CN114114363A - 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 - Google Patents
基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 Download PDFInfo
- Publication number
- CN114114363A CN114114363A CN202111311252.2A CN202111311252A CN114114363A CN 114114363 A CN114114363 A CN 114114363A CN 202111311252 A CN202111311252 A CN 202111311252A CN 114114363 A CN114114363 A CN 114114363A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- sub
- signals
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法,所述感知方法包括步骤:调用目标频带的多个样本信号,表示为第一时频图像,根据信号类型对第一时频图像设置标签,建立为训练数据集;将目标频带划分为多个子频带,基于子频带将训练数据集分为多个训练数据组,输入预先设置的卷积神经网络模型中,对卷积神经网络模型进行训练,得到感知模型;接收机会信号,将第二时频图像输入感知模型;根据机会信号所处子频带调用对应感知模型,得出机会信号信号类型,基于所述信号类型激活对应的接收机。不需所有接收机保持工作即可保证信号的连续感知,根据感知结果激活对应接收机即可,提高硬件资源利用率,降低功耗。
Description
技术领域
本发明涉及机会信号定位技术领域,尤其涉及一种基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法。
背景技术
传统导航***多利用全球导航卫星***(Global navigation satellitesystem,GNSS)进行定位,而全源导航、机会信号导航、多源融合定位则采用空域内所有可用于定位的射频信号进行导航定位,包括各种非导航专用信号,如数字音频广播、数字电视广播信号,调幅和调频广播信号,蜂窝基站信号,蓝牙,ZigBee,Wi-Fi等通信网络信号。
机会信号导航通过接收环境中所有潜在的无线信号进行定位。机会信号包括各种除了 GNSS***等非专门为导航设计的信号,如数字音频广播、数字电视广播信号,调幅和调频广播信号,蜂窝基站信号,蓝牙,ZigBee,Wi-Fi等无线信号。这些信号广泛存在与周边环境中,通常用来通信而不是为导航专门播发的。通过识别多类信号,提供可靠的定位导航服务。
机会信号导航需要对各种无线信号进行识别,因为不知道环境中有哪些信号可用,所有类型的接收机都需要持续工作如图3所示,即使周围环境中不存在某些类型的信号,也要所有类型的接收机保持工作,来保证对各类信号的连续感知,资源利用率较低。
发明内容
鉴于此,本发明实施例提供了一种基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法,以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种基于时频和卷积神经网络的机会信号感知方法,多种类型信号的接收器在初始时刻处于待机状态,该方法包括以下步骤:
调用预先保存处于目标频带的多个样本信号,将样本信号表示为第一时频图像,根据所述样本信号的信号类型对所述第一时频图像设置标签,将设置有标签的所述第一时频图像建立为训练数据集;
将所述目标频带划分为多个子频带,基于所述样本信号所处的子频带将训练数据集分为多个训练数据组,将多个训练数据组分别输入预先设置的卷积神经网络模型中,对所述卷积神经网络模型进行训练,得到对应所述子频带个数的多个感知模型;
接收机会信号,将所述机会信号表示为第二时频图像,根据所述机会信号所处子频带调用对应的感知模型;
将所述第二时频图像输入到对应的所述感知模型中,得出所述机会信号的信号类型,基于所述信号类型激活对应类别的处于待机状态的接收器。
采用上述方案,本申请首先使多种类型信号的接收器处于待机状态,对机会信号的信号类型进行判断,根据判别出的信号类型激活对应的接收器,不需要所有类型的接收机保持工作即可保证对各类信号的连续感知,提高硬件资源利用率,降低功耗。
所述样本信号和机会信号均为无线信号,所述第一时频图像和第二时频图像均为无线信号的时频表示。
每个所述子频带均对应设置有所述感知模型。
在本发明的一些实施方式中,所述接收机会信号的步骤包括:
根据所述子频带长度确定接收窗口的接收频带长度,所述接收窗口所接收的频带长度与子频带长度相等;
所述接收窗口的长度接收机会信号所处的频带范围。
根据每个子频带的监测时长切换接收窗口所处的子频带,当所述接收窗口处于任一子频带时,所述接收窗口接收处于该子频带的机会信号。
在本发明的一些实施方式中,根据所述机会信号所处子频带调用对应的感知模型的步骤还包括:当所述接收窗口处于任一子频带时,调用该子频带对应的感知模型,所述感知模型用于感知所述机会信号的信号类型。
在本发明的一些实施方式中,将所述机会信号表示为第二时频图像的步骤还包括,对所述第二时频图像进行灰度化处理。
在本发明的一些实施方式中,在对所述卷积神经网络模型进行训练的步骤中,所述卷积神经网络模型包括顺序连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层和输出层。
