CN114844583B - 基于原型网络的端到端通信接收方法 - Google Patents

基于原型网络的端到端通信接收方法 Download PDF

Info

Publication number
CN114844583B
CN114844583B CN202210334589.3A CN202210334589A CN114844583B CN 114844583 B CN114844583 B CN 114844583B CN 202210334589 A CN202210334589 A CN 202210334589A CN 114844583 B CN114844583 B CN 114844583B
Authority
CN
China
Prior art keywords
sample
samples
class
query
training
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
CN202210334589.3A
Other languages
English (en)
Other versions
CN114844583A (zh
Inventor
彭启航
强雯超
王军
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210334589.3A priority Critical patent/CN114844583B/zh
Publication of CN114844583A publication Critical patent/CN114844583A/zh
Application granted granted Critical
Publication of CN114844583B publication Critical patent/CN114844583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于原型网络的端到端通信接收方法，属于端到端通信技术领域。本发明首先基于小样本学习中的原型网络算法，根据充满噪声的信道环境，对原型计算方式做出一定的改进，该改进后的算法可以在一定程度上规避噪声的影响，其次通过计算每一个支持样本和所有的类原型之间的欧几里得距离来完成分类的任务，本发明将该测试样本和其所属类的原型之间的欧几里得距离作为优化目标，通过不断训练来更新优化网络的参数。本发明可以在只有少数样本数据可用的情况下，在较短的迭代周期时即可实现比现有方式更低的误码性能。本发明可以在只有少数样本数据可用的情况下，迭代足够多的周期时，得到现有方案更低的误码性能。

