CN115392325A - 一种基于CycleGan的多特征降噪调制识别方法 - Google Patents
一种基于CycleGan的多特征降噪调制识别方法 Download PDFInfo
- Publication number
- CN115392325A CN115392325A CN202211314415.7A CN202211314415A CN115392325A CN 115392325 A CN115392325 A CN 115392325A CN 202211314415 A CN202211314415 A CN 202211314415A CN 115392325 A CN115392325 A CN 115392325A
- Authority
- CN
- China
- Prior art keywords
- feature
- signal
- noise reduction
- cyclegan
- sequence
- 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
Images
Classifications
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于CycleGan的多特征降噪调制识别方法,包括以下步骤:构建多特征联合降噪网络模型,基于CycleGan网络对原始信号提取多特征序列,基于多特征序列对所述多特征联合降噪网络模型进行训练,获得降噪后的数据序列;构建多特征识别网络模型,通过高信噪比信号对所述多特征识别网络模型进行训练,将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型,获得信号分类结果。本发明有效利用CycleGan网络非配对训练特性,使信号学习非配对高信噪比信号的平滑特征;将用信号的多特征作为训练网络的融合特征进行降噪,并且利用信号特征区别更大的单特征相正交分量进行识别,有效提高了识别率。
Description
技术领域
本发明属于信号降噪识别技术领域,尤其涉及一种基于CycleGan的多特征降噪调制识别方法。
背景技术
传统的降噪方法有基于滤波降噪、基于小波阈值降噪等,可以通过使用设计好的滤波器和软阈值,借助噪声特性来抑制噪声。然而在传统的降噪算法可能无法很好的去除带内噪声,而且需要了解噪声特性来确定阈值等关键参数,这给通常在噪声变化的环境中工作的系统带来巨大挑战。近年来,人们将深度学习技术应用到降噪的任务中,来提升去噪性能,借助深度神经网络,通过大量数据的离线训练,在在线部署状态下,可以做到抑制噪声。基于深度神经网络的降噪系统在图像降噪中取得了巨大的成功。为了提升低剂量CT图像质量,开发出一种基于CycleGan的图像去噪方法,在使用四分之一剂量图像的峰值信噪比(PSNR)优于非局部均值和字典学习去噪方法,而且保留了图像和结构相似性指数。
降噪网络同样可以提高信号的质量,研究人员正积极的应用深度神经网络进行降噪,以提高通信系统的性能和可靠性。为了提高低信噪比下的识别精度,提出了一种预去噪(PDN)算法来抑制噪声。针对低概率截获雷达(LPI),先将雷达信号进行Choi-Williams时频变换,使用去噪卷积神经网络进行时频图去噪处理,再使用到Inception-V4网络进行识别的系统。提出了一种基于噪声学习的深度去噪网络(TEM-NLnet)用于TEM信号去噪,通过生成对抗网络训练构建,使去噪器学习噪声TEM信号到相应无噪声TEM信号的映射。提出一种基于循环谱特征的智能去噪辅助深度学习调制识别系统,利用相关谱函数的数据集构造方法(SCF),具有对背景噪声相对不敏感的特点,经过深度卷积网络进行特征提取进行信号分类。基于传统去噪器进行域变换、收缩和逆变换操作原理,提出一种有效的剩余收缩卷积神经网络(RSCNN)辅助去噪器。针对低信噪比环境下接收到的通信信号调制识别率低的问题,亟需提出基于CycleGan的多特征降噪调制识别方法。
发明内容
本发明的目的在于提出一种基于CycleGan的多特征降噪调制识别方法,对信号提高了降噪和识别能力。
为实现上述目的,本发明提供了一种基于CycleGan的多特征降噪调制识别方法,包括以下步骤:
构建多特征联合降噪网络模型,基于CycleGan网络对原始信号提取多特征序列,基于所述多特征序列对所述多特征联合降噪网络模型进行训练,获得降噪后的数据序列;
构建多特征识别网络模型,通过高信噪比信号对所述多特征识别网络模型进行训练,将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型,获得信号分类结果。
可选的,所述多特征序列包括第一部分特征序列和第二部分特征序列,其中所述第一部分特征序列包括:低信噪比信号的同相正交分量、频谱特征、幅度相位序列;所述第二部分特征序列包括:高信噪比信号的同相正交分量、频谱特征、幅度相位序列。
可选的,所述CycleGan网络具体包括:第一CycleGan网络、第二CycleGan网络和第三CycleGan网络,所述第一CycleGan网络的两端包括低信噪比信号的同相正交分量和高信噪比信号的同相正交分量,所述第二CycleGan网络的两端包括低信噪比信号的频谱特征和高信噪比信号的频谱特征,所述第三CycleGan网络的两端包括低信噪比信号的幅度相位序列和高信噪比信号的幅度相位序列。
可选的,基于所述多特征序列对所述多特征联合降噪网络模型进行训练具体包括:将所述第一部分特征序列输入所述CycleGan网络的其中一端,再将所述第二部分特征序列输入所述CycleGan网络的另一端,对所述多特征联合降噪网络模型进行训练。
可选的,将所述降噪后的数据序列进行融合处理具体包括:将所述降噪后的数据序列进行特征融合获得新的特征序列。
可选的,所述多特征联合降噪网络模型包括生成器和域判别器;所述多特征识别网络模型包括特征提取器和分类器。
可选的,所述生成器用于将所述原始信号通过解码、转换和解码得到生成信号;所述域判别器用于将所述生成信号通过特征提取和分类获得判别结果。
可选的,所述特征提取器包括5层卷积神经网络和1个全连接层,用于提取所述降噪后的数据序列的特征,所述分类器包括3层全连接层,用于对所述降噪后的数据序列的特征进行分类。
本发明技术效果:本发明公开了一种基于CycleGan的多特征降噪调制识别方法,有效利用CycleGan网络非配对训练特性,使信号学习非配对高信噪比信号的平滑特征;将用信号的多特征作为训练网络的融合特征进行降噪,使CycleGan网络学习到高信噪比信号更多平滑特征;相比于单特征,三种特征同时训练使其中的相正交分量单特征更加接近干净信号;识别网络利用信号特征区别更大的单特征相正交分量进行识别,有效提高了识别率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例CycleGan降噪网络结构图;
图2为本发明实施例基于CycleGan的多特征降噪调制识别方法的流程示意图;
图3为本发明实施例CycleGan生成器示意图;
图4为本发明实施例CycleGan域判别器示意图;
图5为本发明实施例调制识别网络结构示意图;
图6为本发明实施例不同降噪方式的MSE随信噪比变化图;
图7为本发明实施例单特征降噪单特征识别算法对BPSK含噪调制信号的去噪效果示意图;
图8为本发明实施例单特征降噪单特征识别算法对QPSK含噪调制信号的去噪效果示意图;
图9为本发明实施例单特征降噪单特征识别算法对16QAM含噪调制信号的去噪效果示意图;
图10为本发明实施例单特征降噪单特征识别算法对B-FM含噪调制信号的去噪效果示意图;
图11为本发明实施例多特征降噪单特征识别算法对BPSK含噪调制信号的去噪效果示意图;
图12为本发明实施例多特征降噪单特征识别算法对QPSK含噪调制信号的去噪效果示意图;
图13为本发明实施例多特征降噪单特征识别算法对16QAM含噪调制信号的去噪效果示意图;
图14为本发明实施例多特征降噪单特征识别算法对B-FM含噪调制信号的去噪效果示意图;
图15为本发明实施例不同降噪-识别模型随信噪比变化的识别率分布图;
图16为本发明实施例单特征降噪-单特征识别方式平均识别率混淆矩阵示意图;
图17为本发明实施例单特征降噪-多特征识别方式平均识别率混淆矩阵示意图;
图18为本发明实施例多特征降噪-单特征识别方式平均识别率混淆矩阵示意图;
图19为本发明实施例多特征降噪-多特征识别方式平均识别率混淆矩阵示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例中提供一种基于CycleGan的多特征降噪调制识别方法,包括以下步骤:
构建多特征联合降噪网络模型,基于CycleGan网络对原始信号提取多特征序列,基于所述多特征序列对所述多特征联合降噪网络模型进行训练,获得降噪后的数据序列;
构建多特征识别网络模型,通过高信噪比信号对所述多特征识别网络模型进行训练,将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型,获得信号分类结果。
进一步优化方案,所述多特征序列包括第一部分特征序列和第二部分特征序列,其中所述第一部分特征序列包括:低信噪比信号的同相正交分量、频谱特征、幅度相位序列;所述第二部分特征序列包括:高信噪比信号的同相正交分量、频谱特征、幅度相位序列。
进一步优化方案,所述CycleGan网络具体包括:第一CycleGan网络、第二CycleGan网络和第三CycleGan网络,所述第一CycleGan网络的两端包括低信噪比信号的同相正交分量和高信噪比信号的同相正交分量,所述第二CycleGan网络的两端包括低信噪比信号的频谱特征和高信噪比信号的频谱特征,所述第三CycleGan网络的两端包括低信噪比信号的幅度相位序列和高信噪比信号的幅度相位序列。
进一步优化方案,基于所述多特征序列对所述多特征联合降噪网络模型进行训练具体包括:将所述第一部分特征序列输入所述CycleGan网络的其中一端,再将所述第二部分特征序列输入所述CycleGan网络的另一端,对所述多特征联合降噪网络模型进行训练。
进一步优化方案,将所述降噪后的数据序列进行融合处理具体包括:将所述降噪后的数据序列进行特征融合获得新的特征序列。
进一步优化方案,所述多特征联合降噪网络模型包括生成器和域判别器;所述多特征识别网络模型包括特征提取器和分类器。
进一步优化方案,所述生成器用于将所述原始信号通过解码、转换和解码得到生成信号;所述域判别器用于将所述生成信号通过特征提取和分类获得判别结果。
进一步优化方案,所述特征提取器包括5层卷积神经网络和1个全连接层,用于提取所述降噪后的数据序列的特征,所述分类器包括3层全连接层,用于对所述降噪后的数据序列的特征进行分类。
CycleGan主要用于图像的风格迁移且取得很大成功,而信号的降噪过程也可以理解为是信号风格迁移的过程,所以信号的降噪网络运用CycleGan是可行的。基于CycleGan的降噪模型就是寻找低信噪比信号到高信噪比信号的最佳映射关系的过程。因此需要设计低信噪比信号与高信噪比信号两种样本集,提取特征为调制信号的相正交分量即IQ数据。通过大量的信号数据对该网络进行训练,一个生成器输入低信噪比信号,输出高信噪比信号;另一个生成器输入高信噪比信号,输出低信噪比信号。此训练过程实现了无监督、无配对(one-to-one)的降噪效果。CycleGan降噪结构及原理如图1所示。
两个生成器GXY和GYX分别完成从低信噪比样本空间X到高信噪比样本空间Y的映射与逆映射,模型包含两个判别器DY和DX。DY用于判别信号是否来自真实高信噪比信号;DX用于判别信号是否来自真实低信噪比信号。生成对抗网络包含生成器与判别器的对抗损失。而CycleGan存在两组这样的损失,即GXY与DY、GYX与DX。
GYX与DX的对抗损失函数如(1)所示:
GXY与DY的对抗损失函数如(2)所示:
CycleGan还引入了循环一致性损失,信号依次通过GXY与GYX后要求重构信号与初始信号尽量保持一致。同理,信号依次通过GYX与GXY也是一样的。需要满足式(3)(4):
循环一致损失函数表示为(5):
结合以上分析,CycleGan的总损失函数为两组对抗损失和循环一致损失之和,总损失函数为(6):
目前的调制信号大多只是单独在时域或时频图上对信号进行降噪预处理,这样做确实简单有效,但是为了能让降噪网络学习到更多的高信噪比信号的平滑特征,引入同相正交分量(Inphase And Quadrature)、频谱、二次方谱、瞬时幅度、瞬时相位等多种特征。将调制信号的同相正交分量作为信号的一个时域特征;将频谱幅度、二次方谱作为调制信号的频域特征;将调制信号的幅度相位分量(Amplitude And Phase,AP)作为信号的另一个时域特征,以上多特征联合作为该降噪网络的输入进行训练。
将调制信号的归一化幅度相位分量(Amplitude And Phase,AP)作为信号的另一个时域特征,调制信号的归一化瞬时幅度为:
信号的瞬时相位为:
该降噪网络共包含三个CycleGan网络,提取低信噪比信号的IQ序列、AP序列、SPC序列分别作为三个CycleGan网络其中一端的输入,再将非配对高信噪比信号的IQ序列、AP序列、SPC序列分别作为三个CycleGan网络另一端的输入,将以上多特征降噪网络进行联合训练,普通的CycleGan网络包含3个loss来控制网络的参数变化,本发明的降噪网络包含三个CycleGan网络,所以共有9个loss同时控制总体网络的变化。此模型通过多种特征学习非配对高信噪比信号,可以使低信噪比信号更好得学习到高信噪比信号的平滑特性,如图2所示。
本发明使用CNN识别网络,包含三个特征提取器分别提取IQ序列、AP序列、SPC序列的特征,将提取出的特征进行拼接融合,该CNN网络学习VGG网络思想,将全部卷积核拆分成1维卷积(1×3),使得网络深度加深,提高非线性性。
首先将原始信号的IQ序列、AP序列、SPC序列送入到多特征联合降噪网络进行预降噪处理,将重新生成的这三种序列一同送入到多特征识别网络。多特征识别网络是基于域适应思想构建的,先用高信噪比(20dB)干净信号的三种特征进行联合识别训练,将训练好的识别网络直接对降噪后的数据进行识别,经过softmax分类器输出为信号分类结果。此种域适应方法主要体现信号的降噪效果,识别率越高的模型说明降噪后的信号越接近初始的干净信号,如图2所示。
信号仿真参数设置
本发明使用的数据集通过MATLAB仿真产生,参照调制识别领域公开数据集RML的制作流程,信号仿真参数设置具体情况如表1所示,其中设置采样率为200kHz,信号均为基带信号,包含调制类型有:BPSK,QPSK,16QAM,2FSK,4FSK,GFSK,B-FM,2ASK,DSB-AM常见的9种信号。
表1
网络超参数设置
(1)CycleGan降噪网络
生成器由编码器、转换器、解码器组成。编码器包含3层卷积模块,将1个输入信号压缩成256个特征向量;转换器由9层残差模块组成,通过组合信号的不相近特征,将低信噪比信号的特征向量与高信噪比信号的特征向量进行互相转换;解码器则利用反卷积层从特征向量中还原出低级特征,最后得到的输出是1个生成信号。CycleGan生成器结构如图3所示。
判别器由特征提取器与二分类器构成。特征提取器包含4层卷积神经网络,其输入为样本库的真实信号特征和生成器的生成信号,输出是一个1×512的判别向量。分类器包含1层卷积神经网络,根据该向量与0向量和1向量的欧氏距离的大小,判定输入信号是来自真实信号还是生成器生成的假信号。CycleGan域判别器结构如图4所示。
(2)多特征识别网络:
调制识别网络由特征提取器与分类器构成。特征提取器包含5层卷积神经网络和1个全连接层,分类器包含3层全连接层,将提取到的384个特征最后分类为9种调制类型。调制识别网络结构如图5所示。
对比实验设置
为探索信号多特征对降噪与识别的影响,降噪时设置小波软阈值降噪、单特征降噪、多特征降噪两个实验对照组,识别时设置六个对照组实验,分别为:无降噪-单特征识别、无降噪-多特征识别、单特征降噪-单特征识别,单特征降噪-多特征识别,多特征降噪-单特征识别,多特征降噪-多特征识别。由于不同调制方式的信号IQ序列差别较大,而且其他特征序列也由IQ序列生成,所以单特征指定为IQ序列。
多特征联合降噪效果分析
针对每一种调制方式,均生成1000张高信噪比(20dB)信号IQ序列图片及其对应相同参数的添加[0,10]dB噪声的低信噪比信号IQ序列图片,其中800张用于训练,200张用于降噪结果测试。本次实验采用的是pytorch实现,依据对比实验的设置,在训练时,若是单特征降噪则依次将每种调制方式类型的通信信号IQ序列送入网络,若是多特征降噪则依次将每种调制方式类型的通信信号IQ序列、AP序列、SPC序列分别送入网络,保存模型,构成模型库。在降噪时调用模型库中的模型进行降噪处理。由于不同调制方式的IQ序列差异较大,所以本实验使用去噪后的IQ序列进行降噪效果分析。
如图6所示,实验采用信号IQ两路均方误差MSE来评判降噪效果。MSE用以评价去噪后的信号与真实信号之间的一致性,MSE越低代表降噪信号与真实信号越接近。如图7-10,分别为本发明实施例单特征降噪单特征识别算法对BPSK、QPSK、16QAM和B-FM这四种不同含噪调制信号的去噪效果示意图。表2为SNR=0dB时,9种不同调制方式的信号降噪后,单特征降噪与多特征降噪IQ两路MSE的分布情况。
表2
如图7-10,整体来看多种特征降噪效果优于单特征降噪优于小波软阈值降噪,本发明设计的降噪网络优于传统降噪方法。观察表2,可以看出多特征降噪后的IQ序列MSE平均数值低于单特征降噪后的IQ序列MSE平均数值,说明多特征降噪后的IQ序列比单特征降噪更干净,更接近高信噪比信号。其中只有2ASK信号是单特征降噪效果更好,其他信号都是多特征降噪效果更好,而且降噪效果非常明显。可以解释为,由于降噪CycleGan网络具有无配对、无监督的特性,所以通过网络,低信噪比信号学习到的主要是高信噪比信号的平滑特性。相比于单特征降噪训练会学习到更多高信噪比信号的相似特征,多特征同时降噪训练时会使信号IQ序列学习到更多平滑特征,所以会更加的干净平滑。相同调制方式在不同模式降噪前后IQ序列变化如图11-14所示,图11-14分别为本发明实施例多特征降噪单特征识别算法对BPSK、QPSK、16QAM、B-FM这四种不同含噪调制信号的去噪效果展现;图15为本发明实施例不同降噪-识别模型随信噪比变化的识别率分布图,可以看出相比于单特征降噪,多特征降噪会使IQ序列更加平滑。
为了验证多特征联合降噪网络在通信信号中的有效性,本发明使用多特征域适应网络进行实验。本次实验数据分别使用本发明上述提到的6组对照实验。其中每种调制方式在每种信噪比下包含1000组数据,80%用于训练,20%用于测试。
从表3中可以看出,有降噪模型比无降噪模型识别率提升明显。多特征降噪-单特征识别模型识别效果最优,平均识别率最高达到了97.24%,而且在0dB也有接近95%的识别率。当信噪比低于3dB时,多特征降噪-多特征识别模型识别性能优于单特征降噪-单特征识别模型,整体的平均识别率也更高;超过3dB时单特征降噪-单特征识别模型效果更好。
表3
由表3可以看出信号有降噪处理时,降噪模式一致的情况下,单特征识别率优于多特征识别率,可以解释为不同调制方式的IQ序列特征区别更大,更容易被识别,而包含了IQ、AP、SPC三种序列特征融合后反而相对不容易识别,而且AP与SPC序列是由IQ序列生成的,在IQ序列通过降噪网络后再变换生成AP、SPC会与原始的AP、SPC有较大差异,所以单特征降噪-多特征识别效果较差;在识别模型一致的情况下,多特征降噪优于单特征降噪优于无降噪,可以解释为相比于只输入单特征,多种特征同时进入无监督、无配对的CycleGan降噪网络,网络会更好的学习到信号的平滑特性。所以多特征降噪-单特征识别模型是最优降噪-识别模型。
如图16-19展示了不同降噪-识别模型的混淆矩阵,图16为本发明实施例单特征降噪-单特征识别方式平均识别率混淆矩阵示意图,图17为本发明实施例单特征降噪-多特征识别方式平均识别率混淆矩阵示意图,图18为本发明实施例多特征降噪-单特征识别方式平均识别率混淆矩阵示意图,图19为本发明实施例多特征降噪-多特征识别方式平均识别率混淆矩阵示意图;可以看出本发明的最优降噪-识别模型对BPSK,QPSK,2FSK,4FSK,GFSK,2ASK,DSB-AM识别效果非常好,平均识别率均超过99%;对16QAM与B-FM识别率稍微低一些,分别为88.47%与87.8%。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于CycleGan的多特征降噪调制识别方法,其特征在于,包括以下步骤:
构建多特征联合降噪网络模型,基于CycleGan网络对原始信号提取多特征序列,基于所述多特征序列对所述多特征联合降噪网络模型进行训练,获得降噪后的数据序列;
构建多特征识别网络模型,通过高信噪比信号对所述多特征识别网络模型进行训练,将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型,获得信号分类结果;
所述多特征序列包括第一部分特征序列和第二部分特征序列,其中所述第一部分特征序列包括:低信噪比信号的同相正交分量、频谱特征、幅度相位序列;所述第二部分特征序列包括:高信噪比信号的同相正交分量、频谱特征、幅度相位序列;
所述CycleGan网络具体包括:第一CycleGan网络、第二CycleGan网络和第三CycleGan网络,所述第一CycleGan网络的两端包括低信噪比信号的同相正交分量和高信噪比信号的同相正交分量,所述第二CycleGan网络的两端包括低信噪比信号的频谱特征和高信噪比信号的频谱特征,所述第三CycleGan网络的两端包括低信噪比信号的幅度相位序列和高信噪比信号的幅度相位序列。
2.如权利要求1所述的基于CycleGan的多特征降噪调制识别方法,其特征在于,基于所述多特征序列对所述多特征联合降噪网络模型进行训练具体包括:将所述第一部分特征序列输入所述CycleGan网络的其中一端,再将所述第二部分特征序列输入所述CycleGan网络的另一端,对所述多特征联合降噪网络模型进行训练。
3.如权利要求1所述的基于CycleGan的多特征降噪调制识别方法,其特征在于,将所述降噪后的数据序列进行融合处理具体包括:将所述降噪后的数据序列进行特征融合获得新的特征序列。
4.如权利要求1所述的基于CycleGan的多特征降噪调制识别方法,其特征在于,所述多特征联合降噪网络模型包括生成器和域判别器;所述多特征识别网络模型包括特征提取器和分类器。
5.如权利要求4所述的基于CycleGan的多特征降噪调制识别方法,其特征在于,所述生成器用于将所述原始信号通过解码、转换和解码得到生成信号;所述域判别器用于将所述生成信号通过特征提取和分类获得判别结果。
6.如权利要求4所述的基于CycleGan的多特征降噪调制识别方法,其特征在于,所述特征提取器包括5层卷积神经网络和1个全连接层,用于提取所述降噪后的数据序列的特征,所述分类器包括3层全连接层,用于对所述降噪后的数据序列的特征进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314415.7A CN115392325B (zh) | 2022-10-26 | 2022-10-26 | 一种基于CycleGan的多特征降噪调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314415.7A CN115392325B (zh) | 2022-10-26 | 2022-10-26 | 一种基于CycleGan的多特征降噪调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392325A true CN115392325A (zh) | 2022-11-25 |
CN115392325B CN115392325B (zh) | 2023-08-18 |
Family
ID=84128354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211314415.7A Active CN115392325B (zh) | 2022-10-26 | 2022-10-26 | 一种基于CycleGan的多特征降噪调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392325B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522104A (zh) * | 2023-01-18 | 2023-08-01 | 中国人民解放军国防科技大学 | 基于无源域适应的多特征联合调制识别方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002063328A2 (en) * | 2001-02-05 | 2002-08-15 | Clark Cohen | Low cost system and method for making dual band gps measurements |
US6496795B1 (en) * | 1999-05-05 | 2002-12-17 | Microsoft Corporation | Modulated complex lapped transform for integrated signal enhancement and coding |
CN102291365A (zh) * | 2010-06-21 | 2011-12-21 | 中兴通讯股份有限公司 | 基于i/q调制解调器的调制解调方法及装置 |
CN105704081A (zh) * | 2016-01-12 | 2016-06-22 | 中国电子科技集团公司第十研究所 | 多个偏移载波调幅信号的优选和解调方法 |
CN108806708A (zh) * | 2018-06-13 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法 |
CN108897013A (zh) * | 2018-07-10 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种基于多节点agc的gnss干扰源定位方法 |
CN110268683A (zh) * | 2017-02-03 | 2019-09-20 | 布莱克莫尔传感器和分析公司 | 用于对光学相位编码距离检测进行多普勒检测和多普勒校正的方法和系统 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
WO2020174459A1 (en) * | 2019-02-27 | 2020-09-03 | Ramot At Tel-Aviv University Ltd. | A distributed-acoustic-sensing (das) analysis system using a generative-adversarial-network (gan) |
CN111627429A (zh) * | 2020-05-20 | 2020-09-04 | 浙江工业大学 | 一种基于CycleGAN的语音识别模型的防御方法及装置 |
CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
-
2022
- 2022-10-26 CN CN202211314415.7A patent/CN115392325B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6496795B1 (en) * | 1999-05-05 | 2002-12-17 | Microsoft Corporation | Modulated complex lapped transform for integrated signal enhancement and coding |
WO2002063328A2 (en) * | 2001-02-05 | 2002-08-15 | Clark Cohen | Low cost system and method for making dual band gps measurements |
CN102291365A (zh) * | 2010-06-21 | 2011-12-21 | 中兴通讯股份有限公司 | 基于i/q调制解调器的调制解调方法及装置 |
CN105704081A (zh) * | 2016-01-12 | 2016-06-22 | 中国电子科技集团公司第十研究所 | 多个偏移载波调幅信号的优选和解调方法 |
CN110268683A (zh) * | 2017-02-03 | 2019-09-20 | 布莱克莫尔传感器和分析公司 | 用于对光学相位编码距离检测进行多普勒检测和多普勒校正的方法和系统 |
CN108806708A (zh) * | 2018-06-13 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法 |
CN108897013A (zh) * | 2018-07-10 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种基于多节点agc的gnss干扰源定位方法 |
WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
WO2020174459A1 (en) * | 2019-02-27 | 2020-09-03 | Ramot At Tel-Aviv University Ltd. | A distributed-acoustic-sensing (das) analysis system using a generative-adversarial-network (gan) |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
CN111627429A (zh) * | 2020-05-20 | 2020-09-04 | 浙江工业大学 | 一种基于CycleGAN的语音识别模型的防御方法及装置 |
CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
Non-Patent Citations (10)
Title |
---|
HELLYCLA: "CycleGAN原理及实验", 《HTTPS://WWW.JIANSHU.COM/P/64BF39804C80》 * |
HELLYCLA: "CycleGAN原理及实验", 《HTTPS://WWW.JIANSHU.COM/P/64BF39804C80》, 7 March 2018 (2018-03-07), pages 1 - 3 * |
YAO YIZHOU ET AL.: "Pre Denoising Modulation Recognition Algorithm Based on CycleGAN", 《2022 5TH INTERNATIONAL CONFERENCE ON COMMUNICATION ENGINEERING AND TECHNOLOGY》 * |
YAO YIZHOU ET AL.: "Pre Denoising Modulation Recognition Algorithm Based on CycleGAN", 《2022 5TH INTERNATIONAL CONFERENCE ON COMMUNICATION ENGINEERING AND TECHNOLOGY》, 8 August 2022 (2022-08-08), pages 77 - 80 * |
师永超 等: "基于GAN的图像风格迁移研究", 《电子技术与软件工程》 * |
师永超 等: "基于GAN的图像风格迁移研究", 《电子技术与软件工程》, no. 16, 31 August 2020 (2020-08-31), pages 140 - 143 * |
脑机接口与混合智能研究小组: "CycleGan:Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", 《HTTPS://WWW.SCHOLAT.COM/TEAMWORK/SHOWPOSTMESSAGE.HTML?ID=11961》 * |
脑机接口与混合智能研究小组: "CycleGan:Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", 《HTTPS://WWW.SCHOLAT.COM/TEAMWORK/SHOWPOSTMESSAGE.HTML?ID=11961》, 7 July 2022 (2022-07-07), pages 1 - 7 * |
谢志峰 等: "基于生成对抗网络的HDR图像风格迁移技术", 《上海大学学报》 * |
谢志峰 等: "基于生成对抗网络的HDR图像风格迁移技术", 《上海大学学报》, vol. 4, no. 24, 31 August 2018 (2018-08-31), pages 524 - 534 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522104A (zh) * | 2023-01-18 | 2023-08-01 | 中国人民解放军国防科技大学 | 基于无源域适应的多特征联合调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115392325B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramjee et al. | Fast deep learning for automatic modulation classification | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN109743275B (zh) | 一种基于欠完备自编码器的信号调制识别方法 | |
Wang et al. | Deep learning based modulation recognition with multi-cue fusion | |
CN110968845B (zh) | 基于卷积神经网络生成的针对lsb隐写的检测方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN113055107B (zh) | 一种针对具有未知通信模式电台的干扰策略生成方法 | |
CN114422311B (zh) | 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 | |
CN115392325B (zh) | 一种基于CycleGan的多特征降噪调制识别方法 | |
CN112910812B (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
Hou et al. | Electromagnetic signal feature fusion and recognition based on multi-modal deep learning | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Hatzichristos et al. | A hierarchical approach to the classification of digital modulation types in multipath environments | |
Abdelmutalab et al. | Automatic modulation classification using hierarchical polynomial classifier and stepwise regression | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
CN115243288A (zh) | 基于多节点合作感知的干扰识别方法和装置 | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN116756637B (zh) | 一种无线信号智能检测识别方法及计算机可读存储介质 | |
CN116933066A (zh) | 基于深度神经网络的无线信号单通道盲源分离方法及装置 | |
CN115086127B (zh) | 基于堆栈dsae网络的改进mppsk信号解调系统 | |
Xue et al. | Radio signal modulation recognition algorithm based on convolutional neural network | |
CN114124630B (zh) | 一种基于紧凑自编码器的符号检测和调制识别方法 |
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 |