CN113542180A - 一种无线电信号的频域识别方法 - Google Patents
一种无线电信号的频域识别方法 Download PDFInfo
- Publication number
- CN113542180A CN113542180A CN202110738037.4A CN202110738037A CN113542180A CN 113542180 A CN113542180 A CN 113542180A CN 202110738037 A CN202110738037 A CN 202110738037A CN 113542180 A CN113542180 A CN 113542180A
- Authority
- CN
- China
- Prior art keywords
- radio
- network
- signals
- radio signal
- signal
- 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 57
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 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
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2668—Details of algorithms
- H04L27/2669—Details of algorithms characterised by the domain of operation
- H04L27/2672—Frequency domain
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无线电信号的频域识别方法,所述频域识别方法包括以下步骤;第一步,采集已知无线电信号频谱数据;第二步,对已知无线电信号的频谱特征进行学习,构建基于无线电频谱形状的特征模板库,不同的无线电信号有其独有的无线电频谱形状特征模板;第三步,接收未知无线电信号的频谱数据,使之与第二步构建的无线电信号频谱形状特征模板库进行对比,找到与之匹配的无线电信号频谱形状特征模板;第四步,将匹配结果输出。本发明通过对无线电信号频谱形状特征进行学习,形成独有的无线电频谱形状特征模板,可以快速识别未知无线电信号,且根据需要扩充无线电频谱形状特征模板库,增强对已知信号数量的覆盖能力。
Description
技术领域
本发明涉及无线电通信技术领域,更具体地说,本发明涉及一种无线电信号的频域识别方法。
背景技术
目前,现有的无线电信号的识别方法主要包括时域和频域两类方法,时域类识别方法接收无线电信号时域数据,对其使用无线电信号的时域解调/解码算法,获得其通信传输的信息,以此识别无线电信号;
频域类识别方法接收无线电信号频谱数据,对其使用相关算法加以识别,仅需要采集无线电信号的频谱数据,且对数据的完整性不敏感,可以依据网络传输带宽或存储空间的大小丢弃部分频谱数据,降低数据的采集量而不影响识别结果。
现有技术存在以下不足:无线电信号的时域类识别方法虽然准确率高,但需要采集无线电信号的时域数据量太大,且不能丢失,对未知信号的解调/解码需要先识别其通信模式和通信协议,才可以对其解调/解码,难度很大,无线电信号的频域类识别方法准确率低。
发明内容
本发明提供一种无线电信号的频域识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种无线电信号的频域识别方法,所述频域识别方法包括以下步骤;
第一步,采集已知无线电信号频谱数据;
第二步,对已知无线电信号的频谱特征进行学习,构建基于无线电频谱形状的特征模板库,不同的无线电信号有其独有的无线电频谱形状特征模板;
第三步,接收未知无线电信号的频谱数据,使之与第二步构建的无线电信号频谱形状特征模板库进行对比,找到与之匹配的无线电信号频谱形状特征模板;
第四步,将匹配结果输出。
优选的,所述第一步中,采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号,将经过编码与调制的模拟信号进行魏格纳-威利时频变换,构造魏格纳-威利分布图作为网络输入,魏格纳-威利分布图丰富表征信号时域,针对魏格纳-威利分布图中存在多尺度结构,设计具有多尺度核与多通道的卷积子网络,分别提取魏格纳-威利分布图中细粒度的多尺度、多层次化特征,将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征,包含在调制方式为EMC数据集上,解决传统方法依赖先验知识提取特征的问题,现代通信环境是一个雷达与通信信号高度交叠的电磁环境,通信环境中各类噪声信号、多源通信信号,干扰信号以及各种突发信号相互交叠,加之各类通信、广播、数据中继卫星处于开放的空间,会面临各种有意或无意干扰的影响,复杂的信号类型使得人工设计普适的特征非常困难,传统信号处理方法主要是在信号内外部特征处理上做工作,依照先验知识设定需要提取的信号特征,在信号处理过程中通过特征提取和比对实现信号类型、调制方式以及编码方式的识别,而深度学习本质就是是一种数据特征学习方法,利用神经网络的优越拟合性能减少人工特征工程的干预,以及通过构建深层结构化神经网络去学习数据的层次化特征,逐层拟合数据源空间分布,从而解决传统方法对于先验知识的强依赖问题。
