CN116484180B - 一种提取通信信号基因的***与方法 - Google Patents
一种提取通信信号基因的***与方法 Download PDFInfo
- Publication number
- CN116484180B CN116484180B CN202310735817.2A CN202310735817A CN116484180B CN 116484180 B CN116484180 B CN 116484180B CN 202310735817 A CN202310735817 A CN 202310735817A CN 116484180 B CN116484180 B CN 116484180B
- Authority
- CN
- China
- Prior art keywords
- communication signal
- gene
- communication
- characteristic parameter
- signal
- 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 300
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000010839 reverse transcription Methods 0.000 claims description 30
- 239000012634 fragment Substances 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 23
- 230000001052 transient effect Effects 0.000 claims description 22
- 238000013519 translation Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 12
- 239000013614 RNA sample Substances 0.000 description 10
- 239000000523 sample Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010353 genetic engineering Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 102100034343 Integrase Human genes 0.000 description 1
- 108010092799 RNA-directed DNA polymerase Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种提取通信信号基因的***与方法。该提取通信信号基因的方法包括:获取第一通信信号;逆翻译所述第一通信信号得到至少一个特征参数,并逆转录所述至少一个特征参数得到至少一个基因片段;将所述至少一个基因片段浓缩形成第一通信基因,以通过所述第一通信基因实现对所述第一通信信号的识别。
Description
技术领域
本发明涉及电磁态势感知技术领域,尤其是涉及一种提取通信信号基因的***与方法。
背景技术
在现代化战争中,通信信号个体识别是电子信号数据处理的关键环节,能够为战场电磁态势生成和电磁频谱管控等提供技术支撑,进而影响战争进程。随着敌方电磁设备技术体制的快速发展,战场电磁环境日益复杂多变,尤其是通信信号纷繁交错、信噪比严重恶化,使得以往仅依靠一个或两个特征参数来实现通信信号个体精确识别已基本没有可能,给电子战带来了巨大挑战。
在民用无线电中,随着网络技术、微波技术和通信技术的飞速发展,电磁空间中充斥着复杂多样、瞬息万变的通信信号,尤其是通信信号纷繁交错、信噪比严重恶化,使得以往仅依靠一个或两个特征参数来实现通信信号个体精确识别已基本没有可能,导致频谱资源管理、非法信号监测和认知无线电通信等领域均面临通信信号个体识别的技术难题。
因此,如何精确识别通信信号是本发明要解决的问题。
发明内容
本发明的目的在于提供一种提取通信信号基因的***与方法,不仅能够精确识别通信信号,还可广泛应用于战场频谱管理和电子战等军事领域、公共安全和无线通信等民用领域,具有重要的军事意义和社会应用价值。
根据本发明的一方面,至少一个实施例提供了一种提取通信信号基因的方法,包括:获取第一通信信号;逆翻译所述第一通信信号得到至少一个特征参数,并逆转录所述至少一个特征参数得到至少一个基因片段;将所述至少一个基因片段浓缩形成第一通信基因,以通过所述第一通信基因实现对所述第一通信信号的识别。
根据本发明的另一方面,至少一个实施例还提供了一种提取通信信号基因的电子设备,包括:处理器,适于实现各指令;以及存储器,适于存储多条指令,所述指令适于由处理器加载并执行上述提取通信信号基因的方法。
根据本发明的另一方面,至少一个实施例还提供了一种提取通信信号基因的***,包括:本发明上述提取通信信号基因的电子设备。
根据本发明的另一方面,至少一个实施例还提供了一种计算机可读的非易失性存储介质,存储计算机程序指令,当所述计算机执行所述程序指令时,执行本发明上述提取通信信号基因的方法。
通过本发明上述实施例,提取通信信号基因,不仅能够精确识别通信信号,还可广泛应用于战场频谱管理和电子战等军事领域、公共安全和无线通信等民用领域,具有重要的军事意义和社会应用价值。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的提取通信信号基因的***示意图;