不同所述子频带对应的感知模型的结构均为上述结构,不同感知模型的第一全连接层和第二全连接层的权重参数不同。
在本发明的一些实施方式中,所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层和第二全连接层的输出端均连接有矫正线性单元。
在本发明的一些实施方式中,将多个训练数据组分别输入预先设置的卷积神经网络模型中的步骤还包括:对所述第一时频图像进行灰度化处理和归一化处理,所述灰度化处理用于将原第一时频图像处理为灰度图,所述归一化处理用于将所有第一时频图像的尺寸处理为统一的尺寸。
在本发明的一些实施方式中,对所述卷积神经网络模型进行训练的步骤包括正学习训练和负学习训练,
所述正学习训练所使用训练数据集中的标签为类别标签,所述类别标签标记所述第一时频图像所对应无线信号的类别;
所述负学习训练所使用训练数据集中的标签为负标签,所述负标签用于标记所述第一时频图像所对应无线信号属于噪声信号或干扰信号。
所述噪声信号或干扰信号不属于任一待分类的信号类型,待分类的信号类型包括wifi 和蓝牙等。
所述类别标签在可以表示为(0,0,1)、(1,1,0)、(1,0,1)),所述负标签可以表示为(0,0,0)。
本发明的基于时频和卷积神经网络的机会信号感知方法,首先使多种类型信号的接收器处于待机状态,对机会信号的信号类型进行判断,根据判别出机会信号的信号类型激活对应的接收器,不需要所有类型的接收机保持工作即可保证对各类信号的连续感知,提高硬件资源利用率,降低功耗。
本发明的另一个方面提供了一种机会信号定位方法,该方法包括以下步骤:
根据上述的方法激活所述机会信号所对应类别的接收器,将所述机会信号输入所述接收器;
在所述接收器提取所述机会信号的信号参数,基于所述信号参数对所述机会信号进行定位解算,基于发射源定位解算的结果对所述接收机进行定位。
多种类型的所述接收机均处于同一位置,所述接收机与USRP处于同一位置,定位所述接收机即为对自身位置进行定位。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。
图1为本发明基于时频和卷积神经网络的机会信号感知方法一种实施方式的示意图;
图2为所述接收信号步骤的示意图;
图3为现有技术机会信号定位方法的示意图;
图4为本发明机会信号定位方法的示意图;
图5为本发明基于时频和卷积神经网络的机会信号感知装置的示意图;
图6为对目标频段划分的示意图;
图7为发明的卷积神经网络的结构示意图;
图8为本发明的正学习训练和负学习训练的实施示意图;
图9为正学习训练和负学习训练的损失函数和训练准确度示意图;
图10为实验的布置示意图;
图11为实验的结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
如图1所示,本发明的一个方面提供了一种基于时频和卷积神经网络的机会信号感知方法,多种类型信号的接收器在初始时刻处于待机状态,该方法包括以下步骤:
步骤S100、调用预先保存处于目标频带的多个样本信号,将样本信号表示为第一时频图像,根据所述样本信号的信号类型对所述第一时频图像设置标签,将设置有标签的所述第一时频图像建立为训练数据集;
在本发明的一些实施方式中,所述样本信号为预先从各种信号源接收到的信号,所述信号源可以为wifi信号源、Zigbee信号源和蓝牙信号源等。
在本发明的一些实施方式中,所述第一时频图像为信号的时频表示,将样本信号表示为第一时频图像可以通过时频联合表征方法实现。
在本发明的一些实施方式中,所述时频联合表征方法可以为戈伯(Gabor)变换法或短时傅里叶变换法(STFT)等。
采用上述方案,所述第一时频图像的每个像素的表示在某个频率和某个时间点上的信号的能量;整幅图像显示了在短时间内整个频域上的的无线信号能量分布。
步骤S200、将所述目标频带划分为多个子频带,基于所述样本信号所处的子频带将训练数据集分为多个训练数据组,将多个训练数据组分别输入预先设置的卷积神经网络模型中,对所述卷积神经网络模型进行训练,得到对应所述子频带个数的多个感知模型;
采用上述方案,无线信号一般用时间作自变量来表示,通过傅立叶变换可分解为不同的频率分量,可以从时域、频域两个方面来描述和分析,时域分析信号的幅度随时间的变化规律,关注幅度、周期、局部的幅度起伏等特征,频域分析信号的能量或功率在频段上的分布特点。
信号的时域、频域通过傅里叶变换与逆变换相互转化。但是傅立叶变换是一种整体变换,只适用于平稳信号(短期平稳信号)以及确定性信号,不能反应信号频率特征随时间的变化情况。对信号的表征要么完全是时间域,要么完全是频率域。则无论是从时域、频域都不能表示出信号的所有特征,要分析信号中频率随时间的变化关系,需要用到时频表征(TFR),全面反映信号的时频联合特征。
非参数化的时频分析方法因不需要信号先验知识,获得的时间和频率的分辨率并不依附于具体的信号,更适应于机会信号感知的使用场景。常用的非参数化时频分析方法可以分为线性和非线性两种,典型的线性时频分析有短时傅立叶变换、连续小波变换等,典型的非线性时频分析有维格纳(Wigner-Ville)分布、科恩(Cohen)类分布等。
本发明采用线性时频分析方法。
本发明通过时频图像对卷积神经网络模型进行训练,能够表示出信号的所有特征,提高所述感知模型的分类精准度。
如图6所示,在本发明的一些实施方式中,所述目标频带为本发明监测的频率范围,所述目标频带可以为频率f1和频率f4之间的频带,所述子频带可以为频率f1和频率f2之间的频带、频率f2和频率f3之间的频带和频率f3和频率f4之间的频带,f4>f3>f2 >f1;
在本发明的一些实施方式中,所述训练数据组可以包括第一数据组、第二数据组和第三数据组,可以将处于频率f1和频率f2之间的样本信号对应的第一时频图像划分至第一数据组,将处于频率f2和频率f3之间的样本信号对应的第一时频图像划分至第二数据组,将处于频率f3和频率f4之间的样本信号对应的第一时频图像划分至第三数据组。
在本发明的一些实施方式中,所述感知模型均设置有卷积层、池化层和全连接层,多个感知模型全连接层的权重参数不同。
步骤S300、接收机会信号,将所述机会信号表示为第二时频图像,根据所述机会信号所处子频带调用对应的感知模型;
在本发明的一些实施方式中,将所述机会信号表示为第二时频图像的方式与将样本信号表示为第一时频图像的方式相同;
所述样本信号和机会信号均为无线信号,所述无线信号包括但不限于wifi信号、Zigbee信号和蓝牙信号。
根据所述机会信号所处子频带调用对应的感知模型,若所述机会信号处于频率f1和频率f2之间的频带,则调用使用第一数据组所训练的感知模型,机会信号所处子频带预设于通用软件无线电外设(Universal Software Radio Peripheral,USRP)中。
在本发明的一些实施方式中,将训练出的感知模型设置于USRP中。
USRP为一个软件可编程的接收设备,用于采集信号。
步骤S400、将所述第二时频图像输入到对应的所述感知模型中,得出所述机会信号的信号类型,基于所述信号类型激活对应类别的处于待机状态的接收器。
在本发明的一些实施方式中,本发明预设有多重信号类型的接收器,包括但不限于 wifi信号接收器、Zigbee信号接收器和蓝牙信号接收器,各接收器处于待机状态,依据上述步骤对所述机会信号的信号类型进行辨认,根据信号类型激活对应类别的接收器。当信号感知器长时间未感知到该信号时,使所述接收器返回待机状态等待下次激活。
采用上述方案,本申请首先使多种类型信号的接收器处于待机状态,对机会信号的信号类型进行判断,根据判别出的机会信号的信号类型激活对应的接收器,不需要所有类型的接收机保持工作即可保证对各类信号的连续感知,提高硬件资源利用率,降低功耗。
在本发明的一些实施方式中,所述基于时频和卷积神经网络的机会信号感知方法包括:感知模型训练阶段和感知器感知阶段:
感知模型训练阶段:信号感知器调用目标频带的多个样本信号,表示为第一时频图像,根据信号类型对第一时频图像设置标签,建立为训练数据集;若目标频带范围大,则将目标频带划分为多个子频带,基于子频带将训练数据集分为多个训练数据组,输入预先设置的卷积神经网络模型中,对卷积神经网络模型进行训练,得到感知模型;
感知器感知阶段:专用信号接收机在初始时刻处于待机状态,信号感知器接收机会信号,将第二时频图像输入到训练好的感知模型;根据机会信号所处子频带调用对应感知模型,得出机会信号的信号类型,基于所述信号类型激活对应类型的专用信号接收机,进一步可提取定位信息进行定位。
不需要所有接收机保持工作即可保证对各类信号的连续感知,根据感知结果激活对应接收机即可,提高硬件资源利用率,降低功耗。
所述样本信号和机会信号均为无线信号,所述第一时频图像和第二时频图像均为无线信号的时频表示。
如图2所示,在本发明的一些实施方式中,所述接收机会信号的步骤包括:
步骤S310、根据所述子频带长度确定接收窗口的接收频带长度,所述接收窗口所接收的频带长度与子频带长度相等;
在本发明的一些实施方式中,每个所述子频带的频带长度相等。
S320、根据每个子频带的监测时长切换接收窗口所处的子频带,当所述接收窗口处于任一子频带时,所述接收窗口接收处于该子频带的机会信号。
在本发明的一些实施方式中,每个所述子频带的监测时长为定值,即所述接收窗口每隔所述监测时长切换一次监测的子频带。
如图6所示,在本发明的一些实施方式中,所述监测时长可以为5s,即每隔5s切换一次监测的子频带,若频率f1和频率f2之间的频带为第一子频带、频率f2和频率f3之间的频带为第二子频带和频率f3和频率f4之间的频带为第三子频带,则接收窗口的切换方式为在第一个5s监测第一子频带,第二个5s监测第二子频带,第三个5s监测第三子频带。
采用上述方案,由于不同类型的信号的活动频段不同,对不同的子频带分别训练感知模型,分频段对机会信号进行感知,提高训练出的感知模型的分类精准度;对于处于同一个子频带的多类信号,可以通过同一个感知模型进行识别。
本申请可以依据所用USRP设备的采样率同时监控上百MHz带宽内的信号,结合本申请中分时段对目标频带的不同频段进行监控的方法,可实现更宽宽频段内信号感知,可同时识别处于同一频段内的多类信号,这种情况典型的例子是ISM频段。
在本发明的一些实施方式中,根据所述机会信号所处子频带调用对应的感知模型的步骤还包括:步骤S330、当所述接收窗口处于任一子频带时,调用该子频带对应的感知模型,所述感知模型用于感知所述机会信号的信号类型。
在本发明的一些实施方式中,将所述机会信号表示为第二时频图像的步骤还包括,对所述第二时频图像进行灰度化处理。
在本发明的一些实施方式中,所述卷积神经网络模型的卷积层包括第一卷积层、第二卷积层和第三卷积层;池化层包括第一池化层、第二池化层和第三池化层;所述全连接层包括第一全连接层和第二全连接层。
如图7所示,在本发明的一些实施方式中,在对所述卷积神经网络模型进行训练的步骤中,所述卷积神经网络模型包括顺序连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层和输出层。
不同所述子频带对应的感知模型的结构均为上述结构,不同感知模型的第一全连接层和第二全连接层的权重参数不同。
图像分类是通过对图像整体的分析,把图像中的每个像元或区域划归为若干个类别中的一种,以代替人工视觉判读的技术,本发明使用了卷积神经网络(ConvolutionalNeural Network,CNN)来设计图像分类器,CNN是一种特殊的深层前馈网络。核心是通过训练,构建神经网络模型来,模拟人类大脑的学习行为,并通过训练迭代实现模型的参数优化。
神经网络由卷积层、池化层和全连接层组成。卷积层的理论基础主要是生物学中感受野的概念,可以大大减少神经网络训练所需的参数。下采样,也称为池化,实际上是对图像的二次采样。它用于在保留有用信息的同时减少数据量。通过叠加卷积层和池化层,最后形成一个或多个完全连接层,从而实现更高阶的推理能力。
在本发明的一些实施方式中,所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层和第二全连接层的输出端均连接有矫正线性单元。所述矫正线性单元可以通过线性整流函数(Rectified Linear Unit,ReLU)实现。
卷积层的主要目的是特征的抽象和提取,而池化层负责特征融合和降维。全连接层负责逻辑推断,所有的参数都需要学习得到。第一层的全连接层用于链接卷积层的输出,去除空间信息,即通道数,将三维矩阵变成向量。所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层和第二全连接层的输出端均连接有矫正线性单元,有助于缓解梯度消失,梯度***,从而加快训练速度。
在本发明的一些实施方式中,将多个训练数据组分别输入预先设置的卷积神经网络模型中的步骤还包括:对所述第一时频图像进行灰度化处理和归一化处理,所述灰度化处理用于将原第一时频图像处理为灰度图,所述归一化处理用于将所有第一时频图像的尺寸处理为统一的尺寸。
在本发明的一些实施方式中,对于本申请来说,从信号时频图像上分析,时频图的彩色信息对信号的识别的意义不大,更为关键的是信号图案的与空间分布关系。因此将第一时频图像和第二时频图像处理为灰度图像,提高训练精准度。
在本发明的一些实施方式中,对所述卷积神经网络模型进行训练时,需要设置训练参数,所述设置训练参数的步骤包括:
将第一卷积层的卷积核尺寸设置为11*11*16,stride(步长)=4,padding(填充)=2。总参数为(11*11)*16=1936。参数表示层的权重,卷积层的权值与原始像素卷积,并给出特征映射。第一卷积层中每个卷积核的输出大小为(224-11)/2+1=55,第一卷积层的输出尺寸为55*55*16。第一池化层大小为3*3,stride=2,该层的池化核的输出大小为(55-3/2 +1)=27,输出尺寸为27*27*16。池化层的所有参数都是超参数,无需学习。运用上述步骤可以对每个卷积层和池化层进行设置,计算出每一卷积和池化层的大小。第一全连接层和第二全连接层,每层有864个神经元,要学习的参数也从卷积核参数变成了全连接中的权系数。为了避免过度拟合在全连接层后使用输出层。可以将第二卷积层和第三卷积层的参数与第一卷积层设置为相同参数,将第二池化层和第三池化层的参数与第一池化层设置为相同参数。
所述第一时频图像和第二视频图像均可以为224x224的灰度图像。
在本发明的一些实施方式中,所述输出层使用sigmoid分类器进行分类。
由于各类型的信号在时频图中是否出现是相互独立的,这是一个多标签分类问题。所以在输出层使用sigmoid代替原来的softmax函数。相当于为每个分类分别使用一个sigmoid分类器,输出概率在[0,1]之间,如果大于概率阈值,所述概率阈值可以为0.5,若在验证某信号类型时,输出层输出概率大于0.5,则认为机会信号即为该类型。
在本发明的一些实施方式中,对所述卷积神经网络模型进行训练的步骤包括正学习训练和负学习训练,
所述正学习训练所使用训练数据集中的标签为类别标签,所述类别标签标记所述第一时频图像所对应无线信号的类别;
所述负学习训练所使用训练数据集中的标签为负标签,所述负标签用于标记所述第一时频图像所对应无线信号属于噪声信号或干扰信号。
所述噪声信号或干扰信号不属于任一待分类的信号类型,待分类的信号类型包括wifi 和蓝牙等。
所述类别标签在可以表示为(0,0,1)、(1,1,0)、(1,0,1)),所述负标签可以表示为(0,0,0)。
采用上述方案,由于环境中常出现噪声信号,容易导致训练过程中使模型错误学习到噪声特征并造成过拟合。这里我们使用负学习(NL)训练方法。负学习(NL)方法不需要任何类型、数量等噪声数据先验知识。区别于正学习(PL)中使用的正标签数据包含模型所关注的目标特征信息,负标签数据可以告诉模型关于噪声和干扰信息的特征信息,从而有助于模型对噪声特征的甄别。通过将PL和NL结合起来,可以在保证训练速度的同时提高准确度。使用PL可快速降低损失并提高识别精度,但是最终容易产生过拟合。将得到的模型再经过NL学习来修正对噪声的过度拟合,提高识别准确率。
图8中initial network为初始卷积神经网络,NL network表示第一次负学习训练后的初始卷积神经网络,NL_PL network为第一次正学习训练后的初始卷积神经网络,trained network为训练完成的感知模型。
如图8所示,在本发明的一些实施方式中,本发明可以使用了两次负学习训练和一次正学习训练组合来进行训练,将所述正学习训练设置与两次负学习训练之间。
在本发明的一些实施方式中,两次负学习训练即negative learning1和negativelearning2,和一次正学习训练positive learning的步骤为,设置三次学习的参数包括初始学习率(learning rate)、小批量大小(batch size)和训练迭代次数(trainingiteration number)。我们为3个训练过程设定不同的超参数值,利用不同的参数组合进行一系列的训练,最终得到的较优的参数值如下表所示:
learning rate | batch size | training iteration number | |
Negative learning 1 | 0.000002 | 30 | 10 |
Positive learning | 0.0003 | 30 | 30 |
Negative learning 2 | 0.00001 | 30 | 15 |
根据上表中的超参数设置,经过一共55次迭代训练后,网络训练过程的损失函数和训练准确度曲线如图9(a)所示,可以看出经过前40次迭代训练,损失函数曲线逐渐下降到较低的水平,但是却出现了过拟合,在41次的负学***上来,完成了对噪声数据过拟合的修正。最终训练得到的网络在测试集上的测试结果如图9(b)所示,图9(a)/(b)中loss为损失函数,epoch为迭代次数,acc为精准度。
在本发明的一些实施方式中,运用python和pytorch库训练卷积神经网络模型。
实验例一,准备每个类型的节点多个,在确认实验环境中不存在外部干扰源的情况下,将信号源设备布置场地中,开启信号采集***采集不同信号组合下的时频图像。数据集的数据主要考虑到不同数量的信号源及组合关系。每个类型的节点处于工作状态的数量可变,同时包含各类型节点间的所有组合,以此来尽量贴近实际的信道环境。对每类节点进行信号组合,3类信号共可以列举出7类情况。将这几种情况作为数据集标签,每个标签采集不少于200张图片。
最后我们将训练数据集中的80%作为训练集,20%作为验证集,另外为每类标签采集 20张图片留作测试集。
测试结果如下表所示,Recognition accurate为准确率,signal type为机会信号类型:
Signal type | Wi-Fi | Bluetooth | ZigBee |
Recognition accurate | 0.98888889 | 0.97071084 | 0.97752809 |
我们基于USRP平台进行了基于时频和卷积神经网络的机会信号感知方法的硬件搭建,采用ettus生产的B210 USRP和一台DELL笔记本。USRP连接了标准的2.4GHz 3dBi全向天线,并通过USB3.0接口与计算机相连。
USRP B210集成了AD9361RFIC直接转换收发器,提供56MHz的实时带宽,射频范围从70MHz–6GHz。AD9361的板载信号处理和控制由一个Spartan6 XC6SLX150 FPGA执行,该FPGA使用3.0连接到主机PC上,使用UHD API与PC通信,对采集的数据做进一步处理。
笔记本使用的是DELL的P74G型笔记本,搭配i7-8550U双核CPU,8GB RAM,WIN10 操作***,安装的软件为UHD 4.0驱动程序,UHD为USRP(通用软件无线电外设)的硬件驱动,LabVIEW 2020,python 3.8。
USRP完成无线信号的采样,并通过UHD与USB3.0将数据发送给PC。labview软件完成后续的信号处理与界面展示。信号处理主要包括时频图像处理、图像预处理、感知控制策略、识别模型管理、信号分类。其中信号分类通过调用python节点运行事先训练好的 CNN模型。我们使用python语言基于pytorch库对CNN模型进行实现。
为检验本发明感知信号效果,我们在实际场景中布设多个WiFi、蓝牙、ZigBee信号源节点,对本发明进行测试。
实验选择在一座两层地下停车场进行,因为这里没有布设任何的2.4G无线设备。确认实验环境中不存在外部干扰源的情况下,我们将信号源设备布置场地中在不同区域,布置时主要考察不同数量的信号源及组合对识别的影响。
如图10(a)所示,在B1层,我们同时布设多种类型的信号,来检验设备在多信号共存的复杂环境下的信号感知能力。如图10(b)所示,在B2层,我们每次只布设一种类型的信号,检验设备对每种类型信号的感知能力。图10(a)中的test route表示测试者的测试路线。
测试结果如图11,图11(a)为在B1层的实验结果示意图,图11(b)为在B2层的实验结果示意图。
我们通过线图的形式来表示信号的识别情况,空白表示完全未感知到信号,实线表示稳定感知到信号,虚线代表信号感知结果正确但时有时无,箭头区域代表感知分类错误。
本发明的基于时频和卷积神经网络的机会信号感知方法,首先使多种类型信号的接收器处于待机状态,对机会信号的信号类型进行判断,根据判别出的机会信号的信号类型激活对应的接收器,不需要所有类型的接收机保持工作即可保证对各类信号的连续感知,提高硬件资源利用率,降低功耗。
如图5所示,本发明的另一个方面提供了一种基于时频和卷积神经网络的机会信号感知装置,该装置包括信号获取模块、时频图像转换模块、感知控制策略模块、识别模型管理模块和信号分类模块,
所述信号获取模块用于接入所述机会信号;
所述时频图像转换模块与信号获取模块相连接用于将接入的机会信号表示为第二时频图像;
所述信号分类模块与时频图像转换模块相连接用于将第二时频图像输入预先训练的感知模型中,输出机会信号的类型;
所述感知控制策略模块与信号获取模块相连接,用于控制所述信号获取模块获取机会信号的所述子频带,所述子频带可以为目标频带中的任一子频带;
所述识别模型管理模块与所述感知控制策略模块,所述识别模型管理模块用于根据信号获取模块正在监测的子频带赋予所述信号分类模块对应的感知模型。
在本发明的一些实施方式中,将感知模型设置于信号分类模块,当信号获取模块监测不同的子频带时,将不同的参数赋予至同一结构的感知模型。所述参数包括全连接层的权重参数。
