CN116156511A - 基于采样混频和深度学习的频谱感知方法及装置 - Google Patents
基于采样混频和深度学习的频谱感知方法及装置 Download PDFInfo
- Publication number
- CN116156511A CN116156511A CN202211490767.8A CN202211490767A CN116156511A CN 116156511 A CN116156511 A CN 116156511A CN 202211490767 A CN202211490767 A CN 202211490767A CN 116156511 A CN116156511 A CN 116156511A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- sampling
- deep learning
- spectrum sensing
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 76
- 238000005070 sampling Methods 0.000 title claims abstract description 71
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000010355 oscillation Effects 0.000 claims abstract description 21
- 230000005284 excitation Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 27
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010408 sweeping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了基于采样混频和深度学习的频谱感知方法及装置。宽带天线接收的宽带未知无线信号，经采样混频下变频到中频信号，利用模拟数字变换器将模拟信号变换成数字信号送给深度学习处理器进一步做信号分析，其中接收无线信号频率范围的判定是利用微调激励采样混频本振信号频率来实现判断分辨，信号调制方式的识别是将已确定频率范围的射频信号下变频到中频信号并转换为实频谱图，利用深度学习技术对信号的调制模式进行识别，从而实现对所接收无线信号的智能频谱感知。该频谱感知方法具有结构简单、感知速度快、频谱识别率高，可应用于5G、6G的频谱感知通信系统中。
Description
技术领域
本发明涉及微波/毫米波无线通信技术领域，特别是涉及微波、毫米波通信测试仪表、5G和6G通信系统中。
背景技术
为了满足“一念天地，万物随心”通信的美好愿望，需要将信息处理技术与高效的信息传输技术相结合，将陆地地面通信、低空空中通信、高空卫星通信、海洋通信等传统意义相互物理分立的通信系统进行重新设计和高效融合，最终构建一张满足全球无缝覆盖的陆海空天融合通信网络。陆海空天融合通信网络是基于无线通信，其频谱的覆盖范围将从微波、毫米波扩展至太赫兹，频谱的广泛应用将对国民生活产生巨大的社会价值。未来通信频谱管理将面临巨大挑战：无线通信频率全谱化、无线通信频谱空间化、无线通信频谱碎片化、多业务共存的网络异构化，电磁频谱管理在军事研究中也要重要的战略意义。
如何结合当前AI的不断发展，让认知智能与通信测试仪表充分的结合起来，使认知智能在感知基础上进行深刻理解、全面思考、自主学习和智能推理，并做出频谱管理决策。现代频谱感知面临着快速、高频率、宽频带的技术需求。
传统的频谱感知技术采用的扫频模式进行监测，对全频段的监测需要非常长的时间，而且监测中会对短期的突发信号存在遗漏的现象。本发明研究的频谱感知的核心技术需求是快速监测，需要对陆海空天融合通信网络所覆盖的全频谱进行感知；频谱覆盖从微波到毫米波，故频谱监测需要工作到极高的频率；同时，频谱监测模块还需要具有宽频带信号监测的特性，这就对频谱感知仪的硬件电路设计方法提出了极高的要求。频谱感知通常采用超外差式接收机或数字中频接收机的方案，是将监测的射频频率与本振下变频到中频处理，实现对频谱感知，若想监测的频率范围宽，这就需要本振的频率覆盖范围宽，但本振的频率覆盖范围很难有超过十个倍频程，就算通过倍频、分频方案实现了宽频带的本振信号，对宽带频谱的监测还需逐点扫频的方式进行，故监时间长。宽频带频谱感知采用传统的扫频接收方案对全频带进行监测显然不合适。基于采样混频的频谱感知方案满足快速、宽频带和高频率的技术需求。
发明内容
技术问题：本发明的目的是提出了一种基于采样混频和深度学习的频谱感知方法及装置，宽带天线接收的宽带未知无线信号，经采样混频器下变频到中频信号，利用模拟数字变换器将信号送给深度学习处理器，对接收无线信号的频率以及频谱调制模式进行分析。该频谱感知方法具有结构简单、感知速度快、频谱识别率高，可应用于5G、6G的频谱感知通信系统中。
