CN108282263B - 基于一维深度残差轻量网络的编码调制联合识别方法 - Google Patents

基于一维深度残差轻量网络的编码调制联合识别方法 Download PDF

Info

Publication number
CN108282263B
CN108282263B CN201711345300.3A CN201711345300A CN108282263B CN 108282263 B CN108282263 B CN 108282263B CN 201711345300 A CN201711345300 A CN 201711345300A CN 108282263 B CN108282263 B CN 108282263B
Authority
CN
China
Prior art keywords
convolution
signal
residual error
light weight
sample
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
CN201711345300.3A
Other languages
English (en)
Other versions
CN108282263A (zh
Inventor
杨淑媛
王敏
宋雨萱
焦李成
黄震宇
吴亚聪
王喆
李兆达
张博闻
李治
王翰林
王俊骁
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.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
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 Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201711345300.3A priority Critical patent/CN108282263B/zh
Publication of CN108282263A publication Critical patent/CN108282263A/zh
Application granted granted Critical
Publication of CN108282263B publication Critical patent/CN108282263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/0001Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H04L1/0038Blind format detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/0012Modulated-carrier systems arrangements for identifying the type of modulation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14Network analysis or design
    • H04L41/145Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开一种基于一维深度残差轻量网络的编码调制联合识别方法,其实现步骤为:(1)生成29种编码调制联合信号和2种调制信号;(2)生成训练样本集和测试样本集;(3)构建一维深度残差轻量网络模型;(4)训练一维深度残差轻量网络模型;(5)将测试样本集输入到训练好的一维深度残差轻量网络模型中进行测试,获得识别准确率,评估网络性能。本发明是一种通用的无线电信号特征提取方法,具有普适性好、鲁棒性强、识别准确率高、网络参数少、识别信号类型多的优点,可用于实际复杂通讯环境下的无线电信号的编码与调制方式的联合识别。

