CN113364715A - 一种基于信用值投票机制的协作式自动调制分类方法 - Google Patents
一种基于信用值投票机制的协作式自动调制分类方法 Download PDFInfo
- Publication number
- CN113364715A CN113364715A CN202110499377.6A CN202110499377A CN113364715A CN 113364715 A CN113364715 A CN 113364715A CN 202110499377 A CN202110499377 A CN 202110499377A CN 113364715 A CN113364715 A CN 113364715A
- Authority
- CN
- China
- Prior art keywords
- decision
- signal
- local
- modulation
- sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 claims description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 102000050111 human SERPINA9 Human genes 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于信用值投票机制的协作式自动调制分类方法,属于信号调制领域。本发明首先,网络中的接收传感器对接收到的未知信号用基于循环谱特征的图域识别方法进行调制识别得到相应的本地识别决策,然后接收传感器将当前时隙内得出的本地决策发送给决策融合中心,最后在决策融合中心进行投票,每个接收传感器所持有的票值由其信用值确定,选取得票值最高的调制方式作为这一时隙的全局决策,同时更新每个接收传感器的信用值。本发明提出的基于信用值投票机制的分布式调制识别方法,可以实现稳定、有效的多种调制信号的类间识别。
Description
技术领域
本发明属于信号调制领域,特别是基于信用值投票机制的协作式自动调制分类方法。
背景技术
自动调制分类可以在很少或没有先验知识的情况下识别接收信号的调制类型,是信号检测和解调之间必不可少的复杂的运算,并广泛应用于军事和民用通信领域,例如认知无线电、自适应调制与编码、频谱检测以及现代信息化战争。在过去的几十年中,尽管已经进行了大量有关自动调制分类方法的研究,但这些研究大多仅限于单个节点,不能解决多接收器的实际场景情况,而诸如无线传感器网络之类的分布式网络的广泛普及使得协同分类成为提高分类性能的一种有效方法。尤其是对于强度较弱或受干扰较大的检测信号而言,由一组空间位置分散的感知节点收集的信息可以提供比任何单个节点更全面的认知,从而获取更高的分类精度。
完整的分布式调制分类架构假定存在一个融合中心,每个本地传感器向融合中心传输其本地信息,然后融合中心将共享的信息进行融合以得出总体决策。融合过程中信息的抽象级别可以是信号、特征或决策级别。在信号级别,每个本地传感器将观察到的原始信号传输到融合中心,大多数信号级分布式调制识别方法都是将收集到的多个原始信号合并以形成单个信号,然后采用常规的单节点自动调制分类方法得出全局决策。信号级融合可以最大限度地保留发送信号中的原始信息,并在各个本地传感器上保持最少的信号处理量。但是传输原始信号会给整个网络带来巨大的通信开销,同时,信号级融合方法将繁琐的信号处理过程完全放在融合中心,这对融合中心的信号处理能力提出了很高的要求。对于特征级融合,本地传感器接收到未知信号后计算得到相应特征并将其传输到融合中心以进行组合。由于每个节点对信号的接收不可能完全同步,这将导致出现异步问题,难以有效地集成可靠的特征,尤其是随着本地传感器数量的增加,延迟估计会变得非常复杂。作为最高抽象级别的决策级融合,单个节点将其本地决策等信息发送给融合中心并进行融合以获得全局决策。
显然,决策级融合方法可以维持网络所需最小的通信开销,因此决策级融合最适用于快速增长的大型分布式调制分类网络。有一种基于BP(Back Propagation)神经网络的决策融合方法,虽然这种方法具有较好的分类精度但是需要开发大量的数据集来训练神经网络。另外一种基于似然函数的决策融合方法仅限于对PSK-16和QAM-16这两种调制方案进行分类。而且除了需要将本地决策发送到融合中心之外,每个本地传感器还需要发送信噪比的值以做出全局决策。实际上,在目前已有的决策融合方法中,本地传感器除了需要将本地决策发送给融合中心以外,均还需要发送其他信息以供融合中心生成全局决策,例如先验概率的估计值和信噪比的估计值。毫无疑问,这些额外的信息传输将增加系统开销,特别是对于具有大量本地传感器的分布式网络而言,这增加的通信开销是不容忽视的。因此迫切需要找到一种有效识别各种类型调制信号且开销小的分布式自动调制分类方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于信用值投票机制的协作式自动调制分类方法,实现稳定、有效的多种调制信号的类间识别。
本发明技术方案为一种基于信用值投票机制的协作式自动调制分类方法,该方法用于调制系统的框架包括一个未知目标信号源、个本地传感器和一个融合中心;设在第k个时隙,网络中有个本地传感器:检测从未知发送端发来的信号并接收N个符号的信号序列{s1,s2,...,sN},该信号使用调制方式候选集中的某一种调制类型 同时,本地传感器Sj,独立处理接收到的信号并采用相同的单节点自动调制分类方法得到其在第k个时隙做出的本地决策 然后将发送给融合中心,由融合中心根据决策融合准则做出第k个时隙的全局决策
其中,所述决策融合准则为:
步骤1:在第k个识别时隙,当获取了所有本地传感器的本地决策之后,在融合中心上对其进行决策融合做出全局决策在决策融合过程中,首先用第j个本地传感器Sj在前k-1个时隙中本地决策与全局决策相同的概率作为本地传感器Sj在第k个识别时隙决策融合过程中的信用值即
其中,t代表k-1个时隙中本地传感器Sj的本地决策与全局决策相同的时隙个数;
步骤2:每个本地传感器的本地决策所占的权重根据其可靠性来分配,用信用值判断本地传感器Sj的可靠性,越高说明本地传感器Sj的本地决策正确的可能性越高,即可靠性越高,越低则说明本地传感器Sj的本地决策可靠性越低;将信用值作为本地传感器Sj在第k个决策融合过程中所持有的投票权重,同时定义本地传感器Sj对于调制类型的投票机制如下:
进一步的,所述单节点自动调制分类方法为:采用时间平滑算法FAM分别对样本信号和测试信号的循环谱进行估计,然后根据循环谱进行图域映射,分别建立调制方式 下样本信号的特征集和测试信号的特征集,然后计算两者之间的汉明距离,最后选取对应于汉明距离最小的调制方式作为本地决策。