优选的,所述第一步中,采集的已知无线电信号还包括基于序列-序列的编解码循环神经网络调制的无线电信号,由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大,结合无线电信号的时序,使用原始信号的IQ双通道数据作为输入,减少预处理过程,设计编码网络将信号进行特征映射到隐层特征向量,再设计解码网络将隐层特征向量解码进行统一表征,进而使用分类网络进行分类,在编码网络中,设计了栈式池化网络以准确提取信号序列中空间域的统计特征,门控循环单元网络以提取信号双向时序特征﹐并减少参数量,在解码和分类网络中,使用重复向量层以及时序全连接层,将编码网络提取的隐层特征向量进行时序展开,进行无线电信号调制模式的分类,解决传统方法对海量信号数据鲁棒性差的问题,无线电信号的快变性使得设计鲁棒的特征非常困难,无线电信号非平稳的信号特性,传统的信号识别方法,如频谱分析法等,需要更大的算法复杂度以及更多的特征工程去适应不同识别任务的需求,代价高昂,为了处理时变信号,常采用一些时频特征的分析工具,如短时傅里叶变换,小波变换等等,一些小波包特征、FRFT域特征和小波脊频特征等也被证明能够取得较好的识别效果,然而,现实世界的频谱环境的动态变化,实际接收到的无线电信号是受到余量载波的动态随机游走、余量载波的时钟振荡器的动态随机游走,随时间变化的旋转非恒定幅度的信道脉冲响应等各个方面的影响,导致接收到的无线电信号不仅非平稳而且特性变化快速,使得提取出具有判别性的特征较为困难,传统信号处理分析方法处理模型结构简单,主要针对小样本信号数据进行处理,对海量数据明显适应能力不足,深度网络的大量参数能对海量数据进行有效建模。
优选的,所述第一步中,采集的已知无线电信号还包括基于端到端的轻量级一维深度卷积网络编码调制的无线电信号,由于深度学习模型参数量大、在实际应用中部署困难且训练耗费硬件资源大,使用原始一维信号作为网络输入以减少参数量,构建轻量级深度卷积神经网络,设计多尺度卷积核和金字塔型的网络结构以提取深度层级特征,使用一维卷积操作提取信号本质特征使得模型更为轻量化,基于所设计的多尺度卷积核与金字塔式网络结构的无线电信号可以提取信号调制与编码的层次,解决传统方法流程僵化,不便于实际应用部署的问题,传统方法中信号处理分析流程通常是固定的,从原始信号接收采集开始,完成原始信号的下变频、信号检测、参数提取、调制识别、编码识别、解调解码解译,每一类信号的处理流程大致类似,僵化的处理流程导致传统方法难以适应未来复杂多变的信号类型和愈加复杂的电磁环境,深度学习技术可突破处理流程限制,从业务驱动转变为数据驱动,根据输入数据特征,采用端到端的方式自适应优化处理模型﹐从而实现对多种类信号的自动化、智能化处理,便于实际应用中的部署。
优选的,所述第二步中,无线电频谱形状特征模板为主产品身份标识、附属产品身份标识、附属产品组身份标识、主产品操作动作,创建无线电频谱形状特征模板前,需要学习无线电信号的频谱形状,卷积神经网络是一种用来处理类似网格结构数据的神经网络,CNN使用了卷积这一种线性运算以替代一般的矩阵乘法运算,它利用比输入图像小得多的卷积核来降低存储成本并提高计算效率,并且对一组神经连接使用相同的参数来减少参数的数量,此外,CNN具有稀疏交互,权值共享和等价表示等特性,有利于CNN进行高效的特征提取,卷积网络的基本架构由图中输入层、卷积层、池化层、全连接层和输出层组成。
优选的,所述第三步中,在对未知无线电信号进行识别之前,先要提取未知无线电信号的频谱形状,再与创建好的无线电频谱形状特征模板进行对比匹配,立足上一章工作的基础,为基于序列-序列编解码循环神经网络应用于无线电信号调制识别,采用编码-解码网络结构,在解码网络部分设计了池化网络层以提取信号表征的局部空间统计特征并进行降维,使用双向门控循环单元网络与池化网络层将提取到的特征映射到隐层的特征向量,编码网络中,使用栈式门控循环单元网络将特征向量解码并输入至时序全连接层,将学习到的信号序列特征向量进行时序空间映射,解码出能表征不同调制信号类间差的特征向量,最后使用分类器输出。
本发明的技术效果和优点:
本发明通过对无线电信号频谱形状特征进行学习,形成独有的无线电频谱形状特征模板,可以快速识别未知无线电信号,且根据需要扩充无线电频谱形状特征模板库,增强对已知信号数量的覆盖能力。
附图说明
图1为本发明无线电信号的频域识别方法的原理图;
图2位本发明无线电信号的频域识别方法的流程示意图。
具体实施方式
对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种无线电信号的频域识别方法,所述频域识别方法包括以下步骤;
第一步,采集已知无线电信号频谱数据;
第二步,对已知无线电信号的频谱特征进行学习,构建基于无线电频谱形状的特征模板库,不同的无线电信号有其独有的无线电频谱形状特征模板;
第三步,接收未知无线电信号的频谱数据,使之与第二步构建的无线电信号频谱形状特征模板库进行对比,找到与之匹配的无线电信号频谱形状特征模板;
第四步,将匹配结果输出。
