CN114301499B - 一种基于cnn-gru的跳频信号智能接收方法 - Google Patents

一种基于cnn-gru的跳频信号智能接收方法 Download PDF

Info

Publication number
CN114301499B
CN114301499B CN202111627402.0A CN202111627402A CN114301499B CN 114301499 B CN114301499 B CN 114301499B CN 202111627402 A CN202111627402 A CN 202111627402A CN 114301499 B CN114301499 B CN 114301499B
Authority
CN
China
Prior art keywords
network
frequency
gru
signal
resnet
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
Application number
CN202111627402.0A
Other languages
English (en)
Other versions
CN114301499A (zh
Inventor
王安强
赵知劲
叶学义
尚俊娜
姜明
岳克强
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111627402.0A priority Critical patent/CN114301499B/zh
Publication of CN114301499A publication Critical patent/CN114301499A/zh
Application granted granted Critical
Publication of CN114301499B publication Critical patent/CN114301499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

  • Telephonic Communication Services (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于CNN‑GRU的跳频信号智能接收方法，首先搭建跳频序列智能估计网络CNN‑GRU；然后生成相应的训练数据对CNN‑GRU网络进行线下训练；最后接收方使用CNN‑GRU网络对接收信号进行处理，从而得到发送方所发送的信息。本发明CNN‑GRU网络具有较强的泛化能力和鲁棒性，针对跳频信号的非平稳特性，使用短时傅里叶变换准确反映信号的时频域特征，同时解决了单纯使用时域信号所带来的信息冗余问题，减少了网络模型的计算量。使用门循环单元对提取到的高维特征进行处理，通过其所具有的记忆能力来进一步利用信号在时域上的相关信息，同时提高了网络模型对不同长度跳频接收信号的适应性。

Description

一种基于CNN-GRU的跳频信号智能接收方法
技术领域
本发明属于跳频通信中智能抗干扰决策领域，特别涉及一种基于CNN-GRU的跳频信号智能接收方法。一种利用卷积神经网络和循环神经网络对跳频接收信号进行跳频序列估计的智能接收方法。
背景技术
跳频通信具有较强的抗干扰能力，同时还具备易组网和难以截获的特点。但是，在如今日益复杂的电磁环境和逐渐智能化的干扰策略下，传统的跳频通信技术已不能满足通信需求。对此，近年来，智能抗干扰逐渐受到重视，在干扰认知的基础上通过实时的、智能的改变频率跳变规律，能有效地对抗复杂干扰，提升通信质量。这也给接收方带来了巨大的压力。
目前对于智能抗干扰的研究大多聚焦于发送方，研究发送方如何进行干扰躲避，但没有给出接收方如何获得发送方的决策信息从而进行接收。
人工神经网络受启发于人类的大脑，通过模拟神经元的工作方式将多个神经元组合成能处理复杂问题的网络。由于神经网络的强大学习能力，在通信领域中的应用也越来越广泛，比如：信号的估计与均衡、信号的调制方式识别、干扰信号的识别以及干扰信号的抑制等。
发明内容
本发明针对智能跳频通信系统中跳频图案不再固定而是智能选择的情况，提出一种基于CNN-GRU的跳频信号智能接收方法。接收方充分利用跳频信号的非平稳特性，使用时频分析准确反映信号在时间域和频率域上的联合特征，并设计了一种CNN-GRU网络，使用该网络对接收信号的时频域特征进行学习，进而实现跳频信号的智能接收。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1、搭建跳频序列智能估计网络CNN-GRU；
步骤2、生成相应的训练数据对CNN-GRU网络进行线下训练；
步骤3、接收方使用CNN-GRU网络对接收信号进行处理，从而得到发送方所发送的信息。
进一步的，步骤1具体方法如下：
采用卷积神经网络(CNN)进行信号时频谱图的特征提取：
首先使用大小为7*7，步长为2的卷积核对时频谱图进行卷积操作，其次采用残差网络(ResNet)的结构解决网络在训练过程中梯度消失的问题。ResNet的原理是通过在网络中增加直连通道，允许原始输入信息直接传递到后面的网络层，其数学表达式为：
Ores＝f(e(Ires)+F(Ires:Wres)) (1)
其中，Ores为ResNet的输出；Ires为ResNet的输入；e(Ires)＝Ires表示恒等快捷映射；F表示在网络参数Wres下，网络从输入到输出的函数映射；f为激活函数RELU。
使用三层ResNet结构，每层ResNet都采用两层卷积处理，卷积核大小为3*3。第一层ResNet的卷积核数量为64，步长为1，e(Ires)采用恒等快捷映射；第二层ResNet的卷积核数量为128，步长为2，e(Ires)采用线性投影的方式，具体为使用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为128，步长为2；第三层ResNet的卷积核数量为256，步长为2，e(Ires)采用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为256，步长为2。同时在每层ResNet中的每一个卷积层后加入BN(Batch Normalization)层，通过对卷积层的输出进行归一化操作，使得每一层的输入保持相同的分布。
在ResNet后使用SE-Net(Squeeze-And-Excitation Networks)对特征图进行通道维度优化，通过两层全连接网络计算得到特征图通道的权重系数。SE-Net包含一层池化方式为最大值池化的全局池化层(Global pool)以及两层全连接层(FC)。ResNet输出的特征图通道数为256，故第一层FC的输入输出位数为256，16；第二层FC的输入输出维数为16，256；两层FC的激活函数分别为RELU，sigmoid，其数学表示式如式(2)(3)所示。在实现特征图的通道维度优化后，使用Global pool进行最终的特征整合。将ResNet以及SE-Net连接起来得到SE-ResNet。
