CN106789788B - 一种无线数字信号调制方式识别方法及装置 - Google Patents

一种无线数字信号调制方式识别方法及装置 Download PDF

Info

Publication number
CN106789788B
CN106789788B CN201611218529.6A CN201611218529A CN106789788B CN 106789788 B CN106789788 B CN 106789788B CN 201611218529 A CN201611218529 A CN 201611218529A CN 106789788 B CN106789788 B CN 106789788B
Authority
CN
China
Prior art keywords
target
digital signal
wireless digital
primitive character
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611218529.6A
Other languages
English (en)
Other versions
CN106789788A (zh
Inventor
黄赛
姜轶洲
冯志勇
张轶凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201611218529.6A priority Critical patent/CN106789788B/zh
Publication of CN106789788A publication Critical patent/CN106789788A/zh
Application granted granted Critical
Publication of CN106789788B publication Critical patent/CN106789788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供了一种无线数字信号调制方式识别方法及装置。方法包括：根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，第一原始特征用以识别待识别无线数字信号的调制方式；通过目标特征优化函数，优化第一原始特征，得到优化特征；将优化特征，输入到预先训练好的目标分类器中，获得待识别无线数字信号的调制方式识别结果。应用本发明实施例提供的技术方案，能够提高无线数字信号调制方式识别的准确率。

Description

一种无线数字信号调制方式识别方法及装置
技术领域
本发明涉及认知无线电技术领域，特别是涉及一种无线数字信号调制方式识别方法及装置。
背景技术
随着无线通信的高速发展，无线通信服务业务出现了飞速增长，导致频谱资源愈发紧缺；而，无线设备由于软件无线电的快速发展而变得更加廉价，导致非法用户恶意占用授权频段的事件时有发生，因此，为了保障无线通信系统的高效利用与运行安全，无线电监测显得至关重要。而无线通信标准和无线信号的多样性使得无线通信环境越来越复杂，给无线电频谱监测带来了极大的挑战，鉴于此，无线信号调制方式识别技术被引入，用于通过识别指定频带内的信号的调制方式，提高频谱检测能力。
其中，基于特征的调制识别方法，是从无线数字信号中提取一系列特征，然后根据这些特征对无线数字信号的调制方式进行判断，该方法因计算复杂度相对较低、鲁棒性较强、简单易行的设计等特点，在无线数字信号调制方式识别领域应用广泛。
现有基于特征的调制方法识别中，一般先从无线数字信号中提取出理论上具有较好分类效果的特征，然后对提取出的特征不作任何处理或仅做一些简单的处理，就直接输入到分类器中，进行信号调制方式识别。但在实际工作环境中，尤其是在信噪比较低、采样点数较少的情况下，噪声和干扰的影响会使得不同调制方式信号的特征互相混淆，难以区分，导致直接使用一些理论上具有较好分类效果的特征进行调制方式的识别时，准确率低。
发明内容
本发明实施例的目的在于提供一种无线数字信号调制方式识别方法及装置，以提高无线数字信号调制方式识别的准确率。具体技术方案如下：
第一方面，本发明实施例提供了一种无线数字信号调制方式识别方法，所述方法包括：
根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，所述第一原始特征用以识别所述待识别无线数字信号的调制方式；
通过所述目标特征优化函数，优化所述第一原始特征，得到优化特征；
将所述优化特征，输入到预先训练好的目标分类器中，获得所述待识别无线数字信号的调制方式识别结果。
可选地，在所述获取待识别无线数字信号的目标类型的第一原始特征的步骤之前，所述方法还包括：
获取样本无线数字信号的所述目标类型的第二原始特征；
根据所述第二原始特征，基于多基因遗传编程训练分类器，确定所述目标特征优化函数和所述目标分类器；其中，所述多基因遗传编程的适应度函数为所述分类器对应的分类算法。
可选地，所述分类算法为多项Logistic回归分类算法。
可选地，所述根据所述第二原始特征，基于多基因遗传编程训练分类器，确定所述目标特征优化函数和所述目标分类器的步骤，包括：
按照第一预设数量，随机初始化初代种群，生成所述初代种群的个体，并将所述初代种群确定为目标种群；
判断多基因遗传编程的遗传代数是否小于预设最大遗传代数；
若是，根据所述目标种群中每一个体中的映射关系，分别优化所述第二原始特征，得到优化后的特征样本集，并将所述样本集按照预设比例划分为训练集和验证集，根据所述训练集，训练多项Logistic回归分类器，并获得训练好的所述多项Logistic回归分类器在所述测试集上的分类准确率，将所述分类准确率确定为每一个体的适应度；
判断所述目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值；
若不大于，对所述目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将所述目标种群更新为所述下一代种群，返回执行所述判断多基因遗传编程的遗传代数是否小于预设最大遗传代数的步骤；
若大于，将所述最大适应度对应的个体中的映射关系确定为所述目标特征优化函数，将所述最大适应度对应的训练好的所述多项Logistic回归分类器确定为所述目标分类器。
可选地，所述获取样本无线数字信号的所述目标类型的第二原始特征的步骤，包括：
获得所述样本无线数字信号的第一谱相关密度；
