CN108764013A - 一种基于端到端卷积神经网络的无线电信号识别方法 - Google Patents
一种基于端到端卷积神经网络的无线电信号识别方法 Download PDFInfo
- Publication number
- CN108764013A CN108764013A CN201810261711.2A CN201810261711A CN108764013A CN 108764013 A CN108764013 A CN 108764013A CN 201810261711 A CN201810261711 A CN 201810261711A CN 108764013 A CN108764013 A CN 108764013A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- signal
- communication signals
- automatic communication
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于对观察窗口的原始I/Q采样数据先后执行预处理和卷积神经网络识别两个步骤。其中,预处理步骤以观察窗口的原始I/Q采样数据作为输入,经过离散傅里叶变换和数据格式对齐处理后,输出频谱瀑布图;卷积神经网络识别步骤以预处理所得的频谱瀑布图作为输入,经过CNN特征提取层、MLP特征映射层和BR多标签分类层后,输出表征所有待识别信号是否存在的一维布尔向量。与传统特征提取+分类识别的模式相比,本发明采用端到端的技术解决思路,避免了复杂而低效的特征工程,提高了信号识别的准确性、鲁棒性和智能化水平,对重点区域以及重大活动现场的无线电监管具有重要意义。
Description
技术领域
本发明属于无线电监测技术领域,涉及一种基于端到端卷积神经网络(Convolutional Neural Network,CNN)的无线电信号识别方法,用于解决传统无线电信号识别中面临的特征提取过于复杂的问题,提高无线电信号识别的能力和智能化水平。
背景技术
近年来,随着无线通信技术的发展,特别是物联网的兴起,无线电波已经成为连通万物的重要载体。然而,无线电波开放性的特点,使其容易受到干扰和非法利用,导致正常通信***受扰中断、虚假反动言论传播等严重问题。因此,无线电安全已经成为国家安全的重要组成部分,加强无线电监测与管理,特别是在机场、边境等重点区域以及重大活动现场的无线电监管,具有重要的现实意义和迫切需求。
简单而言,无线电监测包括三个任务:探测、识别和定位。其中,探测利用无线电接收设备获取基本的电磁数据;识别则通过数据处理提取更加抽象而实用的特征,并以此进行分类;最后,对于识别出的非法信号,还可利用无线电定位的方法搜寻发射源,为无线电监管和执法提供支持。由此可见,无线电信号识别是探测的升华,又是定位的基础,在无线电监测中处于核心地位,历来都是无线电监测技术研究的重点与难点。
早期的无线电信号识别,是利用各种频谱采集设备采集空中射频信号,经过处理后,以频谱图、瀑布图、余晖图等可视化方式展现出来,然后由专业人员分析信号时频特征并寻找目标信号。这种做法对操作人员的专业素质要求非常高,而且当监测时间变长或无线电信号较多时,人工分析效率和准确率也会大幅下降。
目前比较流行的无线电信号识别方式,是先由本领域专家精心挑选信号关键特征(如循环谱密度、高阶中心矩函数、功率谱密度最大值、瞬时相位的标准差等),然后利用传统的信号处理算法计算特征参数值,最后再基于固定规则或者机器学习的方法进行分类。通常,一个模型需要选取其中的几项甚至十几项特征作为模型输入,计算复杂度非常高,很难实际部署使用。同时,受信号波形多样性和多径衰落效应的影响,该方法在特征选择和判决准则方面也缺乏普适性。
发明内容
本发明的目的是:针对现有技术的不足,提出一种基于端到端卷积神经网络的无线电信号识别方法,将人工智能与无线电信号处理技术深度融合,解决了传统无线电信号识别中面临的人工特征提取过于复杂的问题,提高无线电信号的识别能力和智能化水平。
本发明的技术解决方案如下所述。
一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于对观察窗口的原始I/Q采样数据先后执行预处理和卷积神经网络识别两个步骤,具体如图1所示。其中,预处理步骤以观察窗口的原始I/Q采样数据作为输入,经过离散傅里叶变换和数据格式对齐处理后,输出频谱瀑布图;卷积神经网络识别步骤以预处理所得的频谱瀑布图作为输入,经过CNN(Convolutional Neural Network,卷积神经网络,简称CNN)特征提取层、MLP(Multi-layer Perceptron,多层感知器,简称MLP)特征映射层和BR(Binary Relevance,二元关联,简称BR)多标签分类层后,输出表征所有待识别信号是否存在的一维布尔向量。与传统特征提取+分类识别的模式相比,本发明采用端到端的技术解决思路,避免了复杂而低效的特征工程,提高了信号识别的准确性、鲁棒性和智能化水平,并降低了计算复杂度,具体如图2所示。
上述一种基于端到端卷积神经网络的无线电信号识别方法,所述的预处理,是为了将原始I/Q采样数据变换为一种更有利于自动特征提取和识别的形式。为了充分发挥卷积神经网络在特征提取方面的优势,并降低计算复杂度,本发明希望预处理过程是无损且容易计算的。根据离散信号处理理论和现代通信***架构,原始的I/Q采样数据就是数字通信***后端处理的输入,任何复杂的数字信号处理算法都是在此基础上经过数学变换得到,因此它天然蕴含了无损信息。从数学上讲,离散傅里叶变换是对I/Q采样数据的无损变换,因此同样蕴含了全部信息。同时离散傅里叶变换的结果作为信号的频域表达形式,更有利于在复杂电磁环境下进行信号识别。因此,本发明首先对原始I/Q采样数据进行离散傅里叶变换,得到信号的频域表达,然后再进行后续的处理。