图2是根据本发明实施例的提取通信信号基因的电子设备示意图;
图3是根据本发明实施例的提取通信信号基因的方法流程图;
图4是根据本发明实施例的提取调制域基因片段示意图;
图5是根据本发明实施例的提取编码域基因片段示意图;
图6是根据本发明实施例的提取发射功率基因片段示意图;
图7是根据本发明实施例的通信信号频谱基因研究处理示意图;
图8是根据本发明实施例的通信信号频谱基因的最终形式示意图;
图9是根据本发明实施例的混淆情况示意图;
图10是根据本发明实施例的识别正确率比较示意图;
图11是根据本发明实施例的混淆矩阵比较示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
当前,对通信信号识别主要是依靠一个或两个特征参数。例如,依靠提取单一特征参数的:“基于双谱的通信辐射源个体识别”提取双谱作为特征对通信信号进行个体分类;“通信电台个体识别技术研究”提取通信电台短时频率波动作为电台个体细微特征;“通信电台信号指纹识别技术研究”通过提取电台非稳定工作状态下的暂态信号作为指纹特征;“基于深度学习的调制识别算法研究”提取调制信号在时序和空间上的相关性作为深度学习分类器的输入;“一种辐射源个体识别方法及装置、终端、存储介质”提取ADS-B信号的频域特征向量作为基于残差网络构建的深度学习模型的输入;“一种通信电台识别方法及装置”则基于第一暂态信号利用复Morlet小波变换得到第一包络谱图作为特征输入到预设神经网络模型,得到发射待测信号的通信电台的标识。例如,依靠提取两个特征参数的:“电台指纹识别算法研究”提取噪声特性和积分双谱特征实现电台个体识别;“基于深度学习的通信信号调制识别算法研究”提取通信信号的瞬时特征和高阶累积量等特征,利用不同的分类器对信号进行识别;“一种通信信号调制方式的识别方法、装置、设备及介质”提取统计特征和高阶累积量等多个特征值来识别信号的调制方式;“基于指纹特征融合的通信辐射源个体识别研究”则通过提取辐射源信号载频特征和瞬态幅值特征实现个体识别。
综合分析,上述提取单一特征或者两个特征的,每个特征的提取都受到应用场景的局限。特别随着战场电磁设备技术体制的快速发展,使得战场电磁环境日益复杂多变、通信信号纷繁交错,尤其是信噪比恶化严重、特征提取误差大、特征提取时效性差和效率低,导致这种仅依靠一个或两个特征参数来实现个体识别已基本没有可能。
因此,本发明立足军用和民用等领域对通信信号个体识别的实际需求和应用,首次提出通信信号基因并设计了一种提取通信信号基因的***,主要利用累积抑噪、模态分解、对角积分、高次迭代、工程标准、统计计算、矩阵变换、倒谱运算、载频推断、功率反推、频移估计等方法实现对暂态、稳态、对角积分谱、星座图误差、工作方式、工作模式、调制域、编码域、倒谱、载频类型、发射功率、多普勒频移等基因频段的提取,并最后提炼和合成通信信号基因,为复杂电磁环境下通信信号个体识别奠定基础。该通信信号基因定,可类比于生物基因,是含有遗传密码或其他特有信息的数据片,是通信信号区别与其他类型或个体通信信号的表现特征。如图1所示,该提取通信信号基因的***的环境可以包括硬件环境和网络环境,上述硬件环境包括:提取通信信号基因的电子设备100和服务器200。
该提取通信信号基因的电子设备100可以为一个或多个,也可以包括多个处理节点,该多个处理节点对外可以作为一个整体。可选的,该提取通信信号基因的电子设备100也可将获取到的数据发送至服务器200,以使服务器200执行本发明用于提取通信信号基因的方法。可选的,该提取通信信号基因的电子设备100可以通过相应的指令操作该服务器200,从而可以读取、改变、添加数据等。
如图2所示,该提取通信信号基因的电子设备100,包括:处理器202;以及存储器204,配置为存储计算机程序指令,计算机程序指令适于由处理器加载并执行本发明所研发的提取通信信号基因的方法(后续将进行详细介绍)。该处理器202可以为各种适用的处理器,例如实现为中央处理器、微处理器、嵌入处理器等形式,可以采用X86、ARM等架构。该存储器204可以为各种适用的存储装置,例如非易失性存储装置,包括但不限于磁存储装置、半导体存储装置、光存储装置等,并且可以布置为单个存储装置、存储装置阵列或分布式存储装置,本发明的实施例对这些不作限制。
本领域普通技术人员可以理解,上述提取通信信号基因的电子设备100的结构仅为示意,其并不对设备的结构造成限定。例如,提取通信信号基因的电子设备100还可包括比图2中所示更多或者更少的组件(如传输装置)。上述的传输装置用于经由一个网络接收或者发送数据。在一个实例中,传输装置为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
可选的,该提取通信信号基因的电子设备100可以通过网络与服务器200连接。上述网络包括有线网络和无线网络。该无线网络包括但不限于:广域网、城域网、局域网或移动数据网络。典型地,该移动数据网络包括但不局限于:全球移动通信(GSM)网络、码分多址(CDMA)网络、宽带码分多址(WCDMA)网络、长期演进(LTE)通信网络、WIFI网络、ZigBee网络、基于蓝牙技术的网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本发明实施例的限制。
通过本发明提取通信信号基因的***,在应对复杂电磁环境时:“电磁信号纷繁交错、信噪比严重恶化,导致特征提取误差大、时效性差和效率低等缺点”,解决了现有通信信号个体识别技术仅依靠一或两个所谓的指纹特征难以实现个体识别的技术难题,有效的提升了通信信号识别的精确度,不仅可广泛应用于战场频谱管理和电子战等军事领域,还可以应用于公共安全和无线通信等民用领域,具有重要的军事意义和社会应用价值。
