CN113872904A - 一种基于集成学习的多分类通信信号自动调制识别方法 - Google Patents
一种基于集成学习的多分类通信信号自动调制识别方法 Download PDFInfo
- Publication number
- CN113872904A CN113872904A CN202111112116.0A CN202111112116A CN113872904A CN 113872904 A CN113872904 A CN 113872904A CN 202111112116 A CN202111112116 A CN 202111112116A CN 113872904 A CN113872904 A CN 113872904A
- Authority
- CN
- China
- Prior art keywords
- base classifier
- sample
- classifier
- weight
- base
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于集成学习的多分类通信信号自动调制识别方法,以Adaboost.M2算法框架为基础,以CLDNN神经网络作为基分类器,对样本权重、基分类器和集成分类器的预测函数进行改进,构建了一种适用于低信噪比大样本通信信号自动调制识别的新型集成学习模型。改进后的样本权重不仅可以适应当前学习率,而且在保证基分类器不忽略简单样本的前提下更加重视难分类的样本;改进后的预测函数使得基分类器对同一样本正确与错误标签的分类间隔增大,提升基分类器和集成分类器对难分类样本的预测性能。
Description
技术领域
本发明属于无线通信信号处理领域,具体是指一种基于集成学习的多分类通信信号自动调制识别方法。
背景技术
通信信号自动调制识别(Automatic Modulation Recognition,AMR)技术实现在通信接收端自动辨识通信信号的调制类型,为下一步的信号解调等处理提供依据。AMR技术主要用于干扰识别、无线频谱监测等领域,目的是确保通信系统安全高效工作,提高频谱利用率等。随着通信技术的快速发展,信号调制类型日益多样,工作环境也日趋复杂,通信信号易受到频率偏移、相位偏移、信道衰落、多径衰落和环境噪声等因素影响,使得准确识别调制类型的难度越来越大。
自动调制识别相关问题的研究由来已久,在通信系统发展的初期,电磁环境相对理想且信号类型较少,掌握通信领域专业知识的人士可以通过观察时域波形和频谱图像对信号进行分类。随着通信技术的发展,诞生出了基于人工特征提取的信号分类方法,即通过归纳总结通信信号的先验特征,人为设定信号特征提取模型,根据特征值的差异实现通信信号分类。近年来,飞速发展的通信技术和大数据技术背景下,研究人员将目光转向了大力发展的机器学习技术,例如2017年美国国防高级研究计划局开展了射频机器学习系统计划(Radio Frequency Machine Learning),该项目旨在基于机器学习方法提取信号特征以提升特征的表征能力。2020年,在6G白皮书中提及,采用深度学习方法实现信号识别等信号处理技术是6G通信网络的重点研究方向之一。
在基于深度学习的AMR方法研究方面,研究者首先考虑将接收到的通信信号转化为星座图,基于图片分类的深度神经网络对调制方式进行分类,但由于图像和信号在特点上存在差异,将信号作为图像处理并不合理。因此,研究人员开始将信号的同相分量(I路)和正交分量(Q路)合并为2×N(N为信号序列长度)的时间序列输入卷积神经网络(Convolutional Neural Networks,CNN)进行分类;也有研究者通过深度置信网络(DeepBelief Networks,DBN)和CNN实现通信信号调制识别。然而,CNN的原理是采用局部卷积运算识别通信信号的局部变化特征,未考虑信号数据的时序属性。因此,研究者考虑将长短期记忆网络(Long Short-Term Memory,LSTM)引入AMR领域,将CNN和LSTM结合起来构建CNN-LSTM-DNN(CLDNN)结构的神经网络,并取得了良好的分类效果。在CLDNN神经网络中,输入数据为I/Q路合并后的时间序列,CNN提取信号特征,并通过LSTM的门结构实现模型参数在时序方向上的传递,大大提高了网络对通信信号的分类识别性能。
由于深度学习方法需要大量特定样本数据实现模型训练,因此导致用于信号调制分类的神经网络模型普遍存在着专用性强、泛化能力弱的问题。例如CLDNN网络在特定信噪比(Signal Noise Ratio,SNR)条件下表现优异,但是在其他SNR下表现不佳。为了提高对大范围SNR通信信号样本的分类性能,能够将具备不同特点的分类器相结合的集成学习方法开始获得关注。集成学习方法能够增强原有深度学习模型的泛化能力,提高深度学习模型的适用范围。