本发明通过使用上述基于信用值的投票机制可以大大简化决策融合过程,有效减小信号处理的复杂度。同时每个本地传感器只需将其本地决策发送给融合中心,不需要附加任何的额外信息用于全局决策的判定,这就将网络所需通信开销降至最低。
附图说明
图2基于信用值投票机制的协作式多传感器自动调制分类系统框架图。
图3每个本地传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的6种调制信号的平均正确识别率对比图。
图4每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的BPSK信号的正确识别率对比图。
图5每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的2FSK信号的正确识别率对比图。
图6每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的4FSK信号的正确识别率对比图。
图7每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的OQPSK信号的正确识别率对比图。
图8每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的MSK信号的正确识别率对比图。
图9每个本传感器接收信号中噪声能量不一样的情况下本发明和每个单传感器对不同信噪比的QPSK信号的正确识别率对比图。
图10每个本地传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的6种调制信号的平均正确识别率对比图。
图11每个本传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的BPSK信号的正确识别率对比图。
图12每个本传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的2FSK信号的正确识别率对比图。
图13每个本传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的4FSK信号的正确识别率对比图。
图14每个本传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的OQPSK信号的正确识别率对比图。
图15每个本传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的MSK信号的正确识别率对比图。
图16每个本地传感器接收信号中噪声能量一样的情况下本发明和每个单传感器对不同信噪比的QPSK信号的正确识别率对比图。
具体实施方式
图2描述了本发明提出的基于信用值投票机制的协作式自动调制分类方案的系统图,整个框架由一个未知目标信号源,个本地传感器节点和一个融合中心;这些本地传感器接收来自同一个未知信号源发送的信号s(t),但由于所处的空间位置不同,未知信号源与每个本地传感器之间的信道均不同且相互独立,所以每个传感器在第k个识别时隙中接收到的信号均不同,这就意味着每个传感器在第k个识别时隙做出的本地决策会有所差异;而且由于信道环境不同,每个传感器接收到的信号质量也不同,那么相应的其本地分类决策的可靠性也不同。为了降低带宽需求并减小网络通信开销,先在每个本地传感器上完成本地自动调制分类判决,获取相应的本地决策,然后将其发送给融合中心做出全局决策;在此,假设这是单跳通信场景,即传感器和融合中心之间的通信不会发生错误,每个本地决策都能正确无误地汇集在融合中心。
本实施例中,选取了六种常见调制方式作为调制类型候选集进行识别,即本地传感器的数量设定为9,每个传感器和未知信号源之间的多径瑞利衰落信道的参数如表一所示。本实施例中每种调制方式的调制信号样本数量为500,每种调制信号的序列长度为8192,并且考虑了两种网络场景,即各个传感器处接收信号中噪声能量不一样和一样的两种情况。
从图3可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明对于调制类型候选集中六种调制类型的平均正确分类率明显高于各个本地传感器(单节点)的平均正确识别率,在信噪比为5dB的时候,本发明就已经达到几近完美的识别性能(正确识别率为100%),而所有的单节点即使在信噪比达到20dB的情况下都不能达到相同的识别性能,大部分本地单节点在信噪比为20dB的情况下也只能获取80%左右的平均正确识别率,本发明的正确分类性能相较于单节点方法有很大提升,明显优于单节点。
从图4可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为-8dB左右时对BPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于BPSK调制信号的正确识别率能达到100%,本发明对于BPSK调制信号的正确识别性能明显优于单节点。
从图5可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在各个信噪比条件下对2FSK调制信号的正确识别率均高于各个单节点,本发明在信噪比为0dB左右时对2FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于2FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于2FSK调制信号的正确识别性能明显优于单节点。
从图6可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为0dB左右时对4FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于4FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于4FSK调制信号的正确识别性能明显优于单节点。
从图7可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为-2dB左右时对OQPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于OQPSK调制信号的正确识别率能达到100%,本发明对于OQPSK调制信号的正确识别性能明显优于单节点。
