CN108566253B - 一种基于对信号功率谱拟合特征提取的信号识别方法 - Google Patents

Abstract

本发明公开了一种基于对信号功率谱拟合特征提取的信号识别方法，属于无线通信领域。首先将功率谱数据分为训练集和测试集，将训练集中不同种业务类别信号对应的功率谱截取等长的数据样本片段；采用最小二乘的线性回归算法对某数据样本片段A进行多项式拟合，构造代价函数J并最小化获得拟合多项式的参数；分别选取不同的多项式阶数，重复w次多项式拟合并提取最高阶项参数，获取数据样本片段A特征向量中的所有元素；重复上述步骤，得到该业务类别信号的特征向量集合F构建训练集矩阵；最后构建多层神经网络分类器模型，采用自适应矩估计算法寻找最优解，对测试集中的功率谱信号进行识别分类。本发明特征提取简单高效，信号识别率高，计算复杂度降低。

Description

一种基于对信号功率谱拟合特征提取的信号识别方法

技术领域

本发明属于无线通信领域，具体是一种基于对信号功率谱拟合特征提取的信号识别方法。

背景技术

信号识别是当今无线通信领域中的研究热点；随着物联网和移动通信的快速发展，海量设备的接入导致空中的电磁信号包含了越来越多的无线电业务，对频谱监测、干扰协调和无线电管理提出了新的挑战。

目前信号识别主要包含基于似然比的和基于特征的两种方法。在基于似然比的方法中，首先计算接收信号的似然函数来产生一个似然比，通过与预定义的决策门限比较，达到理论上的最优贝叶斯检测性能。但是由于计算量较大，需要仔细设计信号和噪声的模型而在实际中应用较少。基于特征(如高阶累积量、高阶矩、循环谱等随机信号的统计特征)的识别方法，使用专家特征来对接收的信号进行特征提取，并使用决策树或者神经网络等方法来决定感兴趣信号的类别。

上述基于似然函数和特征的信号识别方法均需要大量的先验信息，尤其是针对不同的信号需要不同的复杂的特征提取过程。因此，有较高要求的无线通信信号专家特征提取过程，导致了缺少对信号的统一标识方法，并且面对未知信号时泛化能力低，因此在实际应用过程中存在一定的局限性。

随着物联网和移动通信的发展，各种不同的无线电业务信号采用了更为复杂的调制方式，甚至很多新的物联网信号就是在传统的无线通信信号的基础上升级得到的；因而通过计算每一种信号的专家特征不仅低效，而且不具备广泛的适用性。面对越来越多的复杂信号，利用多种专家特征构建的协同表决模型进行识别，也会更加复杂。

在频谱监测、干扰协调和无线电管理等领域中，信号业务识别可以直接精准确定信号类型，并且在识别出信号业务类型的情况下也可以进一步识别信号的调制方式、编码速率等其他相关信息。所以信号业务类型识别在无线通信的相关领域都有重要的意义。因此，本发明主要关注无线电信号业务类型的识别，而非局限于信号的调制方式识别。

发明内容

本发明针对现有信号识别对多种信号进行分类时出现的专家特征复杂，导致识别效率较低的问题，为了提高对不同信号的精准识别，提出了一种基于对信号功率谱拟合特征提取的信号识别方法，对信号统一标识以提高识别的效率。

具体步骤如下：

步骤一、针对无线通信的频谱监测接收机，将实际采集的功率谱数据分为训练集和测试集。

步骤二、针对训练集中的不同l种业务类别信号，将每种业务类别信号对应的功率谱按照运行频段截取等长的数据样本片段(x,y)；

每种无线电业务类别信号分别采集n个数据样本片段；每个数据样本片段用(x,y)表示；x代表频率列向量，包含m个采样频点；y代表功率谱幅度值列向量，包含m个幅度值。

步骤三、针对某个业务类别信号的功率谱的某数据样本片段A，采用最小二乘的线性回归算法进行多项式拟合；

针对某个数据样本片段A，选取k阶多项式h(x)＝a^T*x＝a₀+a₁x+a₂x²+...+a_kx^k进行多项式拟合，公式如下：

a_k代表拟合系数，k值自主设定。是第m个采样频点的i次方；

步骤四、针对数据样本片段A，利用m个采样频点的预测值和真实值，构造代价函数J并最小化获得拟合多项式的参数；

代价函数J的计算公式如下：

h(x_j)代表每个数据样本片段中第j个采样频点的预测值；y_j代表每个数据样本片段中第j个采样频点的信号业务类型的真实值。

最小化代价函数J获得拟合多项式的参数(a₀,a₁,a₂,...a_k)；

步骤五、提取多项式拟合的最高阶项参数a_k作为数据样本片段A特征向量的一个元素；

步骤六、分别选取不同的多项式阶数，重复w次多项式拟合并提取最高阶项参数，从而获取数据样本片段A特征向量中的所有元素；

表达式如下：

表示第i'次利用k阶多项式进行拟合后提取的最高阶项参数因子元素；每个元素中k的取值不同。

步骤七、重复上述步骤，对该业务类别信号的n个数据样本片段，分别提取各自的特征向量，得到该业务类别信号的特征向量集合F；

表达式如下：F＝[f^[1],f^[2]...,f^[n]]^T，为一个w×n的矩阵。

其中，f^[1]表示第1个数据样本片段的特征向量，为一个w×1的列向量。

步骤八、根据l种业务类别信号的特征向量集合构建训练集矩阵F_all；

训练集矩阵表达式为：F_all＝[F₁,F₂,...F_l]，为一个w×nl的矩阵。

步骤九、利用深度学习算法构建多层神经网络分类器模型。

多层神经网络包括：输入层，隐藏层和输出层；

输入层的输入是对信号功率谱数据提取的拟合因子输入的节点数目等于特征向量的维度w，隐藏层为至少两层且节点数自行设定，激活函数为Relu函数，每个隐藏层的dropout参数自行设置，输出层数目采用softmax激活，节点数目为待分类信号的数目。

步骤十、将训练集矩阵作为输入对神经网络分类器模型进行训练，并采用自适应矩估计算法寻找最优解。

步骤十一、利用最优解对测试集中的功率谱信号进行识别分类。

神经网络分类器模型在输入每一个数据样本片段后，自动计算出对应于l种不同信号业务类别的概率，选取概率最大的类别作为最终的信号业务类别。

本发明的优点在于：

1)、一种基于对信号功率谱拟合特征提取的信号识别方法，用多项式拟合因子作为特征，实现对多种有待分类信号的统一标识，特征提取简单高效；

2)、一种基于对信号功率谱拟合特征提取的信号识别方法，使用统一的多项式拟合方法提取信号特征，无需再针对不同类别信号提取多种不同的复杂的专家特征进行比较，具有标识方法统一的优点。

3)、一种基于对信号功率谱拟合特征提取的信号识别方法，直接用基于深度学习的神经网络模型进行训练分类，无需再像传统理论的决策法那样确定各种门限作为判决条件，该深度学习的神经网络模型使得信号业务类别识别具有较高的识别率。

4)、一种基于对信号功率谱拟合特征提取的信号识别方法，在神经网络模型中采用自适应性的矩估计优化算法Adam(Adaptive Moment Estimation，自适应矩估计)，达到自适应性的调整优化学习速率，经过偏置校正后，每一次迭代学习率都有确定的范围，使得参数比较平稳，实现更加准确快速的收敛。

5)、一种基于对信号功率谱拟合特征提取的信号识别方法，相比于传统的专家特征提取如高阶累积量、高阶矩、循环谱等，计算复杂度降低。

附图说明

图1是本发明基于对信号功率谱拟合特征提取的信号识别方法的流程图。

图2是本发明信号功率谱数据拟合因子提取的示意图；

图3是本发明深度学习算法的神经网络分类器结构示意图；

图4是本发明提取拟合因子个数与分类准确率的变化对比图；

图5是本发明测试结果展示图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明结合机器学习领域的拟合回归算法，提出了一种新的统一标识信号特征的方法，对无线通信信号业务种类进行识别时，无需再针对不同信号提取不同的复杂的专家特征，并且结合深度学习神经网络进行训练分类，具有简单有效，识别率高的优点。

首先，将功率谱数据分为训练集和测试集；对于训练集，对信号的功率谱数据进行指定阶数的多项式拟合，提取每个拟合多项式的最高阶项的系数作为特征标记，也就是特征向量的一个元素。接着，根据需要进行拟合阶数逐步累加的多次多项式拟合，每次累加都提取最高阶参数做为特征向量中的一个元素，最终将提取的多个最高阶参数作为拟合因子，构建成特征向量训练集。接着利用深度学习构建的神经网络搭建分类器模型对提取的拟合特征进行信号识别：利用Adam算法进行最优化求解来不断优化模型参数，最后得到训练好的完整的分类器模型；在预测过程中，对训练好的分类器模型输入待预测的信号训练集，得到该输入对应于每一类别的概率，概率最大的类别即时预测结果。

如图1所示，具体步骤如下：

步骤一、针对无线通信的频谱监测接收机，将实际采集的功率谱数据分为训练集和测试集。

步骤二、针对训练集中的不同l种业务类别信号，将每种业务类别信号对应的功率谱按照运行频段截取等长的数据样本片段(x,y)；

每种无线电业务类别信号分别采集n个数据样本片段；每个数据样本片段用(x,y)表示，等长选取5MHz；x代表频率列向量，包含m个采样频点；y代表功率谱幅度值列向量，包含m个幅度值。

步骤三、针对某个业务类别信号的功率谱的某数据样本片段A，采用最小二乘的线性回归算法进行多项式拟合；

如图2所示，是本发明提出的拟合因子的正确提取方法；

针对某个数据样本片段A，选取k阶多项式h(x)＝a^T*x＝a₀+a₁x+a₂x²+...+a_kx^k进行多项式拟合，公式如下：

a_k代表拟合系数，k值自主设定。是第m个采样频点的第i次方。

步骤四、针对数据样本片段A，利用m个采样频点的预测值和真实值，阶构造代价函数J并最小化获得拟合多项式的参数；

造代价函数J的计算公式如下：

h(x_j)代表每个数据样本片段中第j个采样频点的预测值；y_j代表每个数据样本片段中第j个采样频点的信号业务类型的真实值。

最小化代价函数J获得拟合多项式的参数(a₀,a₁,a₂,...a_k)；

步骤五、提取多项式拟合的最高阶项参数a_k作为数据样本片段A特征向量的一个元素；

步骤六、分别选取不同的多项式阶数，重复w次多项式拟合并提取最高阶项参数，从而获取数据样本片段A特征向量中的所有元素；

表达式如下：

表示第i'次利用k阶多项式进行拟合后提取的最高阶项参数因子元素；f^[A]中每个元素中k的取值不同。

步骤七、重复上述步骤，对该业务类别信号的n个数据样本片段，分别提取各自的特征向量，得到该业务类别信号的特征向量集合F；

表达式如下：F＝[f^[1],f^[2]...,f^[n]]^T，为一个w×n的矩阵。

其中，f^[1]表示第1个数据样本片段的特征向量，为一个w×1的列向量。

步骤八、根据l种业务类别信号的特征向量集合构建训练集矩阵F_all；

训练集矩阵表达式为：F_all＝[F₁,F₂,...F_l]，为一个w×nl的矩阵。

步骤九、利用深度学习算法构建神经网络分类器模型。

如图3所示，三层深度神经网络包括：输入层，隐藏层和输出层；

输入层的输入是对信号功率谱数据提取的拟合因子输入的节点数目等于提取的拟合因子的个数，也就是特征向量的维度w，第一、二层两个隐藏层节点数目都为1200，各节点激活函数为修正线性单元Relu(Rectified linear unit)函数。让每次迭代随机的去更新网络权重参数，每个隐藏层设置dropout参数为0.2；达到通过引入随机性增加网络的对测试数据的泛化能力；最后一层是输出层采用softmax激活，节点数目就是待分类信号数目。

步骤十、将训练集矩阵F_all作为输入对神经网络分类器模型进行训练，并采用Adam算法寻找最优解。

相比于传统的基于梯度的优化算法，Adam算法可以自适应性的调整优化学习速率，经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，实现更加准确快速的收敛。

步骤十一、利用最优解对测试集中的功率谱信号进行识别分类。

深度学习神经网络分类模型训练完毕后，可用于对测试数据集中的功率谱信号进行识别分类。神经网络分类器模型在输入每一个数据样本片段后，自动计算出对应于l种不同信号业务类别的概率，选取概率最大的类别作为最终的信号业务类别。

本发明通过分别提取一次、二次、三次、四次、五次、九次拟合因子的个数作为特征向量与分类准确率的变化进行试验观测，如图4所示，当只进行一次特征提取，得到模型正确率较低只有60％左右，不能完全识别信号，说明一阶拟合因子不足以对频谱波形进行标识；之后在一阶拟合因子提取的基础上又增加了二阶拟合因子的提取，分类模型正确率有了进一步的提升但效果仍不够好；之后又增加了三次因子、四次因子、五次因子、九次因子，发现分类结果已经达到90％以上的正确率，且收敛速度更快，但是提取的三次因子以上的曲线基本达到同一种程度的准确率；拟合因子特征提取到三阶拟合系数就基本达到比较好的信号业务类别的识别效果。

如图5所示，本发明针对6种无线电业务实验信号的测试集：CDMA上行、CDMA下行、EGSM上行、EGSM下行、WLAN以及LTE进行识别，都达到了90％以上的识别准确率，除了EGSM上行信号其他信号都基本可以达到95％的识别准确率。

本发明以信号功率谱的拟合因子为特征值，利用拟合回归算法对信号的功率谱数据进行多项式拟合，提取多个多项式系数构建特征向量来对不同的业务信号进行标记；直接用拟合特征因子作为特征实现对多种有待分类信号的统一标识，无需再针对不同的目标信号提取不同的复杂的专家特征，特征提取简单高效，大大简化了特征提取的流程和计算复杂度；并且结合深度学习神经网络进行训练分类，具有识别率高的优点。

Claims (2)

1.一种基于对信号功率谱拟合特征提取的信号识别方法，其特征在于，具体步骤如下：

步骤一、针对无线通信的频谱监测接收机，将实际采集的功率谱数据分为训练集和测试集；

步骤二、针对训练集中的不同l种业务类别信号，将每种业务类别信号对应的功率谱按照运行频段截取等长的数据样本片段(x,y)；

每种无线电业务类别信号分别采集n个数据样本片段；每个数据样本片段用(x,y)表示；x代表频率列向量，包含m个采样频点；y代表功率谱幅度值列向量，包含m个幅度值；

步骤三、针对某个业务类别信号的功率谱的某数据样本片段A，采用最小二乘的线性回归算法进行多项式拟合；

针对某个数据样本片段A，选取k阶多项式h(x)＝a^T*x＝a₀+a₁x+a₂x²+...+a_kx^k进行多项式拟合，公式如下：

(a₀,a₁,a₂,...a_k)代表拟合系数，k值自主设定；是第m个采样频点的i次方；

步骤四、针对数据样本片段A，利用m个采样频点的预测值和真实值，构造代价函数J并最小化获得拟合多项式的参数；

代价函数J的计算公式如下：

h(x_j)代表每个数据样本片段中第j个采样频点的预测值；y_j代表每个数据样本片段中第j个采样频点的信号业务类型的真实值；

最小化代价函数J获得拟合多项式的参数(a₀,a₁,a₂,...a_k)；

步骤五、提取多项式拟合的最高阶项参数a_k作为数据样本片段A特征向量的一个元素；

步骤六、分别选取不同的多项式阶数，重复w次多项式拟合并提取最高阶项参数，从而获取数据样本片段A特征向量中的所有元素；

表达式如下：

表示第i'次利用k阶多项式进行拟合后提取的最高阶项参数因子元素；每个元素中k的取值不同；

步骤七、重复上述步骤，对该业务类别信号的n个数据样本片段，分别提取各自的特征向量，得到该业务类别信号的特征向量集合F；

表达式如下：F＝[f^[1],f^[2]...,f^[n]]^T，为一个w×n的矩阵；

其中，f^[1]表示第1个数据样本片段的特征向量，为一个w×1的列向量；

步骤八、根据l种业务类别信号的特征向量集合构建训练集矩阵F_all；

训练集矩阵表达式为：F_all＝[F₁,F₂,...F_l]，为一个w×nl的矩阵；

步骤九、利用深度学习算法构建多层神经网络分类器模型；

步骤十、将训练集矩阵作为输入对神经网络分类器模型进行训练，并采用自适应矩估计算法寻找最优解；

步骤十一、利用最优解对测试集中的功率谱信号进行识别分类；

神经网络分类器模型在输入每一个数据样本片段后，自动计算出对应于l种不同信号业务类别的概率，选取概率最大的类别作为最终的信号业务类别。

2.如权利要求1所述的一种基于对信号功率谱拟合特征提取的信号识别方法，其特征在于，步骤九中所述的多层神经网络包括：输入层，隐藏层和输出层；

输入层的输入是对信号功率谱数据提取的拟合因子输入的节点数目等于特征向量的维度w，隐藏层为至少两层且节点数自行设定，激活函数为Relu函数，每个隐藏层的dropout参数自行设置，输出层数目采用softmax激活，节点数目为待分类信号的数目。