CN114666236B - 一种全自动信号检测识别报警方法 - Google Patents
一种全自动信号检测识别报警方法 Download PDFInfo
- Publication number
- CN114666236B CN114666236B CN202210317650.3A CN202210317650A CN114666236B CN 114666236 B CN114666236 B CN 114666236B CN 202210317650 A CN202210317650 A CN 202210317650A CN 114666236 B CN114666236 B CN 114666236B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- features
- conversion
- frequency domain
- 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 42
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000008713 feedback mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000003867 tiredness Effects 0.000 description 2
- 208000016255 tiredness Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/022—Capturing of monitoring data by sampling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种全自动信号检测识别报警方法,步骤一:进行模拟数据采集,将采集的数据进行AD转换,将经过AD转换的数据进行处理;步骤SA1:将数据进行数据分析,经过数据分析后形成实数据数学模型,提取数据特征,将提取数据特征用于实数据预测;步骤SA2:将数据进行IQ转换,经过IQ转换后建立时域模型,提取时域特征;步骤SA3:将数据进行FFT转换,经过FFT转换后形成频域模型,提取频域特征;步骤SA4:将信号的时域特征和频域特征进行融合,形成的信号特征用于信号的预测;通过采用相对性模糊判断的方法,使得多个环节判断逻辑能够互相验证,随时修正,并且利用环节间的相关性,保证流程的稳定性和有效性。
Description
技术领域
本发明属于信号检测技术领域,具体是一种全自动信号检测识别报警方法。
背景技术
目前信号检测识别的设备和平台很多,但是都需要人工操作,并且很大程度上依赖人工搜索判断识别,不仅增加劳动强度和成本,也很难实现长期连续检测识别,信号检测识别工作强度大、可靠性差,很难保证信号检测识别的连续性和有效性。
公开号为CN105634623A的专利公开了一种无线信号检测系统,具有集成度高,处理速度快,执行效率高;能完成复杂的时序逻辑设计,而且编程灵活,非常适合高采样率高数据率的场合。包括FPGA模块、接收调节电路模块、锁相环频率合成器、模数转换模块、FET变换模块、PC机;其结构特点是:所述FPGA模块输出控制接口连接锁相环频率合成器和模数转换模块,所述FPGA模块的另一输出端口连接FET变换模块;所述锁相环频率合成器的输出端连接接收调节电路模块,接收调节电路模块的输出连接到模数转换模块,模数转换模块的输出端再连接到FPGA模块的输入端上;所述FET变换模块的输出端连接到PC机上。
但是上述发明仅仅解决了部分执行效率的问题,对于目前很多信号检测识别设备很大程度上依赖人工搜索判断识别的问题并没有解决,因此需要提供一种全自动信号检测识别报警方法,实现对信号的自动分析、搜索、检测、识别、解调、解码、译码等所有工作。
发明内容
为了解决上述方案存在的问题,本发明提供了一种全自动信号检测识别报警方法;通过采用相对性模糊判断的方法,使得多个环节判断逻辑能够互相验证,随时修正,并且利用环节间的相关性,保证流程的稳定性和有效性;检测识别算法通过整体分析基础噪声的频域分布和时域变化,自动跟踪和评估基础环境的整体分布和局部趋势,通过不断调整的数学模型准确预估下一时刻的特征和属性,并于实际检测的特征和属性进行对比分析,准确判断出信号的位置和宽度。
本发明的目的可以通过以下技术方案实现:
一种全自动信号检测识别报警方法,具体方法包括:
步骤一:进行模拟数据采集,将采集的数据进行AD转换,将经过AD转换的数据进行处理;
步骤SA1:将数据进行数据分析,经过数据分析后形成实数据数学模型,提取数据特征,将提取数据特征用于实数据预测;
步骤SA2:将数据进行IQ转换,经过IQ转换后建立时域模型,提取时域特征;
步骤SA3:将数据进行FFT转换,经过FFT转换后形成频域模型,提取频域特征;
步骤SA4:将信号的时域特征和频域特征进行融合,形成的信号特征用于信号的预测;
步骤二:将信号的预测结果和实数据预测结果进行对比分析;
当预测结果和实数据预测结果一致时,将一致的特性用于信号的识别清分;
