基于深度學習的互聯網接收機中特定信號識別
電子技術應用
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
摘要： 隨著軟件無線電技術和互聯網技術的發展，有大量的互聯網接收機接入互聯網，并可任意訪問其頻譜瀑布圖數據。頻譜瀑布圖是信號頻域和時域特性的一種展示方式，將不同頻率的信號以圖像的方式直觀地進行展示，為了更好地監測到頻譜瀑布圖中的特定信號，需要對頻譜瀑布圖中的特定信號進行智能識別。通過深度學習技術實現了對頻譜瀑布圖中特定信號識別，在信噪比大于5 dB時，識別準確率大于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. 基于深度學習的互聯網接收機中特定信號識別[J]. 電子技術應用，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. 基于深度學習的互聯網接收機中特定信號識別[J]. 電子技術應用，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據中是否存在實際應用中所需要的信號，它是信號處理的前端技術。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，利用檢測技術在檢測期間出現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習的方法，可從互聯網接收機的頻譜瀑布圖數據中提取特定信號，極大地提升了信號識別的效率。
隨著人工智能技術的發展，在圖像識別領域，機器學習和深度學習等人工智能識別方法得到更廣泛的應用[1-11]。單慧琳等將深度學習應用到了景點圖像識別領域，針對傳統哈希算法以及深度哈希算法存在的不足，改進了現有的特征提取方法，并提出一種基于深度學習的哈希檢索方法，實現了查準率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網絡進行人員行為識別，所需的訓練時間和前向的識別時間分別下降了14%和10%[12]。
本文詳細內容請下載：
http://m.viuna.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）
此內容為AET網站原創，未經授權禁止轉載。