CN114598577B - 一种5g通信系统多频段信号融合过滤方法 - Google Patents
一种5g通信系统多频段信号融合过滤方法 Download PDFInfo
- Publication number
- CN114598577B CN114598577B CN202210181924.0A CN202210181924A CN114598577B CN 114598577 B CN114598577 B CN 114598577B CN 202210181924 A CN202210181924 A CN 202210181924A CN 114598577 B CN114598577 B CN 114598577B
- Authority
- CN
- China
- Prior art keywords
- signal
- band
- training
- signals
- frequency
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03343—Arrangements at the transmitter end
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03433—Arrangements for removing intersymbol interference characterised by equaliser structure
- H04L2025/03439—Fixed structures
- H04L2025/03445—Time domain
- H04L2025/03471—Tapped delay lines
- H04L2025/03484—Tapped delay lines time-recursive
- H04L2025/03496—Tapped delay lines time-recursive as a prediction filter
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Noise Elimination (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于5G信号处理领域,具体涉及一种5G通信系统多频段信号融合过滤方法。本发明包括:接收5G通信系统的多频段子带的信号变量,构建接收端的多频段子带信号;分辨目标信号、已知干扰信号以及噪声信号;进行带通滤波,然后通过数模转换器进行模数转换;通过数据集和标签集训练深度神经网络,并进行同频信号对消实现信号过滤。本发明将深度神经网络用于信号融合过滤,将多子带包络和全距离包络分别作为训练数据与标签送入深度训练,可以将任意一组信号输入训练好的模型,进行信号处理,极大提高了系统分辨率和信号的利用率。
Description
技术领域
本发明属于5G信号处理领域,具体涉及一种5G通信系统多频段信号融合过滤方法。
背景技术
随着5G通信技术的发展,在常规环境中2G-5G等通信信号也越来越复杂。尤其在低频段,带宽的使用频率更高,信号形式也更复杂。在接收5G通信信号时,会同时接收到例如导航信号等其他形式的信号,严重时,甚至会导致5G信号淹没在这些干扰信号中。为了更精准的辨识5G信号,在接收端就要过滤已知信号以降低这些信号对目标信号的影响。经过检索,目前还没有特别明确的真的对5G通信信号进行过滤的方法。
发明内容
本发明的目的在于提供一种5G通信系统多频段信号融合过滤方法。
本发明的目的是这样实现的:
一种5G通信系统多频段信号融合过滤方法,包括如下步骤:
(1)接收5G通信系统的多频段子带的信号变量,构建接收端的多频段子带信号;
(2)将多频段子带信号进行解调得到基带信号;
(3)获得多频段子带信号的距离包络作为训练数据集,获得全频带信号作为训练标签集;
(4)分辨目标信号、已知干扰信号以及噪声信号;
(5)进行带通滤波,然后通过数模转换器进行模数转换;
(6)通过数据集和标签集训练深度神经网络,并进行同频信号对消实现信号过滤。
所述的步骤(1)包括:
(1.1)采集多频段子带信号的散射源数目z,第i个散射源的散射强度Ni,z≥i≥1,信号载频频率sp,信号发送时间g,时宽Ge,信号带宽O,散射源距离Ez;
(1.2)确定多频段子带信号的调频率X、信号时间延迟ηz
c为光速
(1.3)构建接收端的多频段子带信号:
j为虚数。
所述的步骤(2)包括:
(2.1)构建参考信号:
(2.2)采集基带信号的采样点数:
A=sp·Ge;
(2.3)构建基带信号:
*为共轭计算。
所述的步骤(3)包括:
(3.1)采集宽带信号的采样点数Ac、子带信号的采样点数A0,为噪声序列ai(a);
