公开(公告)号：CN111079347B

公开(公告)日：2023-08-01

申请号：CN201911371132.4

申请日：2019-12-26

Applicant: 华侨大学

Inventor： 彭盛亮 ,  谢小娟 ,  倪艳琴

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06F18/10 ,  G06N3/08

Abstract: 本发明公开了一种利用星座图的基于深度学习的信噪比估计方法，方案为：a)生成[m，n]范围内的N个已知信噪比的数字信号，对其进行预处理，得到对应的N张星座图，进而对其进行数据标定以及数据集的划分，将数据喂给预先配置好的深度神经网络进行训练，得到深度神经网络模型M；b)对于接收到的第k个观测信号yk，同样进行预处理s后得到相同尺寸的星座图，将其喂给深度神经网络模型M，进行模型测试，得到接收信号的信噪比估计值该方法充分利用星座图能完整且清晰地反映数字调制信号的信噪比信息这一特点，以星座图作为信号的表征形式，巧妙地将传统的信噪比估计问题转换成一个图像识别问题，进而利用深度学习技术，通过模型训练和在线估计这两个阶段对实际应用场景中接收信号的信噪比进行比较精确地估计。并且，该方法克服了传统信噪比估计方法存在的不足，有效解决了低信噪比场景下信噪比估计误差大的问题。

公开(公告)号：CN110191073A

公开(公告)日：2019-08-30

申请号：CN201910577022.7

申请日：2019-06-28

Applicant: 华侨大学

Inventor： 彭盛亮 ,  谢小娟 ,  倪艳琴

IPC: H04L27/00

Abstract: 本发明涉及一种适用于变化场景的基于深度学习的调制方式识别方法，充分考虑无线环境中SNR的多变性，通过应用场景划分与场景判决这两个关键步骤和思想，有效地解决了多变SNR场景中的调制方式识别问题，为应对复杂多变的通信系统中信号分析与处理等问题上取得了关键性的进展。本发明在变化SNR场景下的识别精度颇高，很接近特定SNR场景下的识别精度。

公开(公告)号：CN110191073B

公开(公告)日：2021-08-31

申请号：CN201910577022.7

申请日：2019-06-28

Applicant: 华侨大学

Inventor： 彭盛亮 ,  谢小娟 ,  倪艳琴

IPC: H04L27/00

Abstract: 本发明涉及一种适用于变化场景的基于深度学习的调制方式识别方法，充分考虑无线环境中SNR的多变性，通过应用场景划分与场景判决这两个关键步骤和思想，有效地解决了多变SNR场景中的调制方式识别问题，为应对复杂多变的通信系统中信号分析与处理等问题上取得了关键性的进展。本发明在变化SNR场景下的识别精度颇高，很接近特定SNR场景下的识别精度。

公开(公告)号：CN111079347A

公开(公告)日：2020-04-28

申请号：CN201911371132.4

申请日：2019-12-26

Applicant: 华侨大学

Inventor： 彭盛亮 ,  谢小娟 ,  倪艳琴

IPC: G06F30/27 ,  G06N3/08

Abstract: 本发明公开了一种利用星座图的基于深度学习的信噪比估计方法，方案为：a)生成[m，n]范围内的N个已知信噪比的数字信号，对其进行预处理，得到对应的N张星座图，进而对其进行数据标定以及数据集的划分，将数据喂给预先配置好的深度神经网络进行训练，得到深度神经网络模型M；b)对于接收到的第k个观测信号yk，同样进行预处理s后得到相同尺寸的星座图，将其喂给深度神经网络模型M，进行模型测试，得到接收信号的信噪比估计值 该方法充分利用星座图能完整且清晰地反映数字调制信号的信噪比信息这一特点，以星座图作为信号的表征形式，巧妙地将传统的信噪比估计问题转换成一个图像识别问题，进而利用深度学习技术，通过模型训练和在线估计这两个阶段对实际应用场景中接收信号的信噪比进行比较精确地估计。并且，该方法克服了传统信噪比估计方法存在的不足，有效解决了低信噪比场景下信噪比估计误差大的问题。