CN114884780A - 基于被动时间反转镜的水声通信信号调制识别方法及装置 - Google Patents

基于被动时间反转镜的水声通信信号调制识别方法及装置 Download PDF

Info

Publication number
CN114884780A
CN114884780A CN202210484645.1A CN202210484645A CN114884780A CN 114884780 A CN114884780 A CN 114884780A CN 202210484645 A CN202210484645 A CN 202210484645A CN 114884780 A CN114884780 A CN 114884780A
Authority
CN
China
Prior art keywords
time reversal
signal
passive time
underwater acoustic
modulation
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.)
Granted
Application number
CN202210484645.1A
Other languages
English (en)
Other versions
CN114884780B (zh
Inventor
付晓梅
胡雅琳
暴纪欣
孙万忠
钱治文
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202210484645.1A priority Critical patent/CN114884780B/zh
Publication of CN114884780A publication Critical patent/CN114884780A/zh
Application granted granted Critical
Publication of CN114884780B publication Critical patent/CN114884780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • 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)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种基于被动时间反转镜的水声通信信号调制识别方法及装置，方法包括：采用无记忆模拟非线性预处理器去除接收信号中的脉冲噪声。基于被动时间反转镜抑制多径效应，利用线性调频信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络增强两种频域特征，最后基于卷积神经网络进行调制识别。装置包括：处理器和存储器。本发明对调制信号进行分类，不仅提高了调制识别准确率，也提高了对不同水声信道的适应性，减轻了水声信道对调制信号特征的影响。

Description

基于被动时间反转镜的水声通信信号调制识别方法及装置
技术领域
本发明涉及信号调制识别技术领域，尤其涉及一种基于被动时间反转镜的水声通信信号调制识别方法及装置，提高了水下信号调制识别的准确性和环境适应性。
背景技术
水声通信信号调制识别是在发送和接收两方非合作条件下，对接收信号进行调制方式的自动分类，在民生和军事方面具有广泛的应用。近年来，深度学习被引入到通信信号调制识别中，进一步提高了调制分类识别的准确性。
在水声通信信号的调制分类过程中，主要分为两大类，根据信号时域特征和频域特征进行分类。第一类是将时域特征作为分类依据，通过神经网络完成时序特征的提取和分类。但是I/Q(同相/正交)数据、时序特征、波形特征等时域特征容易受到复杂水声信道特性的影响，稳定性不高。第二类是选取信号频域特征作为分类依据。功率谱、时频图、频谱和奇异谱是常见的用于调制识别的特征。
现有研究主要关注在特征识别方面，尚未有抑制水声信道影响方法的研究，海洋中严重的多径效应会对接收信号的时频特征产生很大影响，降低了调制识别的准确率。
发明内容
本发明提供了一种基于被动时间反转镜的水声通信信号调制识别方法及装置，本发明对调制信号进行分类，不仅提高了调制识别准确率，也提高了对不同水声信道的适应性，减轻了水声信道对调制信号特征的影响，详见下文描述：
一种基于被动时间反转镜的水声通信信号调制识别方法，所述方法包括：
采用无记忆模拟非线性预处理器去除接收信号中的脉冲噪声。
基于被动时间反转镜抑制多径效应，利用同步信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；
采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络增强两种频域特征，最后基于卷积神经网络进行调制识别。
其中，所述探测信号为接收的线性调频信号
Figure BDA0003629242840000021
采用MANP去噪得到
Figure BDA0003629242840000022
通过时间反转运算得到
Figure BDA0003629242840000023
并与MANP去噪后的通信信号yM(t)进行卷积，通过时反信道消除多径的影响。
其中，所述基于被动时间反转镜进行信号增强具体为：
Figure BDA0003629242840000024
式中，y0(t)为经过被动时间反转处理后的接收信号；y′M(t)为被动时间反转处理过程得到的中间数据；δ(t)为冲激响应函数；n2(t)为MANP去噪后剩余的各种噪声干扰的叠加；最后对y0(t)进行归一化处理得到ynor(t)；
Figure BDA0003629242840000025
进一步地，所述卷积自动编码器网络为：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接；
编码器的卷积层对输入的信号特征进行逐层压缩，通过解码器的反卷积层实现信号特征的解码重构；通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取均方根传递优化器来优化调整网络参数，实现功率谱特征增强的功能。
其中，所述卷积神经网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数，损失函数采用交叉熵函数；所述卷积神经网络通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。
一种基于被动时间反转镜的水声通信信号调制识别装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行方法中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明基于被动时间反转镜技术，利用通信信号中常见的同步信号作为探测信号，实现无外加信号的被动时间反转，达到了抑制水声信道多径效应的效果；
2、本发明相较现有方法不仅具有更高的识别准确率，且对水声信道的变化具有更高的适应性。
附图说明
图1为基于被动时间反转镜的水声通信信号调制识别方法的流程图；
图2为卷积自动编码器(CAE)网络结构图；
其中，Conv代表卷积层，Deconv代表反卷积层，q表示卷积核步长，n表示卷积核个数，m表示卷积核长度，激活函数使用leaky relu函数。
图3为卷积神经网络(CNN)结构图；
其中，Conv代表卷积层，Pool代表池化层，q表示卷积核步长，s表示池化步长，n表示卷积核个数，m表示卷积核长度。
图4为基于被动时间反转镜的调制识别网络模型的训练流程图；
图5为六种调制信号识别在三种信道环境下的混淆矩阵的示意图。
其中，(a)为海河信道条件下，采用六种调制方式识别准确率混淆矩阵的示意图；(b)为丹江口水库信道条件下的调制识别准确率混淆矩阵的示意图；(c)为敬业湖信道条件下的调制识别准确率混淆矩阵的示意图。
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，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提出了一种基于被动时间反转镜的水声通信信号调制识别方法，在对信号做脉冲噪声抑制后，基于被动时间反转镜技术(本领域技术人员所公知，本发明实施例对此不做赘述)抑制多径效应，利用通信信号中广泛存在的同步信号作为被动时间反转中的探测信号，设计了一种基于被动时间反转镜的信号增强方法，提高识别步骤之前的信号质量。之后采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络(CAE)增强两种频域特征，最后设计卷积神经网络(CNN)进行调制识别，具体流程如图1所示。
通信信号在水下传输时，受到信道多径效应和噪声的影响，其模型如式(1)所示：
Figure BDA0003629242840000031
其中，y(t)为接收信号，x(t)为发送的调制信号，h(t)为水声信道冲击响应，
Figure BDA0003629242840000032
为卷积运算，n(t)为脉冲噪声。
其中，多径信道的信道脉冲响应函数模型如下：
Figure BDA0003629242840000041
其中，Ai为振幅，τi表示时间延迟。等号右侧第一项是直达声波，第二项是有边界的折射和反射波，N为折射波和反射波数量，A为直达声波振幅，δ为冲激函数，i为第i条折射波或反射波的索引，τ0表示直达声波的时间延迟。
脉冲噪声n(t)服从Alpha稳定分布，其特征函数如下所示：
φ(t)＝exp(iμt-σα|t|α(1-iβsign(t)λ(t))) (3)