(3.2)确定训练数据集:
IDFT为逆离散傅里叶变换;
(3.3)确定训练标签集:
Tlabel(a)=|IDFT{[f3i-1(a)+ai(a)],Ac}|。
所述的步骤(4)包括:
(4.1)提取发射信号的功率测试信号在传递过程中的衰减系数xk、目标信号的中心频率sfp和目标信号的初相/>
(4.2)对基带信号进行信号重整,提取出目标信号f(g)、干扰信号q(g)以及噪声信号a(g);
a(g)为高斯白噪声,OB为二进制相移键控BPSK调制形式;
(4.3)接收端接收到的信号为:
l(g)=f(g)+q(g)+a(g)。
所述的步骤(5)包括:
接收天线接收到信号后,经过带通滤波器以及低噪声放大器对接收端接收到的信号进行提取与放大,放大的信号与本地载波相乘后过低通滤波器经过带通滤波、AD模数转换后得到深度神经网络的输入数据集。
所述的步骤(6)包括:
深度神经网络总层数为N1、迭代步长为α、最大迭代次数为m、停止迭代阈值为ε,当各隐藏层与输出层的线性关系系数矩阵为W和偏倚向量为b变化值都小于停止迭代阈值ε时,输出W和b作为模型的线性关系系数矩阵和偏倚向量;
ai,k=σ(zi,k)=σ(Wkai,k-1+bk)
a1为输入层的输入,a1=[Tinput(a),Tlabel(a)];ai,k表示第i组数据在第k层的输出;(xi,yi)表示第i组训练样本,训练数据集中的第i个元素xi与训练标签集中第i个元素yi组成第i个训练样本(xi,yi);σ表示前向传播激活函数;Wk表示第k层的线性关系系数向量;bk表示第k层的偏倚向量;δi,k表示zi,k的梯度;符号T表示矩阵求转置;符号表示矩阵求Hadamard乘积,σ′(.)表示前向传播激活函数的导数;zi,k表示第i组数据在第k层的输入;
每次训练计算损失函数:
y_pred是神经网络的预测值,y_true是标签的真实值,N是每个样本中的总点数;
将基带信号送入到训练好的深度学习神经网络模型中进行处理,得到输出目标信号。
本发明的有益效果在于:
本发明旨在针对在接收端与目标信号同频的干扰信号对5G通信系统多频段信号影响的问题,通过对通信系统接收信号模型进行分析,建立基于深度学习的同频信号的消除模型,提出了一种信号融合过滤方法。本发明将深度神经网络用于信号融合过滤,将多子带包络和全距离包络分别作为训练数据与标签送入深度训练,可以将任意一组信号输入训练好的模型,进行信号处理,极大提高了系统分辨率和信号的利用率,并且获得融合后的高分辨率全频带信号,同时使用深度神经网络学习设置的参考信号和干扰信号之间的关系,通过训练好的网络模型,省去传统方法估计信号所需的步骤,减少了子带预测过程中产生的误差,实现对较强的同频信号进行有效消除,以此提高信息传输过程中对频谱的使用效率,降低同频的已知干扰对接收目标信号的影响,经过训练的网络融合后可以批量获得更多的过滤结果,而且由网络训练的批量数据组成的均方根误差值小于传统方法中单个数据的均方根误差值,因此精度更高。
附图说明
图1为本发明流程图。
图2是振幅键控接收信号仿真图。
图3是振幅键控信号目标信号与拟合信号频谱对比仿真图。
图4是训练集和测试集的均方根误差。
图5是全极点法、降噪算法和本发明的均方根误差对比。
图6是四个散射点的网络测试结果。
具体实施方式
下面结合附图对本发明做进一步描述。
一种5G通信系统多频段信号融合过滤方法,包括如下步骤:
(1)接收5G通信系统的多频段子带的信号变量,构建接收端的多频段子带信号,包括:
(1.1)采集多频段子带信号的散射源数目z,第i个散射源的散射强度Ni,z≥i≥1,信号载频频率sp,信号发送时间g,时宽Ge,信号带宽O,散射源距离Ez;
(1.2)确定多频段子带信号的调频率X、信号时间延迟ηz
c为光速
(1.3)构建接收端的多频段子带信号:
j为虚数。
(2)将多频段子带信号进行解调得到基带信号,包括:
(2.1)构建参考信号:
(2.2)采集基带信号的采样点数:
A=sp·Ge;
(2.3)构建基带信号:
*为共轭计算。
(3)获得多频段子带信号的距离包络作为训练数据集,获得全频带信号作为训练标签集;包括:
(3.1)采集宽带信号的采样点数Ac、子带信号的采样点数A0,为噪声序列ai(a);
(3.2)确定训练数据集:
IDFT为逆离散傅里叶变换;
(3.3)确定训练标签集:
Tlabel(a)=|IDFT{[f3i-1(a)+ai(a)],Ac}|。
(4)分辨目标信号、已知干扰信号以及噪声信号;包括:
(4.1)提取发射信号的功率测试信号在传递过程中的衰减系数xk、目标信号的中心频率sfp和目标信号的初相/>
(4.2)对基带信号进行信号重整,提取出目标信号f(g)、干扰信号q(g)以及噪声信号a(g);
a(g)为高斯白噪声,OB为二进制相移键控BPSK调制形式;
(4.3)接收端接收到的信号为:
l(g)=f(g)+q(g)+a(g)。
(5)进行带通滤波,然后通过数模转换器进行模数转换;包括:
接收天线接收到信号后,经过带通滤波器以及低噪声放大器对接收端接收到的信号进行提取与放大,放大的信号与本地载波相乘后过低通滤波器经过带通滤波、AD模数转换后得到深度神经网络的输入数据集。
(6)通过数据集和标签集训练深度神经网络,并进行同频信号对消实现信号过滤,包括:
深度神经网络总层数为N1、迭代步长为α、最大迭代次数为m、停止迭代阈值为ε,当各隐藏层与输出层的线性关系系数矩阵为W和偏倚向量为b变化值都小于停止迭代阈值ε时,输出W和b作为模型的线性关系系数矩阵和偏倚向量;
ai,k=σ(zi,k)=σ(Wkai,k-1+bk)
a1为输入层的输入,a1=[Tinput(a),Tlabel(a)];ai,k表示第i组数据在第k层的输出;(xi,yi)表示第i组训练样本,训练数据集中的第i个元素xi与训练标签集中第i个元素yi组成第i个训练样本(xi,yi);σ表示前向传播激活函数;Wk表示第k层的线性关系系数向量;bk表示第k层的偏倚向量;δi,k表示zi,k的梯度;符号T表示矩阵求转置;符号表示矩阵求Hadamard乘积,σ′(.)表示前向传播激活函数的导数;zi,k表示第i组数据在第k层的输入;
每次训练计算损失函数:
y_pred是神经网络的预测值,y_true是标签的真实值,N是每个样本中的总点数;使网络模型以该误差函数为准则梯度下降;
将基带信号送入到训练好的深度学习神经网络模型中进行处理,得到输出目标信号。
表1训练集、标签集和深度学习网络参数
在网络的训练过程中,为了验证训练模型的有效性,在训练集中分出了验证集进行模型的验证。同时为了缩短训练时间,对lossmse进行监控,即当前的lossmse是后续训练的m=30次中的最小值时,停止训练,保存当前模型。对拟合结果进行分析,分析其拟合结果的时域、频域以及干扰对消比,评估其对消效果。对消比计算公式如下
Ei0=10×log10(Ci-Eo)
其中Ci是干扰信号的功率,Eo是拟合后残留的干扰信号的功率。考虑到可能出现的其他种类的目标信号导致对消效果变差的情况,当出现此类情况时,可以将此次网络模型对消前的信号作为训练数据导入训练集进行训练,以增强网络的适应能力。数据集和标签集经过多次迭代训练后,根据估计结果的误差调整网络模型各层的权值,保存训练模型。本发明通过训练集和测试集的均方根误差比较,可看出测试数据与训练数据一致,并且二者均方根误差差值为0.01,可以认为网络测试具有更好的性能。通过训练网络,可以省去传统方法估计信号所需步骤,经过训练的网络可以批量获得更多的通讯结果,这也意味着本发明比传统算法具有更高的精度。
表2是多种信号均值对消比计算结果对比
从信号对消前后频域对比可以看出,输出信号的频谱幅度明显低于接收信号的频谱幅度,即已知干扰信号所带来的频谱增益明显被压制,即该方法可以有效的从接收信号中消除已知干扰信号,更准确的提取目标信号,由对消前后的时域信号可知,该方法没有对信号时延的要求,具有较好的鲁棒性。
和现有技术相比,本发明的区别技术特征在于通过信号变量,构建接收端的多频段子带信号并构建基带信号,为了缩短训练时间,同时引入损失函数监控的步骤,通过数据集和标签集训练学习网络模型并进行同频信号对消实现信号过滤,上述方法的整体构思以及具体数据处理细节是没有整体披露的,与每次都要进行一次整体计算才能得到测试结果的传统通信方法相比,可以通过融合手段批量获得更多的对消过滤结果,极大提高了系统分辨率和信号的利用率,因此具有突出的实质性特点和显著的技术进步。
Claims (2)
1.一种5G通信系统多频段信号融合过滤方法,其特征在于,包括如下步骤:
(1)接收5G通信系统的多频段子带的信号变量,构建接收端的多频段子带信号;
(2)将多频段子带信号进行解调得到基带信号;
(3)获得多频段子带信号的距离包络作为训练数据集,获得全频带信号作为训练标签集;
(4)分辨目标信号、已知干扰信号以及噪声信号;
(5)进行带通滤波,然后通过数模转换器进行模数转换;
(6)通过数据集和标签集训练深度神经网络,并进行同频信号对消实现信号过滤;
所述的步骤(1)包括:
(1.1)采集多频段子带信号的散射源数目z,第i个散射源的散射强度Ni,z≥i≥1,信号载频频率sp,信号发送时间g,时宽Ge,信号带宽O,散射源距离Ez;
(1.2)确定多频段子带信号的调频率X、信号时间延迟ηz
c为光速;
(1.3)构建接收端的多频段子带信号:
j为虚数;
所述的步骤(2)包括:
(2.1)构建参考信号:
(2.2)采集基带信号的采样点数:
A=sp·Ge;
(2.3)构建基带信号:
*为共轭计算;
所述的步骤(3)包括:
(3.1)采集宽带信号的采样点数Ac、子带信号的采样点数A0,为噪声序列ai(a);
(3.2)确定训练数据集:
IDFT为逆离散傅里叶变换;
(3.3)确定训练标签集:
Tlabel(a)=|IDFT{[f3i-1(a)+ai(a)],Ac}|;
所述的步骤(4)包括:
(4.1)提取发射信号的功率测试信号在传递过程中的衰减系数xk、目标信号的中心频率sfp和目标信号的初相/>
(4.2)对基带信号进行信号重整,提取出目标信号f(g)、干扰信号q(g)以及噪声信号a(g);
a(g)为高斯白噪声,OB为二进制相移键控BPSK调制形式;
(4.3)接收端接收到的信号为:
l(g)=f(g)+q(g)+a(g);
所述的步骤(6)包括:
深度神经网络总层数为N1、迭代步长为α、最大迭代次数为m、停止迭代阈值为ε,当各隐藏层与输出层的线性关系系数矩阵为W和偏倚向量为b变化值都小于停止迭代阈值ε时,输出W和b作为模型的线性关系系数矩阵和偏倚向量;
ai,k=σ(zi,k)=σ(Wkai,k-1+bk)
δi,k=(Wk+1)Tδi,k+1⊙σ′(zi,k)
a1为输入层的输入,a1=[Tinput(a),Tlabel(a)];ai,k表示第i组数据在第k层的输出;(xi,yi)表示第i组训练样本,训练数据集中的第i个元素xi与训练标签集中第i个元素yi组成第i个训练样本(xi,yi);σ表示前向传播激活函数;Wk表示第k层的线性关系系数向量;bk表示第k层的偏倚向量;δi,k表示zi,k的梯度;符号T表示矩阵求转置;符号⊙表示矩阵求Hadamard乘积,σ′(.)表示前向传播激活函数的导数;zi,k表示第i组数据在第k层的输入;
每次训练计算损失函数:
y_pred是神经网络的预测值,y_true是标签的真实值,N是每个样本中的总点数;
将基带信号送入到训练好的DNN神经网络模型中进行处理,得到输出目标信号。
2.根据权利要求1所述的一种5G通信系统多频段信号融合过滤方法,其特征在于,所述的步骤(5)包括:
接收天线接收到信号后,经过带通滤波器以及低噪声放大器对接收端接收到的信号进行提取与放大,放大的信号与本地载波相乘后过低通滤波器经过带通滤波、AD模数转换后得到深度神经网络的输入数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181924.0A CN114598577B (zh) | 2022-02-25 | 2022-02-25 | 一种5g通信系统多频段信号融合过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181924.0A CN114598577B (zh) | 2022-02-25 | 2022-02-25 | 一种5g通信系统多频段信号融合过滤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114598577A CN114598577A (zh) | 2022-06-07 |
CN114598577B true CN114598577B (zh) | 2023-08-22 |
Family
ID=81805873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181924.0A Active CN114598577B (zh) | 2022-02-25 | 2022-02-25 | 一种5g通信系统多频段信号融合过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114598577B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117220790B (zh) * | 2023-11-09 | 2024-01-05 | 汉仪科技(深圳)有限公司 | 一种用于5g通信网络的多频段信号过滤方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472706A (zh) * | 2021-07-12 | 2021-10-01 | 南京大学 | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 |
CN113726350A (zh) * | 2021-08-09 | 2021-11-30 | 哈尔滨工程大学 | 一种基于深度神经网络的强相关自干扰对消方法 |
-
2022
- 2022-02-25 CN CN202210181924.0A patent/CN114598577B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472706A (zh) * | 2021-07-12 | 2021-10-01 | 南京大学 | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 |
CN113726350A (zh) * | 2021-08-09 | 2021-11-30 | 哈尔滨工程大学 | 一种基于深度神经网络的强相关自干扰对消方法 |
Non-Patent Citations (1)
Title |
---|
Multi-subband radar signal fusion processing based on deep neaural network in low signal-to noise ratio;Tilin Jiang, etc.;《ACM Digital Library》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114598577A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
US8619909B2 (en) | Signal detector using matched filter for training signal detection | |
RU2392762C2 (ru) | Устройство и способ оптимальной оценки искажений передающей среды, включающий последовательное генерирование пар квадратурных комплементарных последовательностей | |
CN111310700B (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN114598577B (zh) | 一种5g通信系统多频段信号融合过滤方法 | |
CN109729035A (zh) | 一种正交频分复用技术通信系统中的脉冲噪声抑制方法 | |
CN111050315A (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
CN113238193B (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
CN112034434A (zh) | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 | |
CN109076038B (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
CN113259283B (zh) | 一种基于循环神经网络的单通道时频混叠信号盲分离方法 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN115204237A (zh) | 一种基于Swin-Transformer的短波协议信号自动识别方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
CN114580470A (zh) | 基于非均匀量化图特征的ofdm与ufdm多载波信号识别方法 | |
RU2430417C1 (ru) | Способ распознавания радиосигналов | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
Hasini et al. | Channel estimation and signal detection in OFDM systems using deep learning |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230724 Address after: Room 15-12801, Taihua Jinmao International, 16 Fenghui South Road, Xi'an High-tech Zone, Shaanxi Province Applicant after: Zhongke Xinchuang Technology Co.,Ltd. Address before: 150001 No. 145-1, Nantong Avenue, Nangang District, Heilongjiang, Harbin Applicant before: HARBIN ENGINEERING University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |