CN114785649B - 一种基于多端神经网络的卫星通信信号识别方法 - Google Patents
一种基于多端神经网络的卫星通信信号识别方法 Download PDFInfo
- Publication number
- CN114785649B CN114785649B CN202210425192.5A CN202210425192A CN114785649B CN 114785649 B CN114785649 B CN 114785649B CN 202210425192 A CN202210425192 A CN 202210425192A CN 114785649 B CN114785649 B CN 114785649B
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- network
- diagram
- multiport
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供一种基于多端神经网络的卫星通信信号识别方法包括：构建信号样本库，将信号转化为更适合神经网络拓扑结构的样本表达形式；采用信号眼图、信号矢量图以及信号时频分析图作为样本表达形式；引入深度学习技术，构建多端卷积神经网络，对信号特征进行提取、优化、学习，最终建立稳定的信号识别网络模型，实现信号在低信噪比下高效准确识别。该方法可以应用在通信信号识别领域。
Description
技术领域
本发明涉及卫星通信领域，涉及深度学习技术，具体地涉及一种基于多端神经网络的卫星通信信号识别方法。
背景技术
信号的自动调制识别是指已知信号所在调制集合，利用相关技术正确识别目标信号调制类型。其作为通信侦察和信号盲处理领域的一个重要研究方向，在很多领域都有相当大的需求。随着通信技术的发展，各种新型调制方式不断出现，调制识别技术也需要不断发展以适应不同情况下的识别要求。
自动调制识别方法中，以信号的相位、频率和幅度等时域信息作为特征的方法运用较广，但其受噪声影响较大，在低信噪比情况下性能严重下降。基于高阶统计量的方法，如利用信号的高阶累积量或循环谱，具有很好的抗噪声性能，但特征的选取缺乏理论指导，且在处理复杂多类调制信号识别过程中决策阈值难以设定。
相对于传统人工设计特征的算法，深度学习技术由于其自学习能力以及对样本潜在的容错性，在语音、图像领域取得了突出成就。近年来，从事通信领域的研究人员也逐步利用深度学习技术来解决信号处理相关问题。在调制识别领域，主要思想为建立信号的浅层特征表达，并构建深度学习神经网络对样本进行学习。其中，卷积神经网络是一种高级的深度学习神经网络，在使用与普通神经网络一样的损失函数、反向传播算法、参数更新策略、以及超参数的同时，引入了新的网络结构，包括卷积层、池化层等，常用于对二维或三维输入信号的分类识别。
时频分析是处理非平稳信号的一类重要方法，它将非平稳信号表示为时间和频率的二维函数，能更加直观地其进行分析和处理。传统的分析与处理平稳信号的常用方法是傅里叶变换(Fourier Transform，FT)，它建立了信号的时域与频域一一对应的映射关系。然而，FT的缺点是只能整体上分析信号的频率成分，不能获取信号局部上的频率变化。时频分析能够克服FT的这个缺点，用时间和频率的二维函数来表示信号，直观地反映信号时域与频域之间的关系。时频分析方法可分为线性时频和二次型时频两种，常见的线性时频表示有：短时傅里叶变换(Short Time Fourier Transform，STFT)和小波变换。二次型的时频也称时频分布，它可以描述信号的能量分布，典型的有Wigner-Ville分布(WVD)、Cohen类时频分布，其最大的特点是能有效抑制交叉项。
发明内容
本发明要解决的技术问题是提供一种基于多端神经网络的卫星通信信号识别方法，能够实现在低信噪比下高效准确地完成识别任务。本发明的目的是，通过引入深度学习的技术手段提高信号识别的抗噪声性能，克服人工提取高维统计特征稳健性差等缺陷，实现信号在低信噪比下准确高效识别。
本发明的技术方案是：一种基于多端神经网络的卫星通信信号识别方法，主要包括：
S1、构建信号样本库
本发明将信号转化为更适合神经网络拓扑结构的样本表达形式。采用信号眼图、信号矢量图以及信号时频分析图作为样本表达形式，该表达形式相对于传统的高维统计特征而言更易获得，且不会损失过多的信号原有信息。相对于波形而言，该表达形式更能够突出信号的调制特性，更易于神经网络进行分类。
S2、构建多端神经网络
本发明所设计的多端卷积神经网络对信号特征的提取主要分为3个阶段。第一阶段，卷积神经网络分别对路眼图和矢量图以及时频进行7×7的卷积处理，而后对第一层网络输出的特征图进行批标准化(BN,batch normalization)，从而保证每层神经网络输入特征图的动态范围统一。对批标准化后的数据进行最大池化(max pool)操作，以减少特征图尺寸。之后对眼图和矢量图所得到的特征图进行连接。第二阶段的特征提取过程中，为消除网络过深导致的退化现象以及使网络更快地收敛，本发明采用了残差网络(ResNet,residual network)结构中的ResNet-v1结构。经过第二阶段的特征提取，对各端特征图连接，进行第三阶段特征提取。由于初始图片经过卷积神经网络一系列的下采样，在第三阶段的批标准化后，直接对特征图进行全局最大抽样处理，以减少后续网络所需训练的参数。网络除输出层采用Softmax激活函数外，其余各层皆采用ReLu激活函数。网络优化过程中，采用Adam算法进行网络参数的最优解求解。
S3、模型训练及目标信号识别
利用预先制作好的训练样本对构建网络进行训练，当网络达到稳态时，保存网络。对于目标测试信号，通过傅里叶变换进行载频粗估，并利用包络谱线估计出符号速率，用估计出的载频对信号进行下变频，根据符号速率计算方根升余弦函数进行匹配滤波。若目标信号存在定时偏差，需提取信号在最佳采样位置处的样点值以保证眼图的张开程度。利用时频变换方法得到信号的时频图像；对处理好的数据进行归一化和分块处理，对分块完的数据进行眼图和矢量图的呈现。最后利用所保存的网络对已进行预处理的信号进行调制识别，最终得到信号调制类别。
附图说明
图1为本发明算法信号识别流程图；
图2为本发明信号样本库的构建流程图；
图3为本发明多端卷积神经网络的构建流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。根据本发明实施例，提供了一种基于多端神经网络的卫星通信信号识别方法，图1为本发明算法信号识别流程图，包括：
步骤1，构建信号样本库。
图2为信号样本库的构建流程图，为了使样本更具多样性，考虑到实际接收信号存在多方面因素的影响，样本产生过程中人为引入采样相偏、频偏相偏。具体包括：
步骤1.1，特定调制模式与随机比特数据。
信号的基带波形可以表示为：
其中，v(t)表示加性高斯白噪声；g(t)表示等效滤波器，包括成型滤波、信道滤波和匹配滤波；an表示发送端所发送的符号序列。不同的调制方式，符号序列呈现的样式也不尽相同。针对特定调制模式，每次生成该类型样本并生成该调制类型所需的比特流数据。采用根升余弦成型滤波器形成标准样本，过采倍数为32，滚降系数为0.35。
步骤1.2，随机频偏相偏。
考虑到实际信号采用过程中可能存在的定时偏差，因此在仿真信号过程中，人为引入定时偏差。定时偏差值在一定范围内随机取值，且单个样本在其持续时间内，定时偏差值一致。同样地，考虑到实际参数估计过程中对载频估计的不精确，在仿真信号过程中，人为引入频偏相偏。其取值的选取同采样相偏过程。
步骤1.3，高斯信道。
本发明针对的是卫星通信***，信道采用高斯信道。而后利用根升余弦滤波器进行匹配滤波，得到目标信号。
步骤1.4，生成眼图、矢量图、时频图。
在通信信号处理过程中，眼图通常作为一种定性反映码间串扰和噪声水平的手段，通过眼图可以调整接收滤波器，以此改善***性能。另一方面，由于调制信号本身的特性，不同的调制方式在眼图上具有很明显的视觉差异。信号矢量图，是指将信号I路和Q路波形以对应时间进行重组得到的符号轨迹，能够反映信号的相位信息。
考虑到传统的眼图和矢量图都为二值图像，未将信号在某一位置的聚集程度进行完整的考虑。本发明对传统的眼图和矢量图进行改进，将信号转化为基于灰度图像的眼图和矢量图，将信号在某一点的聚集程度反映在图像灰度值上。具体生成过程如下：选取4个符号为一组波形对眼图进行生成，信号采用32倍过采，每幅图片由800个符号构成。眼图横轴像素点与波形持续时间相对应，从而保证图片在横轴的连续性。为实现后续不同图片特征图能够更加方便地进行连接，对信号幅度在[-1.05,1.05]范围内进行4×32间隔的量化，每个像素点的值为落在该像素区域内样本点的个数。为使图像内细节更加突出，对图片进行如下操作：
其中，im0为原始图像，im1为增强后的图像，α为缩放因子。
时频图像上本发明采用Choi-Williams分布(Choi-Williams Distribution，CWD)。CWD最大的特点是能有效抑制交叉项，其表达式为：
其中σ是衰减系数，控制交叉项的幅度，且与其成比例关系。
由于眼图、矢量图及时频图在不同层面反映当前调制信号的特性，本发明选取信号眼图、矢量图、时频图作为信号特征构建信号样本库，并作为神经网络的输入数据，实现信号的调制分类。
步骤2，构建多端神经网络模型。
图3为本发明设计的多端卷积神经网络流程图，对信号特征的提取主要分为3个阶段。第一阶段，卷积神经网络分别对眼图、矢量图和时频图进行7×7的卷积处理。而后对第一层网络输出的特征图进行批量标准化(BN,batch normalization)，从而保证每层神经网络输入特征图的动态范围统一。对批标准化后的数据进行最大池化(max pool)操作，以减少特征图尺寸。之后对所得到的特征图进行连接。第二阶段的特征提取过程中，采用了残差网络(ResNet,residual network)使网络更快地收敛，对各端特征图连接，进行第三阶段特征提取。在第三阶段的批标准化后，直接对特征图进行全局最大抽样处理，网络除输出层采用Softmax激活函数外，其余各层皆采用ReLu激活函数。网络优化过程中，采用Adam算法进行网络参数的最优解求解。具体包括：
步骤2.1，构建卷积层与池化层。
卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。在CNN的一个卷积层中，最重要的参数即卷积核的大小、卷积核的步长、卷积核的数量、补全方式等。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。
本发明通过卷积核计算特征平面的公式如下：
其中yi,j为卷积核对应输出，即特征平面的元素，f(·)为激励函数，θij为卷积核的参数，xij为卷积块的参数，n为卷积块的大小。
假设卷积层输入数据结构为W1×H1×D1，卷积核的数量为K，卷积核的大小为F×F，卷积核的步长为S，补全值为P。那么对于输出数据结构W2×H2×D2，有：
D2＝K (7)
对于该层，每个滤波器的权重数目为F·F·D1，所有滤波器的总共权重数目为(F·F·D1)·K，偏置项的数目为K。
通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。池化过程也即是下采样过程，相较于卷积过程，池化过程运算量更小，目的是简化特征而不是提取特征。本发明通过最大池化来简化特征。
步骤2.2，批标准化。
为了保证每层神经网络输入特征图的动态范围统一，本发明采用批标准化优化方差大小和均值位置，使得新的分布更切合数据的真实分布，保证模型的非线性表达能力。具体步骤如下：
1)求每一个训练批次数据的均值。
2)求每一个训练批次数据的方差。
3)使用求得的均值和方差对该批次的训练数据做归一化，获得0-1分布。
4)尺度变换和偏移。
步骤2.3，构建残差层。
本发明加入了ResNet模型中的ResNet-v1结构，该结构可以将该最优映射可改写成H(X)＝F(X)+X，将学习过程巧妙地拆成了两个过程：首先，学习残差函数F(X)，然后，通过简单映射学习到H(X)＝F(X)+X。
H(X)＝F(X)+X函数通过在前馈网络中增加一个的“shortcut Connections”来实现，捷径以不同的步长跳过一个或多个层与主径汇合，这样结构的输出为：
y＝F(x,{Wi})+x (8)
如果输入和输出维度不同，则需要增加一个线性投影，其计算公式如下所示：
y＝F(x,{Wi})+Wsx (9)
步骤3，样本库数据训练网络。
构建网络模型，利用预先制作好的训练样本对网络进行训练，当网络达到稳态时，保存网络。
步骤4，目标信号特征提取。
对于目标测试信号，通过傅里叶变换进行载频粗估，并利用包络谱线估计出符号速率，用估计出的载频对信号进行下变频，根据符号速率计算方根升余弦函数进行匹配滤波。若目标信号存在定时偏差，需提取信号在最佳采样位置处的样点值以保证眼图的张开程度，本发明选用非数据辅助的定时估计算法。具体计算式为：
其中，L0为符号长度，N为过采倍数，T为采样周期，则为定时抽取后的序列。
对目标信号进行采样率变换，得到32倍过采基带数据。对处理好的数据进行归一化和分块处理，对分块完的数据进行眼图和矢量图的呈现。
步骤5，目标信号识别。
利用所保存的网络对已进行预处理的信号进行调制识别，最终得到信号调制类别。
Claims (3)
1.一种基于多端神经网络的卫星通信信号识别方法，其特征在于，包括以下步骤：
S1、构建信号样本库
将信号转化为适合神经网络拓扑结构的样本表达形式；
S2、构建多端神经网络
多端卷积神经网络对信号特征的提取主要分为3个阶段：
第一阶段，卷积神经网络分别对眼图和矢量图以及时频进行7×7的卷积处理，而后对第一层网络输出的特征图进行批标准化；对批标准化后的数据进行最大池化操作；之后对眼图和矢量图所得到的特征图进行连接；
第二阶段的特征提取过程中，采用残差网络结构中的ResNet-v1结构；
经过第二阶段的特征提取，对各端特征图连接，进行第三阶段特征提取；在第三阶段的批标准化后，直接对特征图进行全局最大抽样处理；
S3、模型训练及目标信号识别
利用预先制作好的训练样本对构建网络进行训练，当网络达到稳态时，保存网络；对于目标测试信号，通过傅里叶变换进行载频粗估，并利用包络谱线估计出符号速率，用估计出的载频对信号进行下变频，根据符号速率计算方根升余弦函数进行匹配滤波；若目标信号存在定时偏差，需提取信号在最佳采样位置处的样点值以保证眼图的张开程度；
利用时频变换方法得到信号的时频图像；对处理好的数据进行归一化和分块处理，对分块完的数据进行眼图和矢量图的呈现；
最后利用所保存的网络对已进行预处理的信号进行调制识别，最终得到信号调制类别。
2.根据权利要求1所述的一种基于多端神经网络的卫星通信信号识别方法，其特征在于，S1中采用信号眼图、信号矢量图以及信号时频分析图作为样本表达形式。
3.根据权利要求1所述的一种基于多端神经网络的卫星通信信号识别方法，其特征在于，S2中网络除输出层采用Softmax激活函数外，其余各层皆采用ReLu激活函数；网络优化过程中，采用Adam算法进行网络参数的最优解求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210425192.5A CN114785649B (zh) | 2022-04-21 | 2022-04-21 | 一种基于多端神经网络的卫星通信信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210425192.5A CN114785649B (zh) | 2022-04-21 | 2022-04-21 | 一种基于多端神经网络的卫星通信信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114785649A CN114785649A (zh) | 2022-07-22 |
| CN114785649B true CN114785649B (zh) | 2023-11-14 |
Family
ID=82430520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210425192.5A Active CN114785649B (zh) | 2022-04-21 | 2022-04-21 | 一种基于多端神经网络的卫星通信信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114785649B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| WO2021013334A1 (en) * | 2019-07-22 | 2021-01-28 | Toyota Motor Europe | Depth maps prediction system and training method for such a system |
| CN112347871A (zh) * | 2020-10-23 | 2021-02-09 | 中国电子科技集团公司第七研究所 | 一种用于通信载波监视***的干扰信号调制识别方法 |
| CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11640523B2 (en) * | 2019-01-02 | 2023-05-02 | Rohde & Schwarz Gmbh & Co. Kg | Method for training a neural network, method for automatically characterizing a measurement signal, measurement apparatus and method for analyzing |
-
2022
- 2022-04-21 CN CN202210425192.5A patent/CN114785649B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| WO2021013334A1 (en) * | 2019-07-22 | 2021-01-28 | Toyota Motor Europe | Depth maps prediction system and training method for such a system |
| CN112347871A (zh) * | 2020-10-23 | 2021-02-09 | 中国电子科技集团公司第七研究所 | 一种用于通信载波监视***的干扰信号调制识别方法 |
| CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的调制样式识别研究;陈昌美;李艳斌;;信息技术(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114785649A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
| CN110598677B (zh) | 一种用于自动调制识别的时空多通道深度学习*** | |
| CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
| CN112418014A (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
| CN112347871B (zh) | 一种用于通信载波监视***的干扰信号调制识别方法 | |
| Zhang et al. | A data preprocessing method for automatic modulation classification based on CNN | |
| CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
| CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
| CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
| CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
| Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
| CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
| CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及*** | |
| CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
| CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
| CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
| Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
| CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
| CN111507299A (zh) | 一种频域上使用卷积神经网络识别stbc信号的方法 | |
| Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
| CN113902095A (zh) | 一种无线通信自动调制识别方法、装置与*** | |
| CN114785649B (zh) | 一种基于多端神经网络的卫星通信信号识别方法 | |
| He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
| CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
| CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 |
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 |