Description

基于一维深度残差轻量网络的编码调制联合识别方法
技术领域
本发明属于通信技术领域,更进一步涉及无线电信号处理技术领域中的一种基于一维深度残差轻量网络的编码调制联合识别方法。本发明可以适用于复杂的电磁环境,通过构建的一维深度残差轻量网络自动提取无线电信号特征,利用所提取的无线电信号特征对不同调制方式和不同信道编码方式的无线电信号种类进行识别。
背景技术
无线电信号识别在军事和民用上都发挥着重要的作用,早期的无线电信号源数量少、体制单一、功能简单、频域覆盖范围小,利用专家先验知识进行人工特征提取就能完成无线电信号的识别。然而随着如今无线电通信技术的不断发展,使得通信环境日渐复杂多变,基于传统分类方法的识别技术,虽然能在给定的测试信号上达到令人满意的识别率,但大多操作繁琐,依赖人工特征提取,且只能完成有限种类信号的调制方式识别或信道编码方式识别,在编码调制联合识别领域还有待进一步发展。因此,找到一种高效简洁、可以完成复杂电磁环境下无线电信号编码调制联合识别的方法显得尤为重要。残差网络通过在网络结构中加入捷径,成功解决了神经网络层数增加所带来的退化问题,使得十几甚至上百层的深度神经网络的实现成为现实。目前,残差网络已经在计算机视觉方面取得了广泛的应用,但在其他诸如一维信号处理等领域却没有得到有效的应用。
北京航空航天大学在其拥有的专利技术“一种基于广义S变换的通信信号调制识别方法”(申请号201210150812.5,授权公告号CN 102685053B)中公开了一种基于广义S变换的通信信号调制识别方法。该方法的具体步骤如下:1、根据输入的信噪比调制信号的特征,对输入的调制信号进行解析信号构造,得到解析信号,作为进行广义S变换的信号;2、构造广义S变换所需要的高斯窗函数;3、根据广义S变换的表达式确定高斯窗宽度因子σ,结合短时傅里叶变换和高斯窗函数对输入的调制信号进行广义S变换,得到调制信号的时频能量分布图;4、依据步骤3得到的时频能量分布图,对比各种调制信号的能量图像,找出各种调制信号广义S变换后时频能量图像之间的差别,选取能量集中的频带条数、高低频分量能量最大值之比、能量时域分布、高低频分量极大值时域分布和高频分量极大值分布,对各种调制信号进行识别。该方法虽然提出了一种基于广义S变换的通信信号调制识别方法,但是,该方法仍然存在的不足之处是,在进行广义S变换时提取信号特征的过程繁琐,需要反复对比信号的能量图像才能完成对信号的识别,过度依赖专家先验,并且只适用于对信号的调制方式识别。
苏州科技大学在其申请的专利文献“一种基于残差网络的多层感知机人工神经网络”(申请号201611035693.3,申请公布号CN 106779062A)中公开了一种基于残差网络的多层感知机人工神经网络。该人工神经网络采用全连接的方式代替残差神经网络中的卷积,网络模块结构中神经元结构通过每一个隐藏层的输出来得到完整残差模块的输出,以期望能在图像处理以外的领域得到更好的应用。但是,该方法仍然存在的不足之处是,没有充分利用残差网络可以实现更深层网络的特性,只构建了一个包含两层感知机的人工神经网络,而在抛弃原有残差网络中的卷积操作的同时,也抛弃了卷积操作在提取数据特征等方面的优势。
发明内容
本发明的目的是针对一维无线电信号识别上述现有技术存在的不足,提出一种基于一维深度残差轻量网络的编码调制联合识别方法,实现了在复杂电磁环境下对无线电信号的编码调制联合识别。
实现本发明目的的具体思路是,利用一维深度残差轻量网络进行无线电信号的编码调制联合识别。本发明充分利用残差网络的优势,利用多层一维卷积来提取信号的特征,在复杂电磁环境下的无线电信号识别中实现了较高的识别率,不仅可以识别多种类型调制方式的无线电信号,对不同信道编码方式的信号同样有很好的识别率。
实现本发明目的的具体步骤包括如下:
(1)生成29种编码调制联合信号和2种调制信号:
(1a)将接收到的每一个无线电信号的信息序列,按照频段的不同进行信道编码,生成不同的编码信号;
(1b)将不同的编码信号按照频段的不同进行调制,生成29种类型的编码调制联合信号;其中短波频段的9种信号中每种25000个信号样本,超短波频段的20种信号中每种15000个信号样本;
(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制,生成2种调制信号,每种15000个信号样本;
(2)生成训练样本集和测试样本集:
(2a)对29种类型的编码调制联合信号和2种类型的调制信号,每一个信号样本的所有信息点,以100个信息点为间隔采样,将每次连续采集440个信息点组成一个信号样本,将所有的信号样本组成信号样本集;
(2b)从生成的信号样本集中随机抽取80%的样本,组成训练样本集,从余下的20%的样本中随机抽取整个信号样本集的10%组成验证样本集,将整个信号样本集最后余下的10%作为测试样本集;
(3)构建一维深度残差轻量网络模型:
(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型的结构;
(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数;
(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数,选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam,将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数;
(3d)设置训练一维深度残差轻量网络模型时的训练次数,早期停止机制;
(4)训练一维深度残差轻量网络模型:
(4a)打乱训练样本集中所有样本的排列顺序,将训练样本集输入到一维深度残差轻量网络模型中;
(4b)训练一维深度残差轻量网络模型,当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时,完成神经网络的训练过程,得到训练好的一维深度残差轻量网络模型;
(5)获得识别准确率:
(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中,得到识别结果;
(5b)将识别结果与测试集的真实类别对比,统计识别正确率。
本发明与现有技术相比具有以下优点:
第一,由于本发明使用了自动提取编码调制联合信号特征的网络模型,克服了现有技术的传统方法中人工提取信号特征过程繁琐、需要大量专家先验才能完成对信号的识别的缺点,使得本发明中一维深度残差轻量网络可以自动提取不同调制、不同信道编码的无线电信号特征,简化了无线电信号特征提取的步骤,提高了无线电信号识别的效率。
第二,由于本发明构建了一维深度残差轻量网络模型,克服了传统方法只能用于对信号的调制方式识别的缺点,使本发明中一维深度残差轻量网络实现了无线电信号的编码调制联合识别,完成了多种复杂类型的无线电信号的识别,拓宽了可以识别的无线电信号类型的范围,使得本发明中的无线电信号识别方法更加具有普适性和鲁棒性。
第三,由于本发明构建了含有14个一维卷积层的一维深度残差轻量网络模型,克服了一般方法没有充分利用残差网络可以实现更深层网络的特性,以及抛弃了卷积操作在提取数据特征等方面的优势的缺点,使得本发明中的一维深度残差轻量网络模型可以利用多层的一维卷积操作提取到更多信号的特征信息,提高了无线电编码调制联合信号识别的精度。
附图说明
图1为本发明的流程图;
图2是本发明仿真实验所用的29种编码调制联合信号和2种调制信号的波形示意图;
图3是本发明仿真实验的结果图。
具体实施方式
下面结合附图对发明做进一步描述。
参照附图1,对本发明的具体步骤做进一步的描述。
步骤1,生成29种编码调制联合信号和2种调制信号。
第一步,将接收到的每一个无线电信号的信息序列,按照频段的不同进行信道编码,生成不同的编码信号。
所述的将接收到的每一个无线电信号的信息序列,按照频段的不同进行信道编码是指,对于短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码的3种信道编码方式,生成3种编码信号;对于超短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码、码率为四分之三的432非系统卷积码的4种信道编码方式,生成4种编码信号。
第二步,将不同的编码信号按照频段的不同进行调制,生成29种类型的编码调制联合信号。其中短波频段的9种信号中每种25000个信号样本,超短波频段的20种信号中每种15000个信号样本。
所述的将不同的编码信号按照频段的不同进行调制是指,对于短波频段的3种编码信号分别采用正交相移键控调制QPSK、8移相键控调制8PSK、二进制频移键控调制2FSK的3种调制方式,生成9种编码调制联合信号。对于超短波频段的四种编码信号分别采用二进制频移键控和频率调制的二次调制、正交相移键控和频率调制的二次调制、二进制相移键控调制BPSK、正交相移键控调制QPSK、二进制频移键控调制2FSK的5种调制方式,生成20种编码调制联合信号。
所述的短波频段的9种信号中每种25000个信号样本,超短波频段的20种信号中每种15000个信号样本是由下述方式得到的:
A.短波频段的9种编码调制联合信号,每种信号的帧长取10ms-150ms内的随机数,调制速率取50Bd-2.4kBd内的随机数;再将9种编码调制联合信号中的每种信号,依据帧长和调制速率的不同分为25小类,每类1000个信号,得到25000个信号样本。
B.超短波频段的20种编码调制联合信号,其中,每种信号的帧长取10ms-800ms内的随机数,调制速率取1kBd-20kBd内的随机数;再将20种编码调制联合信号中的每种信号,依据帧长和调制速率的不同分为15小类,每类1000个信号,得到15000个信号样本。
第三步,对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制,生成2种调制信号,每种15000个信号样本。
所述的2种调制信号,每种15000个信号样本是由下述方式得到的,超短波频段的2种调制信号每种信号的帧长取10ms-800ms内的随机数,调制速率取1kBd-20kBd内的随机数。再将2种调制信号中的每种信号,依据帧长和调制速率的不同分为15小类,每类1000个信号,得到15000个信号样本。
步骤2,生成训练样本集和测试样本集。
第一步,对29种类型的编码调制联合信号和2种类型的调制信号,每一个信号样本的所有信息点,以100个信息点为间隔采样,将每次连续采集440个信息点组成一个信号样本,将所有的信号样本组成信号样本集。
第二步,从生成的信号样本集中随机抽取80%的样本,组成训练样本集,从余下的20%的样本中随机抽取整个信号样本集的10%组成验证样本集,将整个信号样本集最后余下的10%作为测试样本集。
步骤3,构建一维深度残差轻量网络模型。
