排序方式: 共有7条查询结果,搜索用时 6 毫秒
1
1.
雷达脉内特征分析是信号分选领域一个重要手段,当脉内信号有多个雷达信号交叠在一起时,很难分析出其各自的调制方式。经验模态分解(EMD)在分析非平稳混合信号时效果显著,但其存在2个明显弊端。针对端点效应问题,首先采用小波分解将信号分解成各分量,随后对除噪声外的各分量利用ARMA模型对信号进行预测,接着对预测后的各分量进行小波重构,从而消除了端点效应,针对虚假分量的问题,结合雷达信号的特点改进了其终止条件,提高了EMD分解的性能。最后,对EMD分解后的各分量进行时频分析,得出雷达脉内信号的调制特征。仿真验证了算法的有效性。 相似文献
2.
3.
4.
5.
6.
7.
作为通信的主要方式,无线通信产生了极具价值的频谱大数据。而机器学习作为新兴的智能算法,可以挖掘出频谱大数据中的有用信息,作出正确的频谱预测和决策,以提高频谱资源的利用率。对机器学习和频谱大数据进行了简要介绍;结合频谱大数据的四大特点,讨论了用于频谱大数据分析的4种机器学习方法——分布并行学习、极速学习机、核学习、深度学习;又以频谱大数据的智能预测和决策为目的,讨论了用于频谱大数据处理的两种机器学习方法——强化学习、博弈学习;最后对机器学习方法在频谱大数据上的应用前景进行了展望。 相似文献
1