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%。
中图分类号：TN924；TP391 文献标志码：A DOI: 10.16157/j.issn.0258-7998.234739
中文引用格式：宁昭义，许国宏，王耀磊. 基于深度学习的互联网接收机中特定信号识别[J]. 电子技术应用，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：宁昭义，许国宏，王耀磊. 基于深度学习的互联网接收机中特定信号识别[J]. 电子技术应用，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
信号检测提取一般用于判断接收到的数据中是否存在实际应用中所需要的信号，它是信号处理的前端技术。但是检测性能容易受到不同信道中的噪声强度影响，信噪比的值越大，利用检测技术在检测期间出现错误和漏检的可能性就越低。如今单靠人工识别提取信号困难较大，本文提出了一种基于深度学习的方法，可从互联网接收机的频谱瀑布图数据中提取特定信号，极大地提升了信号识别的效率。
随着人工智能技术的发展，在图像识别领域，机器学习和深度学习等人工智能识别方法得到更广泛的应用[1-11]。单慧琳等将深度学习应用到了景点图像识别领域，针对传统哈希算法以及深度哈希算法存在的不足，改进了现有的特征提取方法，并提出一种基于深度学习的哈希检索方法，实现了查准率95.69%、查全率93.36%、F1测度值94.51%的良好效果[5]。王丽君等提出了通过卷积长短时深度神经网络进行人员行为识别，所需的训练时间和前向的识别时间分别下降了14%和10%[12]。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000005990
作者信息：
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，山东 青岛 266107）
此内容为AET网站原创，未经授权禁止转载。