CN114900256A - 通信场景识别方法和装置 - Google Patents
通信场景识别方法和装置 Download PDFInfo
- Publication number
- CN114900256A CN114900256A CN202210555368.9A CN202210555368A CN114900256A CN 114900256 A CN114900256 A CN 114900256A CN 202210555368 A CN202210555368 A CN 202210555368A CN 114900256 A CN114900256 A CN 114900256A
- Authority
- CN
- China
- Prior art keywords
- scene
- impulse response
- response data
- channel impulse
- data
- 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
Links
- 230000006854 communication Effects 0.000 title claims abstract description 91
- 238000004891 communication Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000004044 response Effects 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 22
- 238000010295 mobile communication Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供一种通信场景识别方法和装置;涉及移动通信技术领域。该方法包括:获取待识别场景的信道冲激响应数据;对待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;利用场景识别模型对预处理后信道数据进行通信场景识别,以获得目标通信场景类别;场景识别模型为经训练获得的学习向量化网络模型。本公开可以解决现有技术中由于场景采集方案带来的识别准确率低及模型识别过程的计算量大,无法满足实时通信需求的问题。
Description
技术领域
本公开涉及移动通信技术领域,具体而言,涉及一种通信场景识别方法和装置。
背景技术
随着无线通信需求的不断增长,无线通信过程会伴随着通信场景的变化,而不同通信场景对应着不同的信道特征,信道特征的准确识别对于通信质量至关重要。因此,通信场景的准确识别对无线传输网络的优化以及信道模型构造,提升通信质量具有重要意义。
相关技术中,大都是采用摄像头采集场景或者采用复杂模型进行场景识别,但是摄像头采集通信场景方案存在准确率低的问题,复杂模型的场景识别存在计算量大、无法满足实时通信要求的问题,尤其是在第五代移动通信技术(5th Generation MobileCommunication Technology,5G)通信的高速环境下,上述问题尤为突出。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种通信场景识别方法和装置,进而在一定程度上解决了相关技术中由于场景采集方案带来的识别准确率低及模型识别过程的计算量大,无法满足实时通信需求的问题。
根据本公开的第一方面,提供了一种通信场景识别方法,所述方法包括:获取待识别场景的信道冲激响应数据;对所述待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;利用场景识别模型对所述预处理后信道数据进行通信场景识别,以获得目标通信场景类别;其中,所述场景识别模型为经训练获得的学习向量化网络模型。
在本公开的一种示例性实施例中,基于前述方案,所述对所述待识别场景的信道冲激响应数据进行预处理,包括:对所述待识别场景的信道冲激响应数据进行消除噪声处理;对消除噪声后的信道冲激响应数据进行多径分量提取,以获得对应的多径分量。
在本公开的一种示例性实施例中,基于前述方案,所述对所述待识别场景的信道冲激响应数据进行消除噪声处理,包括:确定噪声门限;响应于所述噪声门限与所述待识别场景的信道冲激响应数据的比较结果,消除所述待识别场景的信道冲激响应数据中的噪声数据。
在本公开的一种示例性实施例中,基于前述方案,所述消除噪声后的信道冲激响应数据包括多个分量区域,所述对消除噪声后的信道冲激响应数据进行多径分量提取,包括:搜索每个分量区域的波峰,以确定波峰功率值和波峰位置;当所述分量区域内波峰的数量大于1时,基于该分量区域内每个波峰功率值和所述波峰位置,计算每个波峰与其相邻波谷之间的第一功率差;基于每个波峰功率值及所述第一功率差与第二功率差的比较结果,确定该分量区域内的多径分量。
在本公开的一种示例性实施例中,基于前述方案,所述场景识别模型包括输入层、竞争层和输出层,所述利用场景识别模型对所述预处理后信道数据进行通信场景识别,包括:计算所述预处理后信道数据到竞争层每个神经元的距离;筛选所述距离的最小值对应的神经元作为获胜神经元;基于与所述获胜神经元连接的输出层神经元对应的类别,确定识别结果。
在本公开的一种示例性实施例中,基于前述方案,在对所述待识别场景的信道冲激响应数据进行预处理之前,所述方法还包括:对所述待识别场景的信道冲激响应数据进行帧同步和相位修正,以获得同步结果;对所述同步结果进行信道估计和加窗处理,以获得调整后的信道冲激响应数据。
在本公开的一种示例性实施例中,基于前述方案,所述场景识别模型包括经不同数据训练获得的多个学习向量化网络模型,所述方法还包括:将预处理后信道数据并行输入多个学习向量化网络模型,对应获得多个输出结果。统计所述多个输出结果中每个类别的数量;并基于所述统计数量,确定目标通信场景类别。
根据本公开的第二方面,一种通信场景识别装置,所述装置包括:获取模块,用于获取待识别场景的信道冲激响应数据;预处理模块,用于对所述待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;识别模块,用于利用场景识别模型对所述预处理后信道数据进行通信场景识别,以获得目标通信场景类别;其中,所述场景识别模型为经训练获得的学习向量化网络模型。
据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开示例实施方式所提供的通信场景识别方法中,一方面可以对获取的待识别场景的信道冲激响应数据进行预处理,通过预处理保证后续输入场景识别模型的数据的准确性,以提高识别准确性;同时能够减少后续模型处理的数据量。另一方面,可以通过经训练获得的学习向量化网络模型对预处理后信道数据进行通信场景识别,避免了对信道冲激响应数据进行信道特征参数计算的过程,大大减少了数据计算量,提高识别效率,以满足实时通信场景的快速变化。此外,本公开的学习向量化网络模型的结构简单,识别过程的计算量小,进一步保证了识别效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出了根据本公开的一个实施例示例性应用场景架构示意图。
图2示意性示出了根据本公开的一个实施例的通信场景识别方法示意图之一。
图3示意性示出了根据本公开的一个实施例的多径分量提取过程示意图。
图4示意性示出了根据本公开的一个实施例的训练学习向量化网络模型以获得场景识别模型的过程示意图。
图5示意性示出了根据本公开的一个实施例的通信场景识别方法示意图之二。
图6示意性示出了根据本公开的一个实施例的通信场景识别装置的结构框图。
图7示出了适于用来实现本公开实施例的电子设备框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种通信场景识别方法及装置的示例性应用环境的系统架构100的示意图。如图1所示,系统架构100可以包括接收端设备101和发送端设备102。接收端设备101与发送端设备102之间通过无线网络进行通信。接收端设备101可以是车载终端,或者其他通信系统的接收侧设备,例如车载通信系统或高速列车通信系统的接收设备;也可以是移动终端等无线装置。发送端设备102可以是各种信号发生器或者含有信号发生器的系统,例如,车载通信系统或高速列车通信系统的信号发送设备;也可以是路侧基站等无线装置。
在不同的通信场景中,车辆移动速度、障碍物的分布等因素都可能存在差异,从而影响车载单元与路侧单元的通信质量。因此需要准确识别当前所处环境,并以此为参考,进行通信参数或模型的调节。例如,在面向车联网的通信系统中,可将训练好的场景识别模型部署与车载通信系统的信号处理单元,对待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;及利用场景识别模型对预处理后信道数据进行通信场景识别,并进行实时的通信场景判断。场景识别模型可以布设于车载终端设备的处理器中,模型的训练过程可以在其他设备或服务器中进行,例如,在服务器中进行模型的离线训练。模型的训练过程可以在车载终端设备中进行,本示例对此不做限定。
应该理解,图1中的接收端和发送端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的接收端设备和发送端设备。
本公开实施例所提供的通信场景识别方法可以在车载终端设备执行,相应地,通信场景识别装置一般设置于车载终端设备中。
参考图2所示,本公开提供的一种示例实施方式的通信场景识别方法,可以应用于一移动终端设备。该方法可以包括:
步骤S210,获取待识别场景的信道冲激响应数据。
在本示例实施方式中,待识别场景的信道冲激响应数据可以是通过测量设备测量得到的原始信道冲激响应数据(Channel Impulse Response,CIR),如通过频谱分析仪测量获得待识别场景的信道冲激响应数据。待识别场景的信道冲激响应数据也可以是基带信号与发射的激励信号(如正交频分复用OFDM信号)进行相关运算获得的,如相关运算为滑动相关,本示例对此不做限定。待识别场景的信道冲激响应数据可以是由横坐标为时延,纵坐标为功率的谱图。
步骤S220,对待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据。
在本示例实施方式中,预处理可以包括滤波、噪声消除及其他干扰信号的消除等中的一个或多个。预处理还可以包括多径分量提取(即多径抽头)过程,以提取有效信号数据,还可以包括其他干扰信号处理过程,本示例对此不做限定。
步骤S230,利用场景识别模型对预处理后信道数据进行通信场景识别,以获得目标通信场景类别。
在本示例实施方式中,场景识别模型为经训练获得的学习向量化(learningvector quantization,LVQ)网络模型。LVQ网络模型通过用户指定的分类类别,可以通过监督学习完成对输入向量模式的准确分类。在本示例实施方式中,可以指定的场景类别可以包括高速公路、城区道路、立交区、环岛、郊区道路、隧道等通信场景,还可以包括其他快速移动或具有遮挡或干扰的通信场景,本示例对此不做限定。
在本示例实施方式所提供的通信场景识别方法中,一方面可以对获取的待识别场景的信道冲激响应数据进行预处理,通过预处理保证后续输入场景识别模型的数据的准确性,以提高识别准确性;同时能够减少后续模型处理的数据量。另一方面,可以通过经训练获得的学习向量化网络模型对预处理后信道数据进行通信场景识别,避免了对信道冲激响应数据进行信道特征参数计算的过程,大大减少了数据计算量,提高识别效率,以满足实时通信场景的快速变化。此外,本公开的学习向量化网络模型的结构简单,识别过程的计算量小,进一步保证了识别效率。
下面,在另一实施例中,对上述步骤进行更加详细的说明。
在一些实施例中,对待识别场景的信道冲激响应数据进行预处理,包括:
首先,对待识别场景的信道冲激响应数据进行消除噪声处理。
在本示例实施方式中,可以先确定噪声门限。该噪声门限可以通过经验设置,也可以根据一段时间的CIR信号幅度的均值或/和标准差等来确定,例如,可以在一个小于相干时间的时间间隔,将CIR幅值均值与若干倍的标准差之和作为噪声门限,本示例对此不做限定。当噪声门限随信号动态变化时,能够提高噪声消除的精确性。
在本示例实施方式中,可以响应于噪声门限与待识别场景的信道冲激响应数据的比较结果,消除待识别场景的信道冲激响应数据中的噪声数据。例如,可以将待识别场景的信道冲激响应数据的每个采样点值与噪声门限比较,将低于噪声门限的采样点作为噪声,将这些采样点的值置零。
然后,参考图3,通过以下步骤S310-S340对消除噪声后的信道冲激响应数据进行多径分量提取。
步骤S310,搜索每个分量区域的波峰,以确定波峰功率值和波峰位置。
在本示例实施方式中,消除噪声后的信道冲激响应数据对应的谱图可以认为是由多个非零分量区域组成的,每个区域都包括一段连续采样点。
步骤S320,判断分量区域内波峰位置的数量r是否大于1,若是,则转入步骤S330;否则,转至步骤S350。
步骤S330,基于该分量区域内每个波峰功率值和波峰位置,计算每个波峰与其相邻波谷之间的第一功率差。
步骤S340,基于每个波峰功率值及第一功率差与第二功率差的比较结果,确定该分量区域内的多径分量。
在本示例实施方式中,第二功率差是指系统最小可接受的波峰与相邻波谷之间的功率差值,该值可以根据经验和具体场景进行设置。例如,可以将第二功率差设置为2~3dB。当波峰功率值大于预设值,且第一功率差大于第二功率差,则将对应波峰确定为多径分量,否则,将对应波峰判定为噪声分量,例如,可以认为该波峰为噪声产生的“毛刺”。当一个分量区域内所有波峰对应的第一功率差均小于第二功率差时,可以随机选择一个波峰作为该分量区域的多径分量,也可以选取波峰功率最大值作为该分量区域的多径分量,也可以采用其他方式进行多径分量选择,本示例对此不做限定。
步骤S350,当r=1,将该唯一的波峰位置作为该分量区域的多径分量。
在一种实施例中,参考图4,场景识别模型400包括输入层410、竞争层420和输出层430。输入层410与竞争层420之间采用全连接的方式,竞争层420与输出层430之间采用部分连接的方式。竞争层420神经元个数总是大于输出层430神经元个数,每个竞争层神经元只与一个线性输出层430神经元相连接且连接权值恒为1。但是,每个线性输出层神经元可以与多个竞争层神经元相连接。场景识别模型400是经训练获得的学习向量化网络模型,其训练过程如图4所示。
首先,获取不同通信场景下的信道冲激响应数据作为训练数据。
在本示例实施方式中,训练数据可以通过测量仪器在真实通信场景下测量获得,也可以通过模拟不同通信场景下的通信而获得,本示例对此不做限定。在获取原始信道冲激响应数据之后,可以对该数据进行各种预处理过程,例如,同步、相位修正、加窗处理中的一个或多个及噪声消除、多径提取。
在本示例实施方式中,可以认为接收端在极短时间内(小于信道的相干时间)生成了m个CIR快照,认为这段时间内的散射体和接收端的位置是固定的,因此,将m个快照内的CIR组成的m×n的矩阵(n为有效径的数目)作为学习向量化网络模型的输入向量之一,将一段时间的若干个m×n的矩阵,作为训练数据集。
其次,初始化学习向量化网络模型。
本示例中,竞争层各神经元权值向量随机赋值随机数,可以设置初始学习速率和训练次数。训练前预先定义好竞争层到输出层权重,从而指定输出神经元类别,训练中不再改变。
再次,输入训练数据(样本向量),通过计算输入向量与竞争层神经元之间的距离,确定获胜神经元。
在本示例中,可以通过输入层与竞争层之间的权值参数W,计算输入向量与竞争层每个神经元之间的距离(如欧氏距离等),将距离最小值对应的神经元确定为获胜神经元。
最后,根据输出样本类别和获胜神经元类别标签,判断当前分类是否正确。若分类正确,则将获胜神经元的权值参数向量W向输入向量方向调整,若分类错误则向相反方向调整。
循环上述过程直到模型收敛或达到最大训练次数即可得到场景识别模型。
一些实施例中,利用场景识别模型对预处理后信道数据进行通信场景识别,包括:
计算预处理后信道数据到竞争层每个神经元的距离。
在本示例中,场景识别模型中输入层到竞争层的权值参数由训练过程确定。基于训练的该权值参数计算输入向量与竞争层每个神经元之间的距离。
筛选距离的最小值对应的神经元作为获胜神经元。
在本示例实施方式中,与输入模式距离最近的竞争层神经元被激活,神经元的状态为1,即为获胜神经元。而其他竞争层神经元的状态均为0。
基于与获胜神经元连接的输出层神经元对应的类别,确定识别结果。
在本示例实施方式中,与被激活神经元相连接的线性输出层神经元状态也为1,该神经元对应的类别即为识别结果。而其他线性输出层神经元的状态均为0。
在一种实施例中,在对待识别场景的信道冲激响应数据进行预处理之前,方法还包括:
对待识别场景的信道冲激响应数据进行帧同步和相位修正,以获得同步结果。
在本示例实施方式中,可以对原始CIR寻找信号的帧头,并进行帧头对齐操作,完成信号的粗同步。再对粗同步的信号与本地信号进行相关运算,修正信号的相位偏差,实现信号的精同步。
对同步结果进行信道估计和加窗处理,以获得调整后的信道冲激响应数据。
在本示例实施方式中,可以通过现有算法估计信道,例如,采用最小二乘(Least-Square,LS)法估计信道,即利用接收信号以及发送信号估计出信道频域响应。之后对估计的信号频域响应进行加窗处理(如加汉宁窗),对加窗得到的信号进行傅里叶逆变换得到时域上的信道冲激响应。
在一些实施例中,场景识别模型包括经不同数据训练获得的多个学习向量化网络模型,方法还包括:将预处理后信道数据并行输入多个学习向量化网络模型,对应获得多个输出结果。统计多个输出结果中每个类别的数量;并基于统计数量,确定目标通信场景类别。
在本示例实施方式中,可以通过不同的训练数据训练获得多个模型,采用多个模型并行对待识别数据进行场景识别,取识别类别最多的作为最终识别结果,以提高识别准确率。
举例而言,参考图5,为本公开的一个示例性实施例,通过以下步骤实现通信场景识别过程。
步骤S501,获取待识别场景的信道冲激响应数据。
在本示例实施方式中,待识别场景的信道冲激响应数据可以是实时测量得到的数据,例如,通过频谱分析仪测量得到的冲激响应数据。
步骤S502,对待识别场景的信道冲激响应数据进行帧同步和相位修正,以获得同步结果。
在本示例实施方式中,帧同步是指将每帧信号的帧信号头进行对齐。相位修正可以是将信号与接收侧的本地信号进行相关运算。
步骤S503,对同步结果进行信道估计和加窗处理,以获得调整后的信道冲激响应数据。
在本示例实施方式中,信道估计可以采用最小二乘法,对估计的信道频域响应进行加汉明窗处理,再将加窗后的信号进行傅里叶逆变换,转换到时域,获得时域信道冲激响应(调整后的信道冲激响应数据)。
步骤S504,对待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据。
在本示例实施方式中,通常实测的信道冲激响应包含有效的多径分量和无效的噪声分量,为了提高信道特征参数的估计精度,需要设定合适的门限阈值来区分多径分量和噪声分量。本示例采用动态门限作为噪声门限,在确定噪声门限之后,采用局部最大值法确定多径分量。也就是说,高于噪声门限的,并非全是多径信号,仅认为波峰出现的位置是多径的位置,为了降低“虚检”和“漏检”的概率,通过以下过程识别多径分量。
首先,通过设置噪声门限,去掉噪声门限以下的噪声分量,信号被噪声门限划分为多个由一组连续采样点组成的分量区域。一个分量区域内,每个波峰均有可能是信号分量。
其次,通过搜索每个分量区域内噪声以上的波峰,确定波峰功率及其位置。
最后,计算每个分量区域内的波峰与其相邻波谷之间的功率差△P,通过比较该功率差与预设的功率差△Pmin,确定该波峰是否为多径分量。△Pmin表示系统最小可接受的峰值和相邻波谷之间的功率差值,由此判定峰值是否为噪声产生的“毛刺”。
具体判断过程为:若分量区域仅存在一个波峰,则该波峰即判定为多径分量。若分量区域存在多个波峰,则:当△P小于△Pmin(例如△Pmin=2dB),则判定该波峰为噪声分量;若△P大于△Pmin,则该波峰为多径分量;当一个分量区域内的所有△P均小于△Pmin,则可以随机选取其中一个峰值作为多径分量。
步骤S505,获取不同通信场景下的原始冲激响应数据。
