CN115604061B - 一种基于外部注意力机制的射频信号调制方式识别方法 - Google Patents
一种基于外部注意力机制的射频信号调制方式识别方法 Download PDFInfo
- Publication number
- CN115604061B CN115604061B CN202211048496.0A CN202211048496A CN115604061B CN 115604061 B CN115604061 B CN 115604061B CN 202211048496 A CN202211048496 A CN 202211048496A CN 115604061 B CN115604061 B CN 115604061B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- signal
- modulation mode
- radio frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000005562 fading Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于外部注意力机制的射频信号调制方式识别方法,聚焦于射频信号数据,能从繁杂的数据信息中筛选出对当前任务目标最有利的信息,挖掘出数据集不同样本之间的潜在相关性,进一步探索隐藏的信号特征,以有效提高神经网络算法识别效果,通过定制化使用BN层处理信道衰落,在卷积操作前批归一化数据,以减少人工处理。射频信号调制方式识别问题中引入外部注意力机制,能够以低计算复杂度区分影响调制方式识别性能的重要特征与无关特征,探索不同信号样本之间的相关性。本发明能针对射频信号数据的调制方式进行有效识别,识别准确率高。
Description
技术领域
本发明涉及信号识别技术,特别涉及射频信号调制方式的识别技术。
背景技术
射频信号的调制方式识别是指接收方在没有任何调制信息与先验知识的前提下对接收信号的调制类型进行识别,能够有效识别调制方式是后续选择信号解调方法以及进行其他工作的基础,也是认知无线电中至关重要的一环。认知无线电是为缓解日益复杂的电磁环境下频谱资源紧张的问题,而提出的一种提高频谱总体利用率的方法。现有的射频信号调制方式的分类方法主要分为两大类:一类是机器学习中的基于特征的识别方法,主要是通过大量人工分析设计提取信号特征,例如信号的幅度谱峰值、高次方谱和信号包络峭度等特征,再结合支持向量机、贝叶斯模型等机器学习浅层网络,来对信号的调制方式进行识别。然而,这种基于特征的识别方法主要依赖于专家特征和算法选择,人工成本高昂,且识别性能在不同通信环境中的自适应性较差;另一类是机器学习中的基于数据的识别方法,现在也被称为深度学习。在过去的十年里,深度学习方法由于对信号的可分辨特征具有较强的自适应学习能力,在语音、图像处理和自然语言处理等领域都取得了优异的性能。因此,如何将深度学习运用于射频信号的调制分类也引起了研究者们的关注,研究者们通过卷积神经网络、残差网络、循环神经网络等深度神经网络对信号进行调制分类,取得了一定的研究成果。但以上方法的缺点是这些深度学习网络对网络中的每一个特征都给予了同等的重视程度,未能有效区分有用和无用的信号特征。
发明内容
本发明所要解决的技术问题是,提供一种能够选择性地处理信号,忽略无关信息而关注重点信息的高性能低成本射频信号调制方式识别方法。
本发明为解决上述技术问题所采用的技术方案是,一种基于外部注意力机制的射频信号调制方式识别方法,包括步骤:
S1:将各调制方式的时域信号分解为I路与Q路信号,将每个采样点的I/Q信号作为一个信号样本,并对信号样本标注调制方式类型作为标签,一个信号样本以及对应标签作为一个训练样本;
将信号样本先输入至第一BN层进行批归一化处理,再进行标准化处理得到输出特征;其中,批归一化处理方式如下:
(k)表示信号样本的序号变量,x(k)为信号样本第k点数据,k=1,…,N,N为信号样本总点数,表示批归一化处理后的数据,信号数据x(k)的均值E[x(k)]和方差为预设值,由训练数据集决定;
标准化处理方式如下:
y(k)为第一BN层的输出的第k点数据,γ(k)和β(k)为两个预设的学习参数γ和β的第k点数据;
S2:将数步骤1中第一BN层的输出据输入第一卷积层,扩充数据通道维度,再输出至第二BN层,第二BN层使用relu函数作为激活函数得到扩充维度后的特征F;
S3:将扩充维度后的特征经过BN层的后输入外部注意力模块,以低复杂度挖掘样本之间的相关性。
为了改善传统卷积神经网络对特征图分配同样注意力的问题,引入外部注意力模块,使模型能够忽略无关信息,重视重点信息,提高识别准确率。外部注意力模块主要使用Mk、Mυ两个独立于输入的完全连接层Dense来实现矩阵运算,在图2中分别表示为Dense(Mk)Norm以及Dense(Mυ),他们共享输入特征F,可以作为外部记忆单元。对于输入特征F,该模块可以通过
F′=AMυ
计算输入特征F和外部记忆单元之间的注意力,T为转置,A为注意力映射矩阵,输出特征F′,其中Norm是一个二次归一化操作,可以使用如下公式实现:
其中,ci,j为的计算结果中第i行第j列的元素,bi,j为等式右边计算结果中第i行第j列的元素,p为遍历变量,cp,j表示遍历ci,j所在矩阵的第j列的所有行,bi,p表示遍历bi,j所在矩阵的第i行的所有列。
该外部注意力模块可以通过共享整个数据集参数的外部记忆单元挖掘不同信号样本之间的相关性,并且由于它以完全连接层实现,可以以较低的计算复杂度对信号特征分配注意力。