进一步的,在上述技术方案中,所述第一步中,采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号,将经过编码与调制的模拟信号进行魏格纳-威利时频变换,构造魏格纳-威利分布图作为网络输入,魏格纳-威利分布图丰富表征信号时域,针对魏格纳-威利分布图中存在多尺度结构,设计具有多尺度核与多通道的卷积子网络,分别提取魏格纳-威利分布图中细粒度的多尺度、多层次化特征,将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征,包含在调制方式为EMC数据集上,解决传统方法依赖先验知识提取特征的问题,现代通信环境是一个雷达与通信信号高度交叠的电磁环境,通信环境中各类噪声信号、多源通信信号,干扰信号以及各种突发信号相互交叠,加之各类通信、广播、数据中继卫星处于开放的空间,会面临各种有意或无意干扰的影响,复杂的信号类型使得人工设计普适的特征非常困难,传统信号处理方法主要是在信号内外部特征处理上做工作,依照先验知识设定需要提取的信号特征,在信号处理过程中通过特征提取和比对实现信号类型、调制方式以及编码方式的识别,而深度学习本质就是是一种数据特征学习方法,利用神经网络的优越拟合性能减少人工特征工程的干预,以及通过构建深层结构化神经网络去学习数据的层次化特征,逐层拟合数据源空间分布,从而解决传统方法对于先验知识的强依赖问题。
进一步的,在上述技术方案中,所述第一步中,采集的已知无线电信号还包括基于序列-序列的编解码循环神经网络调制的无线电信号,由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大,结合无线电信号的时序,使用原始信号的IQ双通道数据作为输入,减少预处理过程,设计编码网络将信号进行特征映射到隐层特征向量,再设计解码网络将隐层特征向量解码进行统一表征,进而使用分类网络进行分类,在编码网络中,设计了栈式池化网络以准确提取信号序列中空间域的统计特征,门控循环单元网络以提取信号双向时序特征﹐并减少参数量,在解码和分类网络中,使用重复向量层以及时序全连接层,将编码网络提取的隐层特征向量进行时序展开,进行无线电信号调制模式的分类,解决传统方法对海量信号数据鲁棒性差的问题,无线电信号的快变性使得设计鲁棒的特征非常困难,无线电信号非平稳的信号特性,传统的信号识别方法,如频谱分析法等,需要更大的算法复杂度以及更多的特征工程去适应不同识别任务的需求,代价高昂,为了处理时变信号,常采用一些时频特征的分析工具,如短时傅里叶变换,小波变换等等,一些小波包特征、FRFT域特征和小波脊频特征等也被证明能够取得较好的识别效果,然而,现实世界的频谱环境的动态变化,实际接收到的无线电信号是受到余量载波的动态随机游走、余量载波的时钟振荡器的动态随机游走,随时间变化的旋转非恒定幅度的信道脉冲响应等各个方面的影响,导致接收到的无线电信号不仅非平稳而且特性变化快速,使得提取出具有判别性的特征较为困难,传统信号处理分析方法处理模型结构简单,主要针对小样本信号数据进行处理,对海量数据明显适应能力不足,深度网络的大量参数能对海量数据进行有效建模。
进一步的,在上述技术方案中,所述第一步中,采集的已知无线电信号还包括基于端到端的轻量级一维深度卷积网络编码调制的无线电信号,由于深度学习模型参数量大、在实际应用中部署困难且训练耗费硬件资源大,使用原始一维信号作为网络输入以减少参数量,构建轻量级深度卷积神经网络,设计多尺度卷积核和金字塔型的网络结构以提取深度层级特征,使用一维卷积操作提取信号本质特征使得模型更为轻量化,基于所设计的多尺度卷积核与金字塔式网络结构的无线电信号可以提取信号调制与编码的层次,解决传统方法流程僵化,不便于实际应用部署的问题,传统方法中信号处理分析流程通常是固定的,从原始信号接收采集开始,完成原始信号的下变频、信号检测、参数提取、调制识别、编码识别、解调解码解译,每一类信号的处理流程大致类似,僵化的处理流程导致传统方法难以适应未来复杂多变的信号类型和愈加复杂的电磁环境,深度学习技术可突破处理流程限制,从业务驱动转变为数据驱动,根据输入数据特征,采用端到端的方式自适应优化处理模型﹐从而实现对多种类信号的自动化、智能化处理,便于实际应用中的部署。
进一步的,在上述技术方案中,所述第二步中,无线电频谱形状特征模板为主产品身份标识、附属产品身份标识、附属产品组身份标识、主产品操作动作,创建无线电频谱形状特征模板前,需要学习无线电信号的频谱形状,卷积神经网络是一种用来处理类似网格结构数据的神经网络,CNN使用了卷积这一种线性运算以替代一般的矩阵乘法运算,它利用比输入图像小得多的卷积核来降低存储成本并提高计算效率,并且对一组神经连接使用相同的参数来减少参数的数量,此外,CNN具有稀疏交互,权值共享和等价表示等特性,有利于CNN进行高效的特征提取,卷积网络的基本架构由图中输入层、卷积层、池化层、全连接层和输出层组成。
进一步的,在上述技术方案中,所述第三步中,在对未知无线电信号进行识别之前,先要提取未知无线电信号的频谱形状,再与创建好的无线电频谱形状特征模板进行对比匹配,立足上一章工作的基础,为基于序列-序列编解码循环神经网络应用于无线电信号调制识别,采用编码-解码网络结构,在解码网络部分设计了池化网络层以提取信号表征的局部空间统计特征并进行降维,使用双向门控循环单元网络与池化网络层将提取到的特征映射到隐层的特征向量,编码网络中,使用栈式门控循环单元网络将特征向量解码并输入至时序全连接层,将学习到的信号序列特征向量进行时序空间映射,解码出能表征不同调制信号类间差的特征向量,最后使用分类器输出。
实施例
首先,采集已知无线电信号的频谱数据,学习已知无线电信号的频谱形状特征,构建其无线电信号频谱特征模板,加入模板库,在构建无线电信号频谱特征模板时,可以依据无线电信号不同电磁背景下的信噪比创建多个与之对应的无线电信号频谱特征模板,这样可以保证复杂电磁环境下该无线电信号的发现能力,完成构建无线电信号频谱特征模板后,就可以按照下列步骤搜索未知无线电信号:
1、接收未知无线电信号的频谱数据,提取未知无线电信号的频谱形状特征;
2、遍历无线电信号频谱特征模板库,逐一比对每个无线电信号频谱特征模板,找到最匹配的一个;
3、输出匹配结果。
