CN114298114A - 面向物联网的元学习调制模式识别方法 - Google Patents

面向物联网的元学习调制模式识别方法 Download PDF

Info

Publication number
CN114298114A
CN114298114A CN202111673019.9A CN202111673019A CN114298114A CN 114298114 A CN114298114 A CN 114298114A CN 202111673019 A CN202111673019 A CN 202111673019A CN 114298114 A CN114298114 A CN 114298114A
Authority
CN
China
Prior art keywords
learning
meta
model
training
image
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
CN202111673019.9A
Other languages
English (en)
Inventor
修思瑞
周小林
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202111673019.9A priority Critical patent/CN114298114A/zh
Publication of CN114298114A publication Critical patent/CN114298114A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明属于通信信号调制识别技术领域，具体为一种面向物联网的元学习调制模式识别方法。本发明包括：对接收信号进行载波频率估计、相偏估计以及频偏估计；根据特征量进行星座图还原；然后对图像进行增强预处理，以抵抗恶劣环境带来的影响；利用阶段式元学习神经网络对预处理图像进行训练以及测试分类，赋予分类器更好的自学能力，得到初步的调制识别结果；对初步的识别结果进行决策并计算相似度，以最高相似度作为输出结果，提高鲁棒性的准确性。本发明通过多模块协同融合，在低信噪比环境下仍然具有较高的识别精度，高达91.5％，并且本方法训练样本少，训练成本低，复杂度低，易于实现。

Description

面向物联网的元学习调制模式识别方法
技术领域
本发明属于通信信号调制识别技术领域，具体涉及元学习调制模式识别方法。
背景技术
调制识别技术是实现认知无线电的重要步骤，广泛应用于军用和民用通信中，如电子对抗战和电子监控等。通信技术广泛存在物与物的方方面面，驱动着万物互联，同时物联网的发展也离不开智能化，广泛化发展。在实际生活中，接收器处于恶劣环境时，由于环境对原始发送信号统计特性的破环和信道状态信息估计的困难，难以利用传统的CNN训练网络对信号的调制模式智能识别。
针对调制识别的难题，学术界和工业界研究也仅仅在于已知调制方式训练的情况下进行智能识别，不能对未纳入训练集的信号模式进行识别，无法做到自主学习，且训练成本巨大，需要依靠人力进行训练集的扩容，实现接收机智能化的提高；其次在信号环境恶劣，或者接收机处于恶劣环境下，信号特征模糊，无法做到精确识别。
发明内容
本发明的目的在于提供一种面向物联网的元学习调制模式识别方法，以解决现有技术中如下问题：智能调制模式识别，需要提前进行训练，且需要知道信道状态信息，不能应用在未知信号和未知环境下，且在恶劣环境下识别精度不高。
本发明提供面向物联网的元学习(OFDM)调制模式识别方法，采用阶段式元学习神经网络，以提高自主性和鲁棒性，构成元学习器作为分类器；对接收信号进行载波频率估计、相偏估计以及频偏估计；根据特征量进行星座图还原；然后对图像进行预处理，包括统一大小、色域以及偏移等多个方面的预处理，旨在抵抗恶劣环境带来的影响；然后将预处理图像送入元学习器模块，通过阶段式的训练和更新，得到初步的调制识别结果；对初步的识别结果进行决策并计算相似度，以最高相似度作为输出结果，提高了鲁棒性的准确性。具体步骤为：
S1.利用信号发生器生成各种OFDM调制信号，并模拟物联网系统的信道生成不同信噪比下的接收信号；
S2.对每种不同信噪比下的接收信号通过特征提取还原出近似的星座图图像；
S3.对星座图图像进行图像预处理(即图像增强处理，包括灰度处理、图像步幅旋转，大小均一化处理等)，得到预处理图像(增强图像)；
S4.利用阶段式元学习神经网络对预处理图像进行训练以及测试分类，得到接收信号的识别结果；
S5.对接收信号的识别结果进行决策验证，包括对接收信号的识别结果进行决策并计算相似度，得出调制类型。
进一步地，步骤S1中所述利用信号发生器生成各种调制信号，是信号发生器通过物联网的不同信道，在接收端随机生成4至16dB且间隔为4dB的信噪比范围内各种OFDM调制信号。
进一步地，步骤S2中所述还原出近似星座图图像的具体流程为：
S21.对接收信号y(t)进行信号子载波估计，包括子载波频率间隔估计、子载波数目估计和子载波频率估计；
S22.将信号分为I，II两路，进行基带信号还原，得到含有载波频偏和载波相偏的基带信号y1(t)、y2(t)；
S23.对相应的基带信号y1(t)、y2(t)分别进行频偏估计和相偏估计，获得频偏与相偏的估计值；
S24.组合信息大致还原星座图。
进一步地，步骤S3中所述图像预处理，具体流程为：
S31.对得到的图像进行检测；对有星座图的图像进行30°步幅旋转，得到6张预处理阶段I图像；
S32.将预处理阶段I图像进行30*30像素的大小均一化处理，得到预处理阶段II图像；
S33.将预处理阶段II图像进行灰度化处理，得到预处理图像。
进一步地，步骤S4中所述利用阶段式元学习神经网络对预处理图像进行训练，是在一个阶段内，存储具有最低验证损失的训练模型Mft,并且同时保存优化器的响应参数，当进入下一个阶段时，改进的增加训练样本数，并继承上一阶段的模型Mft并在此基础上进行训练，以此不断维护更新网络，达成自学习过程。
进一步地，步骤S4中，首先对元学习神经网络算法进行优化，对训练过程中任务的样本数量进行改进，又将固定任务样本数量改为阶段式增加训练样本数n，提高训练精度的同时降低训练耗时；其次保留最优模型训练样本数N，在此基础上固定增加样本数n，设定更新阈值为N+n。在识别未知信号过程中，对识别精准度为100％的信号进行存储，当数量达到阈值时，更新元学习神经网络，以此来更接近自适应学习，提高鲁棒性。
进一步地，在构建的元学习神经网络中，训练过程阶段旨在找到模型Mft的参数以进行快速适应，通过训练模型的参数θ来获得快速适配任务的特定模型，并将该模型称为快速模型。在训练算法上，不局限于参数的规模和模型架构，主要使用从训练数据集Ds中采样的先验任务Tp，每个先验任务中，包含Tp1-Tpn多个任务，且每个任务的训练样本数逐层递增，在第Tp1任务中，首先随机生成模型初始化参数θ，以找到元梯度下降方向，来更新参数，它应用与模型Mft相同的前向传播并使用一组由模型Mft共享的参数θ，以元梯度的方向为指导，为下一阶段进一步对模型参数θ进行优化，直至收敛取得最优模型进行测试。
进一步地，在构建元学习神经网络中，模型建立主要包括，建立一个映射函数，即fθ：RD→RM，参数为θ。将输入空间映射到嵌入空间(维度为M)，然后计算每个类的原型：
Figure BDA0003453573640000031
其中，|Sk|为训练数据集Ds中属于类别k的所有样本个数，fθ(xi)即为训练样本xi通过特征提取后得到的特征向量。在执行分类阶段，通过比较查询集中每个样本与类别原型的欧式距离，同样通过归一化指数函数将欧式距离d(.)转换为概率，进而得出测试样本
Figure BDA0003453573640000032
对于类别k的概率分布：
Figure BDA0003453573640000033
最后，在训练过程时，为了模拟样本类别预测的概率分布与其真实概率分布的差异，使用损失函数：
Figure BDA0003453573640000034
进一步地，阶段式元学习神经网络算法包括，给定一个带有随机参数θ＝{W,B}初始化的分类模型Mft,我们考虑一个由M表示的快速模型，其参数由模型Mft共享，在固定用于训练或验证的每个批次为32大小阶段批次中，首先使用数据手动更新模型参数θ，支持集Ds从第m个先前任务Tp，m中抽取，使得参数θ快速更新：
Figure BDA0003453573640000035
其中，γ表示学习率，
Figure BDA0003453573640000036
是梯度算子，而LTp(Ds,fθ)是快速模型Mft的损失函数。
快速参数θ与快速模型共享，校验数据Dq在当前任务Tp通过快速模型M向前传递θ′，从而得到元阶段的累积损失；通过反向传播更新模型Mft的参数：
Figure BDA0003453573640000037
进一步地，步骤S5中所述对接收信号的识别结果进行决策验证的具体流程为：
S51.将一组(6张)预处理图像的识别结果进行种类数的相似度计算；
S52.若相似度为100％，则将该预处理图像及识别结果导入元学习神经网络的数据集Ds进行阶段式学习，更新神经网络模型Mft；
S53.取相似度最高作为识别结果并进行输出。
本发明将传统意义的信号识别问题转化为图像识别问题，相比现有的传统训练网络调制识别方法：其有益效果在于：
结合数据增强预处理、阶段式元学习神经网络以及对接收信号识别结果的识别验证，使得本方法在低信噪比环境下仍然具有较高的识别精度，高达91.5％，并且本方法训练样本少，训练成本低，复杂度低，易于实现。
附图说明
图1是本发明实施例提供的面向物联网的元学习OFDM调制模式识别方法的流程图。
图2是本发明实施例提供的图1的工作流程图。
图3是本发明实施例提供的图2中数据增强预处理的部分星座图样例。
图4是本发明实施例提供的本发明实验仿真生成的采用数据增强预处理的准确率对比图。
图5是本发明实施提供的图2实验仿真识别精度对比图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为本发明的限定，包括附图仅供参考和说明使用，不构成本发明专利保护范围的限制，因为在不脱离本发明精神的范围基础上，可以对本发明进行许多改变。
(1)方法说明
本发明提供面向物联网的元学习OFDM调制模式识别方法，如图1、2所示，包括步骤：
S1.利用信号发生器生成各种调制信号X1(t)～XN(t)，并模拟物联网系统的不同信道噪声n1(t)～nN(t)，生成不同信噪比下的接收信号y1(t)～yN(t)；
S2.对每种不同信噪比下的接收信号通过特征提取还原星座图图像P1～PN；
S3.利用数据增强模块对图像P1～PN依次进行幅度旋转、大小均一化处理、灰度处理，得到预处理图像P1*(I、II……VI)～PN*(I、II……VI)；
S4.利用元学习神经网络对预处理图像P1*～PN*进行训练并测试分类，得到接收信号的识别结果(P1*-A1)～(PN*-AN)；
S5.利用识别验证模块对接收信号的识别结果(P1*-A1)～(PN*-AN)进行决策并计算相似度，得出识别类型。
具体地，步骤S1中，所述信号发生器通过物联网的不同信道，在接收端随机生成4至16dB且间隔为4dB的信噪比范围内各种OFDM调制信号。
进一步地，所述步骤S2具体包括如下步骤S21～S24：
S21.对接收信号y(t)进行信号子载波估计，包括子载波频率间隔估计、子载波数目估计和子载波频率估计；
S22.将信号分为I，II两路，进行基带信号还原，得到含有载波频偏和载波相偏的基带信号y1(t)、y2(t)；
S23.对相应的基带信号y1(t)、y2(t)分别进行频偏估计和相偏估计，获得频偏与相偏的估计值；
S24.组合信息大致还原星座图。
进一步地，所述步骤S3具体包括步骤：
S31.对得到的图像进行检测，对有星座图的图像进行30°步幅旋转，得到6张预处理阶段I图像；
S32.将预处理阶段I图像进行30*30像素的大小均一化处理，得到预处理阶段II图像；
S33.将预处理阶段II图像进行灰度化处理，得到预处理图像。
进一步地，所述步骤S4中，改进的元学习网络采取阶段式训练方法，在一个阶段内，存储具有最低验证损失的训练模型Mft,并且同时保存优化器的响应参数，当进入下一个阶段时，继承上一阶段的模型Mft并在此基础上进行训练，以此不断维护更新网络，达成自学习过程。
进一步地，在构建的元学习网络中，旨在找到模型Mft的参数以进行快速适应，使用从训练数据集Ds中采样的先验任务Tp，创建一个快速模型，以找到元梯度下降方向，它应用与模型Mft相同的前向传播并使用一组由模型Mft共享的参数，以元梯度的方向为指导，为下一阶段进一步优化。
进一步地，阶段化元学习神经网络算法包括给定一个带有随机参数θ＝{W,B}初始化的分类模型Mft,我们考虑一个由M表示的快速模型，其参数由模型Mft共享，在固定用于训练或验证的每个批次为32大小阶段批次中，首先使用数据手动更新模型参数θ，支持集Ds从第mb个先前任务Tp，mb中抽取，使得参数θ快速更新：
Figure BDA0003453573640000051
其中γ表示学习率，
Figure BDA0003453573640000052
是梯度算子，而LTP(Ds,fθ)是快速模型Mft的损失函数。
快速参数θ与快速模型共享，校验数据Dq在当前任务Tp通过快速模型M向前传递θ′，从而得到元阶段的累积损失；通过反向传播更新模型Mft的参数：
Figure BDA0003453573640000061
进一步地，在步骤S5中，决策验证模块进行识别验证的步骤包括：
S51.将一组(6张)预处理图像的识别结果进行种类数的相似度计算；
S52.若相似度为100％则将该预处理图像及识别结果导入元学习神经网络的数据集Ds进行阶段式学习，更新神经网络模型Mft；
S53.取相似度最高作为识别结果并进行输出。
(2)实验仿真
为了证明本实施例方法的识别效果，本实验例进行了实验仿真，在仿真中，建立了多种物联网系统，考虑了空气、水、雾气以及等混合恶劣情况的信道，整个实验在距离2.3m的情况下进行，并在调制信号阶段包含了{2ASK、2PSK、BPSK、4PSK、4QAM、8PSK、8APSK、8QAM、16APSK、16PSK、16QAM、32APSK、32QAM、64QAM}(K＝14，即14种调制信号)，涵盖低阶中阶高阶不同种调制方式，尽可能的模拟现实环境。此外，生成的OFDM调制信号的参数设置如下，子载波数为512，CP长度为32，OFDM符号数为100，直流偏置值为7dB。在阶段式元学习神经网络的训练阶段，每种调制信号的信噪比由4dB至16dB且以2dB为间隔变化(4种信噪比)，每个信噪比下共采集280张星座图作为训练集(共4*280星座图)。在测试阶段，新调制信号在随机信道下每种收集50个测试调制信号(共14*50星座图)。
如图3所示，图中分别展示了数据增强模块对星座图图像进行的图像步幅旋转、大小均一化处理以及灰度化处理的部分实验图。
如图4所示，图中展示了本发明中使用数据增强模块与不使用的准确率结果图，可以发现引入数据增强模块的确能够抑制部分失真，提高成功率将近10％左右。
如5展示了本发明方法的识别准确率，将低阶、高阶以及混合调制信号均考虑在内，且记录当决策验证模块得到100％相似度后，更新元学习器对识别准确率的影响，可以发现在更新前后，识别准确率在低信噪比可以达到91.5％，而高信噪比时最高可达98％，且不断更新元学习器，使得准确率有了小范围的增长，也能说明该方法的可行性，在保证识别精度的前提下，能更大的范围提高自主学习性，具有良好的应用性。
上述实施例为本发明方法较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方法，都包含在本发明的保护范围之内。
参考文献
[1]Finn C,Abbeel P,Levine S.Model-agnostic meta-learning for fastadaptation of deep networks[C]//Proceedings of the 34th InternationalConference on Machine Learning-Volume 70.JMLR.org,2017:1126-1135.
[2]Snell J,Swersky K,Zemel R S.Prototypical Networks for Few-shotLearning[J].2017。

