CN102571230A - 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 - Google Patents
基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 Download PDFInfo
- Publication number
- CN102571230A CN102571230A CN2011104345407A CN201110434540A CN102571230A CN 102571230 A CN102571230 A CN 102571230A CN 2011104345407 A CN2011104345407 A CN 2011104345407A CN 201110434540 A CN201110434540 A CN 201110434540A CN 102571230 A CN102571230 A CN 102571230A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- spectrum
- blind estimation
- sensor node
- 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.)
- Pending
Links
Images
Landscapes
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
一种基于高阶统计量和信噪比盲估计的分布式信号识别方法,其步骤为:特征空间的建立;针对特殊类型的调制信号将提取的特征和估计的信噪比作为SVM的输入,建立调制信号识别分类器;第三步,各传感器节点对接收信号进行信噪比盲估计,并将特征参数一起传送给融合中心,融合中心利用信噪比为各传感器节点的分配权值,得到融合后的特征参数,从而进行调制类型识别。本发明与现有技术相比,对于单传感器节点,算法能在低信噪比条件下保持较高的识别概率;识别的信号种类多;利用对对信噪比的盲估计,在特征层进行融合,从而可使得在多数传感器节点信道条件极其恶劣的情况下,仍能保持对目标信号的识别准确率。
Description
技术领域
本发明涉及一种用于电磁频谱监测***的分布式信号识别方法,特别是一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法。
背景技术
目前,无线传感器网络具有监测精度高、***容错性好以及可远程监控等特点,使得其在频谱监测领域具有广阔的应用前景。在信息战领域,截获接收机需对威胁进行识别,为决策***选择有效地抗干扰策略提供依据,其中对信号调制方式的识别,是截获接收机的重要功能之一,也是电子支援***的重要内容之一。在认知无线电***中,认知用户不仅要探测到授权用户的存在与否,还应该提供尽可能多的环境信息和用户信息,其中对信号调制方式的识别可为频谱共享提供重要依据。
目前多数调制识别技术是基于单节点完成的,主要是基于假设检验和统计模式识别的两类方法。但是单节点受环境变化的影响,容错性能较差,从而导致其信号识别率较低,此外,随着作战地域或通信范围不断扩大,单节点的监测能力以及对信息的实时处理能力都将受到极大限制。而基于无线传感网的分布式信号识别技术,能够利用数据融合,可极大程度消除对未知信号判断模糊性,提高识别准确率。
发明内容
本发明的目的是针对目前调制识别技术是基于单节点完成时所存在的单节点受环境变化的影响,容错性能较差,导致其信号识别率较低的问题,提出一种提高识别准确率、可信度以及容错性能的分布式协同信号识别方法。
本发明的技术方案是:
一种基于高阶统计量与信噪比盲估计的分布式信号识别方法,它包括以下步骤:第一步,对于电磁信号进行频谱监测时,各传感器节点对接收信号恢复得到复基带信号 其中,E是接收信号的平均功率,ak为发送码元序列,p(·)是发送码元波形,Ts为码元带宽,ωc为载波频率,θc为载波相位,所有ni(t)均为零均值的复高斯白噪声,且方差为N0,采用各类数字调制信号的高阶累积量值Cmn,构建特征参数T1、T2,其中T1=|C40|/|C42|,T2=|C41|/|C42|;
第二步,根据T1、T2将待识别的接收信号调制种类分为三大类,第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK};
第二类QPSK、16QAM的具体识别方法为:
(a)建立特征T3=|C42|/|C21|2作为识别QPSK、16QAM的参数;
(b)构建分类样本,将QPSK、16QAM在不同信噪比下的T3值及其对应的信噪比作为分类样本;
(d)盲信噪比估计,采用基于协方差矩阵和奇异值分解的方法对传感器节点接收到的信号进行盲估计,得到信噪比的估计量。
(e)信号识别,计算接收信号的T3值,结合步骤(d)中的信噪比估计量,得到待识别样本,将其作为支持向量机(SVM)的输入,结合(c)中已建立的判别函数,得到识别结果。
本发明中,第一类调制信号,计算特征参数T4=|C40|/|C20|2,如果|T4-1.64|≤|T4-1|,则该信号的调制种类为4ASK,否则,判别信号的调制类型为2ASK/BPSK。
本发明中,第三类调制信号,通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类,设功率谱谱峰用P1表示,平方谱谱峰用P2表示,若P1=4则为4FSK,若P1≥10则对应的为8PSK,若P1=2则对应的是{2FSK、MSK};当P2=2对应的为MSK,若P2>2则对应的为2FSK,否则判决出错。