最后应说明的几点是:首先,在本申请的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变,则相对位置关系可能发生改变;
其次:涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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。
Claims (6)
1.一种无线电信号的频域识别方法,其特征在于:所述频域识别方法包括以下步骤;
第一步,采集已知无线电信号频谱数据;
第二步,对已知无线电信号的频谱特征进行学习,构建基于无线电频谱形状的特征模板库,不同的无线电信号有其独有的无线电频谱形状特征模板;
第三步,接收未知无线电信号的频谱数据,使之与第二步构建的无线电信号频谱形状特征模板库进行对比,找到与之匹配的无线电信号频谱形状特征模板;
第四步,将匹配结果输出。
2.根据权利要求1所述的一种无线电信号的频域识别方法,其特征在于:所述第一步中,采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号,将经过编码与调制的模拟信号进行魏格纳-威利时频变换,构造魏格纳-威利分布图作为网络输入,魏格纳-威利分布图丰富表征信号时域,针对魏格纳-威利分布图中存在多尺度结构,设计具有多尺度核与多通道的卷积子网络,分别提取魏格纳-威利分布图中细粒度的多尺度、多层次化特征,将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征,包含在调制方式为EMC数据集上。
3.根据权利要求1所述的一种无线电信号的频域识别方法,其特征在于:所述第一步中,采集的已知无线电信号还包括基于序列-序列的编解码循环神经网络调制的无线电信号,由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大,结合无线电信号的时序,使用原始信号的IQ双通道数据作为输入,减少预处理过程,设计编码网络将信号进行特征映射到隐层特征向量,再设计解码网络将隐层特征向量解码进行统一表征,进而使用分类网络进行分类,在编码网络中,设计了栈式池化网络以准确提取信号序列中空间域的统计特征,门控循环单元网络以提取信号双向时序特征﹐并减少参数量,在解码和分类网络中,使用重复向量层以及时序全连接层,将编码网络提取的隐层特征向量进行时序展开,进行无线电信号调制模式的分类。
4.根据权利要求1所述的一种无线电信号的频域识别方法,其特征在于:所述第一步中,采集的已知无线电信号还包括基于端到端的轻量级一维深度卷积网络编码调制的无线电信号,由于深度学习模型参数量大、在实际应用中部署困难且训练耗费硬件资源大,使用原始一维信号作为网络输入以减少参数量,构建轻量级深度卷积神经网络,设计多尺度卷积核和金字塔型的网络结构以提取深度层级特征,使用一维卷积操作提取信号本质特征使得模型更为轻量化,基于所设计的多尺度卷积核与金字塔式网络结构的无线电信号可以提取信号调制与编码的层次。
5.根据权利要求1所述的一种无线电信号的频域识别方法,其特征在于:所述第二步中,无线电频谱形状特征模板为主产品身份标识、附属产品身份标识、附属产品组身份标识、主产品操作动作,创建无线电频谱形状特征模板前,需要学习无线电信号的频谱形状。
6.根据权利要求1所述的一种无线电信号的频域识别方法,其特征在于:所述第三步中,在对未知无线电信号进行识别之前,先要提取未知无线电信号的频谱形状,再与创建好的无线电频谱形状特征模板进行对比匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738037.4A CN113542180A (zh) | 2021-06-30 | 2021-06-30 | 一种无线电信号的频域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738037.4A CN113542180A (zh) | 2021-06-30 | 2021-06-30 | 一种无线电信号的频域识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113542180A true CN113542180A (zh) | 2021-10-22 |
Family
ID=78097388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738037.4A Pending CN113542180A (zh) | 2021-06-30 | 2021-06-30 | 一种无线电信号的频域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113542180A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114598403A (zh) * | 2022-03-31 | 2022-06-07 | 中国人民解放军陆军工程大学 | 一种数据链宽带噪声电磁信号干扰预测方法及系统 |