上述一种基于端到端卷积神经网络的无线电信号识别方法,所述的数据格式对齐,是将连续多组离散傅里叶变换的结果组合成频谱瀑布图的格式,增加单个样本的时域信息量,便于后续卷积神经网络的处理和信号识别。对原始I/Q采样数据进行离散傅里叶变换的结果,是一个一维复数序列,可以形象地认为是“一条线”,它表示某一时间点的频谱密度谱。但是,无线电信号波形总是随时间变化,仅观察一个“时间点”的特征很难准确识别信号,因此将连续多个时间点的观测结果进行堆叠组合,变成“一个面”,就可以同时表达时域和频域的信息特征,有助于提高信号识别率。在这个二维平面中,横轴表示频率,纵轴表示时间,元素值就是离散傅里叶变换的结果值。如果将元素值按图像灰度值进行映射,就可以绘出一张可视化的图片,该图片就是频谱瀑布图,具体如图3所示。
上述一种基于端到端卷积神经网络的无线电信号识别方法,所述的频谱瀑布图,尺寸为M×N×2。其中,2表示图片为两个通道,分别为I通道和Q通道;N表示离散傅里叶变换的点数,为了应用快速傅里叶变换算法实现离散傅里叶变换,以加快运算速度,N值需取2的正整数次幂;M表示一张频谱瀑布图内合并的离散傅里叶变换结果的组数,其大小反映了一个样本的时间跨度,M值越大,表征的时间跨度越长,但计算越复杂。
上述一种基于端到端卷积神经网络的无线电信号识别方法,所述的卷积神经网络识别,包括CNN特征提取层、MLP特征映射层和BR多标签分类层。其中,CNN特征提取层采用多层次卷积神经网络结构,同时从时域和频域的角度提取信号高维特征;MLP特征映射层采用全连接的多层感知器结构,对提取到的信号特征进行降维映射;BR多标签分类层采用二元关联(Binary Relevance)法对接收数据进行多标签分类,可同时判决出该时/频观察窗内所有待识别信号是否存在。其中,时/频观察窗的大小由输入的频谱瀑布图所决定,频谱瀑布图横轴的跨度就是频率观察窗口,纵轴的跨度就是时间观察窗口。
上述一种基于端到端卷积神经网络的无线电信号识别方法,所述的BR多标签分类层,采用二元关联法进行多标签分类,由多个并行的单标签单分类器组成,每个单标签单分类器判断其中一种信号是否存在,所有单标签单分类器的输出结果合并起来,构成一个能够表征所有待识别信号是否存在的一维布尔向量。其中向量的长度等于待识别的信号类型总数,向量第i个元素取值为True时,表示第i个信号存在,反之为False时,表示第i个信号不存在。在复杂电磁环境下,很难观测到单一、纯净的信号,基本都是多个信号的混叠,因此,在对混叠信号的识别判决中,就不应该仅仅输出一个标签结果,而应该用一个多标签结果表示。经过对比分析,本发明采用二元关联法进行多标签分类。二元关联法将一个m维多标签分类问题转化为m个单标签分类问题,如果需要增加第m+1维信号的类型识别时,可以完全不用修改已有的模型训练结果,直接进行第m+1个模型参数的训练即可,非常容易实现增量学习,这在实际应用中非常重要,而分类器链法、标签幂集合法等其它多标签分类方法则不具有该优势。
本发明与现有技术相比的优点在于:
(1)本发明采用端到端的思路构建无线电信号识别模型,与传统模式相比,避免了复杂的特征选择和特征测量环节,利用卷积神经网络自动提取信号高维特征,提高了信号识别的准确性和鲁棒性,并降低了计算复杂度。
(2)本发明采用频谱瀑布图作为卷积神经网络的输入,具有计算复杂度低、信息完整无丢失、时/频域特征表达能力强等优势,而且频谱瀑布图作为一种二维数据格式,更易借鉴图像识别领域的已有成果,方便工程实现。
(3)本发明以多标签分类结果作为卷积神经网络的输出,可以同时判决出该时/频观察窗内所有待识别信号是否存在,在复杂电磁环境下混叠信号的识别中具有独特优势。其中,所采用二元关联多标签分类法,具有实现简单、训练数据易标注、可增量学习等优势。
附图说明
图1为本发明中一种基于端到端卷积神经网络的无线电信号识别模型概要框图;
图2为本发明中端到端***设计思路与传统思路的对比示意图;
图3为本发明中预处理模块的频谱瀑布图合成示意图;
图4为本发明中Gnuradio信号采集流图的一种实例;
图5为一种基于本发明的实时无线电信号识别***的结构图。
具体实施方式
下面将结合附图和实施示例对本发明作进一步的详细说明。通过足够详细的描述这些实施示例,使得本领域技术人员能够理解和实践本发明。在不脱离本发明的主旨和范围的情况下,可以对实施做出逻辑的、实现的和其他的改变。因此,以下详细说明不应该被理解为限制意义,本发明的范围仅仅由权利要求来限定。
上述发明内容从核心思路和算法的层面,对一种基于端到端卷积神经网络的无线电信号识别方法做了详细描述。但是,在实际开发过程中,除了实现本发明的内容外,还需要一些额外的工作。下面将分步骤介绍本发明的一种具体实施方式。
1.搭建软硬件开发环境
由于本发明涉及无线电监测和人工智能两个学科方向,所需的开发环境也比较混杂,具体如表1所示。其中,通用软件无线电平台(USRP)用于采集无线电信号,桌面PC机完成无线电信号的存储、模型的训练以及模型的运行。由于涉及深度神经网络的训练和大数据量的存储,对PC机的配置要求较高。
表1软硬件开发环境
2.采集数据
采集数据时需要用到USRP设备和PC机。首先,利用Gnuradio软件搭建信号采集流图,一种可行的流图设计方案如图4所示,具体构建方法请自行参考Gnuradio开发教程。流图是Gnuradio软件架构中的概念,其本质就是利用Gnuradio内置工具包,构建的一个描述信息流和处理单元功能的python代码。然后,将PC机与USRP设备连接,运行该流图,可以将无线电信号以I/Q采样数据的格式实时存入PC机硬盘。
3.模型设计
根据图1及上述发明内容的描述构建端到端卷积神经网络模型。假设需要识别m种信号,一组可行的模型参数配置如下表所示。
表2一种端到端卷积神经网络模型
4.数据整理与标注
数据的整理与标注过程比较繁琐,主要由人工完成。首先,截取连续262144个采样点,作为一个样本数据。然后可采用任何可行的方法对该样本中所含信号的类型进行标注,标注结果格式示例如下,用Y表示。Y是一个长度为m的一维布尔向量,其中,m表示本模型一共可识别m种信号类型。如果第i种信号存在,则将Yi赋值为True,反之则赋值为False。
Y={True,False,True,False,……,False,True}m
5.模型训练与测试
模型的训练与测试只需要用到PC机。利用tensorflow 1.4以上版本中自带的keras开源图像识别工具包,根据步骤3中定义的模型参数,用python语言编写模型训练和测试的代码,具体可参考keras教程。如果测试结果不佳,可采用增大数据量、修改模型参数等方法进行
调整,重复这一迭代过程,直至满足指标要求。
6.模型使用
模型训练完成后,还需要实际部署使用。一种基于本发明的实时无线电信号识别***的结构如图5所示。其中,USRP作为货架产品,无需任何软硬件修改;PC机内需要3个自定义软件模块,分别是Gnuradio信号采集模块、预处理模块和卷积神经网络识别模块。
Gnuradio信号采集模块与步骤2中提到的Gnuradio信号采集流图类似,均用来控制USRP设备,并完成原始I/Q采样数据的采集和存储。但为了配合其它模块协同工作,需要更改两处细节:
●对原始I/Q采样数据进行分帧存储,每262144个连续采样点分为一帧,然后存入一个单独的文件,置于硬盘内,作为原始数据的存档和后续处理的缓冲。
●每完成一帧数据的存储后,向预处理模块发送“数据帧到达信号”,告知预处理模块有新数据帧到达,可以开始后续运算。对该信号的格式和发送方式不作任何限制,可以采用socket、消息队列、信号量等信息传递方式。
预处理模块与步骤5中定义的预处理模块功能基本相同,均用来读取原始I/Q采样数据,并按约定变换、合成频谱瀑布图。唯一的区别在于,此处需要接收“数据帧到达信号”,并依据该信号决定何时启动后续运算。
卷积神经网络识别模块与步骤5模型训练阶段的代码差异较大,具体表现为:
●由于步骤5已经完成模型训练,并已自动将最佳模型参数存盘,因此,此处只需要直接加载该模型即可,无需再次训练。具体而言,就是在代码中调用myModel=keras.models.load_model(filepath)函数,其中filepath是模型训练时设置的最佳模型保存路径。
●利用现有模型对输入的频谱瀑布图进行预测,可直接调用Y=myModel.predict(X)函数,其中X是输入的频谱瀑布图,Y是输出的预测结果。
●最后,根据应用要求,需要将预测结果输出。或是发给本PC机其它信息显示模块,或是通过物理链路发给其它专门用于信息展示的PC机,甚至是发送到互联网云端,供远程用户查看。本发明对此没有任何限制。
本发明未详细阐述部分属于本领域的公知技术。
Claims (6)
1.一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:对观察窗口的原始I/Q采样数据先后进行预处理和卷积神经网络识别两个步骤,其中:
预处理步骤:以观察窗口的原始I/Q采样数据作为输入,经过离散傅里叶变换和数据格式对齐处理后,输出频谱瀑布图;
卷积神经网络识别步骤:以预处理所得的频谱瀑布图作为输入,经过CNN特征提取层、MLP特征映射层和BR多标签分类层后,输出表征所有待识别信号是否存在的一维布尔向量。
2.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:所述的频谱瀑布图,尺寸为M×N×2;其中,2表示图片为两个通道,分别为I通道和Q通道;N表示离散傅里叶变换的点数,N值取2的正整数次幂;M表示一张频谱瀑布图内合并的离散傅里叶变换结果的组数,M值取正整数。
3.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:所述的一维布尔向量,其长度表示待识别信号的总数;该向量的第i个元素的值为True时,表示第i个信号存在,反之为False时,表示第i个信号不存在。
4.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:所述的CNN特征提取层,采样多层次卷积神经网络结构,同时从时域和频域的角度提取信号高维特征。
5.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:所述的MLP特征映射层,采用全连接的多层感知器结构,对提取到的信号特征进行降维映射。
6.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法,其特征在于:所述的BR多标签分类层,采用二元关联法对接收数据进行多标签分类,由多个并行的单标签单分类器组成,每个单标签单分类器判断其中一种信号是否存在,所有单标签单分类器的输出结果合并起来,构成一个能够表征所有待识别信号是否存在的一维布尔向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261711.2A CN108764013A (zh) | 2018-03-28 | 2018-03-28 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261711.2A CN108764013A (zh) | 2018-03-28 | 2018-03-28 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764013A true CN108764013A (zh) | 2018-11-06 |
