[发明专利]一种调制方式确定方法及装置有效
申请号: | 202010035166.2 | 申请日: | 2020-01-13 |
公开(公告)号: | CN111277523B | 公开(公告)日: | 2021-05-07 |
发明(设计)人: | 冯志勇;黄赛;林春生;张奇勋;尉志青 | 申请(专利权)人: | 北京邮电大学 |
主分类号: | H04L27/00 | 分类号: | H04L27/00;G06N3/04 |
代理公司: | 北京柏杉松知识产权代理事务所(普通合伙) 11413 | 代理人: | 马敬;项京 |
地址: | 100876 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 调制 方式 确定 方法 装置 | ||
1.一种调制方式确定方法,其特征在于,所述方法包括:
获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,包括:
将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;将所述预设各调制方式中概率最大的调制方式,作为所述已调信号的调制方式;其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率;
所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率,包括:
通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
Pm表示所述预设各调制方式中第m个调制方式的概率,e表示自然常数,a表示第一预设系数,F表示所述第二特征向量,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值,b表示第二预设系数,K表示所述预设各调制方式的数目,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值,所述权重系数向量中一个元素为所述第二特征向量中对应的一个特征元素的权重系数。
2.根据权利要求1所述的方法,其特征在于,所述获取已调信号的循环相关熵谱密度,包括:
基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
3.根据权利要求1所述的方法,其特征在于,所述基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征,包括:
基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京邮电大学,未经北京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010035166.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种用于安防设备运行状态监控的装置
- 下一篇:彩票兑奖服务系统和方法