CN116527206B - 改进knn方法的数字信号处理方法 - Google Patents
改进knn方法的数字信号处理方法 Download PDFInfo
- Publication number
- CN116527206B CN116527206B CN202310805136.9A CN202310805136A CN116527206B CN 116527206 B CN116527206 B CN 116527206B CN 202310805136 A CN202310805136 A CN 202310805136A CN 116527206 B CN116527206 B CN 116527206B
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- module
- frequency
- digital signal
- 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 49
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims description 43
- 230000002776 aggregation Effects 0.000 claims description 43
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000006116 polymerization reaction Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 125000003275 alpha amino acid group Chemical group 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
- H04L1/0007—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format by modifying the frame length
- H04L1/0008—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format by modifying the frame length by supplementing frame payload, e.g. with padding bits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
-
- 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)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种改进KNN方法的数字信号处理方法,涉及数字信号处理技术领域,解决问题是自动选择调制解调方案的数字信号处理,方法包括:组成帧数据;编码;调制信号;数字信号模拟化;发送端将模拟信号通过射频链路发送至接收端;模拟信号数字化;接收端确认信号有效性;频率纠正;信号解调;解包处理。采用改进型KNN模型将初始信号特征数据集在全局范围内网格化宏观分类生成聚合集,通过聚合集对实时信号特征数据进行分类操作,将信号特征信息与数据库中的调制解调方案相匹配,根据发送信号的类型自动选择调制解调方案的目的,可快速处理大量数据,提高了信号处理效率,降低了数字信号处理的成本。
Description
技术领域
本发明涉及数字信号处理技术领域,且更确切地涉及一种改进KNN方法的数字信号处理方法。
背景技术
通信作为人类生存与发展的必须技术,从古至今一直备受人们的关注。随着第五代移动通信技术的日渐成熟,新的通信时代即将到来,未来的通信需要更为有效的通信手段作为支撑。数字信号处理是一种包含多种学科并且应用较为广泛的一种技术,主要是将相关的信号转变成相对应的数据信息,进而对这些信息进行传递,在通信工程领域中有重要的应用。伴随着5G通信需求的增加,通信手段与技术正面临着严峻的挑战。一方面,移动数据流量将在未来几年内快速增长,移动数据的爆炸式增长使得现有的无线通信系统难以满足未来需求,现有的数字信号处理方法无法快速处理大量数据,信号处理效率不高,数字信号处理方法的优化迫在眉睫。另一方面,单纯依靠增加硬件数量来增大运算量的方式,也将会使成本飞速增加。