第一步,搭建一个用于自动提取编码调制联合信号特征的一维深度残差轻量网络模型的结构。
所述的一维深度残差轻量网络模型结构如下:输入层→第一个卷积块→第一个一致块→第二个卷积块→第二个一致块→第一个全连接层→第一个批规范化层→第二个全连接层→第二个批规范化层→激活层→输出层。其中,每个卷积块包括4个一维卷积层,每个一致块包括3个一维卷积层,一维深度残差轻量网络模型共有两个卷积块和两个一致块,共计14个一维卷积层。
每个卷积块设置主路和捷径两个并行的支路:每个主路的结构设置为:卷积块主路的第一个卷积层→卷积块主路的第一个批规范化层→卷积块主路的第二个卷积层→卷积块主路的第二个批规范化层→卷积块主路的第三个卷积层→卷积块主路的第三个批规范化层→卷积块的融合层。每个捷径的结构设置为:卷积块捷径的卷积层→卷积块捷径的批规范化层→卷积块的融合层。
每个一致块设置主路和捷径两个并行的支路:每个主路的结构设置为:一致块主路的第一个卷积层→一致块主路的第一个批规范化层→一致块主路的第二个卷积层→一致块主路的第二个批规范化层→一致块主路的第三个卷积层→一致块主路的第三个批规范化层→一致块的融合层。每个捷径直接连接一致块的输入和一致块的融合层。
其中,一维深度残差轻量网络模型中除14个一维卷积层之外的其他结构层参数设置如下:
输入层设置为440个神经单元。
每个卷积块和每个一致块的融合层都设置为求和函数add。
第一个全连接层设置为64个全连接神经元。
第二个全连接层设置为31个全连接神经元。
激活层层设置为多分类函数softmax。
输出层设置为31个输出神经单元。
第二步,设定一维深度残差轻量网络模型中14个一维卷积层的参数。
所述的一维深度残差轻量网络中14个一维卷积层的参数设置如下:
在第一个卷积块中,将卷积块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×13的窗口。将卷积块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×15的窗口。将卷积块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×17的窗口。将卷积块捷径的卷积层设置为64个卷积核,每个卷积核为1×13的窗口。
在第一个一致块中,将一致块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×13的窗口。将一致块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×15的窗口。将一致块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×17的窗口。
在第二个卷积块中,将卷积块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×15的窗口。将卷积块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×17的窗口。将卷积块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×19的窗口。将卷积块捷径的卷积层设置为64个卷积核,每个卷积核为1×15的窗口。
在第二个一致块中,将一致块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×15的窗口。将一致块主路的第二个卷积层设置32个卷积核,每个卷积核为1×17的窗口。将一致块主路的第三个卷积层设置64个卷积核,每个卷积核为1×19的窗口。
第三步,将一维深度残差轻量网络模型的损失函数设置为对数损失函数,将一维深度残差轻量网络模型的优化算法选择为基于自适应矩阵估计的优化算法adam,将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数。
第四步,设置训练一维深度残差轻量网络模型时的训练次数,早期停止机制。
所述的设置训练一维深度残差轻量网络模型时的训练次数是指,在利用训练样本集训练一维深度残差轻量网络模型时,每批次训练512个训练样本,整个训练样本集的训练次数为20次。
所述的早期停止机制是指,在利用训练样本集训练一维深度残差轻量网络模型时,监测测试样本的损失函数值的变化,当损失函数值不再降低时再经过5次训练之后中止训练。
步骤4,训练一维深度残差轻量网络模型。
第一步,打乱训练样本集和验证样本集中所有样本的排列顺序,将训练样本集和验证样本集输入到一维深度残差轻量网络模型中。
第二步,训练一维深度残差轻量网络模型,当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时,完成神经网络的训练过程,得到训练好的一维深度残差轻量网络模型。
步骤5,获得识别准确率。
第一步,将测试样本集输入到训练好的一维深度残差轻量网络模型中,得到识别结果。
第二步,将识别结果与测试集的真实类别对比,统计识别正确率。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真条件:
本发明的仿真实验在Intel(R)I5-6600K CPU 3.5GHz,GTX1070,Ubuntu16.04LTS系统下,TensorFlow1.0.1运行平台上,完成本发明以及编码调制联合信号的产生和一维残差神经网络的仿真实验。
2.仿真实验内容:
本发明的仿真实验所用的无线电信号只需要在短波频段或超短波频段即可。所用的无线电信号按照本发明的步骤1,经过信道编码和调制之后生成的29种编码调制联合信号和2种调制信号的波形示意图如图2所示,图2(1)至图2(9)为短波波段的信号波形示意图,图2(10)至图2(31)为超短波波段的信号波形示意图。其中,图2(1)为汉明码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(2)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(3)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(4)为汉明码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(5)为码率为二分之一的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(6)为码率为三分之二的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(7)为汉明码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(8)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(9)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(10)为汉明码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(11)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(12)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(13)为码率为四分之三的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(14)为汉明码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(15)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(16)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(17)为码率为四分之三的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(18)为汉明码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(19)为码率为二分之一的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(20)为码率为三分之二的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(21)为码率为四分之三的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(22)为汉明码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(23)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(24)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(25)为码率为四分之三的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(26)为汉明码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(27)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(28)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(29)为码率为四分之三的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(30)为振幅调制的信号波形示意图。图2(31)为频率调制的信号波形示意图。
3.仿真实验结果分析:
本发明的仿真实验结果如图3所示。图3中的横轴代表训练次数,纵轴代表测试样本集每次训练的损失函数值train loss。在对一维深度残差轻量网络模型训练的过程中,统计每次训练结果的损失函数值,损失函数值越小代表模型的训练效果越好。由图3可见,随着训练次数的增加损失函数值递减并最终收敛并稳定,说明本仿真实验的训练效果随着训练次数的增加逐渐变好。
将测试样本输入到训练好的一维深度残差轻量网络模型中,得到29种编码调制联合信号和2种调制信号中每个信号的类型识别结果,再将每个信号的类型识别结果与测试样本集的真实类别进行对比,统计识别结果正确的测试样本的个数,求出识别结果正确的测试样本所占测试样本的百分比,得到本仿真实验的识别准确率为91%。
由以上的仿真实验可以说明,针对编码调制联合信号的识别,本发明可以完成编码调制联合信号的识别任务,方法有效可行。

Claims (7)

1.一种基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于:包括如下步骤:
(1)生成29种编码调制联合信号和2种调制信号:
(1a)将接收到的每一个无线电信号的信息序列,按照频段的不同进行信道编码,生成不同的编码信号;
(1b)将不同的编码信号按照频段的不同进行调制,生成29种类型的编码调制联合信号;其中短波频段的9种信号中每种25000个信号样本,超短波频段的20种信号中每种15000个信号样本;
(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制,生成2种调制信号,每种15000个信号样本;
(2)生成训练样本集和测试样本集:
(2a)对29种类型的编码调制联合信号和2种类型的调制信号,每一个信号样本的所有信息点,以100个信息点为间隔采样,将每次连续采集440个信息点组成一个信号样本,将所有的信号样本组成信号样本集;
(2b)从生成的信号样本集中随机抽取80%的样本,组成训练样本集,从余下的20%的样本中随机抽取整个信号样本集的10%组成验证样本集,将整个信号样本集最后余下的10%作为测试样本集;
(3)构建一维深度残差轻量网络模型:
(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型,其结构如下:输入层→第一个卷积块→第一个一致块→第二个卷积块→第二个一致块→第一个全连接层→第一个批规范化层→第二个全连接层→第二个批规范化层→激活层→输出层;其中,每个卷积块包括4个一维卷积层,每个一致块包括3个一维卷积层,一维深度残差轻量网络模型共有两个卷积块和两个一致块,共计14个一维卷积层;
每个卷积块设置主路和捷径两个并行的支路:每个主路的结构设置为:卷积块主路的第一个卷积层→卷积块主路的第一个批规范化层→卷积块主路的第二个卷积层→卷积块主路的第二个批规范化层→卷积块主路的第三个卷积层→卷积块主路的第三个批规范化层→卷积块的融合层;每个捷径的结构设置为:卷积块捷径的卷积层→卷积块捷径的批规范化层→卷积块的融合层;
每个一致块设置主路和捷径两个并行的支路:每个主路的结构设置为:一致块主路的第一个卷积层→一致块主路的第一个批规范化层→一致块主路的第二个卷积层→一致块主路的第二个批规范化层→一致块主路的第三个卷积层→一致块主路的第三个批规范化层→一致块的融合层;每个捷径直接连接一致块的输入和一致块的融合层;
(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数如下:
在第一个卷积块中,将卷积块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×13的窗口;将卷积块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×15的窗口;将卷积块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×17的窗口;将卷积块捷径的卷积层设置为64个卷积核,每个卷积核为1×13的窗口;
在第一个一致块中,将一致块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×13的窗口;将一致块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×15的窗口;将一致块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×17的窗口;
在第二个卷积块中,将卷积块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×15的窗口;将卷积块主路的第二个卷积层设置为32个卷积核,每个卷积核为1×17的窗口;将卷积块主路的第三个卷积层设置为64个卷积核,每个卷积核为1×19的窗口;将卷积块捷径的卷积层设置为64个卷积核,每个卷积核为1×15的窗口;
在第二个一致块中,将一致块主路的第一个卷积层设置为32个卷积核,每个卷积核为1×15的窗口;将一致块主路的第二个卷积层设置32个卷积核,每个卷积核为1×17的窗口;将一致块主路的第三个卷积层设置64个卷积核,每个卷积核为1×19的窗口;
其中,一维深度残差轻量网络模型中除14个一维卷积层之外的其他结构层参数设置如下:
输入层设置为440个神经单元;
每个卷积块和每个一致块的融合层都设置为求和函数add;
第一个全连接层设置为64个全连接神经元;
第二个全连接层设置为31个全连接神经元;
激活层层设置为多分类函数softmax;
输出层设置为31个输出神经单元;
(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数,选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam,将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数;
(3d)设置训练一维深度残差轻量网络模型时的训练次数,早期停止机制;
(4)训练一维深度残差轻量网络模型:
(4a)打乱训练样本集和验证样本集中所有样本的排列顺序,将训练样本集和验证样本集输入到一维深度残差轻量网络模型中;
(4b)训练一维深度残差轻量网络模型,当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时,完成神经网络的训练过程,得到训练好的一维深度残差轻量网络模型;
(5)获得识别准确率:
(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中,得到识别结果;
(5b)将识别结果与测试集的真实类别对比,统计识别正确率。
2.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(1a)中所述的将接收到的每一个无线电信号的信息序列,按照频段的不同进行信道编码是指,对于短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码的3种信道编码方式,生成3种编码信号;对于超短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码、码率为四分之三的432非系统卷积码的4种信道编码方式,生成4种编码信号。
3.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(1b)中所述的将不同的编码信号按照频段的不同进行调制是指,对于短波频段的3种编码信号分别采用正交相移键控调制QPSK、8移相键控调制8PSK、二进制频移键控调制2FSK的3种调制方式,生成9种编码调制联合信号;对于超短波频段的四种编码信号分别采用二进制频移键控和频率调制的二次调制、正交相移键控和频率调制的二次调制、二进制相移键控调制BPSK、正交相移键控调制QPSK、二进制频移键控调制2FSK的5种调制方式,生成20种编码调制联合信号。
4.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(1b)中所述的短波频段的9种信号中每种25000个信号样本,超短波频段的20种信号中每种15000个信号样本是由下述方式得到的:
A.短波频段的9种编码调制联合信号,每种信号的帧长取10ms-150ms内的随机数,调制速率取50Bd-2.4kBd内的随机数;再将9种编码调制联合信号中的每种信号,依据帧长和调制速率的不同分为25小类,每类1000个信号,得到25000个信号样本;
B.超短波频段的20种编码调制联合信号,其中,每种信号的帧长取10ms-800ms内的随机数,调制速率取1kBd-20kBd内的随机数;再将20种编码调制联合信号中的每种信号,依据帧长和调制速率的不同分为15小类,每类1000个信号,得到15000个信号样本。
5.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(1c)中所述的2种调制信号,每种15000个信号样本是由下述方式得到的:超短波频段的2种调制信号每种信号的帧长取10ms-800ms内的随机数,调制速率取1kBd-20kBd内的随机数;再将2种调制信号中的每种信号,依据帧长和调制速率的不同分为15小类,每类1000个信号,得到15000个信号样本。
6.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(3d)中所述的设置训练一维深度残差轻量网络模型时的训练次数是指,在利用训练样本集训练一维深度残差轻量网络模型时,每批次训练512个训练样本,整个训练样本集的训练次数为20次。
7.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法,其特征在于,步骤(3d)中所述的早期停止机制是指,在利用训练样本集训练一维深度残差轻量网络模型时,监测测试样本的损失函数值的变化,当损失函数值不再降低时再经过5次训练之后中止训练。
CN201711345300.3A 2017-12-15 2017-12-15 基于一维深度残差轻量网络的编码调制联合识别方法 Active CN108282263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711345300.3A CN108282263B (zh) 2017-12-15 2017-12-15 基于一维深度残差轻量网络的编码调制联合识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711345300.3A CN108282263B (zh) 2017-12-15 2017-12-15 基于一维深度残差轻量网络的编码调制联合识别方法

Publications (2)

Publication Number Publication Date
CN108282263A CN108282263A (zh) 2018-07-13
CN108282263B true CN108282263B (zh) 2019-11-26

Family

ID=62801804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711345300.3A Active CN108282263B (zh) 2017-12-15 2017-12-15 基于一维深度残差轻量网络的编码调制联合识别方法

Country Status (1)

Country Link
CN (1) CN108282263B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109274621B (zh) * 2018-09-30 2021-05-14 中国人民解放军战略支援部队信息工程大学 基于深度残差网络的通信协议信号识别方法
CN109684995A (zh) * 2018-12-22 2019-04-26 中国人民解放军战略支援部队信息工程大学 基于深度残差网络的特定辐射源识别方法及装置
CN109936423B (zh) * 2019-03-12 2021-11-30 中国科学院微电子研究所 一种喷泉码识别模型的训练方法、装置及识别方法
CN110009097B (zh) * 2019-04-17 2023-04-07 电子科技大学 胶囊残差神经网络、胶囊残差神经网络的图像分类方法
CN110647810A (zh) * 2019-08-16 2020-01-03 西北大学 一种无线电信号图像识别模型构建、识别方法及装置
CN110798417B (zh) * 2019-10-24 2020-07-31 北京邮电大学 一种基于循环残差网络的信号调制识别方法及装置
CN111490853A (zh) * 2020-04-15 2020-08-04 成都海擎科技有限公司 一种基于深度卷积神经网络的信道编码参数识别方法
CN111901267B (zh) * 2020-07-27 2021-07-02 重庆大学 基于短时傅里叶变换时频分析的多天线盲调制识别方法
CN112836569B (zh) * 2020-12-15 2023-01-03 泰山学院 基于序列卷积网络的水声通信信号识别方法、系统及设备
CN113259289B (zh) * 2021-05-13 2022-06-17 曾泓然 基于残差神经网络的单通道混叠信号调制模式识别方法
CN113312996B (zh) * 2021-05-19 2023-04-18 哈尔滨工程大学 一种混叠短波通信信号检测与识别方法
CN114548201B (zh) * 2021-11-15 2023-04-07 北京林业大学 无线信号的自动调制识别方法、装置、存储介质及设备
CN114448570B (zh) * 2022-01-28 2024-02-13 厦门大学 一种分布式联合信源信道编码系统的深度学习译码方法
CN116016064B (zh) * 2023-01-12 2024-06-28 西安电子科技大学 基于u型卷积去噪自编码器的通信信号降噪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5247584A (en) * 1991-01-10 1993-09-21 Bodenseewerk Geratetechnik Gmbh Signal processing unit for classifying objects on the basis of signals from sensors
JPH11331289A (ja) * 1998-05-12 1999-11-30 Sony Corp 復号化装置と受信装置と通信システム
CN106680775A (zh) * 2016-12-12 2017-05-17 清华大学 一种自动识别雷达信号调制方式的方法和系统
KR20170059040A (ko) * 2015-11-19 2017-05-30 전자부품연구원 비디오 부호화기의 최적 모드 결정 장치 및 최적 모드 결정을 이용한 비디오 부호화 방법
CN106936742A (zh) * 2017-05-02 2017-07-07 西安电子科技大学 基于神经网络的多档码速率自适应解调系统及方法
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107317778A (zh) * 2017-07-28 2017-11-03 西安电子科技大学 基于1d‑cnn的bpsk调制信号相位跳变检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5247584A (en) * 1991-01-10 1993-09-21 Bodenseewerk Geratetechnik Gmbh Signal processing unit for classifying objects on the basis of signals from sensors
JPH11331289A (ja) * 1998-05-12 1999-11-30 Sony Corp 復号化装置と受信装置と通信システム
KR20170059040A (ko) * 2015-11-19 2017-05-30 전자부품연구원 비디오 부호화기의 최적 모드 결정 장치 및 최적 모드 결정을 이용한 비디오 부호화 방법
CN106680775A (zh) * 2016-12-12 2017-05-17 清华大学 一种自动识别雷达信号调制方式的方法和系统
CN106936742A (zh) * 2017-05-02 2017-07-07 西安电子科技大学 基于神经网络的多档码速率自适应解调系统及方法
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107317778A (zh) * 2017-07-28 2017-11-03 西安电子科技大学 基于1d‑cnn的bpsk调制信号相位跳变检测方法

Also Published As

Publication number Publication date
CN108282263A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN108282263B (zh) 基于一维深度残差轻量网络的编码调制联合识别方法
CN107979554B (zh) 基于多尺度卷积神经网络的无线电信号调制识别方法
CN107103331B (zh) 一种基于深度学习的图像融合方法
CN108282426B (zh) 基于轻量级深度网络的无线电信号认知识别方法
CN108182450A (zh) 一种基于深度卷积网络的机载探地雷达目标识别方法
CN108243129B (zh) 基于注意力深度网络的无线电信号特征提取方法
CN104408481B (zh) 基于深度小波神经网络的极化sar图像分类方法
CN105160678A (zh) 基于卷积神经网络的无参考立体图像质量评估方法
CN109274621A (zh) 基于深度残差网络的通信协议信号识别方法
CN104459668A (zh) 基于深度学习网络的雷达目标识别方法
CN110532932A (zh) 一种多分量雷达信号脉内调制方式识别方法
CN112308008A (zh) 基于迁移学习的工作模式开集的雷达辐射源个体识别方法
CN109614905B (zh) 一种雷达辐射源信号深度脉内特征自动提取方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN110378205A (zh) 一种基于改进型cnn网络的复杂雷达辐射源识别算法
CN106203444B (zh) 基于条带波与卷积神经网络的极化sar图像分类方法
CN107239797A (zh) 基于全卷积神经网络的极化sar地物分类方法
CN108135003A (zh) 干扰类型识别模型的构建方法和系统
Li A new robust signal recognition approach based on holder cloud features under varying SNR environment
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN110048978A (zh) 一种信号调制识别方法
CN116797796A (zh) Drfm间歇采样下基于时频分析与深度学习的信号识别方法
CN114943245A (zh) 一种基于数据增强和特征嵌入的自动调制识别方法和装置
CN115097398A (zh) 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法
CN112084842A (zh) 一种基于深度语义模型的水文遥感图像目标识别方法

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