CN116796250B - 一种混叠无线信号智能识别与分离方法及系统 - Google Patents
一种混叠无线信号智能识别与分离方法及系统 Download PDFInfo
- Publication number
- CN116796250B CN116796250B CN202311056861.7A CN202311056861A CN116796250B CN 116796250 B CN116796250 B CN 116796250B CN 202311056861 A CN202311056861 A CN 202311056861A CN 116796250 B CN116796250 B CN 116796250B
- Authority
- CN
- China
- Prior art keywords
- signal
- conformer
- pooling
- encoder
- 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.)
- Active
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000011176 pooling Methods 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 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
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/045—Combinations of 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]
-
- 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
- G06N3/0499—Feedforward 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)
- 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)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种混叠无线信号智能识别与分离方法及系统,所述方法包括以下步骤:S1、对输入的信号频谱使用混合池化方式过滤噪音;S2、将经过混合池化增强后的信号频谱折叠为二维数据形式,输入Conformer编码器中编码为特征图;S3、利用卷积神经网络对编码的特征图进行解码获得特征向量;S4、根据各个信号的特征值计算出其对应的成分占比大小;S5、输出经过归一化后各个信号种类的成分占比。本发明基于联合Conformer编码器和卷积神经网络解码器,通过设计基于混合池化层搭配提出的信号预处理模块和信号成分归一化模块,可以在低信噪比环境下有效实现无线电信号分离。
Description
技术领域
本发明涉及无线电信号识别领域,特别涉及一种混叠无线信号智能识别与分离方法及系统。
背景技术
在当今的日常生活中我们身边处处充满着用于各种通信设备的无线电信号,不同的信号占据不同频段以及有着不同的功率频谱,如今日益新增的无线电信号品种让无线电频段越来越拥挤,以致于一些不同种类的无线电信号在频段上发生重叠。当两个或多个无线电信号在频谱上重叠时会相互干扰,具体来说就是信号在频谱上的功率分布和功率大小会发生偏移变化,加上由于传输过程中信号功率衰减和噪声对信号频谱的影响,原信号变得难以分辨,影响无线电通信的性能和效率,严重时会导致无法识别出原信号。
在现代的无线电通信技术中,无线电信号的自动调制识别是一项关键技术,使用它可以在存在多种未知无线电信号的环境中将所需要的信号识别出来。当前无线电信号自动调制识别在单一信号的识别和分析中已经比较成熟,但是当某一频段出现多个无线电信号重叠时,无线电信号自动调制识别往往需要使用一些新的方法将对应的信号分离出来,这就需要分析混合无线电信号各个成分信号的占比。
受距离和无线电信号的自身属性影响,无线电信号在传播过程中会受到干扰,最常见的是被噪音干扰而使其功率频谱发生剧烈波动变化,因此在不同信噪比(信号功率/噪音功率)情况下的信号分解准确率也会大幅变化。一般来说信噪比越小,信号分解的准确率越低。如何改进无线电信号在低信噪比下的分离准确性,是当前一个具有实用性、值得研究的课题。
近年来一些传统机器学习方法在无线电信号调制识别(MR)方面占据主要地位,比如非负矩阵分解NMF和T. Liu使用的集成学习方法[1]。随着人工智能深度学习领域以卷积神经网络(CNN)和循环神经网络(RNN)的发展,X. Liu等将CNN和RNN合并设计出CLDNN模型用于MR领域[2],提升了对单一无线电信号识别的准确率。T. J. O’Shea等将机器学习方法XGBoost、SVM和CNN在MR领域进一步对比,比较了各种方法的实用性能[3]。Y.Wang等提出了将CNN模型在多种数据集上训练并组合的方法用于MR[4]。Y. Liu等提出了在MR中使用图神经网络抽取特征的方法[5]。随着Transformer模型[6]、编码器-解码器结构和多头自注意力的广泛应用,一些方法将常见的多种模型类型,如CNN、RNN、GAN(生成对抗网络)和DNN(深度神经网络)组合,利用注意力机制自动分配各个模型特征权重[7],使MR的准确性得到提高。一些方法如S. Wei等提出为Bi-LSTM(双向长短期记忆网络)模型设计专用的注意力机制[8]。S. Lin等设计了基于时间、频率和信号通道的复合注意力机制,能够在更复杂的环境中实现更高准确率的MR结果[9]。
