CN113343924A - 一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法 - Google Patents

一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法 Download PDF

Info

Publication number
CN113343924A
CN113343924A CN202110746817.3A CN202110746817A CN113343924A CN 113343924 A CN113343924 A CN 113343924A CN 202110746817 A CN202110746817 A CN 202110746817A CN 113343924 A CN113343924 A CN 113343924A
Authority
CN
China
Prior art keywords
attention
self
network
modulation signal
scale
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.)
Granted
Application number
CN202110746817.3A
Other languages
English (en)
Other versions
CN113343924B (zh
Inventor
李军
张绪毅
乔元健
张志晨
尚李扬
高通
郑文静
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202110746817.3A priority Critical patent/CN113343924B/zh
Publication of CN113343924A publication Critical patent/CN113343924A/zh
Application granted granted Critical
Publication of CN113343924B publication Critical patent/CN113343924B/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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Discrete Mathematics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，基于多尺度的循环谱特征建立调制信号识别模型。模型采用自注意力生成对抗网络，自注意力模块采用递归神经网络来产生视觉注意，可以让网络重点关注循环谱的局部信息。采用上下文自动编码器用于原图和注意力图的结合，并设置多尺度损失函数，可以在不同的译码层提取特征，将不同尺度信息融合来获得更加丰富的特征信息。为了增加数据的可靠性，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的循环谱特征增强自注意力生成对抗网络的泛化能力。此方法适用于多种类型的通信***，并能有效提高调制信号识别准确率，更符合未来智能通信的发展趋势。

Description

一种基于多尺度循环谱特征和自注意力生成对抗网络的调制 信号识别方法
技术领域
本发明涉及智能通信领域，特别涉及一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法。
背景技术
在当前社会通信行业发展日新月异的形势下，通信环境变化复杂，为了提高频带的利用率，不得不对不同的通信信号采用多种不同的调制方式。因此，如何对这些信号进行高效的检测和识别的研究, 在军民两个领域中都有着无数人在探索和求知。尤其是对非协作通信的军事领域，对信号的高效检测识别具有重要的战略意义。
近几年人工智能技术迎来了高峰期，其最新的研究方向深度学习技术在多个领域展现出了惊人的成绩，比如图像处理和语音识别，将人工智能与无线电通信相结合来改善无线通信性能是未来研究新方向。通信信号的调制识别在整个通信过程中占有非常重要的地位，探索调制识别技术中的深度学习方案将成为提升无线通信***性能的潜力方向之一。
发明内容
本发明解决现有调制信号识别方法中识别准确率低且性能不稳定的问题，提供了一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法。
本发明所采用的技术方案是，一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，所述方法包括以下步骤：
步骤1：采用时域平滑FFT累加算法在不同的调制信号下生成三维循环谱图，比如QPSK、8PSK、16QAM和64QAM。然后将生成的三维循环谱图沿Z轴方向某一个等高距离处理为二维图像来生成自注意力生成对抗网络所需的数据集。自注意力生成对抗网络数据集的特征信息来自于多尺度的二维循环谱图，标签是根据调制方式进行分配；
步骤2：将步骤1所述的自注意力生成对抗网络的样本数据随机打乱，其中5000张图片用于组成训练集，1000张图片用于验证集， 1000张图片用于组成测试集，并将图片处理为64×64像素大小；
步骤3：基于步骤2所述的数据集，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力；
步骤4：将步骤3所述自注意力生成对抗网络的自注意力模块可以让网络重点关注循环谱的局部信息。自注意力模块采用递归神经网络来产生视觉注意，递归网络由两个残差层，两个LSTM层和一个用于产生注意图的卷积层组成；
步骤5：生成对抗网络的生成网络中采用上下文自动编码器用于原始图片和注意力图的结合，这里对上下文自动编码器设置一个多尺度损失函数，可以在不同的译码层提取特征，形成不同大小的输出，然后将不同尺度信息融合来获得更加丰富的特征信息；
步骤6：生成对抗网络的判别网络主要采用五层的卷积神经网络来实现，判别网络目标是尽量把生成网络生成的循环谱图和真实的循环谱图区分开来，判别网络的输出是图片为某一类别调制方式的概率；
步骤7：根据由步骤1、步骤2、步骤3、步骤4、步骤5和步骤 6所建立的模型完成对调制信号的识别。
优选地，所述步骤1中，三维循环谱图是在信噪比为0dB、5dB、 10dB和15dB四种情况下生成，并在Z轴方向与XOY平面距离为10 处的等高线将三维循环谱图转化为二维图像来生成数据集。自注意力生成对抗网络的标签为QPSK、8PSK、16QAM和64QAM调制类别。
优选地，所述步骤2中，采用OpenCV的resize函数将图片处理为64×64像素大小。
优选地，所述步骤3中，AutoAugment数据增强算法的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，以增加模型的自适应性。其实现包括以下步骤：
步骤3.1：设置10个(可更改数目)的数据增强处理方法；
步骤3.2：从10个中选择5个(可更改数目)方法，随机产生使用该方法的概率和相应的幅度，每个方法会获得一个相应的子策略；
步骤3.3：对训练过程中的样本随机采用5个子策略中的一个进行处理，并通过验证集上的数据验证该子策略的有效性；
步骤3.4：经过大约100个训练周期后得到有效地子策略方案；
步骤3.5：采用训练好的策略完成数据增强；
优选地，所述步骤4中，每个时间步学习的注意力图是一个从0 到1的矩阵，注意程度越高，值就越大，在图片中显示就越亮；在每个时间步中，将当前的生成的自注意力图与原始图像连接起来，然后将它们输入到递归网络的下一个块中，依次循环进行。
优选地，在训练过程中，数据批次设置为100，并采用RMSprop 算法来优化学习率的更新。自注意力图的初始化参数设置为0.4，随着时间步长的增加，网络越来越将注意力集中到循环谱峰值区域。
优选地，所述步骤5中，多尺度上下文自动编码器采用20个转换块，并添加了跳跃连接以防止图像的模糊输出。每个递归块中的损失函数定义为该时间步长的输出的自注意力图与图像二进制掩模之间的均方误差。
所述步骤5中，多尺度上下文自动编码器训练包括以下步骤：
步骤5.1：将最后生成的自注意力图与原始二维循环谱图共同作为上下文自动编码器的输入进行训练，其中的编码器用于图像的降维，译码器用于原始图像的重建；
步骤5.2：将验证集中不同类别的循环谱图打乱顺序后对所建立上下文自动编码器性能进行验证。
步骤5.3：损失函数采用多尺度损失：
Figure BDA0003142812550000041
本发明所述一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明涉及一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，采用创新性的结构设计，基于多尺度的循环谱特征建立调制信号识别模型。模型采用自注意力生成对抗网络，其中自注意力模块采用递归神经网络来产生视觉注意，可以让网络重点关注循环谱的局部信息。生成网络中采用上下文自动编码器用于原始图片和注意力图的结合，并设置多尺度损失函数，可以在不同的译码层提取特征，通过将不同尺度信息融合来获得更加丰富的特征信息。判别网络采用五层的卷积神经网络来实现，其目的是尽可能把生成网络生成的循环谱图和真实的循环谱图区分开来。为了增加数据的可靠性，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力。此方法适用于多种类型的通信***，具有较强的泛化性，并能较大程度的提高调制信号识别准确率，更适合当下5G通信的要求以及未来智能通信的发展趋势。
附图说明
图1是调制信号的二维循环谱图。
图2a是自注意力生成对抗网络结构图前部示意图。
图2b是自注意力生成对抗网络结构图后部示意图。
图3是多尺度上下文自动编码器结构图。
图4是判别器模块结构图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，二维循环谱图和自注意力生成对抗网络结构图分别如图1和图2所示，所述方法包括以下步骤：
步骤1：采用时域平滑FFT累加算法在不同的调制信号下生成三维循环谱图，比如QPSK、8PSK、16QAM和64QAM。然后将生成的三维循环谱图在Z轴方向某一个等高距离处理为二维图像来生成自注意力生成对抗网络所需的数据集。
所述步骤1中，时域平滑FFT累加算法的具体实现过程包括以下步骤：
步骤1.1：输入一个周期平稳信号x(t)，定义循环自相关函数为：
Figure BDA0003142812550000061
其中，τ表示时间间隔，t是一个时间周期；
步骤1.2：对步骤1.1公式进行傅里叶变换可得到循环谱密度函数，其数学表达式可表示为：
Figure BDA0003142812550000062
同时，时域信号的傅里叶变换可以表示为：
Figure BDA0003142812550000063
步骤1.3：在滑动短时傅里叶变换后可以表示为：
Figure BDA0003142812550000064
步骤1.4：综合以上公式可得到基于时域平滑FFT累加算法估计的循环谱密度函数，可表示为：
Figure BDA0003142812550000065
其中，
Figure BDA0003142812550000071
N为数据长度，N1为加窗后信号段的长度，
Figure BDA0003142812550000072
为加窗函数处理后的离散傅里叶变换， wn为加窗函数。
步骤2：将步骤1所述的自注意力生成对抗网络训练所需的样本数据随机打乱，其中5000张图片用于组成训练集，1000张图片用于验证集，1000张图片用于组成测试集，采用OpenCV的resize函数将图片处理为64×64像素大小。
步骤3：基于步骤2所述的训练数据，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力。AutoAugment数据增强算法的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，其实现包括以下步骤：
步骤3.1：设置10个(可更改数目)的数据增强处理方法；
步骤3.2：从10个中选择5个(可更改数目)方法，随机产生使用该方法的概率和相应的幅度，每个方法会获得一个相应的子策略；
步骤3.3：对训练过程中的样本随机采用5个子策略中的一个进行处理，并通过验证集上的数据验证该子策略的有效性；
步骤3.4：经过大约100个训练周期后得到有效地子策略方案；
步骤3.5：采用训练好的策略完成数据增强。
步骤4：基于步骤2和步骤3所述的数据集对网络进行训练，每个时间步学习的注意力图是一个从0到1的矩阵，值越大，表示受注意程度越高。LSTM模型有三个门：遗忘门、输入门和输出门。W和b 分别代表权重和偏置。遗忘门用来确定对上一个单元状态信息的遗忘程度，其公式可以写为：ft＝σ(Wfg[Ht-1,Xt]+bf)。输入门用来决定在单元状态下存储哪些新信息。首先，由sigmoid层决定我们要更新哪些值，表示为it＝σ(Wi·[Ht-1,Xt]+bi)。其次，tanh层创建一个新的候选值向量C(t)*可以添加到状态中，表示为： C(t)*＝Tanh(Wc·[Ht-1,Xt]+b)。将新旧信息相加得到新的单元状态，表示为：C(t)＝ft*C(t-1)+it*C(t)*。最后，输出门决定输出的信息部分，它是将sigmoid的输出结果与tanh作用后C(t)相乘得到，其公式分别为：Ot＝σ(Wo·[Ht-1,Xt]+bo)和 H(t)＝Ot*tanh(C(t))。
本发明中，训练时的数据批次设置为100，并采用RMSprop算法来优化学习率的更新。自注意力图的初始化参数设置为0.4，随着时间步长的增加，网络越来越将注意力集中到循环谱峰值区域。自注意力模块包含多个时间步长，前一步长的注意力图作为后一步长的输入，这样可以获得不同步长的特征信息。同时，前面步长的注意力图的注意力较小，随着步长的增加，注意力逐渐变大，考虑到内存问题，这里设置步长为5。
步骤5：生成对抗网络的生成网络中采用上下文自动编码器用于原始图片和注意力图的结合，如图3所示，这里对上下文自动编码器设置一个多尺度损失函数，可以在不同的译码层提取特征，形成不同大小的输出，然后将不同尺度信息融合来获得更加丰富的特征信息。
所述步骤5中，多尺度上下文自动编码器的实现步骤如下：
步骤5.1：上下文自动编码器设置20个转换块，并添加跳跃连接来增加图像输出的清晰度。
步骤5.2：设置多尺度损失函数，从不同的尺度捕获更多的上下文信息，公式表示为：
Figure BDA0003142812550000091
步骤5.3：设置全局损失函数，衡量自动编码器的生成图像与相应的真实图像之间的全局特征差异，该俩者的特征通过DenseNet网络进行提取，全局损失函数定义为： LP＝LMSE(DenseNet(O),DenseNet(T))。
步骤5.4：将数据集输入到上下文自动编码器进行训练和测试，并通过优化算法不断更新网络的权重和偏置。
步骤6：生成对抗网络的判别网络主要采用5个卷积层，卷积层采用RuLU激活函数，一个全连接层和Softmax层，判别网络的输出是图片为某一类别调制方式的概率，并根据最大概率的类别作为最终的识别结果，如图4所示。
步骤7：根据由步骤1、步骤2、步骤3、步骤4、步骤5和步骤 6所建立的模型完成对调制信号的识别。
以上技术方案的设计基于一种多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，采用创新性的结构设计，基于多尺度的循环谱特征建立调制信号识别模型。模型采用自注意力生成对抗网络，其自注意力模块采用递归神经网络来产生视觉注意，可以让网络重点关注循环谱的局部信息，自注意力模块包含残差连接、LSTM 网络和卷积层，并生成注意力图。生成网络中采用上下文自动编码器用于原图和注意力图的结合，并设置多尺度损失函数，可以在不同的译码层提取特征，将不同尺度信息融合来获得更加丰富的特征信息。设置全局损失函数，通过DenseNet网络提取自动编码器的生成图像与相应的真实图像之间的全局特征差异。为了增加数据的可靠性，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力。此方法在提高调制信号识别准确率的基础上具有较强的泛化性，并适用于多种无线通信***，更符合未来智能通信的发展趋势。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于，所述方法包括以下步骤：
步骤1：采用时域平滑FFT累加算法在不同的调制信号下生成三维循环谱图，比如QPSK、8PSK、16QAM和64QAM。然后将生成的三维循环谱图沿Z轴方向某一个等高距离处理为二维图像来生成自注意力生成对抗网络所需的数据集。自注意力生成对抗网络数据集的特征信息来自于多尺度的二维循环谱图，标签是根据循环谱图对应的调制方式进行分配；
步骤2：将步骤1所述的自注意力生成对抗网络的样本数据随机打乱，其中5000张图片用于组成训练集，1000张图片用于验证集，1000张图片用于组成测试集，并将图片处理为64×64像素大小；
步骤3：基于步骤2所述的数据集，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力；
步骤4：将步骤3所述自注意力生成对抗网络的自注意力模块可以让网络重点关注循环谱的局部信息。自注意力模块采用递归神经网络来产生视觉注意，递归网络由三个残差层，两个LSTM层和一个用于产生注意图的卷积层组成；
步骤5：生成对抗网络的生成网络中采用上下文自动编码器用于原始图片和注意力图的结合，这里对上下文自动编码器设置一个多尺度损失函数，可以在不同的译码层提取图像特征，形成不同大小的输出，然后将不同尺度信息融合来获得更加丰富的特征信息；
步骤6：生成对抗网络的判别网络主要采用五层的卷积神经网络来实现，判别网络目标是尽量把生成网络生成的循环谱图和真实的循环谱图区分开来，判别网络的输出是图片为某一类别调制方式的概率；
步骤7：根据由步骤1、步骤2、步骤3、步骤4、步骤5和步骤6所建立的模型完成对调制信号的识别。
2.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：所述步骤2中，采用OpenCV的resize函数将图片处理为64×64像素大小。
3.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：所述步骤3中，AutoAugment数据增强算法的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，其实现包括以下步骤：
步骤3.1：设置10个(可更改数目)的数据增强处理方法；
步骤3.2：从10个中选择5个(可更改数目)方法，随机产生使用该方法的概率和相应的幅度，每个方法会获得一个相应的子策略；
步骤3.3：对训练过程中的样本随机采用5个子策略中的一个进行处理，并通过验证集上的数据验证该子策略的有效性；
步骤3.4：经过大约100个训练周期后得到有效地子策略方案；
步骤3.5：采用训练好的策略完成数据增强。
4.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：所述步骤4中，每个时间步学习的注意力图是一个从0到1的矩阵，值越大，表示受注意程度越高；在每个时间步中，将当前的自注意力图与输入的图像连接起来，然后将它们输入到递归网络的下一个块中。
5.根据权利要求4所述一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：在训练过程中，自注意力图的初始化参数设置为0.4，随着时间步长的增加，网络越来越将注意力集中到循环谱峰值区域。
6.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：所述步骤5中，每个递归块中的损失函数定义为该时间步长的输出的自注意力图与图像二进制掩模之间的均方误差。
7.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：上下文自动编码器采用20个转换块，并添加了跳跃连接以防止图像的模糊输出。
8.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：判别网络包含5个卷积层、一个全连接层，最后通过Softmax层输出调制信号属于哪种调制方式的概率。
9.根据权利要求1所述的一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法，其特征在于：采用网络的分类准确率作为评价网络调制信号识别性能的指标。
CN202110746817.3A 2021-07-01 2021-07-01 一种基于循环谱特征和生成对抗网络的调制信号识别方法 Active CN113343924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110746817.3A CN113343924B (zh) 2021-07-01 2021-07-01 一种基于循环谱特征和生成对抗网络的调制信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110746817.3A CN113343924B (zh) 2021-07-01 2021-07-01 一种基于循环谱特征和生成对抗网络的调制信号识别方法

Publications (2)

Publication Number Publication Date
CN113343924A true CN113343924A (zh) 2021-09-03
CN113343924B CN113343924B (zh) 2022-05-17

Family

ID=77482100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110746817.3A Active CN113343924B (zh) 2021-07-01 2021-07-01 一种基于循环谱特征和生成对抗网络的调制信号识别方法

Country Status (1)

Country Link
CN (1) CN113343924B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486464A (zh) * 2023-06-20 2023-07-25 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140080225A1 (en) * 2012-09-18 2014-03-20 The Royal Institution For The Advancement Of Learning / Mcgill University Methods and devices for xerogel based sensors
CN109523994A (zh) * 2018-11-13 2019-03-26 四川大学 一种基于胶囊神经网络的多任务语音分类方法
CN110084121A (zh) * 2019-03-27 2019-08-02 南京邮电大学 基于谱归一化的循环生成式对抗网络的人脸表情迁移的实现方法
CN110739002A (zh) * 2019-10-16 2020-01-31 中山大学 基于生成对抗网络的复数域语音增强方法、***及介质
CN111179228A (zh) * 2019-12-16 2020-05-19 浙江大学 一种基于深度学习的单能ct能谱成像方法
CN111259798A (zh) * 2020-01-16 2020-06-09 西安电子科技大学 基于深度学习的调制信号识别方法
CN111990989A (zh) * 2020-08-31 2020-11-27 武汉大学 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN112767958A (zh) * 2021-02-26 2021-05-07 华南理工大学 一种基于零次学习的跨语种音色转换***及方法
CN112967730A (zh) * 2021-01-29 2021-06-15 北京达佳互联信息技术有限公司 语音信号的处理方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140080225A1 (en) * 2012-09-18 2014-03-20 The Royal Institution For The Advancement Of Learning / Mcgill University Methods and devices for xerogel based sensors
CN109523994A (zh) * 2018-11-13 2019-03-26 四川大学 一种基于胶囊神经网络的多任务语音分类方法
CN110084121A (zh) * 2019-03-27 2019-08-02 南京邮电大学 基于谱归一化的循环生成式对抗网络的人脸表情迁移的实现方法
CN110739002A (zh) * 2019-10-16 2020-01-31 中山大学 基于生成对抗网络的复数域语音增强方法、***及介质
CN111179228A (zh) * 2019-12-16 2020-05-19 浙江大学 一种基于深度学习的单能ct能谱成像方法
CN111259798A (zh) * 2020-01-16 2020-06-09 西安电子科技大学 基于深度学习的调制信号识别方法
CN111990989A (zh) * 2020-08-31 2020-11-27 武汉大学 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN112967730A (zh) * 2021-01-29 2021-06-15 北京达佳互联信息技术有限公司 语音信号的处理方法、装置、电子设备及存储介质
CN112767958A (zh) * 2021-02-26 2021-05-07 华南理工大学 一种基于零次学习的跨语种音色转换***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张少康,田德艳: "水下声目标的梅尔倒谱系数智能分类方法", 《应用声学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486464A (zh) * 2023-06-20 2023-07-25 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法
CN116486464B (zh) * 2023-06-20 2023-09-01 齐鲁工业大学(山东省科学院) 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法

Also Published As

Publication number Publication date
CN113343924B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN113688723B (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
CN110781924B (zh) 一种基于全卷积神经网络的侧扫声纳图像特征提取方法
Chen et al. Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN113505792B (zh) 面向非均衡遥感图像的多尺度语义分割方法及模型
CN110598530A (zh) 一种基于acgan的小样本无线电信号增强识别方法
CN110555841B (zh) 基于自注意图像融合和dec的sar图像变化检测方法
Emam et al. A comparative study between CNN, LSTM, and CLDNN models in the context of radio modulation classification
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113359212B (zh) 一种基于深度学习的储层特征预测方法及模型
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN116343045B (zh) 基于YOLO v5的轻量化SAR图像舰船目标检测方法
CN116206185A (zh) 一种基于改进YOLOv7的轻量级小目标检测方法
CN114973011A (zh) 一种基于深度学习的高分辨率遥感影像建筑物提取方法
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与***
CN116340846A (zh) 一种弱监督下多示例多标签学习的混叠调制信号识别方法
CN114595770B (zh) 一种船舶轨迹的长时序预测方法
CN115810129A (zh) 一种基于轻量化网络的物体分类方法
CN114724245B (zh) 基于csi的增量学习人体动作识别方法
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法
CN115712867A (zh) 一种多分量雷达信号调制识别方法
CN114998731A (zh) 智能终端导航场景感知识别的方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及***

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