基于深度学习的互联网接收机中特定信号识别
电子技术应用
宁昭义，许国宏，王耀磊
中国电子科技集团公司第二十二研究所
摘要： 随着软件无线电技术和互联网技术的发展，有大量的互联网接收机接入互联网，并可任意访问其频谱瀑布图数据。频谱瀑布图是信号频域和时域特性的一种展示方式，将不同频率的信号以图像的方式直观地进行展示，为了更好地监测到频谱瀑布图中的特定信号，需要对频谱瀑布图中的特定信号进行智能识别。通过深度学习技术实现了对频谱瀑布图中特定信号识别，在信噪比大于5 dB时，识别准确率大于90%。
中圖分類號：TN924；TP391 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.234739
中文引用格式： 寧昭義，許國宏，王耀磊. 基于深度學(xué)習的互聯(lián)網(wǎng)接收機中特定信號識別[J]. 電子技術(shù)應(yīng)用，2024，50(5)：66-70.
英文引用格式： Ning Zhaoyi，Xu Guohong，Wang Yaolei. Specific signal recognition in internet receivers based on deep learning[J]. Application of Electronic Technique，2024，50(5)：66-70.
中文引用格式： 寧昭義，許國宏，王耀磊. 基于深度學(xué)習的互聯(lián)網(wǎng)接收機中特定信號識別[J]. 電子技術(shù)應(yīng)用，2024，50(5)：66-70.
英文引用格式： Ning Zhaoyi，Xu Guohong，Wang Yaolei. Specific signal recognition in internet receivers based on deep learning[J]. Application of Electronic Technique，2024，50(5)：66-70.
Specific signal recognition in internet receivers based on deep learning
Ning Zhaoyi，Xu Guohong，Wang Yaolei
The 22th Research Institute of CETC
Abstract： With the development of Software Defined Radio（SDR） technology and internet technology, a large number of internet receivers are connected to the internet and can access their spectrum waterfall data at will. Spectral waterfall plot is a way to display the frequency domain and time domain characteristics of signals, visually displaying signals of different frequencies in the form of images. In order to better monitor specific signals in the spectral waterfall plot, it is necessary to intelligently identify specific signals in the spectrogram. This article uses deep learning technology to recognize specific signals in the waterfall spectrum, and the recognition accuracy is more than 90% when the signal-to-noise ratio is more than 5 dB.
Key words : SDR；deep learning；internet receiver；waterfall
引言
信號檢測提取一般用于判斷接收到的數(shù)據(jù)中是否存在實際應(yīng)用中所需要的信號，它是信號處理的前端技術(shù)。但是檢測性能容易受到不同信道中的噪聲強度影響，信噪比的值越大，利用檢測技術(shù)在檢測期間出現(xiàn)錯誤和漏檢的可能性就越低。如今單靠人工識別提取信號困難較大，本文提出了一種基于深度學(xué)習的方法，可從互聯(lián)網(wǎng)接收機的頻譜瀑布圖數(shù)據(jù)中提取特定信號，極大地提升了信號識別的效率。
隨著人工智能技術(shù)的發(fā)展，在圖像識別領(lǐng)域，機器學(xué)習和深度學(xué)習等人工智能識別方法得到更廣泛的應(yīng)用[1-11]。單慧琳等將深度學(xué)習應(yīng)用到了景點圖像識別領(lǐng)域，針對傳統(tǒng)哈希算法以及深度哈希算法存在的不足，改進了現(xiàn)有的特征提取方法，并提出一種基于深度學(xué)習的哈希檢索方法，實現(xiàn)了查準率95.69%、查全率93.36%、F1測度值94.51%的良好效果[5]。王麗君等提出了通過卷積長短時深度神經(jīng)網(wǎng)絡(luò)進行人員行為識別，所需的訓(xùn)練時間和前向的識別時間分別下降了14%和10%[12]。
本文詳細內(nèi)容請下載：
http://m.ihrv.cn/resource/share/2000005990
作者信息：
寧昭義，許國宏，王耀磊
（中國電子科技集團公司第二十二研究所，山東 青島 266107）
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。