其中，sign(t)表示符号函数，α∈(0,2]为特征指数，α越大，脉冲性越弱，当α＝2时，退化为高斯白噪声。μ表示位置参数，σ表示尺度参数，β是偏度参数，λ(t)的表达式如下：
Figure BDA0003629242840000042
目前国内外常见的调制方式包括：MFSK(多进制频移键控)、MPSK(多进制相移键控)、OFDM(正交频分复用)和LFM(线性调频信号)。本发明实施例识别的调制类型包括：2FSK、4FSK、8FSK、BPSK(二进制相移键控)、QPSK(四进制相移键控)和OFDM。
其中，MFSK的数学表达式为：
Figure BDA0003629242840000043
式中，A为信号幅度，θ为初始相位，fc表示载波频率，f△表示频偏，Sl表示传输符号，Sl∈{±1，…，M/2}，M为调制阶数，Ta表示符号周期，g(t)表示矩形脉冲成型函数，l表示第l个符号的索引。
其中，MPSK的数学表达式为：
Figure BDA0003629242840000044
式中，bl是第l个调制相位符号，g(t)表示根升余弦脉冲成形函数。
其中，OFDM的数学表达式为：
Figure BDA0003629242840000045
式中，K为子载波个数，ak,l为第k个子载波上的第l个符号，△fk表示子载波间隔，Tb是OFDM的符号的总周期，gr为脉冲成型函数。
其中，LFM(线性调频信号)数学表达式为：
x(t)LFM＝Aexp(jθ+jπk0t2+j2πf0t) (8)
式中，f0表示初始频率，k0表示调频斜率。
综上所述，本发明实施例通过上述操作利用通信信号中常见的同步信号作为探测信号，实现无外加信号的被动时间反转，达到了抑制水声信道多径效应的效果。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
步骤1：脉冲噪声和多径效应的抑制；
本发明实施例采用的无记忆模拟非线性预处理器(MANP)可对大于门限部分进行非线性抑制，输出信号如下：
Figure BDA0003629242840000051
β(t)＝(1+2β0)Q2(t) (10)
式中，β0为常系数，本发明实施例设置为1.5，Q2(t)为接收信号y(t)模值|y(t)|的中位数，β(t)为门限值。
去除脉冲噪声后，在接收端基于被动时间反转镜(PTRM)抑制信道的多径。PTRM的输入包括：探测信号和调制信号。在调制信号发送之前，先发送探测信号，通过对接收端探测信号时间反转，再与接收端调制信号卷积得到中间数据，最后将中间数据与发送端探测信号卷积实现多径效应的抑制。
下面用公式推导说明基于PTRM抑制多径效应的全过程，详见下文描述：
将接收的LFM信号
Figure BDA0003629242840000052
作为探测信号，首先采用MANP去噪得到
Figure BDA0003629242840000053
然后通过时间反转运算得到
Figure BDA0003629242840000054
并与MANP去噪后的通信信号yM(t)进行卷积，通过时反信道(即时间反转信道)消除多径的影响，具体公式如下：
Figure BDA0003629242840000055
Figure BDA0003629242840000056
Figure BDA0003629242840000057
Figure BDA0003629242840000061
式中，n1(t)为MANP去噪后剩余噪声干扰的总和，nM(t)为去噪后残留的噪声，
Figure BDA0003629242840000062
是时间反转水声信道，是信道冲激响应的自相关函数，可以近似看成δ函数，因此，式(14)可以写成：
Figure BDA0003629242840000063
从式(15)可以看出，接收信号通过时反信道以实现多径聚焦增益，但是这个过程会引入反转后的探测信号，因此之后要与探测信号p(t)卷积消除探测信号的影响，其过程如式(16)所示：
Figure BDA0003629242840000064
式中，y0(t)为经过被动时间反转处理后的接收信号；y′M(t)为被动时间反转处理过程得到的中间数据；δ(t)为冲激响应函数；n2(t)为MANP去噪后剩余的各种噪声干扰的叠加。
最后对y0(t)进行归一化处理得到ynor(t)。
Figure BDA0003629242840000065
由于通信信号通常使用LFM信号做同步，所以选用该信号作为探测信号。基于分数傅立叶变换(FrFT)求出LFM的起始频率f0及调频率k0，以此估计发送的LFM信号p(t)。
步骤2：基于卷积自动编码器的调制信号频域特征增强；
由于2FSK、4FSK、8FSK、MPSK、OFDM的功率谱特征有明显区别，因此首先选取信号的功率谱作为分类特征，设计卷积自动编码器(CAE)对功率谱进行增强。离散信号功率谱P(ω)的计算公式如下：
Figure BDA0003629242840000066
Figure BDA0003629242840000067
其中，x(n)为离散调制信号，N为信号采样点个数，ω为频率。
由于BPSK和QPSK信号的功率谱特征相似，而BPSK信号平方谱在其载波频率二倍的位置上具有冲激特性，而QPSK信号没有此特征。因此对于这两种信号，本发明实施例选取平方谱作为调制分类特征。同样采用CAE对这两种信号的平方谱特征进行增强。离散信号平方谱计算公式如下：
Figure BDA0003629242840000071
本发明实施例设计的特征增强网络包括：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接。网络结构如图2所示。
编码器的卷积层对输入的信号特征进行逐层压缩，去除冗余信息，提取高维特征。通过解码器的反卷积层实现信号特征的解码重构。通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取RMSProp(均方根传递)优化器来优化调整网络参数，从而实现功率谱特征增强的功能。
步骤3：基于卷积神经网络的调制方式分类识别。
在对调制信号进行特征增强后，设计卷积神经网络(CNN)进行调制方式的分类识别。分类网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数。损失函数采用交叉熵函数。CNN通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。网络结构如图3所示。
通过学习增强后的信号功率谱特征，CNN可以实现对2FSK、4FSK、8FSK、PSK、OFDM的分类。当已经识别出信号的调制方式为PSK时，采用增强的平方谱特征和CNN对信号进行更进一步的分类，划分出BPSK和QPSK。
在模型训练阶段，六种调制信号由matlab仿真生成，水声信道数据由bellhop水声信道仿真软件生成的仿真信道和天津大学敬业湖水声信道组成，噪声参数α在[1.8,2]范围内随机选取，信噪比设置为[0,10]dB。首先采用仿真信道根据公式(1)生成训练数据1，之后采用敬业湖信道数据和调制信号卷积产生训练数据2。通过训练数据1不断优化CAE和CNN的网络参数，实现信号功率谱和平方谱的特征增强及信号的调制识别。之后将训练数据2作为微调数据集，固定CAE的全部参数和CNN的前几层网络参数，微调CNN最后一层参数。当损失函数趋于稳定时停止训练。由于微调数据集建立在真实水声信道环境下，因此微调后的网络对实际水声信道更具有适应性。网络训练和测试的流程图如图4所示。
一种基于被动时间反转镜的水声通信信号调制识别装置，该装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行以下的方法步骤：
基于被动时间反转镜抑制多径效应，利用同步信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；
采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器增强两种频域特征，最后基于卷积神经网络进行调制识别。
其中，所述探测信号为接收的线性调频信号
Figure BDA0003629242840000081
采用MANP去噪得到
Figure BDA0003629242840000082
通过时间反转运算得到
Figure BDA0003629242840000083
并与MANP去噪后的通信信号yM(t)进行卷积，通过时反信道消除多径的影响。
其中，基于被动时间反转镜进行信号增强具体为：
Figure BDA0003629242840000084
式中，y0(t)为经过被动时间反转处理后的接收信号；y′M(t)为被动时间反转处理过程得到的中间数据；δ(t)为冲激响应函数；n2(t)为MANP去噪后剩余的各种噪声干扰的叠加；最后对y0(t)进行归一化处理得到ynor(t)；
Figure BDA0003629242840000085
进一步地，卷积自动编码器网络为：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接；
编码器的卷积层对输入的信号特征进行逐层压缩，通过解码器的反卷积层实现信号特征的解码重构；通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取均方根传递优化器来优化调整网络参数，实现功率谱特征增强的功能。
其中，卷积神经网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数，损失函数采用交叉熵函数；所述CNN网络通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器和存储器的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器和处理器之间通过总线传输数据信号，本发明实施例对此不做赘述。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于被动时间反转镜的水声通信信号调制识别方法，其特征在于，所述方法包括：
采用无记忆模拟非线性预处理器去除接收信号中的脉冲噪声。
基于被动时间反转镜抑制多径效应，利用线性调频信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；
采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络增强两种频域特征，最后基于卷积神经网络网络进行调制识别。
2.根据权利要求1所述的一种基于被动时间反转镜的水声通信信号调制识别方法，其特征在于，
所述探测信号为接收的线性调频信号
Figure FDA0003629242830000011
采用无记忆模拟非线性预处理器(MANP)去噪得到
Figure FDA0003629242830000012
通过时间反转运算得到
Figure FDA0003629242830000013
并与MANP去噪后的通信信号yM(t)进行卷积，通过时反信道消除多径的影响。
3.根据权利要求1所述的一种基于被动时间反转镜的水声通信信号调制识别方法，其特征在于，所述基于被动时间反转镜进行信号增强具体为：
Figure FDA0003629242830000014
式中，y0(t)为经过被动时间反转处理后的接收信号；y′M(t)为被动时间反转处理过程得到的中间数据；δ(t)为冲激响应函数；n2(t)为MANP去噪后剩余的各种噪声干扰的叠加；最后对y0(t)进行归一化处理得到ynor(t)；
Figure FDA0003629242830000015
4.根据权利要求1所述的一种基于被动时间反转镜的水声通信信号调制识别方法，其特征在于，所述卷积自动编码器网络为：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接；
编码器的卷积层对输入的信号特征进行逐层压缩，通过解码器的反卷积层实现信号特征的解码重构；通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取均方根传递优化器来优化调整网络参数，实现功率谱特征增强的功能。
5.根据权利要求1所述的一种基于被动时间反转镜的水声通信信号调制识别方法，其特征在于，所述卷积神经网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数，损失函数采用交叉熵函数；所述卷积神经网络通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。
6.一种基于被动时间反转镜的水声通信信号调制识别装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-5中的任一项所述的方法步骤。
CN202210484645.1A 2022-05-06 2022-05-06 基于被动时间反转镜的水声通信信号调制识别方法及装置 Active CN114884780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210484645.1A CN114884780B (zh) 2022-05-06 2022-05-06 基于被动时间反转镜的水声通信信号调制识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210484645.1A CN114884780B (zh) 2022-05-06 2022-05-06 基于被动时间反转镜的水声通信信号调制识别方法及装置

Publications (2)

Publication Number Publication Date
CN114884780A true CN114884780A (zh) 2022-08-09
CN114884780B CN114884780B (zh) 2023-08-15

Family

ID=82674388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210484645.1A Active CN114884780B (zh) 2022-05-06 2022-05-06 基于被动时间反转镜的水声通信信号调制识别方法及装置

Country Status (1)

Country Link
CN (1) CN114884780B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116699339A (zh) * 2023-08-04 2023-09-05 武汉朗德电气有限公司 基于双模态声导波的gil电弧故障定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models
CN111355677A (zh) * 2018-12-20 2020-06-30 常熟海量声学设备科技有限公司 一种基于滤波器组的多载波水下高速通信系统
CN112466320A (zh) * 2020-12-12 2021-03-09 中国人民解放军战略支援部队信息工程大学 一种基于生成对抗网络的水声信号降噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models
CN111355677A (zh) * 2018-12-20 2020-06-30 常熟海量声学设备科技有限公司 一种基于滤波器组的多载波水下高速通信系统
CN112466320A (zh) * 2020-12-12 2021-03-09 中国人民解放军战略支援部队信息工程大学 一种基于生成对抗网络的水声信号降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHANGWEI LI等: "Mobile Underwater Acoustic Communication Based On Passive Time Reversal", 《 2017 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING (ICSPCC)》 *
冼敏元等: "基于被动时反-随机共振的水下弱信号参数优化检测方法", 《水下无人系统学报》, vol. 28, no. 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116699339A (zh) * 2023-08-04 2023-09-05 武汉朗德电气有限公司 基于双模态声导波的gil电弧故障定位方法
CN116699339B (zh) * 2023-08-04 2023-11-17 武汉朗德电气有限公司 基于双模态声导波的gil电弧故障定位方法

Also Published As

Publication number Publication date
CN114884780B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US9804999B2 (en) Signal/noise separation using FrFT rotational parameter obtained in relation to Wigner Distribution
CN112466320B (zh) 一种基于生成对抗网络的水声信号降噪方法
CN108616314B (zh) 一种基于ofdm的水声通信系统脉冲噪声抑制方法
Magsi et al. Analysis of signal noise reduction by using filters
CN109543643A (zh) 基于一维全卷积神经网络的载波信号检测方法
Li et al. Blind detection of underwater acoustic communication signals based on deep learning
Yao et al. Modulation identification of underwater acoustic communications signals based on generative adversarial networks
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
Fan et al. Image denoising based on wavelet thresholding and Wiener filtering in the wavelet domain
Islam et al. Noise reduction of continuous wave radar and pulse radar using matched filter and wavelets
CN115664898A (zh) 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统
CN114884780A (zh) 基于被动时间反转镜的水声通信信号调制识别方法及装置
Jia et al. Convolutive blind source separation for communication signals based on the sliding Z-transform
Kotipalli et al. Frame boundary detection and deep learning-based doppler shift estimation for FBMC/OQAM communication system in underwater acoustic channels
Delamou et al. Deep learning-based estimation for multitarget radar detection
Limin et al. Low probability of intercept radar signal recognition based on the improved AlexNet model
Jiang et al. Modulation recognition of underwater acoustic communication signals based on data transfer
CN114330441A (zh) 一种基于时频谱和迁移学习的水声janus信号识别方法与系统
CN107707499B (zh) 一种Alpha稳定分布噪声下OFDM信号调制参数估计方法
CN115378776A (zh) 一种基于循环谱参数的mfsk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
CN115932808A (zh) 一种基于多特征融合的被动声纳智能探测方法
ABOSINNEE et al. Statistical vs. Information-theoretic signal properties over FFT-OFDM
Sheikh et al. Compression and denoising of speech transmission using Daubechies wavelet family
Jin et al. Preamble detection for underwater acoustic communications based on convolutional neural networks

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