-
公开(公告)号：CN113312996B
公开(公告)日：2023-04-18
申请号：CN202110545114.4
申请日：2021-05-19
Applicant: 哈尔滨工程大学
IPC: G06F18/10 , G06F18/23211 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/14 , G06F17/18
Abstract: 本发明公开了一种混叠短波通信信号检测与识别方法，包括：步骤1：对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化；步骤2：滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作，调整信号带宽；步骤3：保存滑窗内容：步骤4：基于深度学习模型进行分类识别：步骤5：绘制短波频段通信信号分布图。本发明不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。
-
公开(公告)号：CN116680608A
公开(公告)日：2023-09-01
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
公开(公告)号：CN113312996A
公开(公告)日：2021-08-27
申请号：CN202110545114.4
申请日：2021-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种混叠短波通信信号检测与识别方法，包括：步骤1：对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化；步骤2：滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作，调整信号带宽；步骤3：保存滑窗内容：步骤4：基于深度学习模型进行分类识别：步骤5：绘制短波频段通信信号分布图。本发明不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。
-
公开(公告)号：CN116680608B
公开(公告)日：2024-10-18
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
-
-
Search Results
4
records
(took 0.02 seconds)