CN114760172A (zh) * | 2022-04-13 | 2022-07-15 | 北京博识广联科技有限公司 | 射频基带综合特征信号识别方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108282426A (zh) * | 2017-12-08 | 2018-07-13 | 西安电子科技大学 | 基于轻量级深度网络的无线电信号认知识别方法 |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN111667835A (zh) * | 2020-06-01 | 2020-09-15 | 马上消费金融股份有限公司 | 语音识别方法、活体检测方法、模型训练方法及装置 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
-
2021
- 2021-06-30 CN CN202110738037.4A patent/CN113542180A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108282426A (zh) * | 2017-12-08 | 2018-07-13 | 西安电子科技大学 | 基于轻量级深度网络的无线电信号认知识别方法 |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN111667835A (zh) * | 2020-06-01 | 2020-09-15 | 马上消费金融股份有限公司 | 语音识别方法、活体检测方法、模型训练方法及装置 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114598403A (zh) * | 2022-03-31 | 2022-06-07 | 中国人民解放军陆军工程大学 | 一种数据链宽带噪声电磁信号干扰预测方法及系统 |
CN114598403B (zh) * | 2022-03-31 | 2024-03-12 | 中国人民解放军陆军工程大学 | 一种数据链宽带噪声电磁信号干扰预测方法及系统 |
CN114760172A (zh) * | 2022-04-13 | 2022-07-15 | 北京博识广联科技有限公司 | 射频基带综合特征信号识别方法与装置 |
CN114760172B (zh) * | 2022-04-13 | 2024-04-19 | 北京博识广联科技有限公司 | 射频基带综合特征信号识别方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
Zhang et al. | Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN110147812A (zh) | 基于扩张残差网络的雷达辐射源识别方法及装置 | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
Xu et al. | A transformer based approach for open set specific emitter identification | |
Zeng et al. | An adaptive specific emitter identification system for dynamic noise domain | |
CN116226721A (zh) | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 | |
Chen et al. | End-to-end PSK signals demodulation using convolutional neural network | |
Zha et al. | Intelligent identification technology for high‐order digital modulation signals under low signal‐to‐noise ratio conditions | |
Yang et al. | Modulation recognition using wavelet transform based on AlexNet | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
Li et al. | Recovery of collided RFID tags with frequency drift on physical layer | |
CN109598216B (zh) | 一种基于卷积的射频指纹特征提取方法 | |
CN115412415A (zh) | 一种无线电信号的频域识别方法 | |
CN116805055A (zh) | 一种基于无监督动量对比学习的辐射源个体识别方法 | |
Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
Zhang et al. | Deep learning‐based digital signal modulation identification under different multipath channels | |
CN109995690A (zh) | Mfsk数字信号子类调制识别的神经网络自优化方法 | |
CN115935252A (zh) | 基于自监督对比学习的通信信号调制样式识别方法和装置 | |
Hou et al. | Implementation of a CNN identifing Modulation Signals on an Embedded SoC |
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: 20211022 |