CN111814703B - 一种非重构条件下基于hb的信号联合特征提取方法 - Google Patents

一种非重构条件下基于hb的信号联合特征提取方法 Download PDF

Info

Publication number
CN111814703B
CN111814703B CN202010671516.4A CN202010671516A CN111814703B CN 111814703 B CN111814703 B CN 111814703B CN 202010671516 A CN202010671516 A CN 202010671516A CN 111814703 B CN111814703 B CN 111814703B
Authority
CN
China
Prior art keywords
order cumulant
bispectrum
radiation source
signal
order
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
Application number
CN202010671516.4A
Other languages
English (en)
Other versions
CN111814703A (zh
Inventor
李智
吴俊�
王宇阳
解建兰
李健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202010671516.4A priority Critical patent/CN111814703B/zh
Publication of CN111814703A publication Critical patent/CN111814703A/zh
Application granted granted Critical
Publication of CN111814703B publication Critical patent/CN111814703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于信号处理领域，针对单一特征存在识别结果易漂移提出一种非重构条件下基于HB的信号联合特征提取方法，具体用于处理辐射源信号分类识别问题。提取单一特征作为识别特征，有时特征分类界限模糊，会降低识别效果。利用高阶累积量与双谱结合起来的联合特征来解决这个问题。高阶累积量可以很好的保留幅度、相位等信息，双谱是最低阶的高阶谱，优势在于计算简单。首先生成辐射源信号，接着将接收信号经过MWC压缩采样，并将它的幅值归一化。再计算三‑六阶累积量、方形八阶累积量，并提取高阶累积量特征。同时，提取采样矩阵的双谱系数估计特征。最后，利用三个不同的高阶累积量特征与双谱系数估计特征作为联合特征，传入SVM分类器进行分类。

