CN109034087B - 一种基于pca降维的混合型机器学习信号分类方法 - Google Patents
一种基于pca降维的混合型机器学习信号分类方法 Download PDFInfo
- Publication number
- CN109034087B CN109034087B CN201810884673.6A CN201810884673A CN109034087B CN 109034087 B CN109034087 B CN 109034087B CN 201810884673 A CN201810884673 A CN 201810884673A CN 109034087 B CN109034087 B CN 109034087B
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- instantaneous
- classification
- 2fsk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于PCA降维的混合型机器学习信号分类方法,包括以下步骤:步骤1、针对线性调频信号LFM、二相相移键控BPSK信号、二进制频移键控2FSK和四相相移键控QPSK信号,根据瞬时自相关分类方法,设置过零点个数阈值和标准差门限阈值,将LFM信号、QPSK信号与其它信号的分开;步骤2、二级分类中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差三个特征,并采用主成分分析PCA算法实现特征降维;步骤3、采用SVM分类器得到最优分类的目标函数,实现BPSK与2FSK信号的区分。本发明采用机器学习技术实现分类,自动化程度高,分类效果好。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于PCA降维的混合型机器学习信号分类方法。
背景技术
雷达与电子战***需要自动学习识别所侦察得到的电磁信号。雷达信号的脉内特征是雷达与电子战***中电磁信号分选和识别的重要参数,因此要可靠地分选和识别雷达信号,就必须对雷达信号进行脉内特征分析。常规的脉内分析方法采用基于人工经验的门限判断,自动化程度不高,对未知情况的适应能力不足,且由于训练样本有限,人工设置的经验门限存在分类效果较差的可能。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种基于PCA降维的混合型机器学习信号分类方法,以解决现有技术的不足。
为实现上述目的,本发明的一种基于PCA降维的混合型机器学习信号分类方法,包括以下步骤:
步骤1、针对线性调频信号LFM、二相相移键控BPSK信号、二进制频移键控2FSK和四相相移键控QPSK信号,根据瞬时自相关方法,设置过零点个数阈值和标准差门限阈值,将LFM信号、QPSK信号与BPSK,2FSK两种信号区分开;
步骤2、二级分类中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差三个特征,并采用主成分分析PCA算法实现特征降维;
步骤3、采用SVM分类器得到最优分类的目标函数,实现BPSK与2FSK信号的区分。
步骤1中,所述瞬时自相关分类方法的表达式为:
B(t,τ)=z(t)×z*(t-τ) (1)
式中,B(t,τ)为瞬时自相关,z*(t-τ)是共轭延迟,τ是延迟时间。
步骤1中,提取基于瞬时自相关过零点个数特征,并设定阈值,将所述LFM信号、QPSK信号与{BPSK,2FSK}两种信号分开后,再通过提取基于瞬时自相关标准差特征,并设置阈值γ,区分出LFM信号和QPSK信号。
特征1:过零点个数ρ1
ρ1=Num{c(i)∈ε1},i=1,2,…Ns (2)
式中,Ns是总采样点数,Num表示计数,c(i)是第i点的瞬时自相关幅度值,ε1表示属于零值的小范围。
特征2:标准差ρ2
步骤2中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、
归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差三个特征,具体为:
特征1:归一化幅值占空比τf
式中N是傅里叶变换的总采样点数,A=Num{a(i)>at},Num表示计数,a(i)是第i点的傅里叶变换幅值,at是设定的一个阈值,通过计算大于阈值的点数跟总点数的比值,也就是归一化幅度占空比;
特征2:归一化中心瞬时相位绝对值方差σp
特征3:归一化中心瞬时频率绝对值方差σf
步骤2中,采用主成分分析PCA算法实现特征降维具体步骤如下:
(1)将雷达与通信信号的样本数据按列排成矩阵X;
(4)根据Ru=λu,计算协方差矩阵的特征值λ与特征向量u,并将特征值按从大到小排列,对应的特征向量也按照从大到小排列;
(6)计算原始样本数据在投影矩阵的投影数据,即主成分:x=XP。
步骤3中,具体方法如下:
通过所述SVM分类器找到一条最优分界线使得它到BPSK信号和2FSK信号的间隔最大,实现SVM分类的判别函数为:
f(x)=yi(wTx+b) (7)
间隔:
δi=yi(wTx+b)=|wTxi+b|=|f(x)| (8)
几何间隔:
支持向量机的目的就是找到最优的w0和b0,就是最大化几何间隔d,也就是最小化w,问题转化成:
利用拉格朗日乘法:
式中,ai是拉格朗日乘子,为非负变量,Nd为训练样本个数;将上式分别对w和b求偏导并令为零得:
将其转换成对偶问题,得到目标信号为:
从而得到最优拉格朗日乘子α0,i,代入得到最优权值w0:
代入f(x)=0得到最优偏置:
最终得到最优分类的目标函数:
式中,sign是符号函数。最优权值向量的确定仅由最优拉格朗日乘子和训练样本及其类别来决定,BPSK和2FSK信号的三维特征样本经PCA降维后构成二维训练样本,通过训练找到支持向量的位置,然后算出偏置,最后找到最优分类线,实现测试样本的正确分类。
本发明的有益效果是:
本发明首先通过瞬时自相关提取信号过零点个数和标准差这两个特征实现QPSK信号、LFM信号与{QPSK,2FSK}两种信号的区分,其次提取了归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差等三个特征,并采用主成分分析(PCA)算法求得上述三种特征的主成分,实现特征降维,从而构建了一种两维特征平面,该特征平面适合采用支持向量机(SVM)分类器实现上述信号的分类。本发明采用机器学习技术实现分类,自动化程度高,分类效果好,有效解决了现有技术不足。
附图说明
图1是本发明的几种雷达与通信信号分类算法流程图;
图2是本发明的四种信号的瞬时自相关处理波形图;
图3是本发明的PCA降维流程图;
图4是本发明的LFM信号的瞬时自相关处理结果图;
图5是本发明的BPSK信号的瞬时自相关处理结果图;
图6是本发明的2FSK信号的瞬时自相关处理结果图;
图7是本发明的QPSK信号的瞬时自相关处理结果图;
图8是本发明的四种信号基于瞬时自相关的过零点特征图;
图9是本发明的LFM和QPSK基于瞬时自相关的标准差图;
图10是本发明的BPSK信号和2FSK信号在SNR=10dB时基于PCA特征降维的支持向量机的分类图;
图11是本发明的BPSK信号和2FSK信号在SNR=15dB时基于PCA特征降维的支持向量机的分类图;
图12是本发明的BPSK信号和2FSK信号在SNR=20dB时基于PCA特征降维的支持向量机的分类图;
图13是本发明的BPSK信号和2FSK信号在SNR=25dB时基于PCA特征降维的支持向量机的分类图。
具体实施方式
参见图1,本发明主要针对四种常见的雷达与通信信号:线性调频信号(LFM)、二相相移键控(BPSK)信号、二进制频移键控(2FSK)、和四相相移键控(QPSK)信号。采用二级分类结构,第一级根据瞬时自相关方法,在提取过零点个数和标准差这两个特征基础上,设置过零点个数阈值和标准差阈值,将LFM信号、QPSK信号与{BPSK,2FSK}两种信号的分开。之后,在二级分类中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差等三个特征,并采用主成分分析(PCA)算法实现特征降维,采用SVM分类器实现BPSK与2FSK信号的区分。
该分类方法为基于样本训练的机器学习方法,需要采用大样本进行分类训练,之后,才可以针对测试样本进行应用。所以其应用分为训练阶段与测试阶段,在训练阶段需要构建较大的学习样本,完成分类方法的自动学习。
1.基于瞬时自相关特征的第一级分类
在第一级分类中采用瞬时自相关提取信号的特征。接收信号为z(t)的瞬时自相关:
B(t,τ)=z(t)·z*(t-τ) (1)
式中z*(t-τ)是共轭延迟,τ是延迟时间。瞬时自相关B(t,τ)与一般自相关的最大不同是它没有时间积分,所以瞬时自相关的优点在于保留了信号相关处理的瞬时信息。
特征1:过零点个数ρ1
ρ1=Num{c(i)∈ε1},i=1,2,…Ns (2)
式中,Ns是总采样点数,Num表示计数,c(i)是第i个点的瞬时自相关幅度值,ε1表示属于零值的小范围。
特征2:标准差ρ2