Description

基于原型网络的端到端通信接收方法
技术领域
本发明属于端到端通信技术领域，具体涉及一种基于原型网络的端到端通信接收方法。
背景技术
端到端通信是一种基于深度学习的以自编码器结构为基础的通信系统实现方式，它利用纯数据驱动的方式对信号从发送调制，经过信道环境到接收解调识别的整个过程进行模拟，但是正如所有的基于深度学习的方法一样，传统的端到端通信要想实现良好的性能也需要大量的可用数据以及较长的训练迭代周期，而在无线通信环境中，可供训练使用的标记数据资源是稀缺的，现有的一种方法是使用基于元学习的maml算法，并将其应用于端到端通信系统的整个算法结构中，这种方法实现了在只有少数样本可供训练使用时，在较短的迭代周期时可以实现比经典端到端通信方法更好的性能表现，但是当迭代周期足够长(10000迭代周期)时，该方法的最终性能表现与经典端到端通信并没有太大的差异。
发明内容
本发明的发明目的在于：提供一种在只有少数训练样本可用的小样本通信环境下，可以帮助提高端到端通信在接收端的解调识别性能。
本发明采用的技术方案为：
基于原型网络的端到端通信接收方法，该方法包括：
步骤1：设置训练阶段和迭代阶段所使用的信道环境数据集；
步骤2：确定训练阶段和迭代阶段所使用的样本量，并设置训练阶段和迭代阶段的信噪比；
步骤3：在训练阶段，每个训练周期都从训练阶段的信道环境数据集中随机抽取固定数量的信道作为端到端通信系统网络模型的训练信道环境；所述端到端通信系统网络模型包括发送调制网络、信道环境网络和接收解调识别网络，用于信号的发送调制、信道环境和接收解调识别的过程模拟；其中，端到端通信系统网络模型为加入了原型网络的基于深度学习的端到端通信系统模型，其具体网络结构可以采用任一惯用的端到端的神经网络结构，本发明不做具体限定。
基于当前训练信道环境，将待发送信号输入端到端通信系统网络模型，基于信道环境网络的输出得到接收信号，所述接收解调识别网络采用适用于充满噪声的信道环境的接收端信息识别方式对所述接收信号进行类别识别处理，得到接收信号的识别结果，完成接收解调；
并基于预置的损失函数和优化器函数对端到端通信系统网络模型的网络参数进行更新，当达到预置的训练周期后，结束训练，得到训练好的端到端通信系统网络模型；
步骤4：在迭代阶段，从迭代所用的信道环境数据集中抽取出一定数量的信道，在每一个信道上都对经过步骤3训练好的端到端通信系统网络模型进行一定周期数的迭代，迭代之后再在该信道上进行测试，计算误码率，确定类别识别性能；
其中，基于适用于充满噪声的信道环境的接收端信息识别方式具体为：
(1)对于每种类别(即每种标签)的所有信息样本，提取出一定数量的信息样本作为支持样本，并将当前类的其余信息样本作为查询样本；
对每种类别的每一个支持样本，从同类的查询样本中随机采样出一定数量的样本，并基于当前支持样本和对应随机采样出的查询样本得到每个支持样本的第一样本子集；
(2)对每种类别的每一个支持样本，计算其第一样本子集中每个样本的2范数，再基于2范数确定当前批次(第一样本子集)的查询样本的中值，最大值和最小值，如通过2范数对当前批次的查询样本进行排序，以获取当前批次的查询样本的中值，最大值和最小值；
(3)使用中值的查询样本替换掉最大值和最小值的查询样本；
(4)基于每种类别的每一个支持样本的第一样本子集，联合计算当前支持样的类原型(每一个类别的计算出来的原型)，即使用每种类别的查询样本的中值和对应的支持样本联合计算出当前支持样本的类原型：
将当前支持样本的2范数与中值的查询样本的2范数进行对比：
若支持样本的2范数大于中值查询样本的2范数，则类原型表示为：
Figure BDA0003574056480000021
若支持样本的2范数小于中值查询样本的2范数，则类原型表示为：
Figure BDA0003574056480000022
若支持样本的2范数等于中值查询样本的2范数，则类原型为
Figure BDA0003574056480000023
或
Figure BDA0003574056480000024
即上述两种计算方式均可；
其中，S表示支持样本的向量，Q表示中值查询样本的向量；
(5)对每种类别中的所有支持样本，获取每个支持样本的类原型后，基于当前类别的所有支持样本的类原型的均值得到当前类别的类原型；
(6)计算每一个查询样本和每种类别的类原型之间欧几里得距离，基于最小欧几里得距离所对应的类别，确定当前查询样本的类别。
即接收解调识别网络加入了改进的原型网络，改进的原型网络用于按照上述步骤(1)～(5)计算查询样本的类原型，以及各个类别的类原型，进而基于类原型之间的欧几里得距离确定当前查询样本的类别，输出预测类别，以完成接收解调。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明可以在只有少数样本数据可用的情况下，在较短的迭代周期时即可实现比经典端到端通信和添加maml算法的现有方案更低的误码性能；
2、本发明可以在只有少数样本数据可用的情况下，迭代足够多的周期时，得到比经典端到端通信和添加maml算法的现有方案更低的误码性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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它的附图。
图1为经典端到端通信(vanilla)和现有的采用了maml算法的端到端通信以及采用了本发明实施例提供的基于原型网络的端到端通信接收方法(proto)在单径瑞利信道训练。
图2为三种方法在单径瑞利信道训练，多径瑞利信道迭代，迭代足够多的周期(10000周期)后的误码性能对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
本发明实施例提供了一种基于原型网络的端到端通信接收方法，从而解决现有的端到端通信方法(基于深度学习的端到端通信系统模型)在只有少数样本可用的通信环境中性能不佳的技术问题，考虑到端到端通信中接收端的解调识别本质上是一种分类问题，因此本发明实施例首先基于小样本学习中的原型网络算法，根据充满噪声的信道环境，对于算法中的原型计算方式做出一定的改进，该改进后的算法可以在一定程度上规避噪声的影响，其中，本发明实施例中，原型计算方式具体为：
首先对于每种标签(类)的所有信息样本，提取出一定数量的信息样本作为support sample(支持样本)，该类的其余信息样本作为query sample(查询样本)，其次对于每一种标签(类)中的每一个support sample，从同一标签(类)的query sample中随机采样出一定数量的样本，计算所有样本的2范数，根据2范数大小计算出该批次query sample的中值，最大值和最小值，使用中值的query sample替换掉最大值和最小值的querysample。之后，使用每一标签(类)的中值和对应的support sample联合计算出该supportsample所代表的标签(类)原型，具体方法为：计算support sample的2范数，将其与中值query sample的2范数进行对比，若support sample2范数大于中值query sample的2范数，则类原型表示为：
Figure BDA0003574056480000041
若support sample2范数小于中值query sample的2范数，则类原型表示为：
Figure BDA0003574056480000042
若support sample2范数等于中值query sample的2范数，则上述两种类原型计算方式均可。其中，S代表support sample的向量，而Q代表中值query sample的向量。最后，对于每一个标签(类)中所有的support sample，按照上述方法计算出的类原型进行平均化，则得到该标签(类)的原型。
即基于本发明实施例所提供的原型计算方式，对接收器网络()的输出进行类别预测：首先将输出中每一个标签(类)中的样本分为support sample和query sample，根据本发明实施例提供的计算方式，计算出每一个标签(类)的原型(每一个类别的计算出来的原型)，其次通过计算每一个query sample和所有的类原型之间的欧几里得距离来完成分类的任务，其中距离query sample欧几里得距离最小的原型所代表的类即为该query sample的预测识别分类，本发明实施例中，将该测试样本和其所属类的原型之间的欧几里得距离作为优化目标，通过不断训练来更新优化网络的参数。
通过上述方式获取到query sample的类别信息，以完成接收端的解调。因为解调就是获query sample的类别标签，所以得到类别结果标签即完成了接收解调。从而达到不仅在小样本通信情况下实现了更低的接收端误码性能，同时该方法实现较优的误码性能只需要较少的迭代周期。
在一种可能实现方式中，本发明实施例提供的基于原型网络的端到端通信接收方法包括：
首先，设置训练和迭代阶段所使用的信道环境，具体实施时的信道环境可以根据需要自由选择。
在一些实例中，训练阶段使用单径瑞利信道，迭代阶段使用多径瑞利信道。
其次，确定训练和迭代时所使用的样本量，因为是小样本环境下的端到端通信仿真，因此每种类别信息的样本量应该限制在一个比较少的数量，同时设定好训练和迭代时的信噪比，
在一些实例中，训练和迭代时的信噪比是一致的。
之后开始训练，首先在训练阶段，每训练周期都从训练所用的信道环境数据集中随机抽取固定数量的信道作为端到端通信的训练信道环境，在信息通过端到端通信系统网络模型的发送调制网络(模拟发射器)、信道环境网络(模拟信道)和接收解调识别网络(模拟接收器，也称接收器网络)后，采用本发明实施例提供的类型预测方式对输出进行处理并预测类别，完成解调识别，即得到类别结果就表示完成了接收解调处理，并且使用选择好的损失函数和优化器函数对端到端通信系统网络模型的网络参数进行更新，当达到预先设定好的训练周期后，结束第一阶段的训练，得到训练好的模型。
再之后，进入迭代阶段，从迭代所用的信道环境数据集中抽取出一定数量的信道，在每一个信道上都对经过一次训练后的模型进行一定周期数的迭代，迭代之后再在该信道上进行测试，计算误码率，来衡量最终的解调识别性能表现。
在一些实例中，训练和迭代的周期可以根据迭代后测试的性能表现来进行决定，测试性能表现最佳时的训练和迭代周期应当是比较好的选择。