本发明在模型中使用残差网络的设计思想处理注意力模块,如图3所示一个残差块可以表示为:
其中,Xl是第l层残差块的输入,等同于上述外部注意力模块的输入F;是对输入的处理部分,即上述提到的外部注意力模块,其输出为F′;h(Xl)指Xl的恒等映射,和/>通过网络层Add相加得到Xl+1输出特征,可以增加每一维度的信息量,解决网络退化问题。
S4:对S3得到的特征进行分类识别,得到识别结果
对于射频信号K类调制方式识别问题,将步骤3中更新后的输出特征Xl+1输入2×3大小的卷积核Conv2×3的第二卷积层与全连接层Dense,Dense层使用函数softmax作为本层激活函数Dense SoftMax,得到输入特征属于每个类别的概率,训练分类网络。第二卷积层的卷积核个数是80,小于之前的256,提取特征的同时降维。使用Adam优化器与交叉损失熵训练网络,其中,ii为样本序号变量,yii为第ii个样本的识别效果表示,Sii是多分类结果的概率表示;当样本真实标签和分类是识别结果一致时yii=1,否则yii=0;/>为要分类的类别数量。
本发明根据研究问题定制化使用BN层处理信道衰落,在卷积操作前批归一化数据,以减少人工处理。射频信号调制方式识别问题中引入外部注意力机制,能够以低计算复杂度区分影响调制方式识别性能的重要特征与无关特征,探索不同信号样本之间的相关性。
本发明聚焦于射频信号数据,能从繁杂的数据信息中筛选出对当前任务目标最有利的信息,挖掘出数据集不同样本之间的潜在相关性,进一步探索隐藏的信号特征,以有效提高神经网络算法识别效果;外部注意力机制是一种自注意力机制的变体,且相比广泛使用的自注意力机制而言,外部注意力机制拥有更低的计算复杂度,使得整个网络模型能够以较低成本拥有较好的识别性能。
本发明的有益效果是,能针对射频信号数据的调制方式进行有效识别,识别准确率高。
附图说明
图1为流程示意图;
图2为模型示意图;
图3为残差块示意图;
图4为注意力模块的效果示意图;
图5为实施例不同调制方式得到的识别混淆矩阵示意图。
具体实施方式
实施例流程如图1所示,实施该流程的网络结构如图2所示:
S1:使用定制化Batch Normalization层批量归一化输入数据。
目前基于深度学习的射频信号调制方式识别主要针对射频时域信号的短时傅里叶变换以及小波变换等指纹特征进行信号隐藏特征的学习,但是以上变换后的特征的内存大小往往为原始信号内存大小的3、4倍。考虑到部分装载设备的硬件配置,实施例选择使用内存占用相对更小的原始射频信号进行网络的学习与识别,使网络计算成本更低。
首先,本发明引入不同调制方式的时域信号,将其分解为I路与Q路信号,抽取N个点的I/Q信号作为一个信号样本。其中,I表示in-phase:同相或实部,Q表示quadrature:正交相位或虚部。对于每个样本人工标注其调制方式类型。
输入层Input对输入数据进行处理时,将N个点的射频时域I/Q信号X=I+jQ的I、Q两路分开,处理为2维矩阵[2×N]的形式。为了在训练模型中得到深层次的特征图,将每个样本信号整形为通道维度为1的3维张量,形如[2,N,1],如图2所示。
考虑到未处理过的射频I/O信号数据在信道中受到噪声干扰、多径衰落等影响,实施例新提出定制化地在模型头部引入BN层(Batch Normalization)来批归一化信号数据x(k)以减弱信道衰落的影响,(k)表示信号样本的序号变量,k=1,…,N,N为信号样本总点数,x(k)为信号样本第k点数据,批归一化处理后数据为
批归一化处理如下:
其中,信号数据x(k)的均值E[x(k)]和方差为预设值,由训练数据集决定。
为了维持学习到的特征分布,第一BN层设置在注意力结构前,通过该BN的两个学习参数γ和β,使用以下方式放来缩放、平移标准化后的特征得到第一BN层的输出数据:
此外,由于使用了min-batch的均值与方差来作为对整体训练样本均值与方差的估计,相当增加了随机噪音,使得第一BN层还起到了正则化的作用,能够大大加快网络收敛速度以及提高模型的识别准确度。
S2:将数步骤1中第一BN层的输出据输入第一卷积层,扩充数据通道维度。卷积层包含多个卷积核。
鉴于通道维度为1,使用具有多个不同卷积核的卷积层提取输入数据的特征,对输入信号的通道维度进行扩充。鉴于信号样本第一维度为2,实施例中第一卷积层的256个卷积核并未使用常用的3×3大小卷积核,而是使用1×3大小的卷积核Conv1×3进行网络学习。
第一卷积层输出至第二BN层进行常规的批归一化处理,第二BN层使用relu函数作为激活函数BNrelu,输出扩充维度并经过BN层后的特征F。
S3:将特征F输入外部注意力模块,以低复杂度挖掘样本之间的相关性。
为了改善传统卷积神经网络对特征图分配同样注意力的问题,引入外部注意力模块,使模型能够忽略无关信息,重视重点信息,提高识别准确率。外部注意力模块主要使用Mk、Nυ两个独立于输入的完全连接层Dense来实现矩阵运算,在图2中分别表示为Dense(Mk)Norm以及Dense(Nυ),他们共享输入特征F,可以作为外部记忆单元。对于输入特征F,该模块可以通过
F′=AMυ
计算输入特征F和外部记忆单元之间的注意力,T为转置,A为注意力映射矩阵,输出特征F′,其中Norm是一个二次归一化操作,可以使用如下公式实现:
其中,ci,j为的计算结果中第i行第j列的元素,bi,j为等式右边计算结果中第i行第j列的元素,p为遍历变量,cp,j表示遍历ci,j所在矩阵的第j列的所有行,bi,p表示遍历bi,j所在矩阵的第i行的所有列。