Claims (10)

1.一种面向物联网的元学习调制模式识别方法，其特征在于，包括采用阶段式元学习神经网络，构成阶段式元学习器作为分类器；具体步骤为：
S1.利用信号发生器生成各种OFDM调制信号，并模拟物联网系统的信道生成不同信噪比下的接收信号；
S2.对每种不同信噪比下的接收信号通过特征提取还原出近似的星座图图像；
S3.对星座图图像进行图像预处理，即图像增强处理，得到预处理图像；
S4.利用阶段式元学习神经网络对预处理图像进行训练以及测试分类，得到接收信号的识别结果；
S5.对接收信号的识别结果进行决策验证，包括对接收信号的识别结果进行决策并计算相似度，得出调制类型。
2.根据权利要求1所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S1中所述利用信号发生器生成各种调制信号，是信号发生器通过物联网的不同信道，在接收端随机生成4至16dB且间隔为4dB的信噪比范围内各种OFDM调制信号。
3.根据权利要求1所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S2中所述还原出近似星座图图像的具体流程为：
S21.对接收信号y(t)进行信号子载波估计，包括子载波频率间隔估计、子载波数目估计和子载波频率估计；
S22.将信号分为I，II两路，进行基带信号还原，得到含有载波频偏和载波相偏的基带信号y1(t)、y2(t)；
S23.对相应的基带信号y1(t)、y2(t)分别进行频偏估计和相偏估计，获得频偏与相偏的估计值；
S24.组合信息大致还原星座图。
4.根据权利要求1所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S3中所述图像预处理的具体流程为：
S31.对得到的图像进行检测；对有星座图的图像进行30°步幅旋转，得到6张预处理阶段I图像；
S32.将预处理阶段I图像进行30*30像素的大小均一化处理，得到预处理阶段II图像；
S33.将预处理阶段II图像进行灰度化处理，得到预处理图像。
5.根据权利要求1所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S4中所述利用阶段式元学习神经网络对预处理图像进行训练，是在一个阶段内，存储具有最低验证损失的训练模型Mft,并且同时保存优化器的响应参数，当进入下一个阶段时，增加训练样本数，并继承上一阶段的模型Mft并在此基础上进行训练，以此不断维护更新网络，达成自学习过程。
6.根据权利要求5所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S4中，首先对元学习神经网络算法进行优化，对训练过程中任务的样本数量进行改进，将固定任务样本数量改为阶段式增加训练样本数n，提高训练精度的同时降低训练耗时；其次保留最优模型训练样本数N，在此基础上固定增加样本数n，设定更新阈值为N+n；在识别未知信号过程中，对识别精准度为100％的信号进行存储，当数量达到阈值时，更新元学习神经网络，以此来更接近自适应学习，提高鲁棒性。
7.根据权利要求6所述的面向物联网的元学习调制模式识别方法，其特征在于，在构建的元学习神经网络中，训练过程阶段旨在找到模型Mft的参数以进行快速适应，通过训练模型的参数θ来获得快速适配任务的特定模型，称改模型为快速模型；在训练算法上，使用从训练数据集Ds中采样的先验任务Tp，每个先验任务中，包含Tp1-Tpn多个任务，且每个任务的训练样本数逐层递增；在第Tp1任务中，首先随机生成模型初始化参数θ，以找到元梯度下降方向，来更新参数，它应用与模型Mft相同的前向传播并使用一组由模型Mft共享的参数θ，以元梯度的方向为指导，在下一阶段进一步对模型参数θ进行优化，直至收敛取得最优模型进行测试。
8.根据权利要求7所述的面向物联网的元学习调制模式识别方法，其特征在于，在构建元学习神经网络中，包括建立一个映射函数，即fθ：RD→RM，参数为θ；将输入空间映射到嵌入维度为M的空间，然后计算每个类的原型：
Figure FDA0003453573630000021
其中，|Sk|为训练数据集Ds中属于类别k的所有样本个数，fθ(xi)即为训练样本xi通过特征提取后得到的特征向量；
在执行分类阶段，通过比较查询集中每个样本与类别原型的欧式距离，同样通过归一化指数函数将欧式距离d(.)转换为概率，进而得出测试样本
Figure FDA0003453573630000022
对于类别k的概率分布：
Figure FDA0003453573630000023
在训练过程时，为了模拟样本类别预测的概率分布与其真实概率分布的差异，使用损失函数：
Figure FDA0003453573630000031
9.根据权利要求8所述的面向物联网的元学习调制模式识别方法，其特征在于，阶段式元学习神经网络算法包括，给定一个带有随机参数θ＝{W,B}初始化的分类模型Mft,我们考虑一个由M表示的快速模型，其参数由模型Mft共享，在固定用于训练或验证的每个批次为32大小阶段批次中，首先使用数据手动更新模型参数θ，支持集Ds从第m个先前任务Tp，m中抽取，使得参数θ快速更新：
Figure FDA0003453573630000032
其中，γ表示学习率，
Figure FDA0003453573630000033
是梯度算子，而
Figure FDA0003453573630000034
是快速模型Mft的损失函数；
快速参数θ与快速模型共享，校验数据Dq在当前任务Tp通过快速模型M向前传递θ′，从而得到元阶段的累积损失；通过反向传播更新模型Mft的参数：
Figure FDA0003453573630000035
10.根据权利要求1所述的面向物联网的元学习调制模式识别方法，其特征在于，步骤S5中所述对接收信号的识别结果进行决策验证的具体流程为：
S51.将一组预处理图像的识别结果进行种类数的相似度计算；
S52.若相似度为100％，则将该预处理图像及识别结果导入元学习神经网络的数据集Ds进行阶段式学习，更新神经网络模型Mft；
S53.取相似度最高作为识别结果并进行输出。
CN202111673019.9A 2021-12-31 2021-12-31 面向物联网的元学习调制模式识别方法 Pending CN114298114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111673019.9A CN114298114A (zh) 2021-12-31 2021-12-31 面向物联网的元学习调制模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111673019.9A CN114298114A (zh) 2021-12-31 2021-12-31 面向物联网的元学习调制模式识别方法

Publications (1)

Publication Number Publication Date
CN114298114A true CN114298114A (zh) 2022-04-08

Family

ID=80974914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111673019.9A Pending CN114298114A (zh) 2021-12-31 2021-12-31 面向物联网的元学习调制模式识别方法

Country Status (1)

Country Link
CN (1) CN114298114A (zh)

Similar Documents

Publication Publication Date Title
CN108234370B (zh) 基于卷积神经网络的通信信号调制方式识别方法
CN110855591B (zh) 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法
CN107707494B (zh) 用于64-qam相干光通信系统的光纤非线性均衡方法
CN110300078B (zh) 基于课程学习的调制信号识别方法
CN110113288B (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN113141325B (zh) 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置
Zhang et al. A data preprocessing method for automatic modulation classification based on CNN
CN109660297A (zh) 一种基于机器学习的物理层可见光通信方法
CN110598530A (zh) 一种基于acgan的小样本无线电信号增强识别方法
CN109617845A (zh) 一种基于深度学习的无线通信解调器的设计及解调方法
CN108965178A (zh) 基于机器学习的智能自适应均衡器及均衡解调方法
CN113014524A (zh) 一种基于深度学习的数字信号调制识别方法
Almohamad et al. Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems
Ma et al. Modulation classification method based on deep learning under non-Gaussian noise
Lin et al. A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network
Sun et al. Automatic signal modulation recognition based on deep convolutional neural network
Ilhan et al. Offloading deep learning empowered image segmentation from uav to edge server
CN114398931A (zh) 基于数值特征和图像特征融合的调制识别方法及系统
CN113239788A (zh) 一种基于Mask R-CNN的无线通信调制模式识别方法
CN114615118A (zh) 一种基于多端卷积神经网络的调制识别方法
CN109274626A (zh) 一种基于星座图正交扫描特征的调制识别方法
CN111865848B (zh) 一种信号调制格式识别方法及系统
Sang et al. Deep learning based predictive power allocation for V2X communication
Cai et al. The performance evaluation of big data-driven modulation classification in complex environment
CN115086123B (zh) 基于时频图和星座图融合的调制识别方法及系统

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