一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法,基于高阶统计量与信噪比盲估计的分布式信号识别方法,具体过程为:
(d)特征融合;结合步骤(c)中的权值,将各传感器节点提取的特征参数进行融合,
(e)类型识别,根据步骤(d)融合后的特征参数,进行数字调制信号的类型识别。
本发明的有益效果:
本发明与现有技术相比,其显著优点是:
1、对于单传感器节点,本发明能在低信噪比条件下保持较高的识别概率,从图3可以看出,在信噪比大于-2dB时,所有信号的识别率均大于90%;
2、识别的信号种类多,由于建立健壮性较强的特征空间,能够对十余种数字信号(4ASK、BPSK/2ASK、QPSK、16QAM、2FSK、4FSK、8PSK、MSK)进行准确的识别;
3、利用对信噪比的盲估计,在特征层进行融合,从而可使得在多数传感器节点信道条件极其恶劣的情况下,仍能保持对目标信号的识别准确率。
附图说明
图1是本发明的QPSK、16QAM的特征参数T3与信噪比的关系图。
图2是本发明的QPSK、16QAM信号识别基本流程图。
图3是本发明的数字调制信号识别概率图
图4是本发明的基于高阶统计量与信噪比盲估计的分布式信号识别流程图
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法,它包括以下步骤:第一步,对于电磁信号进行频谱监测时,各传感器节点对接收信号恢复得到复基带信号 其中,E是接收信号的平均功率,ak为发送码元序列,p(·)是发送码元波形,Ts为码元带宽,ωc为载波频率,θc为载波相位,假设所有ni(t)为零均值的复高斯白噪声,且方差为N0;通过分析各类数字调制信号的高阶累积量值Cmn,并构建特征参数T1、T2,其中T1=|C40|/|C42|,T2=|C41|/|C42|;第二步,根据T1、T2将待识别的接收信号调制种类分为三大类,第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK};
其特征是在第二类QPSK、16QAM的具体识别方法为:
(a)建立新的特征参数T3=|C42|/|C21|2用于对QPSK、16QAM的识别,通过理论分析可知,当T3=1时对应的是QPSK,T3=0.68对应的是16QAM,理论上可以利用T3来进行QPSK、16QAM的分类。但采样数据长度和高斯白噪声对信号的高阶累量影响较大,同样对特征参数T3影响也较大,附图1所示的QPSK、16QAM的特征参数T3与信噪比的关系曲线。
(b)构建分类样本,由附图1可知两种信号的T3值随信噪比成单调递增关系,且变化趋势较为一致,如果将信噪比及其对应的T3值作为一个样本,如,QPSK的T3=0.45时对应的信噪比为3dB,则可将{3,0.45}作为识别QPSK的一个样本;对于16QAM,当T3=0.24时对应的信噪比为1.8dB,则可将{1.8,0.24}作为识别16QAM的一个样本,采用同种方法可建立大量用于识别QPSK、16QAM的分类样本集合,即为{SNR,T3},那么识别QPSK、16QAM即可转化判断接收信号属于哪一类的样本集合。由附图1可知当信噪比较小时,两类信号的距离较近,为了提高识别准确率,必须用大量样本描述这个区域,因此,在信噪比小于5dB时,每隔0.1dB取一样本值,而信噪比大于5dB时,将每隔1dB取一样本值。在-8dB~20dB之间为两种信号共建立145个样本,用表示QPSK的样本集合,用表示16QAM的样本集合,其中 即表示两种信号信噪比及其对应的T3值的集合。
即可得到两种信号的最优分类函数,其中αi即代表或集合中的值,b代表bqpsk或b16qam。从而,建立了对两种信号的最优分类参数和分类函数。其中选用不同的内积函数将得到不同的分类结果,这里采用的是径向基内积函数:
第一类调制信号,计算特征参数T4=|C40|/|C20|2,如果|T4-1.64|≤|T4-1|,则该信号的调制种类为4ASK,否则,判别信号的调制类型为2ASK/BPSK。
第三类调制信号,通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类,设功率谱谱峰用P1表示,平方谱谱峰用P2表示,由分析可知,信号功率谱反映调制信号的功率分布,如,{2FSK、MSK}为单谱峰信号,频谱较为平坦,而4FSK频谱起伏较多,而8PSK的谱形状完全不同于其他类,通过合理设定门限值,若P1=4则为4FSK,若P1≥10则对应的为8PSK,若P1=2则对应的是{2FSK、MSK};当P2=2对应的为MSK,若P2>2则对应的为2FSK,否则判决出错。
图3描述的即是单传感器节点在采用上述方法是对数字调制信号识别概率曲线,可知在信噪比大于-2dB时,所有信号的识别率均大于90%。
一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法,以下主要融合识别步骤,具体识别流程参考附图4:
(d)特征融合;结合步骤(c)中的权值,将各传感器节点提取的特征参数进行融合,对于特征参数T1,假设第k个传感器提取的T1特征参数为Tk1,融合后的结果为同理可到而对于谱峰特征融合,可采用如下方法,如,功率谱谱峰的融合,假设第k个传感器搜索到的功率谱谱峰数为Mk,则融合后的谱峰为即对融合后的结果取整。
(e)类型识别,根据步骤(i)融合后的特征参数,进行数字调制信号的类型识别。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (4)