现有技术数据信息处理能力滞后,数据处理效率低下,人工智能程度差,虽然也有用户采用KNN方法,但这种方法仍旧局限于传统技术的分类通过距离远近计算实现关联计算,因此,现有技术难以通过聚合集对实时信号特征数据集进行分类,无法对信号特征与数据库中的数字信号调制解调方案的匹配,难以实现根据发送信号的类型自动选择调制解调方案的目的,在面对大量数据处理时,效率低下,信号处理效率低,数字信号处理成本高。
发明内容
针对上述技术的不足,本发明公开一种改进KNN方法的数字信号处理方法,通过数据库储存调制解调数据集;通过特征提取系统将数据信号特征分为实时信号特征数据集;通过改进型KNN模型将初始信号特征数据集在全局范围内网格化宏观分类生成聚合集,根据聚合集对实时信号特征数据集进行分类,实现对信号特征与数据库中的数字信号调制解调方案的匹配,实现根据发送信号的类型自动选择调制解调方案的目的,可快速处理大量数据,提高了信号处理效率,无需依靠增加硬件数量来增大运算量,降低了数字信号处理的成本。
为了实现上述技术效果,本发明采用以下技术方案:
一种改进KNN方法的数字信号处理方法,其中包括以下步骤:
步骤一、将原始数据信息组成帧数据;
组帧模块将原始数据信息按照规则分组封装成帧;
所述组帧模块包括功率上升序列、估频序列、开始标志、目标数据、校验位、结束标志和缓冲区,所述功率上升序列表示时隙的开始,使发送端电路达成指定功率,所述估频序列用于估计接收端的频率和定时同步,所述开始标志用于确定帧的起始位置,所述目标数据为需要传输的数据信息,所述校验位用于数据信息发送接收时的校验,所述结束标志用于确定帧的结束位置,所述缓冲区通过比特填充、距离延迟、转发器延迟和同步抖动保护数据信息的远距离传播,所述上升序列的输入端连接所述训练序列的输出端;
步骤二、对数据信息进行编码;
编码模块采用非归零反转码编码方法将数据信息转化为电脉冲信号;
步骤三、将已编码的数据信息转换为调制信号;
调制解调模块采用改进型KNN模型确认数据信息待使用的调制解调方案,并进行调制解调操作;
所述调制解调模块包括数据库和匹配子模块,所述数据库用于储存调制解调数据集,所述匹配子模块用于识别数据信息的特征,为数据信息匹配待使用的调制解调方案,在发送端内将已编码数据信息中加入载波信号,调制已编码数据信息的频率到载波信号的频率范围内,在接收端内把位于载波附近携带有用信息的频谱搬移到基带中,然后用相应的滤波器滤出基带信号完成解调,所述匹配子模块连接数据库;
步骤四、将数字信号模拟化;
D/A转换器用于将已调制的数字信号转换为模拟信号;
步骤五、发送端将模拟信号通过射频链路发送至接收端;
射频链路将发送端的模拟信号进行上变频,发送到接收端后将信号进行放大滤波和下变频;
步骤六、将模拟信号进行数字化;
A/D转换器将接收端的模拟信号进行时间离散化和幅值离散化;
步骤七、接收端确认有效信号是否到来;
信号检测模块对离散化后的数字信号进行滤波和信号检测;
所述信号检测模块包括带通滤波器和判定子模块,所述带通滤波器用于滤除离散化后数字信号的带外噪声,所述判定子模块采用滑动窗口法判定接收端的接收信号是否为有效信号,所述带通滤波器的输出端连接判定子模块的输入端;
步骤八、对接收信号进行频率纠正;
频率纠正模块用于对接收信号进行频率估计和频率补偿;
所述频率纠正模块包括FFT子模块和估计子模块,所述FFT子模块用于对接收信号进行快速傅氏变换,实现频率补偿,所述估计子模块用于估计接收信号的频率,降低频率偏差对解调性能的影响,所述FFT子模块的输出端连接估计子模块的输入端;
步骤九、对接收信号进行解调;
步骤十、对数据帧进行解包处理;
解包模块用于将数据帧还原为原始数据信息;
解包模块包括还原子模块和校验子模块,所述还原子模块用于在数据帧中寻找开始标志、去比特填充、寻找结束标志和清零处理,所述校验子模块用于检验解包是否成功,所述还原子模块的输出端连接校验子模块的输入端。
作为本发明进一步的技术方案,所述数据库包括存储单元和设置单元,所述存储单元用于储存数字信号的调制解调方案、信道模型信息和初始信号特征数据集,所述设置单元包括信噪比设置子单元、延迟设置子单元和噪声设置子单元,所述信噪比设置子单元用于确定调制解调过程中的信噪比范围,所述延迟设置子单元用于分担调制解调的计算压力,所述噪声设置子单元用于反映实际信道中的加性噪声情况,所述存储单元的输出端连接设置单元的输入端。
作为本发明进一步的技术方案,所述匹配子模块包括特征提取系统和方案选择系统,所述特征提取系统采用卷积神经网络提取数据信号特征,将数据信号特征分为实时信号特征数据集,所述方案选择系统采用改进型KNN模型将数据信号特征根据标签分类,并与所述数据库中的数字信号调制解调方案进行匹配,所述特征提取系统的输出端连接方案选择系统的输入端。
