CN114745231B - 一种基于区块链的ai通信信号识别方法和装置 - Google Patents
一种基于区块链的ai通信信号识别方法和装置 Download PDFInfo
- Publication number
- CN114745231B CN114745231B CN202210320199.0A CN202210320199A CN114745231B CN 114745231 B CN114745231 B CN 114745231B CN 202210320199 A CN202210320199 A CN 202210320199A CN 114745231 B CN114745231 B CN 114745231B
- Authority
- CN
- China
- Prior art keywords
- sub
- quantum
- population
- signal
- populations
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000013508 migration Methods 0.000 claims abstract description 4
- 230000005012 migration Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于区块链信号通信领域,具体涉及一种基于区块链的AI通信信号识别方法和装置。本发明包括:(1)通过通信***的稀疏通信信号和估计出的混合矩阵,识别通信源信号;(2)将通信源信号转换为初始量子种群中的量子个体,将种群分为两个子种群,计算每个子种群的全局最优量子位置;(3)更新两个子种群中的量子位置;(4)更新两个子种群的全局最优量子位置;(5)计算两个子种群的种群熵,对子种群中的量子个体执行迁移等。本发明扩大了信源重建方法的应用范围,突破了信号识别中的应用局限。此外本发明能够在不影响一致性数据的前提下,对存在干扰的基本概率赋值进行校正,并通过减小元素模值的方式弱化其在信号矩阵中的作用。
Description
技术领域
本发明属于区块链信号通信领域,具体涉及一种基于区块链的AI通信信号识别方法和装 置。
背景技术
区块链信息分解和修正是一种根据网络通信准则对多个单元的接收信息进行自动分析与 处理来实现信号分解和修正的信息技术。与现有信息相比,区块链AI***可以协同发挥不同 传感单元的互补特性,通过信号分解和修正来提升区块链通信***的精度以及对外源信号反 应灵敏度。
区块链的多源信号作为被处理的对象,定量或定性描述了区块链客观事物的属性、特征 信息。在实际区块链***中,由于存在信号噪声和误差等干扰因素,以及信号预处理阶段与 通讯阶段信号自身属性不完整不精确等问题,尤其在区块链内大数据多源信息往往具有不确 定、不精确性,严重影响了信息综合处理的效果。因此需要对相互冲突的信号进行加权修正。 如果权重因子不全面客观,会降低区块链***的整体性能。因此,如何将数据信息正确转换 为权重因子是亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于区块链的AI通信信号识别方法。
本发明的目的还在于提供一种基于区块链的AI通信信号识别装置。
本发明的目的是这样实现的:
一种基于区块链的AI通信信号识别方法,包括如下步骤:
(1)通过通信***的稀疏通信信号和估计出的混合矩阵,识别通信源信号;
(2)将通信源信号转换为初始量子种群中的量子个体,将种群分为两个子种群,计算每 个子种群的全局最优量子位置;
(3)更新两个子种群中的量子位置;
(4)更新两个子种群的全局最优量子位置;
(5)计算两个子种群的种群熵,对子种群中的量子个体执行迁移;
(6)判断是否达到最大迭代次数,若未达到次数,则返回步骤(3);如果达到迭代次数, 比较两个子种群的全局最优位置的适应度,将适应度最小的位置作为整个种群的全局最优位 置,输出此位置作为新的初始估计信号;
(7)根据新的初始估计信号对通信源信号进行识别;
(8)对通信源信号矩阵进行奇异值分解,计算通信源信号矩阵的折扣修正向量,得到折 扣修正后的矩阵,获得通信***的通信信号识别结果。
所述的步骤(1)包括:
(1.1)采集观测信号:
k(g)=[k1(g),k2(g),…kQ(g)]T
Q为观测信号数量;g∈(1,A),g代表采样点数,A代表最大采样数;
(1.2)估计Y×Q维的混合矩阵N,Y<Q;