集成学习是本身并不是一种机器学习算法,而是通过算法将多个机器学习模型相结合达到比单个模型更好的效果,典型的集成学习框架包括bagging、boosting等。其中,boosting通过对样本集的操作获得样本子集,然后用弱分类算法在样本子集上训练生成一系列的基分类器,再将基分类器加权融合成一个性能更强的分类器。其中,典型的boosting方法为Adaboost算法,Adaboost算法由Boosting算法衍生而来,被誉为数据挖掘十大算法之一,该算法还衍生出解决多分类问题的Adaboost.M1、Adaboost.M2算法,以及针对回归问题的Adaboost.R算法。其中Adaboost.M2算法通过设置样本权重、标签权重及分类器权重,使集成算法框架和基分类器结合更加紧密,有效提升了集成学习解决多分类问题的性能。
然而,由于需要计算样本权重,Adaboost.M2算法仅适用于样本量较小的情况,而用于通信信号调制分类问题的分类模型通常需要大量样本训练,这将导致Adaboost.M2算法框架下的样本权重在数值上很小,从而使加权后的样本数据过小,在特定的学习率和数据精度下模型收敛困难。同时,在低信噪比条件下,Adaboost.M2算法对于相似性较高的调制类型识别能力不足。
发明内容
针对上述问题,本发明提出一种基于集成学习的多分类通信信号自动调制识别方法,以Adaboost.M2算法框架为基础,以CLDNN神经网络作为基分类器,对样本权重、基分类器和集成分类器的预测函数进行改进,构建了一种适用于低信噪比大样本通信信号自动调制识别的新型集成学习模型。
本发明基于集成学习的多分类通信信号自动调制识别方法,包括以下步骤:
步骤一、构建基分类器模型,同时设计基分类器中预测函数的输入乘以λ,λ为大于1的常量,使特征向量间隔扩大λ倍。
步骤二、初始化基分类器各个样本权重均为1。
步骤三、改进其余基分类器的样本权重,方法为:
式中,D(i)为第t个基分类器的样品原始权重;μ表示D(i)的均值;σ为D(i)的标准差;D′(i)为归一化调整后的权重;Dnew(i)为改进后的新权重,A和ψ为常数。
步骤四、训练第t个基分类器。
步骤五、更新第t+1个基分类器的迭代中间量,返回步骤三,训练第t+1个基分类器。
步骤六、通过加权融合形成强分类器,可直接应用于自动调制识别任务。
本发明具有以下优点:
(1)本发明基于集成学习的多分类通信信号自动调制识别方法,提出的改进预测函数增大了基分类器和集成分类器对同一个样本正确与错误标签的分类间隔,增强了基分类器对不同样本的针对性,也提升了集成分类器的分类精度和泛化性能。
(2)本发明基于集成学习的多分类通信信号自动调制识别方法,提出的样本权重调整方法能够适应大样本量的模型训练,在保证了基分类器对不同样本实现不同程度的关注的同时,使损失函数不会因为加权后的样本数值过小而无法收敛。
(3)本发明基于集成学习的多分类通信信号自动调制识别方法中,改进后的样本权重不仅可以适应当前学习率,而且在保证基分类器不忽略简单样本的前提下更加重视难分类的样本;改进后的预测函数使得基分类器对同一样本正确与错误标签的分类间隔增大,提升基分类器和集成分类器对难分类样本的预测性能。
附图说明
图1为本发明基于集成学习的多分类通信信号自动调制识别方法流程图;
图2为CLDNN神经网络模型结构图;
图3为预测函数的改进方法示意图;
图4为样本权重的改进方法示意图;
图5为强分类器训练与应用的流程图;
图6为不同样本权重的基分类器伪损失对比图;
图7为不同样本权重的基分类器和集成分类器预测准确率对比图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
本发明基于集成学习的多分类通信信号自动调制识别方法,具体包括以下几个步骤:
步骤一、构建基分类器模型,改进基分类器的预测函数。
令本发明基分类器数量为T,即集成学习算法共进行t(t=1,2,3...T)次迭代,完成T个基分类器的训练。训练样本为不同调制方式的通信信号样本数据S,假定样本总数为N,即:
S={(x1,y1),(x2,y2),...(xi,yi),...(xN,yN)},i=1,2,...N (1)
其中,xi为第i个通信信号样本数据,yi为其对应的调制类型标签,即第i个样本的正确标签,共有K类标签,即:
yi∈C,C={c1,c2,...cK} (2)
本发明首先需要构建基分类器模型,基分类器模型为CLDNN结构的神经网络,网络结构如图2所示,包括网络输入、卷积层、池化层、全连接层1、全连接层2、LSTM层、全连接层3、softmax层和网络输出。基分类器的输入为通信信号样本xi,xi特征维度为1*1024*2,1表示1维信号,1024表示1024个信号采样点,2表示通信信号样本xi的正交(In-phase)分量和同相(Quadrature)分量。先将通信信号样本xi输入至卷积层提取特征,卷积层采用一维卷积,卷积核维度为1*9,深度为8,步长为8;卷积层将提取到的特征输出至池化层,池化层采用最大值池化方式,维度同样为一维,窗口大小为1*4,步长为4,即输入池化层数据的每4个特征值取最大值,组成的降维后的向量输入进全连接层。全连接层采用两层隐藏层的结构,包括节点数为64的全连接层1与节点数256的全连接层2,接收池化层的输出并进行特征融合后,输出长度为256的特征向量至LSTM单元;
上述全连接层还包括节点数为K的全连接层3,此处K即标签类别数,也即最后输出的置信度向量的维度。LSTM单元的输出经过全连接层3进行特征融合,输出为K×1维(对应K类标签)的特征向量集合Ui:
Ui=[u1,u2,...,uK]T (3)
该特征向量Ui输入到softmax层得到K×1维的预测向量,预测向量包含的K个元素则表征当前样本xi经过基分类器得到对K种不同调制方式的预测概率集合P,即
P=[p1,p2,...,pK] (4)
softmax函数公式如下:
其中,un即输入到softmax层的特征向量Ui的第n个元素,为softmax函数的输入。然而,采用softmax函数作为预测函数对于低信噪比条件下调制方式相近的通信信号分类而言,存在着正确预测概率与错误预测概率之间数值差距较小的问题,这样容易导致基分类器的分类准确性降低。针对这一问题,本发明对原有softmax预测函数做出改进,如图3所示,具体公式如下:
其中,fs(·)为新的预测函数,其改进方法为将softmax函数的原输入值ui乘以一个大于1的常量λ,这样改进的理由阐述如下:
对于任意特征向量Ui任意两元素up和uk,二者原间隔(即数值上的差)为l(up,uk)=up-uk,在输入至fs(·)后,产生的新间隔L(up,uk)为:
为简化上述间隔函数,令u=uk,由于l=up-uk,则上述函数可化简为:
其中,uj为区别于uk和up的其他向量元素。
其中,c=1+M*e-λu>0,因此:
可知,特征向量ui和uk输入改进的预测函数fs(·)后,产生的新间隔L(ui,uk)是关于原间隔l=ui-uk的严格单调递增函数,即增大两个特征向量的原有间隔l=ui-uk即可增大最终的预测函数产生的新间隔L(ui,uk)。本发明对原softmax函数的输入乘以一个大于1的常量λ能够使原有的特征向量间隔l=ui-uk扩大λ倍,即特征向量间隔变为l′=λui-λuk=λ(ui-uk)=λl。由公式(10)可知随着λ的增大,预测概率集合P中对应元素的间隔也随之增大,这样便起到增大正确分类概率与错误分类概率之差的作用。经过大量实验可获得典型的λ∈[2,10],具体取值可根据样本数据、模型初始化参数等因素作出调整。
步骤二、初始化样本权重。
在经典Adaboost.M2算法中,N个样本权重D(i)被初始化为:
由此得到第一个基分类器样本的初始权重,式(11)中,D1(i)的上标1表示该样本权重适用于第1个基分类器。此时,样本权重D1(i)服从归一化分布,即但这种初始化方式不适用于样本量较大的情况(如几万条或几十万条),因为会导致D1(i)在数值上非常小,若将D1(i)直接读入基分类器中计算,会使得与之相乘的样本预测值也会变小,相比之下基分类器的学习率则相对过大(过小的学习率会导致算法收敛困难),过大的学习率会导致基分类器模型产生梯度爆炸而无法收敛。针对这一问题,本发明在训练基分类器时,将样本的初始权重输入基分类器后再进行改进如下:
在初始阶段样本分类难度未知的情况下,默认所有样本分类难度相同,即所有样本的初始化权重均为1,由此保证初始化的样本权重在数值上不会过小。此处的改进仅在基分类器中发生,在Adaboost.M2算法终传递的样本权重仍为式(11)得到的初始权重。
步骤三:改进后续第t(t>1)个基分类器的样本权重。
计算第t个基分类器中第i个样本所对应的错误标签的权重,即满足y≠yi的所有y的权重,如下:
计算第t个基分类器的样本权重D(i),如下:
此时,第t个基分类器的样本权重D(i)服从一个概率分布,即但这种计算方法会导致在样本量较大的情况下(如几万条或几十万条),D(i)在数值上非常小,若直接读入基分类器中进行计算,会使得与之相乘的样本预测值也会变小,而学习率数值上相对过大(过小的学习率会导致算法收敛困难),从而产生梯度爆炸使模型无法收敛。针对这一问题,本发明在将Adaboost.M2算法中计算得到的第t个基分类器的样本权重输入基分类器之后,再对样本权重做出了改进调整,以使其适应基分类器的学习率,改进方式如图4,具体如式(17)所示:
式(17)中,D(i)为第t个基分类器的样品原始权重,即公式16得到的第t个基分类器的样本权重;μ表示D(i)的均值;σ为D(i)的标准差;D′(i)为归一化调整后的权重;Dnew(i)为改进后的新权重,A和ψ为常数。
如式(17)所示,从第二个基分类器起,改进的样本权重Dnew(i)是将原始样本权重D(i)进行高斯归一化之后再求指数得到,同时为了防止权重增长过大,还设置了一个阈值ψ。这种处理的原因在于:当样本xi属于难分类样本时,即前t-1个基分类器一直将xi分类错误,则D(i)>μ,从而Dnew(i)>1,此时难分类样本xi的权重被提高,达到被第t个分类器重视的目的;当样本xi属于容易分类样本时,即前t-1轮迭代样本xi一直分类正确,则D(i)<μ,从而0<Dnew(i)<1,此时容易分类样本xi的权重被降低到0-1之间,则第t个分类器开始降低对样本xi的关注。
步骤四、训练第t个基分类器。
将通信信号样本集S和新的样本权重Dnew作为输入数据,开始第t个基分类器的训练(包括第一个基分类器),假设基分类器为I,训练过程可表示为:
ht←I(S,Dnew) (18)
其中,ht为第t个基分类器对于样本集S的分类概率输出。
计算ht的伪损失为:
计算第t个基分类器的权重为:
其中,βt为用于计算基分类器权重以及下一步参数更新的中间量,αt表示第t个基分类器的权重。
步骤六、基分类器全部训练完毕后,即可加权融合形成性能更强的强分类器,强分类器的预测结果通过基分类器的预测结果依据基分类器权重加权投票得到,预测函数表达式为:
其中,ht(x,y)表示基分类器的分类概率输出,αt为第t个基分类器的权重。
至此,强分类器构建完成,可以直接应用于自动调制识别任务。
本发明利用radioml数据集(包含24种通信信号调制类型)对所提出的算法进行训练与应用,流程详见图5。
如图5所示,从数据集中提取不同调制方式和信噪比的数据,并将数据集划分为训练集和测试集,训练集共有m个样本。输入的样本数据的维度为m×1024×2,其中m为样本数目,1024位特征数目,2为通道数,2个通道分别为信号的同相分量(In-phase,I路)和正交分量(Quadrature,Q路)。训练时采用小批量梯度下降法,batch_size设为24,学习率为10-5,训练轮次2000次。
在样本输入卷积层之前,先将样本维度重置为m×1×1024×2以配合卷积核维度。基分类器的卷积层为一维卷积,卷积核大小为1×9×2×8,四个维度分别表示卷积核的长、卷积核的宽、输入通道数、输出通道数,步长为1×8,即在每个样本的第二个维度每次移动八个单位长度,填充方式为SAME。池化层采用最大值池化,窗口大小为1×4,步长为1×4,填充方式为不填充。
池化层输出值进入全连接层,全连接层有两个隐藏层,节点数分别为64和256,输出为一维序列。
全连接层输出的结果进入LSTM单元,LSTM单元的输出再经过一层全连接层实现特征融合,最终通过softmax层输出结果。
基分类器采用Adam优化器,训练的时候目的在于最小化损失函数,考虑到样本权重的因素,基分类器的损失函数公式为:
其中yi为当前样本的正确标签,ht(xi,y)为模型的预测输出,为一个K维向量,其元素为对应K种调制类型的预测概率值。新的样本权重Dnew(i)使得基分类器能够更加重视容易分类错误的样本。
本发明利用通信信号样本测试集对强分类器进行应用测试。图6为改进样本权重的基分类器(方点线)与未改进的基分类器(圆点线)伪损失对比图,线上的数字表示训练集准确率,可见改进样本权重的基分类器伪损失大大降低。图7为改进样本权重的基分类器、强分类器(方点线)与未改进的基分类器、强分类器(圆点线)预测准确率对比图,可见改进样本权重和预测函数的强分类器的分类性能明显优于没有改进的强分类器。
Claims (4)
1.一种基于集成学习的多分类通信信号自动调制识别方法,其特征在于:包括以下步骤:
步骤一、构建基分类器模型,同时设计基分类器中预测函数的输入乘以λ,λ为大于1的常量,使特征向量间隔扩大λ倍;
步骤二、初始化基分类器各个样本权重均为1;
步骤三、计算基分类器的迭代中间量及权重,改进其余基分类器的样本权重,方法为:
式中,D(i)为第t个基分类器的样本原始权重;μ表示D(i)的均值;σ为D(i)的标准差;D′(i)为归一化调整后的权重;Dnew(i)为改进后的新权重,A和ψ为常数;
步骤四、训练第t个基分类器;
步骤五、更新第t+1个基分类器的迭代中间量,返回步骤三,训练第t+1个基分类器;
步骤六、通过加权融合形成强分类器。
2.如权利要求1所述一种基于集成学习的多分类通信信号自动调制识别方法,其特征在于:步骤四中第t个基分类器的训练方法为:
将通信信号样本集S和改进后的样本权重Dnew作为输入数据,开始第t个基分类器的训练,令基分类器为I,训练过程可表示为:
ht←I(S,Dnew)
其中,ht为第t个基分类器对于样本集S的分类概率输出;
计算ht的伪损失为:
其中,括号里第二项中的yi为第i个通信信号样本数据对应的调制类型标签,即第i个样本的正确标签;ht(xi,yi)为预测为正确标签的概率值;中的y为除第i个样本正确标签的其他标签,即错误标签;ht(xi,y)为预测为错误标签的概率值;N为样本总数;
计算第t个基分类器的权重为:
其中,αt表示第t个基分类器的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112116.0A CN113872904B (zh) | 2021-09-18 | 2021-09-18 | 一种基于集成学习的多分类通信信号自动调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112116.0A CN113872904B (zh) | 2021-09-18 | 2021-09-18 | 一种基于集成学习的多分类通信信号自动调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113872904A true CN113872904A (zh) | 2021-12-31 |
CN113872904B CN113872904B (zh) | 2023-07-21 |
Family
ID=78993252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111112116.0A Active CN113872904B (zh) | 2021-09-18 | 2021-09-18 | 一种基于集成学习的多分类通信信号自动调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113872904B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115442192A (zh) * | 2022-07-22 | 2022-12-06 | 西安电子科技大学 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
CN115935172A (zh) * | 2023-01-06 | 2023-04-07 | 湖南董因信息技术有限公司 | 一种基于集成深度学习的信号识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165672A (zh) * | 2018-07-16 | 2019-01-08 | 华南理工大学 | 一种基于渐进式学习的集成分类方法 |
CN113050042A (zh) * | 2021-04-15 | 2021-06-29 | 中国人民解放军空军航空大学 | 基于改进UNet3+网络的雷达信号调制类型识别方法 |
US20210224597A1 (en) * | 2020-01-16 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Classification model training and use methods and apparatuses, device, and medium |
-
2021
- 2021-09-18 CN CN202111112116.0A patent/CN113872904B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165672A (zh) * | 2018-07-16 | 2019-01-08 | 华南理工大学 | 一种基于渐进式学习的集成分类方法 |
US20210224597A1 (en) * | 2020-01-16 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Classification model training and use methods and apparatuses, device, and medium |
CN113050042A (zh) * | 2021-04-15 | 2021-06-29 | 中国人民解放军空军航空大学 | 基于改进UNet3+网络的雷达信号调制类型识别方法 |
Non-Patent Citations (1)
Title |
---|
王美琳等: "基于调制卷积神经网络的空地数据链信道估计", 北京航空航天大学学报 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115442192A (zh) * | 2022-07-22 | 2022-12-06 | 西安电子科技大学 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
CN115442192B (zh) * | 2022-07-22 | 2024-02-27 | 西安电子科技大学 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
CN115935172A (zh) * | 2023-01-06 | 2023-04-07 | 湖南董因信息技术有限公司 | 一种基于集成深度学习的信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113872904B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Deep neural network for robust modulation classification under uncertain noise conditions | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
US7724961B2 (en) | Method for classifying data using an analytic manifold | |
CN113872904A (zh) | 一种基于集成学习的多分类通信信号自动调制识别方法 | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
US20050114278A1 (en) | System and methods for incrementally augmenting a classifier | |
Yu et al. | Cutset-type possibilistic c-means clustering algorithm | |
US20230111287A1 (en) | Learning proxy mixtures for few-shot classification | |
CN112910811A (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
EP4281908A1 (en) | Cross-domain adaptive learning | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
Zhang et al. | Limited data spectrum sensing based on semi-supervised deep neural network | |
Dinakaran et al. | Ensemble method of effective AdaBoost algorithm for decision tree classifiers | |
Pan et al. | MIML-GAN: A GAN-based algorithm for multi-instance multi-label learning on overlapping signal waveform recognition | |
CN112866156B (zh) | 一种基于深度学习的无线电信号聚类方法及系统 | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 | |
CN114337883A (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
CN114118151A (zh) | 一种具有环境适应能力的智能频谱感知方法 | |
Pande et al. | Generative deep-neural-network mixture modeling with semi-supervised MinMax+ EM learning | |
Wang et al. | TIToK: A solution for bi-imbalanced unsupervised domain adaptation | |
He et al. | Online inference for mixture model of streaming graph signals with sparse excitation | |
Shafana et al. | Optimal Band Selection and Scale based Feature Selection for Hyper Spectral Image Classification using Hybrid Neural Network | |
Dhurandhar et al. | Classifier invariant approach to learn from positive-unlabeled data | |
CN114157544B (zh) | 基于卷积神经网络的帧同步方法、设备及介质 |
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 |