CN116628472A - 一种基于特征关联的辐射源个体信号图结构映射方法 - Google Patents
一种基于特征关联的辐射源个体信号图结构映射方法 Download PDFInfo
- Publication number
- CN116628472A CN116628472A CN202310486505.2A CN202310486505A CN116628472A CN 116628472 A CN116628472 A CN 116628472A CN 202310486505 A CN202310486505 A CN 202310486505A CN 116628472 A CN116628472 A CN 116628472A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- matrix
- characteristic
- representing
- individual 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 title claims abstract description 29
- 238000010586 diagram Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Complex Calculations (AREA)
Abstract
一种基于特征关联的辐射源个体信号图结构映射方法,它涉及一种辐射源个体信号图结构映射方法。本发明为了解决现有图结构映射方法在辐射源个体识别任务上效率低,性能差的问题。本发明的核心在于采用基于特征关联性的图结构映射方法构建个体信号图分类数据集,通过GNN模型实现辐射源个体识别,有效提高识别性能。本发明属于信号识别技术领域。
Description
技术领域
本发明涉及一种辐射源个体信号图结构映射方法,属于信号识别技术领域。
背景技术
随着无线通信技术的快速发展,其越来越快的传输速度使得万物互联成为了可能,同时促进了许多新兴技术的发展,比如无人驾驶技术以及人工智能技术,但是在享受着无线通信技术带来的便利的同时,无线信道的开放性也带来了许多挑战,特别是安全性,保证无线通信安全最关键的技术之一就是认证,然而现有的基于密码学的认证技术容易遭受欺骗和攻击,并且设计成本高昂,计算复杂。因此,物理层认证吸引了很多的关注,成为了上层认证的有效补充,通过提取信号的射频指纹特征,实现对辐射源设备的安全认证。
深度学习近些年在无线通信技术上得到广泛应用,在信号识别、对抗攻击以及辐射源识别上展示了其优异的性能,但是在辐射源个体识别任务上广泛采用的信号输入形式多为图像或IQ形式,无法挖掘信号深层次的关联特征,而图结构作为一种包含节点和边的数据表示形式,能够通过边挖掘节点之间的共性特征以及差异性,有效提高分类性能,现有的将信号数据映射为图结构的方法都是从信号波形层面考虑,成功应用于调制识别任务,但无法在辐射源个体任务上取得优异的性能。
发明内容
本发明为解决现有图结构映射方法在辐射源个体识别任务上效率低,性能差的问题,进而提出一种基于特征关联的辐射源个体信号图结构映射方法。
本发明为解决上述问题采取的技术方案是:本发明的步骤如下:
步骤一、对接收到的辐射源个体信号进行去噪滤波,得到干净的信号;
步骤二、对得到的信号进行专家知识特征提取,得到信号的特征矩阵;
步骤三、利用皮尔逊相关计算样本点特征之间的相关性,通过设定的阈值判断是否存在边,构建邻接矩阵;
步骤四、利用邻接矩阵和特征矩阵完成信号图结构映射,进行标签标注,构建辐射源个体信号图分类数据集;
步骤五、输入到图神经网络模型中实现辐射源个体识别分类。
进一步的,步骤一中对接收到的辐射源个体信号进行滤波去噪,下变频到零中频的信号可以表示为:
y[n]=yI[n]+j*yQ[n]n∈[0,Ns-1](1),
公式(1)中Ns表示采样点数,yI表示同相,yQ表示正交信号,j表示虚数符号。
进一步的,步骤二中对得到的信号进行专家知识特征提取包括波形包络、波形相位、圆周积分双谱、矩形积分双谱、径向积分双谱、轴向积分双谱和功率谱等7种特征,此时得到每个样本点的7维特征矩阵。
进一步的,步骤三中利用皮尔逊相关系数计算特征之间的相关性,通过设置的阈值构建样本点之间的边的关系,得到图结构的邻接矩阵:
公式(2)和(3)中,a表示输入特征矩阵的第a列,b表示输入特征矩阵的第b列,Xa,i表示输入特征矩阵X的第a列第i行的特征值,表示输入特征矩阵X第a列的特征平均值,Yb,i表示输入特征矩阵Y的第b列第i行的特征值,/>表示输入特征矩阵Y第b列的特征平均值,Yb,j表示输入特征矩阵Y的第b列第j行的特征值,th表示设定的相关系数阈值,rho表示皮尔逊计算得到的相关系数值,如果计算的相关系数值大于阈值,则认为两个样本点之间存在边,邻接矩阵上显示为1,反之不存在边,邻接矩阵中显示为0。
进一步的,步骤四中得每个信号样本的特征矩阵和邻接矩阵后,将特征矩阵作为节点属性,通过邻接矩阵得到无向图边的集合,并给每一个样本映射的图标注好标签,构建辐射源个体信号图分类数据集;将图分类数据集中的图输入到搭建好的GNN网络中,实现辐射源个体识别分类。
本发明的有益效果是:
1、本发明采用的7种特征对于辐射源个体分类任务都具有较优的性能,包含丰富的先验信息;
2、本发明采用特征相关性实现图结构映射,相比现有信号波形层面的图结构映射方法效率高,分类识别性能好,工程可实现性强;
3、本发明的核心在于采用基于特征关联性的图结构映射方法构建个体信号图分类数据集,通过GNN模型实现辐射源个体识别,有效提高识别性能。
附图说明
图1是本发明的流程框图;
图2是不同类别的辐射源个体信号映射的图结构示意图;
图3是LOS信道下不同模型识别性能比较示意图;
图4是LOS信道下不同模型识别性能比较示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述一种基于特征关联的辐射源个体信号图结构映射方法的具体步骤如下:
步骤一、对接收到的辐射源个体信号进行去噪滤波,得到干净的信号;
步骤二、对得到的信号进行专家知识特征提取,得到信号的特征矩阵;
步骤三、利用皮尔逊相关计算样本点特征之间的相关性,通过设定的阈值判断是否存在边,构建邻接矩阵;
步骤四、利用邻接矩阵和特征矩阵完成信号图结构映射,进行标签标注,构建辐射源个体信号图分类数据集;
步骤五、输入到图神经网络模型中实现辐射源个体识别分类。
具体实施方式二:结合图1说明本实施方式,本实施方式所述一种基于特征关联的辐射源个体信号图结构映射方法的步骤一中对接收到的辐射源个体信号进行滤波去噪,下变频到零中频的信号可以表示为:
y[n]=yI[n]+j*yQ[n]n∈[0,Ns-1](1),
公式(1)中Ns表示采样点数,yI表示同相,yQ表示正交信号,j表示虚数符号。
具体实施方式三:结合图1说明本实施方式,本实施方式所述一种基于特征关联的辐射源个体信号图结构映射方法的步骤二中对得到的信号进行专家知识特征提取包括波形包络、波形相位、圆周积分双谱、矩形积分双谱、径向积分双谱、轴向积分双谱和功率谱等7种特征,此时得到每个样本点的7维特征矩阵。
具体实施方式四:结合图1说明本实施方式,本实施方式所述一种基于特征关联的辐射源个体信号图结构映射方法的步骤三中利用皮尔逊相关系数计算特征之间的相关性,通过设置的阈值构建样本点之间的边的关系,得到图结构的邻接矩阵:
公式(2)和(3)中,a表示输入特征矩阵的第a列,b表示输入特征矩阵的第b列,Xa,i表示输入特征矩阵X的第a列第i行的特征值,表示输入特征矩阵X第a列的特征平均值,Yb,i表示输入特征矩阵Y的第b列第i行的特征值,/>表示输入特征矩阵Y第b列的特征平均值,Yb,j表示输入特征矩阵Y的第b列第j行的特征值,th表示设定的相关系数阈值,rho表示皮尔逊计算得到的相关系数值,如果计算的相关系数值大于阈值,则认为两个样本点之间存在边,邻接矩阵上显示为1,反之不存在边,邻接矩阵中显示为0。
具体实施方式五:结合图1说明本实施方式,本实施方式所述一种基于特征关联的辐射源个体信号图结构映射方法的步骤四中得每个信号样本的特征矩阵和邻接矩阵后,将特征矩阵作为节点属性,通过邻接矩阵得到无向图边的集合,并给每一个样本映射的图标注好标签,构建辐射源个体信号图分类数据集;将图分类数据集中的图输入到搭建好的GNN网络中,实现辐射源个体识别分类。
实施例
基于特征关联的辐射源个体信号图结构映射方法是处理接收到的辐射源个体信号,以5G用户设备信号为例,采样率是30.72MHz,样本长度870点;
用户设备发送的信号受到信道的影响到达接收机,接收到的信号可以表示为其中h(t,τ)是信道的时变脉冲响应,n(t)是加性高斯白噪声,对接收到的信号进行去噪滤波,下变频到零中频信号,得到y[n]=yI[n]+j*yQ[n],其中n∈[0,Ns-1],Ns为采样点数,yI和yQ分别是同相和正交信号,接收到的信号被预处理为IQ信号以进行后续的识别分类。
对经过预处理后的信号进行专家知识特征提取,包括信号包络和相位、圆周积分双谱、矩形积分双谱、径向积分双谱、轴向积分双谱以及功率谱,对于每一个信号样本,将提取的特征合并为(m,7)的特征矩阵,其中m为信号的采样点长度。
利用皮尔逊相关系数计算特征之间的相关性,通过设置的阈值来构建样本点之间的边的关系,得到图结构的邻接矩阵:
此处a和b是特征矩阵的第a列和b列,n是每列的长度,对于矩阵X的a和b列,
和/>
此处以th表示设定的相关系数阈值,rho为皮尔逊计算得到的相关系数值,如果计算的相关系数值大于阈值,则认为两个样本点之间存在边,邻接矩阵上显示为1,反之不存在边,邻接矩阵中显示为0;
如图2所示获得信号的特征矩阵和邻接矩阵后,分别充当节点属性和边索引,实现每个信号样本的图结构映射,这里不同颜色表示这些信号样本分属不同的类别,对每张图打好标签,构建个体信号图分类数据集。
构建好图分类数据集后,将每张图输入到搭建好的图卷积神经网络(GCN)中,GCN作为GNN中的一种,采用的卷积方式所需的计算资源低于CNN模型,并且即使很浅的网络深度也能实现对样本信息的有效提取,对于图分类任务,GCN也有具有较优的性能,其中层与层之间的传播方式可以表示为:
其中A为邻接矩阵,I为单位矩阵,/>为/>的度矩阵,H为每一层的特征,σ为非线性激活函数。
如图3和图4所示分别为LOS信道和NLOS信道下,GCN模型对5G用户设备信号的识别分类性能与其他模型的对比,其中5G用户设备信号包含5个类别,每个类别40个样本。
按照上述实施例,便可很好地实现本发明。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种基于特征关联的辐射源个体信号图结构映射方法,其特征在于:所述一种基于特征关联的辐射源个体信号图结构映射方法的具体步骤如下:
步骤一、对接收到的辐射源个体信号进行去噪滤波,得到干净的信号;
步骤二、对得到的信号进行专家知识特征提取,得到信号的特征矩阵;
步骤三、利用皮尔逊相关计算样本点特征之间的相关性,通过设定的阈值判断是否存在边,构建邻接矩阵;
步骤四、利用邻接矩阵和特征矩阵完成信号图结构映射,进行标签标注,构建辐射源个体信号图分类数据集;
步骤五、输入到图神经网络模型中实现辐射源个体识别分类。
2.根据权利要求1所述的一种基于特征关联的辐射源个体信号图结构映射方法,其特征在于:步骤一中对接收到的辐射源个体信号进行滤波去噪,下变频到零中频的信号可以表示为:
y[n]=yI[n]+j*yQ[n]n∈[0,Ns-1] (1),
公式(1)中Ns表示采样点数,yI表示同相,yQ表示正交信号,j表示虚数符号。
3.根据权利要求1所述的一种基于特征关联的辐射源个体信号图结构映射方法,其特征在于:步骤二中对得到的信号进行专家知识特征提取包括波形包络、波形相位、圆周积分双谱、矩形积分双谱、径向积分双谱、轴向积分双谱和功率谱等7种特征,此时得到每个样本点的7维特征矩阵。
4.根据权利要求1所述的一种基于特征关联的辐射源个体信号图结构映射方法,其特征在于:步骤三中利用皮尔逊相关系数计算特征之间的相关性,通过设置的阈值构建样本点之间的边的关系,得到图结构的邻接矩阵:
公式(2)和(3)中,a表示输入特征矩阵的第a列,b表示输入特征矩阵的第b列,Xa,i表示输入特征矩阵X的第a列第i行的特征值,表示输入特征矩阵X第a列的特征平均值,Yb,i表示输入特征矩阵Y的第b列第i行的特征值,/>表示输入特征矩阵Y第b列的特征平均值,Yb,j表示输入特征矩阵Y的第b列第j行的特征值,th表示设定的相关系数阈值,rho表示皮尔逊计算得到的相关系数值,如果计算的相关系数值大于阈值,则认为两个样本点之间存在边,邻接矩阵上显示为1,反之不存在边,邻接矩阵中显示为0。
5.根据权利要求1所述的一种基于特征关联的辐射源个体信号图结构映射方法,其特征在于:步骤四中得每个信号样本的特征矩阵和邻接矩阵后,将特征矩阵作为节点属性,通过邻接矩阵得到无向图边的集合,并给每一个样本映射的图标注好标签,构建辐射源个体信号图分类数据集;将图分类数据集中的图输入到搭建好的GNN网络中,实现辐射源个体识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486505.2A CN116628472B (zh) | 2023-04-28 | 2023-04-28 | 一种基于特征关联的辐射源个体信号图结构映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486505.2A CN116628472B (zh) | 2023-04-28 | 2023-04-28 | 一种基于特征关联的辐射源个体信号图结构映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628472A true CN116628472A (zh) | 2023-08-22 |
CN116628472B CN116628472B (zh) | 2024-08-30 |
Family
ID=87637381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310486505.2A Active CN116628472B (zh) | 2023-04-28 | 2023-04-28 | 一种基于特征关联的辐射源个体信号图结构映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628472B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030143559A1 (en) * | 2001-05-31 | 2003-07-31 | Bracken Kathryn Rene | Novel estrogen receptor ligand binding domain variants and novel ligands and pharmaceutical compositions |
CN110427835A (zh) * | 2019-07-11 | 2019-11-08 | 清华大学 | 图卷积网络与迁移学习的新型电磁信号识别方法和装置 |
US20200364386A1 (en) * | 2019-05-14 | 2020-11-19 | Beijing University Of Technology | Soft sensing method and system for difficult-to-measure parameters in complex industrial processes |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
CN113657138A (zh) * | 2020-05-12 | 2021-11-16 | 哈尔滨工程大学 | 基于等势星球图的辐射源个体识别方法 |
CN114209320A (zh) * | 2021-11-17 | 2022-03-22 | 山东师范大学 | 一种基于图互信息最大化的抑郁症患者脑电识别系统 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN115757365A (zh) * | 2021-09-03 | 2023-03-07 | 全球能源互联网研究院有限公司 | 多维时序数据异常检测方法、模型训练方法及装置 |
-
2023
- 2023-04-28 CN CN202310486505.2A patent/CN116628472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030143559A1 (en) * | 2001-05-31 | 2003-07-31 | Bracken Kathryn Rene | Novel estrogen receptor ligand binding domain variants and novel ligands and pharmaceutical compositions |
US20200364386A1 (en) * | 2019-05-14 | 2020-11-19 | Beijing University Of Technology | Soft sensing method and system for difficult-to-measure parameters in complex industrial processes |
