CN113780106B - 一种基于无线电波形数据输入的深度学习信号检测方法 - Google Patents
一种基于无线电波形数据输入的深度学习信号检测方法 Download PDFInfo
- Publication number
- CN113780106B CN113780106B CN202110973158.7A CN202110973158A CN113780106B CN 113780106 B CN113780106 B CN 113780106B CN 202110973158 A CN202110973158 A CN 202110973158A CN 113780106 B CN113780106 B CN 113780106B
- Authority
- CN
- China
- Prior art keywords
- waveform
- training
- deep learning
- predicted
- file
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000005429 filling process Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于无线电波形数据输入的深度学习信号检测方法,包括:步骤S10,对用于训练的无线电信号波形文件进行波形数据处理,得到多个训练波形文件以及表示了信号的强弱信息的样本标签,将多个训练波形文件和样本标签作为定制化数据集;步骤S20,将定制化数据集输入深度学习一维卷积神经网络模型进行训练,待损失值收敛后停止训练,得到训练好的深度学习一维卷积神经网络模型;步骤S30,对待预测的无线电信号波形文件进行波形数据处理,将得到的多个待预测波形文件作为待预测数据集;步骤S40,将待预测数据集输入训练好的深度学习一维卷积神经网络模型进行预测。本发明中即使信号语图中信号和噪声相似,依然能够有较好的检测结果。
Description
技术领域
本发明涉及无线电信号检测技术领域,具体而言,涉及一种基于无线电波形数据输入的深度学习信号检测方法。
背景技术
无线电信号检测被广泛应用于军事、外交、交通等领域。人们对不同信号最直接的区分是通过信号在语图中的特征,而传统的无线电信号检测方法和通用的基于深度学习无线电检测方法都是对信号的语图进行特征提取或处理。虽然大部分情况下,通过语图能够对信号进行较好的特征提取,但是在原始信号转化为语图过程中会导致相位信息和部分幅值信息丢失,当在语图中噪声或干扰和信号类似,就难以对信号、噪声与干扰进行区分,往往在这种情况下,其波形更容易区分信号、噪声和干扰。
发明内容
本发明旨在提供一种基于无线电波形数据输入的深度学习信号检测方法,以解决传统的无线电信号检测方法和通用的基于深度学习无线电检测方法在语图中噪声或干扰和信号类似时难以对信号、噪声与干扰进行区分的问题。
本发明提供的一种基于无线电波形数据输入的深度学习信号检测方法,包括如下步骤:
步骤S10,对用于训练的无线电信号波形文件进行波形数据处理,得到多个训练波形文件以及表示了信号的强弱信息的样本标签,将这些训练波形文件和样本标签作为定制化数据集;
步骤S20,将定制化数据集输入深度学习一维卷积神经网络模型进行训练,待损失值收敛后停止训练,得到训练好的深度学习一维卷积神经网络模型;
步骤S30,对待预测的无线电信号波形文件进行波形数据处理,将得到的多个待预测波形文件作为待预测数据集;
步骤S40,将待预测数据集输入训练好的深度学习一维卷积神经网络模型进行预测得到特征向量,并将得到的特征向量进行特征处理后得到待预测的无线电信号的位置信息及强弱信息。
进一步的,步骤S10包括如下子步骤:
S11,对用于训练的无线电信号波形文件进行切分处理,得到切分后的多个训练波形文件;
S12,对训练波形文件进行短时傅立叶变换得到时频矩阵,再将时频矩阵映射到图片上生成信号语图;
S13,将信号语图中信号的强弱信息划分为若干个等级,并按照划分的等级对信号语图进行框选标注得到标记文件,并将标记文件进行特征映射得到样本标签;
S14,将训练波形文件和样本标签进行关联映射,制成定制化数据集。
进一步的,将训练波形文件或待预测波形文件输入深度学习一维卷积神经网络模型的处理过程为:
(1)对训练波形文件或预测波形文件进行归一化并输入到深度学习一维卷积神经网络模型;
(2)使用64个卷积核将训练波形文件或待预测波形文件压缩到一维特征向量中并进行池化,得到第一特征矩阵;
(3)对第一特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用256个卷积核进行特征提取,得到第二特征矩阵;
(4)对第二特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用512个卷积核进行特征提取,得到第三特征矩阵;
(5)对第三特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用1024个卷积核进行特征提取,得到第四特征矩阵;
(6)将第四特征矩阵进行平坦化并全连接到一组特征向量上并进行非线性处理。
进一步的,所述深度学习一维卷积神经网络模型输出的特征向量的长度与信号语图的长度相等。
进一步的,每个所述训练波形文件的长度均相同。
进一步的,每个所述待预测波形文件的长度均相同。
进一步的,每个所述训练波形文件和待预测波形文件的长度均相同。
进一步的,若有切分后的训练波形文件和/或待预测波形文件的长度不足则进行补0处理。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、传统的无线电信号检测方法和通用的基于深度学习无线电检测方法在语图中噪声或干扰和信号类似时难以对信号、噪声与干扰进行区分。本发明基于深度学习一维卷积神经网络模型,仅使用波形文件训练模型而不使用信号语图,因此保证信号的相位信息和强弱信息不丢失,这种非图片的深度学习特征提取方式得到的结果更能反应信号的真实特性,尤其在信号和噪声在语图中相似的情况下,其检测效果显著。