作为本发明进一步的技术方案,所述改进型KNN模型将初始信号特征数据集在全局范围内宏观分类后生成聚合集,根据聚合集对实时信号特征数据集进行分类,实现对信号特征与数据库中的数字信号调制解调方案的匹配,所述改进型KNN模型包括聚合单元和分类单元,所述聚合单元用于生成聚合集,所述分类单元根据距离排序将实时信号特征数据集分类到各聚合集中,所述聚合单元的输出端连接所述分类单元的输入端。
作为本发明进一步的技术方案,所述聚合单元包括网格化子单元、去噪子单元和融合子单元,所述网格化子单元用于对初始信号特征数据集进行空间划分,所述去噪子单元用于对单元网格进行信息有效判定,去除噪声网格,所述融合子单元选出核心网格,根据核心网格周围的信号特征数据密度生成聚合集,所述网格化子单元的输出端连接所述去噪子单元的输入端,所述去噪子单元的输出端连接所述融合子单元的输入端。
作为本发明进一步的技术方案,所述聚合单元的工作方法为:
步骤1、空间划分,对初始信号特征数据集进行网格化,将单元网格按次序进行标号,然后将所有的数据对象进行映射使其一一对应的分配至网格中,数据集被划分的网格数为:
(1)
式(1)中,为数据集被划分的网格数,c为初始信号特征数据集的维度值,j为初始信号特征数据集的数据标号,/>为初始信号特征数据的最大值,/>为初始信号特征数据的最小值,D为加速器,/>为分辨率参数;
步骤2、单元网格分类,通过密度阈值将单元网格分类为高密度单元网格和低密度单元网格,单元网格内的密度阈值公式为:
(2)
式(2)中,为密度阈值,r为初始信号特征数据集的总数据数目,/>为目标网格中的数据数目;
步骤3、生成参数,生成距离阈值,并根据实时信号特征数据集的维度得到最小包含网格数;
步骤4、确认核心集合,确定距离阈值为半径内初始信号特征数据数量不少于最小包含点数的单元网格为核心网格,将所有核心网格中的数据信息生成为核心集合;
步骤5、去除噪声网格,判断低密度单元网格邻边网格是否有核心网格,没有则标记为噪声网格,去除噪声网格中的数据信息;
步骤6、构成聚合集,以一个核心网格为中心,根据此核心网格周围的信号特征数据密度构成一个聚合集,将聚合集中多有的核心网格从核心集合中去除,再从核心集合中选取下一个核心对象重复步骤6构成新的聚合集,直到核心集合为空。
作为本发明进一步的技术方案,所述分类单元的工作方法为:
步骤(1)、计算距离,通过欧式距离公式得到实时信号特征数据集与各聚合集间的距离集合;
步骤(2)、距离排序,将距离集合中的数据从小到大进行排序,并记录距离集合中的每个距离数据对应的实时信号特征数据;
步骤(3)、确定类别,取出排好序的前k个实时信号特征数据,确定类别属性;
步骤(4)、确认分类结果,将这k个实时信号特征数据的类别计数,个数最多的数字信号调制解调方案为实时信号特征数据的分类结果。
作为本发明进一步的技术方案,所述估计子模块包括粗估计系统和精估计系统,所述粗估计系统采用平方移位相加法将输出频谱进行左移和右移后,与原始频谱相加,所述精估计系统采用双线幅度法记录频谱幅度最大值以及次大值,得到精确频率估计值,所述粗估计系统的输出端连接精估计系统的输入端。
本发明有益的积极效果在于:
区别于常规的数字信号处理方法,针对上述技术的不足,本发明公开一种改进KNN方法的数字信号处理方法,通过数据库储存调制解调数据集;通过特征提取系统将数据信号特征分为实时信号特征数据集;通过改进型KNN模型将初始信号特征数据集在全局范围内网格化宏观分类生成聚合集,根据聚合集对实时信号特征数据集进行分类,实现对信号特征与数据库中的数字信号调制解调方案的匹配,实现根据发送信号的类型自动选择调制解调方案的目的,可快速处理大量数据,提高了信号处理效率,无需依靠增加硬件数量来增大运算量,降低了数字信号处理的成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1本发明实施例提供的一种改进KNN方法的数字信号处理方法流程图;
图2本发明组帧模块的结构图;
图3本发明一种改进KNN方法的数字信号处理方法的模块结构图;
图4本发明聚合单元工作方法的流程图;
图5本发明分类单元工作方法的流程图。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-5所示,一种改进KNN方法的数字信号处理方法,包括以下步骤:
步骤一、将原始数据信息组成帧数据;
组帧模块将原始数据信息按照规则分组封装成帧;
所述组帧模块包括功率上升序列、估频序列、开始标志、目标数据、校验位、结束标志和缓冲区,所述功率上升序列表示时隙的开始,使发送端电路达成指定功率,所述估频序列用于估计接收端的频率和定时同步,所述开始标志用于确定帧的起始位置,所述目标数据为需要传输的数据信息,所述校验位用于数据信息发送接收时的校验,所述结束标志用于确定帧的结束位置,所述缓冲区通过比特填充、距离延迟、转发器延迟和同步抖动保护数据信息的远距离传播,所述上升序列的输入端连接所述训练序列的输出端;
步骤二、对数据信息进行编码;
编码模块采用非归零反转码编码方法将数据信息转化为电脉冲信号;
步骤三、将已编码的数据信息转换为调制信号;
调制解调模块采用改进型KNN模型确认数据信息待使用的调制解调方案,并进行调制解调操作;
所述调制解调模块包括数据库和匹配子模块,所述数据库用于储存调制解调数据集,所述匹配子模块用于识别数据信息的特征,为数据信息匹配待使用的调制解调方案,在发送端内将已编码数据信息中加入载波信号,调制已编码数据信息的频率到载波信号的频率范围内,在接收端内把位于载波附近携带有用信息的频谱搬移到基带中,然后用相应的滤波器滤出基带信号完成解调,所述匹配子模块连接数据库;
步骤四、将数字信号模拟化;
D/A转换器用于将已调制的数字信号转换为模拟信号;
步骤五、发送端将模拟信号通过射频链路发送至接收端;
射频链路将发送端的模拟信号进行上变频,发送到接收端后将信号进行放大滤波和下变频;
步骤六、将模拟信号进行数字化;
A/D转换器将接收端的模拟信号进行时间离散化和幅值离散化;
步骤七、接收端确认有效信号是否到来;
信号检测模块对离散化后的数字信号进行滤波和信号检测;
所述信号检测模块包括带通滤波器和判定子模块,所述带通滤波器用于滤除离散化后数字信号的带外噪声,所述判定子模块采用滑动窗口法判定接收端的接收信号是否为有效信号,所述带通滤波器的输出端连接判定子模块的输入端;
步骤八、对接收信号进行频率纠正;
频率纠正模块用于对接收信号进行频率估计和频率补偿;
所述频率纠正模块包括FFT子模块和估计子模块,所述FFT子模块用于对接收信号进行快速傅氏变换,实现频率补偿,所述估计子模块用于估计接收信号的频率,降低频率偏差对解调性能的影响,所述FFT子模块的输出端连接估计子模块的输入端;
步骤九、对接收信号进行解调;
步骤十、对数据帧进行解包处理;
解包模块用于将数据帧还原为原始数据信息;
解包模块包括还原子模块和校验子模块,所述还原子模块用于在数据帧中寻找开始标志、去比特填充和寻找结束标志,所述校验子模块用于检验解包是否成功,所述还原子模块的输出端连接校验子模块的输入端。
在具体实施例中,所述功率上升序列为12 bit,所述估频序列为24bit,由0与1交替组成,所述开始标志和结束标志为8bit,由01111110组成,所述校验位在发送端对发送数据的部分序列进行编码得到16位的校验码,取反后添加到数据序列之后,在接收端对接收数据重新计算校验码,与接收到的校验码进行模二除法,以确认传输信息无误,所述缓冲区为24bit,由比特填充、距离延迟、转发器延迟和同步抖动组成。
在具体实施例中,所述编码模块的工作方式为:
S1、位填充,在接收端开始标志与结束标志终端有效数据中,如果出现五个连续的1,则填充一个0,为防止有效数据与开始标志和结束标志混淆;
S2、非归零反转编码,下位码元为0,则电平进行跳变,下位码元为1则电平保持不变。
在具体实施例中,所述数据库包括存储单元和设置单元,所述存储单元用于储存数字信号的调制解调方案、信道模型信息和初始信号特征数据集,所述设置单元包括信噪比设置子单元、延迟设置子单元和噪声设置子单元,所述信噪比设置子单元用于确定调制解调过程中的信噪比范围,所述延迟设置子单元用于分担调制解调的计算压力,所述噪声设置子单元用于反映实际信道中的加性噪声情况,所述存储单元的输出端连接设置单元的输入端,所述数据库内容如表1所示:
表1数据库存储表
名称 | 内容 |
调制解调方案 | 8PSK、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM、QPSK |
信道模型信息 | 加性高斯白噪声、莱斯衰落、中心频率偏移、采样率偏移 |
初始信号特征数据集 | 300000 |
通过上述实施例中,信噪比设置为-20dB~18dB,间隔2dB, 延迟设置为[0.0,0.9,0.7],噪声为加性高斯白噪声。
在具体实施例中,所述匹配子模块包括特征提取系统和方案选择系统,所述特征提取系统采用卷积神经网络提取数据信号特征,将数据信号特征分为实时信号特征数据集,所述方案选择系统采用改进型KNN模型将数据信号特征根据标签分类,并与所述数据库中的数字信号调制解调方案进行匹配,所述特征提取系统的输出端连接方案选择系统的输入端;
通过上述实施例中,所述特征提取系统首先在卷积层进行卷积运算后,通过池化层进行池化运算,对每个分出的区域的使用一个数值代替,通过下采样减少数据量,同时保存数据的特征,然后通过Dropout层舍弃多余数据,最后通过平化层将二维数据转化为一维数据,一维数据经过全连接层,经三次迭代得到数据信号特征集。
在具体实施例中,所述改进型KNN模型将初始信号特征数据集在全局范围内宏观分类后生成聚合集,根据聚合集对实时信号特征数据集进行分类,实现对信号特征与数据库中的数字信号调制解调方案的匹配,所述改进型KNN模型包括聚合单元和分类单元,所述聚合单元用于生成聚合集,所述分类单元根据距离排序将实时信号特征数据集分类到各聚合集中,所述聚合单元的输出端连接所述分类单元的输入端。
在具体实施例中,所述聚合单元包括网格化子单元、去噪子单元和融合子单元,所述网格化子单元用于对初始信号特征数据集进行空间划分,所述去噪子单元用于对单元网格进行信息有效判定,去除噪声网格,所述融合子单元选出核心网格,根据核心网格周围的信号特征数据密度生成聚合集,所述网格化子单元的输出端连接所述去噪子单元的输入端,所述去噪子单元的输出端连接所述融合子单元的输入端。
在具体实施例中,所述聚合单元的工作方法为:
步骤1、空间划分,对初始信号特征数据集进行网格化,将单元网格按次序进行标号,然后将所有的数据对象进行映射使其一一对应的分配至网格中,数据集被划分的网格数为:
(1)
式(1)中,为数据集被划分的网格数,计算结果上取整,c为初始信号特征数据集的维度值,j为初始信号特征数据集的数据标号,/>为初始信号特征数据的最大值,/>为初始信号特征数据的最小值,D为加速器,/>为分辨率参数;
步骤2、单元网格分类,通过密度阈值将单元网格分类为高密度单元网格和低密度单元网格,单元网格内的密度阈值公式为:
(2)
式(2)中,为密度阈值,r为初始信号特征数据集的总数据数目,/>为目标网格中的数据数目;
步骤3、生成参数,生成距离阈值,并根据实时信号特征数据集的维度得到最小包含网格数;
步骤4、确认核心集合,确定距离阈值为半径内初始信号特征数据数量不少于最小包含点数的单元网格为核心网格,将所有核心网格中的数据信息生成为核心集合;
步骤5、去除噪声网格,判断低密度单元网格邻边网格是否有核心网格,没有则标记为噪声网格,去除噪声网格中的数据信息;
步骤6、构成聚合集,以一个核心网格为中心,根据此核心网格周围的信号特征数据密度构成一个聚合集,将聚合集中多有的核心网格从核心集合中去除,再从核心集合中选取下一个核心对象重复步骤6构成新的聚合集,直到核心集合为空;
所述聚合单元的工作原理为:所述网格化子单元中对初始信号特征数据集进行网格化后,通过每个网格中的特征数据的数量得到网格密度和相邻网格的信息,保留特征数据与网格的初始属性;
所述去噪子单元将邻边网格无核心网格的单元网格标记为噪声网格后,其他低密度网格被标记为待定网格,对这些网格进行再次判定,确认是否为噪声网格;
所述融合子单元中距离阈值选择如表2所示:
表2距离阈值选择表
邻点 | A | B | C | D | E |
距离 | 0.11 | 0.12 | 0.15 | 0.39 | 0.46 |
选中一点作为核心对象,如表2所示,此时选中的核心对象的邻点C和邻点D的变化差异较大,故设置所述聚合单元的距离阈值为0.15,最小包含点数由实时信号特征数据集的维度确定,例如实时信号特征数据集的维度为m,则最小包含点数为m+1。
在具体实施例中,所述分类单元的工作方法为:
1)、计算距离,通过欧式距离公式得到实时信号特征数据集与各聚合集间的距离集合;
2)、距离排序,将距离集合中的数据从小到大进行排序,并记录距离集合中的每个距离数据对应的实时信号特征数据;
3)、确定类别,取出排好序的前k个实时信号特征数据,确定类别属性;
4)、确认分类结果,将这k个实时信号特征数据的类别计数,个数最多的数字信号调制解调方案为实时信号特征数据的分类结果。
在进一步的实施例中,在所述分类单元中对实时信号特征数据集的每个特征数据与各聚合集中的每条数据进行n次距离计算,将计算的n个结果生成距离集合,计算距离公式为:
(3)
式(3)中,为每个特征数据与各聚合集中的每条数据的距离,i为实时信号特征数据集中特征数据的标号,m为特征数据的维度,/>为特征数据,/>为聚合集中的数据,n为聚合集中的数据的标号。
在具体实施例中,所述估计子模块包括粗估计系统和精估计系统,所述粗估计系统采用平方移位相加法将输出频谱进行左移和右移后,与原始频谱相加,所述精估计系统采用双线幅度法记录频谱幅度最大值以及次大值,得到精确频率估计值,所述粗估计系统的输出端连接精估计系统的输入端;
通过上述实施例中,所述粗估计系统的工作方式为:根据中频频率与采样频率计算得到频谱2个峰值之间相差82个采样点,因此将FFT子模块输出结果当作右移后频谱,延时41拍当作原始频谱,延时82拍当作左移频谱,三者相加得到叠加频谱,寻找叠加频谱在区间内的最大值,得到频率粗估计下标;
通过上述实施例中,所述精估计系统的工作方式为:在搜索位置下标同时记录频谱幅度最大值以及次大值,在搜索结束之后利用双线幅度法得到频率精估计,对频率估计结果除2即右移一位得到真实估计频率。
在具体实施例中,所述信号检测模块采用双滑动窗口法,使用两个相对静止的窗口存储信号能量,窗口长度设计成64,首先将滤波后的信号进行平方得到信号能量,两个窗口能量之间相差一个窗口长度的采样时钟,因此将A窗口能量延迟64拍得到B窗口能量,最后将两个窗口能量进行相除,对结果的整数部分进行判决,如果大于本地阈值,则表示有效信号到来。
在具体实施例中,所述还原子模块在寻找开始标志后,如果检测到有效数据中如果出现连续五个1且后面一位为0,将多余的0去掉,实现对数据帧的清零处理。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (6)
1.改进KNN方法的数字信号处理方法,其特征在于:包括如下步骤:
步骤一、将原始数据信息组成帧数据;
组帧模块将原始数据信息按照规则分组封装成帧;
所述组帧模块包括功率上升序列、估频序列、开始标志、目标数据、校验位、结束标志和缓冲区,所述功率上升序列表示时隙的开始,使发送端电路达成指定功率,所述估频序列用于估计接收端的频率和定时同步,所述开始标志用于确定帧的起始位置,所述目标数据为需要传输的数据信息,所述校验位用于数据信息发送接收时的校验,所述结束标志用于确定帧的结束位置,所述缓冲区通过比特填充、距离延迟、转发器延迟和同步抖动保护数据信息的远距离传播,所述上升序列的输入端连接训练序列的输出端;
步骤二、对数据信息进行编码;
编码模块采用非归零反转码编码方法将数据信息转化为电脉冲信号;
步骤三、将已编码的数据信息转换为调制信号;
调制解调模块采用改进型KNN模型确认数据信息待使用的调制解调方案,并进行调制解调操作;
所述调制解调模块包括数据库和匹配子模块,所述数据库用于储存调制解调数据集,所述匹配子模块用于识别数据信息的特征,为数据信息匹配待使用的调制解调方案,在发送端内将已编码数据信息中加入载波信号,调制已编码数据信息的频率到载波信号的频率范围内,在接收端内把位于载波附近携带有用信息的频谱搬移到基带中,然后用相应的滤波器滤出基带信号完成解调,所述匹配子模块连接数据库;
步骤四、将数字信号模拟化;
在步骤四中,通过D/A转换器将已调制的数字信号转换为模拟信号;
步骤五、发送端将模拟信号通过射频链路发送至接收端;
射频链路将发送端的模拟信号进行上变频,发送到接收端后将信号进行放大滤波和下变频;
步骤六、将模拟信号进行数字化;
在步骤六中,通过A/D转换器将接收端的模拟信号进行时间离散化和幅值离散化;
步骤七、接收端确认有效信号是否到来;
信号检测模块对离散化后的数字信号进行滤波和信号检测;
所述信号检测模块包括带通滤波器和判定子模块,所述带通滤波器用于滤除离散化后数字信号的带外噪声,所述判定子模块采用滑动窗口法判定接收端的接收信号是否为有效信号,所述带通滤波器的输出端连接判定子模块的输入端;
步骤八、对接收信号进行频率纠正;
频率纠正模块用于对接收信号进行频率估计和频率补偿;
所述频率纠正模块包括FFT子模块和估计子模块,所述FFT子模块用于对接收信号进行快速傅氏变换,实现频率补偿,所述估计子模块用于估计接收信号的频率,降低频率偏差对解调性能的影响,所述FFT子模块的输出端连接估计子模块的输入端;
步骤九、对接收信号进行解调;
步骤十、对数据帧进行解包处理;
解包模块用于将数据帧还原为原始数据信息;
解包模块包括还原子模块和校验子模块,所述还原子模块用于在数据帧中寻找开始标志、去比特填充、寻找结束标志和清零处理,所述校验子模块用于检验解包是否成功,所述还原子模块的输出端连接校验子模块的输入端;
所述匹配子模块包括特征提取系统和方案选择系统,所述特征提取系统采用卷积神经网络提取数据信号特征,将数据信号特征分为实时信号特征数据集,所述方案选择系统采用改进型KNN模型将数据信号特征根据标签分类,并与所述数据库中的数字信号调制解调方案进行匹配,所述特征提取系统的输出端连接方案选择系统的输入端;
所述改进型KNN模型将初始信号特征数据集在全局范围内宏观分类后生成聚合集,根据聚合集对实时信号特征数据集进行分类,实现对信号特征与数据库中的数字信号调制解调方案的匹配,所述改进型KNN模型包括聚合单元和分类单元,所述聚合单元用于生成聚合集,所述分类单元根据距离排序将实时信号特征数据集分类到各聚合集中,所述聚合单元的输出端连接所述分类单元的输入端。
2.根据权利要求1所述的改进KNN方法的数字信号处理方法,其特征在于:
所述数据库包括存储单元和设置单元,所述存储单元用于储存数字信号的调制解调方案、信道模型信息和初始信号特征数据集,所述设置单元包括信噪比设置子单元、延迟设置子单元和噪声设置子单元,所述信噪比设置子单元用于确定调制解调过程中的信噪比范围,所述延迟设置子单元用于分担调制解调的计算压力,所述噪声设置子单元用于反映实际信道中的加性噪声情况,所述存储单元的输出端连接设置单元的输入端。
3.根据权利要求1所述的改进KNN方法的数字信号处理方法,其特征在于:所述聚合单元包括网格化子单元、去噪子单元和融合子单元,所述网格化子单元用于对初始信号特征数据集进行空间划分,所述去噪子单元用于对单元网格进行信息有效判定,去除噪声网格,所述融合子单元选出核心网格,根据核心网格周围的信号特征数据密度生成聚合集,所述网格化子单元的输出端连接所述去噪子单元的输入端,所述去噪子单元的输出端连接所述融合子单元的输入端。
4.根据权利要求1所述的改进KNN方法的数字信号处理方法,其特征在于:所述聚合单元的工作方法为:
步骤1、空间划分,对初始信号特征数据集进行网格化,将单元网格按次序进行标号,然后将所有的数据对象进行映射使其一一对应的分配至网格中,数据集被划分的网格数为:
式(1)中,F为数据集被划分的网格数,计算结果上取整,c为初始信号特征数据集的维度值,j为初始信号特征数据集的数据标号,Xjmax为初始信号特征数据的最大值,Xjmin为初始信号特征数据的最小值,D为加速器,η为分辨率参数;
步骤2、单元网格分类,通过密度阈值将单元网格分类为高密度单元网格和低密度单元网格,单元网格内的密度阈值公式为:
式(2)中,Y为密度阈值,r为初始信号特征数据集的总数据数目,sj为目标网格中的数据数目;
步骤3、生成参数,生成距离阈值,并根据实时信号特征数据集的维度得到最小包含网格数;
步骤4、确认核心集合,确定距离阈值为半径内初始信号特征数据数量不少于最小包含点数的单元网格为核心网格,将所有核心网格中的数据信息生成为核心集合;
步骤5、去除噪声网格,判断低密度单元网格邻边网格是否有核心网格,没有则标记为噪声网格,去除噪声网格中的数据信息;
步骤6、构成聚合集,以一个核心网格为中心,根据此核心网格周围的信号特征数据密度构成一个聚合集,将聚合集中多有的核心网格从核心集合中去除,再从核心集合中选取下一个核心对象重复步骤6构成新的聚合集,直到核心集合为空。
5.根据权利要求1-4中任意一项所述的改进KNN方法的数字信号处理方法,其特征在于:所述分类单元的工作方法为:
步骤(1)、计算距离,通过欧式距离公式得到实时信号特征数据集与各聚合集间的距离集合;
步骤(2)、距离排序,将距离集合中的数据从小到大进行排序,并记录距离集合中的每个距离数据对应的实时信号特征数据;
步骤(3)、确定类别,取出排好序的前k个实时信号特征数据,确定类别属性;
步骤(4)、确认分类结果,将这k个实时信号特征数据的类别计数,个数最多的数字信号调制解调方案为实时信号特征数据的分类结果。
6.根据权利要求1所述的改进KNN方法的数字信号处理方法,其特征在于:所述估计子模块包括粗估计系统和精估计系统,所述粗估计系统采用平方移位相加法将输出频谱进行左移和右移后,与原始频谱相加,所述精估计系统采用双线幅度法记录频谱幅度最大值以及次大值,得到精确频率估计值,所述粗估计系统的输出端连接精估计系统的输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805136.9A CN116527206B (zh) | 2023-07-03 | 2023-07-03 | 改进knn方法的数字信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805136.9A CN116527206B (zh) | 2023-07-03 | 2023-07-03 | 改进knn方法的数字信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116527206A CN116527206A (zh) | 2023-08-01 |
CN116527206B true CN116527206B (zh) | 2023-09-01 |
Family
ID=87408582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310805136.9A Active CN116527206B (zh) | 2023-07-03 | 2023-07-03 | 改进knn方法的数字信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116527206B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915079A (zh) * | 2020-07-30 | 2020-11-10 | 国电南瑞科技股份有限公司 | 一种混合knn风电功率预测方法及系统 |
