CN114070415A - 一种光纤非线性均衡方法及系统 - Google Patents

一种光纤非线性均衡方法及系统 Download PDF

Info

Publication number
CN114070415A
CN114070415A CN202111444875.7A CN202111444875A CN114070415A CN 114070415 A CN114070415 A CN 114070415A CN 202111444875 A CN202111444875 A CN 202111444875A CN 114070415 A CN114070415 A CN 114070415A
Authority
CN
China
Prior art keywords
neural network
network model
cnn
training
data
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
Application number
CN202111444875.7A
Other languages
English (en)
Inventor
王拥军
张永铭
李超
杨海锋
韩露
田清华
田凤
张琦
忻向军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111444875.7A priority Critical patent/CN114070415A/zh
Publication of CN114070415A publication Critical patent/CN114070415A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60—Receivers
    • H04B10/61—Coherent receivers
    • H04B10/616—Details of the electronic signal processing in coherent optical receivers
    • H04B10/6163—Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nonlinear Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种光纤非线性均衡方法及系统。该方法包括：截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；对所述训练集和所述测试集进行处理；构建CNN‑BiGRU神经网络模型；通过处理后的训练集对所述CNN‑BiGRU神经网络模型进行训练；通过训练好的CNN‑BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。本发明通过搭建CNN与BiGRU结合的神经网络模型，将训练数据序列输入其内进行神经网络模型的训练，并使用测试数据对模型训练效果进行评估，每个时间步保存当前训练效果最好的模型，从而实现光纤非线性均衡。

Description

一种光纤非线性均衡方法及系统
技术领域
本发明涉及光纤通信领技术领域，特别是涉及一种光纤非线性均衡方法及系统。
背景技术
随着数字社会的日益发展，人们对现代光纤通信系统的传输速度与容量也有更大的需求。而随着传输速度和带宽的增大，信号对非线性失真更加敏感，所以非线性信道补偿算法是光纤通信系统容量进一步提升的关键因素。目前非线性信道补偿算法所涉及的研究方向主要包括数字反向传输(DBP)、扰动补偿算法和基于神经网络学习的补偿算法等，其中，基于神经网络学习的补偿算法凭借其自我学习、高运算速度、高容错能力等优点在该领域的应用中大大降低了实现过程中的复杂度。并且神经网络有在尝试与其他补偿算法结合，以演变出更简更优的补偿算法。
门控循环单元(GRU)是循环神经网络(RNN)中的一种扩展。相比于简单的循环神经网络，GRU增加了重置门(resetgate)与更新门(updategate)，可以有效捕捉时间序列中长期与短期的依赖关系。而双向门控循环单元(BiGRU)则是在一层GRU的基础上，增加一层反向传播的GRU，这样可以使每个时间步的输出节点都包含输入序列中当前时刻完整的过去和未来的信息，以获得该码元更完整的特征。但是即便如此，BiGRU对于数据序列的特征提取效果并不是最好的。
发明内容
本发明的目的是提供一种光纤非线性均衡方法及系统，结合卷积神经网络与双向门控循环单元实现光纤非线性均衡。
为实现上述目的，本发明提供了如下方案：
一种光纤非线性均衡方法，包括：
截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
对所述训练集和所述测试集进行处理；
构建CNN-BiGRU神经网络模型；
通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练；
通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
可选地，对所述训练集和所述测试集进行处理，具体包括：
在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
可选地，所述CNN-BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
可选地，通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练，具体包括：
将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
可选地，还包括：
通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
本发明还提供了一种光纤非线性均衡系统，包括：
训练集和测试集构建模块，用于截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
处理模块，用于对所述训练集和所述测试集进行处理；
模型构建模块，用于构建CNN-BiGRU神经网络模型；
训练模块，用于通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练；
补偿模块，用于通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
可选地，所述处理模块具体包括：
打包单元，用于在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
可选地，所述CNN-BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
可选地，所述训练模块具体包括：
输入单元，用于将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
调整单元，用于根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
可选地，还包括：
测试模块，用于通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过搭建CNN与BiGRU结合的神经网络模型，将训练数据序列输入其内进行神经网络模型的训练，并使用测试数据对模型训练效果进行评估，每个时间步保存当前训练效果最好的模型，从而实现光纤非线性均衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例光纤非线性均衡方法的流程图；
图2为本发明实施例光纤非线性均衡方法的原理图；
图3为本发明实施例训练集和测试集处理的流程图；
图4为CNN-BiGRU网络模型示意图；
图5为模型验证与评估流程图。
具体实施方式
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。
本发明的目的是提供一种光纤非线性均衡方法及系统，结合卷积神经网络与双向门控循环单元实现光纤非线性均衡。
目前在特征提取中表现最好的是卷积神经网络(CNN)。卷积神经网络是一种利用卷积计算的神经网络，经常被应用到图像识别、语音识别等领域中，因为其可以自动从大规模数据中学习特征，并把结果向同类型未知数据泛化。相对于其它神经网络，卷积神经网络通常使用较少的计算参数就可以提取出数据中的特征，并且大幅度提升了数据分类的精度。
本发明利用CNN提取数据特征的优势和BiGRU对时间序列处理的优势，对光纤非线性进行均衡，以得到更好的优化效果
如图1-2所示，本发明提供的一种光纤非线性均衡方法，包括以下步骤：
步骤101：截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集。
步骤102：对所述训练集和所述测试集进行处理。
在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
步骤103：构建CNN-BiGRU神经网络模型。
所述CNN-BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
步骤104：通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练。
将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
步骤105：通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
还包括：通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
具体实施例：
本实例主要展示了在DP-64QAM相干光通信系统中，对64QAM信号进行产生、发射、相干接收以及非线性均衡的过程，以此验证基于CNN与BiGRU结合的补偿精度相较于传统的神经网络模型的补偿精度，可以大幅提高光纤非线性补偿效果。
通过使用MATLAB和波形发生器、相干接收器、实时示波器等仪器来完成64QAM序列的收发。将采集到的数据进行训练集与测试集的划分，将训练集数据输入到搭建好的神经网络模型进行训练，使用测试集数据对模型进行验证和效果评估，可以得到高精度的补偿效果。
先需要将发射端的64QAM信号数据进行标签映射，再划分训练集与训练集的数据并进行打乱处理，之后进行神经网络模型的搭建，再将处理好的数据输入到模型中进行训练，最后使用测试集数据对训练后的模型进行验证和评估。其中每一步的具体过程如下：
对数据的预处理。首先编写算法对导出的数据定位帧头，截取发射端数据和接收端数据一一对应的部分作为实施过程的数据，并且对发射端的数据进行星座点标签映射处理，便于分类。
如图3所示，对输入序列的处理。首先将数据适当划分为训练集与测试集。数据在光纤信道传输时会产生色散和非线性效应，导致当前传输的码元受到相邻若干个码元之间的干扰，所以本发明在输入第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入，那么当前的输入序列可以表示为：
x(i)＝[xi-k，…，xi，…，xi+k]
对训练集数据与测试集数据均进行如上处理后，将构建好的数据集打乱。
数据集处理完毕之后，接下来进行神经网络模型的搭建。CNN-BiGRU神经网络模型包含一个1D卷积层，一个双向GRU层，一个展平层，一个全连接层，一个softmax层和输出层，其结构如图4所示。本发明取上述的k为11，即单个batch的输入序列共包含23个码元，每个码元又有同相(I)和正交(Q)分量，所以假设batch为128，那么输入端将会输入一个维度为(128，23，2)的矩阵，在第一层1D卷积层中与16个维度为(128，3，2)的卷积核进行填充计算后，转化成维度为(128，23，16)的矩阵，之后输入双向GRU层，设置双向GRU层的输出维度为64和返回所有时间步的隐藏状态，数据经过该层后输出维度转为(128，23，64)，再输入到展平层将数据做降维处理以便输入全连接层，数据降维后维度变为(128，1，1472)，随后经过由一层隐藏层构成的全连接层，隐藏层的神经元数量为64，输出维度为(128，1，64)，最后经过softmax层，计算并输出对应概率最大的标签值，计算公式可表示为：
Figure BDA0003384622970000061
然后输入到输出层的维度为(128，1，1)的128个标签值便是该batch的数据对应的标签值。再进行反向传播，对网络参数进行优化，经过大量训练周期的迭代后，使得损失函数值收敛至最小值，从而完成模型的训练过程。
训练后模型的验证与评估，该过程的流程图如图5所示。将测试集数据输入训练好的模型，通过对比真实值和模型输出值，计算通过模型进行数据恢复的误码率，当获得很好的恢复效果时，则表示模型训练的效果达到标准。
本发明还提供了一种光纤非线性均衡系统，包括：
训练集和测试集构建模块，用于截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
处理模块，用于对所述训练集和所述测试集进行处理；
模型构建模块，用于构建CNN-BiGRU神经网络模型；
训练模块，用于通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练；
补偿模块，用于通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
其中，所述处理模块具体包括：
打包单元，用于在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
其中，所述训练模块具体包括：
输入单元，用于将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
调整单元，用于根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
还包括：测试模块，用于通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种光纤非线性均衡方法，其特征在于，包括：
截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
对所述训练集和所述测试集进行处理；
构建CNN-BiGRU神经网络模型；
通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练；
通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
2.根据权利要求1所述的光纤非线性均衡方法，其特征在于，对所述训练集和所述测试集进行处理，具体包括：
在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
3.根据权利要求1所述的光纤非线性均衡方法其特征在于，所述CNN-BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
4.根据权利要求1所述的光纤非线性均衡方法，其特征在于，通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练，具体包括：
将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
5.根据权利要求1所述的光纤非线性均衡方法，其特征在于，还包括：
通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
6.一种光纤非线性均衡系统，其特征在于，包括：
训练集和测试集构建模块，用于截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
处理模块，用于对所述训练集和所述测试集进行处理；
模型构建模块，用于构建CNN-BiGRU神经网络模型；
训练模块，用于通过处理后的训练集对所述CNN-BiGRU神经网络模型进行训练；
补偿模块，用于通过训练好的CNN-BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
7.根据权利要求6所述的光纤非线性均衡系统，其特征在于，所述处理模块具体包括：
打包单元，用于在输入训练集和测试集中的第i个码元时，使用将当前码元xi与其前后各k个码元打包的方式作为当前的输入。
8.根据权利要求6所述的光纤非线性均衡系统，其特征在于，所述CNN-BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
9.根据权利要求1所述的光纤非线性均衡系统，其特征在于，所述训练模块具体包括：
输入单元，用于将处理后的训练集输入到所述CNN-BiGRU神经网络模型中，得到输出结果；
调整单元，用于根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN-BiGRU神经网络模型的参数。
10.根据权利要求6述的光纤非线性均衡系统，其特征在于，还包括：
测试模块，用于通过所述测试集测试训练后的所述CNN-BiGRU神经网络模型的准确性。
CN202111444875.7A 2021-11-30 2021-11-30 一种光纤非线性均衡方法及系统 Pending CN114070415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111444875.7A CN114070415A (zh) 2021-11-30 2021-11-30 一种光纤非线性均衡方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111444875.7A CN114070415A (zh) 2021-11-30 2021-11-30 一种光纤非线性均衡方法及系统

Publications (1)

Publication Number Publication Date
CN114070415A true CN114070415A (zh) 2022-02-18

Family

ID=80277642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111444875.7A Pending CN114070415A (zh) 2021-11-30 2021-11-30 一种光纤非线性均衡方法及系统

Country Status (1)

Country Link
CN (1) CN114070415A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115987394A (zh) * 2022-12-01 2023-04-18 北京理工大学 一种基于Wide&Deep模型的光纤非线性均衡方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
US20190393965A1 (en) * 2018-06-22 2019-12-26 Nec Laboratories America, Inc Optical fiber nonlinearity compensation using neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
US20190393965A1 (en) * 2018-06-22 2019-12-26 Nec Laboratories America, Inc Optical fiber nonlinearity compensation using neural networks
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEDRO J. FREIRE 等: "Performance Versus Complexity Study of Neural Network Equalizers in Coherent Optical Systems", 《JOURNAL OF LIGHTWAVE TECHNOLOGY》 *
XINYU LIU 等: "Bi-directional gated recurrent unit neural network based nonlinear equalizer for coherent optical communication system", 《OPTICS EXPRESS》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115987394A (zh) * 2022-12-01 2023-04-18 北京理工大学 一种基于Wide&Deep模型的光纤非线性均衡方法

Similar Documents

Publication Publication Date Title
Lin et al. Learning of time-frequency attention mechanism for automatic modulation recognition
CN112600618B (zh) 一种基于注意力机制的可见光信号均衡系统及方法
CN111428817A (zh) 一种面向无线电信号识别对抗攻击的防御方法
CN112702294A (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN111342867A (zh) 一种基于深度神经网络的mimo迭代检测方法
CN110336594A (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN111970078B (zh) 一种非线性失真场景的帧同步方法
CN114553315B (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
CN114070415A (zh) 一种光纤非线性均衡方法及系统
CN114285545B (zh) 一种基于卷积神经网络的侧信道攻击方法及系统
CN114124734B (zh) 一种基于GCN-Transformer集成模型的网络流量预测方法
CN114676637A (zh) 一种基于条件生成对抗网络的光纤信道建模方法及系统
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN114285715A (zh) 基于双向gru-条件随机场的非线性均衡方法
Wang et al. Blind identification of convolutional codes based on deep learning
CN115834310A (zh) 一种基于LGTransformer的通信信号调制识别方法
CN110474798A (zh) 一种利用回声状态网络预测无线通信未来信号的方法
CN116743633A (zh) 基于注意力机制的物联网异常流量检测方法
CN114614920B (zh) 基于学习因子图的数据与模型联合驱动的信号检测方法
CN113806734B (zh) 一种基于条件的能量生成对抗网络的网络攻击恢复方法
CN115422977A (zh) 基于cnn-bls网络的雷达辐射源信号识别方法
CN114724245A (zh) 基于csi的增量学习人体动作识别方法
Wang et al. Blind recognition method for non-cooperative communication signals based on aerial computing
Bredikhin et al. Named Entity Recognition Methods in Zero Knowledge Network Traffic Analysis
CN112821971A (zh) 一种基于对抗式学习的时变信道信号检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220218

RJ01 Rejection of invention patent application after publication