在本示例实施方式中,通信场景可以包括各种复杂的移动通信场景,如面对车辆网的移动通信,通信场景可以包括:高速公路、城区道路、立交区、环岛、郊区道路、隧道等。
步骤S506,采用原始冲激响应数据训练学习向量化网络模型,以获得场景识别模型。
在本示例实施方式中,可以对原始冲激响应数据进行步骤S502-S504的处理过程,接收端在极短的时间内(小于信道的相干时间)生成了m个CIR快照,可以认为这段时间内的散射体和接收端的位置是固定的,因此,将这m个快照内的CIR组成的m×n的矩阵(n为有效径的数目)作为输入向量之一,测量得到的CIR包含若干个m×n的矩阵,作为原始训练数据集。可以将训练数据集按照比例(如4:1)随机分成训练集和验证集。
此外,本公开还采用K折交叉验证法来评价模型,可以更加客观的评估模型的识别精度以及验证模型的泛化能力。例如,选取K为5,即将训练数据集平均分成了5份,在每次测试中选取其中一份数据作为测试集,其余4份作为训练集。这样,每个类别对应的神经元都会进行5次测试,可以取5次测试的平均结果作为该场景的最终识别准确率。
以上实施例的步骤S505和S506的训练过程可以在步骤S501开始之前进行,以提前完成模型的训练。
步骤S507,将步骤S504的预处理后信道数据输入场景识别模型,以获得目标通信场景类别。
在本示例实施方式中,预处理后信道数据可以包括m个CIR快照,由CIR快照组成的m*n的矩阵(n为有效径的数目)作为输入向量。场景识别模型通过计算输入向量到竞争层每个神经元的距离,将距离最小值对应的类别作为目标通信场景类别即可。
在无线通信场景中,不同区域内无线信道的特征具有很大差异,比如列车由开阔地进入隧道可能会造成通信中断。另外,对于精确的室内定位来说,视距和非视距信道产生的测量误差相差很大。在车联网系统中,由于车辆的运动,信道环境是动态变化的,使得车辆通信很容易受到周围环境变化的影响。例如,在信道模型方面,不同场景之间的路径损耗存在明显差异,如高速公路场景的路径损耗指数会大于隧道场景。在物理层算法方面,需要通过场景识别来根据信道环境对算法参数或配置进行实时调整。特别是车辆在不同场景中的行驶速度差别很大,车载通信系统需要进行必要的频移估计和补偿,以避免载波间干扰的发生从而降低系统性能。此外,在网络设计方面,由于不同场景中网络状态不同,场景识别有助于车辆对网络状态的变化进行预判和必要的调整。因此,精确的信道估计对优化无线传输网络的设计、模型构造以及网络设计方面都具有重要意义。
随着无线通信的发展,信道特征的维度由最初的时-频二维扩展到时-频-空三维,所需提取的参数的数据量呈现爆炸式增长的趋势,这给基于信道参数的信道场景识别方案带来了很大的挑战。本公开方法中一方面无需计算信道特征参数,可以直接将CIR组成的特征图输入到场景识别模型的输入层,从而减少前期计算信道特征参数的工作量。另一方面,选取的CIR特征既包含信道的大尺度衰落信息,又包含信道的小尺度衰落信息,可以挖掘信道场景的深度特征。本公开将原始的CIR进行去噪处理,取满足信道广义平稳的时间窗口内的CIR作为输入数据,可以大大减少前期计算信道特征参数的工作量。
本公开的场景识别模型的网络结构简单,只需要通过内部单元的相互作用就可以完成十分复杂的分类处理,且不需要对输入向量进行归一化、正交化处理,只需要直接计算输入向量与竞争层之间的距离,大大减少了场景识别过程中的计算量。
进一步的,本示例实施方式中,还提供了一种通信场景识别装置600,装置600包括:获取模块610,用于获取待识别场景的信道冲激响应数据;预处理模块620,用于对待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;识别模块630,用于利用场景识别模型对预处理后信道数据进行通信场景识别,以获得目标通信场景类别;其中,场景识别模型为经训练获得的学习向量化网络模型。
在本公开的一种示例性实施例中,预处理模块620包括:去噪模块和分量提取模块,去噪模块,用于对待识别场景的信道冲激响应数据进行消除噪声处理;分量提取模块,用于对消除噪声后的信道冲激响应数据进行多径分量提取,以获得对应的多径分量。
在本公开的一种示例性实施例中,去噪模块还用于:确定噪声门限;响应于噪声门限与待识别场景的信道冲激响应数据的比较结果,消除待识别场景的信道冲激响应数据中的噪声数据。
在本公开的一种示例性实施例中,消除噪声后的信道冲激响应数据包括多个分量区域,分量提取模块包括搜索子模块、计算子模块、确定子模块;搜索子模块,用于搜索每个分量区域的波峰,以确定波峰功率值和波峰位置;计算子模块,用于当分量区域内波峰的数量大于1时,基于该分量区域内每个波峰功率值和波峰位置,计算每个波峰与其相邻波谷之间的第一功率差;确定子模块,用于基于每个波峰功率值及第一功率差与第二功率差的比较结果,确定该分量区域内的多径分量。
在本公开的一种示例性实施例中,场景识别模型包括输入层、竞争层和输出层,识别模块630包括:距离计算模块、筛选模块、类别确定模块;距离计算模块,用于计算预处理后信道数据到竞争层每个神经元的距离;筛选模块,用于筛选距离的最小值对应的神经元作为获胜神经元;类别确定模块,用于基于与获胜神经元连接的输出层神经元对应的类别,确定识别结果。