对所述第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对所述第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对所述第三谱相关密度进行平均处理，获得目标谱相关密度；
将所述目标谱相关密度对应的循环周期图上目标点的幅度值确定为所述样本无线数字信号的第二原始特征；其中，所述目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述样本无线数字信号的载波频率和码率。
第二方面，本发明实施例提供了一种无线数字信号调制方式识别装置，所述装置包括：
第一获取模块，用于根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，所述第一原始特征用以识别所述待识别无线数字信号的调制方式；
优化模块，用于通过所述目标特征优化函数，优化所述第一原始特征，得到优化特征；
获得模块，用于将所述优化特征，输入到预先训练好的目标分类器中，获得所述待识别无线数字信号的调制方式识别结果。
可选地，所述装置还包括：
第二获取模块，用于在所述第一获取模块获取待识别无线数字信号的目标类型的第一原始特征之前，获取样本无线数字信号的所述目标类型的第二原始特征；
确定模块，用于根据所述第二原始特征，基于多基因遗传编程训练分类器，确定所述目标特征优化函数和所述目标分类器；其中，所述多基因遗传编程的适应度函数为所述分类器对应的分类算法。
可选地，所述分类算法为多项Logistic回归分类算法。
可选地，所述确定模块，具体用于：
按照第一预设数量，随机初始化初代种群，生成所述初代种群的个体，并将所述初代种群确定为目标种群；
判断多基因遗传编程的遗传代数是否小于预设最大遗传代数；
若是，根据所述目标种群中每一个体中的映射关系，分别优化所述第二原始特征，得到优化后的特征样本集，并将所述样本集按照预设比例划分为训练集和验证集，根据所述训练集，训练多项Logistic回归分类器，并获得训练好的所述多项Logistic回归分类器在所述测试集上的分类准确率，将所述分类准确率确定为每一个体的适应度；
判断所述目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值；
若不大于，对所述目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将所述目标种群更新为所述下一代种群，返回执行所述判断多基因遗传编程的遗传代数是否小于预设最大遗传代数的步骤；
若大于，将所述最大适应度对应的个体中的映射关系确定为所述目标特征优化函数，将所述最大适应度对应的训练好的所述多项Logistic回归分类器确定为所述目标分类器。
可选地，所述第二获取模块，具体用于：
获得所述样本无线数字信号的第一谱相关密度；
对所述第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对所述第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对所述第三谱相关密度进行平均处理，获得目标谱相关密度；
将所述目标谱相关密度对应的循环周期图上目标点的幅度值确定为所述样本无线数字信号的第二原始特征；其中，所述目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述待识别无线数字信号的载波频率和码率。
本发明实施例提供的无线数字信号调制方式识别方法中，根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，然后，通过目标特征优化函数，优化第一原始特征，得到优化特征，再将优化特征，输入到预先训练好的目标分类器中，获得待识别无线数字信号的调制方式识别结果；其中，第一原始特征用以识别待识别无线数字信号的调制方式。与现有技术中，不对用以识别待识别无线数字信号的调制方式的原始特征作任何处理或仅做简单处理，便直接输入分类器中进行分类相比，应用本发明实施例提供的无线数字信号调制识别方法，首先对获取的原始特征进行优化，从而增强不同类别的调制信号之间的差异性，获得具有更好的分类效果的优化特征，再将优化特征输入到已训练好的分类器中进行分类识别，这样，可以减小信道噪声和干扰的影响，提高无线数字信号调制方式识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的无线数字信号调制方式识别方法的一种流程示意图；
图2为本发明实施例提供的无线数字信号调制方式识别方法的另一种流程示意图；
图3为现有技术中多基因遗传编程的流程示意图；
图4为本发明实施例提供的无线数字信号调制方式识别装置的一种结构示意图；
图5为本发明实施例提供的无线数字信号调制方式识别装置的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为提高无线数字信号调制方式识别的准确率，本发明实施例提供了一种无线数字信号调制方式识别方法及装置。
下面首先对本发明实施例提供的一种无线数字信号调制方式识别方法进行介绍。
参见图1，本发明实施例提供的一种无线数字信号调制方式识别方法，包括：
S101，根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征。
其中，第一原始特征用以识别待识别无线数字信号的调制方式；目标特征优化函数是在对待识别无线数字信号的调制方式进行识别前预先确定的。
需要说明的是，无线数字信号具有多种类型的特征，例如，谱相关特征、高阶累积量特征等，在应用本发明实施例提供的无线数字信号调制方式识别方法时，可以根据预先确定的目标特征优化函数相关的特征，来针对性地获取待识别无线数字信号的目标类型的第一原始特征。
举例而言，假设待识别无线数字信号具有A类型的特征A1、特征A2、特征A3、特征A4、特征A5、特征A6，B类型的特征B1、特征B2、特征B3、特征B4、特征B5、特征B6、特征B7，预设针对B类型特征，确定目标特征优化函数，在确定过程中发现，特征B3、特征B4不是分类效果好的特征，而最终确定的目标特征优化函数只与特征B1、特征B2、特征B5、特征B6、特征B7相关，那么，便可以在获取待识别无线数字信号的目标类型的第一原始特征时，只获取B类型的特征B1、特征B2、特征B5、特征B6、特征B7，并将这五个特征确定为第一原始特征。当然，实际应用中，目标类型也可以包含多个类型，例如，包含A类型和B类型，此处不作限定。
实际应用中，针对2ASK(ASK，Amplitude Shift Keying，幅移键控法)、4ASK、2PSK(PSK，Phase Shift Keying，相移键控法)、4PSK、2FSK(FSK，Frequency shift keying，频移键控法)、4FSK、MSK(Minimum Shift Keying，最小频移键控)和WGN(用于产生高斯白噪声)等常见调制方式进行识别时，考虑到信号循环谱的抗噪特性，能够提高信号分析的可靠性，第一原始特征可以为谱相关特征。
S102，通过目标特征优化函数，优化第一原始特征，得到优化特征。
在实际工作环境中，尤其是在信噪比较低、采样点数较少的情况下，噪声和干扰的影响会使得不同调制方式下的原始特征互相混淆，难以区分，导致直接使用一些理论上具有较好分类效果的特征进行调整方式的识别时，准确率低，因此，可以针对获取到的第一原始特征，通过目标特征优化函数，进行优化，增强不同调制方式信号之间的差异性，得到分类效果更好的优化特征，用以识别无线数字信号的调制方式，以减小信道噪声和干扰的影响，提高识别的准确率。
可以理解的是，考虑到不同情况下调制方式识别的特殊性，在特征优化过程中可根据信噪比和采样点数，产生不同的特征优化函数和不同数量的优化特征。具体地，当信噪比较低、采样点数较少时，可产生较多的优化特征，以增强不同调制方式信号之间的差异；而当信噪比较高、采样点数较多时，不同调制方式信号间较易区分，可产生较少的优化特征，甚至移除一些分类作用较小的原始特征，以降低识别阶段的计算复杂度。
S103，将优化特征，输入到预先训练好的目标分类器中，获得待识别无线数字信号的调制方式识别结果。
其中，可以将S102得到的优化特征输入到已训练好的目标分类器中，输出待识别无线数字信号的调制方式。
需要说明的是，当预先确定的特征优化函数为多个，相应地，预先训练好的分类器也为多个时，可以根据待识别无线数字信号的信噪比预估值以及采样点数选择对应的特征优化函数和分类器，即目标特征优化函数和目标分类器，有针对性地进行调制方式的识别，从而进一步提高识别的准确率。
此外，实际应用中，特征优化和对应分类器的训练可以是独立的，即分别确定特征优化函数和对应的分类器；也可以是相辅相成的，即同时确定特征优化函数和对应的目标分类器，具体地，可以在通过特征优化函数，得到优化特征后，对分类器进行训练，然后根据分类效果，再去调整特征优化函数，以产生分类效果更好的优化特征。当然，这两种方式都是可行的，在此不作限定。
在图1所示实施例提供的无线数字信号调制方式识别方法中，根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，然后，通过目标特征优化函数，优化第一原始特征，得到优化特征，再将优化特征，输入到预先训练好的目标分类器中，获得待识别无线数字信号的调制方式识别结果；其中，第一原始特征用以识别待识别无线数字信号的调制方式。与现有技术中，不对用以识别待识别无线数字信号的调制方式的原始特征作任何处理或仅做简单处理，便直接输入分类器中进行分类相比，应用本发明实施例提供的无线数字信号调制识别方法，首先对获取的原始特征进行优化，从而增强不同类别的调制信号之间的差异性，获得具有更好的分类效果的优化特征，再将优化特征输入到已训练好的分类器中进行分类识别，这样，可以减小信道噪声和干扰的影响，提高无线数字信号调制方式识别的准确率。
进一步地，在图1所示实施例的基础上，本发明提供的无线数字信号调制方式识别方法，如图2所示，在S101之前，还可以包括：
S104，获取样本无线数字信号的目标类型的第二原始特征。
其中，样本无线数字信号的目标类型的第二原始特征用以确定目标特征优化函数和训练分类器。可以理解的是，实际应用中，可以根据调制方式的种类，有针对性地选择样本无线数字信号的特征作为第二原始特征，且用于训练分类器的样本无线数字信号的第二原始特征与待识别无线数字信号的第一原始特征应保持一致，属于同一类型，举例而言，假设第一原始特征为谱相关特征，那么第二原始特征应也为谱相关特征。
由S101中的相关描述可知，第一原始特征是根据目标特征优化函数确定的，可能与第二原始特征个数相同，也可能少于第二原始特征，只是第二原始特征中一部分分类效果较好的特征，这都是合理的。
此外，样本无线数字信号与待识别无线数字信号可以属于同一类信号，如都是信噪比小，采样点数少的信号，这样确定出的目标特征优化函数和目标分类器更具有针对性。
具体地，当第二原始特征为谱相关特征时，所述获取样本无线数字信号的目标类型的第二原始特征，可以包括：
获得样本无线数字信号的第一谱相关密度；
对第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对第三谱相关密度进行平均处理，获得目标谱相关密度；
将目标谱相关密度对应的循环周期图上目标点的幅度值确定为样本无线数字信号的第二原始特征；其中，目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述样本无线数字信号的载波频率和码率。
需要说明的是，可以先计算获得样本无线数字信号的谱相关密度，具体地，针对一个平稳随机信号x(t)，首先将该信号均分为M段，针对划分后的每一段信号按照以下公式计算对应的谱相关密度：
其中，T代表划分后的每个信号段的长度，α为循环频率，XT为有限时域傅里叶变换，f为信号的频率。
实际应用中，由于只能使用有限的采样来计算谱相关密度，导致计算结果具有不确定性和不精确性，鉴于此，可以采用移动平均滤波器对获得的M段信号的谱相关密度进行频率平滑处理，以减少随机波动，处理后得到的谱相关密度的离散表达式如下所示：
其中，Δf为频域平滑间隔，且Δf＝MF；FS为频率采样增量，且FS＝Fsamp/L，Fsamp为采样频率，L为信号样本长度。
为便于后续处理，可以对频率平滑处理后的谱相关密度进行峰值归一化，处理后的谱相关密度表达式如下所示：
然后，对峰值归一化后的谱相关密度，采用预设数量个时间块进行平均处理，以增强计算结果的稳定性，得到目标谱相关密度表达式如下所示：
其中，N为进行平均处理的时间块的数量，即上面所述的预设数量。
可以理解的是，不同的调制方式的无线数字信号的谱相关密度对应的循环周期图不同，且主要区别在于谱峰出现的位置与幅度值大小。
因此，我们可以有针对性地计算在循环周期图上可能出现谱峰的位置的幅度值，并将这些幅度值作为调制分类的原始特征，而不是直接计算整个谱相关密度，以减少计算成本。
具体地，当对2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、MSK和WGN八种调制方式对应的无线数字信号进行调制方式识别时，根据上述原则，可以首先找出八种待分类信号的循环周期图上所有归一化幅度值大于0.6且稳定出现的谱峰的位置，综合对比各个调制信号的谱峰坐标，保留幅度值稳定且具有分类效果的谱峰的坐标点，假设，针对循环周期图上的点A、B，调制方式一在A处存在稳定谱峰，调制方式二在B处存在稳定谱峰，调制方式三在两处都有稳定谱峰，那么，可以表明循环周期图上点A、B处的幅度值具有分类效果，保留点A、B，以此方式可以筛选出如下6个特殊点，并将这6个点的幅度值作为用以确定目标特征优化函数和训练分类器的原始特征，其中，这6个点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)，可以看出，这些目标点在循环周期图(f-α平面)上的坐标均与信号载波频率fc和/或码率Rs有关，且不同调制方式的无线数字信号在这些目标点的幅度值不同，使用这些谱相关特征作为原始特征，不仅能区分功率谱密度相同的调制信号，如2PSK和4PSK，还对加性高斯白噪声具有相当好的鲁棒性，而且不需计算整个谱相关密度，降低了时间复杂度。
其中，若将点(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)的幅度值分别看作特征一、特征二、特征三、特征四、特征五以及特征六，需要说明的是，特征一和特征二可用于识别2PSK，4PSK，2ASK、4ASK；特征二可用于识别WGN；特征三和特征四可用于识别区分MSK；特征五和特征六可用于识别2FSK和4FSK。
可以理解的是，当第二原始特征为上述6个目标点的幅度值时，相应地，待识别无线数字信号的第一原始特征，可以为对应地上述提到的6个目标点的幅度值，也可以为这6个目标点中的其中几个的幅度值，这都是合理的，具体根据预先确定的目标特征优化函数而定。
S105，根据第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器。
需要说明的是，在获取待识别无线数字信号的目标类型的第一原始特征之前，若对应的目标特征优化函数和目标分类器不存在，可以根据样本无线数字信号的目标类型的第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器，以进行后续的识别操作。
其中，多基因遗传编程的适应度函数为分类器对应的分类算法；而分类算法可以为多项Logistic回归分类算法、SVM(Support Vector Machine，支持向量机)、神经网络等算法。
可以理解的是，多项Logistic回归分类算法的计算复杂度远低于SVM(SupportVector Machine，支持向量机)、神经网络等算法；另，基于cover定理：将复杂的模式分类问题非线性地投射到高维空间将会增大其在高维空间线性可分的概率，为了产生更好的分类结果，特征函数会自动向非线性的方向优化，因此，基于多基因遗传编程训练分类器所确定的目标特征优化函数一般是非线性的，而多项Logistic回归分类模型属于线性分类算法，二者结合使用，可将低维特征空间中的样本非线性的映射到高维特征空间，然后在高维空间中进行线性分类，相当于在原始特征空间中对样本进行非线性分类；而人工神经网络、KNN算法本身就是非线性分类算法，再与非线性的目标特征优化函数结合使用，则会带来不必要的计算开销，降低分类算法的运行速度。
需要说明的是，遗传编程来源于遗传算法，是一种并行的全局优化算法。遗传编程的优化对象是计算机程序，一般将其视为一个映射关系，使用树形结构表示，并称之为个体。而多基因遗传，与普通遗传编程相比，具有强健的多目标优化能力；且在多基因遗传编程中，每个个体包含多个独立的映射关系，在优化过程中，一个个体中的所有映射关系将被同时优化，以产生更优的个体。现有技术中典型的多基因遗传编程流程，参见图3，可以包括如下步骤：
S301，随机初始化种群。
具体地，按照预设的种群大小、单个个体中的最大映射数量、最大树深度、函数集以及变量集，随机初始化一个种群，生成种群的个体，其中，每个个体中包含若干个映射关系。
下面将对上述提到的一些术语分别进行解释：
种群大小，表示种群中包含个体的数量，每代种群的大小可以相同，也可以不同，实际应用中，为降低算法复杂度，可以为每代设置相同的种群大小；此外，可以理解的是，种群大小越大，最终得到的个体结果越好，但时间复杂度越高，实际应用中，可以根据具体需求而定；
单个个体中的最大映射数量，表示每个个体中映射关系数量的上限，用于限制多基因遗传编程的复杂度，实际应用中，每个个体中的映射关系随机产生，数量依照多基因遗传编程算法的优化情况而定；
最大树深度，为个体中单个映射关系以树形结构表示的深度，它用于限制映射关系的复杂度；
函数集，包括所有构成个体中映射关系的函数，可以看作映射数的中间节点，包含加、减、乘、除、开方、平方、立方、绝对值、指数、对数等函数；
变量集，包括所有构成映射关系的遍历，可以看作映射树的终端节点，在具体实现中作为输入参数；在本发明实施例提供的技术方案中，该变量集包括原始特征参数以及一些随机产生的常数，举例而言，若原始特征为上述提到的6个目标点的幅度值，那么，该变量集需包括表示这6个目标点的幅度值的参数，如a1、a2、a3、a4、a5、a6。
S302，分别计算获得种群中每个个体的适应度。
需要说明的是，由于遗传编程中的个体本身一般就是计算机程序或函数，因此，可以直接执行种群中的每个个体，并根据执行结果及适应度函数，获得每个个体的适应度，其中，适应度用以表征每个个体解决给定问题的能力强弱。
S303，判断种群的所有个体中是否存在满足适应度门限的个体，如果存在，执行S304，如果不存在，执行S305。
其中，可以在得出种群中每个个体的适应度后，筛选出当前种群中适应度最高的个体，作为当前最优解，并将其适应度与适应度门限作比较。
S304，输出最佳个体。
可以理解的是，若当前最优解的适应度满足给定的门限要求，则可以将该个体作为最佳个体输出并终止程序。
S305，选择种群中适应度较好的前90％的个体。
在当前最优解的适应度不满足给定的门限要求时，可以首先通过对种群中所有个体的适应度进行排序，过滤掉适应度较差的个体，保留前90％适应度较好的个体，以生成新一代种群。
S306，对选择出的个体使用遗传操作符。
其中，遗传操作符，指多基因遗传编程中对个体进行遗传操作的遗传算子，如交叉、变异和复制等。
实际应用中可以对选择出的个体依照一定的概率，如0.85、0.1、0.05，进行交叉、变异、复制等遗传运算符操作，以产生新个体。
需要说明的是，关于S305和S306，也可以看作是对种群中个体的选择性遗传操作。
S307，随机产生数量为种群大小10％的个体。
其中，可以通过类似于S301中的操作随机产生种群大小10％的个体，以补充过滤掉的个体，达到种群数目稳定的目的。
S308，组成新一代种群，返回执行S302。
