-
公开(公告)号：CN116680608B
公开(公告)日：2024-10-18
申请号：CN202310505266.0
申请日：2023-05-08
申请人： 哈尔滨工程大学
IPC分类号： G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
摘要： 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
公开(公告)号：CN117061356A
公开(公告)日：2023-11-14
申请号：CN202310885844.8
申请日：2023-07-19
申请人： 哈尔滨工程大学
摘要： 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种面向感知网络的目标通信网络拓扑结构还原方法。本发明包括使用感知网络持续接收目标通信网络辐射的信号；以固定的时间间隔从连续采集的接收信号中提取离散的通信事件；将所有的通信事件建模为改进多维霍克斯过程，整理出似然函数；利用期望最大化算法求解似然函数，从解图结构中提取目标通信网络拓扑结构。本发明将感知网络接收的目标通信网络通信事件建模为统一的模型，能够综合考虑感知网络节点和通信网络节点对通信的影响；输出的是感知网络和目标通信网络综合的图结构表达，比一般的矩阵表现力更丰富，通过期望最大算法多次迭代即可算得最终的感知网络与目标通信网络的图结构。
-
公开(公告)号：CN116684233A
公开(公告)日：2023-09-01
申请号：CN202310710751.1
申请日：2023-06-15
申请人： 哈尔滨工程大学
摘要： 一种基于图像显著性检测的通信信号调制识别方法，它涉及一种通信信号调制识别方法。本发明为了解决现有通信信号调制识别方法不能在低信噪比情况下有效去除时频图像中背景噪声，导致对通信信号的调制识别准确率较低的问题。本发明能够在低信噪比情况下有效去除时频图像中的背景噪声，提高对通信信号的调制识别准确率。本发明属于通信信号调制识别技术领域。
-
公开(公告)号：CN116684032B
公开(公告)日：2024-09-13
申请号：CN202310723493.0
申请日：2023-06-19
申请人： 哈尔滨工程大学
IPC分类号： H04K3/00
摘要： 一种面向分布式系统的智能协同干扰方法，它涉及一种智能协同干扰方法。本发明为了解决现有通信干扰决策算法需要各干扰站逐步干扰通信节点并评估每次干扰效果，效率较低，在真是作战场景实用性很低的问题。通过本发明提出的分布式协同侦察方法确定干扰频点完善干扰决策求解空间，依据干扰机优先级选择一台干扰机承担集中运算任务在其上完成干扰目标分配，每台干扰机各自独立运行单智能体强化学习算法决策干扰功率与干扰波形，在承担集中运算任务的干扰机上汇总每台干扰机评估的对各自目标的干扰效果并根据干扰效果调整干扰目标、干扰功率及干扰波形。本发明属于通信对抗干扰决策技术领域。
-
公开(公告)号：CN116684032A
公开(公告)日：2023-09-01
申请号：CN202310723493.0
申请日：2023-06-19
申请人： 哈尔滨工程大学
IPC分类号： H04K3/00
摘要： 一种面向分布式系统的智能协同干扰方法，它涉及一种智能协同干扰方法。本发明为了解决现有通信干扰决策算法需要各干扰站逐步干扰通信节点并评估每次干扰效果，效率较低，在真是作战场景实用性很低的问题。通过本发明提出的分布式协同侦察方法确定干扰频点完善干扰决策求解空间，依据干扰机优先级选择一台干扰机承担集中运算任务在其上完成干扰目标分配，每台干扰机各自独立运行单智能体强化学习算法决策干扰功率与干扰波形，在承担集中运算任务的干扰机上汇总每台干扰机评估的对各自目标的干扰效果并根据干扰效果调整干扰目标、干扰功率及干扰波形。本发明属于通信对抗干扰决策技术领域。
-
公开(公告)号：CN116684233B
公开(公告)日：2024-10-18
申请号：CN202310710751.1
申请日：2023-06-15
申请人： 哈尔滨工程大学
摘要： 一种基于图像显著性检测的通信信号调制识别方法，它涉及一种通信信号调制识别方法。本发明为了解决现有通信信号调制识别方法不能在低信噪比情况下有效去除时频图像中背景噪声，导致对通信信号的调制识别准确率较低的问题。本发明能够在低信噪比情况下有效去除时频图像中的背景噪声，提高对通信信号的调制识别准确率。本发明属于通信信号调制识别技术领域。
-
公开(公告)号：CN116566777B
公开(公告)日：2024-03-12
申请号：CN202310504648.1
申请日：2023-05-08
申请人： 哈尔滨工程大学
IPC分类号： H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
摘要： 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤：步骤1：提取跳频信号的节点特征；步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；步骤3：根据跳频信号图域转换数据构建图卷积神经网络GCN模型；步骤4：利用训练样本集合训练GCN模型，将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上，提取多种节点特征，减少了参数和计算量且抗噪声性能好，构建的GCN模型可以获取受信噪比影响较小的空间结构信息，在保证了识别准确率的基础上网络层数少，实时性好。
-
公开(公告)号：CN116680608A
公开(公告)日：2023-09-01
申请号：CN202310505266.0
申请日：2023-05-08
申请人： 哈尔滨工程大学
IPC分类号： G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
摘要： 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
公开(公告)号：CN116566777A
公开(公告)日：2023-08-08
申请号：CN202310504648.1
申请日：2023-05-08
申请人： 哈尔滨工程大学
IPC分类号： H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
摘要： 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤：步骤1：提取跳频信号的节点特征；步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；步骤3：根据跳频信号图域转换数据构建图卷积神经网络GCN模型；步骤4：利用训练样本集合训练GCN模型，将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上，提取多种节点特征，减少了参数和计算量且抗噪声性能好，构建的GCN模型可以获取受信噪比影响较小的空间结构信息，在保证了识别准确率的基础上网络层数少，实时性好。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.027 秒)
