CN117807529A - 一种信号发生器输出信号的调制方式识别方法及系统 - Google Patents
一种信号发生器输出信号的调制方式识别方法及系统 Download PDFInfo
- Publication number
- CN117807529A CN117807529A CN202410226628.7A CN202410226628A CN117807529A CN 117807529 A CN117807529 A CN 117807529A CN 202410226628 A CN202410226628 A CN 202410226628A CN 117807529 A CN117807529 A CN 117807529A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- representing
- feature
- representation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 32
- 210000005036 nerve Anatomy 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000009825 accumulation Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000001066 destructive effect Effects 0.000 claims 1
- 230000008685 targeting Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种信号发生器输出信号的调制方式识别方法及系统,属于数字信息的传输技术领域,方法包括:接收信号发生器输出的待识别信号;提取待识别信号的多种信号特征;计算待识别信号的复杂度;当待识别信号的复杂度大于或者等于预设复杂度时,将瞬时振幅信号、瞬时频率信号以及瞬时相位信号作为图神经网络中的三个神经节点,通过基于图神经网络的时空特征提取模型,提取待识别信号的时空特征,并将振幅特征、频率特征、相位特征、累积量特征以及时空特征进行特征融合;将由待识别信号的融合特征向量组成的融合特征序列输入至长短时记忆神经网络中,通过基于长短记忆神经网络的调制方式识别模型,识别出待识别信号的调制方式。
Description
技术领域
本发明属于数字信息的传输技术领域,具体涉及一种信号发生器输出信号的调制方式识别方法及系统。
背景技术
信号发生器通常能够生成不同频率、幅度、相位和波形的电信号,以满足特定的测试需求。在通信系统中,随着调制技术复杂多变,频带资源紧张、无线传输环境恶劣等的问题出现,要想在接收端恢复出高质量的信号,就必须依赖准确的调制识别技术。
当前,调制识别技术主要有基于决策论的调制识别技术和基于统计的调制识别技术。
基于决策论的调制识别技术具有完善的理论依据,能够得到识别性能理论曲线,在低信噪比条件下具有较好的识别效率。但是,基于决策论的调制识别技术理论比较复杂,计算量大,并且只能适用于特定环境下的特定信号集合的识别,导致调制识别的适用性差。
基于统计的调制识别技术是当前比较流行的方法,理论简单,预处理简单易实现,特征提取容易、识别性能高、扩展性能好。然而当前的基于统计的调制识别技术,往往仅根据信号的累积量特征等个别特征进行调制识别,并未考虑信号的时空关联性,在信号信噪比较低时可能有着不错的识别效果,一旦信号的信噪比较高,调制识别的准确性将大大折扣。
发明内容
为了解决当前基于决策论的调制识别技术理论比较复杂,计算量大,并且只能适用于特定环境下的特定信号集合的识别,导致调制识别的适用性差,当前的基于统计的调制识别技术,往往仅根据信号的累积量特征等个别特征进行调制识别,并未考虑信号的时空关联性,在信号信噪比较低时可能有着不错的识别效果,一旦信号的信噪比较高,调制识别的准确性将大大折扣的技术问题,本发明提供一种信号发生器输出信号的调制方式识别方法及系统。
第一方面
本发明提供了一种信号发生器输出信号的调制方式识别方法,包括:
S1:接收信号发生器输出的待识别信号;
S2:提取所述待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号;
S3:提取所述待识别信号的多种信号特征,所述信号特征包括:评估特征、振幅特征、频率特征、相位特征以及累积量特征,所述评估特征包括:信噪比、频带宽以及波形平滑度;
S4:根据所述评估特征,计算所述待识别信号的复杂度;
S5:当所述待识别信号的复杂度小于预设复杂度时,将所述振幅特征、所述频率特征、所述相位特征以及所述累积量特征进行特征融合,组成融合特征向量;
S6:当所述待识别信号的复杂度大于或者等于所述预设复杂度时,将所述瞬时振幅信号、所述瞬时频率信号以及所述瞬时相位信号作为图神经网络中的三个神经节点,通过基于图神经网络的时空特征提取模型,提取所述待识别信号的时空特征,并将所述振幅特征、所述频率特征、所述相位特征、所述累积量特征以及所述时空特征进行特征融合,组成融合特征向量;
S7:将由所述待识别信号的融合特征向量组成的融合特征序列输入至长短时记忆神经网络中,通过基于长短记忆神经网络的调制方式识别模型,识别出所述待识别信号的调制方式。
第二方面
本发明提供了一种信号发生器输出信号的调制方式识别系统,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,以执行第一方面中的信号发生器输出信号的调制方式识别方法。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,对多种信号特征进行特征融合,特别是当信号复杂度较高时,将通过图神经网络提取时空特征,可以更全面地捕捉信号的时域特性、频域特性以及时空关系,即使信号的信噪比较高,仍然保持较高的调制方式识别性能,提高了模型对多种多样的调制方式的识别性能,可以满足各种环境下的调制识别,适用性强;
(2)在本发明中,引入信号的复杂度,当信号复杂度较低时,将振幅特征、频率特征、相位特征以及累积量特征进行特征融合以进行调制识别,简化的特征融合方法,减少了计算负担,可以相对快速地以较短时间进行模式识别,而当信号复杂度较高时,采用基于图神经网络的时空特征提取模型提取时空特征,进而将时空特征一并进行特征融合,牺牲一部分图神经网络提取特征的时间,但是极大地提升了调制识别准确性,以保障最终的调制识别性能。可以更灵活地适应不同环境和信号集合,从而提高了整体的适应性;
(3)在本发明中,通过基于长短记忆神经网络的调制方式识别模型,更好地捕捉时间序列中的长期依赖关系,更全面、准确地捕捉信号的时序特性,提升复杂调制方式识别的适应性和准确性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种信号发生器输出信号的调制方式识别方法的流程示意图。
图2是本发明提供的一种信号发生器输出信号的调制方式识别系统的结构示意图。
实施方式
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,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:在一个实施例中,参考说明书附图1,示出了本发明提供的一种信号发生器输出信号的调制方式识别方法的流程示意图。
本发明提供的一种信号发生器输出信号的调制方式识别方法,包括:
S1:接收信号发生器输出的待识别信号。
需要说明的是,信号的类别主要包括:幅度调制AM、频率调整FM、相位调制PM以及连续载波CW等。本发明主要为了识别信号发生器输出信号的调制方式(调制类别)。
S2:提取待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号。
具体而言,可以通过短时傅里叶变换(Short-Time Fourier Transform,STFT)、经验模态分解(Empirical Mode Decomposition,EMD)以及希尔伯特变换(HilbertTransform)提取待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号。
在一种可能的实施方式中,S2具体包括子步骤S201和S202。
S201:对待识别信号进行Hilbert变换。
其中,希尔伯特变换(Hilbert Transform)是一种数学变换方法,用于处理信号处理和复杂分析的问题。希尔伯特变换最常见的应用之一是在信号处理领域,尤其是用于提取信号的解析信号。希尔伯特变换的主要特点是它将一个实函数转换为一个复函数,并在该过程中保留了原始函数的主要信息。
S202:根据Hilbert变换结果,提取待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号。
具体而言,对待识别信号进行希尔伯特变换,然后取得其解析信号的幅度。解析信号是复信号,包括了原信号的振幅和相位信息。从中提取振幅信息即为瞬时振幅信号。从解析信号中提取相位信息,然后对相位进行差分,最后除以采样时间得到瞬时频率。瞬时频率信号描述了信号在时间上的瞬时频率变化。直接从解析信号中提取相位信息即为瞬时相位信号。
S3:提取待识别信号的多种信号特征。
其中,信号特征包括:评估特征、振幅特征、频率特征、相位特征以及累积量特征。
进一步地,评估特征包括:信噪比、频带宽以及波形平滑度。评估特征用于评估信号的复杂度。
进一步地,振幅特征包括:中心归一化瞬时幅度功率谱密度的最大值γ max和瞬时幅度中心非线性成分绝对值的标准偏差σ aa 。
相位特征包括:瞬时相位中心非线性分量绝对值的标准偏差σ ap 和瞬时相位中心非线性分量的标准偏差σ dp 。
频率特征包括:瞬时频率中心非线性成分绝对值的标准偏差σ af 。
累积量特征包括:二阶累积量C 20、C 21和四阶累积量C 40、C 41、C 42。
需要说明的是,上述特征的具体提取方式已是非常常见的现有技术,本发明不再赘述。
S4:根据评估特征,计算待识别信号的复杂度。
在一种可能的实施方式中,S4具体为:根据评估特征,通过以下公式,计算待识别信号的复杂度:
其中,δ表示复杂度,SNR表示信噪比,α 1表示信噪比的权重系数,B表示频带宽,α 2表示频带宽的权重系数,H表示波形平滑度,α 3表示波形平滑度的权重系数。
其中,本领域技术人员可以根据实际情况设置信噪比的权重系数α 1、频带宽的权重系数α 2、波形平滑度的权重系数α 3的大小,本发明不做限定。具体而言,可以通过层次分析法等确定权重系数。
在本发明中,通过引入信噪比(SNR)、频带宽(B)、波形平滑度(H)等评估特征,公式综合考虑了不同方面的信号特性,能够更全面地描述待识别信号的复杂性。
引入了复杂度这一概念,可以通过一个数值来量化待识别信号的复杂性。这对于后续的处理和决策提供了更具体的指标,有助于系统对不同信号的分辨和处理。
具体地,引入信号的复杂度,当信号复杂度较低时,将振幅特征、频率特征、相位特征以及累积量特征进行特征融合以进行调制识别,简化的特征融合方法,减少了计算负担,可以相对快速地以较短时间进行模式识别,而当信号复杂度较高时,采用基于图神经网络的时空特征提取模型提取时空特征,进而将时空特征一并进行特征融合,牺牲一部分图神经网络提取特征的时间,但是极大地提升了调制识别准确性,以保障最终的调制识别性能。可以更灵活地适应不同环境和信号集合,从而提高了整体的适应性。
S5:当待识别信号的复杂度小于预设复杂度时,将振幅特征、频率特征、相位特征以及累积量特征进行特征融合,组成融合特征向量。
在一种可能的实施方式中,当待识别信号的复杂度小于预设复杂度时,S5中的将振幅特征、频率特征、相位特征以及累积量特征进行特征融合,组成融合特征向量,具体为:其中,β 1表示γ max的权重系数,β 2表示σ aa 的权重系数,β 3表示σ ap 的权重系数,β 4表示σ dp 的权重系数,β 5表示σ af 的权重系数,β 6表示C 20的权重系数,β 7表示C 21的权重系数,β 8表示C 40的权重系数,β 9表示C 41的权重系数,β 10表示C 42的权重系数,/>。
在本发明中,通过将振幅、频率、相位以及累积量等不同特征进行融合,融合特征向量可以更全面地反映信号的各个方面的信息。这有助于提高对待识别信号的全面理解和建模能力。
S6:当待识别信号的复杂度大于或者等于预设复杂度时,将瞬时振幅信号、瞬时频率信号以及瞬时相位信号作为图神经网络中的三个神经节点,通过基于图神经网络的时空特征提取模型,提取待识别信号的时空特征,并将振幅特征、频率特征、相位特征、累积量特征以及时空特征进行特征融合,组成融合特征向量。
其中,图神经网络(Graph Neural Network,GNN)是一类专门用于处理图结构数据的深度学习模型。可以处理时空数据,其中每个节点表示一个时刻的状态,边表示时空关系。时空特征提取模型通过学习图结构中节点和边的时空关系,从而捕捉时空变化的特征。
在一种可能的实施方式中,当待识别信号的复杂度大于或者等于预设复杂度时,S6中的将振幅特征、频率特征、相位特征、累积量特征以及时空特征进行特征融合,组成融合特征向量,具体为:其中,y表示时空特征,(1-λ)表示时空特征的权重系数,λ表示权重叠加参数。
在一种可能的实施方式中,S6中的通过基于图神经网络的时空特征提取模型,提取待识别信号的时空特征,具体包括子步骤S601至S606。
S601:将瞬时振幅信号、瞬时频率信号以及瞬时相位信号作为图神经网络中的三个神经节点;
S602:计算三个神经节点之间的空间上的相关性,获得空间关联矩阵:其中,R t 表示t时刻的空间关联矩阵,表征在t时刻三个神经节点在空间上的连接关系,r ij 表示第i个神经节点与第j个神经节点在t时刻的相关系数,Cov()表示协方差计算,/>表示t时刻第i个神经节点中的信号序列,/>表示t时刻第j个神经节点中的信号序列,/>表示t时刻第i个负荷节点中的信号序列的标准差,/>表示表示t时刻第j个负荷节点中的信号序列的标准差。
在本发明中,通过计算空间上的相关性矩阵和时间上的相关性矩阵,捕捉了瞬时振幅信号、瞬时频率信号和瞬时相位信号之间的空间和时间关系。这有助于更细致地理解信号在时空上的演化规律,提高了对信号特征的感知。
S603:计算三个神经节点时间上的相关性,获得时间关联矩阵:其中,/>表示t 1时刻到t 2时刻的时间关联矩阵,r ii 表示第i个神经节点的时间相关性,表示t+1时刻第i个神经节点中的信号序列,若t时刻与t+1时刻的信号序列存在时间关联,则时间相关性为1,否则为0。
S604:根据空间关联矩阵以及时间关联矩阵,构建具有三个时间步的局部动态时空图的邻接矩阵:其中,R表示具有三个时间步的局部动态时空图的邻接矩阵。
具体而言,具有三个时间步的局部动态时空图的邻接矩阵用于表示图中节点之间的连接关系,其中每个节点对应于瞬时振幅信号、瞬时频率信号和瞬时相位信号的一个时间步。
在本发明中,通过使用空间关联矩阵和时间关联矩阵构建了具有三个时间步的局部动态时空图的邻接矩阵。这样的建模方式能够在图上表示信号在空间和时间上的演化关系,为后续的时空同步图卷积处理提供了基础。
S605:对局部动态时空图进行时空同步图卷积处理:其中,y l 表示第l个图卷积层的输出矩阵,y l-1表示第l-1个图卷积层的输入矩阵,/>表示激活函数,W T 表示图卷积的权重矩阵,b T 表示图卷积的偏置项。
其中,时空同步图卷积处理是一种基于图神经网络(GNN)的操作,旨在处理具有时空结构的图数据。时空同步图卷积处理在时空维度上对图进行卷积操作,以捕捉时空关系和提取图中节点的特征。
在本发明中,对局部动态时空图进行时空同步图卷积处理,将时空信息融合到每一层的图卷积中,有助于更好地利用时空关联信息,提高对信号复杂性的理解和建模。
S606:在每一层的输出矩阵中取最大值,得到待识别信号的时空特征:其中,y表示时空特征,max()表示最大值函数,/>,L表示图卷积层的总层数。
在本发明中,通过取每一层输出矩阵的最大值,得到待识别信号的时空特征,有助于综合不同层次的时空特征,强调对于整个时空图的最重要信息,提高了对信号的高层次抽象和理解能力。
进一步地,通过引入时空关联性建模、构建局部动态时空图和进行时空同步图卷积处理,系统能够更全面、深入地理解待识别信号的时空特征,提高了对信号复杂性的建模和识别能力。
S7:将由待识别信号的融合特征向量组成的融合特征序列输入至长短时记忆神经网络中,通过基于长短记忆神经网络的调制方式识别模型,识别出待识别信号的调制方式。
其中,长短时记忆神经网络(Long Short-Term Memory, LSTM)是一种循环神经网络(Recurrent Neural Network, RNN)的变体,设计用于更好地处理和捕捉时序数据中的长期依赖关系。LSTM网络的设计目的是解决传统RNN在处理长序列时可能遇到的梯度消失或梯度爆炸的问题。
在本发明中,通过基于长短记忆神经网络的调制方式识别模型,更好地捕捉时间序列中的长期依赖关系,更全面、准确地捕捉信号的时序特性,提升复杂调制方式识别的适应性和准确性。将通过图神经网络提取时空特征,可以更全面地捕捉信号的时域特性、频域特性以及时空关系,即使信号的信噪比较高,仍然保持较高的调制方式识别性能,提高了模型对多种多样的调制方式的识别性能,可以满足各种环境下的调制识别,适用性强。
在一种可能的实施方式中,S7具体包括子步骤S701至S707:
S701:将待识别信号的融合特征向量组成的融合特征序列X作为长短时记忆神经网络中,融合特征序列表示为,x t 表示t时刻的融合特征向量,/>,n表示融合特征序列的总时长。
S702:通过基于长短记忆神经网络的调制方式识别模型,提取各个时刻的隐状态:其中,I t 表示t时刻输入门的激活输出向量,Sigmoid()表示Sigmoid激活函数,W XI 表示分词序列和输入门之间的权重矩阵,W HI 表示隐藏状态和输入门之间的权重矩阵,b I 表示输入门的偏置项,F t 表示t时刻忘记门的激活输出向量,W XF 表示分词序列和忘记门之间的权重矩阵,W HF 表示隐藏状态和忘记门之间的权重矩阵,b F 表示忘记门的偏置项,O t 表示t时刻输出门的激活输出向量,/>表示输出门的偏置项,W XO 表示分词序列和输出门之间的权重矩阵,W HO 表示隐藏状态和输出门之间的权重矩阵,C t 表示t时刻细胞存储单元的激活输出向量,/>表示t时刻细胞存储单元的临时细胞状态,C t-1表示t-1时刻细胞存储单元的激活输出向量,tanh()表示tanh激活函数,W XC 表示分词序列和细胞存储单元之间的权重矩阵,W HC 表示隐藏状态和细胞存储单元之间的权重矩阵,b C 表示细胞存储单元的偏置项,h t 表示t时刻的隐状态,h t-1表示t-1时刻的隐状态。
其中,隐状态h t 可以看作是对输入序列的抽象表示,其中包含了网络学到的关于输入序列的信息。这样的抽象表示有助于后续的调制方式分类任务。
S703:引入注意力机制,计算各个时刻的隐状态所决定的能量值:其中,e t 表示t时刻的隐状态所决定的能量值,W E 表示注意力机制层的权重矩阵,b E 表示注意力机制层的偏置项。
S704:根据各个时刻的隐状态所决定的能量值,计算各个时刻隐状态的权重系数:其中,η t 表示t时刻的隐状态的权重系数,exp表示以e为底的指数函数,() T 表示矩阵转置运算,e w 表示随机初始注意力矩阵。
S705:对各个时刻的隐状态进行聚合处理,得到聚合隐状态:其中,h表示聚合隐状态。
在本发明中,引入注意力机制,能够使模型在学习过程中更加关注重要的时刻,增强对不同时刻特征的敏感性,从而提高了模型对信号的关键部分的感知和识别能力。
S706:根据聚合隐状态,计算将待识别信号分类到各个类别的概率:其中,S j 表示第j个类别的概率,Softmax()表示Softmax激活函数,W j 表示第j个类别的权重系数,bj表示第j个类别的偏置项。
具体而言,使用Softmax激活函数进行分类,这有助于将模型的输出映射为各个类别的概率分布,提高了对不同调制方式的分类准确性。通过计算信号分类概率,进一步提高了模型对待识别信号的抽象和判别能力,有助于更好地区分不同调制方式。
S707:将得分最高的类别作为待识别信号的类别,以识别出待识别信号的调制方式。
其中,信号的类别包括:幅度调制AM、频率调整FM、相位调制PM以及连续载波CW。
在一种可能的实施方式中,基于长短记忆神经网络的调制方式识别模型的训练方法具体包括:
获取复杂度小于预设复杂度的第一样本数据集以及复杂度大于或者等于预设复杂度的第二样本数据集。
将第一样本数据集以及第二样本数据集输入至基于长短记忆神经网络的调制方式识别模型,进行调制方式识别。
构建调制方式识别模型的损失函数。
在一种可能的实施方式中,调制方式识别模型的损失函数具体为:其中,L()表示损坏函数,θ表示模型参数,L 1表示第一样本数据集的损失函数,ρ表示第一样本数据集的损失函数的权重系数,L 2表示第二样本数据集的损失函数。
在本发明中,通过将整体损失函数表示为第一样本数据集损失函数和第二样本数据集损失函数的加权和,可以根据ρ的取值灵活调整两个数据集在整体损失中的贡献。这种灵活性允许模型在训练过程中更加关注或平衡两个数据集的性能。
其中,第一样本数据集的损失函数L 1具体为:其中,τ表示均方误差损失的权重系数,y i 表示第i个样本的分类结果,/>表示第i个样本的分类标签,/>,N 1表示第一样本数据集中的样本总数。
其中,第二样本数据集的损失函数L 2具体为:其中,y j 表示第j个样本的分类结果,/>表示第j个样本的分类标签,/>,N 2表示第二样本数据集中的样本总数。
进一步地,通过引入均方误差损失的权重系数τ作为均方误差损失项的权重系数,可以调整均方误差在整体损失函数中的影响程度。这允许模型更灵活地处理回归和分类损失之间的平衡,对于不同类型的调制方式识别任务具有更好的适应性。
在本发明中,损失函数包括了均方误差损失项和交叉熵损失项,这是因为均方误差适用于回归问题,而交叉熵适用于分类问题。这样的组合使得损失函数能够更全面地适应不同类型的输出,增强了模型对于调制方式的识别能力。
以损失函数最小为目标,基于改进的遗传算法确定调制方式识别模型的最佳模型参数,以完成对于调制方式识别模型的训练。
在本发明中,综合考虑了不同复杂度的样本集,综合了连续性和离散性的损失函数,利用遗传算法进行参数优化,可以提高调制方式识别模型的鲁棒性和泛化能力。
在一种可能的实施方式中,以损失函数最小为目标,基于改进的遗传算法确定调制方式识别模型的模型参数,以完成对于调制方式识别模型的训练,具体包括:
初始化种群Q 1,种群中包括多个个体X,每个个体X代表一个可行的模型参数向量θ。
需要说明的是,模型参数向量可以包括:β 1、β 2、β 3、β 4、β 5、β 6、β 7、β 8、β 9、β 10、λ、卷积层层数、卷积核大小、学习率等等。
计算初始种群Q 1中每个个体的适应度函数的适应度值。
其中,适应度函数具体为:其中,F()表示适应度函数,L()表示损失函数,k表示缩放参数。
需要说明的是,由于适应度值的目标是最大化,而损失函数值的目标是最小化,这种定义确保了适应度与损失之间存在反比关系。也就是说,当损失函数值较小时,适应度函数值较大,这是符合我们优化的目标。
进一步地,缩放参数k可以调整适应度函数的数值范围。这对于算法的稳定性和收敛性有一定影响。通过调整k的大小,可以使得适应度值在合适的范围内,避免因数值过大或过小导致的数值计算问题。
采取精英选择策略,去除适应度值最低的20%的个体,以形成新的种群Q 2。
在本发明中,精英选择策略确保了每一代中都有一部分适应度最高的个体得以保留。这些优秀的个体通常具有较好的解,通过保留它们,有助于保持种群的优秀性,防止优秀的解被过早丢失。
对种群Q 2进行交叉操作,从种群H 2中随机选择两个个体作为父体,生成一个随机数,并将该随机数与交叉概率p e 比较大小,若随机数小于交叉概率p e ,则对父体进行交叉操作产生新个体,以形成新的种群Q 3,新个体的产生方式如下:其中,Y 1、Y 2表示新个体,X 1表示第一父体,X 2表示第二父体,rand表示0至1之间的随机数。
在本发明中,交叉操作允许两个个体之间进行基因信息的交流。通过将两个父体的基因进行组合,可以产生具有新组合特征的后代个体。这有助于引入新的基因组合,增加种群的多样性。通过交叉操作,可以避免种群陷入局部最优解。基于单个个体的变异容易导致搜索空间的局部收敛,而交叉操作有助于在全局范围内进行搜索。
对种群Q 3进行变异操作,从种群Q 3中随机选择一个个体作为父体,生成一个随机数,并将该随机数与变异概率p m 比较大小,若随机数小于变异概率p m ,则对父体进行变异操作产生新个体,以形成新的种群Q 4,新个体的产生方式如下:其中,Y 3表示新个体,X 3表示父体,X max表示适应度值最大的个体,X min表示适应度值最小的个体,rand表示0至1之间的随机数。
在本发明中,变异操作引入了个体基因的随机改变,有助于增加种群的多样性,可以避免算法陷入局部最优解,提高算法对搜索空间的探索能力。同时,变异操作能够引入一定的随机性,有助于更全面地搜索解空间。通过变异操作可以更快地找到更优秀的解,从而提高算法的搜索效率。
需要说明的是,区别于传统的遗传算法,本发明引入随机破坏操作。
通过随机破坏操作,移除种群Q 4中的部分个体,形成种群Q 5。
在本发明中,随机破坏操作通过随机地移除部分个体,有助于提高种群的多样性,有助于防止种群过早陷入局部最优解,同时促使算法更全面地搜索解空间。同时,随机破坏操作能够在算法的搜索过程中增加搜索广度。通过随机地破坏部分个体,有可能引入新的基因组合,提高搜索的广度,从而更好地覆盖可能的解空间。
其中,通过随机破坏操作移除个体的数量具体为:其中,c i+1表示第i+1次迭代时的移除个数,c i 表示第i次迭代时的移除个数,μ表示破坏系数,/>。
在本发明中,引入破坏系数μ允许渐进地控制移除个体的数量。通过设置,可以逐渐减小每轮迭代时移除的个体数量,从而更加平滑地进行种群的调整。这样的调整方式有助于保持种群的稳定性,防止过于剧烈的变化。同时,采用渐进式的移除方式可以在算法的早期阶段保留更多的个体,有助于保留更多的有用信息。在问题的搜索空间中,有可能存在一些潜在的优秀个体,过早地移除个体可能会导致失去这些有益的基因组合。通过逐渐减小移除个体的数量,有助于更充分地探索搜索空间。
重复上述步骤,进行迭代,直到达到预设迭代次数,输出适应度值最大的解作为最佳模型参数。
在本发明中,改进的遗传算法具有较强的全局搜索能力,通过维护一个种群,不断进行选择、交叉和变异操作,可以在搜索空间中广泛探索,有助于找到全局最优解,从而得到更好的模型参数。
与现有技术相比,本发明至少具有以下有益技术效果。
(1)在本发明中,对多种信号特征进行特征融合,特别是当信号复杂度较高时,将通过图神经网络提取时空特征,可以更全面地捕捉信号的时域特性、频域特性以及时空关系,即使信号的信噪比较高,仍然保持较高的调制方式识别性能,提高了模型对多种多样的调制方式的识别性能,可以满足各种环境下的调制识别,适用性强。
(2)在本发明中,引入信号的复杂度,当信号复杂度较低时,将振幅特征、频率特征、相位特征以及累积量特征进行特征融合以进行调制识别,简化的特征融合方法,减少了计算负担,可以相对快速地以较短时间进行模式识别,而当信号复杂度较高时,采用基于图神经网络的时空特征提取模型提取时空特征,进而将时空特征一并进行特征融合,牺牲一部分图神经网络提取特征的时间,但是极大地提升了调制识别准确性,以保障最终的调制识别性能。可以更灵活地适应不同环境和信号集合,从而提高了整体的适应性。
(3)在本发明中,通过基于长短记忆神经网络的调制方式识别模型,更好地捕捉时间序列中的长期依赖关系,更全面、准确地捕捉信号的时序特性,提升复杂调制方式识别的适应性和准确性。
实施例2:在一个实施例中,参考说明书附图2,示出了本发明提供的一种信号发生器输出信号的调制方式识别系统的结构示意图。
本发明提供的一种信号发生器输出信号的调制方式识别系统20,包括处理器201和用于存储处理器201可执行指令的存储器202。处理器201被配置为调用存储器202存储的指令,以执行实施例1中的信号发生器输出信号的调制方式识别方法。
本发明提供的一种信号发生器输出信号的调制方式识别系统可以实现上述实施例1中的信号发生器输出信号的调制方式识别方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果。
(1)在本发明中,对多种信号特征进行特征融合,特别是当信号复杂度较高时,将通过图神经网络提取时空特征,可以更全面地捕捉信号的时域特性、频域特性以及时空关系,即使信号的信噪比较高,仍然保持较高的调制方式识别性能,提高了模型对多种多样的调制方式的识别性能,可以满足各种环境下的调制识别,适用性强。
(2)在本发明中,引入信号的复杂度,当信号复杂度较低时,将振幅特征、频率特征、相位特征以及累积量特征进行特征融合以进行调制识别,简化的特征融合方法,减少了计算负担,可以相对快速地以较短时间进行模式识别,而当信号复杂度较高时,采用基于图神经网络的时空特征提取模型提取时空特征,进而将时空特征一并进行特征融合,牺牲一部分图神经网络提取特征的时间,但是极大地提升了调制识别准确性,以保障最终的调制识别性能。可以更灵活地适应不同环境和信号集合,从而提高了整体的适应性。
(3)在本发明中,通过基于长短记忆神经网络的调制方式识别模型,更好地捕捉时间序列中的长期依赖关系,更全面、准确地捕捉信号的时序特性,提升复杂调制方式识别的适应性和准确性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信号发生器输出信号的调制方式识别方法,其特征在于,包括:
S1:接收信号发生器输出的待识别信号;
S2:提取所述待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号;
S3:提取所述待识别信号的多种信号特征,所述信号特征包括:评估特征、振幅特征、频率特征、相位特征以及累积量特征,所述评估特征包括:信噪比、频带宽以及波形平滑度;
S4:根据所述评估特征,计算所述待识别信号的复杂度;
S5:当所述待识别信号的复杂度小于预设复杂度时,将所述振幅特征、所述频率特征、所述相位特征以及所述累积量特征进行特征融合,组成融合特征向量;
S6:当所述待识别信号的复杂度大于或者等于所述预设复杂度时,将所述瞬时振幅信号、所述瞬时频率信号以及所述瞬时相位信号作为图神经网络中的三个神经节点,通过基于图神经网络的时空特征提取模型,提取所述待识别信号的时空特征,并将所述振幅特征、所述频率特征、所述相位特征、所述累积量特征以及所述时空特征进行特征融合,组成融合特征向量;
S7:将由所述待识别信号的融合特征向量组成的融合特征序列输入至长短时记忆神经网络中,通过基于长短记忆神经网络的调制方式识别模型,识别出所述待识别信号的调制方式。
2.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述S2具体包括:
S201:对所述待识别信号进行Hilbert变换;
S202:根据Hilbert变换结果,提取所述待识别信号的瞬时振幅信号、瞬时频率信号以及瞬时相位信号。
3.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述S4具体为:
根据所述评估特征,通过以下公式,计算所述待识别信号的复杂度:
其中,δ表示复杂度,SNR表示信噪比,α 1表示信噪比的权重系数,B表示频带宽,α 2表示频带宽的权重系数,H表示波形平滑度,α 3表示波形平滑度的权重系数。
4.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述振幅特征包括中心归一化瞬时幅度功率谱密度的最大值γ max和瞬时幅度中心非线性成分绝对值的标准偏差σ aa ,所述相位特征包括瞬时相位中心非线性分量绝对值的标准偏差σ ap 和瞬时相位中心非线性分量的标准偏差σ dp ,所述频率特征包括瞬时频率中心非线性成分绝对值的标准偏差σ af ,所述累积量特征包括二阶累积量C 20、C 21和四阶累积量C 40、C 41、C 42;
当所述待识别信号的复杂度小于预设复杂度时,所述S5中的将所述振幅特征、所述频率特征、所述相位特征以及所述累积量特征进行特征融合,组成融合特征向量,具体为:其中,β 1表示γ max的权重系数,β 2表示σ aa 的权重系数,β 3表示σ ap 的权重系数,β 4表示σ dp 的权重系数,β 5表示σ af 的权重系数,β 6表示C 20的权重系数,β 7表示C 21的权重系数,β 8表示C 40的权重系数,β 9表示C 41的权重系数,β 10表示C 42的权重系数,/>;
当所述待识别信号的复杂度大于或者等于预设复杂度时,所述S6中的将所述振幅特征、所述频率特征、所述相位特征、所述累积量特征以及所述时空特征进行特征融合,组成融合特征向量,具体为:
其中,y表示时空特征,(1-λ)表示时空特征的权重系数,λ表示权重叠加参数。
5.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述S6中的通过基于图神经网络的时空特征提取模型,提取所述待识别信号的时空特征,具体包括:
S601:将所述瞬时振幅信号、所述瞬时频率信号以及所述瞬时相位信号作为图神经网络中的三个神经节点;
S602:计算三个神经节点之间的空间上的相关性,获得空间关联矩阵:其中,R t 表示t时刻的空间关联矩阵,表征在t时刻三个神经节点在空间上的连接关系,r ij 表示第i个神经节点与第j个神经节点在t时刻的相关系数,Cov()表示协方差计算,/>表示t时刻第i个神经节点中的信号序列,/>表示t时刻第j个神经节点中的信号序列,/>表示t时刻第i个负荷节点中的信号序列的标准差,/>表示表示t时刻第j个负荷节点中的信号序列的标准差;
S603:计算三个神经节点时间上的相关性,获得时间关联矩阵:其中,/>表示t 1时刻到t 2时刻的时间关联矩阵,r ii 表示第i个神经节点的时间相关性,/>表示t+1时刻第i个神经节点中的信号序列,若t时刻与t+1时刻的信号序列存在时间关联,则时间相关性为1,否则为0;
S604:根据所述空间关联矩阵以及所述时间关联矩阵,构建具有三个时间步的局部动态时空图的邻接矩阵:其中,R表示具有三个时间步的局部动态时空图的邻接矩阵;
S605:对局部动态时空图进行时空同步图卷积处理:其中,y l 表示第l个图卷积层的输出矩阵,y l-1表示第l-1个图卷积层的输入矩阵,/>表示激活函数,W T 表示图卷积的权重矩阵,b T 表示图卷积的偏置项;
S606:在每一层的输出矩阵中取最大值,得到所述待识别信号的时空特征:其中,y表示时空特征,max()表示最大值函数,/>,L表示图卷积层的总层数。
6.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述S7具体包括:
S701:将所述待识别信号的融合特征向量组成的融合特征序列X作为长短时记忆神经网络中,所述融合特征序列表示为,x t 表示t时刻的融合特征向量,/>,n表示融合特征序列的总时长;
S702:通过基于长短记忆神经网络的调制方式识别模型,提取各个时刻的隐状态:其中,I t 表示t时刻输入门的激活输出向量,Sigmoid()表示Sigmoid激活函数,W XI 表示分词序列和输入门之间的权重矩阵,W HI 表示隐藏状态和输入门之间的权重矩阵,b I 表示输入门的偏置项,F t 表示t时刻忘记门的激活输出向量,W XF 表示分词序列和忘记门之间的权重矩阵,W HF 表示隐藏状态和忘记门之间的权重矩阵,b F 表示忘记门的偏置项,O t 表示t时刻输出门的激活输出向量,/>表示输出门的偏置项,W XO 表示分词序列和输出门之间的权重矩阵,W HO 表示隐藏状态和输出门之间的权重矩阵,C t 表示t时刻细胞存储单元的激活输出向量,/>表示t时刻细胞存储单元的临时细胞状态,C t-1表示t-1时刻细胞存储单元的激活输出向量,tanh()表示tanh激活函数,W XC 表示分词序列和细胞存储单元之间的权重矩阵,W HC 表示隐藏状态和细胞存储单元之间的权重矩阵,b C 表示细胞存储单元的偏置项,h t 表示t时刻的隐状态,h t-1表示t-1时刻的隐状态;
S703:引入注意力机制,计算各个时刻的隐状态所决定的能量值:其中,e t 表示t时刻的隐状态所决定的能量值,W E 表示注意力机制层的权重矩阵,b E 表示注意力机制层的偏置项;
S704:根据各个时刻的隐状态所决定的能量值,计算各个时刻隐状态的权重系数:其中,η t 表示t时刻的隐状态的权重系数,exp表示以e为底的指数函数,() T 表示矩阵转置运算,e w 表示随机初始注意力矩阵;
S705:对各个时刻的隐状态进行聚合处理,得到聚合隐状态:其中,h表示聚合隐状态;
S706:根据所述聚合隐状态,计算将所述待识别信号分类到各个类别的概率:其中,S j 表示第j个类别的概率,Softmax()表示Softmax激活函数,W j 表示第j个类别的权重系数,bj表示第j个类别的偏置项;
S707:将得分最高的类别作为所述待识别信号的类别,以识别出所述待识别信号的调制方式;
其中,信号的类别包括:幅度调制AM、频率调整FM、相位调制PM以及连续载波CW。
7.根据权利要求1所述的信号发生器输出信号的调制方式识别方法,其特征在于,基于长短记忆神经网络的调制方式识别模型的训练方法具体包括:
获取复杂度小于所述预设复杂度的第一样本数据集以及复杂度大于或者等于所述预设复杂度的第二样本数据集;将所述第一样本数据集以及所述第二样本数据集输入至基于长短记忆神经网络的调制方式识别模型,进行调制方式识别;构建所述调制方式识别模型的损失函数;以所述损失函数最小为目标,基于改进的遗传算法确定所述调制方式识别模型的最佳模型参数,以完成对于所述调制方式识别模型的训练。
8.根据权利要求7所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述调制方式识别模型的损失函数具体为:其中,L()表示损失函数,θ表示模型参数,L 1表示第一样本数据集的损失函数,ρ表示第一样本数据集的损失函数的权重系数,L 2表示第二样本数据集的损失函数;其中,第一样本数据集的损失函数L 1具体为:其中,τ表示均方误差损失的权重系数,y i 表示第i个样本的分类结果,/>表示第i个样本的分类标签,/>,N 1表示第一样本数据集中的样本总数;其中,第二样本数据集的损失函数L 2具体为:/>其中, y j 表示第j个样本的分类结果,/>表示第j个样本的分类标签,/>,N 2表示第二样本数据集中的样本总数。
9.根据权利要求7所述的信号发生器输出信号的调制方式识别方法,其特征在于,所述以所述损失函数最小为目标,基于改进的遗传算法确定所述调制方式识别模型的模型参数,以完成对于所述调制方式识别模型的训练,具体包括:
初始化种群Q 1,种群中包括多个个体X,每个个体X代表一个可行的模型参数向量θ;
计算初始种群Q 1中每个个体的适应度函数的适应度值,其中,所述适应度函数具体为:其中,F()表示适应度函数,L()表示损失函数,k表示缩放参数;采取精英选择策略,去除适应度值最低的20%的个体,以形成新的种群Q 2;对种群Q 2进行交叉操作,从种群H 2中随机选择两个个体作为父体,生成一个随机数,并将该随机数与交叉概率p e 比较大小,若随机数小于交叉概率p e ,则对父体进行交叉操作产生新个体,以形成新的种群Q 3,新个体的产生方式如下:/>其中,Y 1、Y 2表示新个体,X 1表示第一父体,X 2表示第二父体,rand表示0至1之间的随机数;对种群Q 3进行变异操作,从种群Q 3中随机选择一个个体作为父体,生成一个随机数,并将该随机数与变异概率p m 比较大小,若随机数小于变异概率p m ,则对父体进行变异操作产生新个体,以形成新的种群Q 4,新个体的产生方式如下:/>其中,Y 3表示新个体,X 3表示父体,X max表示适应度值最大的个体,X min表示适应度值最小的个体,rand表示0至1之间的随机数;通过随机破坏操作,移除种群Q 4中的部分个体,形成种群Q 5;其中,通过随机破坏操作移除个体的数量具体为:/>其中,c i+1表示第i+1次迭代时的移除个数,c i 表示第i次迭代时的移除个数,μ表示破坏系数,/>;重复上述步骤,进行迭代,直到达到预设迭代次数,输出适应度值最大的解作为最佳模型参数。
10.一种信号发生器输出信号的调制方式识别系统,其特征在于,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的信号发生器输出信号的调制方式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226628.7A CN117807529B (zh) | 2024-02-29 | 2024-02-29 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226628.7A CN117807529B (zh) | 2024-02-29 | 2024-02-29 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807529A true CN117807529A (zh) | 2024-04-02 |
CN117807529B CN117807529B (zh) | 2024-05-07 |
Family
ID=90430341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410226628.7A Active CN117807529B (zh) | 2024-02-29 | 2024-02-29 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807529B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
CN110210330A (zh) * | 2019-05-13 | 2019-09-06 | 清华大学 | 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111507293A (zh) * | 2020-04-22 | 2020-08-07 | 浙江工业大学 | 基于图卷积模型的信号分类方法 |
CN111540381A (zh) * | 2020-04-24 | 2020-08-14 | 中国电子科技集团公司第五十四研究所 | 一种基于随机森林的话音模拟调制特征识别方法 |
US20210014092A1 (en) * | 2019-07-12 | 2021-01-14 | The Mitre Corporation | Data processing for automatic modulation classification of wireless signals |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
CN113392731A (zh) * | 2021-05-31 | 2021-09-14 | 浙江工业大学 | 一种基于图神经网络的调制信号分类方法和系统 |
CN114422311A (zh) * | 2022-01-26 | 2022-04-29 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
CN114513394A (zh) * | 2022-01-13 | 2022-05-17 | 南京信息工程大学 | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 |
CN114520758A (zh) * | 2021-12-10 | 2022-05-20 | 吉林大学 | 一种基于瞬时特征的信号调制识别方法 |
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 |
CN114694248A (zh) * | 2022-03-10 | 2022-07-01 | 苏州爱可尔智能科技有限公司 | 基于图神经网络的手卫生监管方法、系统、设备及介质 |
CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
CN114897090A (zh) * | 2022-05-26 | 2022-08-12 | 浙江工业大学 | 一种基于图神经网络的长时间序列分类方法 |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN115955375A (zh) * | 2022-11-18 | 2023-04-11 | 杭州仝济智能科技有限公司 | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 |
CN116070136A (zh) * | 2023-01-29 | 2023-05-05 | 北京林业大学 | 基于深度学习的多模态融合无线信号自动调制识别方法 |
CN116257752A (zh) * | 2023-03-15 | 2023-06-13 | 安徽白鹭电子科技有限公司 | 一种信号调制样式识别方法 |
CN116708104A (zh) * | 2023-04-25 | 2023-09-05 | 复旦大学 | 基于储备池计算的水下可见光通信系统调制格式识别方法 |
CN116796250A (zh) * | 2023-08-22 | 2023-09-22 | 暨南大学 | 一种混叠无线信号智能识别与分离方法及系统 |
US20230368065A1 (en) * | 2022-05-10 | 2023-11-16 | Mitsubishi Electric Research Laboratories, Inc. | Integrated Sensing and Communications Empowered by Networked Hybrid Quantum-Classical Machine Learning |
-
2024
- 2024-02-29 CN CN202410226628.7A patent/CN117807529B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
WO2020228141A1 (zh) * | 2019-05-13 | 2020-11-19 | 清华大学 | 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 |
CN110210330A (zh) * | 2019-05-13 | 2019-09-06 | 清华大学 | 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 |
CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
US20210014092A1 (en) * | 2019-07-12 | 2021-01-14 | The Mitre Corporation | Data processing for automatic modulation classification of wireless signals |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111507293A (zh) * | 2020-04-22 | 2020-08-07 | 浙江工业大学 | 基于图卷积模型的信号分类方法 |
CN111540381A (zh) * | 2020-04-24 | 2020-08-14 | 中国电子科技集团公司第五十四研究所 | 一种基于随机森林的话音模拟调制特征识别方法 |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
CN113392731A (zh) * | 2021-05-31 | 2021-09-14 | 浙江工业大学 | 一种基于图神经网络的调制信号分类方法和系统 |
CN114520758A (zh) * | 2021-12-10 | 2022-05-20 | 吉林大学 | 一种基于瞬时特征的信号调制识别方法 |
CN114513394A (zh) * | 2022-01-13 | 2022-05-17 | 南京信息工程大学 | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 |
CN114422311A (zh) * | 2022-01-26 | 2022-04-29 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
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 |
CN114694248A (zh) * | 2022-03-10 | 2022-07-01 | 苏州爱可尔智能科技有限公司 | 基于图神经网络的手卫生监管方法、系统、设备及介质 |
US20230368065A1 (en) * | 2022-05-10 | 2023-11-16 | Mitsubishi Electric Research Laboratories, Inc. | Integrated Sensing and Communications Empowered by Networked Hybrid Quantum-Classical Machine Learning |
CN114897090A (zh) * | 2022-05-26 | 2022-08-12 | 浙江工业大学 | 一种基于图神经网络的长时间序列分类方法 |
CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN115955375A (zh) * | 2022-11-18 | 2023-04-11 | 杭州仝济智能科技有限公司 | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 |
CN116070136A (zh) * | 2023-01-29 | 2023-05-05 | 北京林业大学 | 基于深度学习的多模态融合无线信号自动调制识别方法 |
CN116257752A (zh) * | 2023-03-15 | 2023-06-13 | 安徽白鹭电子科技有限公司 | 一种信号调制样式识别方法 |
CN116708104A (zh) * | 2023-04-25 | 2023-09-05 | 复旦大学 | 基于储备池计算的水下可见光通信系统调制格式识别方法 |
CN116796250A (zh) * | 2023-08-22 | 2023-09-22 | 暨南大学 | 一种混叠无线信号智能识别与分离方法及系统 |
Non-Patent Citations (8)
Title |
---|
DONG WANG 等: "Automatic Modulation Classification Based on CNN-Transformer Graph Neural Network", 《SENSORS》, vol. 23, no. 16, 20 August 2023 (2023-08-20), pages 1 - 23 * |
QI XUAN 等: "Adaptive Visibility Graph Neural Network and its Application in Modulation Classification", 《ARXIV:2106.08564》, 16 June 2021 (2021-06-16), pages 1 - 9 * |
张嘉文: "基于深度学习的数字信号调制识别技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, 15 January 2023 (2023-01-15), pages 136 - 305 * |
张威龙: "基于深度融合神经网络的水声通信调制方式智能识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, 15 January 2023 (2023-01-15), pages 136 - 1328 * |
杨雨铮: "单通道混叠信号盲分离与调制方式识别关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2024, 15 January 2024 (2024-01-15), pages 136 - 109 * |
白旭天: "基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2022, 15 January 2022 (2022-01-15), pages 136 - 1007 * |
秦绪安: "基于图特征的数字信号调制识别算法研究及实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, 15 January 2023 (2023-01-15), pages 136 - 371 * |
谭继远 等: "基于卷积双向长短期神经网络的调制方式识别", 《火力与指挥控制》, vol. 45, no. 06, 15 June 2020 (2020-06-15), pages 129 - 134 * |
Also Published As
Publication number | Publication date |
---|---|
CN117807529B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Network intrusion detection based on supervised adversarial variational auto-encoder with regularization | |
Giannakis et al. | Topology identification and learning over graphs: Accounting for nonlinearities and dynamics | |
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
CN109919364A (zh) | 基于自适应降噪和集成lstm的多变量时间序列预测方法 | |
Yan et al. | Generalized approach to matched filtering using neural networks | |
CN112241724A (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及系统 | |
CN110276256A (zh) | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 | |
Xu et al. | A transformer based approach for open set specific emitter identification | |
Kanada et al. | Low-rank sparse decomposition of graph adjacency matrices for extracting clean clusters | |
Barigye et al. | Generative adversarial networks (GANs) based synthetic sampling for predictive modeling | |
Ji et al. | A one-class classification method for human gait authentication using micro-Doppler signatures | |
Wang et al. | A transfer learning and progressive stacking approach to reducing deep model sizes with an application to speech enhancement | |
CN114189899A (zh) | 一种基于随机聚合波束成形的用户设备选择方法 | |
CN117807529B (zh) | 一种信号发生器输出信号的调制方式识别方法及系统 | |
Pang et al. | Algorithm configurations of MOEA/D with an unbounded external archive | |
Ansari et al. | Blind Source Separation Based on Genetic Algorithm-Optimized Multiuser Kurtosis | |
Sun et al. | Explain and improve: Cross-domain few-shot-learning using explanations | |
Abbas et al. | Enhancing Linear Independent Component Analysis: Comparison of Various Metaheuristic Methods. | |
Xiao | Diagnosis of Parkinson's disease using genetic algorithm and support vector machine with acoustic characteristics | |
Liu et al. | Combining auto-encoder with LSTM for WiFi-based fingerprint positioning | |
Smith et al. | Shepard interpolation neural networks with k-means: a shallow learning method for time series classification | |
Wu et al. | Robust graph fusion and recognition framework for fingerprint and finger‐vein | |
Zhou | Domain adaptation with a classifier trained by robust pseudo-labels | |
Hmouda et al. | Validity Based Approach for Feature Selection in Intrusion Detection Systems | |
Kulkarni et al. | Speech recognition using wavelet packets, neural networks and support vector machines |
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 |