公开(公告)号：CN119202852B

公开(公告)日：2025-04-01

申请号：CN202411623347.1

申请日：2024-11-14

Applicant: 杭州电子科技大学

Inventor： 戴绍港 ,  熊成建 ,  徐健伟

IPC: G06F18/241 ,  G06F18/2415 ,  G06F18/10 ,  G06F18/213 ,  G06N3/042 ,  G06N3/0464

Abstract: 本发明公开了一种基于特征嵌入的图神经网络自动调制分类方法，属于信号处理技术领域。该方法通过对接收信号中的序列点进行位置互换，生成多个增强样本，从而在信号内引入位置信息，并有效扩充了单个调制信号的表达方式，为节点特征嵌入提供了有力的支撑。然后将增强样本分别输入多个结构相同的特征提取网络中，将得到的特征向量作为节点，特征向量间的相似度作为边，生成特征图结构。最后将构建的特征图结构输入图神经网络中，训练该网络用于接收信号的调制类型分类。该方法将传统神经网络的特征提取能力和图神经网络的拓扑结构分析能力相结合，有效提升了调制信号的分类性能。

公开(公告)号：CN119202852A

公开(公告)日：2024-12-27

申请号：CN202411623347.1

申请日：2024-11-14

Applicant: 杭州电子科技大学

Inventor： 戴绍港 ,  熊成建 ,  徐健伟

IPC: G06F18/241 ,  G06F18/2415 ,  G06F18/10 ,  G06F18/213 ,  G06N3/042 ,  G06N3/0464

Abstract: 本发明公开了一种基于特征嵌入的图神经网络自动调制分类方法，属于信号处理技术领域。该方法通过对接收信号中的序列点进行位置互换，生成多个增强样本，从而在信号内引入位置信息，并有效扩充了单个调制信号的表达方式，为节点特征嵌入提供了有力的支撑。然后将增强样本分别输入多个结构相同的特征提取网络中，将得到的特征向量作为节点，特征向量间的相似度作为边，生成特征图结构。最后将构建的特征图结构输入图神经网络中，训练该网络用于接收信号的调制类型分类。该方法将传统神经网络的特征提取能力和图神经网络的拓扑结构分析能力相结合，有效提升了调制信号的分类性能。

公开(公告)号：CN119070933A

公开(公告)日：2024-12-03

申请号：CN202411072222.4

申请日：2024-08-06

Applicant: 杭州电子科技大学

Inventor： 戴绍港 ,  熊成建 ,  徐健伟

IPC: H04B17/382

Abstract: 本发明公开了一种基于BDVNN的信道化智能接收方法，通过SDR设备对特定频段进行信号接收采集，在上位机的Matlab环境中，利用信道化结构对时域混叠信号进行分离，并根据能量检测方法对各个分离出的信号进行频谱感知，通过Python完成BDVNN识别网络模型训练，最终通过Matlab和Python交互的方式使用已训练BDVNN模型实现对时域混叠信号跨平台样式识别。本发明能够有效实时处理多个同时到达的混叠信号以及类型多样化信号，而且克服了Matlab环境数据采集和Python环境模型开发之间的不匹配，显著简化了开发和验证周期，避免了在Matlab端重新搭建和训练模型的繁琐工作。