图2给出了四种信号,即LFM、BPSK、QPSK与2FSK信号的瞬时自相关实部输出。由图可见,LFM信号的瞬时自相关是频率为恒定值的交流信号,因为LFM信号的频率是成线性变化。QPSK信号的瞬时自相关实部在码内为直流,在码间有三种相位跳转,因为其复平面有四种相位,在实部投影只有三种相位跳变,即三值跳变。2FSK信号和BPSK信号的码内相关包络为直流,在码元发生跳变的时候,BPSK信号的瞬时自相关实部波形产生两种相位的跳变,而2FSK信号的瞬时自相关实部波形是受频差调制的突变信号。所以可通过提取过零点个数特征和标准差特征,并设置过零点个数阈值ε和标准差阈值γ,将LFM信号和QPSK信号从四种信号中分离开来。
通过对以上四种雷达通信信号采用瞬时自相关,可以很好地分类出LFM信号和QPSK信号。但是基于瞬时自相关的两种特征对于BPSK和2FSK分类存在困难,下面将提取这两类信号的其他特征。
2.基于PCA的特征降维的SVM二级分类方法
在第二级分类中,主要针对剩余的BPSK信号与2FSK信号进行分类。
2.1初级特征提取
采用了三种特征如下:
特征1:归一化幅值占空比τf
式中N是傅里叶变换的总采样点数,A=Num{a(i)>at},a(i)是第i点的傅里叶变换幅值,at是设定的一个阈值,通过计算大于阈值的点数跟总点数的比值,也就是归一化幅度占空比。
特征2:归一化中心瞬时相位绝对值方差σp
特征3:归一化中心瞬时频率绝对值方差σf
2.2基于PCA的特征降维
PCA通过线性变换将可能存在相关性的原始数据变换为一组各维度线性无关的新数据来表示,可用于提取数据的主要特征分量,从而达到降维的目的。其主要思想是:将n维特征映射到k维上(k<n),这k维是全新的正交特征,被称为主成分(是重新构造的,而不是简单的从中剔除n-k维特征)。可以简单理解成:PCA就是要找出最有用的线性组合,也就是那些区分度比较大的新特征,来达到降维目的。
PCA降维有两个基本的要求:第一,要求样本点在主成分方向上的投影点尽可能大的分散,因为越分散,表明样本方差越大,携带有用信息越多;第二,要求样本点到主成分方向的距离尽可能小,也就是误差尽可能减小。数据从高维降到低维的这个过程肯定存在损失,我们要尽可能的减少的误差,同时这也有利于将新特征来重现原来的两个特征。
参见图3,PCA降维算法步骤如下:
(1)将雷达与通信信号的样本数据按列排成矩阵X;
(4)根据Ru=λu,计算协方差矩阵的特征值(λ)与特征向量(u),并将特征值按从大到小排列,对应的特征向量也按照从大到小排列;
(6)计算原始样本数据在投影矩阵的投影数据,即主成分:x=XP。
2.3SVM分类方法
支持向量机(SVM)是一种二分类算法,其基本模型定义为特征空间上的间隔最大的线性分类器。它的任务就是找到一条最优分界线使得它到BPSK信号和2FSK信号的间隔最大。实现SVM分类的判别函数为:
f(x)=yi(wTx+b) (7)
间隔:
δi=yi(wTx+b)=|wTxi+b|=|f(x)| (8)
几何间隔:
支持向量机的目的就是找到最优的w0和b0,就是最大化几何间隔d,也就是最小化w。问题转化成:
利用拉格朗日乘法:
式中,ai是拉格朗日乘子,为非负变量,Nd为训练样本个数。将上式分别对w和b求偏导并令为零得:
将其转换成对偶问题,得到目标信号为:
从而得到最优拉格朗日乘子α0,i,代入得到最优权值w0:
代入f(x)=0得到最优偏置:
最终得到最优分类的目标函数:
通过上述分析可以看出,最优权值向量的确定仅由最优拉格朗日乘子和训练样本及其类别来决定。BPSK和2FSK信号的三维特征样本经PCA降维后构成二维训练样本,通过训练找到支持向量的位置,然后算出偏置,最后找到最优分类线,从而实现测试样本的正确分类。
实施例
采用MATLAB仿真验证多类雷达与通信信号的分类识别性能,包括训练和测试两阶段。
在训练阶段,四种信号的信噪比均设置为20dB,码元宽度10-6s,采样点数5000,采样频率100MHz,载频20MHz,线性调频带宽10MHz,时宽50us,2FSK的频率分别为10MHz和20MHz。
第一级训练中,采用基于瞬时自相关方法分别对四种信号进行训练,四种信号的瞬时自相关处理结果如图4、5、6、7所示。经瞬时自相关循环处理后,循环提取四种信号的过零点个数各50次,结果如图8所示,可以看出,2FSK信号和BPSK信号的过零点个数在1000以下,而LFM信号和QPSK信号的过零点个数在1000以上。在20dB的信噪比下,将过零点个数阈值ε设为1000,便能很好的将2FSK信号、BPSK信号和LFM信号、QPSK信号分开。其次,为了区分开LFM信号和QPSK信号,循环50次提取这两种信号的瞬时自相关下的标准差,其结果如图9所示,LFM信号的标准差小于1,而QPSK信号的标准差大于1。在20dB的信噪比下,可将标准差阈值γ设置为1,LFM信号和QPSK信号能得到准确的分类。
第二级训练中,采用基于PCA特征降维的SVM分类方法对剩余信号BPSK信号和2FSK信号进行训练。在不同信噪比分别为10dB、15dB、20dB和25dB的情况下,循环提取BPSK信号和2FSK信号的三维特征(归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差)各500次,并运用PCA将特征降成两维,构成二维空间,最后代入SVM进行训练。不同信噪比情况下的分类结果如图10、11、12、13所示,从图中可以看出,信噪比达到20dB以上时,几何间隔变大(也就是支持向量到分界线的距离增大),分类的效果更好。
在测试阶段,保持训练阶段的各种参数不变。第一级测试中,分别在10dB、15dB、20dB和25dB的信噪比情况下,循环提取基于瞬时自相关方法下的过零点个数和标准差这两种特征值50次作为样本测试集,并用训练得到的两个阈值ε和γ分别对四种信号进行分类识别,统计出LFM和QPSK两种信号的正确识别率,其在不同信噪比情况下的正确识别率如表1和表2所示,可以看出,当信噪比降到10dB时,信号的识别正确率下降的很快,所以该级适用于10dB以上的信噪比的分类识别。
在第二级测试中,将剩余两种信号BPSK和2FSK在10dB、15dB、20dB和25dB信噪比下的归一化幅值占空比、归一化瞬时相位绝对值方差和归一化瞬时频率绝对值方差等三维特征作为测试集,均循环取500次。其次根据训练过程得到的PCA降维矩阵对测试集进行重构,构成二维特征向量,再代入训练得到的最优分界线进行分类识别,其正确识别率如表3所示,可以看出,在20dB及以上的信噪比情况下,信号的识别正确率得到更好地提高。通过综合分析表1、表2和表3的数据可知,本发明在20dB及以上的信噪比条件下能够达到很好的多信号分类识别效果。
表1不同信噪比(SNR)下LFM正确识别率
表2不同信噪比(SNR)下QPSK正确识别率
表3不同信噪比(SNR)下的BPSK和2FSK正确识别率情况
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种基于PCA降维的混合型机器学习信号分类方法,其特征在于,包括以下步骤:
步骤1、针对线性调频信号LFM、二相相移键控BPSK信号、二进制频移键控2FSK和四相相移键控QPSK信号,根据瞬时自相关分类方法,设置过零点个数阈值和标准差门限阈值,将LFM信号、QPSK信号与BPSK、2FSK两种信号分开;
步骤2、二级分类中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差三个特征,并采用主成分分析PCA算法实现特征降维;
步骤3、采用SVM分类器得到最优分类的目标函数,实现BPSK与2FSK信号的区分;
步骤1中,所述瞬时自相关分类方法的表达式为:
B(t,τ)=z(t)·z*(t-τ) (1)
式中,B(t,τ)为瞬时自相关,z(t)表示接收信号,z*(t-τ)是共轭延迟,τ是延迟时间;
特征1:过零点个数ρ1
ρ1=Num{c(i)∈ε1},i=1,2,…Ns (2)
式中,Ns是总采样点数,Num表示计数,c(i)是第i点的瞬时自相关幅度值,ε1表示属于零值的小范围;
特征2:标准差ρ2
步骤2中,针对剩余信号BPSK信号和2FSK信号采用归一化幅值占空比、归一化中心瞬时相位绝对值方差和归一化中心瞬时频率绝对值方差三个特征,具体为:
特征1:归一化幅值占空比τf
式中Ns是总采样点数,A=Num{a(i)>at},Num表示计数,a(i)是第i点的傅里叶变换幅值,at是设定的一个阈值,通过计算大于阈值的点数跟总点数的比值,也就是归一化幅度占空比;
特征2:归一化中心瞬时相位绝对值方差σp
特征3:归一化中心瞬时频率绝对值方差σf
步骤2中,采用主成分分析PCA算法实现特征降维具体步骤如下:
(1)将雷达与通信信号的样本数据按列排成矩阵X;
(4)根据Ru=λu,计算协方差矩阵的特征值λ与特征向量u,并将特征值按从大到小排列,对应的特征向量也按照从大到小排列;
(6)计算原始样本数据在投影矩阵的投影数据,即主成分:x=XP;
步骤3中,具体方法如下:
通过所述SVM分类器找到一条最优分界线使得它到BPSK信号和2FSK信号的间隔最大,实现SVM分类的判别函数为:
f(x)=yi(wTx+b) (7)
式中,x是经PCA降维后的训练样本输入,x=[xi,x2,…xNd],w是权值向量,yi是类别标签,b是偏置;
间隔:
δi=yi(wTx+b)=|wTx+b|=|f(x)| (8)
几何间隔:
支持向量机的目的就是找到最优的w0和b0,就是最大化几何间隔d,也就是最小化w,问题转化成:
利用拉格朗日乘法:
式中,ai是拉格朗日乘子,为非负变量,Nd为训练样本个数;将上式分别对w和b求偏导并令为零得:
将其转换成对偶问题,得到目标信号为:
从而得到最优拉格朗日乘子α0,i,代入得到最优权值w0:
代入f(x)=0得到最优偏置:
最终得到最优分类的目标函数:
式中,sign是符号函数;最优权值向量的确定仅由最优拉格朗日乘子和训练样本及其类别来决定,BPSK和2FSK信号的三维特征样本经PCA降维后构成二维训练样本,通过训练找到支持向量的位置,然后算出偏置,最后找到最优分类线,实现测试样本的正确分类。
2.如权利要求1所述的基于PCA降维的混合型机器学习信号分类方法,其特征在于,步骤1中,将所述LFM信号、QPSK信号与其它信号分开后,还通过设置瞬时自相关标准差γ,再分别区分出LFM信号、QPSK信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884673.6A CN109034087B (zh) | 2018-08-06 | 2018-08-06 | 一种基于pca降维的混合型机器学习信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884673.6A CN109034087B (zh) | 2018-08-06 | 2018-08-06 | 一种基于pca降维的混合型机器学习信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034087A CN109034087A (zh) | 2018-12-18 |
CN109034087B true CN109034087B (zh) | 2021-11-30 |
Family
ID=64649683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884673.6A Active CN109034087B (zh) | 2018-08-06 | 2018-08-06 | 一种基于pca降维的混合型机器学习信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034087B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062011A (zh) * | 2019-05-30 | 2019-07-26 | 海南大学 | 基于V-SVM的DDoS攻击检测方法和装置 |
CN110390272B (zh) * | 2019-06-30 | 2023-07-18 | 天津大学 | 一种基于加权主成分分析的eeg信号特征降维方法 |
CN113075454B (zh) * | 2021-03-16 | 2023-03-28 | 国网山东省电力公司烟台供电公司 | 相位跟踪方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104052701A (zh) * | 2014-06-03 | 2014-09-17 | 哈尔滨工程大学 | 一种基于fpga实现的脉内调制特征实时提取与分类*** |
CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
CN107577999A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 |
EP3314591A1 (en) * | 2015-06-29 | 2018-05-02 | EchoCare Technologies Ltd. | System and method for implementing personal emergency response system based on uwb interferometer |
CN108270703A (zh) * | 2016-12-30 | 2018-07-10 | 中国航天科工集团八五研究所 | 一种通信信号数字调制类型识别方法 |
-
2018
- 2018-08-06 CN CN201810884673.6A patent/CN109034087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104052701A (zh) * | 2014-06-03 | 2014-09-17 | 哈尔滨工程大学 | 一种基于fpga实现的脉内调制特征实时提取与分类*** |
EP3314591A1 (en) * | 2015-06-29 | 2018-05-02 | EchoCare Technologies Ltd. | System and method for implementing personal emergency response system based on uwb interferometer |
CN108270703A (zh) * | 2016-12-30 | 2018-07-10 | 中国航天科工集团八五研究所 | 一种通信信号数字调制类型识别方法 |
CN107301432A (zh) * | 2017-07-11 | 2017-10-27 | 哈尔滨工程大学 | 基于时频分析的自适应辐射源调制识别方法 |
CN107577999A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 |
Non-Patent Citations (1)
Title |
---|
联合时域和时域特征的数字调制信号自动分类;代翱等;《信号处理》;20161130;1284-1290 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034087A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034087B (zh) | 一种基于pca降维的混合型机器学习信号分类方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及*** | |
Wang et al. | Radar emitter recognition based on the short time Fourier transform and convolutional neural networks | |
CN111722188B (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
CN110244271A (zh) | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 | |
EP1614016A2 (en) | System and method for waveform classification and characterization using multidimensional higher-order statistics | |
CN104280724B (zh) | 基于散射点匹配的雷达高分辨距离像识别方法 | |
CN109613485A (zh) | 一种基于支持向量聚类和灰关联度的雷达信号分选方法 | |
CN110197209A (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN104040561A (zh) | 通过质谱术和分数规整识别微生物的方法 | |
CN106357575A (zh) | 一种多参数联合估计的干扰类型识别方法 | |
CN103064063A (zh) | 基于cwd特征的多相编码雷达信号波形自动识别方法 | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN108197581A (zh) | 一种基于改进AC-WGANs的无人机信号识别检测算法 | |
CN109088837B (zh) | 一种基于聚类分析的多种雷达与通信信号分类方法 | |
CN109001702B (zh) | 无载波超宽带雷达人体动作识别方法 | |
CN103235296B (zh) | 基于功率谱特征修正的噪声背景下雷达目标识别方法 | |
CN108809874B (zh) | 一种基于循环支持向量机的雷达与通信多信号分类方法 | |
CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
Gillespie et al. | Optimization of time and frequency resolution for radar transmitter identification | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Jiang et al. | Specific radar emitter identification based on a digital channelized receiver |
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 |