2、本发明使用了切分填充的方式,保证了信号不会产生形变和歧义,同时设计的深度学习一维卷积神经网络模型的输出特征向量长度和信号语图长度相同,使用了图像分割的思想,这样保证了信号检测时精度为像素级。并且样本标签表示了信号的强弱信息,因此本发明能够同时检测信号的位置及强弱信息。
3、在原始无线电信号转换为语图时会有大量的数值计算,这个过程在整个信号检测中耗时占有很大的比重。本发明仅使用波形文件训练模型而不使用信号语图,因此训练过程和预测过程不用进行语图转换,信号检测耗时会大大减小。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例的基于无线电波形数据输入的深度学习信号检测方法的总体流程图。
图2为本发明实施例的制作定制化数据集的流程图。
图3为本发明实施例的深度学习一维卷积神经网络模型的结构图。
图4为本发明实施例的使用深度学习一维卷积神经网络模型进行预测的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例
如图1所示,本实施例提出一种基于无线电波形数据输入的深度学习信号检测方法,包括如下步骤:
步骤S10,对用于训练的无线电信号波形文件进行波形数据处理,得到多个训练波形文件以及表示了信号的强弱信息的样本标签,将这些训练波形文件和样本标签作为定制化数据集;
如图2所示,步骤S10包括如下子步骤:
S11,对用于训练的无线电信号波形文件进行切分处理,得到切分后的多个训练波形文件;因参与训练的无线电信号波形文件的采样率为8000,切分后的每个所述训练波形文件的长度相同均为32000,若有切分后的训练波形文件的长度不足32000则进行补0处理直至长度为32000;
S12,对训练波形文件进行短时傅立叶变换得到时频矩阵,再将时频矩阵映射到图片上生成长度为247的信号语图;
S13,将信号语图中信号的强弱信息划分为5个等级,并按照划分的等级对信号语图进行框选标注得到标记文件,并将标记文件进行特征映射得到样本标签,由此得到的样本标签表示了信号的强弱信息;
S14,将训练波形文件和样本标签进行关联映射,制成定制化数据集。
步骤S20,将定制化数据集输入深度学习一维卷积神经网络模型进行训练,待损失值收敛后停止训练,得到训练好的深度学习一维卷积神经网络模型;
如图3所示,将训练波形文件输入深度学习一维卷积神经网络模型的处理过程为:
(1)对1×32000×1的训练波形文件进行归一化并输入到深度学习一维卷积神经网络模型;
(2)使用64个卷积核将归一化的训练波形文件压缩到一维特征向量中并进行池化,得到第一特征矩阵;
(3)对第一特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用256个卷积核进行特征提取,得到第二特征矩阵;
(4)对第二特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用512个卷积核进行特征提取,得到第三特征矩阵;
(5)对第三特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用1024个卷积核进行特征提取,得到第四特征矩阵;
(6)将第四特征矩阵进行平坦化并全连接到一组长度为247的特征向量上并进行非线性处理。
由于定制化数据集中具有表示了信号的强弱信息的样本标签,因此利用定制化数据集训练深度学习一维卷积神经网络模型,,训练使用的损失函数可以采用MAE损失函数,待损失值收敛(损失值小于预设阈值即为收敛,预设阈值一般可取0.02)后停止训练,得到训练好的深度学习一维卷积神经网络模型可以对无线电信号的强弱信息进行预测;同时由于样本标签是基于信号语图生成的,而可以根据信号在信号语图中的位置来确定位置信息。因此本发明能够同时检测无线电信号的位置信息及强弱信息。
步骤S30,对待预测的无线电信号波形文件进行波形数据处理,将得到的多个待预测波形文件作为待预测数据集;
如图4所示,与步骤S11一样,步骤S30包括:对待预测的无线电信号波形文件进行切分处理,将切分后得到的多个待预测波形文件作为待预测数据集;同样地,待预测的无线电信号波形文件的采样率也为8000,切分后的每个所述待预测波形文件的长度相同均为32000,若有切分后的待预测波形文件的长度不足32000则进行补0处理直至长度为32000。
步骤S40,将待预测数据集输入训练好的深度学习双输入网络模型进行预测得到特征向量,并将得到的特征向量进行特征处理后得到待预测的无线电信号的位置信息及强弱信息。
如图3所示,将待预测波形文件输入深度学习一维卷积神经网络模型的处理过程为:
(1)对1×32000×1的待预测波形文件进行归一化并输入到深度学习一维卷积神经网络模型;
(2)使用64个卷积核将归一化后的待预测波形文件压缩到一维特征向量中并进行池化,得到第一特征矩阵;
(3)对第一特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用256个卷积核进行特征提取,得到第二特征矩阵;
(4)对第二特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用512个卷积核进行特征提取,得到第三特征矩阵;
(5)对第三特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用1024个卷积核进行特征提取,得到第四特征矩阵;
(6)将第四特征矩阵进行平坦化并全连接到一组长度为247的特征向量上并进行非线性处理。
对于各个待预测波形文件经过训练好的深度学习一维卷积神经网络模型输出的长度为247的特征向量,按照切分顺序进行排序并连接即可得到整个待预测的无线电信号波形文件的特征向量,对这个特征向量进行聚类和连续性算法处理,后即可得到待预测的无线电信号的位置信息及强弱信息。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种基于无线电波形数据输入的深度学习信号检测方法,其特征在于,包括如下步骤:
步骤S10,对用于训练的无线电信号波形文件进行波形数据处理,得到多个训练波形文件以及表示了信号的强弱信息的样本标签,将这些训练波形文件和样本标签作为定制化数据集;
步骤S20,将定制化数据集输入深度学习一维卷积神经网络模型进行训练,待损失值收敛后停止训练,得到训练好的深度学习一维卷积神经网络模型;
步骤S30,对待预测的无线电信号波形文件进行波形数据处理,将得到的多个待预测波形文件作为待预测数据集;
步骤S40,将待预测数据集输入训练好的深度学习一维卷积神经网络模型进行预测得到特征向量,并将得到的特征向量进行特征处理后得到待预测的无线电信号的位置信息及强弱信息;
步骤S10包括如下子步骤:
S11,对用于训练的无线电信号波形文件进行切分处理,得到切分后的多个训练波形文件;
S12,对训练波形文件进行短时傅立叶变换得到时频矩阵,再将时频矩阵映射到图片上生成信号语图;
S13,将信号语图中信号的强弱信息划分为若干个等级,并按照划分的等级对信号语图进行框选标注得到标记文件,并将标记文件进行特征映射得到样本标签;
S14,将训练波形文件和样本标签进行关联映射,制成定制化数据集;
所述深度学习一维卷积神经网络模型输出的特征向量的长度与信号语图的长度相等。
2.根据权利要求1所述的基于无线电波形数据输入的深度学习信号检测方法,其特征在于,将训练波形文件或待预测波形文件输入深度学习一维卷积神经网络模型的处理过程为:
(1)对训练波形文件或待预测波形文件进行归一化并输入到深度学习一维卷积神经网络模型;
(2)使用64个卷积核将训练波形文件或待预测波形文件压缩到一维特征向量中并进行池化,得到第一特征矩阵;
(3)对第一特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用256个卷积核进行特征提取,得到第二特征矩阵;
(4)对第二特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用512个卷积核进行特征提取,得到第三特征矩阵;
(5)对第三特征矩阵使用四种尺度的卷积核进行特征提取并标准化,再对标准化结果进行叠加并池化,然后对池化结果使用1024个卷积核进行特征提取,得到第四特征矩阵;
(6)将第四特征矩阵进行平坦化并全连接到一组特征向量上并进行非线性处理。
3.根据权利要求1所述的基于无线电波形数据输入的深度学习信号检测方法,其特征在于,每个所述训练波形文件的长度均相同。
4.根据权利要求3所述的基于无线电波形数据输入的深度学习信号检测方法,其特征在于,每个所述待预测波形文件的长度均相同。
5.根据权利要求4所述的基于无线电波形数据输入的深度学习信号检测方法,其特征在于,每个所述训练波形文件和待预测波形文件的长度均相同。
6.根据权利要求5所述的基于无线电波形数据输入的深度学习信号检测方法,其特征在于,若有切分后的训练波形文件和/或待预测波形文件的长度不足则进行补0处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973158.7A CN113780106B (zh) | 2021-08-24 | 2021-08-24 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973158.7A CN113780106B (zh) | 2021-08-24 | 2021-08-24 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780106A CN113780106A (zh) | 2021-12-10 |
CN113780106B true CN113780106B (zh) | 2024-02-27 |
Family
ID=78838865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973158.7A Active CN113780106B (zh) | 2021-08-24 | 2021-08-24 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780106B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169407B (zh) * | 2022-07-18 | 2023-04-18 | 中国科学院国家空间科学中心 | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 |
CN115277325B (zh) * | 2022-07-29 | 2024-01-30 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的psk信号调制识别方法 |
CN115314348B (zh) * | 2022-08-03 | 2023-10-24 | 电信科学技术第五研究所有限公司 | 一种基于卷积神经网络的qam信号调制识别方法 |
CN117294322B (zh) * | 2023-11-24 | 2024-02-09 | 北京雷格讯电子股份有限公司 | 一种微波传输系统及传输方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109448707A (zh) * | 2018-12-18 | 2019-03-08 | 北京嘉楠捷思信息技术有限公司 | 一种语音识别方法及装置、设备、介质 |
CN110537922A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 基于深度学习的人体行走过程下肢运动识别方法及系统 |