基于上述运行环境,针对通信信号精确识别的需求,本发明至少一个实施例提出了一种提取通信信号基因的方法,该提取通信信号基因的方法也可称之为通信信号基因提取方法,该通信信号基因提取方法可以由提取通信信号基因的电子设备100的处理器202加载并执行,至少解决如何精确识别通信信号的技术问题。如图3所示,提取通信信号基因的方法的流程图,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,该方法可以包括如下步骤:
步骤S301,获取第一通信信号;
步骤S303,逆翻译第一通信信号得到至少一个特征参数,并逆转录至少一个特征参数得到至少一个基因片段;
步骤S305,将至少一个基因片段浓缩形成第一通信基因,以通过第一通信基因实现对第一通信信号的识别。
可以看出,本发明类比于生物基因,提出了通信基因(或称之为通信信号频谱基因)。对于生物基因而言,逆转录以RNA为模板,靠逆转录酶的催化合成DNA,得出生物基因,即生物基因逆转录本质上就是从蛋白质中提取生物基因(即基因片段或DNA片段信息)。由此,发明人将对通信信号频谱基因研究处理过程如同生物基因工程,与之类比的通信信号频谱基因逆翻译工程就是从侦察到的通信信号数据中通过分析处理实现具有特征的参数提取,以构建通信信号特征样本集,即通信信号特征样本集类似于生物基因工程中的RNA;与之类比的通信信号频谱基因逆转录工程以通信信号样本集为模板,依据通信信号频谱基因的定义,提取不同层次的频谱基因片段,再经过浓缩、提炼,得到通信信号频谱基因的最终形式。
在步骤S301中,获取第一通信信号。该第一通信信号可以为电磁设备发出的通信信号,该通信信号可以有多种表达形式,分为模拟信号和数字信号。
为了获取多个不同辐射源的通信信号,本发明可采用提取通信信号基因的电子设备100(如多个软件通用无线电设备B210)来调制和传输信号,再使用另一个B210在来接收信号。针对不同的B210,本发明设计了不同的通信信号样式和干扰衰落模型,以此来获取多种真实的通信信号。
在步骤S303中,逆翻译第一通信信号得到至少一个特征参数,并逆转录至少一个特征参数得到至少一个基因片段。该至少一个特征参数包括暂态、稳态、对角积分谱、星座图误差、工作方式、工作模式、调制域、编码域、倒谱、载频类型、发射功率、多普勒频移中一个或多个,对应的至少一个基因片段包括暂态、稳态、对角积分谱、星座图误差、工作方式、工作模式、调制域、编码域、倒谱、载频类型、发射功率、多普勒频移中一个或多个,但本发明包括但不局限于上述特征参数和基因片段。
第一,通信信号工作过程中,经常会出现许多过渡状态,这些过渡状态必然使通信信号表现出一定的暂态响应。对通信信号而言,其暂态响应主要是指因自身元器件细微差异所表现出来的开/关机或频率转换瞬间在信号波形以及上升时间上所表现出来的包络差异。同时,实验发现不同的通信信号在开/关机或频率转换时呈现不同的包络特性,而同一通信信号在开/关机或频率转换时则呈现一定的自相似性,因此发明人研究提取该包络作为通信信号暂态基因片段。
例如,对第一通信信号执行累积抑噪操作,以逆翻译得到暂态特征参数,其中,为第一通信信号暂态特征参数,累积抑噪操作为,K为汉明窗的窗长参数,k为时延参数,/>为第一通信信号,,/>是长度为/>的汉明窗;逆转录暂态特征参数得到用比特表示的暂态基因片段。即,本发明根据第一通信信号经逆翻译后得到暂态数值,形成RNA样本集,再通过逆转录得到二进制数值的暂态基因片段。
该暂态基因片段代码可用32比特表示,每16比特分别表示上升时间和下降,代码为“0000000000000000”~“1111111111111111”,其中“0000000000000000”表征该段基因片段未知,“1111111111111111”表征该段基因片段不存在。后续所有基因片段的转录和表示方法与其一致,将不再赘述,不同之处仅在于位数多少而已。
第二,本发明采用更适用于分析非线性非平稳信号的经验模态分解方法,即依据第一通信信号特点自适应地通过筛选过程把任意一个复杂信号分解为一系列本征模态函数,即将第一通信信号表示成一系列分量/>和残余项/>的组合:,并进一步得到:。
例如,对第一通信信号执行模态分解操作,以逆翻译得到稳态特征参数,其中,为第一通信信号的稳态特征参数,模态分解操作为,/>,
,/>,
第一通信信号,m为分量数目;逆转录稳态特征参数得到用比特表示的稳态基因片段。即,本发明将第一通信信号经逆翻译后得到RNA样本集,再通过如前的逆转录得到稳态基因片段,该稳态基因片段代码可用16比特表示。
第三,本发明通过对得到的第一通信信号沿着主次对角线积分处理,实现对第一通信信号的降维处理。例如,对第一通信信号执行对角积分操作,以逆翻译得到对角积分谱特征参数,其中,对角积分操作为,为第一通信信号的相位角,/>、/>表示第一通信信号的对角积分谱特征参数,为第一通信信号的角速度,/>、/>表示对第一通信信号的数据沿着主次对角线积分处理;逆转录对角积分谱特征参数得到用比特表示的对角积分谱基因片段。即,本发明将第一通信信号经逆翻译后得到对角积分谱,形成RNA样本集,再通逆转录编码处理得到对角积分谱基因片段,该对角积分谱基因片段可用16比特表示。
第四,不同通信信号的生成设备中,振荡源、混频器和功率放大器等器件的非线性特性会有细微差异,所以发射的通信信号星座图形状也会有所不同,因此本发明提取星座图形状差异特性,并将其作为基因片段来区分不同通信信号。
例如,对第一通信信号执行高次迭代操作,以逆翻译得到星座图误差特征参数,其中,星座图误差特征参数,高次迭代操作为:
,
为第一通信信号中的频谱中线谱分量。
第五,依据通信信号用途的差别,设计者对其功能任务(工作方式)的设计也具有个体属性。因此,通信信号工作方式也可以看作一个个体属性。本发明对于第一通信信号工作方式的基因片段,主要体现于第一通信信号在工作时对其工作方式数量的提取,该工作方式基因片段提取方法则根据工程标准、协议和知识库进行逆转录编码来确定。
例如,对第一通信信号执行工程标准操作(根据工程标准、协议和知识库进行逆转录编码),以逆翻译得到工作方式特征参数,其中,工程标准根据协议和知识库来得到;逆转录工作方式特征参数得到用比特表示的工作方式基因片段,该工作方式基因片段用8比特表示。
第六,通信信号工作模式基因特征提取是在某一通信信号长时间工作的基础上,综合所有可靠的数据完成的处理。通信信号工作模式基因由通信信号工作模式数量基因片段和通信信号工作模式表达基因片段构成。为了标准化归类模式的种类和参数关系,采用工程标准定义通信信号工作模式,然后再进行工作模式分析。通信信号工作模式数量基因片段提取方法为综合分析该通信信号的所有工作参数,根据工程标准进行工作模式划分,对每种模式进行参数归并,最后统计出工作模式种类;通信信号工作模式表达基因片段提取方法为综合截取得到的一批脉冲数据,分析该通信信号与此批脉冲数据对应的工作模式,获得通信信号工作模式参数。
例如,对第一通信信号执行统计计算操作,以逆翻译得到工作模式特征参数,其中,统计计算操作为对第一通信信号的工作模式数量、工作模式表达进行综合分析;逆转录工作模式特征参数得到用比特表示的工作模式基因片段。即,本发明将第一通信信号经逆翻译后得到工作模式数值,形成RNA样本集,再通过如前的逆转录得到工作模式基因片段,该工作模式基因片段均采用8比特表示。
第七,调制的基本思路是在发送端产生高频载波信号,让高频载波的幅度、频率或相位随着调制信号变化。通信信号调制类型识别,基本按照信号预处理、特征参数提取和分类识别的方法步骤进行。不同体制的通信信号其调制类型不同,因此可以作为基因片段,提取时通常选取多种信号特征。如图4所示,本发明将通信信号调制域基因片段提取方法设计为一种多模态融合算法结构,将信号的时间序列数据、星座图和时频图等作为算法结构输入,利用深度学习技术自动进行特征提取和分类识别,从而可以获得通信信号调制类型。
例如,对第一通信信号执行深度学习操作(进行矩阵变换),以逆翻译得到调制域特征参数,其中,深度学习操作对第一通信信号的时间序列数据、星座图和时频图进行特征提取和分类识别;逆转录调制域特征参数得到用比特表示的调制域基因片段。即,本发明将第一通信信号经逆翻译后得到调制域数值,形成RNA样本集,再逆转录得到调制域基因片段,该调制域基因片段均采用12比特表示。
第八,不同体制的通信信号其编码方式不同,因此可以作为基因片段,提取时通常采用并行处理方法,即以多种方法同时进行并行识别和提取。本发明针对通信信号较为常用的线形分组码、R码和卷积码等编码,拟采用如图5所示的并行处理方法:针对不同的编码采用不同的识别机制,即采用不同的神经网络模型,对数据特征进行并行提取和识别,进而获得信号的编码方式。
例如,对第一通信信号执行并行处理操作,以逆翻译得到编码域特征参数,并行处理操作为采用不同的神经网络模型对第一通信信号的数据特征进行并行提取和识别;逆转录编码域特征参数得到用比特表示的编码域基因片段。即,本发明将第一通信信号经逆翻译后得到编码域数值,形成RNA样本集,再通过逆转录得到编码域基因片段,该编码域基因片段均采用12比特表示。
第九,通信信号倒谱基因片段提取技术。本发明对第一通信信号执行倒谱运算操作,以逆翻译得到倒谱特征参数,其中,所述倒谱运算操作为,所述/>为倒谱特征参数,所述/>为噪声功率谱,所述/>为冲击响应,所述/>为信号功率谱,所述/>为第一通信信号的自相关函数;逆转录倒谱特征参数得到用比特表示的倒谱基因片段。即,本发明将第一通信经逆翻译后得到倒谱数值,形成RNA样本集,再通过逆转录得到倒谱基因片段,该倒谱基因片段均采用16比特表示。
第十,载频变化类型基因片段,是对用频设备发射的单个脉冲所包含的载频数量属性的编码型描述和表征。获取方法为根据脉冲处理器各支路输出以及脉冲综合处理单元的输出进行判断,判断是否为单载频类型、多载频类型且时序完全重叠、多载频类型且时序不完全重叠、多载频类型且时序完全不重叠或其他。
例如,本发明对第一通信信号执行载频推断操作,以逆翻译得到载频类型特征参数,其中,载频推断操作为判断第一通信信号是否为单载频类型、多载频类型且时序完全重叠、多载频类型且时序不完全重叠、多载频类型且时序完全不重叠或其他;逆转录载频类型特征参数得到用比特表示的载频类型基因片段。即,本发明将第一通信信号经逆翻译后得到载频类数值,形成RNA样本集,再通过逆转录得到载频基因片段。
第十一,本发明通信信号辐射源发射功率推算采取如图6所示的算法架构,该算法主要由三个模块组成:数据采集与预处理、插值估计和通信信号发射功率估算。其中,预处理主要完成目标区域划分、插值点选取、RSSI样本数据采集和数据预处理;插值估计通过在BP神经网络中引入改进粒子群优化模型和Kriging插值算法实现对通信信号的感知;通信信号发射功率估算主要是融合插值估计的结果和接收的通信信号数据生成的信号等强线,由此估算出辐射源的发射功率。
例如,对第一通信信号执行功率反推操作,以逆翻译得到发射功率特征参数,其中,功率反推操作为融合插值估计的结果和第一通信信号生成的信号等强线来估算出辐射源的发射功率;逆转录发射功率特征参数得到用比特表示的发射功率基因片段。即,本发明将述第一通信信号经逆翻译后得到发射功率数值,形成RNA样本集,再通过逆转录得到发射功率基因片段。
第十二,根据多普勒效应的基本原理,可得接收到的第一通信信号频率:,/>、/>分别为第一通信信号在媒介中的传播速度和频率,、/>分别为第一通信信号与接收点相对于媒介的运动度,/>、/>为第一通信信号、接收点分别与媒介之间的夹角。将/>、/>转换为第一通信信号相对于接收点的运动方向与电磁波传播方向的夹角,并经过推导,可利用第一通信信号测得的运动物体速度为:,/>为第一通信信号的频率。
例如,对第一通信信号执行频移估计操作,以逆翻译得到多普勒频移特征参数,其中,频移估计操作为;逆转录多普勒频移特征参数得到用比特表示的多普勒频移基因片段。即,本发明将第一通信信号逆翻译后得到多普勒频移类数值,形成RNA样本集,再通过逆转录得到多普勒频移基因片段。
在步骤S305中,将至少一个基因片段浓缩形成第一通信基因,以通过第一通信基因实现对第一通信信号的识别。如图7所示,本发明将通信信号频谱基因研究处理过程如同生物基因工程,对通信信号频谱基因逆翻译工程就是从侦察到的通信信号数据中通过分析处理实现具有特征的参数提取,以构建通信信号特征样本集;通信信号特征样本集恰类似于生物基因工程中的RNA,是对暂态、稳态、对角积分谱、星座图误差、工作方式、工作模式、调制域、编码域、倒谱、载频类型、发射功率、多普勒频移等汇总分析结果;通信信号频谱基因逆转录工程就是从构建的通信信号特征样本集(RNA)中提取其基因片段,逆转录以通信信号样本集为模板,依据通信信号频谱基因的定义,提取不同层次的频谱基因片段,再经过浓缩、提炼,得到通信信号频谱基因的最终形式。
需要说明的是,本发明将生物体基因与通信信号相联系,借鉴生物体基因的含义,类比通信信号的多层次特征信息,具有高度相似的特点。因此,将通信信号不同层次的变化规律和提炼的本质特征命名为“通信信号频谱基因片段”和“通信信号频谱基因”,具有其合理性。如图8所示,本发明类比于生物基因提取过程中逆转录过程,针对通信信号数据或信息,通信信号频谱基因提炼和合成技术得到通信信号频谱基因的最终形式。同时,与生物体不同的是,本发明的通信信号基因链由前述的基因片段构成,基因片段则以相应的比特流表示,由此得到的第一通信信号基因可极大提升信号识别的正确率。
与此同时,鉴于通信信号基因获取的目的是为了解决通信信号个体识别问题,因此本发明立足通信信号个体识别,选取识别准确率、均方根误差、混淆矩阵这三个核心指标进行性能评估,进而反映通信信号基因提取的性能。识别准确率,描述的是预测正确数量所占总量的比例,反映对整体样本判断正确的能力,公式为:,/>表示真正例,指被正确分类的正元组;/>为真负例,指被正确分类的负元组;/>为假正例,指被错误标记为正元组的负元组;/>为假负例,指被错误标记为负元组的正元组。均方根误差,也称之为标准误差,是均方误差的算术平方根,均方根误差用来衡量所得结果的准确度,其公式为:,/>表示得到的结果,/>表示实际数值。混淆矩阵,也称误差矩阵,用来评估方法中图像处理算法的性能,主要通过将每个识别的像元位置、分类与真实第一通信信号对应的像元位置、分类比较计算得到,在本发明中可以体现通信信号个体识别的混淆情况,如图9所示,行对应于预测的类别(OutputClass),列对应于真实的类别(Target Class),对角线单元格体现了正确分类的观测结果,偏离对角线的单元格体现了错误分类的观测结果。
本发明依据上述识别正确率、均方根误差、混淆矩阵这三个指标进行性能评估,与现有技术“电台指纹识别算法研究”(ZWSB)、“基于深度学***稳,但可以明显看出,本发明识别性能最好,特别是在低信噪比条件下提升明显。六种方法的均方根误差如表1所示,通过数据可知,本发明的均方根误差最小。六种方法在不同信噪比条件下针对通信信号个体识别的混淆情况,根据实际应用场景下信噪比情况,得到了在信噪比为10dB下的混淆矩阵,如图11所示;可以观察到,本发明对于2ASK、2FSK、4FSK、BPSK和8FSK等常规通信信号,识别准确率可以达到100%,基本不会发生错判,其它类型的识别概率也高于现有技术。
表1六种方法的均方根误差比较
通过本发明上述通信信号基因提取方法,不仅可广泛应用于战场频谱管理和电子战等军事领域,还可以应用于公共安全和无线通信等民用领域,具有重要的军事意义和社会应用价值。
本发明的至少一个实施例还提供了一种计算机可读的非易失性存储介质,存储计算机程序指令,当计算机执行程序指令时,执行本发明所研发的提取通信信号基因的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种提取通信信号基因的方法,其特征在于,包括:
获取第一通信信号;
逆翻译所述第一通信信号得到至少一个特征参数,其中,所述至少一个特征参数包括暂态、稳态、对角积分谱、星座图误差、工作方式、工作模式、调制域、编码域、倒谱、载频类型、发射功率、多普勒频移中一个或多个,逆翻译所述第一通信信号得到至少一个特征参数包括:
对所述第一通信信号执行累积抑噪操作,以逆翻译得到暂态特征参数,其中,暂态特征参数表示为,所述累积抑噪操作为,所述K为汉明窗的窗长参数,所述k为时延参数,/>为第一通信信号,,所述是长度为/>的汉明窗;和/或对所述第一通信信号执行模态分解操作,以逆翻译得到稳态特征参数,其中,稳态特征参数为/>,所述模态分解操作为,所述/>,所述/>,所述/>,所述,所述第一通信信号/>,所述m为分量数目,所述/>为所述第一通信信号的一系列分量,所述/>为残余项;和/或对所述第一通信信号执行对角积分操作,以逆翻译得到对角积分谱特征参数,其中,对角积分谱特征参数表示为/>,所述对角积分操作为,/>为第一通信信号的相位角,/>为第一通信信号的角速度/>、/>表示对第一通信信号的数据沿着主次对角线积分处理;和/或对所述第一通信信号执行高次迭代操作,以逆翻译得到星座图误差特征参数,其中,星座图误差特征表示为/>,所述高次迭代操作为:,所述为第一通信信号中的频谱中线谱分量,,所述A是第一通信信号幅度,所述是第一通信信号频率,所述/>第一通信信号相位,所述/>是第一通信信号初相位,所述/>为第一通信信号的偏移量;和/或对所述第一通信信号执行工程标准操作,以逆翻译得到工作方式特征参数,其中,所述工程标准根据协议和知识库得到;和/或
对所述第一通信信号执行统计计算操作,以逆翻译得到工作模式特征参数,其中,所述统计计算操作为对第一通信信号的工作模式数量、工作模式表达进行综合分析;和/或
对所述第一通信信号执行深度学习操作,以逆翻译得到调制域特征参数,其中,所述深度学习操作对第一通信信号的时间序列数据、星座图和时频图进行特征提取和分类识别;和/或对所述第一通信信号执行并行处理操作,以逆翻译得到编码域特征参数,所述并行处理操作为采用不同的神经网络模型对第一通信信号的数据特征进行并行提取和识别;和/或
对所述第一通信信号执行倒谱运算操作,以逆翻译得到倒谱特征参数,其中,所述倒谱运算操作为,所述/>为第一通信信号的倒谱特征参数,所述/>噪声功率谱,所述/>为冲击响应,所述/>为信号功率谱,所述/>为第一通信信号的自相关函数;和/或对所述第一通信信号执行载频推断操作,以逆翻译得到载频类型特征参数,其中,所述载频推断操作为判断第一通信信号是否为单载频类型、多载频类型且时序完全重叠、多载频类型且时序不完全重叠、多载频类型且时序完全不重叠或其他;和/或
对所述第一通信信号执行功率反推操作,以逆翻译得到发射功率特征参数,其中,所述功率反推操作为融合插值估计的结果和第一通信信号生成的信号等强线来估算出辐射源的发射功率;和/或
对所述第一通信信号执行频移估计操作,以逆翻译得到多普勒频移特征参数,其中,所述频移估计操作为,所述/>、/>分别为第一通信信号在媒介中的传播速度和频率,所述/>、/>分别为第一通信信号与接收点相对于媒介的运动度,所述、/>为第一通信信号、接收点分别与媒介之间的夹角,/>为第一通信信号的频率;逆转录所述至少一个特征参数得到至少一个基因片段,其中,逆转录暂态特征参数、稳态特征参数、对角积分谱特征参数、星座图误差特征参数、工作方式特征参数、工作模式特征参数、调制域特征参数、编码域特征参数、倒谱特征参数、载频类型特征参数、发射功率特征参数、多普勒频移特征参数中一个或多个,以得到一个或多个用比特表示的基因片段;所述逆转录以第一通信信号样本集为模板,依据通信信号频谱基因的定义,提取不同层次的频谱基因片段;
将所述至少一个基因片段浓缩形成第一通信基因,以通过所述第一通信基因实现对所述第一通信信号的识别,其中,所述将所述至少一个基因片段浓缩形成第一通信基因包括:将一个或多个用比特表示的基因片段叠加成基因链以形成第一通信基因。
2.根据权利要求1所述的方法,其特征在于,获取第一通信信号包括:
获取电磁设备的第一通信信号。
3.根据权利要求1所述的方法,其特征在于,通过所述第一通信基因实现对所述第一通信信号的识别之后,所述方法还包括:
选取识别准确率、均方根误差和/或混淆矩阵对所述第一通信基因进行性能评估。
4.根据权利要求3所述的方法,其特征在于,包括:
所述识别准确率,其中,所述TP表示被正确分类的正元组,所述TN表示被正确分类的负元组,所述FP表示被错误标记为正元组的负元组,所述FN表示被错误标记为负元组的正元组;
所述均方根误差,其中,所述表示得到的结果,所述/>表示实际数值;
所述混淆矩阵通过将每个识别的像元位置、分类与真实第一通信信号对应的像元位置、分类比较计算得到。
5.一种提取通信信号基因的电子设备,包括:
处理器,适于实现各指令;以及存储器,适于存储多条指令,所述指令适于由处理器加载并执行:如权利要求1-4任一所述的提取通信信号基因的方法。
6.一种提取通信信号基因的***,包括:如权利要求5所述的提取通信信号基因的电子设备。
7.一种计算机可读的非易失性存储介质,存储计算机程序指令,当计算机执行程序指令时,执行:如权利要求1-4任一所述的提取通信信号基因的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735817.2A CN116484180B (zh) | 2023-06-21 | 2023-06-21 | 一种提取通信信号基因的***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735817.2A CN116484180B (zh) | 2023-06-21 | 2023-06-21 | 一种提取通信信号基因的***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484180A CN116484180A (zh) | 2023-07-25 |
CN116484180B true CN116484180B (zh) | 2023-09-22 |
Family
ID=87221756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310735817.2A Active CN116484180B (zh) | 2023-06-21 | 2023-06-21 | 一种提取通信信号基因的***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484180B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10029483A1 (de) * | 2000-06-15 | 2002-01-03 | Herbert J Christ | Mobiles Kommunikationssystem für Hörbehinderte |
CN108616314A (zh) * | 2018-05-10 | 2018-10-02 | 宁波大学 | 一种基于ofdm的水声通信***脉冲噪声抑制方法 |
CN109743118A (zh) * | 2018-12-24 | 2019-05-10 | 哈尔滨工程大学 | 一种时变双扩信道条件下的高频谱效率的ofdm水声通信方法 |
MX2017016960A (es) * | 2017-12-20 | 2019-06-21 | Centro De Investig Y De Estudios Avanzados Del I P N | Sistema de comunicación multiplicadora para canales doblemente selectivos utilizando dispersión en frecuencia y cancelación no lineal de interferencia. |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112564834A (zh) * | 2020-11-09 | 2021-03-26 | 中国运载火箭技术研究院 | 一种面向无线通信***的智能认知与干扰方法及*** |
CN113075462A (zh) * | 2021-02-22 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种基于神经网络的电磁场分布定位方法 |
WO2022010997A1 (en) * | 2020-07-08 | 2022-01-13 | Exa Health, Inc. | Neural network analysis of lfa test strips |
CN114710187A (zh) * | 2022-05-07 | 2022-07-05 | 东南大学 | 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法 |
CN116015344A (zh) * | 2022-12-08 | 2023-04-25 | 中国电子科技集团公司第十研究所 | 无人机抗控制抗截获通信波形设计方法、装置及*** |
-
2023
- 2023-06-21 CN CN202310735817.2A patent/CN116484180B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10029483A1 (de) * | 2000-06-15 | 2002-01-03 | Herbert J Christ | Mobiles Kommunikationssystem für Hörbehinderte |
MX2017016960A (es) * | 2017-12-20 | 2019-06-21 | Centro De Investig Y De Estudios Avanzados Del I P N | Sistema de comunicación multiplicadora para canales doblemente selectivos utilizando dispersión en frecuencia y cancelación no lineal de interferencia. |
CN108616314A (zh) * | 2018-05-10 | 2018-10-02 | 宁波大学 | 一种基于ofdm的水声通信***脉冲噪声抑制方法 |
CN109743118A (zh) * | 2018-12-24 | 2019-05-10 | 哈尔滨工程大学 | 一种时变双扩信道条件下的高频谱效率的ofdm水声通信方法 |
WO2022010997A1 (en) * | 2020-07-08 | 2022-01-13 | Exa Health, Inc. | Neural network analysis of lfa test strips |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112564834A (zh) * | 2020-11-09 | 2021-03-26 | 中国运载火箭技术研究院 | 一种面向无线通信***的智能认知与干扰方法及*** |
CN113075462A (zh) * | 2021-02-22 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种基于神经网络的电磁场分布定位方法 |
CN114710187A (zh) * | 2022-05-07 | 2022-07-05 | 东南大学 | 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法 |
CN116015344A (zh) * | 2022-12-08 | 2023-04-25 | 中国电子科技集团公司第十研究所 | 无人机抗控制抗截获通信波形设计方法、装置及*** |
Non-Patent Citations (4)
Title |
---|
Intelligent identification technology for high-order digital modulation signals under low signal-to-noise ratio conditions;Yanping Zha, et al.;IET Signal Processing;1-11 * |
一种水声通信信号调制模式识别方法;周青;孙海信;周明章;;通信对抗(02);16-21 * |
基于对角积分双谱的雷达辐射源信号识别;肖乐群 等;信息工程大学学报(第1期);95-99 * |
崔笑博 ; 吴量 ; 储含 ; .Watterson模型下的信号自动调制识别算法.信息与电脑(理论版).2011,1-5. * |
Also Published As
Publication number | Publication date |
---|---|
CN116484180A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
US11783196B2 (en) | Radio signal identification, identification system learning, and identifier deployment | |
Zhang et al. | NAS-AMR: Neural architecture search-based automatic modulation recognition for integrated sensing and communication systems | |
Zhang et al. | Signal detection and classification in shared spectrum: A deep learning approach | |
CN107729916B (zh) | 一种基于isodata的干扰源分类识别算法 | |
CN109633588A (zh) | 基于深度卷积神经网络的雷达辐射源识别方法 | |
Wang et al. | Automatic modulation classification exploiting hybrid machine learning network | |
KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
Li et al. | A new feature extraction algorithm based on entropy cloud characteristics of communication signals | |
Gong et al. | Multi-task based deep learning approach for open-set wireless signal identification in ISM band | |
Fonseca et al. | Radio access technology characterisation through object detection | |
JP6801564B2 (ja) | パラメータ確定方法、干渉分類識別方法及びその装置 | |
Mabunga et al. | Utilization of different wireless technologies’ rssi for indoor environment classification using support vector machine | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
Pianegiani et al. | Energy-efficient signal classification in ad hoc wireless sensor networks | |
CN113406574B (zh) | 一种对多功能雷达工作模式序列的在线聚类方法 | |
CN116484180B (zh) | 一种提取通信信号基因的***与方法 | |
CN105743756A (zh) | WiFi***中基于adaboost算法的帧检测方法 | |
Wang et al. | Adaptive compressed sensing architecture in wireless brain-computer interface | |
Chirov et al. | Spectrum Occupancy Prediction Algorithm Using Artificial Neural Networks | |
Tang et al. | Open set recognition algorithm based on conditional gaussian encoder | |
CN104008292A (zh) | 宽带天线超宽带电磁脉冲响应快速准确预测方法 | |
CN105262506A (zh) | 一种时频重叠高斯调幅通信信号分离方法 | |
Ren et al. | Deep Learning Based Identification Method for Signal-Level Wireless Protocol | |
Tan et al. | Dynamic open set specific emitter identification via multi‐channel reconstructive discriminant network |
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 |