在本公开的一种示例性实施例中,装置600还包括:同步模块和信道估计模块;同步模块,用于对待识别场景的信道冲激响应数据进行帧同步和相位修正,以获得同步结果;信道估计模块,用于对同步结果进行信道估计和加窗处理,以获得调整后的信道冲激响应数据。
在本公开的一种示例性实施例中,场景识别模型包括经不同数据训练获得的多个学习向量化网络模型,装置600还用于:将预处理后信道数据并行输入多个学习向量化网络模型,对应获得多个输出结果。统计多个输出结果中每个类别的数量;并基于统计数量,确定目标通信场景类别。
上述通信场景识别装置中各单元或模块的具体细节已经在对应的通信场景识别方法中进行了详细的描述,因此此处不再赘述。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中的方法。例如,电子设备可以实现如图2~图5所示的各个步骤等。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RA标识系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台电子设备执行根据本公开实施例的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等,均应视为本公开的一部分。
应可理解的是,本说明书公开和限定的本公开延伸到文中和/或附图中提到或明显的两个或两个以上单独特征的所有可替代组合。所有这些不同的组合构成本公开的多个可替代方面。本说明书的实施方式说明了已知用于实现本公开的最佳方式,并且将使本领域技术人员能够利用本公开。
Claims (10)
1.一种通信场景识别方法,其特征在于,所述方法包括:
获取待识别场景的信道冲激响应数据;
对所述待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;
利用场景识别模型对所述预处理后信道数据进行通信场景识别,以获得目标通信场景类别;其中,所述场景识别模型为经训练获得的学习向量化网络模型。
2.根据权利要求1所述的通信场景识别方法,其特征在于,所述对所述待识别场景的信道冲激响应数据进行预处理,包括:
对所述待识别场景的信道冲激响应数据进行消除噪声处理;
对消除噪声后的信道冲激响应数据进行多径分量提取,以获得对应的多径分量。
3.根据权利要求2所述的通信场景识别方法,其特征在于,所述对所述待识别场景的信道冲激响应数据进行消除噪声处理,包括:
确定噪声门限;
响应于所述噪声门限与所述待识别场景的信道冲激响应数据的比较结果,消除所述待识别场景的信道冲激响应数据中的噪声数据。
4.根据权利要求2所述的通信场景识别方法,其特征在于,所述消除噪声后的信道冲激响应数据包括多个分量区域,所述对消除噪声后的信道冲激响应数据进行多径分量提取,包括:
搜索每个分量区域的波峰,以确定波峰功率值和波峰位置;
当所述分量区域内波峰的数量大于1时,基于该分量区域内每个波峰功率值和所述波峰位置,计算每个波峰与其相邻波谷之间的第一功率差;
基于每个波峰功率值及所述第一功率差与第二功率差的比较结果,确定该分量区域内的多径分量。
5.根据权利要求1所述的通信场景识别方法,其特征在于,所述场景识别模型包括输入层、竞争层和输出层,所述利用场景识别模型对所述预处理后信道数据进行通信场景识别,包括:
计算所述预处理后信道数据到竞争层每个神经元的距离;
筛选所述距离的最小值对应的神经元作为获胜神经元;
基于与所述获胜神经元连接的输出层神经元对应的类别,确定识别结果。
6.根据权利要求1所述的通信场景识别方法,其特征在于,在对所述待识别场景的信道冲激响应数据进行预处理之前,所述方法还包括:
对所述待识别场景的信道冲激响应数据进行帧同步和相位修正,以获得同步结果;
对所述同步结果进行信道估计和加窗处理,以获得调整后的信道冲激响应数据。
7.根据权利要求1-6任一项所述的通信场景识别方法,其特征在于,所述场景识别模型包括经不同数据训练获得的多个学习向量化网络模型,所述方法还包括:
将预处理后信道数据并行输入多个学习向量化网络模型,对应获得多个输出结果;
统计所述多个输出结果中每个类别的数量;并基于所述统计数量,确定目标通信场景类别。
8.一种通信场景识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别场景的信道冲激响应数据;
预处理模块,用于对所述待识别场景的信道冲激响应数据进行预处理,以获得预处理后信道数据;
识别模块,用于利用场景识别模型对所述预处理后信道数据进行通信场景识别,以获得目标通信场景类别;其中,所述场景识别模型为经训练获得的学习向量化网络模型。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555368.9A CN114900256B (zh) | 2022-05-20 | 2022-05-20 | 通信场景识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555368.9A CN114900256B (zh) | 2022-05-20 | 2022-05-20 | 通信场景识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114900256A true CN114900256A (zh) | 2022-08-12 |
CN114900256B CN114900256B (zh) | 2024-03-01 |
Family
ID=82724450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210555368.9A Active CN114900256B (zh) | 2022-05-20 | 2022-05-20 | 通信场景识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900256B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224225A (zh) * | 2023-05-10 | 2023-06-06 | 北京白水科技有限公司 | 应用于无线电测距的测距置信度的确定方法、装置及设备 |
CN117176265A (zh) * | 2023-10-31 | 2023-12-05 | 北京交通大学 | 一种场景信道模拟回放方法、系统及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109526021A (zh) * | 2018-11-30 | 2019-03-26 | 北京交通大学 | 一种高速铁路无线信道场景的分类方法及识别方法 |
WO2019205111A1 (zh) * | 2018-04-27 | 2019-10-31 | 深圳市汇顶科技股份有限公司 | 数据合并方法、装置及设备 |
CN110572302A (zh) * | 2019-09-11 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 无盘局域网场景识别方法、装置及终端 |
WO2021175344A2 (zh) * | 2021-05-06 | 2021-09-10 | 南京航空航天大学 | 一种无线信道冲激响应动态测量重构方法及装置 |
US20210375480A1 (en) * | 2018-11-30 | 2021-12-02 | Carnegie Mellon University | Data processing system for generating predictions of cognitive outcome in patients |
CN113901949A (zh) * | 2021-11-05 | 2022-01-07 | 中国联合网络通信集团有限公司 | 通信场景识别方法、装置、电子设备及存储介质 |
CN113947751A (zh) * | 2021-09-30 | 2022-01-18 | 湖北工业大学 | 一种基于深度学习方向特征的多尺度场景识别装置和方法 |
CN114362851A (zh) * | 2022-01-10 | 2022-04-15 | 北京交通大学 | 一种基于机器学习的无线信道数据去噪方法 |
-
2022
- 2022-05-20 CN CN202210555368.9A patent/CN114900256B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019205111A1 (zh) * | 2018-04-27 | 2019-10-31 | 深圳市汇顶科技股份有限公司 | 数据合并方法、装置及设备 |
CN109526021A (zh) * | 2018-11-30 | 2019-03-26 | 北京交通大学 | 一种高速铁路无线信道场景的分类方法及识别方法 |
US20210375480A1 (en) * | 2018-11-30 | 2021-12-02 | Carnegie Mellon University | Data processing system for generating predictions of cognitive outcome in patients |
CN110572302A (zh) * | 2019-09-11 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 无盘局域网场景识别方法、装置及终端 |
WO2021175344A2 (zh) * | 2021-05-06 | 2021-09-10 | 南京航空航天大学 | 一种无线信道冲激响应动态测量重构方法及装置 |
CN113947751A (zh) * | 2021-09-30 | 2022-01-18 | 湖北工业大学 | 一种基于深度学习方向特征的多尺度场景识别装置和方法 |
CN113901949A (zh) * | 2021-11-05 | 2022-01-07 | 中国联合网络通信集团有限公司 | 通信场景识别方法、装置、电子设备及存储介质 |
CN114362851A (zh) * | 2022-01-10 | 2022-04-15 | 北京交通大学 | 一种基于机器学习的无线信道数据去噪方法 |
Non-Patent Citations (2)
Title |
---|
张旭: ""隧道场景下智能车联网的信道建模"", 《中国优秀硕士学位论文全文数据库,工程科技II辑》, no. 2022, pages 034 - 1890 * |
金建刚, 陈亚军, 孙士宝: "学习向量量化神经网络在模式分类中的应用", 乐山师范学院学报, vol. 19, no. 05, pages 98 - 100 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224225A (zh) * | 2023-05-10 | 2023-06-06 | 北京白水科技有限公司 | 应用于无线电测距的测距置信度的确定方法、装置及设备 |
CN116224225B (zh) * | 2023-05-10 | 2023-07-25 | 北京白水科技有限公司 | 应用于无线电测距的测距置信度的确定方法、装置及设备 |
CN117176265A (zh) * | 2023-10-31 | 2023-12-05 | 北京交通大学 | 一种场景信道模拟回放方法、系统及设备 |
CN117176265B (zh) * | 2023-10-31 | 2024-01-12 | 北京交通大学 | 一种场景信道模拟回放方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114900256B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114900256B (zh) | 通信场景识别方法和装置 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN102760444B (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN112567656B (zh) | 信号检测装置、信号检测方法、控制电路以及存储介质 | |
CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
CN103474072B (zh) | 利用纹理特征与随机森林的快速抗噪鸟鸣声识别方法 | |
CN108957403B (zh) | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN111310833A (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN114325245B (zh) | 基于行波数据深度学习的输电线路故障选线与定位方法 | |
US20190057705A1 (en) | Methods and apparatus to identify a source of speech captured at a wearable electronic device | |
CN113591733B (zh) | 基于集成神经网络模型的水声通信调制模式分类识别方法 | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
CN114401049A (zh) | 一种基于幅度分布特征的概率整形信号整形分布识别方法 | |
CN113300986A (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
CN103687046B (zh) | 一种随机接入前导序列的检测方法及装置 | |
CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
Wen et al. | RF transmitter identification and classification based on deep residual shrinkage network | |
CN113759356B (zh) | 基于角域特征优化的雷达目标hrrp识别方法 | |
CN116055004B (zh) | 基于同步挤压小波变换的通信信号码元速率盲估计方法 | |
CN118194698A (zh) | 基于U-Net语义分割的同型雷达中频信号分选模型的训练方法和同型雷达中频信号分选方法 | |
CN116386092A (zh) | 一种LoRa非平稳射频指纹特征提取方法及相关装置 | |
CN117095254A (zh) | 基于分层自编码器的开放集射频指纹识别方法 |
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 |