-
公开(公告)号：CN113486724A
公开(公告)日：2021-10-08
申请号：CN202110649792.5
申请日：2021-06-10
Applicant: 重庆邮电大学
Abstract: 针对现有基于深度学习的调制识别方法大都忽略了不同深度学习模型之间的相互作用，以及不同信号表示能在不同层面反映信号的特性，本发明提出基于CNN‑LSTM多支流结构和多种信号表示的调制识别模型。首先将公开数据集RML2016.10a里的时域信号处理成I/Q,A/φ,循环谱图表示作为模型的输入样本。其次，构建一个基于CNN‑LSTM的多支流模型对不同信号表示进行特征提取，其中第一条支流负责提取I/Q信号表示的特征，第二条支流负责提取A/φ信号表示的特征，第三条支流负责提取循环谱信号表示的特征。最后，将三条支流提取到的特征外积以得到特征矩阵，然后通过flatten层将特征矩阵转换为特征向量，利用基于softmax的神经网络作为分类器进行分类。本发明充分考虑了不同网络之间的互补性以及不同信号表示反映的多层面特征，利用CNN和LSTM的组合结构提取信号空间上和时间上的相关信息，提高了调制识别的正确率，可实现性强，能够很好地运用到非合作通信系统的相关工程中。
-
公开(公告)号：CN113536919A
公开(公告)日：2021-10-22
申请号：CN202110649508.4
申请日：2021-06-10
Applicant: 重庆邮电大学
Abstract: 为了提高调制识别的正确率，本发明提出基于数据增强和卷积神经网络的信号调制识别算法。本发明首先把数据集RML2016.10a里的时域信号处理成星座图，并把图片按8:2的比例分为训练集和测试集；其次对训练集分别使用旋转、随机擦除、翻转、CutMix 4种数据增强方法进行处理，得到4种增强后的训练集；然后把4种增强后的训练集分别输入到GoogleNet网络中进行训练，根据反向传播不断优化网络参数，得到训练好的网络。最后把测试集送进训练好的GoogleNet网络中进行测试，绘制出正确率随信噪比变化的曲线，对比不同数据增强方法对正确识别率的改善效果，得到最优的数据增强方法。相比于其他没有进行数据增强的调制识别算法，本发明减小了模型过拟合的风险，提高了模型的泛化能力。
-
公开(公告)号：CN111079788A
公开(公告)日：2020-04-28
申请号：CN201911127104.8
申请日：2019-11-18
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于密度Canopy的K-means聚类方法，以密度Canopy聚类作为K-means算法的预处理步骤，通过计算数据集的样本密度、簇内样本平均距离以及簇间距离，选取密度最大样本点为第一类聚类中心，并从数据集中去除初始密度簇；定义样本密度、簇内样本平均距离的倒数和簇间距离三者乘积为权值积，在余下数据集中以权值积最大依次确定聚类中心，直到数据集为空集，并把密度Canopy聚类结果作为K-means的类别数和初始聚类中心，最终进行数据集的聚类分析。选取UCI上的数据集对算法的有效性进行比较验证，结果表明：相比传统K-means算法、基于Canopy的K-means算法、半监督K-means++算法和K-means-u*算法，本发明提出的基于密度Canopy的K-means算法的聚类准确率均有所提高。
-
公开(公告)号：CN112307927A
公开(公告)日：2021-02-02
申请号：CN202011153288.8
申请日：2020-10-26
Applicant: 重庆邮电大学
Abstract: 本发明提出了一种针对非合作通信系统中MPSK信号的类内识别的BP‑GA神经网络模型。首先根据MPSK信号的特点选取六个基于时域和频域的特征作为模型的输入样本；设计一个含两个隐藏层的BP神经网络作为调制识别的分类器，同时借助遗传算法来对神经网络的参数进行优化；最后，为了降低模型对信噪比的敏感性，打乱训练样本的信噪比有序性之后再作为网络模型的输入进行网络训练。相比较现有的基于BP神经网络的调制识别算法而言，提高了低信噪比下MPSK信号的识别准确率。此外，本发明可实现性强，识别准确率高，能够很好地运用到非合作通信系统的相关工程里。
-
-
-
Search Results
4
records
(took 0.013 seconds)
