CN114513755B - 一种智慧城市5g大数据定位系统的信号提取识别方法 - Google Patents
一种智慧城市5g大数据定位系统的信号提取识别方法 Download PDFInfo
- Publication number
- CN114513755B CN114513755B CN202210120456.6A CN202210120456A CN114513755B CN 114513755 B CN114513755 B CN 114513755B CN 202210120456 A CN202210120456 A CN 202210120456A CN 114513755 B CN114513755 B CN 114513755B
- Authority
- CN
- China
- Prior art keywords
- signal
- positioning
- correlation
- cross
- positioning system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000012216 screening Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于智慧城市信号处理领域，具体涉及一种正确率更高的智慧城市5G大数据定位系统的信号提取识别方法。本发明包括：(1)对定位系统的定位脉冲信号进行预处理；(2)检测实测信号，选定定位脉冲信号作为参考信号，进行实测信号与参考信号的互相关，得到互相关信号；(3)获取互相关信号期望信号并过滤alpha稳态分布噪声；(4)检测互相关信号的期望信号的局部相关峰等。本发明通过计算瞬时估计误差、调整收敛速度和稳态误差的步长参数修正漏检和错检的脉冲信号位置，提高了检测的准确度，在整体上通过多次迭代筛选局部相关峰方法的计算逻辑更加直接，计算量更低，提高了智慧城市的大数据定位系统的整体性能。
Description
技术领域
本发明属于智慧城市信号处理领域，具体涉及一种正确率更高的智慧城市5G大数据定位系统的信号提取识别方法。
背景技术
随着国家大数据和人工智能基础建设的不断推进,“智慧城市”等概念发展迅速，运用一系列新型信息技术来提高城市治理的信息化水平也得到进一步重视与发展。智慧城市建设中，一个重要的问题就是对目标进行精准定位，例如对误闯管制区域的无人车或者平民进行定位以及大型会场、商超的室内定位等问题。但鉴于城市环境的复杂性，大多数定位技术通常不能提供令人满意的定位精度。因此目前需要提出一种高正确率的定位信号提取识别方法。
发明内容
本发明的目的在于提供一种智慧城市5G大数据定位系统的信号提取识别方法。
本发明的目的是这样实现的：
一种智慧城市5G大数据定位系统的信号提取识别方法，包括如下步骤：
(1)对定位系统的定位脉冲信号进行预处理；
(2)检测实测信号，选定定位脉冲信号作为参考信号，进行实测信号与参考信号的互相关，得到互相关信号；
(3)获取互相关信号期望信号并过滤alpha稳态分布噪声；
(4)检测互相关信号的期望信号的局部相关峰；
(5)通过设置阈值对局部相关峰消除重复点、滤除野点；
(6)计算局部相关峰位置在时域中的对应，对定位脉冲信号进行时域截取，同一定位脉冲信号中单脉冲信号持续时间取为d，选择长为d的时间窗将定位单脉冲信号从定位脉冲信号中提取出来；
(7)计算定位单脉冲信号的瞬时估计误差；
(8)进行定位单脉冲信号的通用自适应计算；
(9)进行定位系统辨识参数稳态化；
(10)进行自适应滤波器的定位识别。
所述的步骤(1)包括：将接收到的定位系统的定位脉冲信号经过一个频率范围在s0-s1的带通滤波处理，经过滤波后，消除直流分量与低频脉冲干扰；将a到a-A+1时刻的定位脉冲信号离散值H(a),H(a-1),…,H(a-A+1)组成输入向量H(a)＝[H(a),H(a-1),…,H(a-A+1)]T，即获得当前a时刻的定位脉冲信号；其中A为滤波器时域长，T为转置运算；
所述的步骤(2)包括：
检测实测信号k(a)，选定定位脉冲信号h(a)作为参考信号l(a)，进行实测信号与参考信号的互相关，得到互相关信号：
x为互相关参数；
所述的步骤(3)包括：
确定信道抽头权向量μ0，
将互相关信号ιh,l(x)输入到信道模型得到期望信号；
q(a)＝[ιh,l(x)]Tμ0+I(a)；
I(a)是alpha稳定分布脉冲噪声，方差为
获取拖尾厚度的特征指数υ、控制对称性参数α∈[-1,1]、中心位置参数ρ∈∞，分散系数τ；
获取alpha稳定分布脉冲噪声为：
j为虚数；
使用滤波器滤除I(a)；得到降噪后的互相关信号期望信号q′(a)。
检测互相关信号期望信号的局部相关峰；
寻找互相关信号期望信号的局部最大值，即局部相关峰，将局部相关峰位置作为判断定位单脉冲位置的依据，在时间轴上查找局部相关峰对应的互相关结果ιh,l(x)，获得定位脉冲的真实单脉冲起始位置，重复迭代执行本步骤，直到局部相关峰查找完毕。
计算定位脉冲信号的瞬时估计误差；
将a时刻的信号向量h(a)输入到自适应滤波器中，得到自适应滤波器输出信号L(a)，其数学模型为L(a)＝hT(a)j(a)，其中j(a)是a时刻的滤波器抽头权向量，将a时刻的期望信号p(a)减去a时刻的滤波器输出信号L(a)得到a时刻的误差信号：
r(a)＝p(a)-hT(a)j(a)。
进行定位单脉冲信号的通用自适应计算：
获得自适应度函数：
ξ∈R是控制鲁棒性的形状参数；
进行通用自适应计算的定位单脉冲信号为：
Q(a)＝q′(a)r(a)JGAF(n)
确认自适应滤波器抽头权向量更新函数：
其中ω是调整收敛速度和稳态误差的步长参数；
采用归一化稳态失调标准来判断自适应滤波器的性能，
AZ(a)＝10log10[||j(a)-j0||2/||j0||2]
j0为滤波器初始抽头权向量；
AZ(a)高于阈值则确认定位单脉冲信号Q(a)，否则调整ω，重新执行本步骤直到满足AZ(a)高于阈值为止。
令a＝a+1,重复步骤(8)，在迭代次数内使得定位单脉冲信号达到稳态，如果在迭代次数内算法未能达到稳态，重新调整参数ω，然后重新执行步骤(8)。
输出稳态下的自适应滤波器的抽头权向量，该抽头权向量就是识别的定位脉冲信号参数。
本发明的有益效果在于：
定位系统的定位信号常以脉冲串形式出现，提取并识别其中的单脉冲信号，是定位信号分析的关键。与现有技术的单脉冲信号检测方法不同，本发明提出了一种多次迭代搜索局部相的方法，并通过计算瞬时估计误差、调整收敛速度和稳态误差的步长参数修正漏检和错检的脉冲信号位置，提高了检测的准确度，在整体上通过多次迭代筛选局部相关峰方法的计算逻辑更加直接，计算量更低，提高了智慧城市的大数据定位系统的整体性能。同时利用幂函数使误差信号在抽头权向量迭代中的权重进行变化，调整误差信号幅值大小带来的影响，减小了大异常值误差信号的干扰，即滤波器通过降低过大误差信号权重，达到抗脉冲噪声的效果，实现高鲁棒性；对误差信号的实时跟踪使收敛速度加快，稳态误差减小。
附图说明
图1是智慧城市5G大数据定位系统的信号提取识别流程图；
图2是待检测提取单脉冲信号位置的定位脉冲时域波形图；
图3为白定位脉冲的脉冲间隔计算结果图；
图4为单脉冲信号提取结果图；
图5是长度256的信道作为定位系统的真实定位信道路径；
图6是最小均方算法和最大相关熵准则算法与本发明在alpha稳定分布脉冲噪声下以高斯白信号做输入的归一化学习曲线对比图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示，一种智慧城市5G大数据定位系统的信号提取识别方法，包括如下步骤：
(1)对定位系统的定位脉冲信号进行预处理；将接收到的定位系统的定位脉冲信号经过一个频率范围在s0-s1的带通滤波处理，经过滤波后，消除直流分量与低频脉冲干扰；将a到a-A+1时刻的定位脉冲信号离散值H(a),H(a-1),…,H(a-A+1)组成输入向量H(a)＝[H(a),H(a-1),…,H(a-A+1)]T，即获得当前a时刻的定位脉冲信号；其中A为滤波器时域长，T为转置运算。
(2)检测实测信号，选定定位脉冲信号作为参考信号，进行实测信号与参考信号的互相关，得到互相关信号；检测实测信号k(a)，选定定位脉冲信号h(a)作为参考信号l(a)，进行实测信号与参考信号的互相关，得到互相关信号：
x为互相关参数；
(3)获取互相关信号期望信号并过滤alpha稳态分布噪声；经过滤波后，消除直流分量与相对于定位信号的低频脉冲干扰，其结果如图2所示。
确定信道抽头权向量μ0，将互相关信号ιh,l(x)输入到信道模型得到期望信号；
q(a)＝[ιh,l(x)]Tμ0+I(a)；
I(a)是alpha稳定分布脉冲噪声，方差为
获取拖尾厚度的特征指数υ、控制对称性参数α∈[-1,1]、中心位置参数ρ∈∞，分散系数τ；
获取alpha稳定分布脉冲噪声为：
j为虚数；
使用滤波器滤除I(a)；得到降噪后的互相关信号期望信号q′(a)。
(4)检测互相关信号的期望信号的局部相关峰；寻找互相关信号期望信号的局部最大值，即局部相关峰，将局部相关峰位置作为判断定位单脉冲位置的依据，在时间轴上查找局部相关峰对应的互相关结果ιh,l(x)，获得定位脉冲的真实单脉冲起始位置，重复迭代执行本步骤，直到局部相关峰查找完毕。具体而言，根据步骤(4)中得到的相关峰位置，计算脉冲内的单脉冲间隔参数。其结果中包含少量二倍或三倍于正常间隔范围的野点，这显然不满足脉冲间隔连续变化的特性，属于漏检的单脉冲信号。将这些野点对应的脉冲间隔除进行调整，即可得到连续变化的脉冲间隔，如图3所示。
(5)通过设置阈值对局部相关峰消除重复点、滤除野点；
(6)计算局部相关峰位置在时域中的对应，对定位脉冲信号进行时域截取，同一定位脉冲信号中单脉冲信号持续时间取为d，选择长为d的时间窗将定位单脉冲信号从定位脉冲信号中提取出来；
(7)计算定位单脉冲信号的瞬时估计误差；将a时刻的信号向量h(a)输入到自适应滤波器中，得到自适应滤波器输出信号L(a)，其数学模型为L(a)＝hT(a)j(a)，其中j(a)是a时刻的滤波器抽头权向量，将a时刻的期望信号p(a)减去a时刻的滤波器输出信号L(a)得到a时刻的误差信号：
r(a)＝p(a)-hT(a)j(a)。
(8)进行定位单脉冲信号的通用自适应计算；获得自适应度函数：
ξ∈R是控制鲁棒性的形状参数；
进行通用自适应计算的定位单脉冲信号为：
Q(a)＝q′(a)r(a)JGAF(n)
确认自适应滤波器抽头权向量更新函数：
其中ω是调整收敛速度和稳态误差的步长参数；
采用归一化稳态失调标准来判断自适应滤波器的性能，
AZ(a)＝10log10[||j(a)-j0||2/||j0||2]
j0为滤波器初始抽头权向量；
AZ(a)高于阈值则确认定位单脉冲信号Q(a)，否则调整ω，重新执行本步骤直到满足AZ(a)高于阈值为止。
(9)进行定位系统辨识参数稳态化；令a＝a+1,重复步骤(8)，在迭代次数内使得定位单脉冲信号达到稳态，如果在迭代次数内算法未能达到稳态，重新调整参数ω，然后重新执行步骤(8)。单脉冲信号的最终提取结果如图4所示。
(10)进行自适应滤波器的定位识别。输出稳态下的自适应滤波器的抽头权向量，该抽头权向量就是识别的定位脉冲信号参数。
上述方法与现有技术相比区别在于：(1)通过多次迭代筛选局部相关峰方法寻找单脉冲信号，逻辑简单直接，计算量更低，整体提高了定位系统的性能；(2)通过计算瞬时估计误差、调整收敛速度和稳态误差的步长参数修正漏检和错检的脉冲信号位置，提高了检测的准确度；(3)利用幂函数使误差信号在抽头权向量迭代中的权重进行变化，调整误差信号幅值大小带来的影响，(4)自适应度计算和抽头权向量更新对提升自适应滤波器，对误差信号的实时跟踪使收敛速度加快，稳态误差减小。由于现有技术均没有公开上述区别技术特征，且区别技术特征能够带来定位识别效果提升的技术效果，因此本发明整体上以及在区别特征上都具有显著的创造性。
仿真实验：
为了验证本发明的有效性，进行了仿真实验，并与最小均方算法和最大相关熵准则算法进行了对比。仿真实验采用的真实定位信道路径，其长度为256，权重向量如图5所示。实验中输入信号采用零均值方差为1的高斯信号，实验选取20000次迭代，所有仿真实验均是100次蒙特卡洛试验取平均值结果。
实验的脉冲噪声：采用alpha稳定分布脉冲噪声环境，在该环境中，采用SNR和SIR来描述噪声大小。I(a)的参数是SNR＝30dB，SIR＝-10dB的脉冲噪声。
图6是最小均方算法和最大相关熵准则算法与本发明在alpha稳定分布脉冲噪声下以高斯白信号做输入的归一化学习曲线对比图。为了得到清晰的稳态失调对比图，最小均方算法的步长为0.0003，最大相关熵准则算法的步长为0.008，本发明的算法的步长为0.005。由图6可知，在alpha稳定分布脉冲噪声环境下以高斯白信号做输入时，本发明比在相同的初始收敛速度情况下，稳态性能更好，收敛速度更快，稳态性能更优越。
Claims (6)
1.一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，包括如下步骤：
(1)对定位系统的定位脉冲信号进行预处理；
(2)检测实测信号，选定定位脉冲信号作为参考信号，进行实测信号与参考信号的互相关，得到互相关信号；
(3)获取互相关信号期望信号并过滤alpha稳态分布噪声；
(4)检测互相关信号的期望信号的局部相关峰；
(5)通过设置阈值对局部相关峰消除重复点、滤除野点；
(6)计算局部相关峰位置在时域中的对应，对定位脉冲信号进行时域截取，同一定位脉冲信号中单脉冲信号持续时间取为d，选择长为d的时间窗将定位单脉冲信号从定位脉冲信号中提取出来；
(7)计算定位单脉冲信号的瞬时估计误差；
(8)进行定位单脉冲信号的通用自适应计算；
所述的步骤(8)包括：
获得自适应度函数：
ξ∈R是控制鲁棒性的形状参数；
进行通用自适应计算的定位单脉冲信号为：
Q(a)＝q′(a)r(a)JGAF(n)
确认自适应滤波器抽头权向量更新函数：
其中ω是调整收敛速度和稳态误差的步长参数；
采用归一化稳态失调标准来判断自适应滤波器的性能，
AZ(a)＝10log10[||j(a)-j0||2/||j0||2]
j0为滤波器初始抽头权向量；
AZ(a)高于阈值则确认定位单脉冲信号Q(a)，否则调整ω，重新执行本步骤直到满足AZ(a)高于阈值为止；
(9)进行定位系统辨识参数稳态化；
所述的步骤(9)包括：
令a＝a+1,重复步骤(8)，在迭代次数内使得定位单脉冲信号达到稳态，如果在迭代次数内算法未能达到稳态，重新调整参数ω，然后重新执行步骤(8)；
(10)进行自适应滤波器的定位识别；
所述的步骤(10)包括：
输出稳态下的自适应滤波器的抽头权向量，该抽头权向量就是识别的定位脉冲信号参数。
2.根据权利要求1所述的一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，所述的步骤(1)包括：将接收到的定位系统的定位脉冲信号经过一个频率范围在s0-s1的带通滤波处理，经过滤波后，消除直流分量与低频脉冲干扰；将a到a-A+1时刻的定位脉冲信号离散值H(a),H(a-1),…,H(a-A+1)组成输入向量H(a)＝[H(a),H(a-1),…,H(a-A+1)]T，即获得当前a时刻的定位脉冲信号；其中A为滤波器时域长，T为转置运算。
3.根据权利要求2所述的一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，所述的步骤(2)包括：检测实测信号k(a)，选定定位脉冲信号h(a)作为参考信号l(a)，进行实测信号与参考信号的互相关，得到互相关信号：
x为互相关参数。
4.根据权利要求3所述的一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，所述的步骤(3)包括：
确定信道抽头权向量μ0，将互相关信号ιh,l(x)输入到信道模型得到期望信号；
q(a)＝[lh,l(x)]Tμ0+I(a)；
I(a)是alpha稳定分布脉冲噪声，方差为
获取拖尾厚度的特征指数υ、控制对称性参数α∈[-1,1]、中心位置参数ρ∈∞，分散系数τ；
获取alpha稳定分布脉冲噪声为：
j为虚数；
使用滤波器滤除I(a)；得到降噪后的互相关信号期望信号q′(a)。
5.根据权利要求4所述的一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，所述的步骤(4)包括：
寻找互相关信号期望信号的局部最大值，即局部相关峰，将局部相关峰位置作为判断定位单脉冲位置的依据，在时间轴上查找局部相关峰对应的互相关结果ιh,l(x)，获得定位脉冲的真实单脉冲起始位置，重复迭代执行本步骤，直到局部相关峰查找完毕。
6.根据权利要求5所述的一种智慧城市5G大数据定位系统的信号提取识别方法，其特征在于，所述的步骤(7)包括：
将a时刻的信号向量h(a)输入到自适应滤波器中，得到自适应滤波器输出信号L(a)，其数学模型为L(a)＝hT(a)j(a)，其中j(a)是a时刻的滤波器抽头权向量，将a时刻的期望信号p(a)减去a时刻的滤波器输出信号L(a)得到a时刻的误差信号：
r(a)＝p(a)-hT(a)j(a)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210120456.6A CN114513755B (zh) | 2022-02-09 | 2022-02-09 | 一种智慧城市5g大数据定位系统的信号提取识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210120456.6A CN114513755B (zh) | 2022-02-09 | 2022-02-09 | 一种智慧城市5g大数据定位系统的信号提取识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114513755A CN114513755A (zh) | 2022-05-17 |
| CN114513755B true CN114513755B (zh) | 2024-02-09 |
Family
ID=81552324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210120456.6A Active CN114513755B (zh) | 2022-02-09 | 2022-02-09 | 一种智慧城市5g大数据定位系统的信号提取识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114513755B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4005368A1 (de) * | 1988-12-09 | 1991-08-22 | Rohde & Schwarz | Korrekturanorndnung fuer ein hyperbelortungssystem |
| EP1089452A1 (en) * | 1999-09-28 | 2001-04-04 | Lucent Technologies Inc. | Fractional sample timing error estimation for W-CDMA |
| WO2011091062A1 (en) * | 2010-01-20 | 2011-07-28 | Worcester Polytechnic Institute | Precision location method and system |
| CN111028856A (zh) * | 2020-01-08 | 2020-04-17 | 西南交通大学 | 一种变步长的回声消除方法 |
-
2022
- 2022-02-09 CN CN202210120456.6A patent/CN114513755B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4005368A1 (de) * | 1988-12-09 | 1991-08-22 | Rohde & Schwarz | Korrekturanorndnung fuer ein hyperbelortungssystem |
| EP1089452A1 (en) * | 1999-09-28 | 2001-04-04 | Lucent Technologies Inc. | Fractional sample timing error estimation for W-CDMA |
| WO2011091062A1 (en) * | 2010-01-20 | 2011-07-28 | Worcester Polytechnic Institute | Precision location method and system |
| CN111028856A (zh) * | 2020-01-08 | 2020-04-17 | 西南交通大学 | 一种变步长的回声消除方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种α稳定分布下的变步长最小ρ-范数算法;盖超超;;科技广场(第06期);全文 * |
| 脉冲信号被动定位时延差估计方法研究;徐复;何文翔;惠俊英;余;;兵工学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114513755A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN106330385A (zh) | 一种干扰类型识别方法 | |
| CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
| CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
| CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
| CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
| CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及系统 | |
| CN112051552A (zh) | 一种基于多站的主瓣抗干扰方法及装置 | |
| CN110276256A (zh) | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 | |
| CN114897002A (zh) | 基于LPINet的低截获概率雷达信号脉内调制识别方法 | |
| CN114513755B (zh) | 一种智慧城市5g大数据定位系统的信号提取识别方法 | |
| CN105429720A (zh) | 基于emd重构的相关时延估计方法 | |
| CN103915102A (zh) | 一种lfm水声多途信号的噪声抑制方法 | |
| CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
| CN116819432A (zh) | 基于特征谱跟踪的单矢量水听器水下多目标高稳定测向方法及系统 | |
| CN113625101B (zh) | 基于果蝇算法与随机共振的行波信号处理方法 | |
| CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
| CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
| CN109633735B (zh) | 基于弹道靶实验平台的等离子体尾迹散射信号的提取方法 | |
| CN110198196A (zh) | 通信系统中基于信号强度的振幅估计方法 | |
| CN114252921B (zh) | 基于Power-Law检测器的磁性异常信号检测方法 | |
| CN114781457B (zh) | 基于自动编码器的时频域干扰抑制方法 | |
| CN117370739A (zh) | 一种基于脉冲信号时频域存在概率联合感知的噪声频谱跟踪方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240116 Address after: 041000, 14th Floor, East Unit, Building 3, Swan Hotel, Xiangyang West Road, Linfen City, Shanxi Province Applicant after: Shanxi Binghe Lima Information Technology Co.,Ltd. Address before: 150001 No. 145-1, Nantong Avenue, Nangang District, Heilongjiang, Harbin Applicant before: HARBIN ENGINEERING University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |