CN115037392B - 一种基于随机森林的信号检测方法、终端、介质及飞行器 - Google Patents
一种基于随机森林的信号检测方法、终端、介质及飞行器 Download PDFInfo
- Publication number
- CN115037392B CN115037392B CN202210227858.6A CN202210227858A CN115037392B CN 115037392 B CN115037392 B CN 115037392B CN 202210227858 A CN202210227858 A CN 202210227858A CN 115037392 B CN115037392 B CN 115037392B
- Authority
- CN
- China
- Prior art keywords
- signal
- random forest
- classifier
- detection
- 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.)
- Active
Links
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
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于通信测控技术领域,公开了一种基于随机森林的信号检测方法、终端、介质及飞行器,获取数据集,按照采样频率和码元速率对传输比特进行过采样,生成数据矩阵;将生成的数据矩阵通过高斯信道,按照不同信噪比添加有色噪声。将数据集中部分数据作为训练集,剩余部分作为验证集,通过训练集对随机森林分类器进行训练。通过验证集测试此分类器检测性能。本发明提供的随机森林分类技术具有强分类特性,相对于传统信号检测算法能够在更低信噪比下可靠得检测出信号。本发明不同数据类型组成训练集对分类器进行训练,使得此分类器对适用于各种信号形式。本发明对信号提取参数样本更有效地分类从而具有更高的检测概率以及更低的虚警概率。
Description
技术领域
本发明属于通信测控技术领域,尤其涉及一种基于随机森林的信号检测方法、终端、介质及飞行器。
背景技术
目前,PCM CDMA BPSK由于具有很强的抗干扰特性,因此常用于测控通信中。通常测控通信距离较远,因此通信环境的信噪比较低,同时由于飞行器的高速移动,使得接收信号受多普勒频移的影响,因此如何在低信噪比和高动态环境下可靠得检测出目标信号的有无是一个关键的问题。根据系统的线性或非线性特性分为两大类检测算法,线性系统分为包含相关检测、锁相放大器、采样积分器、数字多点平均和时间平均方法的时域方法、注重功率谱分析的频域方法和包含小波的时频域方法、分数傅里叶变换等。非线性系统引入了高阶谱、神经网络方法、混沌理论、差分谐振器和随机谐振等技术。
一般根据信号处理后特性与噪声处理后特性不同来区分有无目标信号,近几年随着人工智能的迅速发展,也可通过机器学习来区分目标信号的有无,例如神经网络分类技术来区分包含目标信号和纯噪声两种情况。通常可通过通信需求来决定采用哪种检测方法。
通过上述分析,现有技术存在的问题及缺陷为:
(1)基于匹配滤波器和部分特征检测算法需要已知先验性息,实际通信环境中由于信号的多变性,这两种方法不再适用。
(2)能量检测算法虽然不需要已知目标信号先验信息但是只适用于在噪声能量几乎不变的情况下,当信噪比较低的时候,接收噪声不确定,从而当信噪比低于某一值后,无论信号观测时间为多长都无法达到所需的检测性能,即出现信噪比墙(SNR WALL)的现象。
(3)现有信号检测中,传统算法不能在更低的信噪比下可靠得检测出目标信号,检测信号的准确率低。
发明内容
针对现有技术存在的问题,本发明提供了一种基于随机森林的信号检测方法、终端、介质及飞行器。
本发明是这样实现的,一种基于随机森林的信号检测方法包括:利用采样频率和码元速率对传输比特进行过采样,生成数据矩阵;通常将生成的数据矩阵划分为三部分,分别为训练集、验证集和测试集,划分比例一般为6:2:2。将所述数据矩阵中划分的训练集对随机森林分类器进行训练,将所述数据矩阵中划分的验证集对随机森林分类器进行验证,将所述数据矩阵中划分的测试集对随机森林分类器进行检测。
进一步,所述利用采样频率和码元速率对传输比特进行过采样,生成数据矩阵包括:
(1)分别产生0比特和1比特,按照采样频率和码元速率对传输比特进行过采样,过采样倍数为B,则过采样后生成大小为B*2的数据矩阵;
(2)将过采样后的数据矩阵通过高斯信道,按照不同信噪比添加有色噪声。
进一步,在步骤(2)中,信噪比为SNRmin:SNRstep:SNRmax,其中SNRmin为最低信噪比,SNRmax为最高信噪比,SNRstep为步长;
0比特、1比特经过过采样后添加不同信噪比噪声,结合纯噪声数据构成大小为训练数据矩阵。
进一步,所述对随机森林分类器进行训练具体包括:对随机森林分类器参数进行优化,仿真不同决策树棵树下检测性能;选择决策树棵树为50。
进一步,验证集对随机森林分类器进行验证包括:将验证集中数据作为分类器的输入,并计算检测概率和虚警概率,若检测概率为1虚警概率为0则表示验证成功。