(1.3)识别通信源信号:
取最小化通信源信号的范数min||f||,约束条件为f=N-1k(g);
通信源信号f(g)=[f1(g),f2(g),…fQ(g)],||·||代表取向量的范数。
所述的步骤(2)包括:
(2.1)将通信源信号转换为初始量子种群中的量子个体,确定种群规模Z,设置种群的 最大迭代次数Tmax,探测第代第/>个第e维量子的维位置为:
(2.2)取得相对应的维位置/>
为/>的上限,/>为/>的下限;
(2.3)随机初始化第个量子的位置,初始估计信号为:
(2.4)将初始估计信号转换为标号为0的量子位置:
0为随机选取量子的编号;代表/>中元素的最大值,/>代表/>中元素的最小值;
(2.5)计算初始估计信号转换为标号为0的量子位置的适应度:
其中ψ、β和ξ为动态罚函数参数,Nv代表估计混合矩阵N的第v个行向量,v∈(1,Y);对于第1个子种群,对于第2个子种群,/>
(2.6)按照适应度大小,找到至当前代为止第a个子种群中适应度最小的量子位置为当 前代位置所有子种群的全局最优量子位置,a=1,2:
所述的步骤(3)包括:
(3.1)采集第代惯性权重系数/>
imax为的最大值,imin为/>的最小值,
(3.2)更新第a个子种群的第x个量子的量子位置,
h1为(0.1)上均匀分布的随机数;f为学习因子,
(3.3)计算第a个子种群的第x个量子的量子位置的适应度
(3.4)更新第a个子种群的第x个量子的第e维量子的旋转角;
h2为服从标准高斯分布的随机数;
(3.4)若
更新第a个量子的第x维量子位置:
若
更新第a个量子的第x维量子位置:
所述的步骤(4)包括:
若
将第a个子种群量子按照适应度值大小排序,找到子种群中适应度值最小量子的量子位 置,为目前的第a个子种群的全局最优量子位置:
所述的步骤(5)包括:
(5.1)搜索迭代到目前第a个子种群中最大适应度值和最小适应度值/>
(5.2)构造解区间
将解区间等分为D个子区间,计数第w个子区间包含的量子个数计算 两个子种群的种群熵:
(5.3)比较两个子种群的种群熵,从熵值大的子种群中选取H个适应度值最大的量子个 体迁移至熵值小的子种群,从熵值小的子种群中选取H个适应度值最小的量子个体迁移至熵 值大的子种群,形成两个新的子种群。
所述的步骤(7)为:
(7.1)调取尺度参数ρ,奇异值最小值ζmin,自由参数初始值
(7.2)计算第κ次迭代时的奇异值:
ζκ+1=ρσκ
(7.2)计算fκ的牛顿方向qκ,
(7.2)调取第κ次迭代时的估计信号当ζκ≤ζmin时,更新:
当ζκ>ζmin时输出识别的通信源信号fκ+1。
所述的步骤(8)包括:
计算fκ+1的奇异值分解:
列向量hv、iv分别为第v个左奇异向量和第i个右奇异向量;
获得秩为1的矩阵
()rank1是秩为1的矩阵,
计算折扣修正向量:
α=[αv],其中||·||∞表示矩阵无穷范数;
计算折扣修正后的信号矩阵,得到信息的目标识别结果:
τ为辨识框架。
一种基于区块链的AI通信信号识别装置,采用上述通信信号识别方法进行信号识别。
本发明的有益效果在于:
本发明将量子优化理论与区块链信号通信结合,并引入种群熵进一步提升量子迭代机制 的收敛性能,得到寻优性能更优越的种群熵量子搜索方法。将传统通信源信号识别方法原本 的初始估计信号作为量子种群中的一个初始解,在给出的范围内对目标函数进行寻优,将得 到的全局最优解作为传统通信源信号识别方法估计信号,大大提升了方法的收敛性能,降低 了噪声对罚函数设计的影响,即使严重破坏组合优化问题中的约束条件,让该方法继续搜索, 进而找到最优初始估计信号。该方法提更加科学合理,不受固定初始估计信号设置方式的限 制,提升了方法精度和鲁棒性。此外,本发明可以在没有任何信号及噪声信息作为先验跳进 的情况下实现有效信号识别,扩大了信源重建方法的应用范围,突破了信号识别中的应用局 限。此外本发明能够在不影响一致性数据的前提下,对存在干扰的基本概率赋值进行校正, 并通过减小元素模值的方式弱化其在信号矩阵中的作用。
附图说明
图1为本发明方法的流程图。
图2为同一信噪比下的方法精度对比图;横向为稀疏度,纵向为相关系数;
图3为同一信号稀疏度下的方法精度对比图;横向为SNR,纵向为相关系数;
具体实施方式
下面结合附图对本发明做进一步描述。
一种基于区块链的AI通信信号识别方法,包括如下步骤:
(1)通过通信***的稀疏通信信号和估计出的混合矩阵,识别通信源信号;
(2)将通信源信号转换为初始量子种群中的量子个体,将种群分为两个子种群,计算每 个子种群的全局最优量子位置;
(3)更新两个子种群中的量子位置;
(4)更新两个子种群的全局最优量子位置;
(5)计算两个子种群的种群熵,对子种群中的量子个体执行迁移;
(6)判断是否达到最大迭代次数,若未达到次数,则返回步骤(3);如果达到迭代次数, 比较两个子种群的全局最优位置的适应度,将适应度最小的位置作为整个种群的全局最优位 置,输出此位置作为新的初始估计信号;
(7)根据新的初始估计信号对通信源信号进行识别;
(8)对通信源信号矩阵进行奇异值分解,计算通信源信号矩阵的折扣修正向量,得到折 扣修正后的矩阵,获得通信***的通信信号识别结果。
所述的步骤(1)包括:
(1.1)采集观测信号:
k(g)=[k1(g),k2(g),…kQ(g)]T
Q为观测信号数量;g∈(1,A),g代表采样点数,A代表最大采样数;
(1.2)估计Y×Q维的混合矩阵N,Y<Q;
(1.3)识别通信源信号:
取最小化通信源信号的范数min||f||,约束条件为f=N-1k(g);
通信源信号f(g)=[f1(g),f2(g),…fQ(g)],||·||代表取向量的范数。
所述的步骤(2)包括:
(2.1)将通信源信号转换为初始量子种群中的量子个体,确定种群规模Z,设置种群的 最大迭代次数Tmax,探测第代第/>个第e维量子的维位置为:
(2.2)取得相对应的维位置/>
为/>的上限,/>为/>的下限;
(2.3)随机初始化第个量子的位置,初始估计信号为:
(2.4)将初始估计信号转换为标号为0的量子位置:
0为随机选取量子的编号;代表/>中元素的最大值,/>代表/>中元素的最小值;
(2.5)计算初始估计信号转换为标号为0的量子位置的适应度:
其中ψ、β和ξ为动态罚函数参数,Nv代表估计混合矩阵N的第v个行向量,v∈(1,Y);对于第1个子种群,对于第2个子种群,/>
(2.6)按照适应度大小,找到至当前代为止第a个子种群中适应度最小的量子位置为当 前代位置所有子种群的全局最优量子位置,a=1,2:
所述的步骤(3)包括:
(3.1)采集第代惯性权重系数/>
imax为的最大值,imin为/>的最小值,
(3.2)更新第a个子种群的第x个量子的量子位置,
h1为(0.1)上均匀分布的随机数;f为学习因子,
(3.3)计算第a个子种群的第x个量子的量子位置的适应度
(3.4)更新第a个子种群的第x个量子的第e维量子的旋转角;
h2为服从标准高斯分布的随机数;
(3.4)若
更新第a个量子的第x维量子位置:
若
更新第a个量子的第x维量子位置:
所述的步骤(4)包括:
若
将第a个子种群量子按照适应度值大小排序,找到子种群中适应度值最小量子的量子位 置,为目前的第a个子种群的全局最优量子位置:
所述的步骤(5)包括:
(5.1)搜索迭代到目前第a个子种群中最大适应度值和最小适应度值/>
(5.2)构造解区间
将解区间等分为D个子区间,计数第w个子区间包含的量子个数计算 两个子种群的种群熵:
(5.3)比较两个子种群的种群熵,从熵值大的子种群中选取H个适应度值最大的量子个 体迁移至熵值小的子种群,从熵值小的子种群中选取H个适应度值最小的量子个体迁移至熵 值大的子种群,形成两个新的子种群。
所述的步骤(7)为:
(7.1)调取尺度参数ρ,奇异值最小值ζmin,自由参数初始值
(7.2)计算第κ次迭代时的奇异值:
ζκ+1=ρσκ
(7.2)计算fκ的牛顿方向qκ,
(7.2)调取第κ次迭代时的估计信号当ζκ≤ζmin时,更新:
当ζκ>ζmin时输出识别的通信源信号fκ+1。
所述的步骤(8)包括:
计算fκ+1的奇异值分解:
列向量hv、iv分别为第v个左奇异向量和第i个右奇异向量;
获得秩为1的矩阵
()rank1是秩为1的矩阵,
计算折扣修正向量:
α=[αv],其中||·||∞表示矩阵无穷范数;
计算折扣修正后的信号矩阵,得到信息的目标识别结果:
τ为辨识框架。
一种基于区块链的AI通信信号识别装置,采用上述通信信号识别方法进行信号识别。
实施例1
最大采样次数设置为400,估计的混合矩阵设置为Y=2,Q=3,
参数设置为ρ=0.3,ζmin=10-6,
初始估计信号为
Z=200,Tmax=200,imax=2,vmin=0,s=0.1,p=0.5,μ=0.7,ν=1.3,Q=10,U=25,δ=0.6,σmin=10-5;ψ=300,ξ=1,o=2;
高斯噪声信噪比为15dB,进行30次迭代,仿真结果如图2所示。
源信号稀疏度设置为0.6,进行30次迭代,仿真结果如图3所示。