需要说明的是，当S303的执行结果为否，即当前种群的所有个体中不存在满足适应度门限的个体时，可以执行S305至S307，并将S306及S307产生的新个体共同组成下一代种群，然后返回执行S302，直到找到满足适应度门限的个体或达到预设的最大遗传代数。
其中，最大遗传代数，指在输出最佳个体之前，多基因遗传编程可以进行遗传优化的最大迭代次数。
基于上述介绍的多基因遗传编程，当分类算法为多项Logi st i c回归分类算法、原始特征为谱相关特征时，可以首先获取样本无线数字信号的第二原始特征，即计算样本无线数字信号的谱相关密度，进行相应处理，获得最终的循环周期图(f-α平面)，并在图上选取合适的(f、α)坐标点对应的谱相关特征作为第二原始特征，例如，可以将图1所示实施例中描述的6个目标点的幅度值作为第二原始特征；然后基于多基因遗传编程-多项Logistic回归联合算法训练分类器，具体地，利用多基因遗传编程产生的大量映射关系将样本无线数字信号的第二原始特征转换为新特征，再使用多项Logistic回归分类算法对这些新特征进行筛选，并保留分类效果较好的新特征，反馈给多基因遗传编程进行进一步优化，照此循环，直到获得分类效果最好的一组新特征，即优化特征，以及产生优化特征的映射关系和对应的训练好的多项Logistic回归分类器，即目标特征优化函数和目标分类器。
具体地，所述根据第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器，可以包括如下六步：
第一步，按照第一预设数量，随机初始化初代种群，生成初代种群的个体，并将初代种群确定为目标种群。
其中，第一预设数量为初代种群的大小，也可以为后续每一代种群的大小，使得种群大小不随遗传代数的变化而变化。
需要说明的是，关于具体如何随机初始化初代种群，生成初代种群的个体，属于现有技术，此处不再赘述。
第二步，判断多基因遗传编程的遗传代数是否小于预设最大遗传代数，若是，执行第三步。
具体地，可以在初始化初代种群时，设置一个参数，用以表示遗传代数，初始值为0，后续每生成新一代种群时，便对该参数的取值做加1的操作。
第三步，根据目标种群中每一个体中的映射关系，分别优化第二原始特征，得到优化后的特征样本集，并将样本集按照预设比例划分为训练集和验证集，根据训练集，训练多项Logistic回归分类器，并获得训练好的多项Logistic回归分类器在测试集上的分类准确率，将分类准确率确定为每一个体的适应度。
举例而言，假设目标种群中包含5个个体，那么，便可以针对其中任一个体，根据它所包含的映射关系，优化样本无线数字信号的原始特征，得到特征样本集，然后，从中随机抽取80％的样本作为训练集，用于训练一个多项Logistic回归分类器，其余20％的样本作为验证集，用于测试训练好的分类器的分类准确率，最后将测试得到的分类准确率，即调制方式识别的准确率，作为个体的适应度，如此，最终可以分别得到这5个个体的适应度，例如20％，40％，78％，97％，63％。
第四步，判断目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值，若不大于，执行第五步，若大于，则执行第六步。
其中，预设阈值即是图3的相关说明中提到的适应度门限，也就是期望的识别准确率。
第五步，对目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将目标种群更新为下一代种群，返回执行第二步。
其中，选择性遗传操作，与图3中的S305和S306相对应，指首先从目标种群中选择适应度较好的前90％的个体，然后对所选择出的个体按照预设的概率，进行交叉、变异、复制等遗传运算符操作，以产生新个体。
第六步，将最大适应度对应的个体中的映射关系确定为目标特征优化函数，将最大适应度对应的训练好的多项Logistic回归分类器确定为目标分类器。
需要说明的是，基于多基因遗传编程-多项Logistic回归联合算法，进行无线数字信号调制方式的识别，可以根据信噪比和采样点数产生不同的特征优化函数和调制分类器，有针对性地进行识别。此外，可以理解的是，针对信噪比较低、采样点数较少的无线数字信号调制方式的识别，为提高识别的准确率，将会产生更复杂的非线性的特征优化函数和数量多于原始特征的优化特征，相当于把低维空间的样本非线性的映射到高维空间，然后使用线性分类器，即多项Logistic回归分类器在高维空间对样本进行分类，这种非线性升维处理大大提高了在恶劣信道环境下的分类可能性和识别的准确率；而针对信噪比较高、采样点数较多的无线数字信号调制方式的识别，最终产生的优化特征的数量可能少于原始特征，这本质上是一种降维的过程，通过降维，可以降低分类器的计算成本，显著加快分类器的识别速度。
并且，基于多基因遗传编程的特性，在进行特征优化的过程中，可以通过尝试原始特征之间的各种组合，产生差异性更大、分类效果更好的优化特征，且分类能力较强的原始特征被保留，而分类能力较弱的原始特征可能会被移除，即确定的目标特征优化函数将不再作用于被移除的原始特征，那么，在无线数字信号调制方式识别阶段，便不需要计算这些被移除的原始特征，大大减少了计算成本。
此外，当多基因遗传编程的适应度函数为多项Logistic回归分类算法时，可以看出，应用图2所示实施例提供的无线数字信号调制方式识别方法，不需要任何关于样本分布的先验知识(例如，朴素贝叶斯分类算法在使用时，需要样本分布的先验知识)；也不需要考虑原始特征空间中的样本是否线性可分(例如，逻辑回归要求样本线性可分)，即在原始特征空间中，是否使用一条直线就可以将样本直接划分。
现有技术中，一篇公开号为“105721371A”的中国专利，公开了一种基于循环谱相关的常用数字信号调制方式识别方法，利用信号循环谱的抗噪特性来提高信号分析的可靠性，并在信号谱相关函数的计算过程中引入α(循环频率)截面小波去噪和叠加求取平均的环节，有效地减弱了原谱相关估计算法结果中由采样点数受限和外界干扰引起的随机波动，有益于调制特征的识别和提取；同时，利用信号谱相关计算所获取谱相关图的α截面和f(载波频率)截面，选取合适的特征和参数(如谱相关函数α截面和f截面最大绝对值比、α截面强谱线数目、α截面波动系数、f截面归一化面积、α截面谱线的显著度比等)构建分类方法对通信信号的调制方式进行识别。与该专利使用五种谱相关特征和一种时域统计特征相比，本发明实施例提供的方案中可以使用上述说明中提到的6个目标点的幅度值作为谱相关特征，免去了单独计算更易受噪声干扰的时域统计特征的过程，控制了计算成本，提高了调制方式识别的鲁棒性。