上述方方案中,基于机器学习的方法在低信噪比环境下对混合信号频谱的分离不理想;而现存的基于深度学习的模型主要针对单信号分类设计,由于混合信号组成成分的随机性,不利于进行特征提取,较难应用于混合信号分离,因此并不能很好实现混合信号频谱分离的目标。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种混叠无线信号智能识别与分离方法。当前传统的方法在低信噪比环境下受噪音干扰导致识别效果不理想,本发明基于联合Conformer编码器和卷积神经网络解码器,通过设计基于混合池化层搭配提出的信号预处理模块和信号成分归一化模块,可以在低信噪比环境下有效实现无线电信号分离。
本发明的另一目的在于提供一种混叠无线信号智能识别与分离系统。
本发明的目的通过以下的技术方案实现:
一种混叠无线信号智能识别与分离方法,包括以下步骤:
S1、对输入的信号频谱使用混合池化方式过滤噪音;
S2、将经过混合池化增强后的信号频谱折叠为二维数据形式,输入Conformer编码器中编码为特征图;
S3、利用卷积神经网络对编码的特征图进行解码获得特征向量;
S4、根据各个信号的特征值计算出其对应的成分占比大小;
S5、输出经过归一化后各个信号种类的成分占比。
所述步骤S1,具体为:
S11、对输入的信号频谱先进行最小值池化:输入的信号频谱在一个滑动窗口内取最小值,从而过滤加性高斯噪音;
S12、经历过最小值池化的信号频谱再进行平均值池化:输入的信号频谱在一个滑动窗口内取平均值,修复由最小值池化操作引起的数据分布偏移,由于池化带来的序列长度缩短位置由0填充。
所述步骤S2,具体为:
S21、Conformer编码器先对信号数据使用卷积操作进行采样;
S22、采样后的数据在线性注入层被映射到指定隐层维度;
S23、Conformer编码器包括多个Conformer块;
多个Conformer块的计算流程是:每个Conformer块对于输入的特征图,首先经过半步残差前馈神经网络(FFN)计算;然后进入带有残差的多头注意力机制模块(MHSA)计算;随后结果输入带有残差的卷积模块计算;然后再次经过半步残差前馈神经网络;最后所得结果在LayerNorm层进行数值归一化后作为本Conformer块的输出。另外,第一个Conformer块的输入特征图为S22步骤所得结果,此后第二、三个直到最后一个Conformer块的输入均为前一个Conformer块的输出;
;
S24、将最后一个Conformer块的输出作为编码器的输出,高宽为采样序列长度和隐层维度。
所述步骤S3,具体为:
S31、编码特征图首先进行扩展,扩展后的编码特征图新增通道维度;
S32、通过依次连接的三个卷积结构来提取特征,然后特征向量在Flatten层被拉直为一维向量;所述卷积结构包括卷积层和最大值池化层;
S33、使用线性层作为全连接层,将一维向量投射到信号种类数量。
步骤S4中,各个信号对应的成分占比大小通过下式计算:
;
其中,为解码器输出的特征向量且内部各元素数值表示对应信号成分的相对强度,/>为/>中的第i个元素表示第i个信号成分的相对强度,eps为常数1e-8用于防止分母过小计算溢出。
本发明的另一目的通过以下的技术方案实现:
一种混叠无线信号智能识别与分离系统,包括信号预处理模块、Conformer编码器模块、卷积解码器模块、成分归一化模块;其中,
信号预处理模块,用于对输入的信号频谱使用混合池化方式过滤噪音;
Conformer编码器模块,用于将经过混合池化增强后的信号频谱折叠为二维数据形式,输入Conformer编码器中编码为特征图;
卷积解码器模块,用于利用卷积神经网络对编码的特征图进行解码获得特征向量;
成分归一化模块,用于根据各个信号的特征值计算出其对应的成分占比大小,然后输出经过归一化后各个信号种类的成分占比。
同时,本发明提供:
一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一段程序,所述程序由所述处理器加载并执行以实现上述混叠无线信号智能识别与分离方法。
一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述程序由处理器加载并执行以实现上述混叠无线信号智能识别与分离方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明使用了基于最小值池化操作来过滤无线电信号噪音,对户外的加性高斯噪音环境的无线电信号有很强的增强能力。
2、本发明使用了平均值池化操作来还原无线电信号频谱因过滤噪音引发的数据分布偏移,保护信号成分特征不受干扰。
3、与更为常见的采用卷积编码器、多头自注意力解码器不同,本发明将两者位置互换,使用了基于多头自注意力的编码器和基于卷积神经网络的解码器,以此为基础进一步提出了一种基于联合Conformer编码器和卷积神经网络解码器的无线电信号识别系统结构(JCC模型)。
4、本发明结合成分归一化模块,将此深度学习模型使用在混合无线电信号分解和主信号成分分类上。
附图说明
图1为本发明所述信号预处理模块、Conformer编码器模块的工作流程图。
图2为本发明所述卷积解码器模块、成分归一化模块的工作流程图。
图3为输入混叠无线信号智能识别与分离系统的混合无线电信号功率频谱图。
图4为混叠无线信号智能识别与分离系统预测的信号分离结果对比真实情况的对比图。
图5为混叠无线信号智能识别与分离系统的信号分离结果图。
图6为混叠无线信号智能识别与分离系统的将预测的各个信号比例成分叠加的示意图。
图7为无线电信号分离实验结果及对比图。
图8为混合无线电信号主成分分析实验结果及对比图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
一种混叠无线信号智能识别与分离方法,包括以下步骤:
S1、对输入的维度是1×5000的信号频谱使用混合池化方式过滤噪音,具体表示为:
;
其中,和/>分别表示在t时刻的原始接收信号频谱和经过信号增强的信号频谱。
S11、对输入的信号频谱先进行最小值池化:输入的信号频谱在一个滑动窗口内取最小值,从而过滤加性高斯噪音;
S12、经历过最小值池化的信号频谱再进行平均值池化:输入的信号频谱在一个滑动窗口内取平均值,修复由最小值池化操作引起的数据分布偏移,由于池化带来的序列长度缩短位置由0填充。
S2、将经过混合池化增强后的信号频谱折叠为50×100的二维数据形式,输入Conformer编码器中编码为特征图;
S21、Conformer编码器先对信号数据使用卷积操作进行采样,这里得到采样后特征序列长度为11;
S22、采样后的数据在线性注入层被映射到指定隐层维度,这里指定隐层维度为32;
S23、Conformer编码器包括多个Conformer块;
多个Conformer块的计算流程是:每个Conformer块对于输入的特征图,首先经过半步残差前馈神经网络(FFN)计算;然后进入带有残差的多头注意力机制模块(MHSA)计算;随后结果输入带有残差的卷积模块计算;然后再次经过半步残差前馈神经网络;最后所得结果在LayerNorm层进行数值归一化后作为本Conformer块的输出。另外,第一个Conformer块的输入特征图为S22步骤所得结果,此后第二、三个直到最后一个Conformer块的输入均为前一个Conformer块的输出;
;
S24、将最后一个Conformer块的输出作为编码器的输出,高宽为采样序列长度和隐层维度,即。
S3、利用卷积神经网络对编码的特征图进行解码获得特征向量;
S31、编码特征图首先由扩展为/>,扩展后的编码特征图除乐高、宽外,新增通道维度;
S32、通过依次连接的三个卷积结构来提取特征,然后特征向量在Flatten层被拉直为一维向量;所述卷积结构包括卷积层和最大值池化层;
S33、使用线性层作为全连接层,将一维向量投射到信号种类数量,比如信号字典里有8种信号,即投射为,表示这8种信号的特征值。
S4、根据各个信号的特征值计算出其对应的成分占比大小;
各个信号对应的成分占比大小通过下式计算:
;
其中,为解码器输出的特征向量且内部各元素数值表示对应信号成分的相对强度,/>为/>中的第i个元素表示第i个信号成分的相对强度,eps为常数1e-8用于防止分母过小计算溢出。
S5、输出经过归一化后各个信号种类的成分占比。
如图1、2,一种混叠无线信号智能识别与分离系统,包括信号预处理模块、Conformer编码器模块、卷积解码器模块、成分归一化模块;其中,
信号预处理模块,用于对输入的信号频谱使用混合池化方式过滤噪音;
Conformer编码器模块,用于将经过混合池化增强后的信号频谱折叠为的二维数据形式,输入Conformer编码器中编码为特征图;
卷积解码器模块,用于利用卷积神经网络对编码的特征图进行解码获得特征向量;
成分归一化模块,用于根据各个信号的特征值计算出其对应的成分占比大小,然后输出经过归一化后各个信号种类的成分占比。
如图3至6,可以看到本发明预测的混叠无线信号与真实各个信号叠加所得功率频谱一致,本发明混叠无线信号分离准确率较高。
如图7,在混合无线电信号分离任务上,本发明对比其他模型在低信噪比条件下更准确。
如图8,在混合无线电信号主成分分类任务上,本发明比同类可比模型效果更优,特别是在低信噪比情况下更加可靠。
同时,本发明提供:
一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一段程序,所述程序由所述处理器加载并执行以实现上述混叠无线信号智能识别与分离方法。
一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述程序由处理器加载并执行以实现上述混叠无线信号智能识别与分离方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种混叠无线信号智能识别与分离方法,其特征在于,包括以下步骤:
S1、对输入的信号频谱使用混合池化方式过滤噪音,具体为:
S11、对输入的信号频谱先进行最小值池化:输入的信号频谱在一个滑动窗口内取最小值,从而过滤加性高斯噪音;
S12、经历过最小值池化的信号频谱再进行平均值池化:输入的信号频谱在一个滑动窗口内取平均值,修复由最小值池化操作引起的数据分布偏移,由于池化带来的序列长度缩短位置由0填充;
S2、将经过混合池化增强后的信号频谱折叠为二维数据形式,输入Conformer编码器中编码为特征图,具体为:
S21、Conformer编码器先对信号数据使用卷积操作进行采样;
S22、采样后的数据在线性注入层被映射到指定隐层维度;
S23、Conformer编码器包括多个Conformer块;
多个Conformer块的计算流程是:每个Conformer块对于输入的特征图,首先经过半步残差前馈神经网络计算;然后进入带有残差的多头注意力机制模块计算;随后结果输入带有残差的卷积模块计算;然后再次经过半步残差前馈神经网络;最后所得结果在LayerNorm层进行数值归一化后作为本Conformer块的输出;另外,第一个Conformer块的输入特征图为S22步骤所得结果,此后第二、三个直到最后一个Conformer块的输入均为前一个Conformer块的输出;
S24、将最后一个Conformer块的输出作为编码器的输出,高宽为采样序列长度和隐层维度;
S3、利用卷积神经网络对编码的特征图进行解码获得特征向量;
S4、根据各个信号的特征值计算出其对应的成分占比大小;
S5、输出经过归一化后各个信号种类的成分占比。
2.根据权利要求1所述混叠无线信号智能识别与分离方法,其特征在于,所述步骤S3,具体为:
S31、编码特征图首先进行扩展,扩展后的编码特征图新增通道维度;
S32、通过依次连接的三个卷积结构来提取特征,然后特征向量在Flatten层被拉直为一维向量;所述卷积结构包括卷积层和最大值池化层;
S33、使用线性层作为全连接层,将一维向量投射到信号种类数量。
3.根据权利要求1所述混叠无线信号智能识别与分离方法,其特征在于,步骤S4中,各个信号对应的成分占比大小通过下式计算:
;
其中,为解码器输出的特征向量且内部各元素数值表示对应信号成分的相对强度,为/>中的第i个元素表示第i个信号成分的相对强度,eps为常数1e-8用于防止分母过小计算溢出。
4.一种混叠无线信号智能识别与分离系统,其特征在于,用于实现权利要求1至3中任一权利要求所述混叠无线信号智能识别与分离方法;包括信号预处理模块、Conformer编码器模块、卷积解码器模块、成分归一化模块;其中,
信号预处理模块,用于对输入的信号频谱使用混合池化方式过滤噪音;
Conformer编码器模块,用于将经过混合池化增强后的信号频谱折叠为二维数据形式,输入Conformer编码器中编码为特征图;
卷积解码器模块,用于利用卷积神经网络对编码的特征图进行解码获得特征向量;
成分归一化模块,用于根据各个信号的特征值计算出其对应的成分占比大小,然后输出经过归一化后各个信号种类的成分占比。
5.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一段程序,所述程序由所述处理器加载并执行以实现如权利要求1至3中任一权利要求所述混叠无线信号智能识别与分离方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述程序由处理器加载并执行以实现如权利要求1至3中任一权利要求所述混叠无线信号智能识别与分离方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056861.7A CN116796250B (zh) | 2023-08-22 | 2023-08-22 | 一种混叠无线信号智能识别与分离方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056861.7A CN116796250B (zh) | 2023-08-22 | 2023-08-22 | 一种混叠无线信号智能识别与分离方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796250A CN116796250A (zh) | 2023-09-22 |
CN116796250B true CN116796250B (zh) | 2024-03-08 |
Family
ID=88044095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311056861.7A Active CN116796250B (zh) | 2023-08-22 | 2023-08-22 | 一种混叠无线信号智能识别与分离方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796250B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807529B (zh) * | 2024-02-29 | 2024-05-07 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN114446318A (zh) * | 2022-02-07 | 2022-05-06 | 北京达佳互联信息技术有限公司 | 音频数据分离方法、装置、电子设备及存储介质 |
CN116486794A (zh) * | 2023-04-12 | 2023-07-25 | 南通大学 | 一种中英混合语音识别方法 |
CN116524962A (zh) * | 2023-05-17 | 2023-08-01 | 武汉理工大学 | 一种基于Conformer结构与多任务学习框架的语音情感识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220291328A1 (en) * | 2015-07-17 | 2022-09-15 | Muhammed Zahid Ozturk | Method, apparatus, and system for speech enhancement and separation based on audio and radio signals |
-
2023
- 2023-08-22 CN CN202311056861.7A patent/CN116796250B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN114446318A (zh) * | 2022-02-07 | 2022-05-06 | 北京达佳互联信息技术有限公司 | 音频数据分离方法、装置、电子设备及存储介质 |
CN116486794A (zh) * | 2023-04-12 | 2023-07-25 | 南通大学 | 一种中英混合语音识别方法 |
CN116524962A (zh) * | 2023-05-17 | 2023-08-01 | 武汉理工大学 | 一种基于Conformer结构与多任务学习框架的语音情感识别方法 |
Non-Patent Citations (1)
Title |
---|
基于格基规约的混合信号分离译码算法;何进;乔孟军;;中国电子科学研究院学报(第02期);第177-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116796250A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109639739B (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
CN116796250B (zh) | 一种混叠无线信号智能识别与分离方法及系统 | |
CN106845640A (zh) | 基于深度卷积神经网络的层内非均匀的等间隔定点量化方法 | |
CN111126819B (zh) | 一种城市行驶工况智能分析方法 | |
CN109408765B (zh) | 基于拟牛顿法的智能匹配追踪稀疏重建方法 | |
CN112861903B (zh) | 一种基于改进深度森林的齿轮箱故障诊断方法 | |
CN111624570B (zh) | 基于二维卷积神经网络的雷达目标识别方法 | |
CN109962742A (zh) | 便携式遥测数据监测平台及监测方法 | |
CN115269526A (zh) | 一种半导体生产数据的处理方法及系统 | |
CN115512166A (zh) | 镜头的智能化制备方法及其系统 | |
CN115857614A (zh) | 多路光伏mppt交错式boost控制方法及其系统 | |
Li et al. | Temporal attention based tcn-bigru model for energy time series forecasting | |
CN116183229A (zh) | 一种基于滑动窗口自注意力机制的振动数据特征提取方法 | |
CN116318172A (zh) | 一种设计仿真软件数据自适应压缩方法 | |
CN113468865B (zh) | 基于深度学习的地铁设计领域规范的实体间关系抽取方法 | |
CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 | |
CN117705177B (zh) | 一种基于智能仪器的光学标校方法及系统 | |
CN114372181B (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
CN117395598A (zh) | 一种采用多头注意力机制神经网络进行室内定位的方法和装置 | |
CN116484180B (zh) | 一种提取通信信号基因的系统与方法 | |
CN117439800B (zh) | 一种网络安全态势预测方法、系统及设备 | |
Yimeng et al. | A Prediction Method of 5G Base Station Cell Traffic Based on Improved Transformer Model | |
CN117743946B (zh) | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 | |
CN113221503B (zh) | 基于机器学习的无源器件建模仿真引擎 | |
CN117972337A (zh) | 基于多模态深度学习的农业气象灾害监测预测方法 |
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 |