技术方案：本发明是一种基于采样混频和深度学习的频谱感知方法，宽带天线将空间无线信号接收下来，经过采样混频器下变频至中频信号，再经模拟数字变换器将中频信号变为基带数字信号，其中，对宽带天线所接收的无线信号频谱感知识别主要包含判断信号频率范围，同时对信号调制模式进行正确识别两部分内容，判断信号频率范围是通过微调采样混频的本振信号进行判断分辨，信号调制模式的识别是通过应用深度学习信号时频谱图进行分析，从而对信号的调制模式进行识别，实现频谱感知。
其中，
所述宽带天线接收的无线信号判断信号的频率范围如下：设接收的射频信号频率为fRF，该信号为采样混频器的输入信号，此时先用本振频率为fLO1的本振频率激励采样混频器，通过模拟数字变换器后送入处理器可以分析出对应的中频信号频率fIF1；再用本振频率为fLO2的本振频率激励采样混频器，通过模拟数字变换器后送入处理器分析出对应的中频信号fIF2，且所测频点和所激励频点满足如下关系，fRF＝M×fLO1+fIF1＝N×fLO2+fIF2，其中，fLO1和fLO1为两个频率靠的非常近的本振信号，且fLO1＝fLO2+Δf，故大多数情况下，M＝N，可以计算出M，并进一步推导出fRF；有时可能fRF可能越界，此时，M＝N±1。
所述射频信号频率fRF，为了进一步验证其频率的正确性，用本振频率为fLO3的本振频率激励采样混频器，其中fLO1＝fLO3-Δf，按照上述步骤进行分析，利用三个已知本振频率基本可以确定接收射频信号的频率。
所述在对监测频点的频率范围正确判断之后，进一步对频谱调制模式进行识别，利用神经网络作为模型提取的特征，利用深度学习，将需要识别模式的数据对应的时频谱图送入神经网络进行训练，用训练好的网络完成对所接收未知信号模式的识别。
本发明用于基于采样混频和深度学习的频谱感知方法的装置由宽带天线、采样混频器、可调本振、模拟数字变换器和深度学习处理器所组成；宽带天线的输出端接采样混频，采样混频通过切换接模拟数字变换器或可调本振，模拟数字变换器的输出端接深度学习处理器。
所述采样混频器是由采样门电路、中频电路、宽带巴伦，脉冲信号发生电路所组成；采用本振信号接脉冲信号发生电路的输入端，脉冲信号发生电路的输出端接宽带巴伦的输入端，宽带巴伦的输出端接采样门电路的输入端，采样门电路的输入端同时接入射频输入，采样门电路的输出端接中频电路的输入端，由中频电路输出中频输出；实现对信号的快速感知，取代传统的宽带接收扫频模式，实现对各种突发信号的快速感知监测。
所述的脉冲发生器，以十字形微带线L5为节点，与地之间有四路，第一路为顺序连接的第一匹配微带线、激励电感、耦合电容、第六匹配微带线、第七匹配微带线输入信号源；第二路为顺序连接的第三匹配微带线、第二阶跃恢复二极管、第四匹配微带线、负载电阻；第三路为顺序连接的第一匹配微带线、限流电阻、并联连接的正直流偏置电压和旁路电容；第三路为第一阶跃恢复二极管；当第一阶跃恢复二极管、第二阶跃恢复二极管处于导通状态时存储电荷能量，并在关闭时释放充电能量，通过改变激励电感调节脉冲位置，该脉冲电路具有理想边缘特性和低振铃特性。
有益效果：本发明的一种基于采样混频和深度学习的频谱感知方法及装置的优点是：
感通一体通信是5G、6G通信的核心技术，现有技术当中，频谱感知一般是通过窄带滤波实现单一频率范围的感知，或者通过超外差接收扫频方式实现宽带频谱感知，但是扫频方式实现宽带频谱感知所需的时间长，实时性差。将采样混频和深度学习相结合的频谱感知方法，摒弃了传统扫频方式实现频谱感知，利用2-3次采样混频可以直接得到精确的频率范围，具有快速感知和宽带处理的优点，同时结合深度学习，进一步实现对频谱的智能感知。该发明应用于频谱感知技术中，具有结构简单、感知速度快、频谱识别率高，可应用于5G、6G的频谱感知通信系统中。
附图说明
图1为基于采样混频和深度学习的频谱感知方法和实验装置框图；
图2为采样混频的实施电路图；
图3为脉冲发生电路实施电路图；
图4为基于采样混频和深度学习的频谱感知方法实施流程图。
图中有：激励电感L、第一匹配微带线L1、第二匹配微带线L2、第三匹配微带线L3、第四匹配微带线L4、十字形微带线L5、第六匹配微带线L6、第七匹配微带线L7、一阶跃恢复二极管SRD1、第二阶跃恢复二极管SRD2、负载电阻RL、限流电阻Rb、输入信号源Vs、第正直流偏置电压Vbias、旁路电容C2、耦合电容Cb。
具体实施方式
本发明提出了将采样混频和深度学习相结合的频谱感知方法，宽带天线接收的宽带未知无线信号，经采样混频器下变频到中频信号，利用模拟数字变换器将模拟信号变换成数字信号给处理器进一步做数据分析，其中接收信号频率范围的判定是利用微调激励采样混频本振信号来实现判断分辨，信号调制方式的识别是将已确定频率范围的射频信号下变频到中频信号并转换为实频谱图，利用深度学习技术对信号的调制模式进行识别，从而实现对所接收无线信号的智能频谱感知。
基于采样混频和深度学习的频谱感知装置主要有宽带天线，可调本振，采样混频，模拟数字变换器和深度学习处理器所组成。
采样混频电路是由采样门电路、中频电路、宽带巴伦，脉冲信号发生电路所组成。
