CN108718288A - 基于卷积神经网络的数字信号调制模式识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、变采样为中频信号；S3、进行中频滤波；S4、做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类，有效提高了数字信号调制模式的效率。

Description

基于卷积神经网络的数字信号调制模式识别方法

技术领域

本发明属于深度学习应用和数字信号调制模式识别领域，特别涉及一种基于卷积神经网络的数字信号调制模式识别方法。

背景技术

近年来，通信技术迅猛发展，为了满足用户的不同需求，充分利用通信资源，提高频谱利用率，通信信号的体制、调制方式变得多样化和复杂化，同一空间的信号也变得越来越密集。在电子战通信情报截获接收机的设计中，获得接收的通信信号的调制方式，为解调器选择解调算法提供参考依据，有助于电子战中最佳干扰样式或干扰抵消算法的选择，以保证友方通信，同时破坏和抑制敌方通信，实现通信对抗的目的。

现有的数字信号调制模式识别都采用传统的模式识别方法，首先从信号中人工提取特征，诸如统计量特征、谱相关特征、小波变换特征以及星座图特征等，然后根据这些特征判断与之对应的调制模式。这种传统的识别方法有很多缺点，首先必须相关领域的专家进行特征提取；其次提取特征的步骤繁琐，计算量大，效率低。

发明内容

本发明的目的在于克服现有技术因人工提取特征用以识别信号调制模式导致步骤繁琐，计算量大以及效率低的不足，提供一种通过卷积神经网络的方法对不同的数字调制信号进行特征提取，有效的提高了数字信号调制模式的效率的基于卷积神经网络的数字信号调制模式识别方法。

本发明的目的是通过以下技术方案来实现的：基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：

S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；

S2、将步骤S1得到的信号变采样为中频信号；

S3、对步骤S2得到的中频信号进行中频滤波；

S4、对中频滤波后的信号做幅值归一化处理；

S5、设计卷积神经网络用于提取信号特征；

S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。

进一步地，所述步骤S2包括以下子步骤：

S21、画出信号的时域频谱图，得到该信号的载波频率；

S22、用四倍的载波频率重采样该信号。

进一步地，所述步骤S4具体实现方法为：用0均值标准化方法对信号进行归一化，公式如下：

z＝(x-μ)/σ

其中，x代表步骤S3得到的原始信号，μ代表原始信号的均值，σ代表原始信号的标准差，z代表归一化之后的信号。

进一步地，所述步骤S5中的卷积神经网络包括：

一维卷积层conv1D：使用的激活函数为relu，用以对一维时域信号进行特征提取；

Dropout层：将在训练过程中每次更新参数时按一定概率随机断开输入神经元，Dropout层用于防止过拟合；

GlobalAveragePooling1D层：为时域信号施加全局最大值池化；

全连接层：将学到的“分布式特征表示”映射到样本标记空间的作用；

Softmax层：公式如下：

x为待识别的时域信号，K为总的类别数，k、i分别表示第k个类别和第i个类别，表示当前信号识别为第k类的映射值，表示当前信号识别为第i类的映射值，P(i)为x信号属于i类别的概率值；使用Softmax函数求得的概率最大值为实际上是与当前信号特征矢量在维度空间上最接近的信号类别。

进一步地，所述步骤S6包括以下子步骤：

S61、将信号分成适合输入卷积神经网络的多段等长序列；

S62、将每段序列输入神经网络进行分类；

S63、将每一段信号的每一个分类置信度求和再取平均值，平均值最大的那一类即为该信号的调制模式类别。

本发明的有益效果是：本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类。避免了传统的数字信号调制模式识别人工选取特征的复杂性以及计算复杂性，有效的提高了数字信号调制模式的效率，降低了调制模式识别的难度。

附图说明

图1为本发明的数字信号调制模式识别方法流程图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

本发明采用基于深度学习的方法对数字信号调制模式进行识别。首先，将接收到的信号进行变采样达到频率归一化，再对幅值做归一化。其次，采用卷积神经网络自动提取数字调制信号的特征。最后，判断提取到的特征属于哪一种数字信号调制模式，置信度最高的一类即为所属类别。

如图1所示，基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：

S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；

S2、将步骤S1得到的信号变采样为中频信号；包括以下子步骤：

S21、画出信号的时域频谱图，得到该信号的载波频率；

S22、用四倍的载波频率重采样该信号。

S3、对步骤S2得到的中频信号进行中频滤波；

S4、对中频滤波后的信号做幅值归一化处理；具体实现方法为：用0均值标准化方法对信号进行归一化，公式如下：

z＝(x-μ)/σ

其中，x代表步骤S3得到的原始信号，μ代表原始信号的均值，σ代表原始信号的标准差，z代表归一化之后的信号。

S5、设计卷积神经网络用于提取信号特征；卷积神经网络的设计属于本领域惯用技术手段，不再在赘述，本发明的卷积神经网络包括：

一维卷积层conv1D：使用的激活函数为relu，用以对一维时域信号进行特征提取；

Dropout层：将在训练过程中每次更新参数时按一定概率随机断开输入神经元，Dropout层用于防止过拟合；

GlobalAveragePooling1D层：为时域信号施加全局最大值池化；

全连接层(dense层)：将学到的“分布式特征表示”映射到样本标记空间的作用；

Softmax层：公式如下：

x为待识别的时域信号，K为总的类别数，k、i分别表示第k个类别和第i个类别，表示当前信号识别为第k类的映射值，表示当前信号识别为第i类的映射值，P(i)为x信号属于i类别的概率值；使用Softmax函数求得的概率最大值为实际上是与当前信号特征矢量在维度空间上最接近的信号类别。

S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式，包括以下子步骤：

S61、将信号分成适合输入卷积神经网络的多段等长序列；

S62、将每段序列输入神经网络进行分类；

S63、将每一段信号的每一个分类置信度求和再取平均值，平均值最大的那一类即为该信号的调制模式类别。

应用实例：

本实施例使用基于TensorFlow为后端的深度学习框架keras，设计接受序列长度为1000的卷积神经网络，包括3层使用激活函数为relu的conv1D卷积层、dropout层、GlobalAveragePooling1D层、两层全连接层以及激活函数Softmax；

使用MATLAB生成用于训练的数字调制信号，设置采样频率fs为93.3kHz，载波频率fc为fs/4并加上10％的频偏，码元速率为4—24kHz。共生成：2FSK、4FSK、BPSK、QPSK、8PSK、OQPSK、8QAM、16QAM、32QAM、GMSK十类信号样本，每一类信号3000个文件，每个文件截取20段长度为1000的序列。每类信号取不同的信噪比。将信号的75％作为训练集，25％作为验证集送入设计好的卷积神经网络进行训练，迭代100个epoch。

测试阶段：

(1)用MATLAB生成训练的十种不同类别的信号，保证采样频率fs在载波频率fc的4倍左右，载波频率fc在码元速率fd的1—6倍之间。每类在不同信噪比下各生成1000个文件。

(2)对每一类信号在不同信噪比下的数据分别送入卷积神经网络进行性能测试，得到十类信号的性能曲线。

本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类。避免了传统的数字信号调制模式识别人工选取特征的复杂性以及计算复杂性，有效的提高了数字信号调制模式的效率，并降低了调制模式识别的繁琐度和复杂性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.基于卷积神经网络的数字信号调制模式识别方法，其特征在于，包括以下步骤：

S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；

S2、将步骤S1得到的信号变采样为中频信号；

S3、对步骤S2得到的中频信号进行中频滤波；

S4、对中频滤波后的信号做幅值归一化处理；

S5、设计卷积神经网络用于提取信号特征；

S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。

2.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S2包括以下子步骤：

S21、画出信号的时域频谱图，得到该信号的载波频率；

S22、用四倍的载波频率重采样该信号。

3.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S4具体实现方法为：用0均值标准化方法对信号进行归一化，公式如下：

z＝(x-μ)/σ

其中，x代表步骤S3得到的原始信号，μ代表原始信号的均值，σ代表原始信号的标准差，z代表归一化之后的信号。

4.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S5中的卷积神经网络包括：

一维卷积层conv1D：使用的激活函数为relu，用以对一维时域信号进行特征提取；

Dropout层：将在训练过程中每次更新参数时按一定概率随机断开输入神经元，Dropout层用于防止过拟合；

GlobalAveragePooling1D层：为时域信号施加全局最大值池化；

全连接层：将学到的“分布式特征表示”映射到样本标记空间的作用；

Softmax层：公式如下：

x为待识别的时域信号，K为总的类别数，k和i分别表示第k个类别和第i个类别，表示当前信号识别为第k类的映射值，表示当前信号识别为第i类的映射值，P(i)为x信号属于i类别的概率值。

5.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S6包括以下子步骤：

S61、将信号分成适合输入卷积神经网络的多段等长序列；

S62、将每段序列输入神经网络进行分类；

S63、将每一段信号的每一个分类置信度求和再取平均值，平均值最大的那一类即为该信号的调制模式类别。