Description

一种非重构条件下基于HB的信号联合特征提取方法
技术领域
本发明属于信号处理领域，涉及一种非重构条件下基于HB的信号联合特征提取方法，具体用于处理辐射源信号分类识别问题。
背景技术
特定辐射源识别根据其独特特征将单个发射器与其他发射器区分开，从而识别出不同的发射器。辐射源识别技术主要用于军事通信中。随着新技术的出现，例如认知无线电和自组织网络，它变得越来越重要。
基于发射器的工作方式，辐射源识别可以对瞬态或稳态信号进行发射器识别。瞬态信号又称为开/关信号，所得的发射器特异性可用来提取特征。 要提取瞬态信号的特征，主要方法是通过检测噪声的起点和终点来提取瞬态信号。但是，瞬态信号的持续时间短且难以捕获。 它也容易受到复杂信道的干扰，并影响发射器的识别效果。稳态信号在整个信号的瞬态开始和结束之间传输。与瞬态信号相比，稳态信号的检测和采集更加简单。然而，由于稳态特征容易被破坏，使得稳态特征的提取变得困难。 对于稳态信号，研究了各种特征提取方案。 最常用的方法是基于时频分析算法，如短时傅里叶变换、小波等。除了这些方法，像累积量，双谱也被大量采用。
传统的提取特征方式虽然能够有效的提取辐射源特征，但是作为单一特征有时会造成识别结果漂移，降低正确识别率。本发明提出一种基于高阶累积量和双谱系数估计的联合指纹特征（HB,Joint Fingerprint features based on Higher-order cumulantsand Bispectrum coefficient estimation）提取算法。它能解决单一特征存在识别结果易漂移的问题，提高辐射源识别稳定性。
发明内容
本发明针对单一特征存在识别结果易漂移的问题，提出一种多特征联合特征识别方法。
本发明所用的技术方案如下：
非重构条件下基于HB的信号联合特征提取，主要有以下几步：
步骤1、生成辐射源信号；
步骤2、利用MWC对辐射源进行预处理；
步骤3、提取高阶累积量特征；
步骤4、提取双谱系数估计特征；
步骤5、使用支持向量机（SVM）对辐射源信号进行分类识别。
有益效果：1）本发明的方法在有三个辐射源的情况下，与VMD_SF算法和EMD_EM算法对比，识别效果更好；2）随着待识别的辐射源数目增加，识别难度会越来越大，但是当5个辐射源在信噪比达到10dB时，识别率仍能达到90%。
附图说明
图1是MWC***结构图；
图2是MWC频谱搬移图；
图3是非重构条件下基于HB的信号联合特征提取算法流程图；
图4是本发明的TSOC特征分布图；
图5是本发明的SEOC特征分布图；
图6是本发明的双谱系数估计特征分布图；
图7是本发明的HB联合特征分布图；
图8是本发明与VMD_SF和EMD_EM算法在高斯白噪声信道的识别率对比图；
图9是本发明与VMD_SF和EMD_EM算法在衰落信道的识别率对比图；
图10是本发明与VMD_SF和EMD_EM算法在4个辐射源下的识别率对比图；
图11是本发明与VMD_SF和EMD_EM算法在5个辐射源下的识别率对比图。
具体实施方式
1. 生成辐射源信号
在发射机中包含很多非线性器件，建立的***模型主要考虑功率放大器的非线性为辐射源指纹产生的机理。建立泰勒级数模型，令
Figure 142498DEST_PATH_IMAGE001
为泰勒多项式的阶数，对于发射机
Figure 894554DEST_PATH_IMAGE002
的输出可表示为
Figure 717016DEST_PATH_IMAGE003
（1）
其中
Figure 171000DEST_PATH_IMAGE004
（2）
Figure 838742DEST_PATH_IMAGE005
是功率放大器的输入信号，其中
Figure 507621DEST_PATH_IMAGE006
为第
Figure 500984DEST_PATH_IMAGE007
个发射机在时间
Figure 724155DEST_PATH_IMAGE008
处的基带调制信号，
Figure 461167DEST_PATH_IMAGE009
是总的辐射源数目。
Figure 984552DEST_PATH_IMAGE010
为载波频率，
Figure 414397DEST_PATH_IMAGE011
为采样周期，
Figure 374131DEST_PATH_IMAGE012
是泰勒多项式的系数。
Figure 649255DEST_PATH_IMAGE013
表示辐射源功率放大器
Figure 292726DEST_PATH_IMAGE014
的输出信号。时间
Figure 627892DEST_PATH_IMAGE015
接收信号可以表示为
Figure 825655DEST_PATH_IMAGE016
（3）
其中
Figure 904470DEST_PATH_IMAGE017
是从辐射源
Figure 402447DEST_PATH_IMAGE018
到接收机的信道衰落系数，
Figure 174094DEST_PATH_IMAGE019
是加性噪声。 把式（1）代入式（3）得到信号
Figure 593574DEST_PATH_IMAGE020
为
Figure 476079DEST_PATH_IMAGE021
（4）
在接收端接收信号
Figure 828563DEST_PATH_IMAGE020
，从
Figure 771112DEST_PATH_IMAGE020
中提取特征来识别不同辐射源。
2.辐射源信号预处理
在信号预处理部分，我们用到调制宽带转换器（MWC），其采样***的原理框图如图1所示。输入信号
Figure 677888DEST_PATH_IMAGE022
被分成m路输入MWC采样***，其中每一个欠采样通道分别由伪随机混频、低通滤波（LPF）和低速 ADC 组成，输出结果为原信号的压缩采样序列。图2为MWC各个通道的频谱搬移图，经过频谱切割之后整个频带被分为L个频谱，各子频带相互搬移混合之后包含了这个通道中信号的全局信息。
接收信号
Figure 98505DEST_PATH_IMAGE023
经过MWC压缩采样之后得到一个
Figure 571074DEST_PATH_IMAGE024
维矩阵，记为
Figure 684524DEST_PATH_IMAGE025
Figure 826399DEST_PATH_IMAGE026
(5)
其中
Figure 50707DEST_PATH_IMAGE027
是
Figure 112204DEST_PATH_IMAGE028
维列向量。避免在提取特征时由于强度敏感、幅度敏感性造成影响，采用包络对齐方法实现样本数据的平移补偿，如下式进行幅度归一化处理
Figure 396555DEST_PATH_IMAGE029
(6)
双谱是被广泛应用于高阶统计分析中的特征，信号三阶累积量的二维离散傅里叶变换（DFT, Discrete Fourier transform)就是双谱。对于确定的离散时间信号
Figure 809081DEST_PATH_IMAGE030
，它的三阶累积量为
Figure 305922DEST_PATH_IMAGE031
(7)
其中
Figure 487504DEST_PATH_IMAGE032
是
Figure 677177DEST_PATH_IMAGE033
的共轭。
3.提取高阶累积量特征
提取不同的高阶累积量（HOC，Higher-Order Cumulants）特征，包括三-六阶累积量 （TSOC, Tri-Sixth-Order Cumulant）、方形八阶累积量（SEOC, Square Eight-OrderCumulant）。经过MWC压缩采样获得了接收信号的CSD。对于
Figure 577000DEST_PATH_IMAGE034
，信号的时变矩定义为
Figure 611952DEST_PATH_IMAGE035
(8)
