专利交易市场

一种基于固定特征的调制信号增量学习方法，包括以下步骤：S1构造以64层LSTM网络层结构为模型的主干网络，数据集更新方式采用代表性记忆方法；S2损失函数为交叉熵和知识蒸馏函数，缓解灾难性遗忘问题；S3训练方式采用任务相关的门机制训练LSTM模型；S4重载上一增量阶段训练的最佳模型，重复步骤S2～S3，评估在所有测试集上的性能，直到训练完所有增量数据。本发明使得特征不再受到增量任务的影响而变化，从而保证后续的再利用，具有较高的实用价值。

本发明公开了一种P波段突发信号调制方式识别方法。利用了P波段突发信号的前导特征，解决了低信噪比环境下信号信息段特征难以区分的问题，还避免了传统信号前导自相关识别算法对信号前导先验信息的依赖以及频偏影响。该方法首先利用信号前导频谱完成图像化构造，利用不同突发信号前导规律码字所形成的频谱特征进行区分；其次，所提多语义特征融合网络既充分利用低层残差网络提取的信号前导频谱边缘轮廓等纹理特征，又融合了高层残差网络提取信号频谱抽象复杂的高级语义特征，以此解决残差网络仅利用高级抽象语义特征而忽视低级特征的问题，提高了突发信号调制方式识别性能。

本发明公开了一种基于类星座图特征的连续相位信号调制识别方法，该方法首先将待识别数字信号进入数字接收机首先做参数估计处理，包括中心频率估计以及带宽估计，并将其作为先验条件提取瞬时频率信息。其次对瞬时频率信息进行能量归一化，并构造类星座图。统计类星座图在零点和±1点附近的汇聚度与阈值比较，将信号集合进行划分。然后统计类星座图汇聚区间个数统计特征量与阈值比较划分其余信号集合。最后针对划分后剩余的信号集合，通过四次方谱估计信号的符号速率，归一化频率方差并与阈值比较，完成最后的信号划分。本发明复杂度低、识别率高、鲁棒性强，并且在低信噪比及带有频偏情况下，仍有较高识别率的优点。

本发明针对MPSK和MQAM两类信号的调制识别问题，提出了一种基于EMD分解的PSK及QAM类信号调制识别方法。首先对待识别信号作经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换后取模，并据此确定识别特征量。根据得到的识别特征量，设定相应的门限，将识别特征量和门限相比较，识别PSK和QAM信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两类调制信号进行识别。

本发明针对二进制相位编码信号BPSK和四进制相位编码信号QPSK的识别问题，提出了一种基于分段线性压缩量化的BPSK及QPSK信号调制识别方法及系统。先将待识信号的时域观测样本进行平方运算，做傅立叶变换后取其模的平方，记为平方谱；而后将其作归一化处理，并对其进行分段线性量化，将归一化平方谱的量化值映射成图的顶点，通过考察各顶点间的相互转移关系建立相应的图拓扑；定义图的平均度作为识别统计量并设定相应门限，完成BPSK及QPSK两种调制信号的识别。本发明创新性地将分段线性压缩方法和图域信号处理方法相结合构建调制信号识别的方案。仿真结果表明，在较低信噪比条件下，对BPSK和QPSK两种调制信号能够进行更有效地识别。

本发明针对BPSK、QPSK、2ASK、16QAM四种调制信号提出了一种基于图最大度特征的CR信号调制识别方法及系统。首先对观测信号做短时滤波的预处理，用以补偿信噪比损失。而后将其幅度谱、平方谱和四次方谱作加窗处理并将其转换到图域，根据信号的非线性运算，将四种信号的调制方式识别问题转化为对图的最大度大小的判断。仿真实验表明，在低信噪比时，本发明都具较好的识别能力。

本发明针对2ASK、BPSK、QPSK和16QAM四种调制信号，提出了一种基于图及持续性熵特征的CR信号调制识别方法及系统。首先通过短时滤波技术对观测信号进行预处理，用以补偿因非线性变换带来的信噪比损失，以增加识别特征的可区分性。而后分类间识别和类内识别两个步骤，通过提取经处理后的观测信号生成的图的Gini系数、度之和以及持续性熵作为识别统计量，实现调制识别。仿真实验表明，在低信噪比时，本发明仍具较好的识别能力。

本发明针对BPSK和QPSK两种调制信号的识别问题，提出了一种基于图的度特征的BPSK及QPSK信号调制识别方法。首先获取待识别信号的平方谱，而后加矩形窗得到截断平方谱。之后，将截断平方谱进行图域转换，将该图各顶点度之和作为识别统计量，并设定适当门限，将识别统计量和门限相比较，以实现对BPSK和QPSK信号的调制识别。仿真结果表明，本发明在低信噪比条件下，对BPSK和QPSK两种调制信号能够进行更有效地识别，且由于图转换的输入信号点数较少，算法复杂度较低。