进一步,测试集对随机森林分类器进行检测包括:将验证集中数据作为分类器的输入,并计算检测概率和虚警概率。
进一步,所述计算检测概率和虚警概率包括:对SVM、ANN和随机森林三种分类模型进行训练,然后通过产生新的数据对SVM、ANN和随机森林分三种类模型进行静态信号和动态信号检测,获得检测概率以及虚警概率。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的基于随机森林的信号检测方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器所述的基于随机森林的信号检测方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的基于随机森林的信号检测方法。
本发明的另一目的在于提供一种用于PCM CDMA BPSK信号检测的高速飞行器,所述用于PCM CDMA BPSK信号检测的高速飞行器用于所述的基于随机森林的信号检测方法。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
针对现有算法由于在低信噪比时噪声不确定性造成检测性能恶化的问题,本文通过结合具有强分类特性的随机森林分类技术,在低信噪比情况下相对于传统算法更可靠得检测出信号,同时实验结果可看出在本文仿真条件下,如图7 所示,高动态环境下信噪比为-20dB传统检测算法检测概率最高只能达到大约 0.1,而本文所提出算法相同条件下检测概率可以达到1;同时由于一些传统算法需要先验信息,不同的目标信号则需要不同的先验信息使得算法灵活性差,本文提出的基于随机森林的算法通过不同的训练集训练分类器即可适应不同的目标信号,使得检测算法灵活度高。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供的随机森林分类技术具有强分类特性,相对于传统信号检测算法能够在更低信噪比下可靠得检测出信号,如图7所示通过仿真结果可看出在本文仿真条件下,信噪比为-20dB传统检测算法检测概率最高只能达到0.1,而本文所提出算法相同条件下检测概率可以达到1。
本发明不同数据类型组成训练集对分类器进行训练,使得此分类器对适用于各种信号形式。
仿真实验表明,当使用ANN对PCM CDMA BPSK分别在受多普勒影响和不受多普勒影响的两种情况下都可在低信噪比时检测处信号。高动态相对于静态条件下检测性能下降主要是因为高动态条件下多普勒使得信号随机性更大,从而影响分类结果。同时随机森林是由多个弱分类器组成的强分类器,克服了神经网络(ANN)出现局部最优解以及支持向量机(SVM)容易出现过拟合影响分类效果的问题,对信号提取参数样本更有效地分类从而具有更高的检测概率以及更低的虚警概率。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:
本发明主要克服了传统算法在低信噪比下无法可靠检测信号的问题,结合由多个分类器组成一个强分类器的随机森林分类算法,能够更为精准得在低信噪比下将接收信号进行分类检测。
附图说明
图1是本发明实施例提供的基于随机森林的信号检测方法流程图。
图2是本发明实施例提供的对分类器参数进行优化,仿真不同决策树棵树下检测性能图。
图3是本发明实施例提供的基于机器学习分类的信号检测算法在静态条件下,不同信噪比对应的检测概率图。
图4是本发明实施例提供的基于机器学习分类的信号检测算法在静态条件下,不同信噪比对应的虚警概率图。
图5是本发明实施例提供的基于机器学习分类的信号盲检测算法在受多普勒影响条件下,不同信噪比对应的检测概率图
图6是本发明实施例提供的基于机器学习分类的信号盲检测算法在受多普勒影响条件下,不同信噪比对应的虚警概率图。
图7是本发明实施例提供的低信噪比下不同检测方法检测性能图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
实施例
如图1所示,本发明提供一种基于随机森林的信号检测方法(基于随机森林技术的PCM CDMA BPSK信号检测方法)包括:
S101,获取数据集:按照采样频率和码元速率对传输比特进行过采样,生成数据矩阵;将生成的数据矩阵通过高斯信道,按照不同信噪比添加有色噪声。
S102,将数据集按照6:2:2的比例分别划分为训练集、验证集和测试集。通过训练集对随机森林分类器进行训练。
S103,通过验证集验证不同分类器准确率。
S104,通过测试集测试此分类器检测性能。
在本发明一实施例中,步骤S101具体包括:
(1)分别产生0和1比特,按照系统采样频率和码元速率对传输比特进行过采样,假设过采样倍数为B,则过采样后生成大小为B*2的数据矩阵。
(2)将过采样后的数据通过高斯信道,按照不同信噪比添加有色噪声,信噪比范围为SNRmin:SNRstep:SNRmax(其中SNRmin为最低信噪比,SNRmax为最高信噪比, SNRstep为步长)。因此0、1比特经过过采样后添加不同信噪比噪声,加上纯噪声数据最终构成大小为训练数据矩阵,一共生成十组这样的数据,将其中六组作为训练集,两组作为验证集,剩余两组作为测试集。
在本发明一实施例中,步骤S102对随机森林分类器进行训练具体包括:
设定不同的决策树棵树,通过测试集拟合出对应不同的分类器。
在本发明一实施例中,步骤S103具体包括:
将验证集中数据作为分类器的输入,对测试集拟合出的各个模型进行检测,并记录模型检测性能,不同决策树棵树下检测性能如下图2所示。
由图2可看出当决策树棵树为50、150、600、900和1000时,检测性能相对较好,根据上图可看出随机森林不同决策树棵树对应的检测性能不同,本发明选择决策树棵树为50。
在本发明一实施例中,步骤S103具体包括:
通过训练集和验证集得到最佳模型后,适用测试集进行模型预测,用来衡量该最优模型的性能和分类能力,从而计算出对应的检测概率和虚警概率。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
此检测方法可适用于测控通信,将信号类型替换为测控通信系统信号对分类器进行训练,即可对测控信号与噪声进行分类,从而检测接收信号是否存在目标信号。
此检测方法也可同于频谱感知,将主用户信号频谱数据对分类器进行训练,从而判断某个主用户频段是否空闲,通过对主用户频谱资源的检测、分析和判断,决定次用户能否对主用户不造成干扰的前提下使用主用户授权频段。
三、本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
仿真条件、检测性能
仿真条件如下:
本发明使用MATLAB作为仿真平台对基于机器学习分类技术信号盲检测方法进行仿真分析。分类算法主要采用SVM、ANN和随机森林三种。仿真实验中,采用基带PCM CDMABPSK信号,信号观察时长Δt=1ms,信噪比为 -30dB~-10dB,码元速率为10Kbps,扩频码速率为10.23Mbps,噪声为带宽为13MHz 带限噪声,多普勒频移初始值fd=1MHz,一、二次频率变化率分别为200kHz/s、±32kHz/s2。其中ANN采用BP神经网络,结构见上一小节,一个输入结点,中间包含两个隐藏结点都是为20,输出层为2个结点,选择隐藏层和输出层传递函数分别为logsig、logsig、purelin。随机森林的决策树数目是K=150,样本类别数J=3。本发明首先通过产生的数据对分类模型进行训练,然后通过产生新的数据对分类模型进行测试,静态和动态信号检测性能如下:
1)静态条件下检测性能,图3为基于机器学习分类的信号检测算法在静态条件下,不同信噪比对应的检测概率图;图4为基于机器学习分类的信号检测算法在静态条件下,不同信噪比对应的虚警概率图。
通过对比随机森林、神经网络(ANN)和SVM三种常用的分类方法,基于随机森林分类的信号盲检测算法性能最好,其次为基于神经网络分类的检测算法,最后为基于SVM分类的检测算法。基于随机森林分类的检测算法相对于基于神经网络分类的检测算法概率高3.5dB,相对于基于SVM分类的检测算法概率高4.5dB。同时,基于SVM分类的检测算法大约在信噪比大于-19dB时检测概率高于90%,基于神经网络(ANN)分类的检测算法大约在信噪比大于-21dB时检测概率高于90%,基于随机森林分类的检测算法大约在信噪比大于-27dB时检测概率高于90%。对于静态条件下不同信噪比下的虚警概率,基于随机森林和神经网络分类技术的盲检测算法虚警概率平均都低于0.001,而基于SVM分类技术的盲检测算法虚警概率浮动在0.008左右,均低于0.01。因此静态条件下基于随机森林分类的检测算法性能最好。
2)动态条件下检测性能,如图5基于机器学习分类的信号盲检测算法在受多普勒影响条件下,不同信噪比对应的检测概率、图6基于机器学习分类的信号盲检测算法在受多普勒影响条件下,不同信噪比对应的虚警概率所示。
通过对比随机森林、神经网络(ANN)和SVM三种常用的分类方法,与静态条件下结果相同,基于随机森林分类的信号盲检测算法性能最好,其次为基于神经网络分类的检测算法,最后为基于SVM分类的检测算法。基于随机森林分类的检测算法相对于基于神经网络分类的检测算法概率高3.5dB,相对于基于 SVM分类的检测算法概率高5.5dB。同时,基于SVM分类的检测算法大约在信噪比大于-14.5dB时检测概率高于90%,相对于静态检测性能下降4.5dB;基于神经网络(ANN)分类的检测算法大约在信噪比大于-17dB时检测概率高于90%,相对静态条件下检测性能下降4dB;基于随机森林分类的检测算法大约在信噪比大于-22dB时检测概率高于90%,相对于静态条件下检测性能下降4dB。对于动态条件下不同信噪比下的虚警概率,基于随机森林、神经网络和SVM分类技术的盲检测算法虚警概率分别在0.01、0.18和0.1上下浮动。因此动态条件下同样也是基于随机森林分类的盲检测算法性能最好。
根据上述仿真所得结论为,当使用ANN对PCM CDMA BPSK分别在受多普勒影响和不受多普勒影响的两种情况下都可在低信噪比时检测处信号。高动态相对于静态条件下检测性能下降主要是因为高动态条件下多普勒使得信号随机性更大,从而影响分类结果。同时随机森林是由多个弱分类器组成的强分类器,克服了神经网络(ANN)出现局部最优解以及支持向量机(SVM)容易出现过拟合影响分类效果的问题,对信号提取参数样本更有效地分类从而具有更高的检测概率以及更低的虚警概率。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于随机森林的信号检测方法,其特征在于,所述基于随机森林的信号检测方法包括:利用采样频率和码元速率对传输比特进行过采样,生成数据矩阵;将所述数据矩阵中划分的训练集对随机森林分类器进行训练,将所述数据矩阵中划分的验证集对随机森林分类器进行检测;
所述利用采样频率和码元速率对传输比特进行过采样,生成数据矩阵包括:
(1)分别产生0比特和1比特,按照采样频率和码元速率对传输比特进行过采样,过采样倍数为B,则过采样后生成大小为B*2的数据矩阵;
(2)将过采样后的数据矩阵通过高斯信道,按照不同信噪比添加有色噪声;
在步骤(2)中,信噪比范围为SNRmin:SNRstep:SNRmax,其中SNRmin为最低信噪比,SNRmax为最高信噪比,SNRstep为步长;
0比特、1比特经过过采样后添加不同信噪比噪声,结合纯噪声数据构成大小为的训练数据矩阵。
2.如权利要求1所述的基于随机森林的信号检测方法,其特征在于,所述对随机森林分类器进行训练具体包括:对随机森林分类器参数进行优化,仿真不同决策树棵树下检测性能;选择决策树棵树为50。
3.如权利要求1所述的基于随机森林的信号检测方法,其特征在于,验证集对随机森林分类器进行检测包括:将验证集中数据作为分类器的输入,并计算检测概率和虚警概率。
4.如权利要求3所述的基于随机森林的信号检测方法,其特征在于,所述计算检测概率和虚警概率包括:对SVM、ANN和随机森林三种分类模型进行训练,然后通过产生新的数据对SVM、ANN和随机森林分三种类模型进行静态信号和动态信号检测,获得检测概率以及虚警概率。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~4任意一项所述的基于随机森林的信号检测方法。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~4任意一项所述的基于随机森林的信号检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227858.6A CN115037392B (zh) | 2022-03-08 | 2022-03-08 | 一种基于随机森林的信号检测方法、终端、介质及飞行器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227858.6A CN115037392B (zh) | 2022-03-08 | 2022-03-08 | 一种基于随机森林的信号检测方法、终端、介质及飞行器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115037392A CN115037392A (zh) | 2022-09-09 |
CN115037392B true CN115037392B (zh) | 2023-07-18 |
Family
ID=83119603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210227858.6A Active CN115037392B (zh) | 2022-03-08 | 2022-03-08 | 一种基于随机森林的信号检测方法、终端、介质及飞行器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115037392B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106653032A (zh) * | 2016-11-23 | 2017-05-10 | 福州大学 | 低信噪比环境下基于多频带能量分布的动物声音检测方法 |
CN112134634A (zh) * | 2020-09-07 | 2020-12-25 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于随机森林算法的频谱感知方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10560303B2 (en) * | 2017-07-17 | 2020-02-11 | Cox Communications, Inc. | System and methods for a smart adaptive communication channel |
-
2022
- 2022-03-08 CN CN202210227858.6A patent/CN115037392B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106653032A (zh) * | 2016-11-23 | 2017-05-10 | 福州大学 | 低信噪比环境下基于多频带能量分布的动物声音检测方法 |
CN112134634A (zh) * | 2020-09-07 | 2020-12-25 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于随机森林算法的频谱感知方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
基于随机森林的认知网络频谱感知算法;王鑫;汪晋宽;刘志刚;龚志恒;;仪器仪表学报(第11期);全文 * |
基于随机森林的通信信号识别算法;占锦敏;赵知劲;王李军;;杭州电子科技大学学报(自然科学版)(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115037392A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen-Thanh et al. | Log-likelihood ratio optimal quantizer for cooperative spectrum sensing in cognitive radio | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
Yan et al. | Novel robust band-limited signal detection approach using graphs | |
CN111209960B (zh) | 一种基于改进随机森林算法的csi系统多径分类方法 | |
Ahakonye et al. | Agnostic CH-DT technique for SCADA network high-dimensional data-aware intrusion detection system | |
Walton et al. | Unsupervised anomaly detection for digital radio frequency transmissions | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
CN113098638B (zh) | 一种基于分组极差图的微弱信号检测方法 | |
CN111726182A (zh) | 一种非高斯噪声衰落信道下多主用户动态频谱感知方法 | |
CN115037392B (zh) | 一种基于随机森林的信号检测方法、终端、介质及飞行器 | |
Ming et al. | Intrapulse modulation recognition of radar signals based on statistical tests of the time-frequency curve | |
Luan et al. | Automatic modulation classification: Decision tree based on error entropy and global-local feature-coupling network under mixed noise and fading channels | |
CN108900267B (zh) | 基于特征值的单边右尾拟合优度检验频谱感知方法及装置 | |
Zhang et al. | Detection of stealthy jamming for UAV-assisted wireless communications: An HMM-based method | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 | |
Yan et al. | Graph representation of random signal and its application for sparse signal detection | |
CN112104389A (zh) | 基于循环平稳特征的分阶段boc信号检测方法 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN107770813A (zh) | 基于pca与二维偏度特征的lte上行干扰分类方法 | |
CN113014361B (zh) | 一种基于图的bpsk信号置信度检验方法 | |
Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
CN114374450A (zh) | 一种基于过采样的最大特征值检测器 | |
Li et al. | Research on adaptive energy detection technology based on correlation window | |
Ngo et al. | Machine Learning-Based Cyclostationary Spectrum Sensing in Cognitive Dual Satellite 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 |