在一些实例中，端到端网络损失函数采用交叉熵损失函数(Cross-EntropyLoss),源于端到端通信任务通常是一个多分类任务，对于优化器函数使用了AdamW优化器(自适应梯度方法的优化器)，在训练阶段提供一定数值的权重衰减来避免模型的过拟合，同时使用了学习率衰减，来帮助网络更快的优化。
图1为经典端到端通信(vanilla)和现有的采用了maml算法的端到端通信以及采用了本发明实施例提供的基于原型网络的端到端通信接收方法(proto)在单径瑞利信道训练；多径瑞利信道迭代及测试(测试信噪比为单一固定值)的误码性能表现图，可以看出，在很少的迭代周期时，本发明实施例所提出的方案性能都要明显优于经典端到端通信及采用了maml算法的端到端通信。图2为三种方法在单径瑞利信道训练，多径瑞利信道迭代，迭代足够多的周期(10000周期)后的误码性能对比图。可以看出在充分迭代后，采用提出方案的端到端通信的误码性能依然优于经典端到端通信和采用了maml算法的端到端通信。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.基于原型网络的端到端通信接收方法，其特征在于，包括：
步骤1：设置训练阶段和迭代阶段所使用的信道环境数据集；
步骤2：确定训练阶段和迭代阶段所使用的样本量，并设置训练阶段和迭代阶段的信噪比；
步骤3：在训练阶段，每个训练周期都从训练阶段的信道环境数据集中随机抽取固定数量的信道作为端到端通信系统网络模型的训练信道环境；所述端到端通信系统网络模型包括发送调制网络、信道环境网络和接收解调识别网络，用于信号的发送调制、信道环境和接收解调识别的过程模拟；
基于当前训练信道环境，将待发送信号输入端到端通信系统网络模型，基于信道环境网络的输出得到接收信号，所述接收解调识别网络采用适用于有噪声的信道环境的接收端信息识别方式对所述接收信号进行类别识别处理，得到接收信号的识别结果，完成接收解调；
并基于预置的损失函数和优化器函数对端到端通信系统网络模型的网络参数进行更新，当达到预置的训练周期后，结束训练，得到训练好的端到端通信系统网络模型；
步骤4：在迭代阶段，从迭代所用的信道环境数据集中抽取出一定数量的信道，在每一个信道上都对经过步骤3训练好的端到端通信系统网络模型进行一定周期数的迭代，迭代之后再在该信道上进行测试，计算误码率，确定类别识别性能；
其中，基于适用于有噪声的信道环境的接收端信息识别方式具体为：
(1)对于每种类别的所有信息样本，提取出一定数量的信息样本作为支持样本，并将当前类的其余信息样本作为查询样本；
对每种类别的每一个支持样本，从同类的查询样本中随机采样出一定数量的样本，并基于当前支持样本和对应随机采样出的查询样本得到每个支持样本的第一样本子集；
(2)对每种类别的每一个支持样本，计算其第一样本子集中每个样本的2范数，再基于2范数确定当前第一样本子集的查询样本的中值，最大值和最小值；
(3)使用中值的查询样本替换掉最大值和最小值的查询样本；
(4)基于每种类别的每一个支持样本的第一样本子集，联合当下的支持样本计算当前支持样本的类原型：
将当前支持样本的2范数与中值的查询样本的2范数进行对比：
若支持样本的2范数大于中值查询样本的2范数，则类原型表示为：
Figure FDA0003986768640000011
若支持样本的2范数小于中值查询样本的2范数，则类原型表示为：
Figure FDA0003986768640000012
若支持样本的2范数等于中值查询样本的2范数，则类原型为
Figure FDA0003986768640000021
或
Figure FDA0003986768640000022
即上述两种计算方式均可；
其中，S表示支持样本的向量，Q表示中值查询样本的向量；
(5)对每种类别中的所有支持样本，获取每个支持样本的类原型后，基于当前类别的所有支持样本的类原型的均值得到当前类别的类原型；
(6)计算每一个查询样本和每种类别的类原型之间欧几里得距离，基于最小欧几里得距离所对应的类别，确定当前查询样本的类别。
2.如权利要求1所述的方法，其特征在于，步骤1中，训练阶段使用单径瑞利信道，迭代阶段使用多径瑞利信道。
3.如权利要求1所述的方法，其特征在于，步骤2中，训练阶段和迭代阶段的信噪比相同。
4.如权利要求1所述的方法，其特征在于，基于2范数确定当前第一样本子集的查询样本的中值，最大值和最小值具体为：通过2范数对当前第一样本子集的查询样本进行排序，以获取当前第一样本子集的查询样本的中值，最大值和最小值。
5.如权利要求1所述的方法，其特征在于，步骤3中，所述损失函数为交叉熵损失函数，所述优化器为自适应梯度方法的优化器。
CN202210334589.3A 2022-03-30 2022-03-30 基于原型网络的端到端通信接收方法 Active CN114844583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334589.3A CN114844583B (zh) 2022-03-30 2022-03-30 基于原型网络的端到端通信接收方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334589.3A CN114844583B (zh) 2022-03-30 2022-03-30 基于原型网络的端到端通信接收方法