该外部注意力模块可以通过共享整个数据集参数的外部记忆单元挖掘不同信号样本之间的相关性,并且由于它以完全连接层实现,可以以较低的计算复杂度对信号特征分配注意力。
进一步的,实施例在模型中使用残差网络的设计思想处理注意力模块的输出数据,如图3所示一个残差块可以表示为:
其中,Xl是使用外部注意力模块的输入F′作为第l层残差块的输入;Wl为预设的外部注意力模块的参数,外部注意力模块输出表示为h(Xl)指Xl的恒等映射,h(Xl)和/>相加得到残差块输出特征Xl+1,可以增加每一维度的信息量,解决网络退化问题。
如不使用残差网络的思想来处理注意力模块的输出数据则可直接将理注意力模块的输出数据作为步骤S3的输出。
S4:对S3得到的特征进行分类识别,得到识别结果
对于射频信号K类调制方式识别问题,将步骤3中更新后的输出特征Xl+1输入2×3大小的卷积核Conv2×3的第二卷积层与全连接层Dense,Dense层使用函数softmax作为本层激活函数Dense SoftMax,得到输入特征属于每个类别的概率,训练分类网络。第二卷积层的卷积核个数是80,小于之前的256,提取特征的同时降维。使用Adam优化器与交叉损失熵训练网络,其中,ii为样本序号变量,yii为第ii个样本的识别效果表示,Sii是多分类结果的概率表示;当样本真实标签和分类是识别结果一致时yii=1,否则yii=0;/>为要分类的类别数量。
之后将测试数据集输入该网络,对比测试集真实类别与网络识别结果,得到识别准确率。
与现有的基于深度学习的调制方式识别模型相比,本发明主要使用外部注意力机制挖掘特征信息以进行射频信号的调制方式识别。首先考虑到部分设备的硬件配置,本发明选择使用内存占用小的原始射频信号,将其处理为I/Q两路信号作为网络输入使得计算成本较低,在卷积操作前使用Batch Normalization层作为预处理器批归一化数据,减少人工操作;鉴于I/Q信号通道维度只有1,使用卷积操作对其通道维度进行扩充,以提取更多特征;且鉴于信号不同于图像,第一维度只有2,特别选择1*3大小与2*3大小的卷积核进行特征学习;然后使用外部注意力模块从大量样本信息中筛选出对当前分类任务最有利的信号特征,对注意力模块后前后的特征进行可视化,如图4所示,可以看到清楚的明度变化,证明该模块能够较好的区分重要特征;
其中使用外部记忆单元可以挖掘整体数据集之间的样本相关性,通过步骤S3。简要来说就是外部记忆单元可以看作一种全局注意力机制,而非局部注意力机制,所以可以挖掘整体数据集的一个相关性。注意力算式就表示了是在计算矩阵之间的相关性,不仅集成了广泛被使用的自注意力模块的优点,而且拥有更低的计算复杂度,更低的计算成本。
如图5所示,是在实测数据集条件下本发明针对12种不同调制方式的信号进行实验得到的识别混淆矩阵,(10:2:20)dB共5种信噪比信号。从对角线可以看出,针对该12种信号识别准确率90%以上,说明实施例可以准确的识别射频信号的调制方式。
Claims (3)
1.一种基于外部注意力机制的射频信号调制方式识别方法,其特征在于,包括步骤:
S1:将各调制方式的时域信号分解为I路与Q路信号,将每个采样点的I/Q信号作为一个信号样本,并对信号样本标注调制方式类型作为标签,一个信号样本以及对应标签作为一个训练样本;
将信号样本先输入至第一BN层进行批归一化处理,再进行标准化处理得到输出特征;其中,批归一化处理方式如下:
(k)表示信号样本的序号变量,x(k)为信号样本第k点数据,k=1,…,N,N为信号样本总点数,表示批归一化处理后的数据,信号数据x(k)的均值E[x(k)]和方差/>为预设值,由训练数据集决定;
标准化处理方式如下:
y(k)为第一BN层的输出的第k点数据,γ(k)和β(k)为两个预设的学习参数γ和β的第k点数据;
S2:将数步骤1中第一BN层的输出据输入第一卷积层,扩充数据通道维度,再输出至第二BN层,第二BN层使用relu函数作为激活函数得到扩充维度并经过BN层后的特征F;
S3:将特征F输入外部注意力模块,外部注意力模块通过两个独立于输入的完全连接层来实现以下矩阵运算:
F′=AMv
Mk为第一外部记忆单元矩阵,Mv为第二外部记忆单元矩阵,T为转置,A为注意力映射矩阵,外部注意力模块输出特征为F′,Norm是一个二次归一化操作;
S4:对步骤S3得到的特征进行分类识别,得到识别结果:先将步骤S3得到的特征输入至第二卷积层,第二卷积层用于提取特征的同时降维,第二卷积层的输出再输入至一个全连接Dense层,第二卷积层之后的Dense层使用函数softmax作为激活函数得到输入特征属于每个类别的概率。
2.如权利要求1所述方法,步骤S3得到外部注意力模块的输出特征之后通过残差块处理:
其中,Xl是使用外部注意力模块的输入F′作为第l层残差块的输入;Wl为预设的外部注意力模块的参数,外部注意力模块输出表示为h(Xl)指Xl的恒等映射,h(Xl)和相加得到残差块输出特征Xl+1,将特征Xl+1作为步骤S3得到的特征。
3.如权利要求1所述方法,步骤S4中训练过程中得到每个类别的概率后使用Adam优化器与交叉损失熵进行约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211048496.0A CN115604061B (zh) | 2022-08-30 | 2022-08-30 | 一种基于外部注意力机制的射频信号调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211048496.0A CN115604061B (zh) | 2022-08-30 | 2022-08-30 | 一种基于外部注意力机制的射频信号调制方式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115604061A CN115604061A (zh) | 2023-01-13 |