由图2和图3可以看出,通过找到最优初始估计信号设置提升了信号识别精度。
相比于传统的方法本发明表现出更加优越的收敛性能,既保证了更快的收敛速度,同时 实现了更高的收敛精度,。
经过折扣修正后矩阵如表1所示,修正后的矩阵如表2所示,可以发现,本发明所提方 法经过修正后得到的矩阵中的冲突被成功的校正与弱化,可以在有效避免冲突信息的影响, 得到正确的信号识别结果。
表1折扣修正后矩阵的基本概率赋值表
概率赋值 | υ1 | υ2 | υ3 | τ |
l1 | 0.6762 | 0.3134 | 0.3436 | 0.1111 |
l2 | 0.3122 | 0.1831 | 0.1939 | 0.7552 |
l3 | 0.6722 | 0.312 | 0.342 | 0.1183 |
l4 | 0.6522 | 0.3048 | 0.3337 | 0.1537 |
表2实施例中信号识别效果
名称 | f(υ1) | f(υ2) | f(υ3) | f(τ) | 信号识别结果 |
本发明 | 0.8 | 0.03 | 0.04 | 0 | 识别正确 |
对比方法 | 0 | 0.53 | 0.24 | 0 | 识别错误 |
综上,本发明与现有技术相比,创新点在于(1)全局最优量子位置的确定;(2)通过种 群熵对两字个体进行迁移;(3)初始估计信号对通信源信号进行识别以及修正向量对信号的 修正;以及上述三点在本方法中的连续和配合。本方法基于量子编码和模拟量子旋转门发明 了全新的演进策略,将量子种群划分为两个子种群,根据种群熵的大小关系对量子个体进行 迁移,实现了可以对目标信号进行快速高精度求解,收敛性能优越。现有方法中初始估计信 号的设置目前仅凭经验知识,且存在多种设置方式,不同的设置方式会对方法性能造成影响, 面对复杂的未知信源信号情况,无法确定固定的初始估计信号设置是否是最优的。本发明通 过搜索机制对目标函数进行优化,本方法不再被固定的初始估计信号设置所限制,使得初始 估计信号的设置更加科学合理,可以将基本概率的信息集中在最大奇异值对应的子空间,减 少干扰信号对融合结果的影响,增加***的融合收敛速度与信号识别正确率,进而提升了方 法精度和鲁棒性,且依然能实现有效的通信信号识别,方法适用范围更广。
Claims (7)
1.一种基于区块链的AI通信信号识别方法,其特征在于,包括如下步骤:
(1)通过通信***的稀疏通信信号和估计出的混合矩阵,识别通信源信号;
(2)将通信源信号转换为初始量子种群中的量子个体,将种群分为两个子种群,计算每个子种群的全局最优量子位置;
(3)更新两个子种群中的量子位置;
(4)更新两个子种群的全局最优量子位置;
(5)计算两个子种群的种群熵,对子种群中的量子个体执行迁移;
(6)判断是否达到最大迭代次数,若未达到次数,则返回步骤(3);如果达到迭代次数,比较两个子种群的全局最优位置的适应度,将适应度最小的位置作为整个种群的全局最优位置,输出此位置作为新的初始估计信号;
(7)根据新的初始估计信号对通信源信号进行识别;
(7.1)调取尺度参数ρ,奇异值最小值ζmin,自由参数初始值
(7.2)计算第κ次迭代时的奇异值:
ζκ+1=ρσκ
(7.2)计算fκ的牛顿方向qκ,
(7.2)调取第κ次迭代时的估计信号当ζκ≤ζmin时,更新:
当ζκ>ζmin时输出识别的通信源信号fκ+1;
(8)对通信源信号矩阵进行奇异值分解,计算通信源信号矩阵的折扣修正向量,得到折扣修正后的矩阵,获得通信***的通信信号识别结果,包括:
计算fκ+1的奇异值分解:
列向量hv、iv分别为第v个左奇异向量和第i个右奇异向量;
获得秩为1的矩阵
()rank1是秩为1的矩阵,
计算折扣修正向量:
α=[αv],其中||·||∞表示矩阵无穷范数;
计算折扣修正后的信号矩阵,得到信息的目标识别结果:
τ为辨识框架。
2.根据权利要求1所述的一种基于区块链的AI通信信号识别方法,其特征在于,所述的步骤(1)包括:
(1.1)采集观测信号:
k(g)=[k1(g),k2(g),…kQ(g)]T
Q为观测信号数量;g∈(1,A),g代表采样点数,A代表最大采样数;
(1.2)估计Y×Q维的混合矩阵N,Y<Q;
(1.3)识别通信源信号:
取最小化通信源信号的范数min||f||,约束条件为f=N-1k(g);
通信源信号f(g)=[f1(g),f2(g),…fQ(g)],||·||代表取向量的范数。
3.根据权利要求1所述的一种基于区块链的AI通信信号识别方法,其特征在于,所述的步骤(2)包括:
(2.1)将通信源信号转换为初始量子种群中的量子个体,确定种群规模Z,设置种群的最大迭代次数Tmax,探测第代第/>个第e维量子的维位置为:
(2.2)取得相对应的维位置/>
为/>的上限,/>为/>的下限;
(2.3)随机初始化第个量子的位置,初始估计信号为:
(2.4)将初始估计信号转换为标号为0的量子位置:
0为随机选取量子的编号;代表/>中元素的最大值,/>代表/>中元素的最小值;
(2.5)计算初始估计信号转换为标号为0的量子位置的适应度:
其中ψ、β和ξ为动态罚函数参数,Nv代表估计混合矩阵N的第v个行向量,v∈(1,Y);对于第1个子种群,对于第2个子种群,/>
(2.6)按照适应度大小,找到至当前代为止第a个子种群中适应度最小的量子位置为当前代位置所有子种群的全局最优量子位置,a=1,2:
4.根据权利要求1所述的一种基于区块链的AI通信信号识别方法,其特征在于,所述的步骤(3)包括:
(3.1)采集第代惯性权重系数/>
imax为的最大值,imin为/>的最小值,
(3.2)更新第a个子种群的第x个量子的量子位置,
h1为(0.1)上均匀分布的随机数;f为学习因子,
(3.3)计算第a个子种群的第x个量子的量子位置的适应度
(3.4)更新第a个子种群的第x个量子的第e维量子的旋转角;
h2为服从标准高斯分布的随机数;
(3.4)若
更新第a个量子的第x维量子位置:
若
更新第a个量子的第x维量子位置:
5.根据权利要求1所述的一种基于区块链的AI通信信号识别方法,其特征在于,所述的步骤(4)包括:
若
将第a个子种群量子按照适应度值大小排序,找到子种群中适应度值最小量子的量子位置,为目前的第a个子种群的全局最优量子位置:
6.根据权利要求1所述的一种基于区块链的AI通信信号识别方法,其特征在于,所述的步骤(5)包括:
(5.1)搜索迭代到目前第a个子种群中最大适应度值和最小适应度值/>
(5.2)构造解区间
将解区间等分为D个子区间,计数第w个子区间包含的量子个数计算两个子种群的种群熵:
(5.3)比较两个子种群的种群熵,从熵值大的子种群中选取H个适应度值最大的量子个体迁移至熵值小的子种群,从熵值小的子种群中选取H个适应度值最小的量子个体迁移至熵值大的子种群,形成两个新的子种群。
7.一种基于区块链的AI通信信号识别装置,其特征在于,采用如权利要求1到6中任何一项所述的基于区块链的AI通信信号识别方法进行信号识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320199.0A CN114745231B (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链的ai通信信号识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320199.0A CN114745231B (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链的ai通信信号识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114745231A CN114745231A (zh) | 2022-07-12 |
CN114745231B true CN114745231B (zh) | 2023-12-29 |
Family
ID=82277600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210320199.0A Active CN114745231B (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链的ai通信信号识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114745231B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376329A (zh) * | 2018-09-05 | 2019-02-22 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的阵列幅相误差校正方法 |
