CN115314348A - 一种基于卷积神经网络的qam信号调制识别方法 - Google Patents
一种基于卷积神经网络的qam信号调制识别方法 Download PDFInfo
- Publication number
- CN115314348A CN115314348A CN202210928802.3A CN202210928802A CN115314348A CN 115314348 A CN115314348 A CN 115314348A CN 202210928802 A CN202210928802 A CN 202210928802A CN 115314348 A CN115314348 A CN 115314348A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- qam
- neural network
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
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
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
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)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明涉及一种基于卷积神经网络的QAM信号调制识别方法，包括：S1、获取多种QAM信号和其他信号；S2、对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；S3、对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算得到M个PSK信号预测样本，并输入到训练好的多维三输入卷积神经网络模型中对M个QAM信号预测样本进行预测得到M个预测结果；S4、对M个预测结果进行分析，选取预测最多的类型结果作为QAM信号的识别结果。本发明具有较强的特征融合能力，具有较高的识别准确率，具有很强的抗噪抗干扰能力，具有较快较稳定的处理速度。
Description
技术领域
本发明涉及信号识别处理技术领域，一种基于卷积神经网络的QAM信号调制识别方法。
背景技术
在通信技术的发展过程中，为了提高通信的质量和效率，更加高效地利用信道容量以满足不同用户的需求，通信信号采用不同的调制体制，其可分为模拟调制和数字调制；模拟调制可以分为幅度调制和频率调制；数字信号的调制方式可分为幅移键控(ASK)、频移键控(FSK)、相移键控(PSK)和正交振幅调制(QAM)，而每一种调制方式又可进一步划分，比如正交振幅调制就可分为8QAM、16QAM、32QAM、64QAM、128QAM、256QAM等。
近年来深度学习技术在图像方面发展成熟，也被应用到越来越多的行业中取得了很好的效果；信号的不同调制方式其特性差异很大，且需要将多种信号特征相结合才能完成信号的调制识别，因此，如何将深度学习技术与无线电信号检测结合起来，以实现信号的快速调制识别，是目前需要考虑的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于卷积神经网络的QAM信号调制识别方法，通过多维多输入的卷积神经网络对信号的特征进行融合与提取，实现QAM类别信号的调制识别。
本发明的目的通过以下技术方案来实现：一种基于卷积神经网络的QAM信号调制识别方法，所述调制识别方法包括：
S1、获取多种QAM信号和其他信号，其中，多种PSK信号生成数量为N，其他信号生成数量为3N，信号长度为L，并记录保存信号类型；
S2、对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；
S3、对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算得到M个PSK信号预测样本，并输入到训练好的多维三输入卷积神经网络模型中对M个QAM信号预测样本进行预测得到M个预测结果；
S4、对M个预测结果进行分析，选取预测最多的类型结果作为QAM信号的识别结果。
所述多维三输入卷积神经网络模型对输入的三个数据进行预测包括：
对星座图依次使用256、128、64、32个卷积核进行特征处理，并进行2*2的池化，得到尺寸为64*64*32的特征矩阵；对瞬时相位和一阶频谱依次使用512、256、128个卷积核进行特征处理，并进行1*2的池化，分别得到两个尺寸为1*128*128的特征矩阵；
对三个特征矩阵进行平坦化后进行特征拼接，得到一个1*163840*1的特征矩阵，并对其依次使用64、32、16、8个卷积核进行特征处理，并进行1*2的池化，最后得到1*10240*8的特征矩阵；
将最后得到的特征矩阵通过平坦层并依次使用长度为1024和7的全连接层进行特征压缩，得到预测结果。
所述对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据包括：将IQ数据映射到正交平面得到星座图，通过公式
计算瞬时相位，通过公式F(t)＝FFT(I(t)+jQ(t))计算一阶频谱，其中，FFT为傅里叶变换，I(t)为I路数据，Q(t)为Q路数据。
所述调制识别方法还包括多维三输入卷积神经网络模型训练步骤，具体包括：对接入的QAM信号IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；使用QAM信号的星座图、瞬时相位、一阶频谱数据和信号调制类型构建QAM数据集；使用QAM信号构建的数据集对多维三输入卷积神经网络模型进行训练，并在损失值收敛后停止训练。
本发明具有以下优点：一种基于卷积神经网络的QAM信号调制识别方法，传统多信号类型识别方法在特征融合时需要对信号的不同特征进行单独处理，完成后再使用规则融合，特征融合效率低，特征表达能力较差；而通用的深度学习信号识别方法在特征融合时较为简单粗暴，对特征叠加后送入深度学习网络，忽略了不同特征的自身特性，高级语义表达能力不高；而本发明对不同的特征同时输入到神经网络中，单独进行特征提取，在进行不同层次的语义提取后再进行特征融合，特征表达能力强；传统多信号类型识别方法需构建决策树，而该方法复杂、条件阈值因信号强弱很难设定，在信噪比较低的情况下，准确率不能保证，而本发明使用了深度学习的方式将信号的不同特征融合并提取出来，具有较高的准确率；传统的调制识别方法需要对噪声和干扰进行特殊处理，其处理流程复杂，当信号较弱时会直接导致无法识别，而本发明具有很强的抗噪和抗干扰能力，在信号较弱时，依然具有较好的效果；传统调制类型识别在遇到突发情况时，会针对遇到的特定噪声或干扰增加策略，但这种方式维护成本高，迭代周期不稳定，计算代码会变得越来越冗杂，可维护性不高；而本发明中只需将所遇到的突发信号加入数据集中进行训练，得到的模型进行替换即可，维护方便。
附图说明
图1为本发明QAM信号调制识别整体流程示意图；
图2为本发明QAM信号模型训练流程示意图；
图3为本发明QAM信号调制识别流程示意图；
图4为本发明设计的QAM卷积神经网络结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明具体涉及一种基于卷积神经网络的QAM信号调制识别方法，其分为模型训练部分和预测部分，训练部分使用QAM信号进行模型训练，得到权重文件；预测时使用预测信号输入到带有权重的网络模型中，就可以得到预测结果，其具体包括以下内容：
步骤一、从传感器中接入QAM信号，分别为8QAM、16QAM、32QAM、64QAM、128QAM、256QAM和其他信号，其中前六种信号生成数量为N个(N>＝10000)，其他信号为其他调制方式的信号，生成数量为3*N个，信号长度为L，并记录保存信号类别；
步骤二、对接入QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；
步骤三、使用QAM信号的星座图、瞬时相位和一阶频谱数据结合信号调制类型构建QAM数据集，其中将IQ数据映射到正交平面即得到星座图，瞬时相位的计算公式为
一阶频谱计算公式为F(t)＝FFT(I(t)+jQ(t))，FFT为傅里叶变换，I(t)为I路数据，Q(t)为Q路数据；
步骤四、使用针对QAM信号所设计的多维三输入深度学习卷积神经网络对数据集进行训练，损失值收敛后停止训练，得到模型权重文件；
步骤五、对预测QAM信号原始IQ数据分别进行长度为L的均匀切分处理，不足L的进行补零，并对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算，得到M个信号预测样本；
步骤六、使用所设计的QAM信号专用深度学习卷积神经网络和训练好的模型权重文件对M个信号预测样本进行预测，得到M个预测结果；
步骤七、对M个预测结果进行分析，选取预测最多的类型结果即为QAM信号的识别结果。
进一步地，如图2所示，训练的过程包括：首先从传感器中接入六种QAM信号，分别为8QAM、16QAM、32QAM、64QAM、128QAM、256QAM和其他信号，其中前六种信号生成数量为10000个，其他信号为其他调制方式的信号，生成数量为30000个，信号长度为1024，并记录保存信号类别；对接入的QAM信号IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；使用QAM信号的星座图、瞬时相位、一阶频谱数据和信号调制类型构建QAM数据集；使用针对QAM信号所设计的多维三输入深度学习卷积神经网络对数据集进行训练，损失值收敛后停止训练，得到QAM信号模型权重文件。
进一步地，如图3所示，预测的过程包括：首先对预测QAM信号原始IQ数据分别进行长度为1024的均匀切分处理，不足1024的进行补零，并对切分好的IQ数据进行星座图、瞬时相位和瞬时频率计算，得到M个QAM信号预测样本；使用所设计的专用深度学习卷积神经网络和训练好的模型权重文件对M个QAM信号预测样本进行预测，得到M个预测结果；对M个预测结果进行分析，选取预测最多的类型结果即为QAM信号的识别结果。
进一步地，如图4所示，该网络的三个输入为分别为信号的星座图、瞬时相位、一阶频谱的归一化数据，其中星座图尺寸为1024*1024、瞬时相位尺寸为1*1024、一阶频谱尺寸为1*1024，网络使用卷积、标准化和池化作为特征处理模块，模块首先对输入的特征矩阵使用卷积核进行特征提取，提取结果和输入数据进行矩阵叠加并使用标准化处理，最后进行池化处理；网络首先对星座图依次使用256、128、64、32个卷积核进行特征处理，并进行2*2的池化，得到尺寸为64*64*32的特征矩阵；对瞬时相位和一阶频谱依次使用512、256、128个卷积核进行特征处理，并进行1*2的池化，分别得到两个尺寸为1*128*128的特征矩阵；对三个特征矩阵进行平坦化后进行特征拼接，得到一个1*163840*1的特征矩阵，对其依次使用64、32、16、8个卷积核进行特征处理，并进行1*2的池化，最后得到1*10240*8的特征矩阵，特征通过平坦层并使用1024的全连接进行特征压缩，最优使用长度为7的全连接进行特征压缩。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于卷积神经网络的QAM信号调制识别方法，其特征在于：所述调制识别方法包括：
S1、获取多种QAM信号和其他信号，其中，多种PSK信号生成数量为N，其他信号生成数量为3N，信号长度为L，并记录保存信号类型；
S2、对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；
S3、对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算得到M个PSK信号预测样本，并输入到训练好的多维三输入卷积神经网络模型中对M个QAM信号预测样本进行预测得到M个预测结果；
S4、对M个预测结果进行分析，选取预测最多的类型结果作为QAM信号的识别结果。
2.根据权利要求1所述的一种基于卷积神经网络的QAM信号调制识别方法，其特征在于：所述多维三输入卷积神经网络模型对输入的三个数据进行预测包括：
对星座图依次使用256、128、64、32个卷积核进行特征处理，并进行2*2的池化，得到尺寸为64*64*32的特征矩阵；对瞬时相位和一阶频谱依次使用512、256、128个卷积核进行特征处理，并进行1*2的池化，分别得到两个尺寸为1*128*128的特征矩阵；
对三个特征矩阵进行平坦化后进行特征拼接，得到一个1*163840*1的特征矩阵，并对其依次使用64、32、16、8个卷积核进行特征处理，并进行1*2的池化，最后得到1*10240*8的特征矩阵；
将最后得到的特征矩阵通过平坦层并依次使用长度为1024和7的全连接层进行特征压缩，得到预测结果。
3.根据权利要求1所述的一种基于卷积神经网络的QAM信号调制识别方法，其特征在于：所述对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据包括：将IQ数据映射到正交平面得到星座图，通过公式
计算瞬时相位，通过公式F(t)＝FFT(I(t)+jQ(t))计算一阶频谱，其中，FFT为傅里叶变换，I(t)为I路数据，Q(t)为Q路数据。
4.根据权利要求1所述的一种基于卷积神经网络的QAM信号调制识别方法，其特征在于：所述调制识别方法还包括多维三输入卷积神经网络模型训练步骤，具体包括：对接入的QAM信号IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；使用QAM信号的星座图、瞬时相位、一阶频谱数据和信号调制类型构建QAM数据集；使用QAM信号构建的数据集对多维三输入卷积神经网络模型进行训练，并在损失值收敛后停止训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928802.3A CN115314348B (zh) | 2022-08-03 | 2022-08-03 | 一种基于卷积神经网络的qam信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928802.3A CN115314348B (zh) | 2022-08-03 | 2022-08-03 | 一种基于卷积神经网络的qam信号调制识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115314348A true CN115314348A (zh) | 2022-11-08 |
| CN115314348B CN115314348B (zh) | 2023-10-24 |
Family
ID=83858064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210928802.3A Active CN115314348B (zh) | 2022-08-03 | 2022-08-03 | 一种基于卷积神经网络的qam信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115314348B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7764733B1 (en) * | 2005-11-08 | 2010-07-27 | Marvell International Ltd. | Constellation recovery for quadrature amplitude modulation |
| WO2011014926A1 (en) * | 2009-08-07 | 2011-02-10 | National Ict Australia Limited | Soft-demapping of qam signals |
| CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
| CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
| CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
| CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
| US20200112367A1 (en) * | 2018-10-08 | 2020-04-09 | Nec Laboratories America, Inc | G-osnr estimation on dynamic ps-qam channels using hybrid neural networks |
| CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
| CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
| CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
| CN114422311A (zh) * | 2022-01-26 | 2022-04-29 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
| CN114417914A (zh) * | 2021-12-28 | 2022-04-29 | 东南大学 | 一种基于多通道卷积神经网络的射频指纹提取与识别方法 |
-
2022
- 2022-08-03 CN CN202210928802.3A patent/CN115314348B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7764733B1 (en) * | 2005-11-08 | 2010-07-27 | Marvell International Ltd. | Constellation recovery for quadrature amplitude modulation |
| WO2011014926A1 (en) * | 2009-08-07 | 2011-02-10 | National Ict Australia Limited | Soft-demapping of qam signals |
| CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
| US20200112367A1 (en) * | 2018-10-08 | 2020-04-09 | Nec Laboratories America, Inc | G-osnr estimation on dynamic ps-qam channels using hybrid neural networks |
| CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
| CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
| CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
| CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
| CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
| CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
| CN114417914A (zh) * | 2021-12-28 | 2022-04-29 | 东南大学 | 一种基于多通道卷积神经网络的射频指纹提取与识别方法 |
| CN114422311A (zh) * | 2022-01-26 | 2022-04-29 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| ""FGAN-O-016-LS08_att"", 3GPP INBOX\\LSS_FROM_EXTERNAL_BODIES * |
| YU MAO等: "Automatic Modulation Classification Based on SNR Estimation via Two-Stage Convolutional Neural Networks", 2021 6TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND SIGNAL PROCESSING (ICSP) * |
| 刘瑞斋;王勇刚;: "通信信号调制盲识别方法研究", 舰船电子工程, no. 04 * |
| 吴赛;王智慧;邵炜平;林春生;郑伟军;杨德龙;: "基于循环谱和改进的深度神经网络的频谱分析方法", 河北工业大学学报, no. 03 * |
| 赖惠成;褚辉;: "一种混合模式的神经网络自动调制识别器", 电子与信息学报, no. 05 * |
| 陈雪;姚彦鑫;: "一种优化的卷积神经网络调制识别算法", 电讯技术, no. 05 * |
| 黄思嘉;杜庆治;龙华;邵玉斌;: "幅度与相位分步识别的QAM调制模式识别算法", 通信技术, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115314348B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
| Weng et al. | Deep cascading network architecture for robust automatic modulation classification | |
| US20200336344A1 (en) | Systems and methods for modulation classification of baseband signals using attention-based learned filters | |
| CN101790854A (zh) | 用于多输入多输出系统的接近软输出最大似然检测 | |
| 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 | |
| CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
| CN114254680B (zh) | 基于多特征信息的深度学习网络调制识别方法 | |
| Al‐Makhlasawy et al. | Modulation classification in the presence of adjacent channel interference using convolutional neural networks | |
| CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
| CN107113263A (zh) | 用于设计星座图的系统和方法及其用途 | |
| US9166740B1 (en) | Low complexity distance metrics for maximum likelihood receivers | |
| CN107251499A (zh) | 用于计算形成发送符号矢量的编码比特的软估计的方法和装置 | |
| CN115589349A (zh) | 一种基于深度学习通道自注意力机制的qam信号调制识别方法 | |
| CN107743107B (zh) | 一种干扰源盲检方法及装置 | |
| CN115314348A (zh) | 一种基于卷积神经网络的qam信号调制识别方法 | |
| US8930784B1 (en) | Apparatus and method for finding likely combinations of transmitted symbols | |
| CN114826850B (zh) | 基于时频图和深度学习的调制识别方法、装置及设备 | |
| CN113822162B (zh) | 一种基于伪星座图的卷积神经网络调制识别方法 | |
| CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
| CN116132235A (zh) | 一种基于深度学习的连续相位调制信号解调方法 | |
| CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
| CN115277324B (zh) | 基于卷积神经网络的fsk信号识别方法 | |
| CN115277325B (zh) | 一种基于卷积神经网络的psk信号调制识别方法 | |
| Al‐Makhlasawy et al. | Deep learning for wireless modulation classification based on discrete wavelet transform | |
| CN112261685A (zh) | 一种基于卷积神经网络的mimo信号检测方法 |
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 |