Family
ID=63980440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810261711.2A Pending CN108764013A (zh) | 2018-03-28 | 2018-03-28 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764013A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756367A (zh) * | 2018-12-24 | 2019-05-14 | 云南大学 | 一种基于边缘计算的无线电监管***及方法 |
CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
CN111382803A (zh) * | 2020-03-18 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的特征融合方法 |
CN111404852A (zh) * | 2020-03-03 | 2020-07-10 | 西安电子科技大学 | 基于振幅和频谱幅度特征的调制方式识别方法 |
CN111474955A (zh) * | 2020-04-22 | 2020-07-31 | 上海特金信息科技有限公司 | 无人机图传信号制式的识别方法、装置、设备及存储介质 |
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
CN111652108A (zh) * | 2020-05-28 | 2020-09-11 | 中国人民解放军32802部队 | 抗干扰的信号识别方法、装置、计算机设备和存储介质 |
CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN113037411A (zh) * | 2019-12-24 | 2021-06-25 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113311366A (zh) * | 2020-02-27 | 2021-08-27 | Aptiv技术有限公司 | 组装线束时对连接进行验证的线束测试装置和方法 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN115006840A (zh) * | 2022-06-20 | 2022-09-06 | 深圳十米网络科技有限公司 | 体感联网游戏方法、设备及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
-
2018
- 2018-03-28 CN CN201810261711.2A patent/CN108764013A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
Non-Patent Citations (3)
Title |
---|
ANDREW MAXWELL等: "Deep learning architectures for multi-label classification of intelligent health risk prediction", 《BMC BIOINFORMATICS》 * |
孙松涛等: "基于CNN特征空间的微博多标签情感分类", 《工程科学与技术》 * |
梁微等: "地面无线广播电视频谱检测方法", 《广播电视信息》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756367A (zh) * | 2018-12-24 | 2019-05-14 | 云南大学 | 一种基于边缘计算的无线电监管***及方法 |
CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
CN110996343B (zh) * | 2019-12-18 | 2023-06-30 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型的智能识别***及识别方法 |
CN113037411B (zh) * | 2019-12-24 | 2022-02-15 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113037411A (zh) * | 2019-12-24 | 2021-06-25 | 清华大学 | 一种基于深度学习的多用户信号检测方法及装置 |
CN113311366A (zh) * | 2020-02-27 | 2021-08-27 | Aptiv技术有限公司 | 组装线束时对连接进行验证的线束测试装置和方法 |
CN111404852B (zh) * | 2020-03-03 | 2021-04-13 | 西安电子科技大学 | 基于振幅和频谱幅度特征的调制方式识别方法 |
CN111404852A (zh) * | 2020-03-03 | 2020-07-10 | 西安电子科技大学 | 基于振幅和频谱幅度特征的调制方式识别方法 |
CN111382803B (zh) * | 2020-03-18 | 2022-06-03 | 电子科技大学 | 一种基于深度学习的通信信号特征融合方法 |
CN111382803A (zh) * | 2020-03-18 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的特征融合方法 |
CN111474955A (zh) * | 2020-04-22 | 2020-07-31 | 上海特金信息科技有限公司 | 无人机图传信号制式的识别方法、装置、设备及存储介质 |
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
CN111652108A (zh) * | 2020-05-28 | 2020-09-11 | 中国人民解放军32802部队 | 抗干扰的信号识别方法、装置、计算机设备和存储介质 |
CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN112818891B (zh) * | 2021-02-10 | 2022-09-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN113780106B (zh) * | 2021-08-24 | 2024-02-27 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN115006840A (zh) * | 2022-06-20 | 2022-09-06 | 深圳十米网络科技有限公司 | 体感联网游戏方法、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764013A (zh) | 一种基于端到端卷积神经网络的无线电信号识别方法 | |
Zhou et al. | Hybrid event detection and phase‐picking algorithm using convolutional and recurrent neural networks | |
CN105022835B (zh) | 一种群智感知大数据公共安全识别方法及*** | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN108416290A (zh) | 基于残差深度学习的雷达信号特征提取方法 | |
CN115238749B (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
CN111178260A (zh) | 一种基于生成对抗网络的调制信号时频图分类***及其运行方法 | |
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
US20220036231A1 (en) | Method and device for processing quantum data | |
CN110148425A (zh) | 一种基于完整局部二进制模式的伪装语音检测方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
Li et al. | Automatic modulation classification based on bispectrum and CNN | |
CN117743946B (zh) | 基于融合特征和组卷积ViT网络的信号类型识别方法及*** | |
CN114980122A (zh) | 一种小样本射频指纹智能识别***与方法 | |
Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN105184236A (zh) | 机器人人脸识别*** | |
CN110309774A (zh) | 虹膜图像分割方法、装置、存储介质及电子设备 | |
Zheng et al. | Boundary adjusted network based on cosine similarity for temporal action proposal generation | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
Xu et al. | A jamming recognition algorithm based on deep neural network in satellite navigation system | |
CN115238748B (zh) | 一种基于Transformer和决策融合的调制识别方法 | |
Zhou et al. | A Specific Emitter Identification Method Based on RF-DNA and XGBoost | |
Zhang et al. | Interference signal recognition based on multi-modal deep learning | |
CN115730238A (zh) | 一种基于多视角决策的电磁信号多模态开放集识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
WD01 | Invention patent application deemed withdrawn after publication |