从图8可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,虽然在低信噪比情况下,本发明对MSK调制信号的正确识别率低于单节点,但从信噪比为-5dB左右开始时本发明对MSK调制信号的正确识别率就高于所有单节点,并在2dB左右达到98%左右的正确识别率,而即使在信噪比达到20dB的条件下,大部分单节点对于MSK调制信号的正确识别率也只能达到80%左右,本发明对于MSK调制信号的正确识别性能明显优于单节点。
从图9可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,在各个信噪比条件下本发明对QPSK调制信号的正确识别率均高于各个单节点,尤其是在低信噪比条件下本发明对于QPSK的识别性能相较于单节点有明显提升。本发明在信噪比为5B左右时对QPSK调制信号的正确识别率可以达到98%左右,而即使在信噪比达到20dB的条件下,大部分单节点对于QPSK调制信号的正确识别率也只能达到80%左右,本发明对于QPSK调制信号的正确识别性能明显优于单节点。
从图3可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明对于调制类型候选集中六种调制类型的平均正确分类率明显高于各个本地传感器(单节点)的平均正确识别率,在信噪比为5dB的时候,本发明就已经达到几近完美的识别性能(正确识别率为100%),而所有的单节点即使在信噪比达到20dB的情况下都不能达到相同的识别性能,大部分本地单节点在信噪比为20dB的情况下也只能获取80%左右的平均正确识别率,本发明的正确分类性能相较于单节点方法有很大提升,明显优于单节点。
从图4可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为-8dB左右时对BPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于BPSK调制信号的正确识别率能达到100%,本发明对于BPSK调制信号的正确识别性能明显优于单节点。
从图5可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在各个信噪比条件下对2FSK调制信号的正确识别率均高于各个单节点,本发明在信噪比为0dB左右时对2FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于2FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于2FSK调制信号的正确识别性能明显优于单节点。
从图6可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为0dB左右时对4FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于4FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于4FSK调制信号的正确识别性能明显优于单节点。
从图7可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,本发明在信噪比为-2dB左右时对OQPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于OQPSK调制信号的正确识别率能达到100%,本发明对于OQPSK调制信号的正确识别性能明显优于单节点。
从图8可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,虽然在低信噪比情况下,本发明对MSK调制信号的正确识别率低于单节点,但从信噪比为-5dB左右开始时本发明对MSK调制信号的正确识别率就高于所有单节点,并在2dB左右达到98%左右的正确识别率,而即使在信噪比达到20dB的条件下,大部分单节点对于MSK调制信号的正确识别率也只能达到80%左右,本发明对于MSK调制信号的正确识别性能明显优于单节点。
从图9可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,在各个信噪比条件下本发明对QPSK调制信号的正确识别率均高于各个单节点,尤其是在低信噪比条件下本发明对于QPSK的识别性能相较于单节点有明显提升。本发明在信噪比为5dB左右时对QPSK调制信号的正确识别率可以达到98%左右,而即使在信噪比达到20dB的条件下,大部分单节点对于QPSK调制信号的正确识别率也只能达到80%左右,本发明对于QPSK调制信号的正确识别性能明显优于单节点。
从图10可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,本发明对于调制类型候选集中六种调制类型的平均正确分类率明显高于各个本地传感器(单节点)的平均正确识别率,在信噪比为5dB的时候,本发明就已经达到几近完美的识别性能(正确识别率为100%),而所有的单节点即使在信噪比达到20dB的情况下都不能达到相同的识别性能,大部分本地单节点在信噪比为20dB的情况下也只能获取80%左右的平均正确识别率,本发明的正确分类性能相较于单节点方法有很大提升,明显优于单节点。
从图11可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,本发明在信噪比为-5dB左右时对BPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于BPSK调制信号的正确识别率能达到100%,本发明对于BPSK调制信号的正确识别性能明显优于单节点。
从图12可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,本发明在各个信噪比条件下对2FSK调制信号的正确识别率均高于各个单节点,本发明在信噪比为0dB左右时对2FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于2FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于2FSK调制信号的正确识别性能明显优于单节点。
从图13可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,本发明在信噪比为5dB左右时对4FSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于4FSK调制信号的正确识别率能达到100%,大部分单节点仅能达到80%的正确识别率,本发明对于4FSK调制信号的正确识别性能明显优于单节点。
从图14可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,本发明在信噪比为0dB左右时对OQPSK调制信号就能达到100%的正确识别率,而即使在信噪比达到20dB的条件下,也没有一个单节点对于OQPSK调制信号的正确识别率能达到100%,本发明对于OQPSK调制信号的正确识别性能明显优于单节点。
从图15可以看出,在每个本地传感器接收信号中噪声能量一样的情况下,虽然在低信噪比情况下,本发明对MSK调制信号的正确识别率低于单节点,但从信噪比为-5dB左右开始时本发明对MSK调制信号的正确识别率就高于所有单节点,并在8dB左右达到98%左右的正确识别率,而即使在信噪比达到20dB的条件下,大部分单节点对于MSK调制信号的正确识别率也只能达到70%左右,本发明对于MSK调制信号的正确识别性能明显优于单节点。
从图16可以看出,在每个本地传感器接收信号中噪声能量不一样的情况下,在各个信噪比条件下本发明对QPSK调制信号的正确识别率均高于各个单节点,尤其是在低信噪比条件下本发明对于QPSK的识别性能相较于单节点有明显提升。本发明在信噪比为5dB左右时对QPSK调制信号的正确识别率可以达到98%左右,而即使在信噪比达到20dB的条件下,大部分单节点对于QPSK调制信号的正确识别率也只能达到80%左右,本发明对于QPSK调制信号的正确识别性能明显优于单节点。
表1是做仿真时每个单节点(本地传感器)与未知信号源之间设置的信道参数,是随机设置的,不同信道参数说明单节点的位置不同。从表1可以看出,各个本地传感器和未知信号源之间的信道参数均不同,即路径数、各径时延、各径功率均不同,表明各个本地传感器(单节点)的地理位置是分散的。
表1每个本地传感器和未知信号源之间的多径瑞利衰落信道的参数
Claims (2)
1.一种基于信用值投票机制的协作式自动调制分类方法,该方法用于调制系统的框架包括一个未知目标信号源、个本地传感器和一个融合中心;设在第k个时隙,网络中有个本地传感器:检测从未知发送端发来的信号并接收N个符号的信号序列{s1,s2,...,sN},该信号使用调制方式候选集中的某一种调制类型 同时,本地传感器独立处理接收到的信号并采用相同的单节点自动调制分类方法得到其在第k个时隙做出的本地决策然后将发送给融合中心,由融合中心根据决策融合准则做出第k个时隙的全局决策
其中,所述决策融合准则为:
步骤1:在第k个识别时隙,当获取了所有本地传感器的本地决策之后,在融合中心上对其进行决策融合做出全局决策在决策融合过程中,首先用第j个本地传感器Sj在前k-1个时隙中本地决策与全局决策相同的概率作为本地传感器Sj在第k个识别时隙决策融合过程中的信用值即
其中,t代表k-1个时隙中本地传感器Sj的本地决策与全局决策相同的时隙个数;
步骤2:每个本地传感器的本地决策所占的权重根据其可靠性来分配,用信用值判断本地传感器Sj的可靠性,越高说明本地传感器Sj的本地决策正确的可能性越高,即可靠性越高,越低则说明本地传感器Sj的本地决策可靠性越低;将信用值作为本地传感器Sj在第k个决策融合过程中所持有的投票权重,同时定义本地传感器Sj对于调制类型的投票机制如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499377.6A CN113364715B (zh) | 2021-04-30 | 2021-04-30 | 一种基于信用值投票机制的协作式自动调制分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499377.6A CN113364715B (zh) | 2021-04-30 | 2021-04-30 | 一种基于信用值投票机制的协作式自动调制分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113364715A true CN113364715A (zh) | 2021-09-07 |
CN113364715B CN113364715B (zh) | 2022-07-26 |
Family
ID=77526009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110499377.6A Expired - Fee Related CN113364715B (zh) | 2021-04-30 | 2021-04-30 | 一种基于信用值投票机制的协作式自动调制分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364715B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8085882B1 (en) * | 2008-04-15 | 2011-12-27 | The United States Of America As Respresented By The Secretary Of The Army | Multi-sensor signal fusion for modulation classification of weak signals |
CN102647391A (zh) * | 2012-03-30 | 2012-08-22 | 南京邮电大学 | 一种基于决策层数据融合的协作调制信号识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
US20140307767A1 (en) * | 2013-04-16 | 2014-10-16 | Uurmi Systems Private Limited | Methods and Systems for Modulation Classification |
US8917802B1 (en) * | 2013-02-20 | 2014-12-23 | The United States Of America, As Represented By The Secretary Of The Army | Modulation scheme determination through use of multiple sensors |
US20150256234A1 (en) * | 2014-03-10 | 2015-09-10 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Cooperative modulation of classification in cognitive radio networks |
US9438454B1 (en) * | 2013-03-03 | 2016-09-06 | The Government Of The United States, As Represented By The Secretary Of The Army | Alignment of multiple editions of a signal collected from multiple sensors |
US9729362B1 (en) * | 2013-03-20 | 2017-08-08 | Georgia Tech Research Corporation | Systems and methods for autonomous signal modulation format identification |
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 |
US9768874B1 (en) * | 2013-03-20 | 2017-09-19 | Georgia Tech Research Corporation | System and methods for autonomous signal modulation format identification |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
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 |
-
2021
- 2021-04-30 CN CN202110499377.6A patent/CN113364715B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8085882B1 (en) * | 2008-04-15 | 2011-12-27 | The United States Of America As Respresented By The Secretary Of The Army | Multi-sensor signal fusion for modulation classification of weak signals |
CN102647391A (zh) * | 2012-03-30 | 2012-08-22 | 南京邮电大学 | 一种基于决策层数据融合的协作调制信号识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
US8917802B1 (en) * | 2013-02-20 | 2014-12-23 | The United States Of America, As Represented By The Secretary Of The Army | Modulation scheme determination through use of multiple sensors |
US9438454B1 (en) * | 2013-03-03 | 2016-09-06 | The Government Of The United States, As Represented By The Secretary Of The Army | Alignment of multiple editions of a signal collected from multiple sensors |
US9729362B1 (en) * | 2013-03-20 | 2017-08-08 | Georgia Tech Research Corporation | Systems and methods for autonomous signal modulation format identification |
US9768874B1 (en) * | 2013-03-20 | 2017-09-19 | Georgia Tech Research Corporation | System and methods for autonomous signal modulation format identification |
US20140307767A1 (en) * | 2013-04-16 | 2014-10-16 | Uurmi Systems Private Limited | Methods and Systems for Modulation Classification |
US20150256234A1 (en) * | 2014-03-10 | 2015-09-10 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Cooperative modulation of classification in cognitive radio networks |
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 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
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 |
Non-Patent Citations (7)
Title |
---|
ATIK MAHABUB ET AL.: "A voting approach of modulation classification for wireless network", 《PROCEEDINGS OF THE 6TH INTERNATIONAL CONFERENCE ON NETWORKING,SYSTEMS AND SECURITY》, 31 December 2019 (2019-12-31) * |
HERNAWAN KURNIANSYAH: "automatic modulation detection using non-linear transformation data extraction and neural network classification", 《2018 INTERNATIONAL CONFERENCE ON CONTROL,ELECTRONICS,RENEWABLE ENERGY AND COMMUNICATIONS(ICCEREC)》, 13 May 2019 (2019-05-13) * |
SIYANG ZHOU ET AL.: "a robust modulation classification method using convolutional neural networks", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》, 29 March 2019 (2019-03-29) * |
冯莉等: "卫星电视监测中调制方式的自动识别技术研究", 《广播与电视技术》, 4 November 2013 (2013-11-04) * |
张斌等: "基于深度学习的自动调制分类", 《电子测量技术》, 8 December 2018 (2018-12-08) * |
阎啸: "宽带多制式无线通信信号解调测试算法研究", 《万方》, 22 December 2010 (2010-12-22) * |
鲍丹: "非理性条件下的调制分类问题", 《万方》, 29 October 2007 (2007-10-29) * |
Also Published As
Publication number | Publication date |
---|---|
CN113364715B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6333953B1 (en) | System and methods for selecting an appropriate detection technique in a radiocommunication system | |
CN110233653B (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
CN109495412B (zh) | 基于mpsk载波的反向散射通信系统接收机设计方法 | |
KR20070081786A (ko) | 통신시스템에서 다중입출력을 위한 신호 수신 방법 및 장치 | |
KR101967684B1 (ko) | 변조 방식 분류기를 포함하는 통신 시스템 및 그 동작을 위한 방법 | |
Marey et al. | Cognitive radios equipped with modulation and STBC recognition over coded transmissions | |
Xu et al. | Likelihood function-based modulation classification in bandwidth-constrained sensor networks | |
CN113364715B (zh) | 一种基于信用值投票机制的协作式自动调制分类方法 | |
Xu et al. | Asynchronous and high-accuracy digital modulated signal detection by sensor networks | |
Wu et al. | Performance analysis and computational complexity comparison of sequence detection receivers with no explicit channel estimation | |
CN111031609B (zh) | 一种信道的选择方法及装置 | |
CN101668330B (zh) | 信号接收装置、信号接收方法及全球移动通信系统电话 | |
CN113709072B (zh) | 基于无人机动态无线传感器网络的协作式自动调制分类方法 | |
Dulek | An online and distributed approach for modulation classification using wireless sensor networks | |
CN114513395A (zh) | 基于双联合概率的m-qam调制方式识别方法及存储介质 | |
Perez et al. | Adaptive EM-based algorithm for cooperative spectrum sensing in mobile environments | |
CN110460364B (zh) | 基于聚类算法的mimo系统的盲多径识别方法及系统 | |
Kumar et al. | A machine learning approach to modulation detection in wireless communications | |
KR101006394B1 (ko) | 관찰 파라미터를 이용한 무선채널 상태 추정/예측 및 에러복구 개선 방법과, 이를 위한 비트에러율/파라미터 추정모델 유도 방법 | |
Yan et al. | Novel cooperative automatic modulation classification by credit-based consensus fusion | |
Beaulieu et al. | Maximum likelihood estimation of local average SNR in Rician fading channels | |
Hesham et al. | Cooperative sensing with sequential ordered transmissions to secondary fusion center | |
Kundu et al. | Majority logic fusion of censored decisions in wireless sensor networks with Rayleigh fading | |
Perez et al. | Adaptive clustering algorithm for cooperative spectrum sensing in mobile environments | |
CN114268394B (zh) | 基于数据判断的分布式网络无线频谱智能感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220726 |
|
CF01 | Termination of patent right due to non-payment of annual fee |