CN119402323A 一种基于傅里叶级数特征的神经网络辅助调制格式识别方法、系统及设备 (北京邮电大学)_第1页
CN119402323A 一种基于傅里叶级数特征的神经网络辅助调制格式识别方法、系统及设备 (北京邮电大学)_第2页
CN119402323A 一种基于傅里叶级数特征的神经网络辅助调制格式识别方法、系统及设备 (北京邮电大学)_第3页
CN119402323A 一种基于傅里叶级数特征的神经网络辅助调制格式识别方法、系统及设备 (北京邮电大学)_第4页
CN119402323A 一种基于傅里叶级数特征的神经网络辅助调制格式识别方法、系统及设备 (北京邮电大学)_第5页
已阅读5页,还剩23页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于傅里叶级数特征的神经网络辅助本发明公开了一种基于傅里叶级数特征的信噪比范围内以较低的计算复杂度在光纤通信2S1、对各调制格式和信噪比的历史信号进行调制格式不敏感S3、对历史幅度分布集进行傅里叶级数分解,将分解2.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方对于历史信号集s={s1(t),s2(t),…,sw(t)},首先对每个信号s:(t)逐点提取其幅值,得到幅值序列At={Isi(t)It=1,2,…,T},其中Ti是信号的采样点数量;将所有信号的幅度分布集合成历史幅度分布集pset={P,P2,…,P},避免相位损伤对3.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方对历史幅度分布集pset={P,P2,…,P}中的每个幅度分布3所有信号的傅里叶特征集合成历史幅度分布特4.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方5.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方6.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方对实际信号的幅度分布preal=fpreal,1,prealz…,preal,Brea}进行傅里叶级数分解,高阶分量包括余弦分量creal,n和正弦分量brealn,分别表示幅度分布在高频部4n=1,2,…,M其中计算时通常截断到特定阶数Mreal,以平衡计算复杂度和特征,这些特征可以有效地捕7.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方过多层处理后,网络输出层生成每个调制格式类别的预测概率Jreal,c,根据概率最大值对过程能够在实时通信系统中高效运行,适应动态信号环境,为调制格式的准确识别提供保障。8.根据权利要求1所述的一种基于傅里叶级数特征的神经网络辅助调制格式识别方9.一种基于傅里叶级数特征的神经网络辅助序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1_7中任一项所述处理器执行时实现如权利要求1_7中任一项所述的一种基于傅里叶级数特征的神经网络辅56[0017]对于历史信号集s={s1(t),s2(t),…,sw(t)},首先对每个信号si(t)逐点提取其幅值,得到幅值序列A={Isi(t)It=1,2,…,T},其中Ti是信号的采样点数量;7,所有信号的傅里叶特征集合成历史幅度分布特征集Fset={F,F2,…,FW},为后续模型训练提供特征输入。隐藏层通过非线性激活函数提取特征间的复杂关系,输出层根据调制格式类别数生成预[0036]对于实际待识别信号sreai(t),首先对其幅值进行提取并归一化,形成幅值序Areal={Isreai(t)lIt=1,2,…,Trea},其中Treal是信号的采样点数,采用幅值提取能够有效避免相位损伤对调制格式识别性能的影响;[0041]最终得到信号的幅度分布preal=fpreal,1,preal,2,…,preal,brea},为后续傅里8[0043]对实际信号的幅度分布preal=fpreal,1,preal,2,…,preal,brea}进行傅里叶级数[0048]n=1,2,…,M[0049]其中计算时通常截断到特定阶数Mreal,以平衡计算复杂度和[0057]h!=p(w().h(-1)+bI))9[0059]根据概率最大值对应的类别标签yreal,最终实现大信噪比范围下特征的高精度器运行所述计算机程序以使所述电子设备执行上述基于傅里叶级数特征的神经网络辅助[0072]图1为本发明所提供的基于傅里叶级数特征的神经网络辅助调制格式识别方法流[0075]图4为本发明所实施例1所提供的一种基于傅里叶级数特征的神经网络辅助调制技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范S={s1(t),s2(t),.…,sw(t)},首先对每个信号s:(t)逐点提取其幅值,得到幅值序列At={Isi(t)It=1,2,…,T},其中Ti是信号的采样点数量,然后,根据归一化后信号幅区间统计幅值的出现频率hix,直方统计反映了率分布pi,k:性,将所有信号的幅度分布集合成历史幅度分布集pet={R,pr,…,P},避免相位损伤所有信号的傅里叶特征集合成历史幅度分布特征集Fset={F,F2,…,FW},为后续模型训练提供特征输入。值进行提取并归一化,形成幅值序Areal={Isreai(t)lIt=1,2,…,Trea},其中Treal是[0106]最终得到信号的幅度分布preal=fpreal,1,preal,2,…,preal,brea},为后续傅里preal=fpreal,1,preal,2,…,preal,brea}进行傅里叶级数分解,提取直流分量和高阶分量,[0122]h!=p(w().h(-1)+bI

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论