CN115470818A - 基于变分模态分解的高阶调制信号样式识别方法及系统 - Google Patents
基于变分模态分解的高阶调制信号样式识别方法及系统 Download PDFInfo
- Publication number
- CN115470818A CN115470818A CN202211102173.5A CN202211102173A CN115470818A CN 115470818 A CN115470818 A CN 115470818A CN 202211102173 A CN202211102173 A CN 202211102173A CN 115470818 A CN115470818 A CN 115470818A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- frequency
- layer
- module
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于变分模态分解的高阶调制信号样式识别方法及系统，属于通信对抗技术领域，包括以下步骤：S1：采集样本；S2：变分模态分解；S3：时频分析；S4：特征拼接；S5：特征集划分；S6：网络训练；S7：待识别信号处理；S8：模型识别。本发明先进行信号分解，对分解之后的信号进行时频特征分析，能够排除干扰最大限度的保留信号特征和数量；再对各个分信号的时频特征进行拼接，把多维特征处理成为一维特征，进行卷积网络训练和识别，能够有效地解决高阶信号类间识别和相位模糊问题。
Description
技术领域
本发明涉及通信对抗技术领域，具体涉及基于变分模态分解的高阶调制信号样式识别方法及系统。
背景技术
通信信号的自动调制样式识别技术是信号解调前的关键步骤，也是通信对抗技术领域的重要技术之一。当前调制样式识别的主流方法是基于卷积神经网络的深度学习方法。该方法通过短时傅立叶变换(Short-Time Fourier Transform,STFT)或者小波变换自动提取信号时频特征，从而对网络进行训练，10dB信噪比下识别率达到了90％以上。但在类内识别(指对调制方式相同而调制阶数不同的信号的识别)上存在相位模糊问题，例如QPSK和8PSK的识别率，QAM16和QAM64的识别率均不高。STFT和小波变换存在着时间分辨率和频率分辨率相互牵制的矛盾，使测得的相位跳变点的时间不准确，且时频聚焦性不足。为此，提出基于变分模态分解的高阶调制信号样式识别方法。
发明内容
本发明所要解决的技术问题在于：如何解决现有技术存在的类内识别相位模糊问题，以及测得的相位跳变点的时间不准确，且时频聚焦性不足的问题，提供了基于变分模态分解的高阶调制信号样式识别方法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：采集样本
产生仿真样本数据或采集实际样本数据。
S2：变分模态分解
对每类调制样式的每个信号进行变分模态分解；
S3：时频分析
应用平滑伪Wigner-Ville法对每个信号的分解信号进行时频分析；
S4：特征拼接
将各分信号的时频图拼接成1个时频图，即以新的时频形态表征原信号的时频特征；
S5：特征集划分
对步骤S1至步骤S4生成的信号时频特征图集进行划分，生成训练集和验证集；
S6：网络训练
应用数据集对已建立的卷积神经网络进行训练，得到训练后的卷积神经网络模型；
S7：待识别信号处理
按照步骤S2至步骤S4处理待识别信号，得到待测数据；
S8：模型识别
利用步骤S6中训练好的卷积神经网络模型识别待测数据，得到最终识别结果。
更进一步地，在所述步骤S1中，使用信号仿真平台生成多类调制样式的信号，并使用发射机进行发射，之后通过接收机采集多类调制样式的信号。
更进一步地，在所述步骤S2中，假设原始信号分解为k个模态分量，约束条件为所有模态的和为原始信号，则约束变分表达式为：
根据下式进行分解：
其中，f表示待分解函数，t表示时间自变量；k表示模态分解个数；u(k)表示第k个模态分量；ωk表示第k个模态分量的中心频率；
表示狄拉克函数；*表示卷积运算；λ表示拉格朗日乘法算子；α为二次惩罚因子，用于保证信号的重构精度。
更进一步地，在所述步骤S3中，进行时频分析时按照下述公式进行计算：
其中，S为信号x(t)的平滑伪Wigner-Ville分布；h(τ)和g(u-τ)分别为时间和频率方向的窗函数；t为时间变量；τ为时间延迟；σ为频率变量；u为频率延迟；x*为x的共轭；e-jστ为傅立叶变换的参数因子。
更进一步地，在所述步骤S5中，80％的信号时频特征图集划分为训练集，20％的信号时频特征图集划分为验证集。
更进一步地，在所述步骤S6中，卷积神经网络包括一个输入层、四个卷积层、四个池化层、两个全连接层，四个卷积层分别为第一～第四卷积层，四个池化层分别为第一～第四池化层，所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层依次连接。
更进一步地，卷积神经网络的建立过程包括以下步骤：
S61：卷积操作设计
卷积层I的输入大小为M×M×D，M为信号时频特征图的像素点数，D为通道数，卷积核K大小为N×N×D，N为卷积核的维度，共有P个卷积核，卷积步进为∈＝1，则卷积操作过程如下式：
其中，S为卷积输出；i,j∈[1,L]，其中L＝[(M-N)/ε+1]；Kp为第p个卷积核；biasp为第p个卷积核偏差，其中p∈[1,P]；
S62：添加非线性激活函数：
f(x)＝max{αx,x}
其中，α为坡度因子；
则卷积层的输出表示为：
Sout(i,j,p)＝max{αS(i,j,p),S(i,j,p)}；
S63：池化操作设计
池化层的大小为2×2，步进为2，按下式进行池化操作：
其中，i,j∈[1,L/2]；
S64：第一全连接层操作设计
按下式进行全连接层操作：
l＝f(w1Sl+b1)
其中，Sl为最后一层卷积层的输出；w1为Sl与l的权重矩阵；b1为第一全连接层l的偏差；
S65：第二全连接层分类输出操作设计
按下式进行分类输出操作：
u＝w2l+b2
其中，w2为u与l的权重矩阵；b2为第二全连接层u的偏差；
最终的分类方式为：
其中，
τ＝[1,2,3,4,5,6,7,8]，
为输入为τ类的概率；uτ为u的第τ个元素；卷积神经网络的最终分类结果是yc中的概率最大值；
S66：网络结构优化
对网络的层数、卷积核的高度和宽度、卷积核的数目超参数进行优化；
采用交叉熵代价函数作为损失函数：
其中，y为训练样本的类别标签，
为卷积神经网络的输出值；
在对卷积神经网络训练时，应用自适应时刻估计法来优化超参数，更新方式如下：
Et(g)＝β1Et-1(g)+(1-β1)g(θt)
Et(g2)＝β2Et-1(g2)+(1-β2)g(θt)⊙g(θt)
θt+1＝θt-ηt[diag(Et(g2))+εI]-1/2Et(g)
其中，Et(g)和Et(g2)为梯度向量g的一阶矩和二阶矩；β1和β2∈[0,1]；η为学习步长；I为单位阵；⊙表示同或运算；diag表示对角化运算；ε为给定精度。
本发明还提供了一种基于变分模态分解的高阶调制信号样式识别系统，采用上述的方法进行高阶调制信号样式识别工作，包括：
样本采集模块，用于产生仿真样本数据或采集实际样本数据；
模态分解模块，用于对每类调制样式的每个信号进行变分模态分解；
时频分析模块，用于应用平滑伪Wigner-Ville法对每个信号的分解信号进行时频分析；
特征拼接模块，用于将各分信号的时频图拼接成1个时频图，即以新的时频形态表征原信号的时频特征；
特征集划分模块，用于对步骤S1至步骤S4生成的信号时频特征图集进行划分，生成训练集合验证集；
网络训练模块，用于应用数据集对已建立的卷积神经网络进行训练，得到训练后的卷积神经网络模型；
待识别信号处理模块，用于按照步骤S2至步骤S4处理待识别信号，得到待测数据；
识别模块，用于利用步骤S6中训练好的卷积神经网络模型识别待测数据，得到最终识别结果；
控制处理模块，用于向其他模块发出指令，完成相关动作；
所述样本采集模块、模态分解模块、时频分析模块、特征拼接模块、特征集划分模块、网络训练模块、待识别信号处理模块、识别模块均与控制处理模块通信连接。
本发明相比现有技术具有以下优点：该基于变分模态分解的高阶调制信号样式识别方法，先进行信号分解，对分解之后的信号进行时频特征分析，能够排除干扰最大限度的保留信号特征和数量；再对各个分信号的时频特征进行拼接，把多维特征处理成为一维特征，进行卷积网络训练和识别，能够有效地解决高阶信号类间识别和相位模糊问题。
附图说明
图1是本发明实施例中基于变分模态分解的高阶调制信号样式识别方法的流程示意图；
图2是本发明实施例中原信号的新形态时频图；
图3是本发明实施例中卷积神经网络结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：基于变分模态分解的高阶调制信号样式识别方法，包括以下步骤：
步骤一：产生仿真样本数据或采集实际样本数据。
在步骤一中，使用信号仿真平台生成多类调制样式的信号，包括BPSK、QPSK、8PSK、16QAM、64QAM2FSK、2ASK、MSK、DSB_AM、SSB_AM和FM等，并使用发射机进行发射；之后通过接收机采集多类调制样式的信号。
步骤二：对每类调制样式的每个信号进行变分模态分解。
在步骤二中，模态分解的核心思想是构建和求解变分问题，假设原始信号分解为k个模态分量，约束条件为所有模态的和为原始信号，则约束变分表达式为：
根据下式(2)进行分解：
其中，f表示待分解函数，t表示时间自变量；k表示模态分解个数；u(k)表示第k个模态分量；ωk表示第k个模态分量的中心频率；
表示狄拉克函数；*表示卷积运算；λ表示拉格朗日乘法算子；α为二次惩罚因子，用于保证信号的重构精度。
具体的分解步骤如下：
21)、初始化
以及n＝0；
22)、进行变量i从1到n+1的循环；
23)、在变量i从1到n+1的循环中更新
和
24)、在变量i从1到n+1的循环中更新λ：
25)、给定精度ε，若满足公式(6)计算小于所给精度时停止循环；否则进入步骤22)继续循环。
步骤三、应用平滑伪Wigner-Ville法对每个信号的分解信号进行时频分析，提取细节特征，按照公式(7)进行计算：
式中，S为信号x(t)的平滑伪Wigner-Ville分布；h(τ)和g(u-τ)分别为时间和频率方向的窗函数；t为时间变量；τ为时间延迟；σ为频率变量；u为频率延迟；x*为x的共轭；e-jστ为傅立叶变换的参数因子。平滑伪Wigner-Ville法在时间和频率方向上同时施加滑动窗，且可以相互独立设计，能够有效抑制交叉项干扰，从而获得较好的时频分辨力。
步骤四：特征拼接。
在步骤四中，将各分信号的时频图拼接成一个时频图，即以新的时频形态表征原信号的时频特征，如图2所示。
步骤五：卷积神经网络结构设计。
包括输入层、卷积层、池化层、全连接层和输出层，如图3所示。输入层为时频数据集生成256×256×3的时频拼接图像，每个卷积层后都会经过ReLU激活函数和最大池化层，其中池化层的大小为2×2，卷积核的大小为7×7。在卷积层处理过后，将多维特征向量展成一维向量，接入到全连接层。在第一个全连接层后，加入激活函数ReLU以及概率为0.5的dropout层；在第二个全连接层完成分类输出。各层的具体参数如表1所示。
表1网络参数表
| 网络层 | 输入尺寸 | 卷积核大小 | 输出尺寸 |
| 卷积层1 | 256×256×3 | 7×7 | 250×250×64 |
| 池化层1 | 250×250×64 | — | 125×125×64 |
| 卷积层2 | 125×125×64 | 7×7 | 119×119×32 |
| 池化层2 | 119×119×32 | — | 59×59×32 |
| 卷积层3 | 59×59×32 | 7×7 | 53×53×12 |
| 池化层3 | 53×53×12 | — | 26×26×12 |
| 卷积层4 | 26×26×12 | 7×7 | 20×20×8 |
| 池化层4 | 20×20×8 | — | 10×10×8 |
| 全连接层1 | 800 | — | 128 |
| 全连接层2 | 128 | — | 11 |
说明：表1中第3列中“—”表示无卷积核。
在步骤五中，具体包括以下步骤：
41)、卷积操作设计
卷积层I的输入大小为M×M×D，M为信号时频特征图的像素点数，D为通道数，卷积核K大小为N×N×D，N为卷积核的维度，共有P个卷积核，卷积步进为∈＝1，则卷积操作过程如式(8)：
其中，S为卷积输出；i,j∈[1,L]，其中L＝[(M-N)/ε+1]；Kp为第p个卷积核；biasp为第p个卷积核偏差，其中p∈[1,P]。
42)、添加非线性激活函数：
f(x)＝max{αx,x} (9)
其中，α为坡度因子，且α越小，对负数部分的修正越小。则卷积层的输出可表示为：
Sout(i,j,p)＝max{αS(i,j,p),S(i,j,p)} (10)
43)、池化操作设计。
池化层的大小为2×2，步进为2，按公式(11)进行池化操作：
其中，i,j∈[1,L/2]；
44)、第一个全连接层(全连接层1)操作设计
按公式(12)进行全连接层操作：
l＝f(w1Sl+b1) (12)
其中，Sl为最后一层卷积层的输出；w1为Sl与l的权重矩阵；b1为第一个全连接层l的偏差。
45)、第二个全连接层分类输出操作设计
按公式(13)进行分类输出操作：
u＝w2l+b2 (13)
其中，w2为u与l的权重矩阵；b2为第二个全连接层u(全连接层2)的偏差；
最终的分类方式为：
其中，
τ＝[1,2,3,4,5,6,7,8]，
为输入为τ类的概率；uτ为u的第τ个元素；卷积神经网络的最终分类结果是yc中的概率最大值。
46)、网络结构优化。
包括对网络的层数、卷积核的高度和宽度、卷积核的数目等超参数进行优化；
采用交叉熵代价函数作为损失函数：
其中，y为训练样本的类别标签，
为卷积神经网络的输出值；
在对卷积神经网络训练时，应用自适应时刻估计法(Adaptive Momentestimation,Adam)来优化超参数，更新方法如下：
Et(g)＝β1Et-1(g)+(1-β1)g(θt) (16)
Et(g2)＝β2Et-1(g2)+(1-β2)g(θt)⊙g(θt) (17)
θt+1＝θt-ηt[diag(Et(g2))+εI]-1/2Et(g) (19)
其中，Et(g)和Et(g2)为梯度向量g的一阶矩和二阶矩；β1和β2∈[0,1]；η为学习步长；I为单位阵；⊙表示同或运算；diag表示对角化运算；ε为给定精度。
步骤六：对步骤一至步骤四生成的信号时频特征图集进行划分，80％的特征图集划分为训练集，20％的特征图集划分为验证集。
步骤七：应用数据集对步骤41)至步骤46)建立的卷积神经网络进行训练，得到训练后的卷积神经网络模型。
步骤八：按照步骤二至步骤四处理待识别信号，得到待测数据。
步骤九：利用训练好的卷积神经网络模型识别待测数据，得到最终识别结果。
综上所述，上述实施例的基于变分模态分解的高阶调制信号样式识别方法，先进行信号分解，对分解之后的信号进行时频特征分析，能够排除干扰最大限度的保留信号特征和数量；再对各个分信号的时频特征进行拼接，把多维特征处理成为一维特征，进行卷积网络训练和识别，能够有效地解决高阶信号类间识别和相位模糊问题。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.基于变分模态分解的高阶调制信号样式识别方法，其特征在于，包括以下步骤：
S1：采集样本
产生仿真样本数据或采集实际样本数据；
S2：变分模态分解
对每类调制样式的每个信号进行变分模态分解；
S3：时频分析
应用平滑伪Wigner-Ville法对每个信号的分解信号进行时频分析；
S4：特征拼接
将各分信号的时频图拼接成一个时频图，即以新的时频形态表征原信号的时频特征；
S5：特征集划分
对步骤S1至步骤S4生成的信号时频特征图集进行划分，生成训练集和验证集；
S6：网络训练
应用数据集对已建立的卷积神经网络进行训练，得到训练后的卷积神经网络模型；
S7：待识别信号处理
按照步骤S2至步骤S4处理待识别信号，得到待测数据；
S8：模型识别
利用步骤S6中训练好的卷积神经网络模型识别待测数据，得到最终识别结果。
2.根据权利要求1所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：在所述步骤S1中，使用信号仿真平台生成多类调制样式的信号，并使用发射机进行发射，之后通过接收机采集多类调制样式的信号。
3.根据权利要求2所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：在所述步骤S2中，假设原始信号分解为k个模态分量，约束条件为所有模态的和为原始信号，则约束变分表达式为：
根据下式进行分解：
其中，f表示待分解函数，t表示时间自变量；k表示模态分解个数；u(k)表示第k个模态分量；ωk表示第k个模态分量的中心频率；
表示狄拉克函数；*表示卷积运算；λ表示拉格朗日乘法算子；α为二次惩罚因子。
4.根据权利要求3所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：在所述步骤S3中，进行时频分析时按照下述公式进行计算：
其中，S为信号x(t)的平滑伪Wigner-Ville分布；h(τ)和g(u-τ)分别为时间和频率方向的窗函数；t为时间变量；τ为时间延迟；σ为频率变量；u为频率延迟；x*为x的共轭；e-jστ为傅立叶变换的参数因子。
5.根据权利要求4所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：在所述步骤S5中，80％的信号时频特征图集划分为训练集，20％的信号时频特征图集划分为验证集。
6.根据权利要求5所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：在所述步骤S6中，卷积神经网络包括一个输入层、四个卷积层、四个池化层、两个全连接层，四个卷积层分别为第一～第四卷积层，四个池化层分别为第一～第四池化层，所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层依次连接。
7.根据权利要求6所述的基于变分模态分解的高阶调制信号样式识别方法，其特征在于：卷积神经网络的建立过程包括以下步骤：
S61：卷积操作设计
卷积层I的输入大小为M×M×D，M为信号时频特征图的像素点数，D为通道数，卷积核K大小为N×N×D，N为卷积核的维度，共有P个卷积核，卷积步进为∈＝1，则卷积操作过程如下式：
其中，S为卷积输出；i,j∈[1,L]，其中L＝[(M-N)/ε+1]；Kp为第p个卷积核；biasp为第p个卷积核偏差，其中p∈[1,P]；
S62：添加非线性激活函数：
f(x)＝max{αx,x}
其中，α为坡度因子；
则卷积层的输出表示为：
Sout(i,j,p)＝max{αS(i,j,p),S(i,j,p)}；
S63：池化操作设计
池化层的大小为2×2，步进为2，按下式进行池化操作：
其中，i,j∈[1,L/2]；
S64：第一全连接层操作设计
按下式进行全连接层操作：
l＝f(w1Sl+b1)
其中，Sl为最后一层卷积层的输出；w1为Sl与l的权重矩阵；b1为第一全连接层l的偏差；
S65：第二全连接层分类输出操作设计
按下式进行分类输出操作：
u＝w2l+b2
其中，w2为u与l的权重矩阵；b2为第二全连接层u的偏差；
最终的分类方式为：
其中，
τ＝[1,2,3,4,5,6,7,8]，
为输入为τ类的概率；uτ为u的第τ个元素；卷积神经网络的最终分类结果是yc中的概率最大值；
S66：网络结构优化
对网络的层数、卷积核的高度和宽度、卷积核的数目超参数进行优化；
采用交叉熵代价函数作为损失函数：
其中，y为训练样本的类别标签，
为卷积神经网络的输出值；
在对卷积神经网络训练时，应用自适应时刻估计法来优化超参数，更新方式如下：
Et(g)＝β1Et-1(g)+(1-β1)g(θt)
Et(g2)＝β2Et-1(g2)+(1-β2)g(θt)⊙g(θt)
θt+1＝θt-ηt[diag(Et(g2))+εI]-1/2Et(g)
其中，Et(g)和Et(g2)为梯度向量g的一阶矩和二阶矩；β1和β2∈[0,1]；η为学习步长；I为单位阵；⊙表示同或运算；diag表示对角化运算；ε为给定精度。
8.一种基于变分模态分解的高阶调制信号样式识别系统，其特征在于，采用如权利要求1～7任一项所述的方法进行高阶调制信号样式识别工作，包括：
样本采集模块，用于产生仿真样本数据或采集实际样本数据；
模态分解模块，用于对每类调制样式的每个信号进行变分模态分解；
时频分析模块，用于应用平滑伪Wigner-Ville法对每个信号的分解信号进行时频分析；
特征拼接模块，用于将各分信号的时频图拼接成1个时频图，即以新的时频形态表征原信号的时频特征；
特征集划分模块，用于对步骤S1至步骤S4生成的信号时频特征图集进行划分，生成训练集合验证集；
网络训练模块，用于应用数据集对已建立的卷积神经网络进行训练，得到训练后的卷积神经网络模型；
待识别信号处理模块，用于按照步骤S2至步骤S4处理待识别信号，得到待测数据；
识别模块，用于利用步骤S6中训练好的卷积神经网络模型识别待测数据，得到最终识别结果；
控制处理模块，用于向其他模块发出指令，完成相关动作；
所述样本采集模块、模态分解模块、时频分析模块、特征拼接模块、特征集划分模块、网络训练模块、待识别信号处理模块、识别模块均与控制处理模块通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211102173.5A CN115470818A (zh) | 2022-09-09 | 2022-09-09 | 基于变分模态分解的高阶调制信号样式识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211102173.5A CN115470818A (zh) | 2022-09-09 | 2022-09-09 | 基于变分模态分解的高阶调制信号样式识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115470818A true CN115470818A (zh) | 2022-12-13 |
Family
ID=84368857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211102173.5A Pending CN115470818A (zh) | 2022-09-09 | 2022-09-09 | 基于变分模态分解的高阶调制信号样式识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470818A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776130A (zh) * | 2023-08-23 | 2023-09-19 | 成都新欣神风电子科技有限公司 | 一种用于异常电路信号的检测方法及装置 |
-
2022
- 2022-09-09 CN CN202211102173.5A patent/CN115470818A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776130A (zh) * | 2023-08-23 | 2023-09-19 | 成都新欣神风电子科技有限公司 | 一种用于异常电路信号的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moreno et al. | Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| US20220084732A1 (en) | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals | |
| CN113113030A (zh) | 一种基于降噪自编码器的高维受损数据无线传输方法 | |
| CN115238749B (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
| CN109344751B (zh) | 一种车内噪声信号的重构方法 | |
| Gao et al. | Vacl: Variance-aware cross-layer regularization for pruning deep residual networks | |
| CN115470818A (zh) | 基于变分模态分解的高阶调制信号样式识别方法及系统 | |
| CN111722139A (zh) | 基于可微连续映射的锂电池健康监测模型自学习方法 | |
| Boubez et al. | Wavelet neural networks and receptive field partitioning | |
| CN113935489A (zh) | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 | |
| CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
| CN111144500A (zh) | 基于解析高斯机制的差分隐私深度学习分类方法 | |
| CN114897144A (zh) | 基于复值神经网络的复值时序信号预测方法 | |
| Pandhiani et al. | Time series forecasting by using hybrid models for monthly streamflow data | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
| CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
| CN114067819A (zh) | 基于跨层相似性知识蒸馏的语音增强方法 | |
| CN111523644A (zh) | 一种基于lsfl组合模型的中长期径流预测方法 | |
| CN112132760B (zh) | 基于可学习可微分矩阵逆及矩阵分解的图像恢复方法 | |
| Pan et al. | Specific radar emitter identification using 1D-CBAM-ResNet | |
| Nguyen et al. | Asymptotic Bayes risk of semi-supervised multitask learning on Gaussian mixture | |
| CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
| CN107039987A (zh) | 一种配电网的无功优化方法及系统 | |
| CN112132007B (zh) | 一种基于ResNet-SVM的调制方式识别方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: C4-103/705, Phase I, Hefei Software Park, No. 800, Wangjiang West Road, Hefei Hi tech Development Zone, 230000, Anhui Province Applicant after: ANHUI EGRETS ELECTRONIC TECHNOLOGY Co.,Ltd. Address before: 230000 Rooms 601-608, Floor 6, Building 1, No. 8 Wenqu Road, High tech Zone, Hefei, Anhui Applicant before: ANHUI EGRETS ELECTRONIC TECHNOLOGY Co.,Ltd. |