fRELU(I)＝max(0,I) (2)
采用SE-ResNet对接收信号的时频图进行处理，通过训练使得网络可以提取出信号的高维特征。同时对于不同的信号或干扰，其频率随时间变化的特点并不相同，采用GRU对信号高维特征进行整合、处理，充分利用其在时间维度上的信息，GRU由重置门和更新两大部分组成，其前向计算过程为：
其中：Wiz、Whz和biz、bhz分别表示更新门权重系数和偏置系数；Wir、Whr和bir、bhr分别表示重置门权重系数和偏置系数；Win、Whn和bin、bhn分别表示候选隐藏层权重系数和偏置系数；σ表示sigmod函数；It表示t时刻的输入；Ot表示t时刻的输出。
对于GRU的输出使用FC进行分类处理，激活函数采用softmax函数，FC的输入维数为512，输出维数则根据跳频系统的频点数目进行相应设置。将上述的SE-ResNet、GRU以及FC进行组合得到跳频序列智能估计网络CNN-GRU。
进一步的，步骤2具体方法如下：
根据通信系统所处的无线电磁环境生成训练数据，具体为：
首先根据跳频通信系统所使用的频点数目q，随机产生任意长度的，频点集个数为q的跳频序列；然后根据跳频序列生成对应的跳频信号，将该信号与干扰信号进行混合作为接收信号；最后将接收信号的时频谱图作为网络的输入数据，将跳频序列进行One-hot编码作为对应的标签。最终生成的数据集中训练集与验证集的比例为8:2。网络的优化表示如下：
其中，O表示该输入数据所对应的标签；表示网络的输出；M表示网络的输入数据；Ω表示网络模型的参数；Λ(:Ω)表示网络从输入到输出的函数映射。
采用Adam优化器，每NB个样本一批进行批训练，网络的损失函数采用交叉熵，其数学表达式为：
其中，NB表示批处理的样本数；len表示当前跳频序列的长度；pitk表示第i个样本在第t时刻分类器上第k类的输出概率；labelitk表示对应第i个样本的第t跳的跳频序列值的第k个标签。
进一步的，步骤3具体方法如下：
首先对接收信号按照通信频带范围进行高通滤波，剔除通信频带以外的干扰。然后，接收方按照式(7)、(8)处理后得到接收信号的时频谱图。
M(g,h)＝|STFT(g,h)|2 (8)
其中，表示窗函数，本发明采用的是汉明窗。
接收信号为Y(t)＝[y1,y2,y3,…ylen]，其中yt表示第t跳的信号序列。时频谱图即时频矩阵M＝[m1,m2,m3,…,mlen]，其中mt为第t跳信号的时频矩阵。将接收信号的时频矩阵按照跳频周期分段，依次输入CNN-GRU网络。接收方根据CNN-GRU网络的输出得到该接收信号的估计跳频序列，通过频率合成器生成对应频率的载波信号，对信号进行解跳处理得到基带信号，然后根据通信双方所固定的调制方式进行相应的解调得到最后的发送信息，完成信息的智能接收。
本发明的有益效果是：
1、本发明从跳频通信接收方的角度出发进行研究，针对智能抗干扰中发送方灵活躲避干扰所带来的通信双方无法及时统一跳频序列的问题，设计一种CNN-GRU网络实现了接收方在少量先验知识的前提下信号的智能接收，网络具有较强的泛化能力和鲁棒性。
2、针对跳频信号的非平稳特性，使用短时傅里叶变换准确反映信号的时频域特征，同时解决了单纯使用时域信号所带来的信息冗余问题，减少了网络模型的计算量。
3、使用卷积神经网络对接收信号的时频谱图进行特征提取，相比于传统的全连接神经网络参数量更少，同时加入残差结构和SE(Squeeze-and-Excitation)结构避免了网络训练过程中梯度消失的问题，进一步提升网络的特征提取和表达能力。
4、使用门循环单元对提取到的高维特征进行处理，通过其所具有的记忆能力来进一步利用信号在时域上的相关信息，同时提高了网络模型对不同长度跳频接收信号的适应性。
5、将跳频信号分段进行处理，减少了分类器的输出维数，同时降低了网络的训练成本和训练难度。
6、得益于网络的分块化设计思想，网络模型在通信系统参数发生变化时能够及时应对，只需对分类器输出模块进行相应调整，其余模块保持不变。同时面对通信系统参数发生变化后训练数据量较少的问题，也可保证网络的训练效果。
附图说明
图1为本发明的SE-Resnet结构示意图。
图2为本发明的GRU结构示意图。
图3为本发明的CNN-GRU网络模型结构示意图。
图4为跳频信号智能接收系统示意图。
图5为本发明的网络输入数据示意图。
具体实施方式
下面进一步详细说明本发明的实施步骤。
基于CNN-GRU的跳频信号智能接收方案，具体包括如下步骤：
步骤1、搭建跳频序列智能估计网络CNN-GRU，具体如下：
跳频序列的估计问题实质上是分类问题，考虑到网络的参数量以及训练成本，直接使用信号的时域采样信号会使得网络的输入维数过大导致网络难以收敛，最终使用信号时频谱图作为网络输入数据。本发明采用卷积神经网络(CNN)进行信号时频谱图的特征提取，首先使用大小为7*7，步长为2的卷积核对时频谱图进行卷积操作，其次采用残差网络(ResNet)的结构解决网络在训练过程中梯度消失的问题。ResNet的原理是通过在网络中增加直连通道，允许原始输入信息直接传递到后面的网络层，其数学表达式为：
Ores＝f(e(Ires)+F(Ires:Wres)) (1)
其中，Ores为ResNet的输出；Ires为ResNet的输入；e(Ires)＝Ires表示恒等快捷映射；F表示在网络参数Wres下，网络从输入到输出的函数映射；f为激活函数RELU。
本发明使用了三层ResNet结构，每层ResNet都采用两层卷积处理，卷积核大小为3*3。第一层ResNet的卷积核数量为64，步长为1，e(Ires)采用恒等快捷映射；第二层ResNet的卷积核数量为128，步长为2，e(Ires)采用线性投影的方式，具体为使用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为128，步长为2；第三层ResNet的卷积核数量为256，步长为2，e(Ires)采用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为256，步长为2。同时在每层ResNet中的每一个卷积层后加入BN(Batch Normalization)层，通过对卷积层的输出进行归一化操作，使得每一层的输入保持相同的分布。这样可以减少对网络参数初始化的要求，进而一定程度上降低了网络训练难度，同时还可以增强网络的泛化能力。
在ResNet后使用SE-Net(Squeeze-And-Excitation Networks)对特征图进行通道维度优化，其主要是通过两层全连接网络计算得到特征图通道的权重系数。本发明的SE-Net主要包含一层池化方式为最大值池化的全局池化层(Global pool)以及两层全连接层(FC)。ResNet输出的特征图通道数为256，故第一层FC的输入输出位数为256，16；第二层FC的输入输出维数为16，256；两层FC的激活函数分别为RELU，sigmoid，其数学表示式如式(2)(3)所示。
fRELU(I)＝max(0,I) (2)