Publications (2)

Publication Number Publication Date
CN114844583A CN114844583A (zh) 2022-08-02
CN114844583B true CN114844583B (zh) 2023-04-07

Family

ID=82564775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334589.3A Active CN114844583B (zh) 2022-03-30 2022-03-30 基于原型网络的端到端通信接收方法

Country Status (1)

Country Link
CN (1) CN114844583B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288024A (zh) * 2019-06-26 2019-09-27 山东大学 一种基于原型网络少样本学习的图像分类器构建、图像识别方法及系统
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN113610151A (zh) * 2021-08-05 2021-11-05 哈尔滨理工大学 一种基于原型网络的自编码器网络机制解决小样本图像分类的系统、方法、设备及存储介质
CN113673599A (zh) * 2021-08-20 2021-11-19 大连海事大学 一种基于校正原型学习的高光谱影像分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800811B (zh) * 2019-01-24 2022-09-06 吉林大学 一种基于深度学习的小样本图像识别方法
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
US20210004700A1 (en) * 2019-07-02 2021-01-07 Insurance Services Office, Inc. Machine Learning Systems and Methods for Evaluating Sampling Bias in Deep Active Classification
CN110503185B (zh) * 2019-07-18 2023-04-07 电子科技大学 一种改进的深度调制识别网络模型
CN111950596A (zh) * 2020-07-15 2020-11-17 华为技术有限公司 一种用于神经网络的训练方法以及相关设备
CN113408605B (zh) * 2021-06-16 2023-06-16 西安电子科技大学 基于小样本学习的高光谱图像半监督分类方法
CN114169442B (zh) * 2021-12-08 2022-12-09 中国电子科技集团公司第五十四研究所 基于双原型网络的遥感图像小样本场景分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288024A (zh) * 2019-06-26 2019-09-27 山东大学 一种基于原型网络少样本学习的图像分类器构建、图像识别方法及系统
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN113610151A (zh) * 2021-08-05 2021-11-05 哈尔滨理工大学 一种基于原型网络的自编码器网络机制解决小样本图像分类的系统、方法、设备及存储介质
CN113673599A (zh) * 2021-08-20 2021-11-19 大连海事大学 一种基于校正原型学习的高光谱影像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种改进的CNN端到端自编码器通信系统;王旭东等;《电讯技术》(第02期);全文 *

Also Published As

Publication number Publication date
CN114844583A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN107743103B (zh) 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
CN110636445B (zh) 基于wifi的室内定位方法、装置、设备及介质
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN112861927B (zh) 基于自适应特征提取与融合的信号调制分类方法
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN111813954A (zh) 文本语句中两实体的关系确定方法、装置和电子设备
CN112787736A (zh) 一种基于协方差矩阵的长短期记忆协作频谱感知方法
CN113872904B (zh) 一种基于集成学习的多分类通信信号自动调制识别方法
CN106384587A (zh) 一种语音识别方法及系统
CN111768761B (zh) 一种语音识别模型的训练方法和装置
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN114844583B (zh) 基于原型网络的端到端通信接收方法
CN105743756B (zh) WiFi系统中基于adaboost算法的帧检测方法
CN112867021B (zh) 基于改进型TrAdaBoost的迁移学习室内定位方法
CN116760491A (zh) 一种基于深度学习的信噪比估计方法
CN113109782A (zh) 一种直接应用于雷达辐射源幅度序列的新型分类方法
CN117376066A (zh) 一种面向异步采样的数字信号调制方式识别方法
CN116467141A (zh) 日志识别模型训练、日志聚类方法和相关系统、设备
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN114006798A (zh) 一种信号处理方法、装置、电子设备及存储介质
CN111835541B (zh) 一种流量识别模型老化检测方法、装置、设备及系统
CN113869238A (zh) 一种认知车联网智能频谱感知方法及系统
CN114157544B (zh) 基于卷积神经网络的帧同步方法、设备及介质
CN108449120B (zh) 一种基于差分度量低复杂度qam-mimo检测方法

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