在本发明的一些实施方式中,本申请的信号获取模块可通过USRP(UniversalSoftware Radio Peripheral,通用软件无线电外设)实现,将USRP连接至PC,利用PC端的Labview 软件或开源软件无线电(GNU Radio)对做机会信号做进一步处理,最终完成分类。
所述USRP的工作包括混频、AD采样、数据缓存等。
为了获取更丰富的信号特征,我们通过时频联合表征方法将一维时域信号转换为二维的时频图像,从而获得信号的时频联合特征。每个像素的表示在某个频率和某个时间点上的无线信号的能量。整幅图像显示了在短时间内整个频域上的的无线信号能量分布。具体实现是由USRP(Universal Software Radio Peripheral,通用软件无线电外设)将获取的数据传到pc上,通过labview软件或开源软件无线电(GNU Radio)做进一步的处理,将原始采样数据转化为时频图像。
如图4所示,本发明的另一个方面提供了一种机会信号定位方法,该方法包括以下步骤:
根据上述的方法激活所述机会信号所对应类别的接收器,将所述机会信号输入所述接收器;
在所述接收器提取所述机会信号的信号参数,基于所述信号参数对所述机会信号进行定位解算,基于发射源定位解算的结果对所述接收机进行定位。
所述负学习训练所使用训练数据集中的标签为负标签,所述负标签用于标记所述第一时频图像所对应无线信号属于噪声信号或干扰信号。
所述定位解算用于根据强度数据和/或时序数据对接收机位置进行定位,所述定位的方法可以为基于信号的强度数据,运用指纹定位的方法定位信号源或自身的位置,也可以应用航位推算法,不断移动接收点位置,即接收信号的位置,在已知上一位置的基础上,通过计算或已知的运动速度和接收到的时序数据得到接收机的位置。
在现在的2.4G ISM频段,由于无需授权即可***,成为各种信号优先使用的频段,在几十兆带宽内混杂多种信号,更加大了信号识别的难度。
Wi-Fi、蓝牙、ZigBee等信号在近几年的定位领域中被大量使用,而这些信号都集中在2.4GHz的ISM频段,带宽约为100MHz。现有定位***多采用为不同信号配备专用的通信模块的方式进行信号的感知和信息提取,各模块根据各信号通信协议中的规则对信号源进行监听,识别并采集信号源ID、RSSI(Received Signal Strength Indication接收的信号强度指示)等数据。感知过程如下:AP(Access Point)定时发送广播帧,从设备通过不断扫描外部寻呼,识别广播帧并获取信号源信息,完成信号源感知。
全球导航卫星***(Global navigation satellite system,GNSS)是目前应用最为广泛的定位手段,其利用卫星播发定位信号,能够为用户提供全球范围内的定位导航服务。但是它也存在一些问题:1、信号落地电平约在-130dBm,易被恶意干扰、欺骗,2、信号易被障碍物阻挡,城市密集区或室内环境难以使用。
机会信号导航则通过接收环境中所有潜在的无线信号进行定位。机会信号包括各种除了GNSS***等非专门为导航设计的信号,如数字音频广播、数字电视广播信号,调幅和调频广播信号,蜂窝基站信号,蓝牙,ZigBee,Wi-Fi等无线信号。这些信号广泛存在与周边环境中,通常用来通信而不是为导航专门播发的。通过识别多类信号,提取其信号强度、时间等信息,进行融合解算,提供可靠的定位导航服务。常见的机会信号种类如下表所示:
Signal | Frequency | Bandwidth |
WiFi | 2.4GHz/5GHz | 20MHz/40MHz/80MHz |
Bluetooth | 2.4GHz | 1MHz |
ZigBee | 2.4GHz | 2MHz |
DVB-T | 40-200MHz | 8MHz |
GMS | 900,1800MHz | 200kHz |
Iridium | 1620MHz | 41.67kHz |
机会信号定位流程分为信号感知、预处理、信息提取、定位解算几个环节。对机会信号源进行有效的识别成为机会信号导航的首要任务。由上表可以看出,机会信号的种类繁多,分布频段,带宽、信号调制方式不同,为信号的感知带来了一些困难。现有机会信号***采用的信号感知方法有相干检测、能量检测、循环平稳特征检测等方式。
图3、4中的RF为接收器,preprocessing为预处理,signal perception为信号感知, Feature extraction为信息提取,positioning engine为定位解算,positioningresult输出结果;
图4中perception controller为感知控制策略模块。
现有的相干检测信号感知方法,计算复杂度比较高,需要获得有关信号的先验信息,如:调制方式、调制阶数、脉冲波型、数据包格式等。而且还需要通过时间、载波甚至是信道同步来获得与信号的相关性。实施起来比较复杂。对于不同的主用户类型需要专门的接收机,计算量也较大。
现有的能量检测信号感知方法的判决门限容易受到噪声功率变化的影响而失效。当多个信号处于同一频段时,容易受到其他同频信号干扰。能量检测算法不适用于直接序列扩频信号以及跳频信号。
现有的循环平稳特征检测信号感知方法,通信信号一般会包含载频、跳频序列、循环前缀等,它们使得信号具有内在的周期性。其均值、相关函数等统计特性都会呈现出周期性,噪声则不具有这种循环平稳性,从而可以将噪声和目标信号分离开来,但循环平稳特征检测具有更高的复杂度和需要更长的探测时间。
本申请的基于时频和卷积神经网络的机会信号感知方法即为应用于信号感知的方法,快速识别信号类型,启动对应接收器,所述预处理用于将接收到的信号进行去噪声和降频,所述信息提取用于提取信号的强度数据和时序数据,所述定位解算用于根据强度数据和/ 或时序数据对接收机位置进行定位,所述定位的方法可以为基于信号的强度数据,运用指纹定位的方法进行定位,也可以应用航位推算法,不断移动接收点位置,即接收信号的位置,在已知上一位置的基础上,通过计算或已知的运动速度和接收到的时序数据得到接收机的位置。
与上述基于时频和卷积神经网络的机会信号感知方法相应地,本发明还提供了一种基于时频和卷积神经网络的机会信号感知***,该***包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置/***实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述基于时频和卷积神经网络的机会信号感知方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时频和卷积神经网络的机会信号感知方法,其特征在于,多种类型信号的接收器在初始时刻处于待机状态,该方法包括以下步骤:
调用预先保存处于目标频带的多个样本信号,将样本信号表示为第一时频图像,根据所述样本信号的信号类型对所述第一时频图像设置标签,将设置有标签的所述第一时频图像建立为训练数据集;
将所述目标频带划分为多个子频带,基于所述样本信号所处的子频带将训练数据集分为多个训练数据组,将多个训练数据组分别输入预先设置的卷积神经网络模型中,对所述卷积神经网络模型进行训练,得到对应所述子频带个数的多个感知模型;
接收机会信号,将所述机会信号表示为第二时频图像,根据所述机会信号所处子频带调用对应的感知模型;
将所述第二时频图像输入到对应的所述感知模型中,得出所述机会信号的信号类型,基于所述信号类型激活对应类别的处于待机状态的接收器。
2.根据权利要求1所述的方法,其特征在于,所述接收机会信号的步骤包括:
根据所述子频带长度确定接收窗口的接收频带长度,所述接收窗口所接收的频带长度与子频带长度相等;
根据每个子频带的监测时长切换接收窗口所处的子频带,当所述接收窗口处于任一子频带时,所述接收窗口接收处于该子频带的机会信号。
3.根据权利要求2所述的方法,其特征在于,根据所述机会信号所处子频带调用对应的感知模型的步骤还包括:当所述接收窗口处于任一子频带时,调用该子频带对应的感知模型,所述感知模型用于感知所述机会信号的信号类型。
4.根据权利要求1-3任一项所述的方法,其特征在于,将所述机会信号表示为第二时频图像的步骤还包括,对所述第二时频图像进行灰度化处理。
5.根据权利要求4所述的方法,其特征在于,在对所述卷积神经网络模型进行训练的步骤中,所述卷积神经网络模型包括顺序连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层和输出层。
6.根据权利要求5所述的方法,其特征在于,所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层和第二全连接层的输出端均连接有矫正线性单元。
7.根据权利要求1、5或6所述的方法,其特征在于,将多个训练数据组分别输入预先设置的卷积神经网络模型中的步骤还包括:对所述第一时频图像进行灰度化处理和归一化处理,所述灰度化处理用于将原第一时频图像处理为灰度图,所述归一化处理用于将所有第一时频图像的尺寸处理为统一的尺寸。
8.根据权利要求7所述的方法,其特征在于,对所述卷积神经网络模型进行训练的步骤包括正学习训练和负学习训练,
所述正学习训练所使用训练数据集中的标签为类别标签,所述类别标签标记所述第一时频图像所对应无线信号的类别;
所述负学习训练所使用训练数据集中的标签为负标签,所述噪声标签标记所述第一时频图像所对应无线信号属于噪声信号或干扰信号。
9.一种机会信号定位方法,其特征在于,该方法包括以下步骤:
根据如权利要求1-8任一项所述的方法激活所述机会信号所对应类别的接收器,将所述机会信号输入所述接收器;
在所述接收器提取所述机会信号的信号参数,基于所述信号参数对所述机会信号发射源进行定位解算,基于发射源定位解算的结果对所述接收机进行定位。
10.一种基于时频和卷积神经网络的机会信号感知***,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该***实现如权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311252.2A CN114114363A (zh) | 2021-11-08 | 2021-11-08 | 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311252.2A CN114114363A (zh) | 2021-11-08 | 2021-11-08 | 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114114363A true CN114114363A (zh) | 2022-03-01 |
Family
ID=80381047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111311252.2A Pending CN114114363A (zh) | 2021-11-08 | 2021-11-08 | 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114363A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116033380A (zh) * | 2023-03-28 | 2023-04-28 | 华南理工大学 | 一种无线传感器网络在不连通情况下的数据收集方法 |
CN117523213A (zh) * | 2024-01-04 | 2024-02-06 | 南京航空航天大学 | 一种基于元去噪和负学习的噪声标签识别方法 |
-
2021
- 2021-11-08 CN CN202111311252.2A patent/CN114114363A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116033380A (zh) * | 2023-03-28 | 2023-04-28 | 华南理工大学 | 一种无线传感器网络在不连通情况下的数据收集方法 |
CN117523213A (zh) * | 2024-01-04 | 2024-02-06 | 南京航空航天大学 | 一种基于元去噪和负学习的噪声标签识别方法 |
CN117523213B (zh) * | 2024-01-04 | 2024-03-29 | 南京航空航天大学 | 一种基于元去噪和负学习的噪声标签识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11190944B2 (en) | Spectral sensing and allocation using deep machine learning | |
CN114114363A (zh) | 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
Lo et al. | Internet of things (IoT) discovery using deep neural networks | |
CN112596024B (zh) | 一种基于环境背景无线射频信号的运动识别方法 | |
CN113747385B (zh) | 室内定位方法、装置、设备及计算机可读存储介质 | |
Wang et al. | Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN | |
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 | |
CN116318249A (zh) | 一种基于改进YOLOv5的短波跳频信号分选方法 | |
CN112702132B (zh) | 一种基于卷积神经网络分类器的宽带频谱感知方法 | |
CN112232430A (zh) | 神经网络模型测试方法、装置、存储介质及电子装置 | |
Xu et al. | High-frequency band automatic mode recognition using deep learning | |
Glüge et al. | Robust drone detection and classification from radio frequency signals using convolutional neural networks | |
Elahi | A High Performance Software Intensive Testbed for Rapid Prototyping and Controlled Testing of LTE and Wi-Fi Radio Frequency Signals | |
Sagduyu et al. | Joint Sensing and Task-Oriented Communications with Image and Wireless Data Modalities for Dynamic Spectrum Access | |
Mendez et al. | On TinyML WiFi Fingerprinting-Based Indoor Localization: Comparing RSSI vs. CSI Utilization | |
CN118301658B (zh) | 共站址检测方法、装置、设备、存储介质及程序产品 | |
CN113587935B (zh) | 一种基于射频信号多任务学习网络的室内场景理解方法 | |
CN117612020B (zh) | 基于sgan对抗神经网络遥感影像要素变化的检测方法 | |
CN116597521B (zh) | 一种人类轨迹及躯干活动识别方法及*** | |
CN115184744B (zh) | 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法 | |
CN116340849B (zh) | 一种基于度量学习的非接触式跨域人体活动识别方法 | |
Li et al. | Fettrans: analysis of compound interference identification based on bidirectional dynamic feature adaptation of improved transformer | |
Reddy et al. | Experimental Testing of Primary User Detection Using Decision Tree Algorithm With Software Defined Radio Testbed | |
CN117671584A (zh) | 人员聚集区域的检测方法、装置、设备、介质及产品 |
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 |