SE-Net中使用两层全连接层实现降维与恢复操作，该方式相较于直接使用一层全连接层具有以下好处：1)对于一层全连接层，输入与输出之间是线性计算的关系，而使用两层全连接层可以使该结构具有更强的非线性，能够更好的拟合不同特征通道之间复杂的相关性；2)极大的减少了参数量以及计算量。该方式在模型训练时，SE模块会对残差模块的输出进行计算得到一组权重数值，其与输出的通道数一致，通过对每个通道的加权计算，能够实现突出特征中的关键信息抑制无用信息的作用，增强网络模型的表达能力。在实现特征图的通道维度优化后，使用Global pool进行最终的特征整合。传统的CNN在卷积层之后通常会使用全连接层进行降维，通过将提取到的特征展平实现数据降维，但这会改变特征数据的空间位置，丢失部分有用特征。本发明采用Global Pool代替FC来避免这部分特征丢失，这种网络结构能够使用反卷积操作对特征数据进行上采样得到与输入数据相同的尺寸，因此通过这种方法可以保留更多的特征信息。同时可以进一步减少网络参数量，减少网络的训练难度和计算时间。将上述ResNet以及SE-Net连接起来得到本发明的SE-ResNet，如图1所示，其中虚线左侧为ResNet右侧为SE-Net。
采用SE-ResNet对接收信号的时频图进行处理，通过训练使得网络可以提取出信号的高维特征。同时对于不同的信号或干扰，其频率随时间变化的特点并不相同，本发明采用GRU对信号高维特征进行整合、处理，充分利用其在时间维度上的信息，GRU主要由重置门和更新两大部分组成，结构示意图如图2所示。其前向计算过程为：
其中：Wiz、Whz和biz、bhz分别表示更新门权重系数和偏置系数；Wir、Whr和bir、bhr分别表示重置门权重系数和偏置系数；Win、Whn和bin、bhn分别表示候选隐藏层权重系数和偏置系数；σ表示sigmod函数；It表示t时刻的输入；Ot表示t时刻的输出。
对于GRU的输出使用FC进行分类处理，激活函数采用softmax函数，FC的输入维数为512，输出维数则根据跳频系统的频点数目进行相应设置。采用GRU的结构可将跳频信号分段进行处理，大幅度减少网络分类的类别数目，从而减少训练网络所需的数据量，实现在有限时间内收敛。将上述的SE-ResNet、GRU以及FC进行组合得到本发明的CNN-GRU网络，如图3所示。
步骤2、生成相应的训练数据对CNN-GRU网络进行线下训练，具体如下：
根据通信系统所处的无线电磁环境生成训练数据，具体为：首先根据跳频通信系统所使用的频点数目，随机产生任意长度的，频点集个数为16的跳频序列；然后根据跳频序列生成对应的跳频信号，将该信号与干扰信号进行混合作为接收信号；最后将接收信号的时频谱图作为网络的输入数据，将跳频序列进行One-hot编码作为对应的标签。最终生成的数据集中训练集与验证集的比例为8:2。网络的优化表示如下：
其中，O表示该输入数据所对应的标签；表示网络的输出；M表示网络的输入数据；Ω表示网络模型的参数；Λ(:Ω)表示网络从输入到输出的函数映射。
采用Adam优化器，每NB个样本一批进行批训练，网络的损失函数采用交叉熵，其数学表达式为：
其中，NB表示批处理的样本数；len表示当前跳频序列的长度；pitk表示第i个样本在第t时刻分类器上第k类的输出概率；labelitk表示对应第i个样本的第t跳的跳频序列值的第k个标签。
本发明采用每60个样本一批进行批训练，初始学习率为0.001，共进行6轮训练，每轮训练学习率降为上一轮的0.05倍。
步骤3、接收方使用CNN-GRU网络对接收信号进行处理，从而得到发送方所发送的信息，具体如下：
接收方按照图4的方式进行信号接收。首先对接收信号按照通信频带范围进行高通滤波，剔除通信频带以外的干扰。然后，接收方按照式(7)、(8)处理后得到接收信号的时频谱图，如图5所示。
M(g,h)＝|STFT(g,h)|2 (8)
其中，表示窗函数，本发明采用的是汉明窗。
接收信号为Y(t)＝[y1,y2,y3,…ylen]，其中yt表示第t跳的信号序列。时频谱图即时频矩阵M＝[m1,m2,m3,…,mlen]，其中mt为第t跳信号的时频矩阵。将接收信号的时频矩阵按照跳频周期分段，依次输入CNN-GRU网络。接收方根据CNN-GRU网络的输出得到该接收信号的估计跳频序列，通过频率合成器生成对应频率的载波信号，对信号进行解跳处理得到基带信号，然后根据通信双方所固定的调制方式进行相应的解调得到最后的发送信息，完成信息的智能接收。

Claims (3)

1.一种基于CNN-GRU的跳频信号智能接收方法，其特征在于，包括如下步骤：
步骤1、搭建跳频序列智能估计网络CNN-GRU；
步骤2、生成相应的训练数据对CNN-GRU网络进行线下训练；
步骤3、接收方使用CNN-GRU网络对接收信号进行处理，从而得到发送方所发送的信息；
步骤1具体方法如下：
采用卷积神经网络(CNN)进行信号时频谱图的特征提取：
首先使用大小为7*7，步长为2的卷积核对时频谱图进行卷积操作，其次采用残差网络ResNet的结构解决网络在训练过程中梯度消失的问题；ResNet的原理是通过在网络中增加直连通道，允许原始输入信息直接传递到后面的网络层，其数学表达式为：
Ores＝f(e(Ires)+F(Ires:Wres)) (1)
其中，Ores为ResNet的输出；Ires为ResNet的输入；e(Ires)＝Ires表示恒等快捷映射；F表示在网络参数Wres下，网络从输入到输出的函数映射；f为激活函数RELU；
使用三层ResNet结构，每层ResNet都采用两层卷积处理，卷积核大小为3*3；第一层ResNet的卷积核数量为64，步长为1，e(Ires)采用恒等快捷映射；第二层ResNet的卷积核数量为128，步长为2，e(Ires)采用线性投影的方式，具体为使用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为128，步长为2；第三层ResNet的卷积核数量为256，步长为2，e(Ires)采用大小为1*1的卷积核对特征图进行卷积处理，卷积核数量为256，步长为2；同时在每层ResNet中的每一个卷积层后加入BN层，通过对卷积层的输出进行归一化操作，使得每一层的输入保持相同的分布；
在ResNet后使用SE-Net对特征图进行通道维度优化，通过两层全连接网络计算得到特征图通道的权重系数；SE-Net包含一层池化方式为最大值池化的全局池化层以及两层全连接层；ResNet输出的特征图通道数为256，故第一层FC的输入输出位数为256，16；第二层FC的输入输出维数为16，256；两层FC的激活函数分别为RELU，sigmoid，其数学表示式如式(2)、(3)所示；在实现特征图的通道维度优化后，使用Global pool进行最终的特征整合；将ResNet以及SE-Net连接起来得到SE-ResNet；
fRELU(I)＝max(0,I) (2)
采用SE-ResNet对接收信号的时频图进行处理，通过训练使得网络可以提取出信号的高维特征；同时对于不同的信号或干扰，其频率随时间变化的特点并不相同，采用GRU对信号高维特征进行整合、处理，充分利用其在时间维度上的信息，GRU由重置门和更新两大部分组成，其前向计算过程为：
其中：Wiz、Whz和biz、bhz分别表示更新门权重系数和偏置系数；Wir、Whr和bir、bhr分别表示重置门权重系数和偏置系数；Win、Whn和bin、bhn分别表示候选隐藏层权重系数和偏置系数；σ表示sigmod函数；It表示t时刻的输入；Ot表示t时刻的输出；
对于GRU的输出使用FC进行分类处理，激活函数采用softmax函数，FC的输入维数为512，输出维数则根据跳频系统的频点数目进行相应设置；将上述的SE-ResNet、GRU以及FC进行组合得到跳频序列智能估计网络CNN-GRU。
2.根据权利要求1所述的一种基于CNN-GRU的跳频信号智能接收方法，其特征在于，步骤2具体方法如下：
根据通信系统所处的无线电磁环境生成训练数据，具体为：
首先根据跳频通信系统所使用的频点数目q，随机产生任意长度的，频点集个数为q的跳频序列；然后根据跳频序列生成对应的跳频信号，将该信号与干扰信号进行混合作为接收信号；最后将接收信号的时频谱图作为网络的输入数据，将跳频序列进行One-hot编码作为对应的标签；最终生成的数据集中训练集与验证集的比例为8:2；网络的优化表示如下：
其中，O表示该输入数据所对应的标签；表示网络的输出；M表示网络的输入数据；Ω表示网络模型的参数；Λ(:Ω)表示网络从输入到输出的函数映射；
采用Adam优化器，每NB个样本一批进行批训练，网络的损失函数采用交叉熵，其数学表达式为：
其中，NB表示批处理的样本数；len表示当前跳频序列的长度；pitk表示第i个样本在第t时刻分类器上第k类的输出概率；labelitk表示对应第i个样本的第t跳的跳频序列值的第k个标签。
3.根据权利要求2所述的一种基于CNN-GRU的跳频信号智能接收方法，其特征在于，步骤3具体方法如下：
首先对接收信号按照通信频带范围进行高通滤波，剔除通信频带以外的干扰；然后，接收方按照式(7)、(8)处理后得到接收信号的时频谱图；
M(g,h)＝|STFT(g,h)|2 (8)
其中，STFT(g,h)为短时傅里叶变换，表示窗函数，采用的是汉明窗；接收信号为Y(t)＝[y1,y2,y3,…ylen]，其中yt表示第t跳的信号序列；时频谱图即时频矩阵M＝[m 1,m 2,m3,…,m len]，其中mt为第t跳信号的时频矩阵；将接收信号的时频矩阵按照跳频周期分段，依次输入CNN-GRU网络；接收方根据CNN-GRU网络的输出/>得到该接收信号的估计跳频序列，通过频率合成器生成对应频率的载波信号，对信号进行解跳处理得到基带信号，然后根据通信双方所固定的调制方式进行相应的解调得到最后的发送信息，完成信息的智能接收。/>
CN202111627402.0A 2021-12-28 2021-12-28 一种基于cnn-gru的跳频信号智能接收方法 Active CN114301499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111627402.0A CN114301499B (zh) 2021-12-28 2021-12-28 一种基于cnn-gru的跳频信号智能接收方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111627402.0A CN114301499B (zh) 2021-12-28 2021-12-28 一种基于cnn-gru的跳频信号智能接收方法

Publications (2)

Publication Number Publication Date
CN114301499A CN114301499A (zh) 2022-04-08
CN114301499B true CN114301499B (zh) 2024-02-20

Family

ID=80971452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111627402.0A Active CN114301499B (zh) 2021-12-28 2021-12-28 一种基于cnn-gru的跳频信号智能接收方法

Country Status (1)

Country Link
CN (1) CN114301499B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126332A (zh) * 2019-12-31 2020-05-08 桂林电子科技大学 基于轮廓特征的跳频信号分类方法
CN111680666A (zh) * 2020-06-30 2020-09-18 西安电子科技大学 欠采样跳频通信信号深度学习恢复方法
CN113472390A (zh) * 2021-07-07 2021-10-01 哈尔滨工程大学 一种基于深度学习的跳频信号参数估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126332A (zh) * 2019-12-31 2020-05-08 桂林电子科技大学 基于轮廓特征的跳频信号分类方法
CN111680666A (zh) * 2020-06-30 2020-09-18 西安电子科技大学 欠采样跳频通信信号深度学习恢复方法
CN113472390A (zh) * 2021-07-07 2021-10-01 哈尔滨工程大学 一种基于深度学习的跳频信号参数估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于改进遗传算法的跳频通信智能决策引擎》;王安强等;《杭州电子科技大学学报（自然科学版）》;第41卷(第1期);第2章 *
《基于灰狼算法的抗干扰跳频序列设计》;赵知劲等;《信号处理》;第37卷(第6期);1046-1054 *

Also Published As

Publication number Publication date
CN114301499A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
Zhang et al. Automatic modulation classification using CNN-LSTM based dual-stream structure
Zhang et al. Overfitting and underfitting analysis for deep learning based end-to-end communication systems
Zhou et al. Deep learning for modulation recognition: A survey with a demonstration
Zhang et al. Deep learning-enabled semantic communication systems with task-unaware transmitter and dynamic data
CN108234370B (zh) 基于卷积神经网络的通信信号调制方式识别方法
Wu et al. A deep learning approach for modulation recognition via exploiting temporal correlations
CN110120926B (zh) 基于演化bp神经网络的通信信号调制方式识别方法
Liang et al. Automatic modulation recognition based on adaptive attention mechanism and ResNeXt WSL model
CN107038421A (zh) 基于稀疏堆栈自编码的调制样式识别方法
CN112241724B (zh) 一种基于双路卷积长短期神经网络的自动识别方法及系统
Zhang et al. Modulation recognition of underwater acoustic signals using deep hybrid neural networks
CN109887047B (zh) 一种基于生成式对抗网络的信号-图像翻译方法
CN114896887B (zh) 一种基于深度学习的用频设备射频指纹识别方法
Zhang et al. Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set
Tan et al. Semi-supervised specific emitter identification based on bispectrum feature extraction CGAN in multiple communication scenarios
Sang et al. Application of novel architectures for modulation recognition
CN115438708A (zh) 一种基于卷积神经网络和多模态融合的分类识别方法
Lin et al. Modulation recognition using signal enhancement and multistage attention mechanism
Zhang et al. Learning modulation filter networks for weak signal detection in noise
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN113259289B (zh) 基于残差神经网络的单通道混叠信号调制模式识别方法
Liu et al. Jamming recognition based on feature fusion and convolutional neural network
Qiu et al. DeepSIG: A Hybrid Heterogeneous Deep Learning Framework for Radio Signal Classification
CN114301499B (zh) 一种基于cnn-gru的跳频信号智能接收方法
CN116738251A (zh) 一种基于生成对抗网络的射频指纹识别训练数据生成方法

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
GR01 Patent grant
GR01 Patent grant