-
题名基于纹理特征的背景噪声提取的应用研究
被引量：16
- 1
-
-
作者
冯霞
龚晓峰
张利丹
武瑞娟
-
机构
四川大学电气信息学院
成都华日通讯技术有限公司
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2009年第9期2092-2095,共4页
-
文摘
无线电频谱监测中,背景噪声的检测滤波和提取是影响频谱监测的最关键因素之一.文中提出了一种基于纹理特征的背景噪声提取方法,该方法采用平滑滤波阈值限定法实现背景噪声纹理特征的提取,从而实现背景噪声的提取,达到信噪分离的目的.通过大量的试验和工程应用证明,该方法对背景噪声提取的有效性不受硬件设备、频段背景噪声分布和信号带宽等影响,能够很好地提取背景噪声,实现信噪分离.
-
关键词
背景噪声
特征提取
纹理
平滑滤波
-
Keywords
background noise
feature extraction
texture
smoothing filtering
-
分类号
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于深度学习的复合神经网络机场信号检测框架
被引量：9
- 2
-
-
作者
侯进
吕志良
徐茂
吴佩军
刘雨灵
张笑语
陈曾
-
机构
西南交通大学信息科学与技术学院
成都华日通讯技术有限公司
-
出处
《西南交通大学学报》
EI
CSCD
北大核心
2019年第4期863-869,878,共8页
-
基金
浙江大学CAD&CG国家重点实验室开放课题(A1923)
成都市科技项目(2015-HM01-00050-SF)
-
文摘
针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架.该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征.基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.
-
关键词
调制识别
卷积神经网络
深度学习
载波特征
时频特征
-
Keywords
modulation recognition
convolutional neural network
deep learning
carrier features
timefrequency features
-
分类号
V221.3
[航空宇航科学与技术—飞行器设计]
-
-
题名一种基于星座图恢复的多进制相位调制信号识别算法
被引量：13
- 3
-
-
作者
吴佩军
侯进
吕志良
桂梅书
张笑语
陈曾
-
机构
西南交通大学信息科学与技术学院
成都华日通讯技术有限公司
-
出处
《电讯技术》
北大核心
2019年第5期549-555,共7页
-
基金
成都市科技项目(2015-HM01-00050-SF)
浙江大学CAD&CG国家重点实验室开放课题(A1923)
-
文摘
在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。
-
关键词
调制信号识别
星座图恢复
聚类算法
卷积神经网络
-
Keywords
modulation signal recognition
constellation recovery
clustering algorithm
convolutional neural network
-
分类号
TN911.3
[电子电信—通信与信息系统]
-
-
题名基于卷积神经网络的多进制相位调制信号识别算法
被引量：10
- 4
-
-
作者
吴佩军
侯进
吕志良
刘雨灵
徐茂
张笑语
陈曾
-
机构
西南交通大学信息科学与技术学院
成都华日通讯技术有限公司
-
出处
《计算机应用与软件》
北大核心
2019年第11期202-209,共8页
-
基金
浙江大学CAD&CG国家重点实验室开放课题(A1923)
成都市科技项目(2015-HM01-00050-SF)
-
文摘
由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类.针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法.将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别.该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征.为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化.与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现.实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性.
-
关键词
调制信号识别
卷积神经网络
短时傅里叶变换
时频图
深度学习
-
Keywords
Modulation signal recognition
Convolutional neural networks
Short-time Fourier transform
Timefrequency diagram
Deep learning
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
-
题名基于卷积神经网络的无线电广播同频干扰检测
被引量：6
- 5
-
-
作者
刘雨灵
侯进
张笑语
陈曾
-
机构
西南交通大学信息科学与技术学院
成都华日通讯技术有限公司
-
出处
《计算机工程》
CAS
CSCD
北大核心
2019年第10期301-307,共7页
-
基金
浙江大学CAD&CG国家重点实验室开放课题(A1923)
成都市科技惠民技术研发项目(2015-HM01-00050-SF)
-
文摘
针对无线电干扰中较为突出的同频干扰问题,将深度学习应用于干扰信号检测,提出一种无线电调频广播同频干扰检测算法。将调频广播数据转化为能体现信号特性的小波变换时频图,并将其作为卷积神经网络(CNN)的训练数据,训练CNN学习信号的时频特征,得到干扰检测模型。实验结果表明,与传统的机器学习算法相比,该算法能更准确地检测出广播信号中是否存在同频干扰信号,其干扰检测准确率达95.0%。
-
关键词
同频干扰
调频广播信号
卷积神经网络
小波变换
特征提取
-
Keywords
same frequency interference
frequency modulation broadcast signal
Convolutional Neural Network(CNN)
wavelet transform
feature extraction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