CN111227823A (zh) * | 2020-01-13 | 2020-06-05 | 北京邮电大学 | 具有时域特性的一维特征信号处理方法、装置以及系统 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN112069883A (zh) * | 2020-07-28 | 2020-12-11 | 浙江工业大学 | 一种融合一维二维卷积神经网络的深度学习信号分类方法 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10165106B2 (en) * | 2015-07-15 | 2018-12-25 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Apparatus for mobile application and frequency spectrum generator |
WO2019032428A1 (en) * | 2017-08-09 | 2019-02-14 | SWFL, Inc., d/b/a "Filament" | SYSTEMS AND METHODS FOR PHYSICAL DETECTION USING RADIO FREQUENCY NOISE FLOOR SIGNALS AND DEEP LEARNING TECHNIQUES |
-
2021
- 2021-08-24 CN CN202110973158.7A patent/CN113780106B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109448707A (zh) * | 2018-12-18 | 2019-03-08 | 北京嘉楠捷思信息技术有限公司 | 一种语音识别方法及装置、设备、介质 |
CN110537922A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 基于深度学习的人体行走过程下肢运动识别方法及系统 |
CN111227823A (zh) * | 2020-01-13 | 2020-06-05 | 北京邮电大学 | 具有时域特性的一维特征信号处理方法、装置以及系统 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN112069883A (zh) * | 2020-07-28 | 2020-12-11 | 浙江工业大学 | 一种融合一维二维卷积神经网络的深度学习信号分类方法 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
One-Dimensional Deep Attention Convolution Network (ODACN) for Signals Classification;Shuyuan Yang 等;《IEEE Access》;2804-2812 * |
Spectrum Analysis and Convolutional Neural Network for Automatic Modulation Recognition;Yuan Zeng 等;《IEEE Wireless Communications Letters》;929-932 * |
基于多尺度时序特征的信号调制样式识别算法;崔凯 等;《信号处理》;第37卷(第8期);1-17 * |
基于时频图像的雷达信号调制识别研究;张晓丽;《中国优秀硕士学位论文全文数据库 信息科技辑》(第05期);I136-1357 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780106A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780106B (zh) | 一种基于无线电波形数据输入的深度学习信号检测方法 | |
CN107291822B (zh) | 基于深度学习的问题分类模型训练方法、分类方法及装置 | |
CN110807314A (zh) | 文本情感分析模型训练方法、装置、设备及可读存储介质 | |
CN111723666B (zh) | 一种基于半监督学习的信号识别方法和装置 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN107392221B (zh) | 分类模型的训练方法、分类ocr识别结果的方法及装置 | |
CN111444986A (zh) | 建筑图纸构件分类方法、装置、电子设备及存储介质 | |
CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
CN115240699A (zh) | 一种基于深度学习的噪声估计和语音降噪方法及系统 | |
CN111898754A (zh) | 一种神经网络模型的训练方法、装置、存储介质及设备 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN113177584B (zh) | 基于零样本学习的复合故障诊断方法 | |
Saddami et al. | Improvement of binarization performance using local otsu thresholding. | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN113780107B (zh) | 一种基于深度学习双输入网络模型的无线电信号检测方法 | |
CN113963228B (zh) | 一种基于深度学习特征连接分析的语音事件提取方法 | |
CN114358096B (zh) | 一种基于逐级门限判决的深度学习摩尔斯码识别方法及装置 | |
CN115937536A (zh) | 基于光刻sem图像的轮廓提取方法、装置、设备及存储介质 | |
CN115393589A (zh) | 一种通用dcs工艺流程图识别转换方法、系统以及介质 | |
CN111753842B (zh) | 票据文本区域检测方法及装置 | |
CN111898531A (zh) | 卫星通信信号识别方法、装置及电子设备 |
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 |