当预测结果和实数据预测结果不一致时,将不一致的特性用于反馈参考;
对比采集原始数据,纠正数学模型、时域模型和频域模型的参数体系;
步骤三:将识别出的信号进行解调、解码和译码;
如果在进行解调、解码和译码的过程中得出不正确的结果,进行分析整理,作为反馈信息,逐步调整数学模型、时域模型和频域模型的参数体系。
进一步地,步骤三中如果在进行解调、解码和译码的过程中得出正确的结果,则入库保存,形成底数库。
进一步地,还包括步骤四:获取信号特征的属性,作为前馈因子,影响后续各步骤的输入条件参考量。
进一步地,还包括步骤五:将入库信号数据根据筛选要素进行筛分,将相同类型的信号底数库特征与上述建立的信号特征进行对比分析。
进一步地,步骤五中当相同类型的信号底数库特征与上述建立的信号特征一致时,将一致的特性用于分析和识别;
当相同类型的信号底数库特征与上述建立的信号特征不一致时,将不一致的特性用于纠正底数库的偏差。
进一步地,所有的反馈机制、前馈机制都是持续进行的。
进一步地,对于多个环节逻辑判断采用相对性模糊判断的方法。
与现有技术相比,本发明的有益效果是:通过采用相对性模糊判断的方法,使得多个环节判断逻辑能够互相验证,随时修正,并且利用环节间的相关性,保证流程的稳定性和有效性;在频谱分析环节,检测识别算法通过整体分析基础噪声的频域分布和时域变化,自动跟踪和评估基础环境的整体分布和局部趋势,通过不断调整的数学模型准确预估下一时刻的特征和属性,并与实际检测的特征和属性进行对比分析,准确判断出信号的位置和宽度;在其他运算环节,也采用了类似的原理和数学模型,就是充分考虑信号和设备及环境本身的物理属性,并不断自动调整模型参数,使得结果更接近于真实情况;由离散频谱数据建立基于频域和时域关联性特征属性,是提高信号识别准确率的创新方法;
因为每个数据本身都是被干扰和存在误差的,状态和性质是基于数据的时域和频域的关联性得到的更本质的属性,这种属性的获取最大程度上综合考虑并且排除掉了干扰和误差的影响;从而得到更精确和稳定的判断依据;这种基于所有因素的关联性的属性获取,不仅表现在一个孤立的运算环节,而是贯穿于信号分析识别的整个流程,因为每个环节都是其它环节的关联要素,这样的要素也包括数据采集甚至更前端的硬件环境特性,他们的关联和影响都反映在数据里;各个环节的状态和性质判断不是孤立的,有反馈机制和前馈机制,每个环节的判断和识别都会反馈到前面的环节,验证和纠正前面的判断机制,同时也前馈到后续的判断环节,修正条件和依据;这种验证网络不仅使得识别准确率和可信度明显提升,也使得整个判断逻辑顺畅进行,完全摆脱了人工干预;
本发明经过实际实验使用,得到广泛的认可和好评,极大程度上摆脱了信号识别对人工和经验的依赖;相比以前需要人工长时间值守,手动操作仪器,肉眼分析数据,经常会由于疲倦或者疏忽漏掉信号,或者由于经验不足识别错误,使用本发明的全自动信号检测识别报警系统后,完全可以数日无人值守,系统自己运行连续扫描检测,识别到信号自动保存并报警,即便值班人员没有及时查阅处理,事后也可以查看底数和记录完成工作目标,不仅轻松舒适,而且准确率大大提高。
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,下面将对实施例或现有技术描述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为本发明的方法流程图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
目前信号检测识别的设备和平台很多,但是都需要人工操作,并且很大程度上依赖人工搜索判断识别,不仅增加劳动强度和成本,也很难实现长期连续检测识别,信号检测识别工作强度大、可靠性差,很难保证信号检测识别的连续性和有效性。
如图1所示,一种全自动信号检测识别报警方法,具体方法包括:
步骤一:进行模拟数据采集,将采集的数据进行AD转换,将经过AD转换的数据进行处理;
步骤SA1:将数据进行数据分析,经过数据分析后形成实数据数学模型,提取数据特征,将提取数据特征用于实数据预测;数学模型融合了实际信道的所有物理特性,包括电器硬件的性能特性以及热噪声,还有环境影响因素的衰减和噪声,以及途经电子环境的其它通信设备的干扰噪声等,这些物理因素跟每台设备的具体情况和位置环境以及时间、季节、气候条件都有联系,所以每一台设备的数学模型的参量体系是不一样的,而且会随时纠正,以确保得到最适合最正确的预估结果;
步骤SA2:将数据进行IQ转换,经过IQ转换后建立时域模型,提取时域特征;
步骤SA3:将数据进行FFT转换,经过FFT转换后形成频域模型,提取频域特征;
步骤SA4:将信号的时域特征和频域特征进行融合,形成的信号特征用于信号的预测;
步骤二:将信号的预测结果和实数据预测结果进行对比分析;
当预测结果和实数据预测结果一致时,将一致的特性用于信号的识别清分;
当预测结果和实数据预测结果不一致时,将不一致的特性用于反馈参考;
对比采集原始数据,纠正数学模型、时域模型和频域模型的参数体系,逐步增强结果的一致性,从而提高识别准确率;
步骤三:将识别出的信号进行解调、解码和译码;
如果在进行解调、解码和译码的过程中得出正确的结果,则入库保存,形成底数库;