CN110427835A (zh) * | 2019-07-11 | 2019-11-08 | 清华大学 | 图卷积网络与迁移学习的新型电磁信号识别方法和装置 |
CN113657138A (zh) * | 2020-05-12 | 2021-11-16 | 哈尔滨工程大学 | 基于等势星球图的辐射源个体识别方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
CN115757365A (zh) * | 2021-09-03 | 2023-03-07 | 全球能源互联网研究院有限公司 | 多维时序数据异常检测方法、模型训练方法及装置 |
CN114209320A (zh) * | 2021-11-17 | 2022-03-22 | 山东师范大学 | 一种基于图互信息最大化的抑郁症患者脑电识别系统 |
Non-Patent Citations (1)
Title |
---|
朱泽霖: "图网络模型在人脑结构-功能关系预测中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628472B (zh) | 2024-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Automatic modulation classification using convolutional neural network with features fusion of SPWVD and BJD | |
US10985955B2 (en) | Method for automatically identifying modulation mode for digital communication signal | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
Kharbech et al. | On classifiers for blind feature‐based automatic modulation classification over multiple‐input–multiple‐output channels | |
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
CN108234370A (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Wang et al. | Automatic modulation classification based on joint feature map and convolutional neural network | |
CN112312457A (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
CN114218984B (zh) | 一种基于样本多视图学习的射频指纹识别方法 | |
Huang et al. | Hierarchical digital modulation classification using cascaded convolutional neural network | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
Ahmadi | Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram | |
Lin et al. | A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network | |
CN116226721A (zh) | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 | |
CN114595729A (zh) | 基于残差神经网络与元学习融合的通信信号调制识别方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
CN116628472B (zh) | 一种基于特征关联的辐射源个体信号图结构映射方法 | |
Zeng et al. | Multi-channel attentive feature fusion for radio frequency fingerprinting | |
Hashim et al. | Recognition of QAM signals with low SNR using a combined threshold algorithm | |
CN109274626A (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN113343874A (zh) | 基于深度卷积神经网络的大规模无线电信号识别方法 | |
Jia et al. | A hybrid attention mechanism for blind automatic modulation classification | |
CN116805055A (zh) | 一种基于无监督动量对比学习的辐射源个体识别方法 | |
CN116016071A (zh) | 一种基于双流融合CNN-BiLSTM网络的调制信号识别方法 |
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 |