-
公开(公告)号：CN114595729B
公开(公告)日：2025-02-07
申请号：CN202210336623.0
申请日：2022-04-01
Applicant: 吉林大学
IPC: G06F18/2431 , G06F18/10 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0985
Abstract: 本发明提出了一种基于残差神经网络与元学习融合的通信信号调制识别方法，属于通信技术领域，包括方法：通信调制信号获取；子任务划分；残差神经网络构建；抽取样本；更新残差神经网络参数；更新元学习损失函数；更新残差神经网络初始参数；迭代；确定用于测试信号的残差神经网络参数；将最终测试通信信号输入到残差神经网络，得到最终的分类结果。本发明将残差神经网络与元学习的方法相融合，该方法可以有效学习到信号的良好特征，解决网络模型泛化能力弱的问题，且仅需少量样本即可完成信号的识别。
-
公开(公告)号：CN114520758B
公开(公告)日：2024-11-01
申请号：CN202111506378.5
申请日：2021-12-10
Applicant: 吉林大学
IPC: H04L27/00 , G06F18/2431 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 一种基于瞬时特征的信号调制识别方法属于通信技术领域。本发明采用瞬时功率谱求出信号的瞬时幅度和瞬时频率序列，用经典希尔伯特变换求出相位序列，针对幅移键控信号(MASK)、频移键控信号(MFSK)和相移键控信号(MPSK)本身的特点，采用三支路并行的卷积神经网络‑长短时记忆网络对六种通信信号进行调制识别，不需要像经典的瞬时统计特征参数采用的机器学习分类器如决策树和支持向量机等需要在预处理后进行特征参数提取的步骤，减少了计算瞬时统计参数的复杂度，提升了低信噪比下识别准确率的问题，通过设计三支路并行融合的网络结构，可以提高由单一特征进行分类识别的准确性。
-
公开(公告)号：CN112929053B
公开(公告)日：2022-02-22
申请号：CN202110258849.9
申请日：2021-03-10
Applicant: 吉林大学
Abstract: 本发明公开了一种跳频信号特征提取与参数估计方法,克服了现有技术具有时间和频率分辨率相互制约、存在交叉项及TT变换对噪声敏感问题，步骤：1.跳频信号采样；2.作平滑伪Wigner时频变换；3.作基于SPWVD变换的TT变换；4.绘制SPWVD‑TT变换图；5.提取得到的SPWVD‑TT变换图中“眼状”结构最外圈等高线；6.求上包络曲线，去直流分量；7.估计跳频周期：对去除直流分量后的上包络曲线进行傅里叶变换，得到的幅频图中幅度最大值对应的频率即为跳频速率估计值，跳频速率取倒数即为跳频周期估计值；8.估计跳频时刻：通过其余峰值时间点t1,t2,...,tk‑1对跳频时刻进行估计；通过累加平均法减小误差，初始跳频时刻估计值为
-
公开(公告)号：CN112929053A
公开(公告)日：2021-06-08
申请号：CN202110258849.9
申请日：2021-03-10
Applicant: 吉林大学
Abstract: 本发明公开了一种跳频信号特征提取与参数估计方法,克服了现有技术具有时间和频率分辨率相互制约、存在交叉项及TT变换对噪声敏感问题，步骤：1.跳频信号采样；2.作平滑伪Wigner时频变换；3.作基于SPWVD变换的TT变换；4.绘制SPWVD‑TT变换图；5.提取得到的SPWVD‑TT变换图中“眼状”结构最外圈等高线；6.求上包络曲线，去直流分量；7.估计跳频周期：对去除直流分量后的上包络曲线进行傅里叶变换，得到的幅频图中幅度最大值对应的频率即为跳频速率估计值，跳频速率取倒数即为跳频周期估计值；8.估计跳频时刻：通过其余峰值时间点t1,t2,...,tk‑1对跳频时刻进行估计；通过累加平均法减小误差，初始跳频时刻估计值为
-
公开(公告)号：CN114520758A
公开(公告)日：2022-05-20
申请号：CN202111506378.5
申请日：2021-12-10
Applicant: 吉林大学
Abstract: 一种基于瞬时特征的信号调制识别方法属于通信技术领域。本发明采用瞬时功率谱求出信号的瞬时幅度和瞬时频率序列，用经典希尔伯特变换求出相位序列，针对幅移键控信号(MASK)、频移键控信号(MFSK)和相移键控信号(MPSK)本身的特点，采用三支路并行的卷积神经网络‑长短时记忆网络对六种通信信号进行调制识别，不需要像经典的瞬时统计特征参数采用的机器学习分类器如决策树和支持向量机等需要在预处理后进行特征参数提取的步骤，减少了计算瞬时统计参数的复杂度，提升了低信噪比下识别准确率的问题，通过设计三支路并行融合的网络结构，可以提高由单一特征进行分类识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN112800863A
公开(公告)日：2021-05-14
申请号：CN202110028826.9
申请日：2021-01-11
Applicant: 吉林大学
IPC: G06K9/00
Abstract: 本发明涉及一种用于通信信号调制模式识别的时频特征提取方法及系统，获取原始通信信号并进行零均值化；获取零均值化后的通信信号的三阶累积量切片谱；根据三阶累积量切片谱判断零均值化后的通信信号的主要频率分量个数，从而确定VMD分解的分解层数和最佳分解层数；根据最佳分解层数，对原始通信信号进行VMD分解，得到本征模态函数分量，对每个本征模态函数分量计算零时延四阶累积量；根据基于高阶累积量的判定准则，判断每个本征模态函数分量是否为有用信号分量；对所有有用信号分量分别做ZAM时频变换，变换后的时频信号分量叠加，得到原始通信信号的时频特征。本发明将VMD分解与ZAM时频分析方法相结合，提高了时频特征提取的准确性。
-
公开(公告)号：CN112800862B
公开(公告)日：2022-08-02
申请号：CN202110027783.2
申请日：2021-01-11
Applicant: 吉林大学
Abstract: 本发明涉及一种非平稳信号时频矩阵重构方法及系统，先计算采样序列选取不同核参数时的Choi‑Williams变换，得到与每一核参数对应的时频矩阵，再分别对每一时频矩阵取模，得到幅值矩阵，计算每一幅值矩阵中每一列的瞬时归一化熵，得到熵值矩阵。最后选取熵值矩阵中每一行的最小值，记最小值为Rnk，则选取第k个核参数对应的幅值矩阵中的第n列作为重构时频矩阵的第n列，得到重构时频矩阵，进而本发明重构的时频矩阵，其每一时间点所在列都是在该时间点的最优核参数下计算得到的，从而保证每一列都具备时频聚集性与交叉项抑制的综合最优性能，通过每一时间点的最优实现整体的最优，从而达到对时频分析整体性能优化的目的。
-
公开(公告)号：CN112800863B
公开(公告)日：2022-07-01
申请号：CN202110028826.9
申请日：2021-01-11
Applicant: 吉林大学
IPC: G06K9/00
Abstract: 本发明涉及一种用于通信信号调制模式识别的时频特征提取方法及系统，获取原始通信信号并进行零均值化；获取零均值化后的通信信号的三阶累积量切片谱；根据三阶累积量切片谱判断零均值化后的通信信号的主要频率分量个数，从而确定VMD分解的分解层数和最佳分解层数；根据最佳分解层数，对原始通信信号进行VMD分解，得到本征模态函数分量，对每个本征模态函数分量计算零时延四阶累积量；根据基于高阶累积量的判定准则，判断每个本征模态函数分量是否为有用信号分量；对所有有用信号分量分别做ZAM时频变换，变换后的时频信号分量叠加，得到原始通信信号的时频特征。本发明将VMD分解与ZAM时频分析方法相结合，提高了时频特征提取的准确性。
-
公开(公告)号：CN114595729A
公开(公告)日：2022-06-07
申请号：CN202210336623.0
申请日：2022-04-01
Applicant: 吉林大学
Abstract: 本发明提出了一种基于残差神经网络与元学习融合的通信信号调制识别方法，属于通信技术领域，包括方法：通信调制信号获取；子任务划分；残差神经网络构建；抽取样本；更新残差神经网络参数；更新元学习损失函数；更新残差神经网络初始参数；迭代；确定用于测试信号的残差神经网络参数；将最终测试通信信号输入到残差神经网络，得到最终的分类结果。本发明将残差神经网络与元学习的方法相融合，该方法可以有效学习到信号的良好特征，解决网络模型泛化能力弱的问题，且仅需少量样本即可完成信号的识别。
-
公开(公告)号：CN112800862A
公开(公告)日：2021-05-14
申请号：CN202110027783.2
申请日：2021-01-11
Applicant: 吉林大学
Abstract: 本发明涉及一种非平稳信号时频矩阵重构方法及系统，先计算采样序列选取不同核参数时的Choi‑Williams变换，得到与每一核参数对应的时频矩阵，再分别对每一时频矩阵取模，得到幅值矩阵，计算每一幅值矩阵中每一列的瞬时归一化熵，得到熵值矩阵。最后选取熵值矩阵中每一行的最小值，记最小值为Rnk，则选取第k个核参数对应的幅值矩阵中的第n列作为重构时频矩阵的第n列，得到重构时频矩阵，进而本发明重构的时频矩阵，其每一时间点所在列都是在该时间点的最优核参数下计算得到的，从而保证每一列都具备时频聚集性与交叉项抑制的综合最优性能，通过每一时间点的最优实现整体的最优，从而达到对时频分析整体性能优化的目的。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