如果在进行解调、解码和译码的过程中得出不正确的结果,进行分析整理,作为反馈信息,逐步调整数学模型、时域模型和频域模型的参数体系,改善识别有效性和正确率;
步骤四:获取信号特征的属性,作为前馈因子,影响后续各步骤的输入条件参考量,提高处理的针对性和准确性,因为每个信号都可以找到自己特定的处理算法和参数体系;
步骤五:将入库信号数据根据筛选要素进行筛分,筛选要素包括时间、空间、方向、旋向等要素;将相同类型的信号底数库特征与上述建立的信号特征进行对比分析;
当相同类型的信号底数库特征与上述建立的信号特征一致时,将一致的特性用于分析和识别;
当相同类型的信号底数库特征与上述建立的信号特征不一致时,将不一致的特性用于纠正底数库的偏差;
所有的反馈机制、前馈机制都是持续进行的,所以随着处理数据量的增加,模型和参数都会越来越接近实际情况,分析结果也会越来越准确;
本发明的关键技术是采用软件无线电技术实现的智能识别算法,该算法对FFT变换的频谱数据进行分析,自动找出信号所在的频率和带宽,进而对检测到的信号进行DDC抽取、解调、解码、译码,整个过程都是自动进行的,不需要人工干预;
对于某一个环节的算法而言,智能识别不足为奇,本发明的特点在于广泛采用了相对性模糊判断的方法,所谓相对性,是指算法的判断标准和阈值不是绝对的和静止的,会自动根据背景环境和历史过程自动调整;所谓模糊判断是区别于简单机械的非此即彼的判断,而是同时允许多种可能性并存,根据现状随时调整各种可能性的权重,使得结果逐渐趋接近于正确;
通过采用相对性模糊判断的方法,使得多个环节判断逻辑能够互相验证,随时修正,并且利用环节间的相关性,保证流程的稳定性和有效性;
在频谱分析环节,检测识别算法通过整体分析基础噪声的频域分布和时域变化,自动跟踪和评估基础环境的整体分布和局部趋势,通过不断调整的数学模型准确预估下一时刻的特征和属性,并于实际检测的特征和属性进行对比分析,准确判断出信号的位置和宽度;
在其他运算环节,也采用了类似的原理和数学模型,就是充分考虑信号和设备及环境本身的物理属性,并不断自动调整模型参数,使得结果更接近于真实情况;
本算法之所以是比较特征和属性,而不是简单比较数据,是因为每个数据本身都是被干扰和存在误差的,状态和性质是基于数据的时域和频域的关联性得到的更本质的属性,这正是本发明的独到之处,这种属性的获取最大程度上综合考虑并且排除掉了干扰和误差的影响;从而得到更精确和稳定的判断依据;
这种基于所有因素的关联性的属性获取,不仅表现在一个孤立的运算环节,而是贯穿于信号分析识别的整个流程,因为每个环节都是其它环节的关联要素,这样的要素也包括数据采集甚至更前端的硬件环境特性,他们的关联和影响都反映在数据里;
各个环节的状态和性质判断不是孤立的,有反馈机制和前馈机制,每个环节的判断和识别都会反馈到前面的环节,验证和纠正前面的判断机制,同时也前馈到后续的判断环节,修正条件和依据;这种验证网络不仅使得识别准确率和可信度明显提升,也使得整个判断逻辑顺畅进行,完全摆脱了人工干预。
本发明的工作原理:AD转换的模采实数据流向三个不同的用途:经过数据分析形成实数据数学模型,提取数据特征用于数据实数据预测;经过IQ转换后建立时域模型,提取时域特征;再经过FFT转换形成频域模型,提取频域特征;信号的时域特征和频域特征融合形成的信号特征用于信号的预测;信号的预测结果和实数据预测结果对比分析,一致的特性用于信号的识别清分;不一致的特性用于反馈参考,对比采集原始数据,纠正前面三个模型的参数体系,逐步增强结果的一致性,从而提高识别准确率;识别出的信号会经过解调、解码、译码等步骤,每一步如果得出正确结果,就会入库保存,形成底数库;如果结果不正确,也会分析整理,作为反馈信息,逐步调整前面三个模型的参梁体系,改善识别有效性和正确率;
信号特征的属性,也会作为前馈因子,影响后续各步骤的输入条件参考量,提高处理的针对性和准确性,因为每个信号都可以找到自己特定的处理算法和参数体系;入库信号数据也贵根据时间、空间、方向、旋向等要素筛分,把相同类型的信号底数库特征,与前面建立的信号特征对比分析,把一致特性用于分析和识别。把不一致特性用于纠正底数库的偏差;所有的反馈机制、前馈机制都是持续进行的,所以随着处理数据量的增加,模型和参数都会越来越接近实际情况,分析结果也会越来越准确。
本发明经过实际实验使用,得到广泛的认可和好评,极大程度上摆脱了信号识别对人工和经验的依赖;相比以前需要人工长时间值守,手动操作仪器,肉眼分析数据,经常会由于疲倦或者疏忽漏掉信号,或者由于经验不足识别错误,使用本发明的全自动信号检测识别报警系统后,完全可以数日无人值守,系统自己运行连续扫描检测,识别到信号自动保存并报警,即便值班人员没有及时查阅处理,事后也可以查看底数和记录完成工作目标,不仅轻松舒适,而且准确率大大提高。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (3)
1.一种全自动信号检测识别报警方法,其特征在于,具体方法包括:
步骤一:进行模拟数据采集,将采集的数据进行AD转换,将经过AD转换的数据进行处理;
步骤SA1:将数据进行数据分析,经过数据分析后形成实数据数学模型,提取数据特征,将提取数据特征用于实数据预测;
步骤SA2:将数据进行IQ转换,经过IQ转换后建立时域模型,提取时域特征;
步骤SA3:将数据进行FFT转换,经过FFT转换后形成频域模型,提取频域特征;
步骤SA4:将信号的时域特征和频域特征进行融合,形成的信号特征用于信号的预测;
步骤二:将信号的预测结果和实数据预测结果进行对比分析;
步骤三:将识别出的信号进行解调、解码和译码;
如果在进行解调、解码和译码的过程中得出不正确的结果,进行分析整理,作为反馈信息,逐步调整数学模型、时域模型和频域模型的参数体系;
步骤三中如果在进行解调、解码和译码的过程中得出正确的结果,则入库保存,形成底数库;
还包括步骤四:获取信号特征的属性,作为前馈因子,影响后续各步骤的输入条件参考量;
还包括步骤五:将入库信号数据根据筛选要素进行筛分,将相同类型的信号底数库特征与上述建立的信号特征进行对比分析;
步骤五中当相同类型的信号底数库特征与上述建立的信号特征一致时,将一致的特性用于分析和识别;
当相同类型的信号底数库特征与上述建立的信号特征不一致时,将不一致的特性用于纠正底数库的偏差;
步骤二中:当预测结果和实数据预测结果一致时,将一致的特性用于信号的识别清分;
当预测结果和实数据预测结果不一致时,将不一致的特性用于反馈参考;
对比采集原始数据,纠正数学模型、时域模型和频域模型的参数体系。
2.根据权利要求1所述的一种全自动信号检测识别报警方法,其特征在于,所有的反馈机制、前馈机制都是持续进行的。
3.根据权利要求1所述的一种全自动信号检测识别报警方法,其特征在于,对于多个环节逻辑判断采用相对性模糊判断的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317650.3A CN114666236B (zh) | 2022-03-29 | 2022-03-29 | 一种全自动信号检测识别报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317650.3A CN114666236B (zh) | 2022-03-29 | 2022-03-29 | 一种全自动信号检测识别报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114666236A CN114666236A (zh) | 2022-06-24 |
CN114666236B true CN114666236B (zh) | 2024-05-14 |
Family
ID=82033009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317650.3A Active CN114666236B (zh) | 2022-03-29 | 2022-03-29 | 一种全自动信号检测识别报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114666236B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116346197B (zh) * | 2023-02-28 | 2024-03-19 | 北京扬铭科技发展有限责任公司 | Uhf频段特定卫星信号分析设备和分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014183709A1 (zh) * | 2013-12-06 | 2014-11-20 | 中兴通讯股份有限公司 | 一种处理信号样点数据的方法及装置 |
CN106911603A (zh) * | 2017-03-07 | 2017-06-30 | 北京工业大学 | 一种宽带监测模式下模拟信号调制类型实时识别方法 |
CN109167746A (zh) * | 2018-08-31 | 2019-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 连续波与脉冲信号快速识别装置 |
CN109992608A (zh) * | 2019-03-26 | 2019-07-09 | 浙江大学 | 一种基于频域的多模型融合预测方法和系统 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
KR102294156B1 (ko) * | 2020-05-25 | 2021-08-27 | 치루 유니버시티 오브 테크놀로지 | 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법 |
CN113409810A (zh) * | 2021-08-19 | 2021-09-17 | 成都启英泰伦科技有限公司 | 一种联合去混响的回声消除方法及装置 |
CN113595666A (zh) * | 2021-07-13 | 2021-11-02 | 华中科技大学 | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019165365A (ja) * | 2018-03-20 | 2019-09-26 | 株式会社東芝 | 信号処理装置 |
-
2022
- 2022-03-29 CN CN202210317650.3A patent/CN114666236B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014183709A1 (zh) * | 2013-12-06 | 2014-11-20 | 中兴通讯股份有限公司 | 一种处理信号样点数据的方法及装置 |
CN106911603A (zh) * | 2017-03-07 | 2017-06-30 | 北京工业大学 | 一种宽带监测模式下模拟信号调制类型实时识别方法 |
CN109167746A (zh) * | 2018-08-31 | 2019-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 连续波与脉冲信号快速识别装置 |
CN109992608A (zh) * | 2019-03-26 | 2019-07-09 | 浙江大学 | 一种基于频域的多模型融合预测方法和系统 |
KR102294156B1 (ko) * | 2020-05-25 | 2021-08-27 | 치루 유니버시티 오브 테크놀로지 | 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
CN113595666A (zh) * | 2021-07-13 | 2021-11-02 | 华中科技大学 | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 |
CN113409810A (zh) * | 2021-08-19 | 2021-09-17 | 成都启英泰伦科技有限公司 | 一种联合去混响的回声消除方法及装置 |
Non-Patent Citations (1)
Title |
---|
"水下跳频通信信号时域参数盲检测算法仿真";谢鹏 等;《计算机仿真》;20200915;第150-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114666236A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
CN110166387B (zh) | 一种基于卷积神经网络识别信号调制方式的方法及系统 | |
CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
CN114666236B (zh) | 一种全自动信号检测识别报警方法 | |
CN112818891A (zh) | 通信干扰信号类型智能识别方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN114697128B (zh) | 通过人工智能决策的大数据去噪方法及大数据采集系统 | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控系统 | |
CN111523667A (zh) | 一种基于神经网络的rfid定位方法 | |
Pathan et al. | Efficient forecasting of precipitation using LSTM | |
Gale et al. | Automatic detection of wireless transmissions | |
CN113033457B (zh) | 一种软故障识别模型训练和软故障识别方法、装置 | |
CN111460026A (zh) | 基于直觉模糊时间序列图挖掘的网络流量异常检测方法 | |
CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
CN110632191B (zh) | 一种基于决策树算法的变压器色谱峰定性方法和系统 | |
CN116977807A (zh) | 基于多传感器融合的冷库智能监控系统及方法 | |
CN115728588B (zh) | 一种基于大数据的电磁兼容检测系统和方法 | |
CN116719241A (zh) | 一种基于3d可视化技术的信息化智能闸门自动控制方法 | |
CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
CN111625525B (zh) | 一种环境数据修复/填充方法及系统 | |
CN113074718B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN110490297B (zh) | 一种铁路道岔动作功率曲线智能分段方法 | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 |
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 |