1.一种基于高阶统计量与信噪比盲估计的分布式信号识别方法,它包括以下步骤:
第一步,对于电磁信号进行频谱监测时,各传感器节点对接收信号恢复得到复基带信号其中,E是接收信号的平均功率,ak为发送码元序列,p(·)是发送码元波形,Ts为码元带宽,ωc为载波频率,θc为载波相位,所有ni(t)均为零均值的复高斯白噪声,且方差为N0,采用各类数字调制信号的高阶累积量值Cmn,构建特征参数T1、T2,其中T1=|C40|/|C42|,T2=|C41|/|C42|;第二步,根据T1、T2将待识别的接收信号调制种类分为三大类,第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK};
其特征是在第二类QPSK、16QAM的具体识别方法为:
(a)建立特征T3=|C42|/|C21|2作为识别QPSK、16QAM的参数;
(b)构建分类样本,将QPSK、16QAM在不同信噪比下的T3值及其对应的信噪比作为分类样本;
(d)盲信噪比估计,采用基于协方差矩阵和奇异值分解的方法对传感器节点接收到的信号进行盲估计,得到信噪比的估计量。
(e)信号识别,计算接收信号的T3值,结合步骤(d)中的信噪比估计量,得到待识别样本,将其作为支持向量机(SVM)的输入,结合(c)中已建立的判别函数,得到识别结果。
2.根据权利要求1所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法,其特征是对于第一类调制信号,计算特征参数T4=|C40|/|C20|2,如果|T4-1.64|≤|T4-1|,则该信号的调制种类为4ASK,否则,判别信号的调制类型为2ASK/BPSK。
3.根据权利要求1或2所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法,其特征是对于第三类调制信号,通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类,设功率谱谱峰用P1表示,平方谱谱峰用P2表示,若P1=4则为4FSK,若P1≥10则对应的为8PSK,若P1=2则对应的是{2FSK、MSK};当P2=2对应的为MSK,若P2>2则对应的为2FSK,否则判决出错。
4.一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法,基于权利要求1所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法,其特征是具体过程为:
(a)特征提取;各传感器节点提取用于调制识别的各类特征参数,包括T1、T2、T3、T4以及P1、P2,其中,P1表示功率谱谱峰,P2表示平方谱谱峰,得到特征集合
(d)特征融合;结合步骤(c)中的权值,将各传感器节点提取的特征参数进行融合,对于特征参数T1,设第k个传感器提取的T1特征参数为Tk1,融合后的结果为同理可到而对于谱峰特征融合,设第k个传感器搜索到的功率谱谱峰数为Mk,则融合后的谱峰为
(e)类型识别,根据步骤(d)融合后的特征参数,进行数字调制信号的类型识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104345407A CN102571230A (zh) | 2011-12-22 | 2011-12-22 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104345407A CN102571230A (zh) | 2011-12-22 | 2011-12-22 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102571230A true CN102571230A (zh) | 2012-07-11 |
Family
ID=46415788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104345407A Pending CN102571230A (zh) | 2011-12-22 | 2011-12-22 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102571230A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880879A (zh) * | 2012-08-16 | 2013-01-16 | 北京理工大学 | 基于分布式和svm分类器的室外海量物体识别方法和*** |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN103607370A (zh) * | 2013-11-22 | 2014-02-26 | 南京信息职业技术学院 | 一种复bpsk信号盲处理结果的可信性评估方法 |
CN103647591A (zh) * | 2013-12-27 | 2014-03-19 | 中国电子科技集团公司第五十四研究所 | 一种基于支持向量机的协作干扰检测方法 |
CN104180824A (zh) * | 2014-08-18 | 2014-12-03 | 中国科学院上海应用物理研究所 | 一种基于主成分分析算法提高探头测量精度的方法 |
CN105572697A (zh) * | 2015-12-18 | 2016-05-11 | 中国人民解放军国防科学技术大学 | 一种多分量bpsk干扰参数估计方法 |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及*** |