CN112699899A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 一种基于生成对抗网络的高光谱图像特征提取方法 |
CN116092119A (zh) * | 2022-12-29 | 2023-05-09 | 山东大学 | 基于多维度特征融合的人体行为识别系统及其工作方法 |
-
2023
- 2023-07-03 CN CN202310805136.9A patent/CN116527206B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915079A (zh) * | 2020-07-30 | 2020-11-10 | 国电南瑞科技股份有限公司 | 一种混合knn风电功率预测方法及系统 |
CN112699899A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 一种基于生成对抗网络的高光谱图像特征提取方法 |
CN116092119A (zh) * | 2022-12-29 | 2023-05-09 | 山东大学 | 基于多维度特征融合的人体行为识别系统及其工作方法 |
Non-Patent Citations (1)
Title |
---|
基于参数优化的支持向量机战场多目标声识别;李京华;张聪颖;倪宁;;探测与控制学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116527206A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110166391B (zh) | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 | |
JPH05344008A (ja) | ディジタル通信チャネルの等化と復号 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
WO2002096052A1 (en) | Narrow band chaotic bi-phase shift keying | |
CN105871765A (zh) | 一种基于fft辅助s-pll的无线通信载波跟踪方法 | |
CN111211862B (zh) | 一种遥感卫星信道码编码增益测试方法 | |
WO2018076773A1 (zh) | 基于重叠复用的译码方法、装置及调制解调方法和系统 | |
CN110233810A (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
CN110011724A (zh) | 一种船舶自动识别系统的接收方法、接收机及通信卫星 | |
CN104079517A (zh) | 一种基于脉冲函数加权处理的连续相位调制实现方法 | |
CN108833321B (zh) | 基于差分相位波形匹配的编码cpm信号码块同步方法 | |
CN106301687B (zh) | 基于4比特crc纠错与迭代干扰消除算法的星载ais接收方法 | |
CN116527206B (zh) | 改进knn方法的数字信号处理方法 | |
CN106452652A (zh) | 一种基于混沌无线通信系统的多径干扰抑制方法 | |
CN101322365A (zh) | 多载波系统中的噪声功率插值 | |
CN101938333B (zh) | 格雷编码π/M-MPSK调制软比特信息计算方法 | |
Benelli et al. | Simplified Viterbi processors for the GSM Pan-European cellular communication system | |
CN106341199A (zh) | 一种基于曼彻斯特码的信噪比确定方法 | |
CN104270328B (zh) | 一种信噪比实时估计方法 | |
CN102118774B (zh) | 一种无线移动通信中的性能分析方法 | |
CN113099487B (zh) | 一种LoRa空口数据的解调方法 | |
CN101292485B (zh) | 适用于edge系统的自适应8psk解调的方法 | |
CN113726702A (zh) | 一种泛在感知网络编码mpsk信号的低复杂度检测方法 | |
CN108023847B (zh) | 调制符号间相位交错bpsk调制方法 | |
CN107276926A (zh) | 信道估计方法和装置 |
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 |