其中（8）中
Figure 913621DEST_PATH_IMAGE036
称为信号
Figure 274195DEST_PATH_IMAGE037
的滞后积,
Figure 661314DEST_PATH_IMAGE038
是
Figure 499957DEST_PATH_IMAGE039
的共轭，
Figure 390552DEST_PATH_IMAGE040
是共轭总数。
索引集
Figure 187607DEST_PATH_IMAGE041
的不同分区命名为
Figure 796443DEST_PATH_IMAGE042
,
Figure 969935DEST_PATH_IMAGE043
是分区中元素的数量，并且属于分区的索引集用
Figure 698726DEST_PATH_IMAGE044
表示。根据矩-累积量（MC, Moment-cumulative）转换公式，
Figure 666682DEST_PATH_IMAGE045
的
Figure 762814DEST_PATH_IMAGE046
阶累积量表示为
Figure 474418DEST_PATH_IMAGE047
(9)
因此我们可以得到如下的矩-累积量之间的关系
Figure 808447DEST_PATH_IMAGE048
(10)
可以分别从上述参数中提取TSOC、SEOC，TSOC 特征
Figure 947305DEST_PATH_IMAGE049
可以表示为
Figure 530733DEST_PATH_IMAGE050
(11)
SEOC 特征
Figure 780448DEST_PATH_IMAGE051
可以表示为
Figure 234564DEST_PATH_IMAGE052
(12)
如上述公式提取TSOC和SEOC作为两个高阶累积量特征。
图4和图5分别画出了三个具有不同泰勒系数辐射源个体的TSOC特征、SEOC特征的对比图，其中辐射源1的泰勒系数为
Figure 544322DEST_PATH_IMAGE053
，辐射源2的泰勒系数为
Figure 615046DEST_PATH_IMAGE054
，辐射源3的泰勒系数为
Figure 668453DEST_PATH_IMAGE055
，基带调制方式都为8QAM。图4为TSOC特征分布图，图中横轴表示辐射源的信号点数，纵轴表示TSOC特征值。我们可以看出，三个辐射源信号能够大致分类识别，但是区分边界有混淆，如果受到外界干扰，会导致识别率下降。以TSOC单一特征作为分类判别依据不利于辐射源信号分类。图5为SEOC特征分布图，图中横轴表示辐射源的信号点数，纵轴表示SEOC特征值。图中，辐射源信号1的SEOC特征值平均值为11.4，辐射源信号2的SEOC特征值平均值为10.9，辐射源信号3的SEOC特征值平均值为12.0。三种信号的SEOC特征值混淆比较严重，但作为联合特征其中之一依然可行，若单独使用这个特征分类识别，将造成结果严重失真。
4.提取双谱系数估计特征
公式(7)已经给出了离散时间信号
Figure 508233DEST_PATH_IMAGE056
的三阶累积量
Figure 457734DEST_PATH_IMAGE057
计算公式，故
Figure 750176DEST_PATH_IMAGE058
的双谱
Figure 607273DEST_PATH_IMAGE059
为
Figure 301560DEST_PATH_IMAGE060
(13)
双谱是将一个频率用其他两个频率表示，本发明采用直接估计法，对
Figure 172695DEST_PATH_IMAGE061
进行双谱估计。将采样数据
Figure 218011DEST_PATH_IMAGE062
分为
Figure 613220DEST_PATH_IMAGE063
段，每段包含
Figure 162013DEST_PATH_IMAGE064
个数据，相邻两端数据之间可以有重叠，为了方便描述记为
Figure 718897DEST_PATH_IMAGE065
。求每段数据的DFT系数
Figure 985930DEST_PATH_IMAGE066
(14)
其中
Figure 184830DEST_PATH_IMAGE067
，
Figure 588130DEST_PATH_IMAGE068
。设
Figure 847073DEST_PATH_IMAGE069
为采样率，计算每个DFT系数的三重相关，得到相关序列
Figure 70244DEST_PATH_IMAGE070
Figure 807256DEST_PATH_IMAGE071
(15)
其中
Figure 330641DEST_PATH_IMAGE072
表示第
Figure 760485DEST_PATH_IMAGE073
段数据的三重相关
Figure 205373DEST_PATH_IMAGE074
，
Figure 746076DEST_PATH_IMAGE075
。样本数据的双谱系数估计为
Figure 389547DEST_PATH_IMAGE076
(16)
其中
Figure 724713DEST_PATH_IMAGE077
。
图6给出了双谱系数估计特征分布情况，图中横轴表示辐射源的信号点数，纵轴表示双谱系数估计特征值。我们可以看出，辐射源信号1和其他两种信号能有效区分，但依然避免不了辐射源信号2和辐射源信号3的边界混淆。图7为HB联合特征分布图，该图为表示三维特征，三条坐标轴分别表示TSOC特征、SEOC特征和双谱系数估计特征。我们能清晰地看出，当三个特征组成一联合三维特征是时，能够将不同辐射源个体完全区分开来。
5.使用支持向量机（SVM）对辐射源信号进行分类识别
支撑向量机是一种用于二分类问题的监督学***面
Figure 254603DEST_PATH_IMAGE081
来分离，
Figure 470821DEST_PATH_IMAGE082
(17)
其中，
Figure 822168DEST_PATH_IMAGE083
是超平面的法向量；
Figure 174652DEST_PATH_IMAGE084
是原点到超平面的垂直距离。支撑向量机的目的是优化超平面，使其边缘
Figure 117200DEST_PATH_IMAGE085
达到最大（
Figure 555135DEST_PATH_IMAGE086
表示正点到超平面的最近距离，
Figure 444593DEST_PATH_IMAGE087
表示负点到超平面的最近距离）。以此找出的超平面作为不同类别数据的分离边界。对于类数大于2的情况，一般来说，多分类问题可以通过将其简化为几个二分类问题来处理。
使用SVM对图7给出的联合特征进行识别，得到识别结果。图8为本发明与VMD_SF和EMD_EM算法在3类辐射源信号的情况下经过加性高斯白噪声信道的识别率对比图。从图中可以看出，本发明在各SNR时的识别正确率都高于另外两种算法，在SNR=-5db时，本发明的正确识别率为90%，识别率比VMD_SF高20%，比EMD_EM高21%。在低SNR下，基于HB的识别算法在辐射源识别领域中识别效果优于其他两种算法。
图9是本发明与VMD_SF和EMD_EM算法在3类辐射源信号的情况下经过衰落信道的识别率对比图，对比于图8，在衰落信道中三种算法的识别率都下降了，本发明的识别率在SNR>8db后能达到90%以上，VMD_SF和EMD_EM算法在SNR=20db时识别率分别是81%、73%，由此可以看出本发明在衰落信道下依然能够成功识别辐射源个体。
图10为本发明与VMD_SF和EMD_EM算法在4类辐射源信号的情况下经过加性高斯白噪声信道的识别性能图。图11表示在5类辐射源信号的情况下经过加性高斯白噪声信道的识别性能图。从图中可以看出随着辐射源数目增加，三个算法的识别率都有所降低，但是与其它两种算法相比，本发明的识别率始终最高。

Claims (3)

1.一种非重构条件下基于HB的信号联合特征提取方法，其特征在于，步骤如下：
步骤1、生成辐射源信号；
步骤2、对辐射源信号进行预处理；
步骤3、提取高阶累积量特征，提取高阶累积量的公式为
Figure DEST_PATH_IMAGE001
，
并通过此公式得到矩-累积量之间的关系为
Figure DEST_PATH_IMAGE002
，
接着，提取三-六阶累积量（TSOC , Tri-Sixth-Order Cumulant）、方形八阶累积量（SEOC , Square Eight-Order Cumulant）作为特征，其中
Figure DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
；
步骤4、提取双谱系数估计特征，首先将采样数据
Figure DEST_PATH_IMAGE005
分段，记为
Figure DEST_PATH_IMAGE006
，
然后求每段数据的DFT系数，
Figure DEST_PATH_IMAGE007
，
接着根据每个DFT系数的三重相关性，得到相关序列，
Figure DEST_PATH_IMAGE008
，
最后得出双谱系数估计特征，
Figure DEST_PATH_IMAGE009
；
步骤5、使用支持向量机（SVM）并采用三-六阶累积量、方形八阶累积量、双谱系数组成的联合特征作为输入,对辐射源信号进行分类识别。
2.根据权利要求1所述的一种非重构条件下基于HB的信号联合特征提取方法，其特征在于：步骤1的生成信号过程中对QAM调制信号
Figure DEST_PATH_IMAGE010
进行泰勒非线性处理，添加衰落系数
Figure DEST_PATH_IMAGE011
和噪声
Figure DEST_PATH_IMAGE012
，生成源信号，记为
Figure DEST_PATH_IMAGE013
，且
Figure DEST_PATH_IMAGE014
。
3.根据权利要求1所述的一种非重构条件下基于HB的信号联合特征提取方法，其特征在于：步骤2中接收信号
Figure 966900DEST_PATH_IMAGE013
经过MWC压缩采样之后得到一个
Figure DEST_PATH_IMAGE015
维矩阵，记为
Figure DEST_PATH_IMAGE016
，且
Figure DEST_PATH_IMAGE017
，将
Figure 946357DEST_PATH_IMAGE016
进行幅度归一化处理后得到，
Figure DEST_PATH_IMAGE018
。
CN202010671516.4A 2020-07-13 2020-07-13 一种非重构条件下基于hb的信号联合特征提取方法 Active CN111814703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010671516.4A CN111814703B (zh) 2020-07-13 2020-07-13 一种非重构条件下基于hb的信号联合特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010671516.4A CN111814703B (zh) 2020-07-13 2020-07-13 一种非重构条件下基于hb的信号联合特征提取方法

Publications (2)

Publication Number Publication Date
CN111814703A CN111814703A (zh) 2020-10-23
CN111814703B true CN111814703B (zh) 2022-05-24

Family

ID=72842281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010671516.4A Active CN111814703B (zh) 2020-07-13 2020-07-13 一种非重构条件下基于hb的信号联合特征提取方法

Country Status (1)

Country Link
CN (1) CN111814703B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186714B (zh) * 2022-07-15 2023-07-21 中国人民解放军国防科技大学 基于特征相关与自适应分解的网卡频谱指纹特征放大方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470194A (zh) * 2007-12-26 2009-07-01 中国科学院声学研究所 一种水雷目标的识别方法
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮***多故障诊断方法
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别***及方法
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6993440B2 (en) * 2002-04-22 2006-01-31 Harris Corporation System and method for waveform classification and characterization using multidimensional higher-order statistics

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470194A (zh) * 2007-12-26 2009-07-01 中国科学院声学研究所 一种水雷目标的识别方法
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮***多故障诊断方法
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别***及方法
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Higher-order spectra and independent component analysis used for identification and SNR enhancement of acoustic emission signals》;J.G. De la Rosa et. al.;《MELECON 2006 - 2006 IEEE Mediterranean Electrotechnical Conference》;20060724;全文 *
《基于三阶累积量图像纹理特征和SVM 的发动机故障诊断》;丁雷，曾锐利;《军事交通学院学报》;20180731;全文 *
《基于调制宽带转换器的特定辐射源识别算法》;解建兰;《现代计算机》;20200505;全文 *
《基于高阶累积量的数字调制信号识别》;张弛；吴瑛；周欣;《数据采集与处理》;20100930;全文 *
《雷达目标特征提取与识别研究》;马元锋;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20070815;全文 *

Also Published As

Publication number Publication date
CN111814703A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
Like et al. Signal classification in fading channels using cyclic spectral analysis
CN111163460B (zh) 基于多重间隔差分星座轨迹图的射频指纹提取方法
CN107392123B (zh) 一种基于相参积累消噪的射频指纹特征提取和识别方法
Jeong et al. Spectrogram-based automatic modulation recognition using convolutional neural network
CN109359523B (zh) 一种基于svm多分类算法的卫星导航干扰类型识别方法
CN108090462A (zh) 一种基于盒维数的辐射源指纹特征提取方法
Satija et al. Cyclostationary features based modulation classification in presence of non Gaussian noise using sparse signal decomposition
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
Yang et al. Radio frequency fingerprint identification based on stream differential constellation trace figures
West et al. A wideband signal recognition dataset
Zha et al. Specific emitter identification based on paired sample and complex Fourier neural operator
Liu et al. A novel signal separation algorithm for wideband spectrum sensing in cognitive networks
Yin et al. Co-channel multi-signal modulation classification based on convolution neural network
Wang et al. A new method of automatic modulation recognition based on dimension reduction
Yang et al. Modulation recognition using wavelet transform based on AlexNet
CN114255487A (zh) 一种半监督射频指纹提取的物联网设备身份认证方法
Tabatabaei et al. SVM-based classification of digital modulation signals
Wang et al. A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition
CN115378776A (zh) 一种基于循环谱参数的mfsk调制识别方法
Jingpeng et al. Modulation recognition algorithm using innovative CNN and cyclic-spectrum graph
CN112364823B (zh) 5g多载波信号识别方法
Wang et al. Novel radio-frequency fingerprint recognition scheme using multiwavelets-based cyclic-spectrum graph analysis
Liu et al. Specific Emitter Identification Method based on Deep Ensemble Learning
Shi et al. A radio frequency fingerprint identification method for wireless devices based on ShuffleNet-SVM

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