CN103780462B (zh) * | 2014-01-22 | 2016-09-28 | 中国人民解放军理工大学 | 基于高阶累积量和谱特征的卫星通信信号调制识别方法 |
CN107273795A (zh) * | 2017-05-04 | 2017-10-20 | 浙江大学 | 一种基于机器学习的跨设备电磁指纹数据库的构建方法和装置 |
CN107395540A (zh) * | 2017-06-16 | 2017-11-24 | 南京邮电大学 | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 |
CN108683622A (zh) * | 2018-05-22 | 2018-10-19 | 电子科技大学 | 一种基于信号平方谱平坦系数的调制识别方法 |
CN110166389A (zh) * | 2019-06-12 | 2019-08-23 | 西安电子科技大学 | 基于最小二乘支持向量机的调制识别方法 |
CN111245756A (zh) * | 2020-02-19 | 2020-06-05 | 杭州电子科技大学 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及*** |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584984A (zh) * | 2003-08-19 | 2005-02-23 | 微软公司 | 使用瞬时信噪比作为最优估计的主量的降噪方法 |
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN101282243A (zh) * | 2008-03-05 | 2008-10-08 | 中科院嘉兴中心微***所分中心 | 无线传感器网络分布式融合识别方法 |
-
2011
- 2011-12-22 CN CN2011104345407A patent/CN102571230A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584984A (zh) * | 2003-08-19 | 2005-02-23 | 微软公司 | 使用瞬时信噪比作为最优估计的主量的降噪方法 |
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN101282243A (zh) * | 2008-03-05 | 2008-10-08 | 中科院嘉兴中心微***所分中心 | 无线传感器网络分布式融合识别方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880879A (zh) * | 2012-08-16 | 2013-01-16 | 北京理工大学 | 基于分布式和svm分类器的室外海量物体识别方法和*** |
CN102880879B (zh) * | 2012-08-16 | 2015-04-22 | 北京理工大学 | 基于分布式和svm分类器的室外海量物体识别方法和*** |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN103441974B (zh) * | 2013-08-26 | 2016-08-10 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN103607370B (zh) * | 2013-11-22 | 2016-07-13 | 南京信息职业技术学院 | 一种复bpsk信号盲处理结果的可信性评估方法 |
CN103607370A (zh) * | 2013-11-22 | 2014-02-26 | 南京信息职业技术学院 | 一种复bpsk信号盲处理结果的可信性评估方法 |
CN103647591A (zh) * | 2013-12-27 | 2014-03-19 | 中国电子科技集团公司第五十四研究所 | 一种基于支持向量机的协作干扰检测方法 |
CN103647591B (zh) * | 2013-12-27 | 2016-06-08 | 中国电子科技集团公司第五十四研究所 | 一种基于支持向量机的多点协作干扰检测方法 |
CN103780462B (zh) * | 2014-01-22 | 2016-09-28 | 中国人民解放军理工大学 | 基于高阶累积量和谱特征的卫星通信信号调制识别方法 |
CN104180824A (zh) * | 2014-08-18 | 2014-12-03 | 中国科学院上海应用物理研究所 | 一种基于主成分分析算法提高探头测量精度的方法 |
CN105572697A (zh) * | 2015-12-18 | 2016-05-11 | 中国人民解放军国防科学技术大学 | 一种多分量bpsk干扰参数估计方法 |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及*** |
CN105656826B (zh) * | 2016-03-18 | 2018-10-30 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及*** |
CN107273795A (zh) * | 2017-05-04 | 2017-10-20 | 浙江大学 | 一种基于机器学习的跨设备电磁指纹数据库的构建方法和装置 |
CN107273795B (zh) * | 2017-05-04 | 2019-12-17 | 浙江大学 | 一种基于机器学习的跨设备电磁指纹数据库的构建方法和装置 |
CN107395540A (zh) * | 2017-06-16 | 2017-11-24 | 南京邮电大学 | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 |
CN107395540B (zh) * | 2017-06-16 | 2020-09-01 | 南京邮电大学 | 基于lmd近似熵、高积累积量和svm的调制信号识别方法 |
CN108683622A (zh) * | 2018-05-22 | 2018-10-19 | 电子科技大学 | 一种基于信号平方谱平坦系数的调制识别方法 |
CN110166389A (zh) * | 2019-06-12 | 2019-08-23 | 西安电子科技大学 | 基于最小二乘支持向量机的调制识别方法 |
CN110166389B (zh) * | 2019-06-12 | 2021-06-25 | 西安电子科技大学 | 基于最小二乘支持向量机的调制识别方法 |
CN111245756A (zh) * | 2020-02-19 | 2020-06-05 | 杭州电子科技大学 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
CN111343115A (zh) * | 2020-02-19 | 2020-06-26 | 北京邮电大学 | 一种5g通信调制信号识别方法及*** |
CN111343115B (zh) * | 2020-02-19 | 2021-06-29 | 北京邮电大学 | 一种5g通信调制信号识别方法及*** |
CN111245756B (zh) * | 2020-02-19 | 2022-07-22 | 杭州电子科技大学 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
CN111371715B (zh) * | 2020-02-27 | 2021-03-16 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102571230A (zh) | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 | |
US10985955B2 (en) | Method for automatically identifying modulation mode for digital communication signal | |
CN106130942B (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN101459445B (zh) | 一种认知无线电***中的合作频谱感知方法 | |
CN101834819B (zh) | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 | |
CN101895494B (zh) | 基于随机共振预处理的数字调制方式自动识别方法 | |
CN105388500B (zh) | Cpfsk信号载波跟踪精度的提高方法 | |
CN107135017A (zh) | 反向散射通信***信号发送和接收方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN104636611A (zh) | 城市道路/路段的车辆速度评估方法 | |
Yin et al. | Modulation classification of MQAM signals from their constellation using clustering | |
CN101986583A (zh) | 基于协方差匹配的多天线频谱感知方法 | |
CN104539567B (zh) | 一种基于相位调制的1090es信号扩容方法 | |
CN105656826A (zh) | 基于顺序统计量和机器学习的调制识别方法及*** | |
CN102438334B (zh) | 一种多传感器节点分布式协作进行调制识别的方法 | |
CN103684524A (zh) | 一种基于uwb通信信号的目标识别方法 | |
CN104202106A (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
CN103888201B (zh) | 一种利用空间分集的协作频谱感知方法 | |
CN105093186A (zh) | 一种基于异构雷达传感网的多目标融合检测方法 | |
CN102067487A (zh) | 估计信号质量值的方法和计算机程序以及信号质量估计器、接收器和通信设备 | |
CN104243391A (zh) | 一种基于证据折扣的协作调制识别方法 | |
CN102158254B (zh) | 信号接收方法及装置 | |
CN104469912A (zh) | 环境侦测装置及其数据传输方法 | |
CN101808327B (zh) | 无线通信中基于视觉认知的方法与*** | |
CN101764785A (zh) | 基于混合矩和fisher判别的正交幅度调制信号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120711 |