公开(公告)号：CN118568590A

公开(公告)日：2024-08-30

申请号：CN202410633128.5

申请日：2024-05-21

Applicant: 重庆邮电大学

Inventor： 裴二荣 ,  何侑泽 ,  黎伟 ,  孙远欣 ,  叶荣飞 ,  曾纪

IPC: G06F18/2415 ,  G06F18/25 ,  G06F18/2131 ,  G06F18/214 ,  G06N3/0464 ,  H04K3/00

Abstract: 本发明属于干扰识别领域，具体涉及一种基于Conv‑KANformer的神经网络干扰识别方法，包括如下步骤：S1：构建干扰数据库，采用短时傅里叶变换提取干扰时频图；对时频图进行剪裁、缩放、构建标签信息等预处理操作，确保数据的准确性和一致性；S2：搭建Conv‑KANformer神经网络框架，该网络由多尺度卷积特征提取模块、KANformer全局特征提取模块、分类模块构成，其中，多尺度卷积特征提取模块包含四层不同大小的卷积核，从而提取不同感受野特征；KANformer全局特征提取模块引入科尔莫格罗夫‑阿诺德网络(Kolmogorov–Arnold Networks，KAN)改进传统transformer结构；分类模块引入KAN完成7种干扰信号分类；S3：通过交叉熵损失函数完成模型离线训练，获得干扰识别模型；S4：利用干扰识别模型完成在线干扰识别。本发明提出一种基于Conv‑Kanformer的神经网络干扰识别方法，能够在较低干噪比下识别7种干扰类型。

公开(公告)号：CN118540733A

公开(公告)日：2024-08-23

申请号：CN202410461332.3

申请日：2024-04-17

Applicant: 重庆邮电大学

Inventor： 裴二荣 ,  何侑泽 ,  黎伟 ,  孙远欣 ,  叶荣飞 ,  曾纪

IPC: H04W24/08 ,  H04W24/10 ,  H04B17/345 ,  H04L27/00

Abstract: 本发明属于无线通信技术领域，具体涉及一种联合局部全局特征的双分支干扰识别方法。该方法首先生成一个干扰信号数据集，随后通过短时傅里叶变换提取时频图，并对这些时频图进行预处理，以确保数据的准确性和一致性，从而为后续的有效识别奠定坚实基础。接着，基于预处理后的数据集，构建与之相匹配的标签信息。在训练过程中，采用双分支特征融合框架的神经网络模型，并运用交叉熵损失函数进行训练。双分支特征融合框架包括二维卷积特征提取器、Transformer特征提取器、多分类器三个部分，其中二维卷积负责捕捉时频图的局部特征，而Transformer则负责捕捉全局特征。通过将局部特征与全局特征进行融合，获取到更高阶的语义信息。多分类器则通过高阶语义信息预测输入干扰的类型。本发明提出一种联合局部全局特征的双分支干扰识别方法，能够在较低干噪比下识别干扰类型。

公开(公告)号：CN118432987A

公开(公告)日：2024-08-02

申请号：CN202410461341.2

申请日：2024-04-17

Applicant: 重庆邮电大学

Inventor： 裴二荣 ,  何侑泽 ,  黎伟 ,  孙远欣 ,  叶荣飞 ,  曾纪

IPC: H04L25/03 ,  H04B15/00 ,  H04B17/345 ,  H04B17/391

Abstract: 本发明属于无线通信技术领域，具体涉及一种基于源最大化双路径transformer的复合干扰分离方法。该方法首先生成11种复合干扰信号数据集，并对其进行预处理，确保数据的准确性和一致性，为后续有效分离奠定基础。随后，构建真实标签信息。在训练过程中，神经网络模型整体采用编码层‑分离层‑解码层，损失函数为均方误差。其中，编码层采用一维卷积模块构建特征信息。分离层采用双路径架构，将编码的序列构建为块内块间形式，从而引入直接上下文感知信息，并使用改进的Transformer对长时间序列深度感知，挖掘更丰富的特征信息，得到更好的掩码信息。解码层则采用重叠相加来重构干扰信号。模型输出采用源最大化的方式，并联合静默检测方法，对输出通道进行判决。本发明通过构建双路径Transformer神经网络架构，能够实现对复合数目不同的干扰信号快速分离，为干扰认知的进一步发展提供了有力的技术支持。