CN113822162A - 一种基于伪星座图的卷积神经网络调制识别方法 - Google Patents
一种基于伪星座图的卷积神经网络调制识别方法 Download PDFInfo
- Publication number
- CN113822162A CN113822162A CN202110977786.2A CN202110977786A CN113822162A CN 113822162 A CN113822162 A CN 113822162A CN 202110977786 A CN202110977786 A CN 202110977786A CN 113822162 A CN113822162 A CN 113822162A
- Authority
- CN
- China
- Prior art keywords
- constellation
- neural network
- convolutional neural
- pseudo
- channel
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供一种基于伪星座图的卷积神经网络调制识别方法,将时域样本和灰度化星座图的像素值进行合成形成伪星座图,将伪星座图输入后续卷积神经网络,使用预设的卷积核对卷积神经网络进行优化形成卷积神经网络模型,使用卷积神经网络模型对待识别信号进行调制识别。本发明提供的技术方案在同样使用卷积神经网络模型的情况下,解决了传统星座图方法对MFSK信号识别能力弱的问题,从而提高了调制识别的整体准确率。本发明提供的技术方案在信噪比不低于10dB条件下,对多种PSK、FSK和QAM调制方式的平均识别准确率高于0.99,远远高于基于传统星座图的卷积神经网络的识别结果。在输入大小相同的条件下,本发明提供的技术方案具有更低的复杂度。
Description
技术领域
本发明涉及无线电信号技术领域,尤其涉及一种基于伪星座图的卷积神经网络调制识别方法。
背景技术
复杂电磁领域中的调制识别是认知无线电发展和广泛应用的基础。近年来,深度学习(deep learning,DL)在调制识别中的应用取得了很大的进展。然而,基于星座图的卷积神经网络(Convolutional Neural Networks,CNN)方法往往忽略了相邻样本间的时间相关信息。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种基于伪星座图的卷积神经网络调制识别方法,包括:
获取时域样本和星座图的信息;
将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图,所述时域样本承载时间相关性的信息,所述灰度化星座图的像素值承载星座点分布的信息;
使用采样值相位或者信号同相分量和正交分量表征时间相关性;
将所述伪星座图输入后续卷积神经网络;
使用预设的卷积核对所述卷积神经网络进行优化,以形成卷积神经网络模型;
使用所述卷积神经网络模型对待识别信号进行调制识别。
可选的,将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图的步骤包括:
将原始星座图转换成灰度图像,将所述灰度图像的像素矢量化为第一通道U的输入;
将待识别信号的相位按行依次填入第二通道V1;
将所述第一通道U和所述第二通道V1合并,获得PCCPH伪星座图。
可选的,将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图的步骤包括:
将待识别信号的实部按行依次填入第二通道V1,将所述待识别信号的虚部按行依次填入第三通道V2;
将所述第一通道U、所述第二通道V1和所述第三通道V2合并,获得PCCIQ伪星座图,所述PCCIQ伪星座图使用所述待识别信号的的实部和虚部传递时间相关性的信息。
可选的,所述使用预设的卷积核对所述卷积神经网络进行优化,以形成卷积神经网络模型的步骤包括:
使用预设的卷积核的EN-inception块替换卷积神经网络的inception块,以形成改进后的GoogLeNet模型。
本发明具有下述有益效果:
本发明提供一种基于伪星座图的卷积神经网络调制识别方法,包括:获取时域样本和星座图的信息,将时域样本和灰度化星座图的像素值进行合成,以形成伪星座图,所述时域样本承载时间相关性的信息,所述星座图承载星座点分布的信息,使用采样值相位或者信号同相分量和正交分量表征时间相关性,将伪星座图的像素值输入后续卷积神经网络,使用预设的卷积核对所述卷积神经网络进行优化,以形成卷积神经网络模型,使用所述卷积神经网络模型对待识别信号进行调制识别。本发明提供的技术方案在同样使用卷积神经网络模型的情况下,解决了传统星座图方法对MFSK信号识别能力弱的问题,从而提高了调制识别的整体准确率。本发明提供的技术方案在信噪比不低于10dB条件下,对多种PSK、FSK和QAM调制方式的平均识别准确率高于0.99,远远高于基于传统星座图的卷积神经网络的识别结果。在输入大小相同的条件下,本发明提供的技术方案具有更低的复杂度,在降低了复杂度的同时,保证了分类的准确度。
附图说明
图1为本发明实施例一提供的实现调制识别的总框图。
图2为本发明实施例一提供的基于相位的PCCPH伪星座图。
图3为本发明实施例一提供的基于IQ的PCCIQ伪星座图。
图4为本发明实施例一提供的改进EN-inception块结构示意图。
图5为本发明实施例一提供的不同调制识别方法在测试集上的识别准确率示意图。
图6为本发明实施例一提供的PCCIQ在不同信噪比下对于八种调制方式的识别准确率示意图。
图7为本发明实施例一提供的PCCIQ和PCC-EN在各信噪比下的识别准确率示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于伪星座图的卷积神经网络调制识别方法进行详细描述。
实施例一
本实施例将接收到的时域样本与星座图进行合成提出了一种伪星座图,其中前者承载时间相关性的信息,后者承载星座点分布的信息,并提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的方法。对于时间相关性,使用采样值相位或信号同相分量和正交分量(IQ分量)进行表征。而对于星座点分布,为了消除星座图中的冗余,使用灰度化星座图的像素值进行表征。考虑到伪星座中行列之间的不同相关程度,本实施例进一步用适当的卷积核对网络进行优化。仿真结果验证了该方法的有效性和鲁棒性。
图1为本发明实施例一提供的实现调制识别的总框图。如图1所示,本实施例基于相位或IQ分量来表征时间相关性的方案,分别定义为PCCPH和PCCIQ。
星座传递的主要信息是星座点的分布情况。在大多数基于深度学习(deeplearning,DL)的识别方法中,这些信息通常通过三个输入通道来传递。为了减少资源占用,本实施例提出了以下创建伪星座图的方法。首先,将原始星座图转换成一个灰度图像,相比不存在星座点的像素位置,有星座点存在的像素位置具有更大的像素值。将这些像素矢量化为一个通道的输入,该通道被表示为U。可以发现,变换后星座图所包含的信息与原始星座图所包含的信息一致,而前者只需要一个通道来传递信息,而不是后者的三个通道。这一操作有效降低了传输资源成本。
虽然传统星座图揭示了接收到信号的星座点分布,但并未包含相邻样本之间的相关性。为了解决这个问题,本实施例在CNN网络的输入中引入包含相关信息的数据,包括:相位和IQ两种数据。前者只需要占用一个额外的输入通道,而后者占用两个额外的输入通道。下面分别进行介绍。本实施例预先假设待识别信号的采样点个数,以及预先定义相应的相位、实部和虚部。
图2为本发明实施例一提供的基于相位的PCCPH伪星座图。如图2所示,本实施例将相位按行依次填入第二个通道V1,则U和V1两个信道组合产生PCCPH伪星座图。该伪星座图相比原始星座图包含更多的信息,因为它不仅传递了信号星座点的分布情况,还传递了包含时间相关性信息的相位。
图3为本发明实施例一提供的基于IQ的PCCIQ伪星座图。如图3所示,本实施例基于IQ的PCCIQ伪星座图使用信号的实部和虚部传递时间相关性信息。将实部按行依次填入第二个通道V1,将虚部按行依次填入第三个通道V2。最后将三个通道合并,得到基于IQ的伪星座图。
图4为本发明实施例一提供的改进EN-inception块结构示意图。如图4所示,本实施例基于上述伪星座图,提出一种改进的GoogLeNet结构。考虑伪星座图的如下特性:数据按行依次填入到伪星座图中,因此相比行间采样点,行内采样点之间具有更强的时间相关性。为了更好地利用伪星座图的该特点,本实施例提出了EN-inception块结构。该结构由卷积层、池化层组成。改进EN-inception块是在GoogLeNet模型的inception块的基础上,改进而来,结构如图4所示。首先,将原先使用3×3和5×5卷积核的inception块分别替换为使用1×3和1×5卷积核的EN-inception块,这样使得相关性较强的数据一起进行卷积计算,同时排除了一些相关性较弱数据的影响。在改进后的EN-inception块中,为保证卷积结果大小统一,每一层的填充参数进行相应修改。另一个值得注意的是,除了inception块,改进后GoogLeNet模型中其余部分的卷积核仍旧保持原有的宽度和长度,即保持3×3和5×5。修改后的GoogLeNet模型使用得到的伪星座图作为输入。
本实施例假设待分类的调制方式有八种:2PSK、4PSK、8PSK、2FSK、4FSK、8FSK、16QAM、64QAM。这八类调制方式中2PSK、4PSK、8PSK使用相位传递信息,2FSK、4FSK、8FSK使用频率传递信息,16QAM、64QAM使用幅度和相位传递信息。2PSK、4PSK、8PSK、16QAM、64QAM的星座图分别具有2、4、8、16、64个星座点。由于2FSK、4FSK、8FSK的星座点分布在多维空间中,在二维平面的投影是相同的。
为了叙述简洁,本实施例使用传统星座图的GoogLeNet方法命名为CC,仅采用相位的GoogLeNet方法命名为PH,仅采用虚部和实部的GoogLeNet方法命名为IQ。本实施例采用已有GoogLeNet网络对伪星座图进行处理的方法为PCCPH和PCCIQ,采用改进网络结构对伪星座图进行处理的方法命名为PCC-EN。
为了验证本实施例提供的技术方案的合理性和有效性,本实施例进行了以下对比方案:1、CC、PH、IQ、PCCPH和PCCIQ在不同信噪比下的整体识别性能对比;2、PCCIQ在不同信噪比下对不同调制方式的识别性能对比;3、PCCIQ和PCC-EN的性能对比。
在对比方案1中,训练集和测试集按照9:1划分,其中每种调制方式的训练集为900张,测试集100张。图片格式为JPG,大小为64*64,每张图片中含有64*64个采样点。
图5为本发明实施例一提供的不同调制识别方法在测试集上的识别准确率示意图。图5给出了不同调制识别方法在不同信噪比条件下的整体识别准确率。设置batch_size=64,初始学习率lr=0.0001,每轮训练结束后,将测试集输入模型检验。
结果显示,PCCIQ整体准确度高于0.85;在信噪比高于10dB的前提下,PCCIQ和PCCPH准确率高于0.95。PCCIQ的性能优于PCCPH,优于CC、PH、IQ。本实施例所述方法的性能优于基于传统星座图的CNN方法,优于仅使用相位和实虚部的方法。
在对比方案2中,训练集和测试集按照9:1划分,其中每种调制方式的训练集为900张,测试集100张。图片格式为JPG,大小为64*64,每张图片中含有64*64个采样点。
图6为本发明实施例一提供的PCCIQ在不同信噪比下对于八种调制方式的识别准确率示意图。图6给出了PCCIQ在不同信噪比条件下,8种调制方式的识别准确率。设置batch_size=64,初始学习率lr=0.0001,每轮训练结束后,将测试集输入模型检验。
结果显示,2FSK、4FSK、8FSK、2PSK的整体识别准确率高于0.99,4PSK、8PSK整体识别准确率高于0.9。本文所述方法可以有效识别传统星座图无法识别的2FSK、4FSK、8FSK,而且在低信噪比情况下准确率较高。
在对比方案3中,训练集和测试集按照9:1划分,其中每种调制方式的训练集为900张,测试集100张。图片格式为JPG,大小为64*64,每张图片中含有64*64个采样点。
图7为本发明实施例一提供的PCCIQ和PCC-EN在各信噪比下的识别准确率示意图。图7给出了PCCIQ和PCC-EN在不同信噪比条件下的调制识别准确率。设置batch_size=64,初始学习率lr=0.0001,每轮训练结束后,将测试集输入模型检验。结果显示,PCC-EN和PCCIQ在信噪比不低于10dB条件下,对本实施例中调制方式的平均准确率高于0.99,而且PCC-EN的整体识别准确率高于PCCIQ。这是由于PCC-EN卷积核为1×3,卷积过程中使用的数值之间相关性强。
表1给出了PCCIQ和PCC-EN的卷积核、复杂度、训练时间、测试时间的对比。复杂度中代表输入图片的像素点数目。与PCC-EN相比,PCC-EN具有较低的复杂度,较少的训练时间和测试时间。
表1 PCCIQ和PCC-EN的计算复杂度、训练时间和测试时间
PCCIQ | PCC-EN | |
卷积核尺寸 | 3×3 | 1×3 |
计算复杂度 | 30272.75n<sup>2</sup>+443149.5n+2955968.75 | 20434.25n<sup>2</sup>+24890.5n+1699618.25 |
训练时间 | 13.75s/epoch | 9.98s/epoch |
测试时间 | 7.13ms | 6.91ms |
根据上述仿真结果可知,在同样使用CNN模型的情况下,本实施例提出的基于伪星座图的方法解决了传统星座图方法对MFSK识别能力弱的问题,从而提高了调制识别的整体准确率。PCC-EN在信噪比不低于10dB条件下,对本实施例中调制方式的平均准确率高于0.99,均高于基于传统星座图的CNN的结果。而且在相同输入大小的条件下,PCC-EN复杂度更低,即在降低了复杂度的同时,保证了分类的准确度。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (4)
1.一种基于伪星座图的卷积神经网络调制识别方法,其特征在于,包括:
获取时域样本和星座图的信息;
将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图,所述时域样本承载时间相关性的信息,所述灰度化星座图的像素值承载星座点分布的信息;
使用采样值相位或者信号同相分量和正交分量表征时间相关性;
将所述伪星座图输入后续卷积神经网络;
使用预设的卷积核对所述卷积神经网络进行优化,以形成卷积神经网络模型;
使用所述卷积神经网络模型对待识别信号进行调制识别。
2.根据权利要求1所述的基于伪星座图的卷积神经网络调制识别方法,其特征在于,将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图的步骤包括:
将原始星座图转换成灰度图像,将所述灰度图像的像素矢量化为第一通道U的输入;
将待识别信号的相位按行依次填入第二通道V1;
将所述第一通道U和所述第二通道V1合并,获得PCCPH伪星座图。
3.根据权利要求1所述的基于伪星座图的卷积神经网络调制识别方法,其特征在于,将所述时域样本和灰度化星座图的像素值进行合成,以形成伪星座图的步骤包括:
将待识别信号的实部按行依次填入第二通道V1,将所述待识别信号的虚部按行依次填入第三通道V2;
将所述第一通道U、所述第二通道V1和所述第三通道V2合并,获得PCCIQ伪星座图,所述PCCIQ伪星座图使用所述待识别信号的的实部和虚部传递时间相关性的信息。
4.根据权利要求1所述的基于伪星座图的卷积神经网络调制识别方法,其特征在于,所述使用预设的卷积核对所述卷积神经网络进行优化,以形成卷积神经网络模型的步骤包括:
使用预设的卷积核的EN-inception块替换卷积神经网络的inception块,以形成改进后的GoogLeNet模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977786.2A CN113822162B (zh) | 2021-08-24 | 2021-08-24 | 一种基于伪星座图的卷积神经网络调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977786.2A CN113822162B (zh) | 2021-08-24 | 2021-08-24 | 一种基于伪星座图的卷积神经网络调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822162A true CN113822162A (zh) | 2021-12-21 |
CN113822162B CN113822162B (zh) | 2023-10-13 |
Family
ID=78923120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110977786.2A Active CN113822162B (zh) | 2021-08-24 | 2021-08-24 | 一种基于伪星座图的卷积神经网络调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822162B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247039A1 (en) * | 2003-06-04 | 2004-12-09 | Dimsdle Jeffrey William | Method of differential-phase/absolute-amplitude QAM |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN109768944A (zh) * | 2018-12-29 | 2019-05-17 | 苏州联讯仪器有限公司 | 一种基于卷积神经网络的信号调制码型识别方法 |
CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
KR20200001866A (ko) * | 2018-06-28 | 2020-01-07 | 국방과학연구소 | 신호 분류 방법 및 장치 |
CN111865848A (zh) * | 2020-06-16 | 2020-10-30 | 武汉邮电科学研究院有限公司 | 一种信号调制格式识别方法及系统 |
-
2021
- 2021-08-24 CN CN202110977786.2A patent/CN113822162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247039A1 (en) * | 2003-06-04 | 2004-12-09 | Dimsdle Jeffrey William | Method of differential-phase/absolute-amplitude QAM |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
KR20200001866A (ko) * | 2018-06-28 | 2020-01-07 | 국방과학연구소 | 신호 분류 방법 및 장치 |
CN109768944A (zh) * | 2018-12-29 | 2019-05-17 | 苏州联讯仪器有限公司 | 一种基于卷积神经网络的信号调制码型识别方法 |
CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
CN111865848A (zh) * | 2020-06-16 | 2020-10-30 | 武汉邮电科学研究院有限公司 | 一种信号调制格式识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
桂祥胜;洪居亭;代华建;孙田亮;: "一种基于卷积神经网络的信号调制方式识别方法", 现代计算机(专业版), no. 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
CN115333905B (zh) * | 2022-10-12 | 2023-01-03 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822162B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11005697B2 (en) | Orthogonal frequency-division multiplexing equalization using deep neural network | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN110086737A (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
CN111431831B (zh) | 一种基于多维ofdm环境自适应调制方法和系统 | |
CN109672639B (zh) | 一种基于机器学习的信号解调方法 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
CN110943944A (zh) | 一种基于深度学习的ofdm系统的信道估计方法 | |
CN113822162A (zh) | 一种基于伪星座图的卷积神经网络调制识别方法 | |
CN113992242B (zh) | 一种plc系统帧载荷的软信息合并方法 | |
Alhazmi et al. | Classification of qpsk signals with different phase noise levels using deep learning | |
CN108881096A (zh) | 一种基于相位判决的空间调制mqam基站 | |
CN113726711B (zh) | Ofdm接收方法和装置、信道估计模型训练方法和装置 | |
WO2022022521A1 (zh) | 相位噪声估计方法和装置 | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
CN112183300B (zh) | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 | |
Sang et al. | Deep learning based predictive power allocation for V2X communication | |
Wang et al. | Residual learning based RF signal denoising | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN111555990A (zh) | 基于长短时记忆残差网络的信道插值估计方法 | |
CN110059401A (zh) | 一种ofdm系统水声信道冲激响应重构方法 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN113518049B (zh) | 一种基于分数低阶极坐标和深度学习的调制识别方法 | |
CN114548201A (zh) | 无线信号的自动调制识别方法、装置、存储介质及设备 | |
CN112488092A (zh) | 基于深度神经网络的导航频段信号类型识别方法及系统 |
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 |