CN115604061B true CN115604061B (zh) | 2024-04-09 |
Family
ID=84842724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211048496.0A Active CN115604061B (zh) | 2022-08-30 | 2022-08-30 | 一种基于外部注意力机制的射频信号调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115604061B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
CN113469125A (zh) * | 2021-07-20 | 2021-10-01 | 中国人民解放军国防科技大学 | 多无人机协同信号识别方法及识别系统 |
CN113642634A (zh) * | 2021-08-12 | 2021-11-12 | 南京邮电大学 | 一种基于混合注意力的阴影检测方法 |
CN113657491A (zh) * | 2021-08-17 | 2021-11-16 | 中国人民解放军63892部队 | 一种用于信号调制类型识别的神经网络设计方法 |
CN114254680A (zh) * | 2022-02-28 | 2022-03-29 | 成都大公博创信息技术有限公司 | 基于多特征信息的深度学习网络调制识别方法 |
CN114492604A (zh) * | 2022-01-11 | 2022-05-13 | 电子科技大学 | 一种小样本情景下的辐射源个体识别方法 |
CN114553648A (zh) * | 2022-01-26 | 2022-05-27 | 嘉兴学院 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
CN114564982A (zh) * | 2022-01-19 | 2022-05-31 | 中国电子科技集团公司第十研究所 | 雷达信号调制类型的自动识别方法 |
CN114636975A (zh) * | 2022-03-10 | 2022-06-17 | 杭州电子科技大学 | 基于谱图融合和注意力机制的lpi雷达信号识别方法 |
CN114675249A (zh) * | 2022-03-25 | 2022-06-28 | 中国人民解放军陆军工程大学 | 基于注意力机制的雷达信号调制方式识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711528B2 (en) * | 2002-04-22 | 2004-03-23 | Harris Corporation | Blind source separation utilizing a spatial fourth order cumulant matrix pencil |
US10944440B2 (en) * | 2018-04-11 | 2021-03-09 | Booz Allen Hamilton Inc. | System and method of processing a radio frequency signal with a neural network |
CN110798417B (zh) * | 2019-10-24 | 2020-07-31 | 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 |
US20220156587A1 (en) * | 2020-11-16 | 2022-05-19 | Objectvideo Labs, Llc | Multi-head deep metric machine-learning architecture |
-
2022
- 2022-08-30 CN CN202211048496.0A patent/CN115604061B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
CN113469125A (zh) * | 2021-07-20 | 2021-10-01 | 中国人民解放军国防科技大学 | 多无人机协同信号识别方法及识别系统 |
CN113642634A (zh) * | 2021-08-12 | 2021-11-12 | 南京邮电大学 | 一种基于混合注意力的阴影检测方法 |
CN113657491A (zh) * | 2021-08-17 | 2021-11-16 | 中国人民解放军63892部队 | 一种用于信号调制类型识别的神经网络设计方法 |
CN114492604A (zh) * | 2022-01-11 | 2022-05-13 | 电子科技大学 | 一种小样本情景下的辐射源个体识别方法 |
CN114564982A (zh) * | 2022-01-19 | 2022-05-31 | 中国电子科技集团公司第十研究所 | 雷达信号调制类型的自动识别方法 |
CN114553648A (zh) * | 2022-01-26 | 2022-05-27 | 嘉兴学院 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
CN114254680A (zh) * | 2022-02-28 | 2022-03-29 | 成都大公博创信息技术有限公司 | 基于多特征信息的深度学习网络调制识别方法 |
CN114636975A (zh) * | 2022-03-10 | 2022-06-17 | 杭州电子科技大学 | 基于谱图融合和注意力机制的lpi雷达信号识别方法 |
CN114675249A (zh) * | 2022-03-25 | 2022-06-28 | 中国人民解放军陆军工程大学 | 基于注意力机制的雷达信号调制方式识别方法 |
Non-Patent Citations (6)
Title |
---|
External Attention Mechanism-Based Modulation Classification;Tao Xueying et.al;2022 International Conference on Scientific Computation and Applied Statistics (ICSCAS 2022) 12/11/2022 - 12/11/2022 Wuhan, China;20230222;全文 * |
External Attention Mechanism-Based Modulation Classification;Xueying Tao et.al;Journal of Physics Conference Series;20220222;第1-7页以及图4、表1 * |
Modulation Recognition Using Signal Enhancement and Multistage Attention Mechanism;Shangao Lin et.al;IEEE Transactions on Wireless Communications ( Volume: 21, Issue: 11, November 2022);20220614;全文 * |
基于TPAM-DPN网络的雷达辐射源识别方法;李昆;朱卫纲;;电光与控制;20200901(09);全文 * |
基于注意力机制的射频信号检测与调制识别;陶雪莹;中国优秀硕士学位论文全文数据库;20230630;全文 * |
基于深度学习的通信信号智能盲检测与识别技术研究;李润东;中国优秀硕士学位论文全文数据库;20210408;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115604061A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN109379153B (zh) | 一种频谱感知方法 | |
CN101763514B (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN108549832B (zh) | 基于全连接神经网络的低截获雷达信号分类方法 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
Zhang et al. | Learning modulation filter networks for weak signal detection in noise | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN115169469A (zh) | 基于深度子领域自适应的辐射源个体识别方法 | |
Liao et al. | Fast Fourier Transform with Multi-head Attention for Specific Emitter Identification | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN114255487A (zh) | 一种半监督射频指纹提取的物联网设备身份认证方法 | |
CN115604061B (zh) | 一种基于外部注意力机制的射频信号调制方式识别方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN115276857A (zh) | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 | |
Ma et al. | Nonlinear dimensionality reduction based on HSIC maximization | |
CN111404852B (zh) | 基于振幅和频谱幅度特征的调制方式识别方法 | |
Qu et al. | Specific emitter identification based on one-dimensional complex-valued residual networks with an attention mechanism |
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 |