频谱感知的流程图如图4所示，宽带天线接收的宽带未知无线信号，经采样混频器下变频到中频信号，利用模拟数字变换器将中频模拟信号变换成数字信号给深度学习处理器进一步做数据分析，首先对未知信号的中心频点进行分析辨别，接着按照所分析的中心频点，设置相对应的本振信号，通过采样混频和模拟数字变换器后送入深度学习处理器，利用训练过的卷积神经网络对其时频谱图进行识别，从而进一步判断未知信号的调制模式。本发明中用采样混频代替传统的超外差接收的扫频模式，具有快速感知频谱的优点，同时结合深度学习技术，通过对信号时频谱图的分析，实现对信号调制模式识别，具有识别正确率高的优点，故发明能应用于无线信号的智能频谱感知、无线频谱监测技术中。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明的基于采样混频和深度学习的频谱感知方法的装置由宽带天线、采样混频器、可调本振、模拟数字变换器和深度学习处理器所组成；宽带天线的输出端接采样混频，采样混频通过切换接模拟数字变换器或可调本振，模拟数字变换器的输出端接深度学习处理器。
所述采样混频器是由采样门电路、中频电路、宽带巴伦，脉冲信号发生电路所组成；采用本振信号接脉冲信号发生电路的输入端，脉冲信号发生电路的输出端接宽带巴伦的输入端，宽带巴伦的输出端接采样门电路的输入端，采样门电路的输入端同时接入射频输入，采样门电路的输出端接中频电路的输入端，由中频电路输出中频输出；实现对信号的快速感知，取代传统的宽带接收扫频模式，实现对各种突发信号的快速感知监测。
所述的脉冲发生器，以十字形微带线L5为节点，与地之间有四路，第一路为顺序连接的第一匹配微带线L1、激励电感L、耦合电容Cb、第六匹配微带线L6、第七匹配微带线L7、输入信号源Vs；第二路为顺序连接的第三匹配微带线L3、第二阶跃恢复二极管SRD2、第四匹配微带线L4、负载电阻RL；第三路为顺序连接的第二匹配微带线L2、限流电阻Rb、并联连接的正直流偏置电压Vbias和旁路电容C2；第三路为第一阶跃恢复二极管SRD1；当第一阶跃恢复二极管SRD1、第二阶跃恢复二极管SRD2处于导通状态时存储电荷能量，并在关闭时释放充电能量，通过改变激励电感L调节脉冲位置，该脉冲电路具有理想边缘特性和低振铃特性。其中两个阶跃恢复二极管分别采用串联并联组成，可以分别控制脉冲信号的前沿和后沿，进一步改善脉冲宽度，降低振铃电平，提高脉冲输出幅度。
在本实施例中，对应元器件的参数如下表所示：
本发明一种基于采样混频和深度学习的频谱感知方法中，宽带天线将空间无线信号接收下来，经过采样混频器下变频至中频信号，再经模拟数字变换器将中频信号变为基带数字信号，其中，对宽带天线所接收的无线信号频谱感知识别主要包含判断信号频率范围，同时对信号调制模式进行正确识别两部分内容，判断信号频率范围是通过微调采样混频的本振信号进行判断分辨，信号调制模式的识别是通过应用深度学习信号时频谱图进行分析，从而对信号的调制模式进行识别，实现频谱感知。
所述宽带天线接收的无线信号判断信号的频率范围如下：设接收的射频信号频率为fRF，该信号为采样混频器的输入信号，此时先用本振频率为fLO1的本振频率激励采样混频器，通过模拟数字变换器后送入处理器可以分析出对应的中频信号频率fIF1；再用本振频率为fLO2的本振频率激励采样混频器，通过模拟数字变换器后送入处理器分析出对应的中频信号fIF2，且所测频点和所激励频点满足如下关系，fRF＝M×fLO1+fIF1＝N×fLO2+fIF2，其中，fLO1和fLO2为两个频率靠的非常近的本振信号，且fLO1＝fLO2+Δf，故大多数情况下，M＝N，可以计算出M，并进一步推导出fRF；有时可能fRF可能越界，此时，M＝N±1。所述射频信号频率fRF，为了进一步验证其频率的正确性，用本振频率为fLO3的本振频率激励采样混频器，其中fLO1＝fLO3-Δf，按照上述步骤进行分析，利用三个已知本振频率基本可以确定接收射频信号的频率。所述在对监测频点的频率范围正确判断之后，进一步对频谱调制模式进行识别，利用神经网络作为模型提取的特征，利用深度学习，将需要识别模式的数据对应的时频谱图送入神经网络进行训练，用训练好的网络完成对所接收未知信号模式的识别。
基于采样混频和深度学习的频谱感知流程如图4所示，具体工作方式如下：宽带天线接收的宽带未知无线信号，经采样混频器下变频到中频信号并计算中心频率，此时，微调激励采样混频的本振信号，再次计算下变频至中频信号的中心频点，计算无线射频信号的中心频率；依照所分析的无线射频信号中心频率，此时调整激励本振频率，让射频信号下变频至深度学习处理器的工作频率范围，这样可以提高模式识别的正确率；此时，将已变频的中频信号利用模拟数字变换器将对应的数字信号送至深度学习处理器中，通过对实频谱图的分析，利用已经训练好的神经网络模型对未知信号的调制模式进行分析。最终，给出感知信号的中心频率和调制模式信息。
综上所述，本发明具有宽频带、快速感知、低功耗、模式识别高等优点，支持微波、毫米波通信测量仪表，支持5G、6G通信系统。
本发明未详述之处，均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于采样混频和深度学习的频谱感知方法，其特征在于，宽带天线将空间无线信号接收下来，经过采样混频器下变频至中频信号，再经模拟数字变换器将中频信号变为基带数字信号，其中，对宽带天线所接收的无线信号频谱感知识别主要包含判断信号频率范围，同时对信号调制模式进行正确识别两部分内容，判断信号频率范围是通过微调采样混频的本振信号进行判断分辨，信号调制模式的识别是通过应用深度学习信号时频谱图进行分析，从而对信号的调制模式进行识别，实现频谱感知。
2.根据权利要求1所述的一种基于采样混频和深度学习的频谱感知方法，其特征在于，所述宽带天线接收的无线信号判断信号的频率范围如下：设接收的射频信号频率为fRF，该信号为采样混频器的输入信号，此时先用本振频率为fLO1的本振频率激励采样混频器，通过模拟数字变换器后送入处理器可以分析出对应的中频信号频率fIF1；再用本振频率为fLO2的本振频率激励采样混频器，通过模拟数字变换器后送入处理器分析出对应的中频信号fIF2，且所测频点和所激励频点满足如下关系，fRF＝M×fLO1+fIF1＝N×fLO2+fIF2，其中，fLO1和fLO2为两个频率靠的非常近的本振信号，且fLO1＝fLO2+Δf，故大多数情况下，M＝N，可以计算出M，并进一步推导出fRF；有时可能fRF可能越界，此时，M＝N±1。
3.根据权利要求2所述的一种基于采样混频和深度学习的频谱感知方法，其特征在于，所述射频信号频率fRF，为了进一步验证其频率的正确性，用本振频率为fLO3的本振频率激励采样混频器，其中fLO1＝fLO3-Δf，按照上述步骤进行分析，利用三个已知本振频率基本可以确定接收射频信号的频率。
4.根据权利要求3所述的一种基于采样混频和深度学习的频谱感知方法，其特征在于，所述在对监测频点的频率范围正确判断之后，进一步对频谱调制模式进行识别，利用神经网络作为模型提取的特征，利用深度学习，将需要识别模式的数据对应的时频谱图送入神经网络进行训练，用训练好的网络完成对所接收未知信号模式的识别。
5.一种用于权利要求1所述基于采样混频和深度学习的频谱感知方法的装置，其特征在于，所述装置由宽带天线、采样混频器、可调本振、模拟数字变换器和深度学习处理器所组成；宽带天线的输出端接采样混频，采样混频通过切换接模拟数字变换器或可调本振，模拟数字变换器的输出端接深度学习处理器。
6.根据权利要求5所述的基于采样混频和深度学习的频谱感知方法的装置，其特征在于所述采样混频器是由采样门电路、中频电路、宽带巴伦，脉冲信号发生电路所组成；采用本振信号接脉冲信号发生电路的输入端，脉冲信号发生电路的输出端接宽带巴伦的输入端，宽带巴伦的输出端接采样门电路的输入端，采样门电路的输入端同时接入射频输入，采样门电路的输出端接中频电路的输入端，由中频电路输出中频输出；实现对信号的快速感知，取代传统的宽带接收扫频模式，实现对各种突发信号的快速感知监测。
7.根据权利要求6所述的基于采样混频和深度学习的频谱感知方法的装置，其特征在于所述的脉冲发生器，以十字形微带线(L5)为节点，与地之间有四路，第一路为顺序连接的第一匹配微带线(L1)、激励电感(L)、耦合电容(Cb)、第六匹配微带线(L6)、第七匹配微带线(L7)输入信号源(Vs)；第二路为顺序连接的第三匹配微带线(L3)、第二阶跃恢复二极管(SRD2)、第四匹配微带线(L4)、负载电阻(RL)；第三路为顺序连接的第一匹配微带线(L2)、限流电阻(Rb)、并联连接的正直流偏置电压(Vbias)和旁路电容(C2)；第三路为第一阶跃恢复二极管(SRD1)；当第一阶跃恢复二极管(SRD1)、第二阶跃恢复二极管(SRD2)处于导通状态时存储电荷能量，并在关闭时释放充电能量，通过改变激励电感(L)调节脉冲位置，该脉冲电路具有理想边缘特性和低振铃特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211490767.8A CN116156511A (zh) | 2022-11-25 | 2022-11-25 | 基于采样混频和深度学习的频谱感知方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211490767.8A CN116156511A (zh) | 2022-11-25 | 2022-11-25 | 基于采样混频和深度学习的频谱感知方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116156511A true CN116156511A (zh) | 2023-05-23 |
Family
ID=86360837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211490767.8A Pending CN116156511A (zh) | 2022-11-25 | 2022-11-25 | 基于采样混频和深度学习的频谱感知方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116156511A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577735A (zh) * | 2023-07-13 | 2023-08-11 | 南京誉葆科技股份有限公司 | 一种基于频谱的雷达信号调制识别方法 |
-
2022
- 2022-11-25 CN CN202211490767.8A patent/CN116156511A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577735A (zh) * | 2023-07-13 | 2023-08-11 | 南京誉葆科技股份有限公司 | 一种基于频谱的雷达信号调制识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108414966B (zh) | 一种基于时间调制的宽带线性调频信号测向系统及方法 | |
| CN107015206B (zh) | 自适应天线干扰检测系统及方法 | |
| US10895635B1 (en) | Method of processing waveforms at a multiple-input-multiple-output (MIMO) radar for an unknown target | |
| CN108051791A (zh) | 一种相控阵雷达通用校正装置 | |
| CN106788506B (zh) | 一种宽带一体化侦察接收机及其工作方法 | |
| CN113630354B (zh) | 一种宽带相控阵多功能可重构射频组件及信号产生方法 | |
| CN110034831B (zh) | 一种低复杂度的频谱监测装置及方法 | |
| WO2006026450A1 (en) | Systems and methods for blind source separation of wireless comunication signals | |
| Mishra et al. | Spectrum sharing solution for automotive radar | |
| CN104635062B (zh) | 一种环境电磁辐射监测系统 | |
| Jakabosky et al. | Transmitter-in-the-loop optimization of physical radar emissions | |
| CN116156511A (zh) | 基于采样混频和深度学习的频谱感知方法及装置 | |
| US8121223B2 (en) | Architectures for universal or software radio | |
| Rutledge | The electronics of radio | |
| CN114609593A (zh) | 一种基于fpga和深度学习的谐波雷达 | |
| Correia et al. | Chirp based backscatter modulation | |
| CN114401019B (zh) | 一种大带宽高灵敏度接收前端电路 | |
| CN208691245U (zh) | 一种基于软件无线电的超宽带数字卫星信标接收机 | |
| Wang et al. | Analysis and measurement of a time-varying matching scheme for pulse-based receivers with high-$ Q $ sources | |
| EP3931589A1 (en) | A method for suppresing noise and increasing speed in miniaturized radio frequency signal detectors | |
| Matos et al. | Ultra-wideband 4-PAM backscatter modulator based on BICMOS technology for IoT/WPT applications | |
| CN116383603A (zh) | 强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统 | |
| US20050255820A1 (en) | Pole switch down converter with symmetric resonator | |
| Seguin et al. | Hardware-in-the-loop radar waveform optimization using radiated emissions | |
| Souzandeh et al. | Frequency Selective CMOS RF-to-DC Rectifier for Wireless Power and RFID Applications |
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 |