CN115001916A - 一种基于深度学习及盲识别的mcs识别方法 - Google Patents

一种基于深度学习及盲识别的mcs识别方法 Download PDF

Info

Publication number
CN115001916A
CN115001916A CN202210630662.1A CN202210630662A CN115001916A CN 115001916 A CN115001916 A CN 115001916A CN 202210630662 A CN202210630662 A CN 202210630662A CN 115001916 A CN115001916 A CN 115001916A
Authority
CN
China
Prior art keywords
identification
data
mcs
modulation
vgg
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
CN202210630662.1A
Other languages
English (en)
Other versions
CN115001916B (zh
Inventor
曾鸣
王增宇
曹王画
王新尧
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210630662.1A priority Critical patent/CN115001916B/zh
Publication of CN115001916A publication Critical patent/CN115001916A/zh
Application granted granted Critical
Publication of CN115001916B publication Critical patent/CN115001916B/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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H04L1/0038—Blind format detection
    • 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

Abstract

本发明提供一种基于深度学习及盲识别的MCS识别方法，包括如下步骤：分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据；建立基于深度学习的调制方式识别模块，并利用基带训练数据对该识别模块进行训练验证；对接收端接收到的信号样本数据进行预处理，并将预处理得到的基带信号数据输入识别模块；识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；根据识别出的调制方式构建LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵和接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案。本发明能够实现接收端快速准确地识别MCS，灵敏度高、适应性强、识别准确率高。

Description

一种基于深度学习及盲识别的MCS识别方法
技术领域
本发明涉及一种基于深度学习及盲识别的MCS识别方法,属于数字信号处理技术领域。
背景技术
MCS(Modulation and Coding Scheme)即调制编码方案，其中Modulation特指调制过程中的映射过程，Coding特指信道编码。在基带的信号处理流程中，一般先进行信道编码，再进行调制，接收方反之。信号盲处理是指在信号参数完全未知或部分未知的情况下，对第三方非协作接收的信号开展全盲或半盲的检测、识别、还原等处理，从而全面获取信号承载内容与目标属性等信息。信号调制识别与编码识别是信号盲处理的重要组成部分，面对愈发复杂的战场环境，现有单一调制方式识别技术或信道编码盲识别技术显然无法满足智能通信、军事信息侦察、军事信息对抗需求，非协作方接收机如何快速准确识别MCS，进一步获取目标信息并实现军事信息对抗仍是一个亟待解决的问题。
发明内容
本发明提出一种基于深度学习及盲识别的MCS识别方法，能够实现接收端快速准确地识别MCS，灵敏度高、适应性强、识别准确率高。
本发明通过以下技术方案实现：
一种基于深度学习及盲识别的MCS识别方法，包括如下步骤：
步骤S1、分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据；
步骤S2、建立基于深度学习的调制方式识别模块，该识别模块包括多个堆叠的基于VGG思想构造的vgg_1d_block模块，vgg_1d_block模块包括一个卷积层，并利用训练集和测试集对该识别模块进行训练验证，训练集和测试集由步骤S1得到的基带训练数据组成；
步骤S3、对接收端接收到的信号样本数据进行如步骤S1所述的预处理，得到基带信号数据，将该基带信号数据输入步骤S2所述识别模块，以进行调制方式的识别；
步骤S4、识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；
步骤S5、根据识别出的调制方式构建包含有多种编码方案的LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵与步骤S4所述的接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案。
进一步的，所述步骤S2具体包括如下步骤：
步骤S21、基于VGG思想构造vgg_1d_block模块：vgg_1d_block模块包括一个卷积层，卷积层通过批量标准化和激活后接一个最大池化层，卷积层输出的高度与输入相同，池化层输出的高度为输入的一半；
步骤S22、依次设置一层用于处理预处理后的基带信号数据的平铺Reshape层、堆叠的n个vgg_1d_block模块、一层用于将输出打平到特征通道维度上的一维的全局平均池化层、两层用于整合特征的全连接层和一层用于输出的全连接层，以形成所述识别模块；
步骤S23、由多种不同调制方式的数字调制数据组成训练集和验证集，分别将训练集和测试集中的数字调制数据输入Reshape层，基于随机梯度下降法进行若干轮训练和验证，损失函数为使用添加了L2范数正则化项的交叉熵。
进一步的，所述步骤S1中，所述预处理包括依次对信号样本数据进行载频估计、下变频、降采样和数据标准化。
进一步的，所述步骤S5中，根据所识别出的调制方式，参考MCS表格构建包含有多种编码方案的LDPC编码器候选集合Θ。
进一步的，所述步骤S5中，确定最终编码方案具体包括如下步骤：
步骤S51、根据编码器候选集合Θ中各编码方案所对应的校验矩阵，与步骤S4所述的接收信号序列，分别计算各个编码方案的码字序列对应的平均对数似然比L(C)，其中，C表示编码器集合Θ中包含的编码方案；
步骤S52、根据公式
Figure BDA0003679259360000031
选择确定最终编码方案。
进一步的，所述步骤S51中，根据公式
Figure BDA0003679259360000032
计算所述平均对数似然比，其中，i表示编码方案C中的码字序列c中的第i个码字，N为码字序列c的码长，K为信息长度，
Figure BDA0003679259360000033
为第i个码字校验关系的对数似然比，码字序列c满足cHT＝0，H为编码方案C对应的校验矩阵，ri为接收信号序列中对应于第i个码字的数据，hj,k为校验矩阵H的第j行第k个非零元素，m为校验矩阵H第j行的权重。
进一步的，所述步骤S1中，所述信号样本数据为随机生成的I/Q数据。
进一步的，所述步骤S1中，所述多种不同调制方式包括：BPSK、QPSK、8PSK、16PSK、32PSK、OOK、4ASK、8ASK、16QAM、32QAM、64QAM、128QAM、256QAM、16APSK、32APSK、64APSK、128APSK、GMSK和OQPSK。
本发明具有如下有益效果：
1、本发明首先建立基于深度学习的调制方式识别模块，该识别模块包括多个堆叠的基于VGG思想构造的vgg_1d_block模块，并利用由多种不同调制方式的数字调制数据进行训练验证，然后对信号样本数据进行预处理得到基带信号数据，通过该识别模块识别基带信号数据的调试方式，再根据所识别出的调制方式构建包含多种编码方案的LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵与解调得到的数据信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案，使接收端能够快速准确地识别出接收到的MCS的调制方式和编码方案，完成MCS盲识别；调制识别过程和编码方案识别过程均易于实现，适用于不同调制方式、信噪比、采样长度的接收信号，对不同通信环境下截获信号的适应性强；引入深度学习策略，能够充分保留原始调制信号特征，自动提取信号特征值参数，从而提高识别准确率；对数字调制数据先进行预处理，得到利于深度神经网络提取信号源细微特征的基带信号数据，从而提高识别模型的灵敏度。
附图说明
下面结合附图对本发明做进一步详细说明。
图1为本发明的流程图。
图2为本发明数据预处理的原理框图。
图3为本发明在不同SNR下QPSK编码混合集识别准确率曲线图。
具体实施方式
如图1所示，基于深度学习及盲识别的MCS识别方法包括如下步骤：
步骤S1、分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据，这些基带训练数据将用于对基于深度学习的调制方式识别模块进行训练和验证，本实施例中，多种调制方式包括：BPSK、QPSK、8PSK、16PSK、32PSK、OOK、4ASK、8ASK、16QAM、32QAM、64QAM、128QAM、256QAM、16APSK、32APSK、64APSK、128APSK、GMSK和OQPSK；
如图2所示，预处理包括依次对信号样本数据进行载频估计、下变频、降采样和数据标准化四个阶段；
如对QPSK信号进行基于四次方谱的载频估计，原理简单，运算量小，精度也较高，可以依据该特性精确测量信号的载波频率，其中，载频估计具体过程为现有技术；
下变频的目的是为了去除接收信号的中频载波，根据四次方谱估计得到的载频值，利用数字正交下变频的方法将信号的频谱搬移到基带，同时提取出信号的同相分量与正交分量作为原始数据；下变频的具体过程也为现有技术；
对于原始的中频采样信号而言，每一个调制符号包含了多个采样点，接收机只有在最佳抽样时刻抽样输出才能使得信噪比最大，通过对接收信号的最佳抽样时刻进行分析并降采样，可以在减少同一个调制符号的信息冗余的同时，滤除掉部分干扰，通过计算信号样本不同抽样时刻的抽样点的模的方差，可以对该信号样本持续时间内的最佳抽样时刻进行估计，对所有不同抽样时刻的抽样点的模的方差进行排序后，结合降采样比率，依据方差从小到大的顺序选取抽样点；
数据标准化过程即是归一化过程，将经降采样后的数据进行归一化，以提高训练效率与训练稳定性；具体归一化过程为现有技术；
步骤S2、建立基于深度学习的调制方式识别模块，该识别模块包括多个堆叠的基于VGG思想构造的vgg_1d_block模块，vgg_1d_block模块包括一个卷积层，并利用训练集和测试集对该识别模块进行训练验证，训练集和测试集由步骤S1得到的基带训练数据组成；
具体包括如下步骤：
步骤S21、基于VGG思想构造vgg_1d_block模块：vgg_1d_block模块包括一个卷积层，卷积层通过批量标准化和激活后接一个最大池化层，卷积层保持输出的高度与输入相同，池化层输出的高度为输入的一半；本实施例中，识别模块输入数据的是I/Q数据，调制方式识别时，将这两路信号看成两个通道，每个通道都是一维的采样数据，同时采用一维的卷积层与卷积核，卷积层的激活函数均采用ReLU；
步骤S22、设置一层平铺Reshape层用于处理预处理后的基带训练数据，6个vgg_1d_block模块堆叠，紧跟一层一维的全局平均池化层，用于将输出打平到特征通道维度上，降低参数数量，提取有效特征，再通过两层全连接层整合特征，最后通过一层全连接层输出，实现调制方式的识别，其中，基带训练数据即为步骤S21中所述的I/Q数据；
步骤S23、由步骤S1得到的基带训练数据组成训练集和验证集，划分训练集和验证集的比例为5:1，分别将训练集和测试集中的基带训练数据输入Reshape层，基于随机梯度下降法进行若干轮训练和验证，损失函数为使用添加了L2范数正则化项的交叉熵；其中，随机梯度下降法为现有技术；
上述过程中，使用CNN对信号进行卷积运算以提取数据信息特征，使用多分辨率卷积核增加感受野，满足实际任务中特征颗粒度的变化，提取更为精细的相关性特征，基于VGG思想构造vgg_1d_block模块，重用模块构建深层Net模型；
在本实施例中，设置训练batch_size为100，学习率为0.001，训练轮数epoch为30，优化器采用随机梯度下降法，损失函数为添加了L2范数正则化项的交叉熵损失函数，分别将训练集和验证集输入调制方式识别模块进行训练和验证。针对不同的信噪比(SNRs)以及采样点条件(采样点分别为256、512和1024)，识别模块对调制方式的识别精确度如表1所示：
表1
Figure BDA0003679259360000071
步骤S3、对接收端接收到的信号样本数据进行如步骤S1所述的预处理，得到基带信号数据，将该基带信号数据输入步骤S2所述识别模块，以进行调制方式的识别；在本实施例中，信号样本数据为随机生成的I/Q数据；
步骤S4、识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；
步骤S5、根据识别出的调制方式，参考3GPP TS 38.214的5.1.3及6.1.4节的MCS表格构建包含有多种编码方案的LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵与步骤S4所述的接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案；
在本实施例中，采用LDPC码进行编码方案的盲识别，LDPC码不仅具有接近Shannon限的优异性能，同时还具备以下优点：本身的内交织特性保证抗突发差错能力较强，不需要深度交织就可以获得良好的译码性能；高速完成译码有赖于LDPC码便捷的译码算法及较短时延的补偿特性，并且具备较低的误码平层；LDPC码的盲识别包括其码长、码率、校验矩阵等相关参数的识别；每一种LDPC码都有唯一对应的校验矩阵，对LDPC码进行盲识别的终极目标就是要实现其校验矩阵的正确重建；
步骤S5中，确定最终编码方案具体包括如下步骤：
步骤S51、根据编码器候选集合Θ中各编码方案所对应的校验矩阵，与步骤S4所述的接收信号序列，分别计算各个编码方案的码字序列对应的平均对数似然比L(C)，其中，C表示编码器集合Θ中包含的某一编码方案；
LDPC码由其稀疏奇偶校验矩阵H定义，满足cHT＝0，c为编码方案C对应的码字序列，H为编码方案C对应的校验矩阵，第i个码字ci校验关系的对数似然比为
Figure BDA0003679259360000081
ri为接收信号序列中对应于第i个码字的数据，hj,k为校验矩阵H的第j行第k个非零元素，m为校验矩阵H第j行的权重，
Figure BDA0003679259360000082
表示模2加法，Pr(·)表示概率；
编码方案C中的码字序列c对应的平均对数似然比L(C)通过公式
Figure BDA0003679259360000083
计算，其中，N为码字序列c的码长，K为信息长度；
步骤S52、根据公式
Figure BDA0003679259360000084
选择确定最终编码方案
Figure BDA0003679259360000085
对于编码识别，本实例选取QPSK所对应的10种编码方案[TBS，RC]进行识别测试，其中，TBS表示编码前码长，RC表示码率，更具体的数值为：[120,120/1024]、[157,157/1024]、[193,193/1024]、[251,251/1024]、[308,308/1024]、[379,379/1024]、[449,449/1024]、[526,526/1024]、[602,602/1024]、[679,679/1024]，样本数设置为1000，平均对数似然比重复累加次数设置为50，调制后符号数设定为1024。识别准确率如图3所示，在QPSK情况下，对上述10种编码方法混和数据集进行测试验证，在信噪比大于等于1dB时，识别正确率可达80％；当信噪比在4dB以上时，编码方式识别率达到100％。
对于MCS识别，根据MCS表生随机成1000个随机MCS方案的信号样本数据，长度为512采样点，每个信号有10帧，每个信号总长度为5120点，信噪比(SNRs)分别设置为10dB、15dB、20dB，将这些信号样本数据按照步骤S3至S5进行调制方式和编码方案的识别，不同信噪比条件下的识别精确度如表2所示，分别体现对信号调制方式的识别精确度、对信号编码方案的识别准确率、对信号MCS的识别准确率，可见，信号MCS识别率在一定信噪比下达到一个较高的识别精度。
表2
Figure BDA0003679259360000091
以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (8)

1.一种基于深度学习及盲识别的MCS识别方法，其特征在于：包括如下步骤：
步骤S1、分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据；
步骤S2、建立基于深度学习的调制方式识别模块，该识别模块包括多个堆叠的基于VGG思想构造的vgg_1d_block模块，vgg_1d_block模块包括一个卷积层，并利用训练集和测试集对该识别模块进行训练验证，训练集和测试集由步骤S1得到的基带训练数据组成；
步骤S3、对接收端接收到的信号样本数据进行如步骤S1所述的预处理，得到基带信号数据，将该基带信号数据输入步骤S2所述识别模块，以进行调制方式的识别；
步骤S4、识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；
步骤S5、根据识别出的调制方式构建包含有多种编码方案的LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵与步骤S4所述的接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案。
2.根据权利要求1所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S2具体包括如下步骤：
步骤S21、基于VGG思想构造vgg_1d_block模块：vgg_1d_block模块包括一个卷积层，卷积层通过批量标准化和激活后接一个最大池化层，卷积层输出的高度与输入相同，池化层输出的高度为输入的一半；
步骤S22、依次设置一层用于处理预处理后的基带信号数据的平铺Reshape层、堆叠的n个vgg_1d_block模块、一层用于将输出打平到特征通道维度上的一维的全局平均池化层、两层用于整合特征的全连接层和一层用于输出的全连接层，以形成所述识别模块；
步骤S23、由多种不同调制方式的数字调制数据组成训练集和验证集，分别将训练集和测试集中的数字调制数据输入Reshape层，基于随机梯度下降法进行若干轮训练和验证，损失函数为使用添加了L2范数正则化项的交叉熵。
3.根据权利要求1所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S1中，所述预处理包括依次对信号样本数据进行载频估计、下变频、降采样和数据标准化。
4.根据权利要求1或2或3所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S5中，根据所识别出的调制方式，参考MCS表格构建包含有多种编码方案的LDPC编码器候选集合Θ。
5.根据权利要求5所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S5中，确定最终编码方案具体包括如下步骤：
步骤S51、根据编码器候选集合Θ中各编码方案所对应的校验矩阵，与步骤S4所述的接收信号序列，分别计算各个编码方案的码字序列对应的平均对数似然比L(C)，其中，C表示编码器集合Θ中包含的编码方案；
步骤S52、根据公式
Figure FDA0003679259350000021
选择确定最终编码方案。
6.根据权利要求6所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S51中，根据公式
Figure FDA0003679259350000022
计算所述平均对数似然比，其中，i表示编码方案C中的码字序列c中的第i个码字，N为码字序列c的码长，K为信息长度，
Figure FDA0003679259350000031
为第i个码字校验关系的对数似然比，码字序列c满足cHT＝0，H为编码方案C对应的校验矩阵，ri为接收信号序列中对应于第i个码字的数据，hj,k为校验矩阵H的第j行第k个非零元素，m为校验矩阵H第j行的权重。
7.根据权利要求1或2或3所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S1中，所述信号样本数据为随机生成的I/Q数据。
8.根据权利要求1或2或3所述的一种基于深度学习及盲识别的MCS识别方法，其特征在于：所述步骤S1中，所述多种不同调制方式包括：BPSK、QPSK、8PSK、16PSK、32PSK、OOK、4ASK、8ASK、16QAM、32QAM、64QAM、128QAM、256QAM、16APSK、32APSK、64APSK、128APSK、GMSK和OQPSK。
CN202210630662.1A 2022-06-06 2022-06-06 一种基于深度学习及盲识别的mcs识别方法 Active CN115001916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630662.1A CN115001916B (zh) 2022-06-06 2022-06-06 一种基于深度学习及盲识别的mcs识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630662.1A CN115001916B (zh) 2022-06-06 2022-06-06 一种基于深度学习及盲识别的mcs识别方法

Publications (2)

Publication Number Publication Date
CN115001916A true CN115001916A (zh) 2022-09-02
CN115001916B CN115001916B (zh) 2023-08-01

Family

ID=83032878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630662.1A Active CN115001916B (zh) 2022-06-06 2022-06-06 一种基于深度学习及盲识别的mcs识别方法

Country Status (1)

Country Link
CN (1) CN115001916B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913850A (zh) * 2022-11-18 2023-04-04 中国电子科技集团公司第十研究所 一种基于残差网络的开集调制识别方法
CN116192338A (zh) * 2023-04-25 2023-05-30 中国人民解放军国防科技大学 一种ldpc码的快速盲识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495214A (zh) * 2018-11-26 2019-03-19 电子科技大学 基于一维Inception结构的信道编码类型识别方法
CN111490853A (zh) * 2020-04-15 2020-08-04 成都海擎科技有限公司 一种基于深度卷积神经网络的信道编码参数识别方法
WO2020220278A1 (zh) * 2019-04-30 2020-11-05 华为技术有限公司 一种信道估计模型训练方法及设备
CN112737733A (zh) * 2020-12-28 2021-04-30 中国人民解放军国防科技大学 一种基于一维卷积神经网络的信道编码码型识别方法
CN112910811A (zh) * 2021-02-18 2021-06-04 北京交通大学 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
WO2021204163A1 (zh) * 2020-04-10 2021-10-14 北京邮电大学 原模图低密度奇偶校验码的自学习译码方法及其相关设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495214A (zh) * 2018-11-26 2019-03-19 电子科技大学 基于一维Inception结构的信道编码类型识别方法
WO2020220278A1 (zh) * 2019-04-30 2020-11-05 华为技术有限公司 一种信道估计模型训练方法及设备
WO2021204163A1 (zh) * 2020-04-10 2021-10-14 北京邮电大学 原模图低密度奇偶校验码的自学习译码方法及其相关设备
CN111490853A (zh) * 2020-04-15 2020-08-04 成都海擎科技有限公司 一种基于深度卷积神经网络的信道编码参数识别方法
CN112737733A (zh) * 2020-12-28 2021-04-30 中国人民解放军国防科技大学 一种基于一维卷积神经网络的信道编码码型识别方法
CN112910811A (zh) * 2021-02-18 2021-06-04 北京交通大学 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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913850A (zh) * 2022-11-18 2023-04-04 中国电子科技集团公司第十研究所 一种基于残差网络的开集调制识别方法
CN115913850B (zh) * 2022-11-18 2024-04-05 中国电子科技集团公司第十研究所 一种基于残差网络的开集调制识别方法
CN116192338A (zh) * 2023-04-25 2023-05-30 中国人民解放军国防科技大学 一种ldpc码的快速盲识别方法
CN116192338B (zh) * 2023-04-25 2023-07-14 中国人民解放军国防科技大学 一种ldpc码的快速盲识别方法

Also Published As

Publication number Publication date
CN115001916B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN115001916B (zh) 一种基于深度学习及盲识别的mcs识别方法
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
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN111490853A (zh) 一种基于深度卷积神经网络的信道编码参数识别方法
CN112733811B (zh) 基于改进稠密神经网络的水声信号调制方式类间识别方法
CN109525369B (zh) 一种基于循环神经网络的信道编码类型盲识别方法
CN106209315B (zh) 一种ldpc长码的编码参数盲识别方法
CN106941463A (zh) 一种单比特量化mimo系统信道估计方法及系统
CN108768903A (zh) 基于crdsa类协议的低轨道卫星随机接入系统多用户检测方法
CN113965224B (zh) 一种适用于跳频系统的dft信号检测方法
CN109286587A (zh) 一种多有源广义空间调制检测方法
CN111901268A (zh) 基于频谱重排及Gumbel分布拟合检验的BPSK/QPSK信号调制识别方法
CN103490807A (zh) 一种基于fsd-mmse的mimo系统无线接收检测方法
CN101197603B (zh) 多天线系统基于球形译码的低复杂度分步检测系统及检测方法
CN106341360A (zh) 一种多输入单输出空时分组码系统的分层调制识别方法
CN107682119B (zh) 一种基于分组极值模型的mimo空时码识别方法
CN116150603A (zh) 一种基于多尺度特征融合的复杂调制方式识别方法
CN113259289B (zh) 基于残差神经网络的单通道混叠信号调制模式识别方法
CN106656423B (zh) 一种基于em算法的ldpc码译码噪声方差的估计方法
CN115409056A (zh) 一种面向大动态信噪比下的自动调制识别方法
DE112010002685T5 (de) Verfahren und Vorrichtung zum Dekodieren von Signalen die über nachlassende (fading) Kanäle mit multiplizierendem Rauschen übertragen werden
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN115186712A (zh) 一种调制信号识别方法和系统
CN115622849A (zh) 一种基于5g信号mcs盲识别的智能化欺骗性攻击防范方法
CN106534037A (zh) 一种高阶调制信号的软解调方法

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