US10671697B1 (en) * | 2017-02-24 | 2020-06-02 | Cyber Atomics, Inc. | Iterative and efficient technique for singular value decomposition |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
CN112217678A (zh) * | 2020-10-14 | 2021-01-12 | 哈尔滨工程大学 | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 |
-
2022
- 2022-03-30 CN CN202210320199.0A patent/CN114745231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10671697B1 (en) * | 2017-02-24 | 2020-06-02 | Cyber Atomics, Inc. | Iterative and efficient technique for singular value decomposition |
CN109376329A (zh) * | 2018-09-05 | 2019-02-22 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的阵列幅相误差校正方法 |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
CN112217678A (zh) * | 2020-10-14 | 2021-01-12 | 哈尔滨工程大学 | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 |
Non-Patent Citations (1)
Title |
---|
改进SFLA-BP神经网络在遮盖干扰信号识别应用;杨洁;褚书培;;传感器与微***(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114745231A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
JP2019513265A (ja) | 自動多閾値特徴フィルタリング方法及び装置 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN111832228A (zh) | 基于cnn-lstm的振动传递*** | |
CN114088890A (zh) | 基于深度bp神经网络的自适应温湿度补偿方法及*** | |
CN114487976B (zh) | Mcm电子式互感器校验仪溯源不确定度评定方法及*** | |
CN116911169A (zh) | 一种基于bp神经网络的edfa测试参数预测方法 | |
CN111507297A (zh) | 一种基于度量信息矩阵的雷达信号识别方法及*** | |
CN111679903A (zh) | 一种面向深度学习的边云协同装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN113869463A (zh) | 一种基于交叉增强匹配的长尾噪声学习方法 | |
CN112651500B (zh) | 一种量化模型的生成方法及终端 | |
CN114745231B (zh) | 一种基于区块链的ai通信信号识别方法和装置 | |
CN113657595A (zh) | 神经网络实时剪枝方法、***及神经网络加速器 | |
CN112766537A (zh) | 一种短期电负荷预测方法 | |
CN117497038A (zh) | 一种基于核方法的快速优化培养基配方的方法 | |
CN110751400B (zh) | 一种风险评估方法及装置 | |
CN113392871A (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
CN110138479B (zh) | 极低信噪比环境下基于字典学习的频谱感知方法 | |
CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN106295703B (zh) | 一种对时间序列进行建模并识别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |