WO2020166005A1 - 機械学習装置、信号諸元識別装置および機械学習方法 - Google Patents

機械学習装置、信号諸元識別装置および機械学習方法 Download PDF

Info

Publication number
WO2020166005A1
WO2020166005A1 PCT/JP2019/005347 JP2019005347W WO2020166005A1 WO 2020166005 A1 WO2020166005 A1 WO 2020166005A1 JP 2019005347 W JP2019005347 W JP 2019005347W WO 2020166005 A1 WO2020166005 A1 WO 2020166005A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
learning
unit
noise
feature amount
Prior art date
Application number
PCT/JP2019/005347
Other languages
English (en)
French (fr)
Inventor
靖貴 山下
内田　繁
重紀 谷
康義 能田
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2019/005347 priority Critical patent/WO2020166005A1/ja
Priority to JP2020571989A priority patent/JP6896191B2/ja
Publication of WO2020166005A1 publication Critical patent/WO2020166005A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/06—Receivers
    • H04B1/16—Circuits

Definitions

  • the present invention relates to a machine learning device for identifying signal specifications of a received signal, a signal specification identifying device and a machine learning method.
  • Non-Patent Document 1 A method using machine learning has been proposed as a method for identifying signal specifications such as the modulation method of the received signal.
  • a convolutional neural network is made to learn the relationship between the in-phase signal and the quadrature signal included in the received signal and the modulation method, and the learning result is used to input the in-phase signal and the quadrature signal as input.
  • Techniques for identifying modulation schemes have been disclosed.
  • the present invention has been made in view of the above, and an object thereof is to obtain a machine learning device capable of reducing the amount of data sets required for learning.
  • a machine learning device is a time-series variation value of a feature amount of a learning signal from an in-phase signal and a quadrature signal included in the learning signal.
  • a signal for learning signal specifications according to a training data set created on the basis of a time-series feature amount calculation section, waveforms of in-phase signals and quadrature signals, and a time-series feature amount.
  • a specification learning unit a time-series variation value of a feature amount of a learning signal from an in-phase signal and a quadrature signal included in the learning signal.
  • the machine learning device has the effect of reducing the number of data sets required for learning.
  • the figure which shows the function structure of the signal specification identification system concerning Embodiment 1 of this invention The figure which shows the structural example of the time series feature-value calculation part shown in FIG. The figure which shows the structural example of the quasi-coherent detection part shown in FIG.
  • achieving the function of the signal specification identification system shown in FIG. The figure which shows the hardware constitutions which run the software which implement
  • Flowchart showing the operation of the machine learning device shown in FIG. Flowchart showing the operation of the signal specification identifying device shown in FIG.
  • FIG. 3 The figure which shows the function structure of the signal specification identification system concerning Embodiment 3 of this invention.
  • the figure which shows the function structure of the noise removal part shown in FIG. The figure which shows the structural example of the noise removal part shown in FIG.
  • Flowchart showing the operation of the machine learning device shown in FIG. Flowchart showing the operation of the signal specification identifying device shown in FIG.
  • a machine learning device, a signal specification identifying device, and a machine learning method according to an embodiment of the present invention will be described below in detail with reference to the drawings.
  • the present invention is not limited to the embodiments.
  • FIG. 1 is a diagram showing a functional configuration of a signal specification identifying system 100 according to the first embodiment of the present invention.
  • the signal specification identification system 100 includes a machine learning device 1, a learning parameter storage unit 2 that stores a learning parameter that is a learning result of the machine learning device 1, and a signal that identifies signal specifications of a received signal using the learning result. It has a specification identification device 3 and a quasi-synchronous detection unit 4 for obtaining an in-phase signal and a quadrature signal included in a received signal.
  • Signal specifications are radio wave transmission methods such as AM (Amplitude Modulation)/FM (Frequency Modulation), FSK (Frequency Shift Keying), and QPSK (Quadrature Phase Shift Keying).
  • communication standards including secondary modulation such as DSSS (Direct Sequence Spread Spectrum) and OFDM (Orthogonal Frequency Division Multiplexing).
  • Examples of communication standards include Institute of Electrical and Electronics Engineers (IEEE) 802.11a, IEEE 802.11g, and IEEE 802.15.6.
  • the machine learning device 1 uses a learning data set to learn a learning parameter for identifying signal specifications.
  • the learning data set includes a learning signal and a label indicating signal specifications associated with the learning signal.
  • the plurality of learning signals are IQ signals which are a combination of an in-phase signal and a quadrature signal obtained as a result of performing forward synchronous detection on an actually acquired reception waveform, an in-phase signal simulated by a computer simulation and a quadrature signal. It is a signal or the like and is prepared in advance.
  • the learning signal included in the learning data set is input to each of the time-series feature amount calculating unit 11 and the combining unit 12, and the label included in the learning data set is input to the signal parameter learning unit 13.
  • the machine learning device 1 includes a time-series feature amount calculation unit 11, a coupling unit 12, and a signal parameter learning unit 13.
  • the time-series feature amount calculation unit 11 calculates a time-series feature amount, which is a time-series variation value of the feature amount of the learning signal, from the in-phase signal and the quadrature signal included in the learning signal.
  • the time-series feature amount calculation unit 11 inputs the calculated time-series feature amount to the combining unit 12.
  • the combining unit 12 combines the in-phase signal and the quadrature signal included in the learning signal with the time-series feature amount to generate a training data set used by the signal specification learning unit 13 for machine learning.
  • the combining unit 12 inputs the training data set, which is the combined data, to the signal parameter learning unit 13.
  • the signal parameter learning unit 13 learns signal parameters in accordance with a training data set created based on the respective waveforms of the in-phase signal and the quadrature signal and the time-series feature amount.
  • the learning result of the signal specification learning unit 13 is a learning parameter for indicating the relationship between the training data set which is the input data and the signal specifications, and for identifying the signal specifications from the training data set.
  • the signal parameter learning unit 13 stores the learning parameter, which is the learning result, in the learning parameter storage unit 2.
  • the learning parameter storage unit 2 is a storage device that stores a learning parameter that is a learning result of the machine learning device 1.
  • the learning parameter stored in the learning parameter storage unit 2 can be read out from the signal parameter identification device 3.
  • Quasi-synchronous detection unit 4 synchronously demodulates the received signal, reproduces the carrier wave, and performs frequency deviation and phase deviation compensation.
  • the quasi-coherent detection unit 4 inputs the in-phase signal and the quadrature signal obtained after the quasi-coherent detection to the signal specification identifying device 3.
  • the signal specification identifying device 3 includes a time-series feature amount calculating section 31, a combining section 32, and a signal specification identifying section 33.
  • the in-phase signal and the quadrature signal output from the quasi-synchronous detection unit 4 are input to the time-series feature amount calculation unit 31 and the combining unit 32, respectively.
  • the time-series feature amount calculation unit 31 calculates a time-series feature amount, which is a time-series variation value of the feature amount of the received signal, from the in-phase signal and the quadrature signal included in the received signal.
  • the type of the time-series feature amount calculated by the time-series feature amount calculation unit 31 is preferably the same as the time-series feature amount calculated by the time-series feature amount calculation unit 11.
  • the time-series feature amount calculation unit 31 inputs the calculated time-series feature amount to the combining unit 32.
  • the combining unit 32 combines the time-series feature amount input from the time-series feature amount calculation unit 31, the in-phase signal and the quadrature signal, and generates input data to the signal specification identifying unit 33.
  • the signal specification identifying unit 33 identifies the signal specifications applied to the received signal based on the input data from the combining unit 32, using the learning parameter stored in the learning parameter storage unit 2.
  • the signal specification identification unit 33 outputs the identification result.
  • the learning parameter storage unit 2 is provided outside the machine learning device 1 and the signal specification identifying device 3 in FIG. 1, but may be provided inside the machine learning device 1 or the signal learning device 1. It may be provided inside the specification identification device 3. Further, in FIG. 1, the machine learning device 1 and the signal specification identifying device 3 are different devices, but the function of the signal specification identifying system 100 can be realized on one device. In this case, the time-series feature amount calculating unit 11 and the time-series feature amount calculating unit 31, the combining unit 12 and the combining unit 32, and the signal specification learning unit 13 and the signal specification identifying unit 33 are respectively configured by the same hardware. It can also be realized.
  • FIG. 2 is a diagram showing a configuration example of the time-series feature amount calculation units 11 and 31 shown in FIG.
  • the time-series feature amount calculation units 11 and 31 include an amplitude calculation unit 111 and a phase calculation unit 112.
  • the in-phase signal and the quadrature signal are input to the amplitude calculating section 111 and the phase calculating section 112, respectively.
  • the amplitude calculator 111 calculates the amplitude of the received signal.
  • the amplitude calculation unit 111 uses the in-phase signal I and the quadrature signal Q
  • the amplitude A can be expressed by the following mathematical expression (1).
  • the phase calculator 112 can calculate the phase of the received signal.
  • the phase ⁇ can be expressed by the following mathematical expression (2).
  • time-series feature amount calculation units 11 and 31 can also calculate the amplitude and phase of the in-phase signal I and the quadrature signal Q that are raised to the complex fourth power.
  • feature quantities calculated by the time-series feature quantity calculation units 11 and 31 are not limited to the amplitude and the phase.
  • FIG. 3 is a diagram showing a configuration example of the quasi-coherent detection unit 4 shown in FIG.
  • the quasi-synchronous detection unit 4 includes an oscillator 41 that generates an oscillation signal for performing frequency conversion of a reception signal, a ⁇ /2 phase shifter 42 that shifts the phase of the oscillation signal output from the oscillator 41 by ⁇ /2.
  • a multiplier 43 that multiplies the received signal by the oscillation signal
  • a multiplier 44 that multiplies the received signal by the oscillation signal with a ⁇ phase shifted by two, and an unnecessary wave from the signals output from the multipliers 43 and 44.
  • It has LPFs (Low Pass Filters) 45 and 46 that remove noise.
  • FIG. 4 is a diagram showing a dedicated hardware configuration for realizing the function of the signal specification identification system 100 shown in FIG.
  • the processing circuit 90 shown in FIG. 4 is, for example, a single circuit, a decoding circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), or a combination thereof. It is applicable.
  • FIG. 5 is a diagram showing a hardware configuration for executing software that realizes the function of the signal specification identification system 100 shown in FIG.
  • the function of the signal specification identification system 100 can be realized by using the quasi-synchronous detection circuit 91, the processor 92, the memory 93, and the storage 94.
  • the quasi-coherent detection circuit 91 is a circuit having the configuration of the quasi-coherent detection unit 4 shown in FIG.
  • the processor 92 includes, for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), a microprocessor, a microcontroller, a DSP (Digital Signal Processor), and the like.
  • the memory 93 is, for example, a semiconductor memory such as a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable ROM), or an EEPROM (registered trademark) (Electrically EPROM), a magnetic disk, a flexible disk. , And so on.
  • a semiconductor memory such as a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable ROM), or an EEPROM (registered trademark) (Electrically EPROM), a magnetic disk, a flexible disk. , And so on.
  • Each function of the machine learning device 1 and the signal specification identification device 3 shown in FIG. 1 is realized by software, firmware, or a combination of software and firmware.
  • the software and firmware are described as programs and stored in the memory 93, and each function is realized by the processor 92 reading and executing the program stored in the memory 93.
  • the memory 93 may be used to hold the data, or the storage 94 may be used to hold the data.
  • the learning parameter storage unit 2 shown in FIG. 1 holds learning parameters using the storage 94.
  • the machine learning device 1 acquires the learning data in which the learning signal included in the learning data set and the label are associated with each other (step S101).
  • the time-series feature amount calculation unit 11 calculates the time-series feature amount from the learning signal after the acquired learning data (step S102).
  • the combining unit 12 combines the calculated time series feature amount and the learning data to generate a training data set (step S103).
  • the signal specification learning unit 13 uses the discriminator using a neural network as input data for the generated training data set, learns the signal specifications indicated by the associated label, and performs correspondence from the input data.
  • the parameters for outputting the signal specifications to be learned are learned (step S104).
  • the learning parameter that is the learning result is stored in the learning parameter storage unit 2.
  • FIG. 7 is a flowchart showing the operation of the signal specification identification device 3 shown in FIG.
  • the signal specification identifying device 3 acquires the in-phase signal and the quadrature signal included in the received signal (step S201).
  • the time-series feature amount calculation unit 31 calculates the time-series feature amount from the in-phase signal and the quadrature signal (step S202).
  • the combining unit 32 combines the calculated time-series feature amount with the in-phase signal and the quadrature signal and inputs them to the signal specification identifying unit 33 (step S203).
  • the signal specification identifying unit 33 identifies the signal specifications of the received signal based on the input data and the learning result of the machine learning device 1 stored in the learning parameter storage unit 2 (step S204).
  • the time-series feature amount that is the time-series variation value of the signal feature amount is signaled.
  • the signal specifications are learned as an input to the specification learning unit 13.
  • FIG. 8 is a diagram showing a functional configuration of the signal specification identifying system 200 according to the second embodiment of the present invention.
  • the signal specification identification system 200 includes a machine learning device 1a, a learning parameter storage unit 2, a signal specification identification device 3a, and a quasi-synchronous detection unit 4.
  • the machine learning device 1a includes a time-series feature amount calculation unit 11, a coupling unit 12, and a signal specification learning unit 13a.
  • the machine learning device 1a acquires learning data including a learning signal, supplemental information, and a label from the learning data set.
  • the supplementary information is information that can be calculated from the learning signal and is acquired in advance.
  • the supplementary information is input to the signal specification learning unit 13a.
  • the signal parameter learning unit 13a learns the signal parameters in accordance with the training data set created based on the waveforms of the in-phase signal and the quadrature signal, the time-series feature amount, and the supplementary information.
  • the signal specification identifying device 3a includes a time-series feature amount calculating section 31, a combining section 32, a signal specification identifying section 33a, and a supplementary information calculating section 34.
  • the in-phase signal and the quadrature signal included in the received signal are input from the quasi-synchronous detection unit 4 to the supplementary information calculation unit 34.
  • the supplemental information calculation unit 34 calculates, from the received signal, supplemental information of the same type as the supplemental information input to the signal specification learning unit 13a.
  • the supplementary information is information that supplements the characteristics of the signal, and may be the estimated SNR (Signal to Noise Ratio) or the estimated frequency error.
  • an in-phase signal and a quadrature signal are subjected to FFT (Fast Fourier Transform) and the ratio of the maximum value and the minimum value in the frequency domain is used as the estimated SNR, or the deviation of the center frequency from the frequency band is estimated.
  • FFT Fast Fourier Transform
  • the signal specification identifying unit 33a identifies the signal specifications by using the supplementary information output by the supplementary information calculating unit 34 as input data in addition to the combined data output by the combining unit 32.
  • the configuration shown in FIG. 8 is an example, and the learning parameter storage unit 2 is provided outside the machine learning device 1a and the signal specification identifying device 3a in FIG. However, it may be provided inside the machine learning device 1a or may be provided inside the signal specification identifying device 3a. Further, in FIG. 8, the machine learning device 1a and the signal specification identifying device 3a are different devices, but the function of the signal specification identifying system 200 can be realized on one device.
  • the time-series feature amount calculating unit 11 and the time-series feature amount calculating unit 31, the combining unit 12 and the combining unit 32, and the signal specification learning unit 13a and the signal specification identifying unit 33a are respectively configured by the same hardware. It can also be realized.
  • the signal specification identifying system 200 by adding the supplementary information to the input data of the signal specification learning unit 13a and the signal specification identifying unit 33a, It is possible to further reduce the number of data sets required for learning.
  • FIG. 9 is a diagram showing a functional configuration of the signal specification identifying system 300 according to the third embodiment of the present invention.
  • the signal specification identification system 300 includes a machine learning device 1b, a learning parameter storage unit 2, a signal specification identification device 3b, a quasi-synchronous detection unit 4, and a noise removal learning parameter storage unit 5.
  • the machine learning device 1b includes a time-series feature amount calculation unit 11, a combination unit 12, a signal specification learning unit 13, a signal selection unit 14, and a noise removal unit 15.
  • the signal selection unit 14 and the noise removal unit 15 are arranged in front of the time-series feature amount calculation unit 11.
  • the signal selection unit 14 selects, from the learning signals included in the learning data set, a noise removal learning signal used for learning the noise removal signal obtained by removing the noise component from the learning signal.
  • the signal selection unit 14 inputs the selection result and the learning signal to the noise removal unit 15.
  • the signal selection unit 14 can select the noise removal learning signal based on the signal-to-noise ratio of the learning signal. For example, the signal selection unit 14 selects a learning signal having a signal-to-noise ratio of a threshold value or more as a noise removal learning signal.
  • the signal selection unit 14 determines the noise removal learning signal based on the flag. The signal can be selected.
  • the noise removal unit 15 learns the noise removal signal obtained by removing the noise component from the learning signal, and removes the noise component from the learning signal using the learning result of the noise removal signal. Specifically, the noise removing unit 15 selects the learning signal selected as the noise removal learning signal based on the input learning signal and the selection result of the signal selecting unit 14 from the learning signal. Is used to learn the denoised signal. The noise removal unit 15 stores the learning result in the noise removal learning parameter storage unit 5. The noise removal unit 15 removes the noise component from the learning signal using the learning result for the learning signal not selected as the noise removal learning signal. The noise removing unit 15 inputs the noise-removed signal, which is a learning signal from which noise components have been removed, to the time-series feature amount calculating unit 11 and the combining unit 12.
  • the time-series feature amount calculating unit 11, the combining unit 12, and the signal specification learning unit 13 are the same as those in the first embodiment except that the processing is performed using the noise-removed signal, and detailed description thereof will be omitted. ..
  • FIG. 10 is a diagram showing a functional configuration of the noise removing unit 15 shown in FIG.
  • the noise removal unit 15 includes a learning noise addition unit 151, a normalization processing unit 152, a noise removal unit learning unit 153, a noise removal learning parameter storage unit 154, a normalization processing unit 155, and a noise removal unit 156.
  • a learning noise addition unit 151 a normalization processing unit 152
  • a noise removal unit learning unit 153 a noise removal learning parameter storage unit 154
  • a normalization processing unit 155 a normalization processing unit 155
  • a noise removal learning signal is input to the learning noise adding unit 151.
  • the learning noise adding unit 151 adds a noise component to the input noise removal learning signal.
  • the learning noise adding unit 151 inputs the signal added with the noise component to the normalization processing unit 152.
  • the signal to which the noise component is added and the noise removal learning signal before the addition of the noise component are input to the normalization processing unit 152.
  • the normalization processing unit 152 inputs the result of performing the normalization processing on each of the signal added with the noise component and the noise removal learning signal to the noise remover learning unit 153.
  • the noise eliminator learning unit 153 includes a self-encoder, and the normalized signal with noise added is input to the self-encoder, and the self-encoder uses the signal after noise addition to remove noise. According to the data set, the normalized noise removal learning signal before noise addition is learned as a signal after noise removal. In other words, the noise eliminator learning unit 153 learns the parameters so that when the noise removal learning signal after the noise addition is input, the noise removal learning signal before the noise addition is output. The noise eliminator learning unit 153 stores the learning result in the noise removal learning parameter storage unit 154 and outputs the learning result to the noise removal learning parameter storage unit 5.
  • An autoencoder is a neural network in which the dimensions of the input and the output are the same, and the method of estimating the noise-added one from the input is the noise-removing self-coder. Known as (Denoising Autoencoder).
  • the normalization processing unit 155 When an input signal that is not a noise removal learning signal is input, the normalization processing unit 155 performs normalization processing, and the normalization processing unit 155 inputs the processed signal to the noise removal unit 156.
  • the noise remover 156 performs noise removal using the learning parameters stored in the noise removal learning parameter storage unit 154, and outputs a signal after noise removal.
  • the signal specification identifying device 3b includes a time-series feature amount calculating section 31, a combining section 32, a signal specification identifying section 33, and a noise removing section 35.
  • the noise removal unit 35 is arranged in the preceding stage of the time-series feature amount calculation unit 31.
  • the in-phase signal and the quadrature signal are input to the noise removal unit 35 from the quasi-synchronous detection unit 4. Further, the noise removal unit 35 removes the noise component from the input signal using the learning result stored in the noise removal learning parameter storage unit 5.
  • the noise removing unit 35 inputs the signal from which the noise component has been removed to each of the time series feature amount calculating unit 31 and the combining unit 32.
  • the time-series feature amount calculating unit 31, the combining unit 32, and the signal specification identifying unit 33 are the same as those in the first embodiment except that they process the signal after the noise component is removed, and therefore detailed description thereof is omitted here. To do.
  • FIG. 11 is a diagram showing a configuration example of the noise removing unit 35 shown in FIG.
  • the noise eliminator 35 has a normalization processor 351 and a noise eliminator 352.
  • the normalization processing unit 351 performs normalization processing on the input signal and inputs the signal after the normalization processing to the noise eliminator 352.
  • the noise remover 352 performs noise removal processing on the signal after the normalization processing using the learning result stored in the noise removal learning parameter storage unit 5, and outputs the signal after noise removal.
  • the configurations shown in FIGS. 9 to 11 are examples.
  • the learning parameter storage unit 2 is provided outside the machine learning device 1b and the signal specification identifying device 3b in FIG. 9, it may be provided inside the machine learning device 1b or may be provided as a signal specification. It may be provided inside the identification device 3b.
  • the noise removal learning parameter storage unit 5 if the noise removal learning parameter storage unit 154 inside the machine learning device 1b can be read from the signal specification identifying device 3b, the noise removal learning parameter storage unit 5 is omitted. You may. Further, the noise removal learning parameter storage unit 5 may be provided inside the signal specification identifying device 3b. Further, in FIG.
  • the machine learning device 1b and the signal specification identifying device 3b are different devices, but the function of the signal specification identifying system 300 can be realized on one device.
  • the time-series feature amount calculating unit 11, the time-series feature amount calculating unit 31, the combining unit 12, the combining unit 32, the signal specification learning unit 13, the signal specification identifying unit 33, the noise removing unit 15, and the noise removing unit 35 Can also be realized by the same hardware.
  • the noise component after removal of the noise component is input. Train the self-encoder to output the signal. Then, by calculating the time-series feature amount from the result of noise removal, it is possible to improve the accuracy of identifying signal specifications even for a received signal with a low signal-to-noise ratio.
  • noise removal by non-linear processing is used using a neural network.
  • the noise removal unit cannot sufficiently learn with a limited data set amount.
  • the present embodiment is for removing noise without increasing the number of data sets even when the number of labels to be identified by the system is large.
  • FIG. 12 is a diagram showing a functional configuration of a signal specification identification system 400 according to the fourth embodiment of the present invention.
  • the signal specification identification system 400 includes a machine learning device 1c, a learning parameter storage unit 2, a signal specification identification device 3c, a quasi-synchronous detection unit 4, and a noise removal learning parameter storage unit 5.
  • the machine learning device 1c includes a time-series feature amount calculation unit 11, a combination unit 12, a signal specification learning unit 13, a signal selection unit 14, a first noise removal unit 15-1 to an Nth noise removal unit. 15-N and a selection unit 16.
  • the machine learning device 1c is the same as the machine learning device 1b except that it has a plurality of noise elimination units 15 and a selection unit 16 between the plurality of noise elimination units 15 and the signal selection unit 14.
  • a part different from the machine learning device 1b will be mainly described.
  • the selecting unit 16 selects one or more noises for processing the learning signal from the plurality of noise removing units 15 based on the label included in the learning data set, that is, based on the signal specifications indicated by the label.
  • the removing unit 15 is selected.
  • Each of the plurality of noise elimination units 15 has the configuration shown in FIG. 10, for example.
  • the learning signal selected by the signal selection unit 14 as the noise removal learning signal is input, each of the plurality of noise removal units 15 learns the signal after removing the noise component and removes the learning result from the noise. It is stored in the learning parameter storage unit 5.
  • each of the plurality of noise elimination units 15 performs noise component elimination processing and outputs the noise eliminated signal.
  • the signal specification identifying device 3c includes a time-series feature amount calculating section 31, a combining section 32, a signal specification identifying section 33, a first noise removing section 35-1 to an Nth noise removing section 35-N. , And a selection unit 36.
  • the first noise removing unit 35-1 to the Nth noise removing unit 35-N will be simply referred to as the noise removing unit 35 unless it is necessary to distinguish them from each other.
  • the selection unit 36 selects one or more noise removal units 35 that process the received signal from the plurality of noise removal units 35 based on the identification result of the signal specifications output by the signal specification identification unit 33. ..
  • the selecting unit 36 inputs the received signal to be processed into the selected noise removing unit 35.
  • Each of the plurality of noise removing units 35 has the configuration shown in FIG. 11, for example.
  • each of the plurality of noise removal units 35 removes the noise component from the received signal using the learning result stored in the noise removal learning parameter storage unit 5, and the received signal after noise removal is received. Is output to the time-series feature amount calculation unit 31.
  • the configuration shown in FIG. 12 is an example.
  • the learning parameter storage unit 2 is provided outside the machine learning device 1c and the signal specification identifying device 3c in FIG. 12, it may be provided inside the machine learning device 1c or may be provided as a signal specification. It may be provided inside the identification device 3c.
  • the noise removal learning parameter storage unit 5 if the noise removal learning parameter storage unit 154 inside the machine learning device 1c can be read from the signal specification identifying device 3c, the noise removal learning parameter storage unit 5 is omitted. You may. Further, the noise removal learning parameter storage unit 5 may be provided inside the signal specification identifying device 3c. Further, in FIG.
  • the machine learning device 1c and the signal specification identifying device 3c are different devices, but the function of the signal specification identifying system 400 can be realized on one device.
  • the Nth noise removing unit 15-N and the first noise removing unit 35-1 to the Nth noise removing unit 35-N can be realized by the same hardware.
  • FIG. 13 is a flowchart showing the operation of the machine learning device 1c shown in FIG.
  • the same parts as those of the operation shown in FIG. 6 are designated by the same reference numerals, and detailed description thereof will be omitted.
  • the machine learning device 1c acquires learning data (step S101).
  • the signal selection unit 14 determines whether the learning signal included in the learning data is the noise removal learning signal (step S301). If it is a noise removal learning signal (step S301: Yes), the selecting unit 16 selects one or more from the plurality of noise removing units 15 according to the label included in the learning data, and selects the selected noise.
  • the removing unit 15 is made to learn (step S302). Then, the process returns to step S301.
  • the selection unit 16 selects one or more from the plurality of noise removal units 15 according to the label included in the learning data, and selects the selected noise removal.
  • the unit 15 is made to remove noise (step S303).
  • FIG. 14 is a flowchart showing the operation of the signal specification identification device 3c shown in FIG.
  • the signal specification identifying device 3c acquires the in-phase signal and the quadrature signal included in the received signal from the quasi-coherent detection unit 4 (step S401).
  • the selection unit 36 selects one noise removal unit 35 from the plurality of noise removal units 35 and causes the selected noise removal unit 35 to remove noise (step S402).
  • the time-series feature amount calculation unit 31 calculates the time-series feature amount from the received signal after noise removal (step S403).
  • the combining unit 32 combines the calculated time-series feature amount and the in-phase signal and the quadrature signal included in the reception signal after noise removal to generate input data (step S404).
  • the signal specification identifying unit 33 identifies the signal specifications of the input signal from the input data using the learning result stored in the learning parameter storage unit 2 (step S405).
  • the signal specification identification unit 33 outputs the identification result to the outside of the signal specification identification device 3c and feeds it back to the selection unit 36.
  • the selecting unit 36 selects the noise removing unit 35 that processes the received signal from the plurality of noise removing units 35 according to the identification result, and causes the selected noise removing unit 35 to remove the noise component of the received signal (step S406).
  • the received signal from which the noise component has been removed is input to the time-series feature amount calculation unit 31.
  • the time-series feature amount calculation unit 31 calculates the time-series feature amount from the input received signal (step S407).
  • the combining unit 32 combines the calculated time series feature amount and the in-phase signal and the quadrature signal included in the reception signal after noise removal to generate input data (step S408).
  • the signal specification identifying unit 33 identifies the signal specifications of the received signal from the input data by using the learning result stored in the learning parameter storage unit 2 (step S409).
  • the signal specification identification unit 33 outputs the identification result.
  • the label value is given as AM, FM, BPSK (Binary Phase Shift Keying), QPSK, FSK.
  • the plurality of noise elimination units 15 and 35 are the first noise elimination units 15-1 and 35-1 for AM, the second noise elimination units 15-2 and 35-2 for FM, BPSK and QPSK. It is conceivable to provide four types of noise removing units 15 and 35, namely third noise removing units 15-3 and 35-3 for FSK and fourth noise removing units 15-4 and 35-4 for FSK.
  • the fifth noise removing unit 15-5 that learns all the labels and the learning result of the fifth noise removing unit 15-5 are used to remove the noise component from the received signal.
  • the noise component is removed using the fifth noise removal unit 35-5 in step S402 of FIG. 14, and the noise component is selected based on the identification result in step S406.
  • the noise component can be removed by using the removed noise removing unit 35.
  • the signal parameter identifying system 400 when the signal parameters are identified, the number of data sets required for learning by the noise removing unit 15 is increased. It is possible to improve the identification accuracy by performing the noise removal without using it.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Circuits Of Receivers In General (AREA)
  • Noise Elimination (AREA)

Abstract

機械学習装置（１）は、学習用信号に含まれる同相信号および直交信号から、学習用信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部（１１）と、同相信号および直交信号のそれぞれの波形と、時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部（１３）と、を備えることを特徴とする。

Description

機械学習装置、信号諸元識別装置および機械学習方法
　本発明は、受信信号の信号諸元を識別するための機械学習装置、信号諸元識別装置および機械学習方法に関する。
　受信信号の変調方式といった信号諸元を識別する方法として、機械学習を使用した方法が提案されている。非特許文献１には、受信信号に含まれる同相信号および直交信号と変調方式との関係を畳み込みニューラルネットワークに学習させることにより、学習結果を用いて、同相信号および直交信号を入力として、変調方式を識別する技術が開示されている。
Timothy　J.　O'Shea，Johnathan　Corgan，　and　T.　Charles　Clancy　"Convolutional　Radio　Modulation　Recognition　Networks"，CoRR，vol.abs/1602，no.04105，pp.1-15，Mar.2016.
　しかしながら、上記従来の技術によれば、学習のために必要なデータセット量が増大するという問題があった。
　本発明は、上記に鑑みてなされたものであって、学習のために必要なデータセット量を低減することが可能な機械学習装置を得ることを目的とする。
　上述した課題を解決し、目的を達成するために、本発明にかかる機械学習装置は、学習用信号に含まれる同相信号および直交信号から、学習用信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、同相信号および直交信号のそれぞれの波形と、時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、を備えることを特徴とする。
　本発明にかかる機械学習装置は、学習のために必要なデータセット数を低減することが可能になるという効果を奏する。
本発明の実施の形態１にかかる信号諸元識別システムの機能構成を示す図 図１に示す時系列特徴量算出部の構成例を示す図 図１に示す準同期検波部の構成例を示す図 図１に示す信号諸元識別システムの機能を実現するための専用のハードウェア構成を示す図 図１に示す信号諸元識別システムの機能を実現するソフトウェアを実行するハードウェア構成を示す図 図１に示す機械学習装置の動作を示すフローチャート 図１に示す信号諸元識別装置の動作を示すフローチャート 本発明の実施の形態２にかかる信号諸元識別システムの機能構成を示す図 本発明の実施の形態３にかかる信号諸元識別システムの機能構成を示す図 図９に示す雑音除去部の機能構成を示す図 図９に示す雑音除去部の構成例を示す図 本発明の実施の形態４にかかる信号諸元識別システムの機能構成を示す図 図１２に示す機械学習装置の動作を示すフローチャート 図１２に示す信号諸元識別装置の動作を示すフローチャート
　以下に、本発明の実施の形態にかかる機械学習装置、信号諸元識別装置および機械学習方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。
実施の形態１．
　図１は、本発明の実施の形態１にかかる信号諸元識別システム１００の機能構成を示す図である。信号諸元識別システム１００は、機械学習装置１と、機械学習装置１の学習結果である学習パラメータを記憶する学習パラメータ記憶部２と、学習結果を用いて受信信号の信号諸元を識別する信号諸元識別装置３と、受信信号に含まれる同相信号および直交信号を得る準同期検波部４とを有する。信号諸元は、ＡＭ（Amplitude　Modulation：振幅変調）／ＦＭ（Frequency　Modulation：周波数変調）といった電波の伝送方式、ＦＳＫ（Frequency　Shift　Keying：周波数偏移変調）、ＱＰＳＫ（Quadrature　Phase　Shift　Keying：四位相偏移変調）などの変調方式、ＤＳＳＳ（Direct　Sequence　Spread　Spectrum：直接拡散方式）、ＯＦＤＭ（Orthogonal　Frequency　Division　Multiplexing：直交波周波数分割多重）などの二次変調まで含めた通信規格などである。通信規格の一例としては、ＩＥＥＥ（Institute　of　Electrical　and　Electronics　Engineers）８０２．１１ａ、ＩＥＥＥ８０２．１１ｇ、およびＩＥＥＥ８０２．１５．６が挙げられる。
　機械学習装置１は、学習用データセットを用いて、信号諸元を識別するための学習パラメータを学習する。学習用データセットは、学習用信号と、学習用信号に対応づけられた信号諸元を示すラベルとを含む。複数の学習用信号は、実際に取得された受信波形に対して順同期検波を行った結果得られる同相信号および直交信号の組み合わせであるＩＱ信号、計算機シミュレーションにより模擬された同相信号および直交信号などであり、予め用意されている。学習用データセットに含まれる学習用信号は、時系列特徴量算出部１１および結合部１２のそれぞれに入力され、学習用データセットに含まれるラベルは、信号諸元学習部１３に入力される。
　機械学習装置１は、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３とを有する。時系列特徴量算出部１１は、学習用信号に含まれる同相信号および直交信号から、学習用信号の特徴量の時系列変動値である時系列特徴量を算出する。時系列特徴量算出部１１は、算出した時系列特徴量を結合部１２に入力する。結合部１２は、学習用信号に含まれる同相信号および直交信号と、時系列特徴量とを結合して信号諸元学習部１３が機械学習に用いる訓練データセットを生成する。結合部１２は、結合後のデータである訓練データセットを信号諸元学習部１３に入力する。信号諸元学習部１３は、同相信号および直交信号のそれぞれの波形と、時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する。信号諸元学習部１３の学習結果は、入力データである訓練データセットと、信号諸元との間の関係を示し、訓練データセットから信号諸元を識別するための学習パラメータである。信号諸元学習部１３は、学習結果である学習パラメータを学習パラメータ記憶部２に記憶させる。
　学習パラメータ記憶部２は、機械学習装置１の学習結果である学習パラメータを記憶する記憶装置である。学習パラメータ記憶部２に記憶された学習パラメータは、信号諸元識別装置３から読み出すことができる。
　準同期検波部４は、受信信号を同期復調し、搬送波を再生し、周波数偏差および位相偏差補償を行う。準同期検波部４は、準同期検波後に得られる同相信号および直交信号を信号諸元識別装置３に入力する。
　信号諸元識別装置３は、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３とを有する。準同期検波部４の出力する同相信号および直交信号は、時系列特徴量算出部３１および結合部３２のそれぞれに入力される。時系列特徴量算出部３１は、受信信号に含まれる同相信号および直交信号から、受信信号の特徴量の時系列変動値である時系列特徴量を算出する。時系列特徴量算出部３１が算出する時系列特徴量の種類は、時系列特徴量算出部１１が算出する時系列特徴量と同一であることが望ましい。時系列特徴量算出部３１は、算出した時系列特徴量を結合部３２に入力する。結合部３２は、時系列特徴量算出部３１から入力される時系列特徴量と、同相信号および直交信号とを結合し、信号諸元識別部３３への入力データを生成する。信号諸元識別部３３は、学習パラメータ記憶部２に記憶される学習パラメータを用いて、結合部３２からの入力データに基づいて、受信信号に適用されている信号諸元を識別する。信号諸元識別部３３は、識別結果を出力する。
　なお、上記の構成は一例である。例えば、学習パラメータ記憶部２は、図１においては、機械学習装置１および信号諸元識別装置３の外部に設けられているが、機械学習装置１の内部に設けられていてもよいし、信号諸元識別装置３の内部に設けられていてもよい。また、図１では、機械学習装置１と信号諸元識別装置３とを異なる装置としているが、信号諸元識別システム１００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、および、信号諸元学習部１３と信号諸元識別部３３は、それぞれ同一のハードウェアにより実現することもできる。
　図２は、図１に示す時系列特徴量算出部１１，３１の構成例を示す図である。時系列特徴量算出部１１，３１は、振幅算出部１１１と、位相算出部１１２とを有する。振幅算出部１１１および位相算出部１１２のそれぞれには、同相信号および直交信号が入力される。振幅算出部１１１は、受信信号の振幅を算出する。振幅算出部１１１は、同相信号Ｉ、直交信号Ｑとした場合、振幅Ａは、以下の数式（１）で表すことができる。
Figure JPOXMLDOC01-appb-M000001
　位相算出部１１２は、受信信号の位相を算出することができる。同相信号Ｉ、直交信号Ｑとした場合、位相φは、以下の数式（２）で表すことができる。
Figure JPOXMLDOC01-appb-M000002
　なお、時系列特徴量算出部１１，３１は、上記以外にも、同相信号Ｉ、直交信号Ｑを複素４乗したものの振幅、位相を算出することもできる。また、時系列特徴量算出部１１，３１が算出する特徴量は、振幅および位相に限らない。
　図３は、図１に示す準同期検波部４の構成例を示す図である。準同期検波部４は、受信信号の周波数変換を行うための発振信号を生成する発振器４１と、発振器４１から出力される発振信号の位相を２分のπずらすπ／２移相器４２と、受信信号と発振信号とを乗算する乗算器４３と、受信信号と２分のπ位相をずらした発振信号とを乗算する乗算器４４と、乗算器４３，４４から出力された信号から不要波および雑音を除去するＬＰＦ（Low　Pass　Filter）４５，４６とを有する。
　図４は、図１に示す信号諸元識別システム１００の機能を実現するための専用のハードウェア構成を示す図である。図４に示す処理回路９０は、例えば、単一回路、復号回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）、または、これらを組み合わせたものが該当する。
　図５は、図１に示す信号諸元識別システム１００の機能を実現するソフトウェアを実行するハードウェア構成を示す図である。信号諸元識別システム１００の機能は、準同期検波回路９１と、プロセッサ９２と、メモリ９３と、ストレージ９４とを用いて実現することができる。準同期検波回路９１は、図４に示す準同期検波部４の構成を有する回路である。プロセッサ９２は、例えば、ＣＰＵ（Central　Processing　Unit）、ＧＰＵ（Graphics　Processing　Unit）、マイクロプロセッサ、マイクロコントローラ、またはＤＳＰ（Digital　Signal　Processor）などにより構成されている。メモリ９３は、例えば、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、もしくはＥＥＰＲＯＭ（登録商標）（Electrically　ＥＰＲＯＭ）などの半導体メモリ、磁気ディスク、フレキシブルディスク、などが該当する。
　図１に示した機械学習装置１および信号諸元識別装置３の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアの組み合わせにより実現される。ソフトウェアやファームウェアはプログラムとして記述され、メモリ９３に記憶され、メモリ９３が記憶するプログラムをプロセッサ９２が読みだして実行することにより各機能が実現される。また、プログラムが実行される中で情報を記録する際には、メモリ９３を用いてデータを保持してもよいし、ストレージ９４を用いてデータを保持してもよい。図１に示した学習パラメータ記憶部２はストレージ９４を用いて学習パラメータを保持する。
　図６は、図１に示す機械学習装置１の動作を示すフローチャートである。機械学習装置１は、学習用データセットに含まれる学習用信号とラベルとを対応づけた学習用データを取得する（ステップＳ１０１）。時系列特徴量算出部１１は、取得した学習用データのち、学習用信号から時系列特徴量を算出する（ステップＳ１０２）。
　結合部１２は、算出された時系列特徴量と学習用データとを結合して訓練データセットを生成する（ステップＳ１０３）。信号諸元学習部１３は、ニューラルネットワークを用いた識別器を利用して、生成された訓練データセットを入力データとし、対応づけられたラベルが示す信号諸元を学習して、入力データから対応する信号諸元を出力するためのパラメータを学習する（ステップＳ１０４）。学習結果である学習パラメータは、学習パラメータ記憶部２に記憶される。
　図７は、図１に示す信号諸元識別装置３の動作を示すフローチャートである。信号諸元識別装置３は、受信信号に含まれる同相信号および直交信号を取得する（ステップＳ２０１）。時系列特徴量算出部３１は、同相信号および直交信号から時系列特徴量を算出する（ステップＳ２０２）。結合部３２は、算出された時系列特徴量と、同相信号および直交信号とを結合して信号諸元識別部３３に入力する（ステップＳ２０３）。信号諸元識別部３３は、入力されたデータと、学習パラメータ記憶部２に記憶された機械学習装置１の学習結果とに基づいて、受信信号の信号諸元を識別する（ステップＳ２０４）。
　以上説明したように、本発明の実施の形態１にかかる信号諸元識別システム１００では、同相信号および直交信号に加えて、信号の特徴量の時系列変動値である時系列特徴量を信号諸元学習部１３への入力として、信号諸元が学習される。このような構成をとることによって、同相信号および直交信号のみを入力として信号諸元を学習するよりも、必要となるサンプル数および学習時に必要となるデータセット数を削減することが可能になる。
実施の形態２．
　図８は、本発明の実施の形態２にかかる信号諸元識別システム２００の機能構成を示す図である。以下、実施の形態１にかかる信号諸元識別システム１００と異なる部分について主に説明し、信号諸元識別システム１００と同様の部分については詳しい説明を省略する。信号諸元識別システム２００は、機械学習装置１ａと、学習パラメータ記憶部２と、信号諸元識別装置３ａと、準同期検波部４とを有する。
　機械学習装置１ａは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３ａとを有する。機械学習装置１ａは、学習用データセットから、学習用信号と、補足情報と、ラベルとを含む学習用データを取得する。補足情報は、学習用信号から算出可能な情報であり、予め取得されている。補足情報は、信号諸元学習部１３ａに入力される。信号諸元学習部１３ａは、同相信号および直交信号のそれぞれの波形と、時系列特徴量と、補足情報とに基づいて作成される訓練データセットに従って、信号諸元を学習する。
　信号諸元識別装置３ａは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３ａと、補足情報算出部３４とを有する。補足情報算出部３４には、準同期検波部４から、受信信号に含まれる同相信号および直交信号が入力される。補足情報算出部３４は、受信信号から、信号諸元学習部１３ａに入力される補足情報と同じ種類の補足情報を算出する。補足情報は、信号の特徴を補足する情報であり、推定されたＳＮＲ（Signal　to　Noise　Ratio：信号対雑音比）、推定された周波数誤差といったものが考えられる。補足情報算出部３４における計算は、同相信号および直交信号をＦＦＴ（Fast　Fourier　Transform）して周波数領域における最大値と最小値の比を推定ＳＮＲとしたり、周波数帯域から中心周波数のずれを推定するほか、ニューラルネットワークを用いてＳＮＲや周波数帯域を推定することが考えられるが、これに限るものではない。
　信号諸元識別部３３ａは、結合部３２の出力する結合データに加えて、補足情報算出部３４の出力する補足情報を入力データとして、信号諸元を識別する。なお、実施の形態１と同様に、図８に示す構成は一例であり、学習パラメータ記憶部２は、図８においては、機械学習装置１ａおよび信号諸元識別装置３ａの外部に設けられているが、機械学習装置１ａの内部に設けられていてもよいし、信号諸元識別装置３ａの内部に設けられていてもよい。また、図８では、機械学習装置１ａと信号諸元識別装置３ａとを異なる装置としているが、信号諸元識別システム２００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、および、信号諸元学習部１３ａと信号諸元識別部３３ａは、それぞれ同一のハードウェアにより実現することもできる。
　以上説明したように、本発明の実施の形態２にかかる信号諸元識別システム２００によれば、信号諸元学習部１３ａおよび信号諸元識別部３３ａの入力データに補足情報を追加することで、学習に必要となるデータセット数をさらに削減することが可能になる。
実施の形態３．
　図９は、本発明の実施の形態３にかかる信号諸元識別システム３００の機能構成を示す図である。信号諸元識別システム３００は、機械学習装置１ｂと、学習パラメータ記憶部２と、信号諸元識別装置３ｂと、準同期検波部４と、雑音除去学習パラメータ記憶部５とを有する。
　機械学習装置１ｂは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３と、信号選定部１４と、雑音除去部１５とを有する。信号選定部１４および雑音除去部１５は、時系列特徴量算出部１１の前段に配置されている。
　信号選定部１４は、学習用データセットに含まれる学習用信号の中から、学習用信号から雑音成分を除去した雑音除去信号を学習するために使用する雑音除去学習用信号を選定する。信号選定部１４は、選定結果および学習用信号を雑音除去部１５に入力する。信号選定部１４は、学習用信号の信号対雑音比に基づいて、雑音除去学習用信号を選定することができる。例えば、信号選定部１４は、信号対雑音比が閾値以上の学習用信号を雑音除去学習用信号に選定する。或いは、学習用データセットに含まれる学習用信号に、予め雑音除去学習用信号であるか否かを示すフラグが付与されている場合、信号選定部１４は、フラグに基づいて、雑音除去学習用信号を選定することができる。
　雑音除去部１５は、学習用信号から雑音成分を除去した雑音除去信号を学習すると共に、雑音除去信号の学習結果を用いて学習用信号から雑音成分を除去する。具体的には、雑音除去部１５は、入力される学習用信号と、信号選定部１４の選定結果とに基づいて、雑音除去学習用信号として選定された学習用信号については、当該学習用信号を用いて、雑音除去信号を学習する。雑音除去部１５は、学習結果を雑音除去学習パラメータ記憶部５に記憶する。雑音除去部１５は、雑音除去学習用信号として選定されなかった学習用信号については、学習結果を用いて、学習用信号から雑音成分を除去する。雑音除去部１５は、雑音成分を除去した学習用信号である雑音除去後信号を時系列特徴量算出部１１および結合部１２に入力する。
　時系列特徴量算出部１１、結合部１２および信号諸元学習部１３については、雑音除去後信号を用いて処理が行われる点以外は、実施の形態１と同様であるため詳しい説明を省略する。
　図１０は、図９に示す雑音除去部１５の機能構成を示す図である。雑音除去部１５は、学習用雑音付加部１５１と、正規化処理部１５２と、雑音除去器学習部１５３と、雑音除去学習パラメータ記憶部１５４と、正規化処理部１５５と、雑音除去器１５６とを有する。
　学習用雑音付加部１５１には、雑音除去学習用信号が入力される。学習用信号の中で、含まれる雑音成分が低いものが雑音除去学習用信号に選定されている。学習用雑音付加部１５１は、入力される雑音除去学習用信号に、雑音成分を付加する。学習用雑音付加部１５１は、雑音成分を付加した信号を正規化処理部１５２に入力する。正規化処理部１５２には、雑音成分を付加した信号と、雑音成分を付加する前の雑音除去学習用信号とが入力される。正規化処理部１５２は、雑音成分を付加した信号および雑音除去学習用信号のそれぞれに正規化処理を行った結果を雑音除去器学習部１５３に入力する。
　雑音除去器学習部１５３は、自己符号化器を備え、自己符号化器には、正規化した雑音付加後の信号が入力され、自己符号化器は、雑音付加後の信号に基づく雑音除去用データセットに従って、正規化した雑音付加前の雑音除去学習用信号を雑音除去後の信号として学習する。言い換えると、雑音除去器学習部１５３は、雑音付加後の雑音除去学習用信号を入力としたとき、雑音付加前の雑音除去学習用信号を出力するようにパラメータを学習する。雑音除去器学習部１５３は、学習結果を雑音除去学習パラメータ記憶部１５４に記憶すると共に、出力して雑音除去学習パラメータ記憶部５に記憶させる。
　自己符号化器（Autoencoder）は、入力と出力の次元を同一としたニューラルネットワークであり、入力に対して雑音を付加したものから雑音付加前のものを推定する手法は、雑音除去自己符号化器（Denoising　Autoencoder）として知られている。
　雑音除去学習用信号でない入力信号が入力された場合、正規化処理部１５５で正規化処理が行われ、正規化処理部１５５は、処理後の信号を雑音除去器１５６に入力する。雑音除去器１５６は、雑音除去学習パラメータ記憶部１５４に記憶された学習パラメータを用いて雑音除去を行い、雑音除去後の信号を出力する。
　図９の説明に戻る。信号諸元識別装置３ｂは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３と、雑音除去部３５とを有する。雑音除去部３５は、時系列特徴量算出部３１の前段に配置される。雑音除去部３５には、準同期検波部４から同相信号および直交信号が入力される。また、雑音除去部３５は、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて、入力信号から雑音成分を除去する。雑音除去部３５は、雑音成分を除去後の信号を時系列特徴量算出部３１および結合部３２のそれぞれに入力する。時系列特徴量算出部３１、結合部３２、および信号諸元識別部３３は、雑音成分を除去後の信号を処理する点以外は実施の形態１と同様であるため、ここでは詳しい説明を省略する。
　図１１は、図９に示す雑音除去部３５の構成例を示す図である。雑音除去部３５は、正規化処理部３５１と、雑音除去器３５２とを有する。正規化処理部３５１は、入力信号に対して正規化処理を行い、正規化処理後の信号を雑音除去器３５２に入力する。雑音除去器３５２は、正規化処理後の信号に対して、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて雑音除去処理を行い、雑音除去後の信号を出力する。
　なお、図９～１１に示す構成は一例である。学習パラメータ記憶部２は、図９においては、機械学習装置１ｂおよび信号諸元識別装置３ｂの外部に設けられているが、機械学習装置１ｂの内部に設けられていてもよいし、信号諸元識別装置３ｂの内部に設けられていてもよい。また、雑音除去学習パラメータ記憶部５についても、機械学習装置１ｂ内部の雑音除去学習パラメータ記憶部１５４を信号諸元識別装置３ｂから読み出すことが可能であれば、雑音除去学習パラメータ記憶部５を省略してもよい。また、雑音除去学習パラメータ記憶部５は、信号諸元識別装置３ｂの内部に設けられてもよい。また、図９では、機械学習装置１ｂと信号諸元識別装置３ｂとを異なる装置としているが、信号諸元識別システム３００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、信号諸元学習部１３と信号諸元識別部３３、雑音除去部１５と雑音除去部３５は、それぞれ同一のハードウェアにより実現することもできる。
　以上説明したように、本発明の実施の形態３にかかる信号諸元識別システム３００では、雑音除去学習用信号を用いて、雑音成分を含む信号が入力されたときに、雑音成分を除去後の信号が出力されるように自己符号化器を学習させる。そして、雑音除去を行った結果から時系列特徴量を算出することにより、信号対雑音比が低い受信信号に対しても、信号諸元の識別精度を向上させることが可能になる。
実施の形態４．
　実施の形態３では、ニューラルネットワークを用いて非線形処理による雑音除去を用いているが、システムの識別対象のラベル数が大きい場合、限られたデータセット量では、雑音除去部が十分に学習できない場合がある。本実施の形態は、システムの識別対象のラベル数が大きい場合であっても、データセット数を増やすことなく、雑音除去を行うためのものである。
　図１２は、本発明の実施の形態４にかかる信号諸元識別システム４００の機能構成を示す図である。信号諸元識別システム４００は、機械学習装置１ｃと、学習パラメータ記憶部２と、信号諸元識別装置３ｃと、準同期検波部４と、雑音除去学習パラメータ記憶部５とを有する。
　機械学習装置１ｃは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３と、信号選定部１４と、第１の雑音除去部１５－１～第Ｎの雑音除去部１５－Ｎと、選択部１６とを有する。以下の説明中において、第１の雑音除去部１５－１～第Ｎの雑音除去部１５－Ｎのそれぞれを区別する必要がない場合、単に雑音除去部１５と称する。機械学習装置１ｃは、雑音除去部１５を複数有し、複数の雑音除去部１５と信号選定部１４との間に選択部１６を有する以外は、機械学習装置１ｂと同様である。以下、機械学習装置１ｂと異なる部分について主に説明する。
　選択部１６は、学習用データセットに含まれるラベルに基づいて、つまり、ラベルが示す信号諸元に基づいて、複数の雑音除去部１５の中から、学習用信号を処理する１つ以上の雑音除去部１５を選択する。複数の雑音除去部１５のそれぞれは、例えば図１０に示す構成を有している。複数の雑音除去部１５のそれぞれは、信号選定部１４によって、雑音除去学習用信号として選択された学習用信号が入力された場合、雑音成分を除去後の信号を学習し、学習結果を雑音除去学習パラメータ記憶部５に記憶させる。複数の雑音除去部１５のそれぞれは、雑音除去学習用信号として選択されなかった学習用信号が入力された場合、雑音成分の除去処理を行って、雑音除去後の信号を出力する。
　信号諸元識別装置３ｃは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３と、第１の雑音除去部３５－１～第Ｎの雑音除去部３５－Ｎと、選択部３６とを有する。以下、第１の雑音除去部３５－１～第Ｎの雑音除去部３５－Ｎのそれぞれを特に区別する必要がない場合、単に雑音除去部３５と称する。
　選択部３６は、信号諸元識別部３３の出力する信号諸元の識別結果に基づいて、複数の雑音除去部３５の中から、受信信号を処理する１つ以上の雑音除去部３５を選択する。選択部３６は、選択した雑音除去部３５に、処理対象の受信信号を入力する。複数の雑音除去部３５のそれぞれは、例えば図１１に示す構成を有している。複数の雑音除去部３５のそれぞれは、受信信号が入力されると、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて、受信信号から雑音成分を除去し、雑音除去後の受信信号を時系列特徴量算出部３１に出力する。
　なお、図１２に示す構成は一例である。学習パラメータ記憶部２は、図１２においては、機械学習装置１ｃおよび信号諸元識別装置３ｃの外部に設けられているが、機械学習装置１ｃの内部に設けられていてもよいし、信号諸元識別装置３ｃの内部に設けられていてもよい。また、雑音除去学習パラメータ記憶部５についても、機械学習装置１ｃ内部の雑音除去学習パラメータ記憶部１５４を信号諸元識別装置３ｃから読み出すことが可能であれば、雑音除去学習パラメータ記憶部５を省略してもよい。また、雑音除去学習パラメータ記憶部５は、信号諸元識別装置３ｃの内部に設けられてもよい。また、図１２では、機械学習装置１ｃと信号諸元識別装置３ｃとを異なる装置としているが、信号諸元識別システム４００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、信号諸元学習部１３と信号諸元識別部３３、第１の雑音除去部１５－１～第Ｎの雑音除去部１５－Ｎと第１の雑音除去部３５－１～第Ｎの雑音除去部３５－Ｎは、それぞれ同一のハードウェアにより実現することもできる。
　図１３は、図１２に示す機械学習装置１ｃの動作を示すフローチャートである。なお、図１３の説明中において、図６に示す動作と同様の部分については、同じ符号を付して詳細な説明を省略する。
　機械学習装置１ｃは、学習用データを取得する（ステップＳ１０１）。信号選定部１４は、学習用データに含まれる学習用信号が雑音除去学習用信号であるか否かを判断する（ステップＳ３０１）。雑音除去学習用信号である場合（ステップＳ３０１：Ｙｅｓ）、選択部１６は、学習用データに含まれるラベルに応じて複数の雑音除去部１５の中から１つ以上を選択して、選択した雑音除去部１５に学習させる（ステップＳ３０２）。その後ステップＳ３０１の処理に戻る。
　雑音除去学習用信号でない場合（ステップＳ３０１：Ｎｏ）、選択部１６は、学習用データに含まれるラベルに応じて複数の雑音除去部１５の中から１つ以上を選択して、選択した雑音除去部１５に雑音除去させる（ステップＳ３０３）。以下、ステップＳ１０２からステップＳ１０４の処理は図６と同様であるため説明を省略する。
　図１４は、図１２に示す信号諸元識別装置３ｃの動作を示すフローチャートである。信号諸元識別装置３ｃは、準同期検波部４から受信信号に含まれる同相信号および直交信号を取得する（ステップＳ４０１）。選択部３６は、複数の雑音除去部３５の中から１つの雑音除去部３５を選択し、選択した雑音除去部３５に雑音除去させる（ステップＳ４０２）。時系列特徴量算出部３１は、雑音除去後の受信信号から時系列特徴量を算出する（ステップＳ４０３）。結合部３２は、算出された時系列特徴量と雑音除去後の受信信号に含まれる同相信号および直交信号とを結合して入力データを生成する（ステップＳ４０４）。信号諸元識別部３３は、入力データから、学習パラメータ記憶部２に記憶されている学習結果を用いて、入力信号の信号諸元を識別する（ステップＳ４０５）。信号諸元識別部３３は、識別結果を信号諸元識別装置３ｃの外部に出力すると共に、選択部３６にフィードバックする。
　選択部３６は、識別結果に応じて、複数の雑音除去部３５の中から受信信号を処理する雑音除去部３５を選択し、選択した雑音除去部３５に受信信号の雑音成分を除去させる（ステップＳ４０６）。雑音成分除去後の受信信号は、時系列特徴量算出部３１に入力される。時系列特徴量算出部３１は、入力される受信信号から時系列特徴量を算出する（ステップＳ４０７）。結合部３２は、算出された時系列特徴量と雑音除去後の受信信号に含まれる同相信号および直交信号とを結合して入力データを生成する（ステップＳ４０８）。信号諸元識別部３３は、入力データから、学習パラメータ記憶部２に記憶された学習結果を用いて、受信信号の信号諸元を識別する（ステップＳ４０９）。信号諸元識別部３３は、識別結果を出力する。
　信号諸元識別システム４００を用いて、変調方式の識別を行う場合、例えば、ラベルの値は、ＡＭ、ＦＭ、ＢＰＳＫ（Binary　Phase　Shift　Keying：二位相偏移変調）、ＱＰＳＫ、ＦＳＫが与えられるとする。この場合、複数の雑音除去部１５，３５は、ＡＭ向けの第１の雑音除去部１５－１，３５－１、ＦＭ向けの第２の雑音除去部１５－２，３５－２、ＢＰＳＫおよびＱＰＳＫ向けの第３の雑音除去部１５－３，３５－３、ＦＳＫ向けの第４の雑音除去部１５－４，３５－４の４通りの雑音除去部１５，３５を設けることが考えられる。さらに、ラベルの値によらず、全てのラベルについて学習する第５の雑音除去部１５－５と、第５の雑音除去部１５－５の学習結果を用いて受信信号から雑音成分を除去する第５の雑音除去部３５－５とを備える場合、図１４のステップＳ４０２では、第５の雑音除去部３５－５を用いて雑音成分を除去し、その後のステップＳ４０６では、識別結果に基づいて選択された雑音除去部３５を用いて雑音成分を除去することができる。
　以上説明したように、本発明の実施の形態４にかかる信号諸元識別システム４００によれば、信号諸元の識別を行う際に、雑音除去部１５の学習に必要なデータセット数を増やすことなく雑音除去を行うことで、識別精度を向上させることが可能になる。
　以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
　また、フローチャートを用いて説明した動作は、必要に応じて、各ステップの動作を並列処理したり、処理の順番を入れ替えたりすることができる。
　１，１ａ，１ｂ，１ｃ　機械学習装置、２　学習パラメータ記憶部、３，３ａ，３ｂ，３ｃ　信号諸元識別装置、４　準同期検波部、５，１５４　雑音除去学習パラメータ記憶部、１１，３１　時系列特徴量算出部、１２，３２　結合部、１３，１３ａ　信号諸元学習部、１４　信号選定部、１５，３５　雑音除去部、１５－１，３５－１　第１の雑音除去部、１５－２，３５－２　第２の雑音除去部、１５－３，３５－３　第３の雑音除去部、１５－４，３５－４　第４の雑音除去部、１５－５，３５－５　第５の雑音除去部、１５－Ｎ，３５－Ｎ　第Ｎの雑音除去部、１６，３６　選択部、３３，３３ａ　信号諸元識別部、３４　補足情報算出部、４１　発振器、４２　π／２移相器、４３，４４　乗算器、４５，４６　ＬＰＦ、９０　処理回路、９１　準同期検波回路、９２　プロセッサ、９３　メモリ、９４　ストレージ、１００，２００，３００，４００　信号諸元識別システム、１１１　振幅算出部、１１２　位相算出部、１５１　学習用雑音付加部、１５２，１５５，３５１　正規化処理部、１５３　雑音除去器学習部、１５６，３５２　雑音除去器。

Claims (13)

  1. 　学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、
    　前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、
    　を備えることを特徴とする機械学習装置。
  2. 　前記学習用信号と、前記信号諸元とを対応づけた学習用データセットは、前記学習用信号に基づいて算出可能な補足情報をさらに含み、
    　前記信号諸元学習部は、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、前記補足情報とに基づいて作成される訓練データセットに従って、前記信号諸元を学習することを特徴とする請求項１に記載の機械学習装置。
  3. 　前記学習用信号から雑音成分を除去した雑音除去信号を学習すると共に、前記雑音除去信号の学習結果を用いて前記学習用信号から前記雑音成分を除去する雑音除去部、
    　をさらに備え、
    　前記時系列特徴量算出部は、前記雑音成分が除去された前記学習用信号を用いて、前記時系列特徴量を算出することを特徴とする請求項１または２に記載の機械学習装置。
  4. 　前記雑音除去信号を学習するために使用する雑音除去学習用信号を、入力される学習用信号の中から選定する信号選定部、
    　をさらに備え、
    　前記雑音除去部は、前記雑音除去学習用信号として選定された前記学習用信号に雑音成分を付加し、前記雑音成分を付加した前記雑音除去学習用信号に基づく雑音除去用データセットに従って、前記雑音成分を付加する前の前記雑音除去学習用信号を前記雑音成分を除去後の信号として学習することを特徴とする請求項３に記載の機械学習装置。
  5. 　複数の前記雑音除去部と、
    　複数の前記雑音除去部の中から、前記学習用信号の信号諸元に基づいて、前記学習用信号を処理する１つ以上の雑音除去部を選択する選択部と、
    　を備えることを特徴とする請求項４に記載の機械学習装置。
  6. 　複数の前記雑音除去部は、前記信号諸元に関わらず全ての雑音除去学習用信号を用いて学習を行う全学習雑音除去部を含み、
    　前記選択部は、前記全学習雑音除去部と、前記学習用信号の信号諸元に基づいて選択した雑音除去部とを選択することを特徴とする請求項５に記載の機械学習装置。
  7. 　受信信号に含まれる同相信号および直交信号から、前記受信信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、
    　前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、信号諸元との関係を学習した諸元学習結果に基づいて、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量とを用いて、前記信号諸元を識別する信号諸元識別部と、
    　を備えることを特徴とする信号諸元識別装置。
  8. 　前記受信信号から前記受信信号の特徴を示す補足情報を算出する補足情報算出部、
    　をさらに備え、
    　前記信号諸元識別部は、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、前記補足情報と、前記信号諸元との関係を学習した学習結果に基づいて、前記補足情報をさらに用いて、前記信号諸元を識別することを特徴とする請求項７に記載の信号諸元識別装置。
  9. 　入力される信号と、前記信号から雑音成分を除去後の信号との関係を学習した雑音学習結果に基づいて、前記受信信号に含まれる同相信号および直交信号から雑音成分を除去する雑音除去部、
    　をさらに備え、
    　前記時系列特徴量算出部は、前記雑音成分を除去後の信号から前記時系列特徴量を算出することを特徴とする請求項７または８に記載の信号諸元識別装置。
  10. 　複数の前記雑音除去部と、
    　複数の前記雑音除去部の中から、前記受信信号の信号諸元に基づいて、前記受信信号を処理する前記雑音除去部を選択する選択部と、
    　をさらに備えることを特徴とする請求項９に記載の信号諸元識別装置。
  11. 　複数の前記雑音除去部は、前記信号諸元の値によらず全ての学習結果を用いて雑音成分を除去する全学習雑音除去部を含み、
    　前記全学習雑音除去部を用いて雑音成分が除去された受信信号の信号諸元を識別した後、識別結果を前記選択部にフィードバックすることを特徴とする請求項１０に記載の信号諸元識別装置。
  12. 　学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出する第１の時系列特徴量算出部と、
    　前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、
    　受信信号に含まれる同相信号および直交信号から、前記受信信号の前記時系列特徴量を算出する第２の時系列特徴量算出部と、
    　前記受信信号に含まれる同相信号および直交信号のそれぞれの波形と、前記第２の時系列特徴量算出部により算出された前記時系列特徴量と、前記信号諸元学習部の学習結果とに基づいて、前記信号諸元の識別結果を出力する信号諸元識別部と、
    　を備えることを特徴とする信号諸元識別装置。
  13. 　学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出するステップと、
    　前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習するステップと、を含むことを特徴とする機械学習方法。
PCT/JP2019/005347 2019-02-14 2019-02-14 機械学習装置、信号諸元識別装置および機械学習方法 WO2020166005A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2019/005347 WO2020166005A1 (ja) 2019-02-14 2019-02-14 機械学習装置、信号諸元識別装置および機械学習方法
JP2020571989A JP6896191B2 (ja) 2019-02-14 2019-02-14 機械学習装置、信号諸元識別装置、機械学習方法、制御回路および記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/005347 WO2020166005A1 (ja) 2019-02-14 2019-02-14 機械学習装置、信号諸元識別装置および機械学習方法

Publications (1)

Publication Number Publication Date
WO2020166005A1 true WO2020166005A1 (ja) 2020-08-20

Family

ID=72044746

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/005347 WO2020166005A1 (ja) 2019-02-14 2019-02-14 機械学習装置、信号諸元識別装置および機械学習方法

Country Status (2)

Country Link
JP (1) JP6896191B2 (ja)
WO (1) WO2020166005A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113923088A (zh) * 2021-10-21 2022-01-11 天津光电通信技术有限公司 一种基于hlnn的5g信号数字调制方式自动识别方法
WO2023170783A1 (ja) * 2022-03-08 2023-09-14 三菱電機株式会社 信号解析装置、信号解析方法、制御回路および記憶媒体
JP7563051B2 (ja) 2020-08-28 2024-10-08 日本電気株式会社 変調方式推定装置、変調方式推定方法、及びそのプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05218914A (ja) * 1991-06-28 1993-08-27 Mitsubishi Electric Corp 汎用復調装置および通信波形解析装置
JP2010081251A (ja) * 2008-09-25 2010-04-08 Toshiba Corp 変調方式推定装置および方法
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
JP2019016967A (ja) * 2017-07-10 2019-01-31 Ｈｅｒｏｚ株式会社 受信機および受信方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001169110A (ja) * 1999-12-10 2001-06-22 Fuji Photo Film Co Ltd 画像変換装置および画像変換プログラム記憶媒体
JP5742310B2 (ja) * 2011-03-09 2015-07-01 富士通株式会社 方式判定装置および方式判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05218914A (ja) * 1991-06-28 1993-08-27 Mitsubishi Electric Corp 汎用復調装置および通信波形解析装置
JP2010081251A (ja) * 2008-09-25 2010-04-08 Toshiba Corp 変調方式推定装置および方法
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
JP2019016967A (ja) * 2017-07-10 2019-01-31 Ｈｅｒｏｚ株式会社 受信機および受信方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7563051B2 (ja) 2020-08-28 2024-10-08 日本電気株式会社 変調方式推定装置、変調方式推定方法、及びそのプログラム
CN113923088A (zh) * 2021-10-21 2022-01-11 天津光电通信技术有限公司 一种基于hlnn的5g信号数字调制方式自动识别方法
CN113923088B (zh) * 2021-10-21 2023-08-08 天津光电通信技术有限公司 一种基于hlnn的5g信号数字调制方式自动识别方法
WO2023170783A1 (ja) * 2022-03-08 2023-09-14 三菱電機株式会社 信号解析装置、信号解析方法、制御回路および記憶媒体

Also Published As

Publication number Publication date
JPWO2020166005A1 (ja) 2021-06-03
JP6896191B2 (ja) 2021-06-30

Similar Documents

Publication Publication Date Title
WO2020166005A1 (ja) 機械学習装置、信号諸元識別装置および機械学習方法
JP4388118B2 (ja) 変調方式推定装置及び方法
CN113472372B (zh) 噪声抑制装置、噪声抑制方法、以及接收装置、接收方法
CN106899393B (zh) 噪声方差估计和干扰检测
JP4707071B2 (ja) 信号検出方法、検出器及びコンピュータプログラム製品
WO2014059460A1 (en) Ofdm communications
US20130216005A1 (en) Blind Mechanism for Demodulating Offset QPSK Signals in the Presence of Carrier Phase Error
US20200336339A1 (en) Ofdm signal and noise estimation
US10270636B2 (en) Wireless communication apparatus, integrated circuit, transmission method, reception method, and communication method
US10116407B2 (en) System and method for improving narrowband interference performance
JP2009055204A (ja) 相関演算器及び相関演算装置
WO2016098733A1 (ja) 無線通信装置、集積回路、送信方法、受信方法及び通信方法
EP3926838B1 (en) Reception device, wireless communication system, interference power estimation method and memory
CN114785654B (zh) Ofdm系统参考符号编码及噪声功率估计和信道估计的方法
CN107710651A (zh) 发送装置
EP3742620B1 (en) Radio communication system and interference suppression method
EP4007180A1 (en) Wireless communication device, control circuit, wireless communication method, and storage medium
JP6779226B2 (ja) 送信装置、通信装置、送信信号生成方法、受信装置および復調方法
US8665973B2 (en) Removal of a band-limited distributed pilot from an OFDM signal
JP2014045433A (ja) 周波数誤差検出装置、周波数誤差検出方法及び受信装置
JP2019009564A (ja) 受信装置、受信方法及び制御プログラム
JP5020275B2 (ja) 受信装置及びベースバンド信号の処理方法
EP2992655B1 (en) Transformation between time domain and frequency domain based on nearly orthogonal filter banks
JP3985047B2 (ja) ディジタル信号の復調方法、及びディジタル信号の復調器
EP1865678A1 (en) System and method for separating two OFDM signals

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19915000

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020571989

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19915000

Country of ref document: EP

Kind code of ref document: A1