CN119441987A 基于深度学习的双模通信信号识别方法 （浙江纵辉电气科技有限公司）

本发明公开了一种基于深度学习的双模通旨在解决传统深度学习算法通常采用简单的神基础设施之间的通信以及交通管理中心与各交有提高模型对复杂特征的处理能力和识别精度2在智能交通通信场景下，通信信号来自车辆之间的车联网之间的通信以及交通管理中心与各交通节点之间其中自适应噪声去除算法可根据信号的特性动其中这里i是用于遍历滤波窗口内信号点的索通过信号放大、滤波等手段进行信号增强。信号放大可以采用线性3这里xmax和xmin分别表示原始信号中的最大值和最小值，y(n)归一化后在时间点n处的还可采用短时傅里叶变换(STFT)分析方法，以提取更丰富的时4这里n表示离散时间点的索引，k表示离散频率点的索引，X(k)5先使用傅里叶变换得到信号的基本频率分布，再利用小波变换对可以根据信号的特点选择不同的小波基函数，如Haar小波和Daubechi设计一种深度神经网络模型，该模型能够同时接收6这里X表示输入特征，Y表示注意力机制或残差网络的输出结果，Att注意力加权是通过学习一个注意力权重矩阵，对时域特征和频域特征进行加权融合，Y=αT+(1_α)F通过调整模型参数、选择合适的优化器、设计合理的损失函数的方7L=αLce+βLmse将待识别的双模通信信号经过预处理、时域特征提取和频域特8准确率反映了分类结果的整体准确性，召回率反映了若信号质量低于预设阈值，系统可以自动调整采样参数或采取额外的信号增强措施，能量分布通过计算信号的能量谱密度得到，设信号的傅里如计算信号的瞬时频率、瞬时幅度等随时间变化的如计算频域信号的偏度和峰度统计量，这些统计量可以提9设新数据为Dnew，旧模型参数为θold，则新模型参数可以通过在旧模型参数的基础[0003]目前在采用深度学习算法对双模通信信号进行识别时，在构建深度学习模型方设施之间的通信以及交通管理中心与各交通节点之间[0021]其中这里i是用于遍历滤波窗口内信号点[0030]归一化方法选择最大最小归一化，设原始信号为x(n)，最大值为xmax，最小值为[0072]小波变换可以对信号进行多分辨率分析，适用于非平稳信号的处理，设信号为x[0087]设计一种深度神经网络模型，该模型能够同时接收时域特征和频域特征作为输[0101]引入注意力机制和残差网络结构，以提高模型对复杂特征的处理能力和识别精为j,则损失函数为[0164]设信号为x(t噪声为n(t则信噪比为[0180]本发明通过设计深度神经网络模型，能够同时接收时域特征和频域特征作为输[0200]2、本发明还通过使用大量已标记双模通信信号数据进行训练，通过调整模型参设施之间的通信以及交通管理中心与各交通节点之间[0219]其中这里i是用于遍历滤波窗口内信号点[0228]归一化方法选择最大最小归一化，设原始信号为x(n)，最大值为xmax，最小值为[0270]小波变换可以对信号进行多分辨率分析，适用于非平稳信号的处理，设信号为x[0285]设计一种深度神经网络模型，该模型能够同时接收时域特征和频域特征作为输[0299]引入注意力机制和残差网络结构，以提高模型对复杂特征的处理能力和识别精为j,则损失函数为