在图1所示实施例的基础上，图2所示实施例提供的无线数字信号调制方式识别方法中，还可以在获取待识别无线数字信号的目标类型的第一原始特征之前，获取样本无线数字信号的目标类型的第二原始特征，然后，根据第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器，以进行后续的特征优化和调制方式识别。
相应于上述方法实施例，本发明实施例提供了一种无线数字信号调制方式识别装置，如图4所示，该装置包括：
第一获取模块401，用于根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，所述第一原始特征用以识别所述待识别无线数字信号的调制方式；
优化模块402，用于通过所述目标特征优化函数，优化所述第一原始特征，得到优化特征；
获得模块403，用于将所述优化特征，输入到预先训练好的目标分类器中，获得所述待识别无线数字信号的调制方式识别结果。
在图4所示实施例提供的无线数字信号调制方式识别方法中，根据预先确定的目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，然后，通过目标特征优化函数，优化第一原始特征，得到优化特征，再将优化特征，输入到预先训练好的目标分类器中，获得待识别无线数字信号的调制方式识别结果；其中，第一原始特征用以识别待识别无线数字信号的调制方式。与现有技术中，不对用以识别待识别无线数字信号的调制方式的原始特征作任何处理或仅做简单处理，便直接输入分类器中进行分类相比，应用本发明实施例提供的无线数字信号调制识别方法，首先对获取的原始特征进行优化，从而增强不同类别的调制信号之间的差异性，获得具有更好的分类效果的优化特征，再将优化特征输入到已训练好的分类器中进行分类识别，这样，可以减小信道噪声和干扰的影响，提高无线数字信号调制方式识别的准确率。
进一步地，在包括第一获取模块401、优化模块402和获得模块403的基础上，如图5所示，本发明实施例所提供的一种无线数字信号调制方式识别装置，还可以包括：
第二获取模块404，用于在所述第一获取模块401获取待识别无线数字信号目标类型的第一原始特征之前，获取样本无线数字信号的所述目标类型的第二原始特征；
确定模块405，用于根据所述第二原始特征，基于多基因遗传编程训练分类器，确定所述目标特征优化函数和所述目标分类器；其中，所述多基因遗传编程的适应度函数为所述分类器对应的分类算法。
在图4所示实施例的基础上，图5所示实施例提供的无线数字信号调制方式识别方法中，还可以在获取待识别无线数字信号的目标类型的第一原始特征之前，获取样本无线数字信号的目标类型的第二原始特征，然后，根据第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器，以进行后续的特征优化和调制方式识别。
具体地，所述分类算法可以为多项Logistic回归分类算法。
具体地，所述确定模块405，具体可以用于：
按照第一预设数量，随机初始化初代种群，生成所述初代种群的个体，并将所述初代种群确定为目标种群；
判断多基因遗传编程的遗传代数是否小于预设最大遗传代数；
若是，根据所述目标种群中每一个体中的映射关系，分别优化所述第二原始特征，得到优化后的特征样本集，并将所述样本集按照预设比例划分为训练集和验证集，根据所述训练集，训练多项Logistic回归分类器，并获得训练好的所述多项Logistic回归分类器在所述测试集上的分类准确率，将所述分类准确率确定为每一个体的适应度；
判断所述目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值；
若不大于，对所述目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将所述目标种群更新为所述下一代种群，返回执行所述判断多基因遗传编程的遗传代数是否小于预设最大遗传代数的步骤；
若大于，将所述最大适应度对应的个体中的映射关系确定为所述目标特征优化函数，将所述最大适应度对应的训练好的所述多项Logistic回归分类器确定为所述目标分类器。
具体地，所述第二获取模块404，具体可以用于：
获得所述样本无线数字信号的第一谱相关密度；
对所述第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对所述第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对所述第三谱相关密度进行平均处理，获得目标谱相关密度；
将所述目标谱相关密度对应的循环周期图上目标点的幅度值确定为所述样本无线数字信号的第二原始特征；其中，所述目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述样本无线数字信号的载波频率和码率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种无线数字信号调制方式识别方法，其特征在于，所述方法包括：
获取样本无线数字信号的目标类型的第二原始特征；
根据所述第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器；其中，所述多基因遗传编程的适应度函数为所述分类器对应的分类算法，所述分类算法为多项Logistic回归分类算法；
根据所述目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，所述第一原始特征用以识别所述待识别无线数字信号的调制方式；
通过所述目标特征优化函数，优化所述第一原始特征，得到优化特征；
将所述优化特征，输入到所述目标分类器中，获得所述待识别无线数字信号的调制方式识别结果；
所述根据所述第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器的步骤，包括：
按照第一预设数量，随机初始化初代种群，生成所述初代种群的个体，并将所述初代种群确定为目标种群；
判断多基因遗传编程的遗传代数是否小于预设最大遗传代数；
若是，根据所述目标种群中每一个体中的映射关系，分别优化所述第二原始特征，得到优化后的特征样本集，并将所述样本集按照预设比例划分为训练集和验证集，根据所述训练集，训练多项Logistic回归分类器，并获得训练好的所述多项Logistic回归分类器在测试集上的分类准确率，将所述分类准确率确定为每一个体的适应度；
判断所述目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值；
若不大于，对所述目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将所述目标种群更新为所述下一代种群，返回执行所述判断多基因遗传编程的遗传代数是否小于预设最大遗传代数的步骤；
若大于，将所述最大适应度对应的个体中的映射关系确定为目标特征优化函数，将所述最大适应度对应的训练好的所述多项Logistic回归分类器确定为目标分类器。
2.根据权利要求1所述的方法，其特征在于，所述获取样本无线数字信号的目标类型的第二原始特征的步骤，包括：
获得样本无线数字信号的第一谱相关密度；
对所述第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对所述第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对所述第三谱相关密度进行平均处理，获得目标谱相关密度；
将所述目标谱相关密度对应的循环周期图上目标点的幅度值确定为所述样本无线数字信号的第二原始特征；其中，所述目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述样本无线数字信号的载波频率和码率。
3.一种无线数字信号调制方式识别装置，其特征在于，所述装置包括：
第二获取模块，用于获取样本无线数字信号的目标类型的第二原始特征；
确定模块，用于根据所述第二原始特征，基于多基因遗传编程训练分类器，确定目标特征优化函数和目标分类器；其中，所述多基因遗传编程的适应度函数为所述分类器对应的分类算法，所述分类算法为多项Logistic回归分类算法；
第一获取模块，用于根据所述目标特征优化函数，获取待识别无线数字信号的目标类型的第一原始特征，其中，所述第一原始特征用以识别所述待识别无线数字信号的调制方式；
优化模块，用于通过所述目标特征优化函数，优化所述第一原始特征，得到优化特征；
获得模块，用于将所述优化特征，输入到所述目标分类器中，获得所述待识别无线数字信号的调制方式识别结果；
所述确定模块，具体用于：
按照第一预设数量，随机初始化初代种群，生成所述初代种群的个体，并将所述初代种群确定为目标种群；
判断多基因遗传编程的遗传代数是否小于预设最大遗传代数；
若是，根据所述目标种群中每一个体中的映射关系，分别优化所述第二原始特征，得到优化后的特征样本集，并将所述样本集按照预设比例划分为训练集和验证集，根据所述训练集，训练多项Logistic回归分类器，并获得训练好的所述多项Logistic回归分类器在测试集上的分类准确率，将所述分类准确率确定为每一个体的适应度；
判断所述目标种群中的所有个体的适应度中的最大适应度是否大于预设阈值；
若不大于，对所述目标种群中的个体执行选择性遗传操作，将所得到的个体和随机生成的新个体组成下一代种群，并将所述目标种群更新为所述下一代种群，返回执行所述判断多基因遗传编程的遗传代数是否小于预设最大遗传代数的步骤；
若大于，将所述最大适应度对应的个体中的映射关系确定为目标特征优化函数，将所述最大适应度对应的训练好的所述多项Logistic回归分类器确定为目标分类器。
4.根据权利要求3所述的装置，其特征在于，所述第二获取模块，具体用于：
获得样本无线数字信号的第一谱相关密度；
对所述第一谱相关密度进行频率平滑处理，得到第二谱相关密度；
对所述第二谱相关密度进行峰值归一化，得到第三谱相关密度；
采用预设数量个时间块，对所述第三谱相关密度进行平均处理，获得目标谱相关密度；
将所述目标谱相关密度对应的循环周期图上目标点的幅度值确定为所述样本无线数字信号的第二原始特征；其中，所述目标点的(f,α)坐标值分别为(fc，Rs)、(0，2fc)、(0，2fc+0.5Rs)、(0，2fc-0.5Rs)、(Rs，2fc)、(2Rs，2fc)；其中，f为频率，α为循环频率，fc、Rs分别为所述样本无线数字信号的载波频率和码率。
CN201611218529.6A 2016-12-26 2016-12-26 一种无线数字信号调制方式识别方法及装置 Active CN106789788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611218529.6A CN106789788B (zh) 2016-12-26 2016-12-26 一种无线数字信号调制方式识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611218529.6A CN106789788B (zh) 2016-12-26 2016-12-26 一种无线数字信号调制方式识别方法及装置

Publications (2)

Publication Number Publication Date
CN106789788A CN106789788A (zh) 2017-05-31
CN106789788B true CN106789788B (zh) 2019-05-10

Family

ID=58926747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611218529.6A Active CN106789788B (zh) 2016-12-26 2016-12-26 一种无线数字信号调制方式识别方法及装置

Country Status (1)

Country Link
CN (1) CN106789788B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391586A (zh) * 2017-06-23 2017-11-24 华中师范大学 一种基于知识分类的多屏知识可视化方法
CN107276938A (zh) * 2017-06-28 2017-10-20 北京邮电大学 一种数字信号调制方式识别方法及装置
CN108282427B (zh) * 2017-12-15 2019-11-26 西安电子科技大学 基于多尺度轻量网络的无线电信号认知识别方法
CN108600135B (zh) * 2018-04-27 2020-07-31 中国科学院计算技术研究所 一种信号调制方式的识别方法
CN108764077B (zh) * 2018-05-15 2021-03-19 重庆邮电大学 一种基于卷积神经网络的数字信号调制分类方法
CN109274625B (zh) * 2018-11-12 2020-06-19 北京邮电大学 一种信息调制方式确定方法、装置、电子设备及存储介质
CN109617843B (zh) * 2018-12-28 2021-08-10 上海铿诚智能科技有限公司 一种基于knn的弹性光网络调制格式识别方法
CN109587091B (zh) * 2019-01-23 2020-09-29 西南交通大学 基于逻辑回归算法的相干光通信系统调制格式识别方法
CN109905340B (zh) * 2019-03-11 2020-04-24 北京邮电大学 一种特征优化函数选取方法、装置及电子设备
CN111343115B (zh) * 2020-02-19 2021-06-29 北京邮电大学 一种5g通信调制信号识别方法及系统
CN111510408B (zh) * 2020-04-14 2021-05-07 北京邮电大学 信号调制方式识别方法、装置、电子设备及存储介质
CN111800357A (zh) * 2020-07-03 2020-10-20 全球能源互联网研究院有限公司 一种基于循环谱区分调制类型的方法及系统
CN112039820B (zh) * 2020-08-14 2022-06-21 哈尔滨工程大学 量子象群机制演化bp神经网络的通信信号调制识别方法
CN112910813B (zh) * 2021-04-10 2022-09-06 青岛科技大学 基于lda-knn的水声信号自动调制识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101917369A (zh) * 2010-07-30 2010-12-15 中国人民解放军信息工程大学 一种通信信号调制方式的识别方法
CN102497343A (zh) * 2011-11-25 2012-06-13 南京邮电大学 一种基于聚类和支持向量机的联合调制识别方法
CN104378176A (zh) * 2014-11-24 2015-02-25 哈尔滨工业大学 一种鲁棒通信信号调制识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101917369A (zh) * 2010-07-30 2010-12-15 中国人民解放军信息工程大学 一种通信信号调制方式的识别方法
CN102497343A (zh) * 2011-11-25 2012-06-13 南京邮电大学 一种基于聚类和支持向量机的联合调制识别方法
CN104378176A (zh) * 2014-11-24 2015-02-25 哈尔滨工业大学 一种鲁棒通信信号调制识别方法

Also Published As

Publication number Publication date
CN106789788A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106789788B (zh) 一种无线数字信号调制方式识别方法及装置
Zeng et al. Spectrum analysis and convolutional neural network for automatic modulation recognition
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN104994045B (zh) 一种基于usrp平台的数字调制方式自动识别平台及方法
Qu et al. Radar signal intra-pulse modulation recognition based on convolutional neural network
CN106330385B (zh) 一种干扰类型识别方法
Fehske et al. A new approach to signal classification using spectral correlation and neural networks
Wu et al. Jamming signals classification using convolutional neural network
CN110197127A (zh) 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN108919203B (zh) 一种雷达有源干扰的识别方法及系统
CN107317778B (zh) 基于1d-cnn的bpsk调制信号相位跳变检测方法
CN108462544A (zh) 一种频谱感知方法及装置
CN104796365A (zh) 低信噪比下基于复杂度特征的调制信号识别方法
Lo et al. Internet of things (IoT) discovery using deep neural networks
Kostylev et al. Characteristics of $ p $-norm signal detection in Gaussian mixture noise
CN109309538A (zh) 一种频谱感知方法、装置、设备、系统及存储介质
Qian et al. Modulation classification based on cyclic spectral features and neural network
Yin et al. Co-channel multi-signal modulation classification based on convolution neural network
Wang et al. A new method of automatic modulation recognition based on dimension reduction
CN108768563A (zh) 一种协作频谱感知方法及相关装置
Wang et al. Specific emitter identification based on fractal and wavelet theories
Hazza et al. Robustness of digitally modulated signal features against variation in HF noise model
CN109995690A (zh) Mfsk数字信号子类调制识别的神经网络自优化方法
Borde et al. Enhanced signal detection slgorithm using trained neural network for cognitive radio receiver
Yelalwar et al. Artificial neural network based approach for spectrum sensing in cognitive radio

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant