择固定个数的信号组成输入维度,然后进行归一化处理。
进一步的,所述残差神经网络中残差模块的表达式如下:
al+2=σ(zl+2+al)=σ(wl+2al+1+bl+2+al)
其中:al+2,al,al+1分别代表第l+2层,第l层,第l+1层的输出。bl+2与wl+2分别代表第l+2层网络的偏置与权重。当l+2层神经元饱和,权重wl+2、偏置bl+2为零时,该神经元为前一层神经元的“恒等映射”;
残差神经网络中采用修正的Relu激活函数,σ(x)=max(0.01x,x);
残差神经网络中输出层为:
残差神经网络中采用的损失函数C(aL,y)为:
其中:γ为正则化率,n为训练集信号总数,y为对应神经元的标记,aL为实际判定输出;残差神经网络中采用nestervo下降法进行梯度更新,采用指数型学习率衰减函数η′:
其中:η为学习率,Δ为学习率减衰,A为迭代次数,B为衰减速度。
一种识别装置,包括:
仿真信号获取模块:用于获取仿真和训练残差神经网络的时频混叠信号;
实测信号获取模块:用于获取实测信号并对信号进行基本收、发处理;
信号识别模块:采用经训练和测试的残差神经网络对实测信号进行调制模式识别。
一种控制设备,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得程序指令执行权利要求1~6任一项所述方法的步骤。
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
本发明的有益效果是:
(1)本发明以数据增广的形式对网络输入增加了不同码率的数字混叠信号,相较于传统网络针对码率固定且种类单一的信号训练而言,增强了网络的鲁棒性和泛化能力,顺应了通信环境日益拥挤、复杂的趋势;
(2)本发明采用堆叠式残差神经网络,改进了传统的串联式残差连接结构,避开了传统残差神经网络处理信息高度冗余的弊端,使网络结构更紧密;
(3)本发明不需要信号的任何先验信息,也不需要对信号做仍何额外的预处理,如时频域转换,小波降噪和高阶累量提取特征等,避免了繁琐的信号特征提取和人工设定分类器阈值等问题,作为特征提取器和分类器,直接对信号进行识别分类;
(4)本发明针对混叠信号时域波形不需要向高维特征空间转换且仍具有规律性这一特点,在残差堆叠模块中直接采用两个Kernel大小为3×3的卷积层堆栈来提取波形特征。能够减少网络所需参数,如网络层数和特征通道数,加快模型训练速度,更适合于信号的识别与分类。
(5)本发明采用nestervo下降法进行梯度更新,可以在加快收敛,减小梯度摆动幅度的同时,避免收敛过快,提高了算法的响应能力;
附图说明
图1为本发明方法流程示意图。
图2为本发明残差神经网络结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1和图2所示,基于残差神经网络的单通道混叠信号调制模式识别方法,包括以下步骤:
步骤1:通过仿真获取不同码率的时频混叠信号,将信号分为训练集、验证集和测试集;
使用Matlab以分量信号集{2FSK,MSK,BPSK,QPSK}两两随机组合形成十种时频混叠信号{2FSK+MSK,MSK+QPSK,MSK+BPSK,BPSK+BPSK,BPSK+QPSK,QPSK+QPSK,BPSK+2FSK,2FSK+QPSK,MSK+MSK,2FSK+2FSK}。进行高斯白噪声加噪处理,并将信号集划分为训练集、验证集和测试集。其中70%划分为训练集,15%划分为验证集,15%划分为测试集,同时应随机调整信号集中的信号顺序和完备性,以保证训练网络的鲁棒效果。训练集和验证集用于网络的训练和调参,测试集仅用于对网络进行最终的识别率评估,一旦使用则表明网络进入最终评测阶段,此后不能再对网络进行训练。
每一类混叠信号5000个样本,每个样本被截取长度4000的序列,被截成64段,组成64×4000的维度。设置码元速率fb为50~200Kbps,载波频率为±0.05fb,初始相位在0:范围内随机选择,信噪比范围设为[-10:2:20]。
产生完仿真信号后将其保存为Ndarray格式,以便对网络进行训练。
步骤2:搭建神经网络,采用训练集对残差神经网络进行训练,采用验证集对残差神经网络进行调参,采用测试集对残差神经网络进行评估和测试;
基于TensorFlow的学习框架,搭建残差神经网络。包括:网络输入层、卷积池化层、残差堆叠模块、卷积连接层、残差堆叠模块、分类输出层;所述残差堆叠模块采用类似DenseConnection形式,由四个残差模块两两相连构成。每个残差堆叠模块均采用两个Kernel大小为3×3的卷积层堆栈来提取波形特征。
具体的残差神经网络参数如下表所示:
卷积池化层包括卷积层和最大池化层,卷积层Kernel为7×7,通道数为64,步长为2,填充为1。池化层Kernel为3×3,步长为2。残差堆叠模块Kernel为卷积连接层包括卷积层和平均池化层,卷积层Kernel为1×1,填充为1;平均池化层Kernel为2×2,步长为2。分类输出层包括一个平均池化层和1×10的Softmax层。
相比于DenseNet,传统DenseNet(Densely Connected Network)主要用于图像处理,网络层数极深,且每个Dense Block需要Kernel大小为1×1的卷积层对图像的庞大数据流进行降维处理。本发明针对混叠信号时域波形不需要向高维特征空间转换且仍具有规律性这一特点,在残差堆叠模块中直接采用两个Kernel大小为3×3的卷积层堆栈来提取波形特征,同时减少网络层数,避免梯度弥散、网络层级传递不稳定等问题,更适合被用于信号的识别与分类。
残差模块的表达式为:
al+2=σ(zl+2+al)=σ(wl+2al+1+bl+2+al)
表示当l+2层神经元饱和,权重wl+2、偏置bl+2为零时,该神经元为前一层神经元的“恒等映射”。
采用修正的Relu激活函数,σ(x)=max(0.01x,x)。
将Softmax作为最后一层激活函数,也是输出层:
将学到的信号时域特征映射到样本标记空间y,并以“最大概率的形式”输出在矢量空间上最有可能的信号调制类别。输出神经元的概率总和为1。
选择该网络的损失函数为交叉熵函数与L2正则化的联合表达式:
其中γ为正则化率,n为训练集信号总数,y与aL分别对应神经元的标记与实际判定输出。交叉熵损失函数C可以通过衡量y与aL的相似性,计算出估计值与标签的误差。
wk+1=wk-ηvw,k+1
bk+1=bk-ηvb,k+1
其中,和分别为沿着当前梯度动量预测的权重和偏置,vw,k+1和vb,k+1分别为修正后的更新梯度。这种预报性的梯度更新可以在加快收敛,减小梯度摆动幅度的同时,避免收敛过快,提高了算法的响应能力。β为动量超参数,一般为0.9,η为学习率。
设置了学习率η初始值,采用指数型学习率衰减函数:
其中,Δ为学习率减衰,A为迭代次数,B为衰减速度。随着网络不断地优化,应当减小网络学习率以防止网络过拟合。当迭代次数A达到衰减速度B时学习率衰减η′=η+Δ。
采用的基于残差神经网络采用小批量训练方式,训练批次为16次,样本批次大小为64×4000,网络模型在GPU RTX-2080上训练50个epoch。
步骤3:获取实测混叠信号,对收、发信号进行必要的基本信号处理;
基于Labview和2个无线电平台National Instrument.NI USRP-2930产生10种用于实测的时频混合信号。基本发、收处理过程如下:
发射端:信号依次经脉冲成形、采样、上变频;
接收端:信号依次经下变频、4倍载波频率重采样、滤波后输出基带信号;
将输出的信号加窗截断为固定长度(该长度为适合网络输入的长度),选择固定个数(该个数为适合网络输入的维度)的信号组成输入维度,然后进行归一化处理。
针对实测混叠信号的两个分量信号,在码率集{2Kbps,2.2Kbps},{50Kbps,52Kbps},{180Kbps,182Kbps}中任意挑选一组码率(可重复)作为其分量码率后,再混叠发送。混叠信号时应保证各信号之间相互独立,遵从线性混合模型,混叠信号的两台发射设备距离应当超过1.5倍波长,两分量信号的采样率、载波频率应当设为一致,并且同时发射信号,保证分量信号两两时域完全重叠(重叠度100%),频域80%重叠。
步骤4:将步骤3得到的信号输入步骤2得到的残差神经网络,即可得到混叠信号的识别结果。
本发明首先在Matlab软件平台上利用仿真信号对神经网络进行训练。其次,利用Labview无线电平台对网络进行实测,采用残差神经网络自动提取特征和分类。最后判断出特征最优可能归属于哪一类信号,置信度最高的一类即为所属类别。
Claims (9)
1.一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,包括以下步骤:
步骤1:通过仿真获取不同码率的时频混叠信号,将信号分为训练集、验证集和测试集;
步骤2:搭建神经网络,采用训练集对残差神经网络进行训练,采用验证集对残差神经网络进行调参,采用测试集对残差神经网络进行评估和测试;
步骤3:获取实测混叠信号,对收、发信号进行预处理;
步骤4:将步骤3得到的信号输入步骤2得到的残差神经网络,即可得到混叠信号的识别结果;
残差神经网络为堆叠式残差神经网络,包括:网络输入层、卷积池化层、残差堆叠模块、卷积连接层、残差堆叠模块、分类输出层;所述残差堆叠模块为四个残差模块两两相连构成,每个残差堆叠模块均采用两个Kernel大小为3×3的卷积层堆栈来提取波形特征。
2.根据权利要求1所述的一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,所述步骤1中采用Matlab产生不同码率的时频混叠信号,对信号进行高斯白噪声加噪处理;将70%划分为训练集、15%划分为验证集、15%划分为测试集。
3.根据权利要求1所述的一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,所述步骤1中的采用Matlab产生不同码率的时频混叠信号;以数据增广的形式,添加不同码率的信号,其码率为50~200Kbps范围的随机值。
4.根据权利要求1~3任一项所述的一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,所述步骤3中实测混叠信号采用两台距离超过1.5倍波长的发射设备同时发射信号;两分量信号的载波频率设为一致。
5.根据权利要求1所述的一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,所述步骤3中对收、发信号的预处理过程如下:
发射端:信号依次经脉冲成形、采样、上变频;
接收端:信号依次经下变频、4倍载波频率重采样、滤波后输出基带信号;
将输出的信号加窗截断为固定长度,选择固定个数的信号组成输入维度,然后进行归一化处理。
6.根据权利要求1所述的一种基于残差神经网络的单通道混叠信号调制模式识别方法,其特征在于,
所述残差神经网络中残差模块的表达式如下:
al+2=σ(zl+2+al)=σ(wl+2al+1+bl+2+al)
其中:al+2,al,al+1分别代表第l+2层,第l层,第l+1层的输出。bl+2与wl+2分别代表第l+2层网络的偏置与权重;
残差神经网络中采用修正的Relu激活函数,σ(x)=max(0.01x,x);
残差神经网络中输出层为:
残差神经网络中采用的损失函数C(aL,y)为:
其中:γ为正则化率,n为训练集信号总数,y为对应神经元的标记,aL为实际判定输出;
残差神经网络中采用nestervo下降法进行梯度更新,采用指数型学习率衰减函数η′:
其中:η为学习率,Δ为学习率减衰,A为迭代次数,B为衰减速度。
7.基于权利要求1~5所述任一种方法的识别装置,其特征在于,包括:
仿真信号获取模块:用于获取仿真和训练残差神经网络的时频混叠信号;
实测信号获取模块:用于获取实测信号并对信号进行基本收、发处理;
信号识别模块:采用经训练和测试的残差神经网络对实测信号进行调制模式识别。
8.一种控制设备,其特征在于,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得程序指令执行权利要求1~6任一项所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519985.9A CN113259289B (zh) | 2021-05-13 | 2021-05-13 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519985.9A CN113259289B (zh) | 2021-05-13 | 2021-05-13 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259289A true CN113259289A (zh) | 2021-08-13 |
CN113259289B CN113259289B (zh) | 2022-06-17 |
Family
ID=77181545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519985.9A Active CN113259289B (zh) | 2021-05-13 | 2021-05-13 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259289B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239749A (zh) * | 2021-12-23 | 2022-03-25 | 桂林电子科技大学 | 基于残差收缩及双向长短期记忆网络的调制识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106953821A (zh) * | 2017-03-29 | 2017-07-14 | 西安电子科技大学 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
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 |
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
CN108650202A (zh) * | 2018-05-11 | 2018-10-12 | 大唐联诚信息系统技术有限公司 | 一种信号调制模式识别方法及装置 |
CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
JP6569755B1 (ja) * | 2018-03-06 | 2019-09-04 | Tdk株式会社 | ニューラルネットワーク装置、信号生成方法およびプログラム |
WO2020199926A1 (zh) * | 2019-04-02 | 2020-10-08 | 腾讯科技(深圳)有限公司 | 一种图像识别网络模型训练方法、图像识别方法及装置 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
-
2021
- 2021-05-13 CN CN202110519985.9A patent/CN113259289B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106953821A (zh) * | 2017-03-29 | 2017-07-14 | 西安电子科技大学 | 一种Underlay频谱共享下时频重叠信号调制识别方法 |
CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
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 |
JP6569755B1 (ja) * | 2018-03-06 | 2019-09-04 | Tdk株式会社 | ニューラルネットワーク装置、信号生成方法およびプログラム |
CN108650202A (zh) * | 2018-05-11 | 2018-10-12 | 大唐联诚信息系统技术有限公司 | 一种信号调制模式识别方法及装置 |
CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
WO2020199926A1 (zh) * | 2019-04-02 | 2020-10-08 | 腾讯科技(深圳)有限公司 | 一种图像识别网络模型训练方法、图像识别方法及装置 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
Non-Patent Citations (3)
Title |
---|
SAI HUANG等: ""Automatic Modulation Classification of Overlapped Sources Using Multiple Cumulants"", 《IEEE》 * |
徐茂等: ""基于通信信号时频特性的卷积神经网络调制识别"", 《计算机科学》 * |
董聪等: ""基于残差神经网络的通信混合信号识别"", 《无线电工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239749A (zh) * | 2021-12-23 | 2022-03-25 | 桂林电子科技大学 | 基于残差收缩及双向长短期记忆网络的调制识别方法 |
CN114239749B (zh) * | 2021-12-23 | 2024-04-05 | 桂林电子科技大学 | 基于残差收缩及双向长短期记忆网络的调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113259289B (zh) | 2022-06-17 |
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 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN107547460A (zh) | 基于深度学习的无线通信调制信号识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN109995449A (zh) | 一种基于深度学习的毫米波信号检测方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
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 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN114745248A (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN115186712A (zh) | 一种调制信号识别方法和系统 | |
CN114070688A (zh) | 多制式水声通信信号调制识别方法和系统 | |
Wang et al. | Blind Recognition Method for Non-Cooperative Communication Signals Based on Aerial Computing | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |