CN108900454B - 一种基于机器学习的调制方式参数盲检方法及装置 - Google Patents
一种基于机器学习的调制方式参数盲检方法及装置 Download PDFInfo
- Publication number
- CN108900454B CN108900454B CN201810689793.0A CN201810689793A CN108900454B CN 108900454 B CN108900454 B CN 108900454B CN 201810689793 A CN201810689793 A CN 201810689793A CN 108900454 B CN108900454 B CN 108900454B
- Authority
- CN
- China
- Prior art keywords
- signal
- detected
- modulation mode
- constellation
- modulation
- 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
Links
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0078—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location
- H04L1/0091—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location arrangements specific to receivers, e.g. format detection
Abstract
本申请实施例提供了一种基于机器学习的调制方式参数盲检方法及装置,属于无线通讯技术领域。所述方法包括:获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列;通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量;通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式。采用本发明,可以提高低信噪比场景中的盲检准确率。
Description
技术领域
本申请涉及无线通讯技术领域,特别是涉及一种基于机器学习的调制方式参数盲检方法及装置。
背景技术
在非正交多址接入技术中,接收端通过盲检算法,根据待检信号的特性即可获知干扰设备的调制方式,然后根据干扰设备的调制方式,删除待检信号中的干扰信号。
常用的最大似然盲检算法的处理过程为:1、接收端通过将目标信号的调制方式与发送设备可能选用的调制方式进行组合,得到多种联合调制方式,并生成每种联合调制方式对应的备选合成星座。2、接收端在每个备选合成星座中,针对待检信号的每个子载波,计算该子载波与距离最近的合成星座点的最短距离。然后根据对数最大似然公式,对所有子载波的最短距离的对数进行加和,得到每个备选合成星座对应的联合调制阶数。3、接收端比较计算出的多个联合调制阶数,确定最大联合调制阶数;然后用最大联合调制阶数减去目标信号的调制阶数,得到干扰设备的调制方式对应的调制阶数。接收端在备选调制方式集合中,根据各调制方式的调制阶数,确定干扰设备的调制方式。其中,备选调制方式集合中包括发送设备可能使用的多种调制方式。
传统的最大似然盲检算法在高信噪比的场景中盲检准确率高,但是在低信噪比场景中,盲检准确率低。
发明内容
本申请实施例的目的在于提供一种基于机器学习的调制方式参数盲检方法及装置,能够在低信噪比的场景中,提高盲检准确率。具体技术方案如下:
第一方面,提供了一种基于机器学习的调制方式参数盲检方法,其特征在于,所述方法应用于终端,所述方法包括:
获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的目标信号对应的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比。
第二方面,提供了一种基于机器学习的调制方式参数盲检装置,其特征在于,所述装置应用于终端,所述装置包括:
第一获取模块,用于获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的目标信号对应的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
第一确定模块,用于通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
第二确定模块,用于根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
第三确定模块,用于通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比。
第三方面,提供了一种终端,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现第一方面所述的方法步骤。
第四方面,提供了一种机器可读存储介质,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现第一方面所述的方法步骤。
本发明实施例提供了一种基于机器学习的调制方式参数盲检方法及装置,通过获取第一待检信号的星座图数据和第一备选合成星座序列,根据特征提取算法和特征映射算法确定第一待检信号的第二特征向量。然后根据第二特征向量和预先存储的分类模型,确定第一干扰设备的调制方式,基于本方案,能够提高低信噪比场景中的盲检准确率。
当然,实施本申请的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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一种基于机器学习的调制方式参数盲检方法的流程图;
图2为本发明实施例提供的一种基于机器学习的调制方式参数盲检方法的流程图;
图3为本发明实施例提供的一种基于机器学习的调制方式参数盲检方法的流程图;
图4为本发明实施例提供的一种基于机器学习的调制方式参数盲检方法的流程图;
图5为本发明实施例提供的一种基于机器学习的调制方式参数盲检装置的结构示意图;
图6为本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明实施例提供了一种基于机器学习的调制方式参数盲检方法,该方法应用于终端,终端是无线通信系统中,用于接收发送设备发送的目标信号的接收端,例如手机,智能抄表仪等智能家居设备。无线通信系统通常包括发送目标信号的发送设备、接收所述目标信号的接收终端和基站,另外,无线通信系统中还可能存在多个干扰设备。
其中,调制方式参数包括发送设备选用的调制方式对应的调制阶数。本发明实施例中,发送设备可能选用的调制方式包括:QPSK、16QAM、64QAM。QPSK对应的调制阶数为2,16QAM对应的调制阶数为4,64QAM对应的调制阶数为6。
终端通过对目标信号进行盲检,可以获知干扰设备的调制方式,与以往终端必须通过接收大量的信令来获取相同的信息相比,本方案提供的基于机器学习的调制方式参数盲检方法,可以降低无线通信系统的信令开销。
本发明实施例中,终端中至少包括接收系统、解调系统、基于机器学习的调制方式参数盲检系统、以及去解扰系统。为了便于理解,下面首先简述无线通信网络中,终端接收目标信号的过程。
无线通信系统中,发送设备会通过同一信道,同时向多个终端发送信息。具体过程为:发送设备针对每个终端选取一种调制方式,然后通过自身的调制系统和该调制方式,将对应该终端的待发送信息,转换为星座图数据形式的第一信号。发送设备会为多个终端对应的多个第一信号分配不同的发送功率,然后将各终端的第一信号叠加在一起生成叠加信号,将叠加信号同时发送至多个终端。
需要说明的是,待发送信息包括但不限于语音、文本、图片、视频等形式的数据文件。在叠加信号中,对于某一终端,发送设备对该终端发送的第一信号即为目标信号,发送设备对其他终端发送的第一信号为干扰信号,其他终端为干扰设备。易知,目标信号的调制方式即为目标设备的调制方式,相应的,干扰信号的调制方式即为干扰设备的调制方式。
终端通过接收系统接收到叠加信号后,通过解调系统,将叠加信号转换为对应于叠加信号的星座图数据,然后通过基于机器学习的调制方式参数盲检系统、和叠加信号的星座图数据,确定干扰设备的调制方式。终端通过去解扰系统,根据干扰设备的调制方式,删除叠加信号中的干扰信号。
终端在接收叠加信号的同时,还会接收基站发送的系统信令,系统信令包括当前接收的叠加信号中目标信号的调制方式,以及干扰设备的个数。
为了便于理解,将本发明实施例中的相关概念进行简要说明,具体如下:
终端内可以存储盲检信息文件,盲检信息文件至少包括盲检顺序表、目标信号的调制方式、干扰设备的候选调制方式集合、第一待检信号的星座图数据、第一干扰设备对应的多种第一联合调制方式、以及每种第一联合调制方式对应的第一备选合成星座序列。终端可以在接收系统信令后将目标信号的调制方式、以及干扰设备的个数存储至盲检信息文件中。
本发明实施例中,盲检顺序表包括第一待检信号对应的干扰设备的个数,和设备标识的序列,设备标识包括干扰设备的标识和目标设备的标识。设备标识的序列中,干扰设备的标识均位于目标设备的标识之前。当终端接收到叠加信号时,根据接收到的系统信令,确定叠加信号中干扰信号对应的干扰设备的个数,然后建立盲检顺序表。终端在盲检过程中,按照盲检顺序表中干扰设备的标识的排序,依次确定第一干扰设备。当终端已盲检并删除某一干扰设备对应的干扰信号后,将该干扰设备的标识记为0。
第一待检信号可以是终端接收的叠加信号,也可以是去解扰系统发送的再盲检信号。相应的,第一待检信号的星座图数据,可以是叠加信号的星座图数据,也可以是再盲检信号的星座图数据。终端通过去解扰系统删除叠加信号中的第一干扰设备对应的干扰信号后,得到的第一叠加信号,当第一叠加信号中仍然存在其他干扰设备的干扰信号时,终端将该第一叠加信号作为再盲检信号。
为了便于描述,本发明实施例中,将第一联合调制方式记为调制方式A,第一联合调制方式对应的调制阶数是第二联合调制阶数,将第二联合调制阶数记为调制阶数A。将第一备选合成星座对应的调制方式记为调制方式B,第一备选合成星座对应的调制阶数是第一联合调制阶数,将第一联合调制阶数记为调制阶数B。由于第一备选合成星座对应的调制方式,即为叠加信号对应的调制方式,所以叠加信号对应的调制方式也为调制方式B。
当存在多种第一联合调制方式时,可用调制方式A1、调制方式A2的方式以示区分,其他情况与之类似,不一一列举。
如图1所示,该方法的具体处理流程如下:
步骤101,获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列。
其中,第一待检信号至少包括第一干扰设备的干扰信号、以及目标设备的目标信号,第一备选合成星座序列包括多个第一备选合成星座、以及多个第一备选合成星座的排列顺序,第一备选合成星座由预先存储的目标信号的调制方式,以及预先存储的干扰设备的候选调制方式集合确定。
在实施中,终端接收并在盲检信息文件中存储第一待检信号的星座图数据后,通过基于机器学习的调制方式参数盲检系统,获取盲检信息文件中第一待检信号的星座图数据。终端根据盲检顺序表中,各干扰设备与目标设备对应的标识的排列顺序,确定排列在最前面且具有非0标识的干扰设备为第一干扰设备。然后,终端获取盲检信息文件中,第一干扰设备对应的多个第一备选合成星座序列,进而在多个第一备选合成星座序列中,选取某一未经过盲检的第一备选合成星座序列。
需要说明的是,第一待检信号至少包括第一干扰设备的干扰信号、以及目标设备的目标信号。第一备选合成星座序列包括多个第一备选合成星座、以及多个第一备选合成星座的排列顺序。第一备选合成星座由预先存储的目标信号的调制方式,以及预先存储的干扰设备的候选调制方式集合确定。本发明实施例中,干扰设备的候选调制方式集合至少包括QPSK、16QAM、64QAM。
本发明实施例还提供了一种生成第一备选合成星座序列的方法,具体过程为:终端通过盲检信息文件,获取目标信号的调制方式、干扰设备的候选调制方式集合、以及第一待检信号中干扰设备的个数。然后根据干扰设备的候选调制方式集合,第一待检信号中干扰设备的个数,以及目标信号的调制方式确定第一备选合成星座。终端针对第一干扰设备,根据候选调制方式集合中的各调制方式,分别确定对应的一个第一备选合成星座。将各第一备选合成星座按照一定的顺序排列,组成第一备选合成星座序列。本发明实施例中,终端将各第一备选合成星座,按照对应的第一干扰设备调制方式的调制阶数,从小到大依次排列,组成第一备选合成星座序列。
例如,本发明实施例中,假设目标信号的调制方式为16QAM,候选调制方式集合为{QPSK,16QAM,64QAM}。针对干扰设备数目的不同,采取的处理方式不同。
情况一、当干扰设备的个数为1时,处理过程为:
终端将该干扰设备设为第一干扰设备。终端根据候选调制方式集合{QPSK,16QAM,64QAM},以及目标信号的调制方式16QAM建立3个第一备选合成星座,3个第一备选合成星座分别对应第一待检信号的三种情况。第一种为第一干扰设备的调制方式为QPSK,第二种为第一干扰设备的调制方式为16QAM,第三种为第一干扰设备的调制方式为64QAM。
针对第一种情况,即当发送设备选用QPSK的调制方式调制发送至第一干扰设备的干扰信号时,产生的叠加信号包含QPSK和16QAM两种调制方式。第一待检信号对应的调制方式为调制方式B1,调制阶数B1为2+4=6。终端根据调制阶数B1,建立对应的第一备选合成星座,该第一备选合成星座中合成星座点的个数为2^6=64。
针对第二种情况,即当第一干扰设备选用16QAM的调制方式对目标信号进行干扰时,产生的叠加信号包含16QAM和16QAM两种调制方式。第一待检信号对应的调制方式为调制方式B2,。第一待检信号对应的调制方式为调制方式B2,调制阶数B2为4+4=8,终端根据调制阶数B2,建立对应的第一备选合成星座,该第一备选合成星座中合成星座点的个数为2^8=256。
针对第三种情况,即当第一干扰设备选用64QAM的调制方式对目标信号进行干扰时,产生的叠加信号包含64QAM和16QAM两种调制方式。第一待检信号对应的调制方式为调制方式B3,调制阶数B3为6+4=10,终端根据调制阶数B3,建立对应的第一备选合成星座,该第一备选合成星座中合成星座点的个数为2^10=1024。
终端将各第一备选合成星座,按照对应的第一干扰设备调制方式的调制阶数,从小到大依次排列,组成第一备选合成星座序列。
情况二、当干扰设备的个数为多个时,处理过程为:
终端获取盲检顺序表,并根据该盲检顺序表中,各干扰设备与发送设备对应的标识的排列顺序,确定排列在最前面且具有非0标识的干扰设备为第一干扰设备。
在建立对应于第一干扰设备的第一备选合成星座序列时,终端首先根据目标信号的调制方式,候选调制方式集合,以及第一待检信号中除第一干扰设备外的其他干扰设备的个数,确定多种调制方式A,以及多种调制方式A对应的调制阶数A。其中,调制方式A对应第一待检信号中,除第一干扰设备外的其他干扰设备,以及目标设备的联合调制方式。例如,本发明实施例中,当其他干扰设备的个数为1时,确定调制方式A的方法如情况一所述,对应于候选调制方式集合,调制阶数A可能有6、8、10,共3种情况。当其他干扰设备的个数超过1个时,调制阶数A的计算方法以此类推,不一一说明。
终端针对各调制方式A,根据候选调制方式集合{QPSK,16QAM,64QAM},建立3个第一备选合成星座,3个第一备选合成星座分别对应第一待检信号的三种情况。第一种为第一干扰设备的调制方式为QPSK,第二种为第一干扰设备的调制方式为16QAM,第三种为第一干扰设备的调制方式为64QAM。
终端将各第一备选合成星座,按照对应的第一干扰设备的调制方式的调制阶数,从小到大依次排列,组成多个第一备选合成星座序列。然后将各调制方式A,以及对应的第一备选合成星座序列存储至盲检信息文件中。
步骤102,通过预先存储的特征提取算法,根据第一备选合成星座序列和星座图数据,确定第一待检信号的第一特征向量。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,根据预先存储的特征提取算法,分别在第一备选合成星座序列中的各个第一备选合成星座中,对第一待检信号的星座图数据进行特征提取,得到对应的特征值。然后终端将各特征值按照第一备选合成星座序列中,对应的各第一备选合成星座的顺序排列,得到第一待检信号的第一特征向量。
需要说明的是,本发明实施例中,特征提取算法至少包括A-D Test
(Anderson-Darling Test,正态分布检验)。
步骤103,根据预先存储的特征映射算法和第一特征向量,确定第一特征向量对应的第二特征向量,其中,特征映射算法至少包括完全多项式映射、以及部分多项式映射。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将第一特征向量中的各特征值作为输入量,输入到预先存储的特征映射算法中,得到多个第一特征值。终端将各第一特征值按照一定的顺序排列,组成对应于第一特征向量的第二特征向量。
需要说明的是,特征映射算法至少包括部分多项式映射、完全多项式映射、以及非线性映射,例如:高斯核函数,Sigmoid(Sigmoid,S形)核函数、复合核函数,傅立叶级数核函数,B(Basis,基)样条核函数和张量积核函数等。
当分类模型为支持向量机时,终端选用的特征映射算法包括线性核函数、以及非线性核函数。
第二特征向量与第一特征向量相比,包含更多的特征值。本发明实施例中,终端通过特征映射算法和第一特征向量,确定第二特征向量的目的,是通过生成生成更多的特征值,增加第一待检信号对应的特征向量的维度。对于基于机器学习的调制方式参数盲检系统中的分类模型来说,提高第一待检信号对应的特征向量的维度,可以满足非线性分类需求,有利于提高分类模型分类的正确率。
步骤104,通过第二特征向量、预先存储的第一待检信号的特征元素以及预先存储的分类模型,确定第一干扰设备的调制方式,其中,第一待检信号的特征元素至少包括第一待检信号的第一信噪比。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,根据预先存储的第一待检信号的特征元素构建预先存储的分类模型,然后将第二特征向量作为输入量,输入到分类模型中,分类模型的输出为调制阶数B。终端将调制阶数B减去调制阶数A,计算出第一干扰设备调制方式的调制阶数,然后根据调制阶数与调制方式的对应关系,确定第一干扰设备的调制方式。
需要说明的是,第一待检信号的特征元素至少包括第一待检信号的第一信噪比。终端可通过信道估计算法或其他方式获取第一待检信号的第一信噪比。
可选的,如图2所示,通过预先存储的特征提取算法,根据第一备选合成星座序列和星座图数据,确定第一待检信号的第一特征向量的具体流程包括:
步骤201,针对第一备选合成星座序列中的每个第一备选合成星座,获取该第一备选合成星座中的合成星座点的个数N,其中,N是自然数。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,针对第一备选合成星座序列中的每个第一备选合成星座,根据该第一备选合成星座对应的调制阶数B,计算该第一备选合成星座对应的合成星座点的个数N。
其中,N由该第一备选合成星座的调制阶数B决定,N是自然数。例如,某个第一备选合成星座的调制阶数B为6时,该第一备选合成星座对应的合成星座点的个数N为2^6=64。
步骤202,根据N个合成星座点,将星座图数据划分为N个数据集合。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,在该第一备选合成星座中,显示第一待检信号的星座图数据,第一待检信号的星座图数据在各第一备选合成星座中显示为多个信号点。然后在该第一备选合成星座中,根据多个信号点与N个合成星座点的相对位置,通过欧式最短距离原则,分别计算多个信号点与N个合成星座点的距离。然后针对每个信号点,比较该信号点与N个合成星座点的距离,确定与该信号点距离最近的合成星座点,并在该合成星座点对应的数据集合中存储该信号点。由此,终端通过基于机器学习的调制方式参数盲检系统,将第一待检信号的星座图数据划分为N个数据集合,且N个数据集合与N个合成星座点一一对应。
本发明实施例中,针对每个第一备选合成星座,确定N个合成星座点的坐标与多个信号点的坐标为现有技术,不再具体解释。
步骤203,基于第一待检信号的N个数据集合,使用正态分布检验Anderson-Darling Test,计算得到对应的N个特征值,其中,特征值包括概率值或概率值的平方和均值。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,分别对第一待检信号中的N个数据集合进行特征提取。即,针对每个数据集合,将该数据集合中的多个信号点作为输入量,输入到正态分布检验Anderson-Darling Test中。正态分布检验Anderson-Darling Test的计算结果为概率值(probability value,p-value),终端通过基于机器学习的调制方式参数盲检系统,将概率值或者其他包含概率值的数学表达式作为特征值,由此得到对应于N个数据集合的N个特征值。
需要说明的是,特征值包括概率值、或概率值的平方和均值,或其他包含概率值的数学表达式。本方法首次提出,用特征值表示叠加信号的调制方式参数,进而准确表达干扰设备的调制方式信息。
这样,可以得到该备选星座合成序列对应的N个特征值。
步骤204,计算N个特征值的平均特征值,其中平均特征值是N个特征值的平均值。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将对应于N个数据集合的N个特征值全部相加,得到N个特征值的和,然后将N个特征值的和除以N,得到平均值。终端将该平均值作为N个特征值的平均特征值。
这样,针对第一备选合成星座序列中的每个第一备选合成星座,都可以确定出一个平均特征值。
步骤205,根据各第一备选合成星座对应的平均特征值,构成第一特征向量,第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座在第一备选合成星座序列中的排列顺序相同。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将各第一备选合成星座对应的平均特征值,作为第一特征向量的组成元素,然后根据各第一备选合成星座在第一备选合成星座序列中的排列顺序,将各第一备选合成星座对应的平均特征值,相应的放置在第一特征向量中。
本发明实施例中,终端通过基于机器学习的调制方式参数盲检系统,确定第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座,在第一备选合成星座序列中的排列顺序相同的目的是,为了提高分类模型的准确率。
终端通过基于机器学习的调制方式参数盲检系统,根据特征提取算法确定第一待检信号的第一特征向量,即对第一待检信号进行特征提取,是基于机器学习的调制方式参数盲检系统中最重要的部分,特征提取的第一特征向量正确与否从根本上影响盲检结果的正确率。
可选的,如图3所示,通过第二特征向量、预先存储的特征元素以及预先存储的分类模型,确定第一干扰设备的调制方式的具体过程包括:
步骤301,获取第一待检信号的第一信噪比。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,获取第一待检信号的第一信噪比。例如,终端可通过信道估计算法,计算第一待检信号的第一信噪比。
步骤302,在预先存储的模型数据组中,确定与第一信噪比满足预设接近度条件的目标信噪比,并将目标信噪比对应的模型参数作为目标模型参数,其中,模型数据组包括多个信噪比、以及每个信噪比对应的模型参数。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,根据预设的接近度条件,将第一待检信号的第一信噪比,分别与预先存储的模型数据组包含的多个第二信噪比进行对比。终端通过基于机器学习的调制方式参数盲检系统,选择与第一信噪比满足接近度要求的某个第二信噪比作为目标信噪比。然后将目标信噪比对应的模型参数,作为与第一信噪比对应的目标模型参数。
其中,模型数据组包括多个第二信噪比、以及每个第二信噪比对应的模型参数。模型参数是初始模型构建分类模型时的必要参数。接近度条件指第一信噪比与目标信噪比的差值不超过预设的步长的一半。步长为模型数据组中多个第二信噪比之间的最小差值。
步骤303,根据目标模型参数和预设的初始模型,建立分类模型,其中,分类模型至少包括逻辑回归、支持向量机或神经网络。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将目标模型参数输入至预设的初始模型中,构建分类模型。初始模型与分类模型的区别在于,初始模型缺少模型参数,无法直接对第一待检信号对应的第二特征向量进行分类。
其中,分类模型是逻辑回归(Logistic Regression,LR)、或支持向量机(SupportVector Machine,SVM)、或神经网络(Neural Network,NN)等可以实现分类的人工智能算法。
步骤304,根据分类模型和第二特征向量,确定第一待检信号的第一联合调制阶数。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将第一待检信号的第二特征向量,输入至分类模型中,分类模型输出第一待检信号对应的调制阶数B。
步骤305,根据第一联合调制阶数,和第一联合调制方式对应的第二联合调制阶数,确定第一干扰设备的调制方式的调制阶数,其中,第一联合调制方式对应第一备选合成星座序列。
在实施中,终端通过基于机器学习的调制方式参数盲检系统,将调制阶数B减去,调制方式A对应的调制阶数A,得到的结果为第一干扰设备的调制方式的调制阶数。
需要说明的是,终端根据目标设备与其他干扰设备的调制方式,确定了多种调制方式A,然后针对各调制方式A,分别建立了第一备选合成星座序列,因此一个调制方式A对应一个第一备选合成星座序列。
步骤306,根据第一干扰设备的调制方式的调制阶数,确定第一干扰设备的调制方式。
在实施中,终端根据第一干扰设备的调制方式的调制阶数,以及调制方式与调制阶数的对应关系,确定第一干扰设备对应的调制方式。
可选的,终端在通过基于机器学习的调制方式参数盲检系统,对第一待检信号进行盲检前,还包括:
步骤一、获取预先存储的训练集,其中,训练集包括多个待检信号样本、各待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、目标信号的调制方式、以及该待检信号样本的第二信噪比。
在实施中,终端在通过基于机器学习的调制方式参数盲检系统,对第一待检信号进行盲检前,需要先通过电子设备,获取预先存储的训练集。
其中,训练集包括多个待检信号样本、各待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、目标信号的调制方式、该待检信号样本的第二信噪比以及其他特征元素。电子设备为能够进行计算的智能设备,例如计算机。
步骤二、根据训练集和预先存储的训练算法,确定模型数据组。
在实施中,终端通过电子设备,分别将训练集中的各待检信号样本,输入到训练算法中,得到的结果为该待检信号样本的第二信噪比对应的模型参数。终端通过存储第二信噪比、以及第二信噪比对应的模型参数,确定模型数据组。
其中,训练算法为缺少模型参数的逻辑回归(Logistic Regression,LR)、或支持向量机(Support Vector Machine,SVM)、或神经网络(Neural Network,NN)等可以实现分类的人工智能算法。
需要说明的是,终端可以通过训练集和训练算法,确定除第二信噪比以外的其他特征元素对应的模型参数。终端不需要在每次使用基于机器学习的调制方式参数盲检方法前,都进行训练。
可选的,如图4所示,本发明实施例提供了一种根据训练集和预先存储的训练算法,确定模型数据组的方法,具体的处理过程包括:
步骤401,将训练集按照第二信噪比进行分类,得到多个训练子集。
在实施中,终端通过电子设备,将各待检信号样本按照第二信噪比进行分类,对应同一个第二信噪比的待检信号样本为一个训练子集,由此得到对应于多个第二信噪比的多个训练子集。
其中,第二信噪比是各待检信号对应的信噪比,预设各第二信噪比为一组等差数,各多个第二信噪比的最小差值即为步长。终端可以修改步长的值。本发明实施例中,步长可为1dB。
步骤402,在每个训练子集的各待检信号样本中,针对各目标干扰设备,根据干扰设备的候选调制方式集合、以及第三联合调制方式建立第二备选合成星座序列,其中,第三联合调制方式包括对目标信号的调制方式,与其他干扰设备的调制方式进行组合得到的调制方式。
在实施中,终端通过电子设备,针对每个训练子集的各待检信号样本,依次将该待检信号样本中的多个干扰信号对应的干扰设备,设置为目标干扰设备。然后针对各目标干扰设备,根据干扰设备的候选调制方式集合、以及第三联合调制方式,建立该目标干扰设备对应的第二备选合成星座序列。
其中,第三联合调制方式包括对目标信号的调制方式,与其他干扰设备的调制方式,进行叠加得到的调制方式。其他干扰设备指,该待检信号样本中除目标干扰设备外的干扰设备。第二备选合成星座序列中包含多个第二备选合成星座,以及多个第二备选合成星座的排列顺序。第二备选合成星座序列对应的调制方式的调制阶数为第三联合调制阶数。第三联合调制阶数,由所有其他干扰设备的调制方式对应的调制阶数,与发送设备的调制方式对应的调制阶数确定。在训练子集中,针对每个待检信号样本,对应的第三联合调制方式和第三联合调制阶数均唯一。
步骤403,通过特征提取算法,根据第二备选合成星座序列,得到各待检信号样本的第三特征向量。
在实施中,终端通过电子设备,根据特征提取算法,分别在第二备选合成星座序列中的各个第二备选合成星座中,对该待检信号样本的星座图数据进行特征提取,得到对应的特征值。然后将各特征值按照第二备选合成星座序列中,对应的各第二备选合成星座的顺序排列,得到该待检信号样本的第三特征向量。
由此,终端通过电子设备,得到每个训练子集中,各待检信号样本对应的第三特征向量。
步骤404,根据特征映射算法和各第三特征向量,确定各待检信号样本的第四特征向量。
在实施中,终端通过电子设备,针对各待检信号样本,将通过特征提取算法得到的第三特征向量中的各特征值作为输入量,输入到预先存储的特征映射算法中,得到多个第二特征值。终端通过电子设备,将多个第二特征值按照一定的顺序排列,组成对应于第三特征向量的第四特征向量,由此确定各待检信号样本的第四特征向量。
需要说明的是,第四特征向量中各第二特征值的排列顺序,与第二特征向量中各第一特征值的排列顺序一致。
步骤405,根据各待检信号样本的第四特征向量、对应的目标干扰设备的调制方式、以及当前训练子集对应的第二信噪比,通过初始模型,计算对应于第二信噪比的模型参数。
在实施中,终端通过电子设备,针对每个训练子集中的各待检信号样本,根据对应的目标干扰设备的调制方式,与第三联合调制阶数,确定该待检信号样本对应的第四联合调制阶数。然后将该待检信号样本的第四特征向量、第四联合调制阶数作为输入量,输入到初始模型中,计算该待检信号样本对应的模型参数。其中,第四联合调制阶数是,该待检信号样本对应的联合调制方式的调制阶数。
终端通过电子设备,对该训练子集中,各待检信号样本对应的各模型参数进行统计计算,将计算结果作为该训练子集的模型参数,即该第二信噪比对应的模型参数。统计计算的方法可以是对各待检信号样本的对应的各模型参数求平均值。
由此,终端通过电子设备,得到训练集中,各训练子集的第二信噪比对应的模型参数。
步骤406,在模型数据组中,存储模型参数、第二信噪比,以及模型参数与第二信噪比的对应关系。
在实施中,终端通过电子设备,在预先存储的模型数据组文件中,存储训练集中的多个第二信噪比、多个模型参数、以及各第二信噪比与各模型参数的对应关系。
本方法通过初始模型对训练集进行训练,在训练过程中获得大量的模型参数,并将模型参数保存在模型数据组中。然后根据模型数据组和分类模型,对接收到的叠加信号进行盲检,提高了盲检正确率。
可选的,本发明实施例提供了一种终端通过基于机器学习的调制方式参数盲检方法进行盲检的过程:
本发明实施例中,终端获取系统信令,并根据系统信令中干扰设备的个数,确定当前叠加信号中是否存在干扰信号。当叠加信号中不存在干扰信号时,终端通过基于机器学习的调制方式参数盲检系统判定盲检成功,即,盲检出该叠加信号中干扰信号的调制方式。
当叠加信号中包含的干扰信号只有一个时,终端将接收到的叠加信号作为第一待检信号,相应的,将叠加信号的星座图数据作为第一待检信号的星座图数据。终端将该干扰信号对应的干扰设备作为第一干扰设备,并确定第一干扰设备对应的第一备选合成星座序列。然后,终端通过基于机器学习的调制方式参数盲检系统、以及第一备选合成星座序列,确定第一干扰设备的调制方式,完成盲检。
当叠加信号中包含的干扰信号为多个时,终端需要通过新型调制方式盲检系统进行多个盲检循环,以删除各干扰设备对应的干扰信号。在每个盲检循环中,终端根据盲检顺序表中,各干扰设备与目标设备对应的标识的排列顺序,确定排列在最前面且具有非0标识的干扰设备为第一干扰设备。
具体的步骤如下:
步骤1,终端通过盲检顺序表确定第一干扰设备,然后获取第一干扰设备对应的多个第一备选合成星座序列。
本步骤的处理过程可以参照上述步骤101中的相关说明,此处不再赘述。
步骤2,终端针对每个第一备选合成星座序列,通过基于机器学习的调制方式参数盲检系统,确定第一干扰设备的调制方式,并通过去解扰系统删除第一干扰设备对应的干扰信号,得到第一叠加信号。
本步骤的处理过程可以参照上述步骤101~步骤104的说明,此处不再赘述。
步骤3,终端通过去解扰系统,判断第一叠加信号中是否包含第一干扰设备对应的干扰信号。
如果不存在,执行步骤4;如果存在,说明当前第一备选合成星座序列选取的不正确,执行步骤5。
步骤4,终端将第一叠加信号作为再盲检信号,即第一待检信号,更新盲检信息文件中的第一待检信号,以及第一待检信号的星座图数据。同时将盲检顺序表中,该干扰设备对应的标识记为0。返回步骤1,直至盲检顺序表中,所有干扰设备的标识均为0,终端通过基于机器学习的调制方式参数盲检系统判定盲检成功,即,盲检出该叠加信号中所有干扰信号的调制方式。
步骤5,终端选取该第一干扰设备对应的多个第一备选合成星座序列中,未经盲检的其他第一备选合成星座序列,通过基于机器学习的调制方式参数盲检系统,确定第一干扰设备的调制方式。然后,返回步骤3,直至遍历该第一干扰设备对应的所有第一备选合成星座序列。
当遍历所有第一备选合成星座序列,依然无法删除第一干扰设备对应的干扰信号时,终端通过基于机器学习的调制方式参数盲检方法,确定盲检失败。
本方法在不影响高信噪比场景中盲检正确率的前提下,最大限度地提高了低信噪比场景中干扰用户调制方式的盲检正确率,进而提高了整个无线通信系统在低信噪比场景的链路吞吐量。
本发明实施例提供了一种基于机器学习的调制方式参数盲检方法及装置,通过获取第一待检信号的星座图数据和第一备选合成星座序列,根据特征提取算法和特征映射算法确定第一待检信号的第二特征向量。然后根据第二特征向量和预先存储的分类模型,确定第一干扰设备的调制方式,基于本方案,能够提高低信噪比场景中的盲检准确率。
基于相同的技术构思,如图5所示,本发明实施例还提供了一种基于机器学习的调制方式参数盲检装置,其特征在于,所述装置应用于终端,所述装置包括:
第一获取模块510,用于获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的发送设备的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
第一确定模块520,用于通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
第二确定模块530,用于根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
第三确定模块540,用于通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比。
可选的,所述第一确定模块,包括:
第一获取子模块,用于针对所述第一备选合成星座序列中的每个所述第一备选合成星座,获取该第一备选合成星座中的合成星座点的个数N,其中,所述N是自然数;
第一划分子模块,用于根据所述N个合成星座点,将所述星座图数据划分为所述N个数据集合;
第一计算子模块,用于基于所述第一待检信号的所述N个数据集合,使用正态分布检验Anderson-Darling Test,计算得到对应的所述N个特征值,其中,所述特征值包括概率值或概率值的平方和均值;
第二计算子模块,用于计算所述N个所述特征值的平均特征值,其中所述平均特征值是所述N个所述特征值的平均值;
构成子模块,用于根据各所述第一备选合成星座对应的所述平均特征值,构成所述第一特征向量,所述第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座在所述第一备选合成星座序列中的排列顺序相同。
可选的,所述第三确定模块,包括:
第二获取子模块,用于获取所述第一待检信号的第一信噪比;
第一确定子模块,用于在预先存储的模型数据组中,确定与所述第一信噪比满足预设接近度条件的目标信噪比,并将所述目标信噪比对应的模型参数作为目标模型参数,其中,所述模型数据组包括多个信噪比、以及每个所述信噪比对应的模型参数;
第一建立子模块,用于根据所述目标模型参数和预设的初始模型,建立分类模型,其中,所述分类模型至少包括逻辑回归、支持向量机或神经网络;
第二确定子模块,用于根据所述分类模型和所述第二特征向量,确定所述第一待检信号的第一联合调制阶数;
第三确定子模块,用于根据所述第一联合调制阶数,和第一联合调制方式对应的第二联合调制阶数,确定所述第一干扰设备的调制方式的调制阶数,其中,所述第一联合调制方式对应所述第一备选合成星座序列;
第四确定子模块,用于根据所述第一干扰设备的调制方式的调制阶数,确定所述第一干扰设备的调制方式。
可选的,所述装置还包括:
第二获取模块,用于获取预先存储的训练集,其中,所述训练集包括多个待检信号样本、各所述待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、所述目标信号的调制方式、以及该所述待检信号样本的第二信噪比;
第四确定模块,用于根据所述训练集和预先存储的训练算法,确定所述模型数据组。
可选的,所述第四确定模块,包括:
第二划分子模块,用于根据所述训练集中各待检信号样本的第二信噪比,将所述训练集划分为多个训练子集;
第二建立子模块,用于在每个所述训练子集的各所述待检信号样本中,针对各所述目标干扰设备,根据所述干扰设备的候选调制方式集合、以及第三联合调制方式建立第二备选合成星座序列,其中,所述第三联合调制方式包括对发送设备的调制方式,与其他干扰设备的调制方式进行组合得到的调制方式;
得到子模块,用于通过所述特征提取算法,根据所述第二备选合成星座序列,得到各所述待检信号样本的第三特征向量;
第五确定子模块,用于根据所述特征映射算法和各所述第三特征向量,确定各所述待检信号样本的第四特征向量;
第三计算子模块,用于根据各所述待检信号样本的所述第四特征向量、对应的所述目标干扰设备的调制方式、以及当前所述训练子集对应的所述第二信噪比,通过所述初始模型,计算对应于所述第二信噪比的所述模型参数;
存储子模块,用于在所述模型数据组中,存储所述模型参数、所述第二信噪比,以及所述模型参数与所述第二信噪比的对应关系。
本发明实施例提供了一种基于机器学习的调制方式参数盲检方法及装置,通过获取第一待检信号的星座图数据和第一备选合成星座序列,根据特征提取算法和特征映射算法确定第一待检信号的第二特征向量。然后根据第二特征向量和预先存储的分类模型,确定第一干扰设备的调制方式,基于本方案,能够提高低信噪比场景中的盲检准确率。
本发明实施例还提供了一种终端,如图6所述,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,以使该节点设备执行如下步骤,该步骤包括:
获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及发送设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的发送设备的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比。
可选的,所述通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量,包括:
针对所述第一备选合成星座序列中的每个所述第一备选合成星座,获取该第一备选合成星座中的合成星座点的个数N,其中,所述N是自然数;
根据所述N个合成星座点,将所述星座图数据划分为所述N个数据集合;
基于所述第一待检信号的所述N个数据集合,使用正态分布检验Anderson-Darling Test,计算得到对应的所述N个特征值,其中,所述特征值包括概率值或概率值的平方和均值;
计算所述N个所述特征值的平均特征值,其中所述平均特征值是所述N个所述特征值的平均值;
根据各所述第一备选合成星座对应的所述平均特征值,构成所述第一特征向量,所述第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座在所述第一备选合成星座序列中的排列顺序相同。
可选的,所述通过所述第二特征向量、预先存储的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,包括:
获取所述第一待检信号的第一信噪比;
在预先存储的模型数据组中,确定与所述第一信噪比满足预设接近度条件的目标信噪比,并将所述目标信噪比对应的模型参数作为目标模型参数,其中,所述模型数据组包括多个信噪比、以及每个所述信噪比对应的模型参数;
根据所述目标模型参数和预设的初始模型,建立分类模型,其中,所述分类模型至少包括逻辑回归或支持向量机;
根据所述分类模型和所述第二特征向量,确定所述第一待检信号的第一联合调制阶数;
根据所述第一联合调制阶数,和第一联合调制方式对应的第二联合调制阶数,确定所述第一干扰设备的调制方式的调制阶数,其中,所述第一联合调制方式对应所述第一备选合成星座序列;
根据所述第一干扰设备的调制方式的调制阶数,确定所述第一干扰设备的调制方式。
可选的,所述方法还包括:
获取预先存储的训练集,其中,所述训练集包括多个待检信号样本、各所述待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、所述目标信号的调制方式、以及该所述待检信号样本的第二信噪比;
根据所述训练集和预先存储的训练算法,确定所述模型数据组。
可选的,所述根据所述训练集和预先存储的训练算法,确定所述模型数据组,包括:
根据所述训练集中各待检信号样本的第二信噪比,将所述训练集划分为多个训练子集;
在每个所述训练子集的各所述待检信号样本中,针对各所述目标干扰设备,根据所述干扰设备的候选调制方式集合、以及第三联合调制方式建立第二备选合成星座序列,其中,所述第三联合调制方式包括对发送设备的调制方式,与其他干扰设备的调制方式进行组合得到的调制方式;
通过所述特征提取算法,根据所述第二备选合成星座序列,得到各所述待检信号样本的第三特征向量;
根据所述特征映射算法和各所述第三特征向量,确定各所述待检信号样本的第四特征向量;
根据各所述待检信号样本的所述第四特征向量、对应的所述目标干扰设备的调制方式、以及当前所述训练子集对应的所述第二信噪比,通过所述初始模型,计算对应于所述第二信噪比的所述模型参数;
在所述模型数据组中,存储所述模型参数、所述第二信噪比,以及所述模型参数与所述第二信噪比的对应关系。
机器可读存储介质可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。另外,机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种基于机器学习的调制方式参数盲检方法及装置,通过获取第一待检信号的星座图数据和第一备选合成星座序列,根据特征提取算法和特征映射算法确定第一待检信号的第二特征向量。然后根据第二特征向量和预先存储的分类模型,确定第一干扰设备的调制方式,基于本方案,能够提高低信噪比场景中的盲检准确率。
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。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (6)
1.一种基于机器学习的调制方式参数盲检方法,其特征在于,所述方法应用于终端,所述方法包括:
获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的目标信号的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比;
其中,所述通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量,包括:
针对所述第一备选合成星座序列中的每个所述第一备选合成星座,获取该第一备选合成星座中的合成星座点的个数N,其中,所述N是自然数;
根据所述N个合成星座点,将所述星座图数据划分为所述N个数据集合;
基于所述第一待检信号的所述N个数据集合,使用正态分布检验Anderson-DarlingTest,计算得到对应的所述N个特征值,其中,所述特征值包括概率值或概率值的平方和均值;
计算所述N个所述特征值的平均特征值,其中所述平均特征值是所述N个所述特征值的平均值;
根据各所述第一备选合成星座对应的所述平均特征值,构成所述第一特征向量,所述第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座在所述第一备选合成星座序列中的排列顺序相同;
其中,所述通过所述第二特征向量、预先存储的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,包括:
获取所述第一待检信号的第一信噪比;
在预先存储的模型数据组中,确定与所述第一信噪比满足预设接近度条件的目标信噪比,并将所述目标信噪比对应的模型参数作为目标模型参数,其中,所述模型数据组包括多个第二信噪比、以及每个所述第二信噪比对应的模型参数;
根据所述目标模型参数和预设的初始模型,建立分类模型,其中,所述分类模型至少包括逻辑回归、支持向量机或神经网络;
根据所述分类模型和所述第二特征向量,确定所述第一待检信号的第一联合调制阶数;
根据所述第一联合调制阶数,和第一联合调制方式对应的第二联合调制阶数,确定所述第一干扰设备的调制方式的调制阶数,其中,所述第一联合调制方式对应所述第一备选合成星座序列;
根据所述第一干扰设备的调制方式的调制阶数,确定所述第一干扰设备的调制方式。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预先存储的训练集,其中,所述训练集包括多个待检信号样本、各所述待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、所述目标信号的调制方式、以及该所述待检信号样本的第二信噪比;
根据所述训练集和预先存储的训练算法,确定所述模型数据组。
3.根据权利要求2所述的方法,其特征在于,所述根据所述训练集和预先存储的训练算法,确定所述模型数据组,包括:
根据所述训练集中各待检信号样本的第二信噪比,将所述训练集划分为多个训练子集;
在每个所述训练子集的各所述待检信号样本中,针对各所述目标干扰设备,根据所述干扰设备的候选调制方式集合、以及第二联合调制方式建立第二备选合成星座序列,其中,所述第二联合调制方式包括对发送设备的调制方式,与其他干扰设备的调制方式进行组合得到的调制方式;
通过所述特征提取算法,根据所述第二备选合成星座序列,得到各所述待检信号样本的第三特征向量;
根据所述特征映射算法和各所述第三特征向量,确定各所述待检信号样本的第四特征向量;
根据各所述待检信号样本的所述第四特征向量、对应的所述目标干扰设备的调制方式、以及当前所述训练子集对应的所述第二信噪比,通过所述初始模型,计算对应于所述第二信噪比的所述模型参数;
在所述模型数据组中,存储所述模型参数、所述第二信噪比,以及所述模型参数与所述第二信噪比的对应关系。
4.一种基于机器学习的调制方式参数盲检装置,其特征在于,所述装置应用于终端,所述装置包括:
第一获取模块,用于获取第一待检信号的星座图数据,和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列,其中,所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号,所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序,所述第一备选合成星座由预先存储的目标信号的调制方式,以及预先存储的干扰设备的候选调制方式集合确定;
第一确定模块,用于通过预先存储的特征提取算法,根据所述第一备选合成星座序列和所述星座图数据,确定所述第一待检信号的第一特征向量;
第二确定模块,用于根据预先存储的特征映射算法和所述第一特征向量,确定所述第一特征向量对应的第二特征向量,其中,所述特征映射算法至少包括完全多项式映射、以及部分多项式映射;
第三确定模块,用于通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型,确定所述第一干扰设备的调制方式,其中,所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比;
其中,所述第一确定模块,包括:
第一获取子模块,用于针对所述第一备选合成星座序列中的每个所述第一备选合成星座,获取该第一备选合成星座中的合成星座点的个数N,其中,所述N是自然数;
第一划分子模块,用于根据所述N个合成星座点,将所述星座图数据划分为所述N个数据集合;
第一计算子模块,用于基于所述第一待检信号的所述N个数据集合,使用正态分布检验Anderson-Darling Test,计算得到对应的所述N个特征值,其中,所述特征值包括概率值或概率值的平方和均值;
第二计算子模块,用于计算所述N个所述特征值的平均特征值,其中所述平均特征值是所述N个所述特征值的平均值;
构成子模块,用于根据各所述第一备选合成星座对应的所述平均特征值,构成所述第一特征向量,所述第一特征向量中各平均特征值的排列顺序,与其对应的第一备选合成星座在所述第一备选合成星座序列中的排列顺序相同;
其中,所述第三确定模块,包括:
第二获取子模块,用于获取所述第一待检信号的第一信噪比;
第一确定子模块,用于在预先存储的模型数据组中,确定与所述第一信噪比满足预设接近度条件的目标信噪比,并将所述目标信噪比对应的模型参数作为目标模型参数,其中,所述模型数据组包括多个信噪比、以及每个所述信噪比对应的模型参数;
第一建立子模块,用于根据所述目标模型参数和预设的初始模型,建立分类模型,其中,所述分类模型至少包括逻辑回归、支持向量机或神经网络;
第二确定子模块,用于根据所述分类模型和所述第二特征向量,确定所述第一待检信号的第一联合调制阶数;
第三确定子模块,用于根据所述第一联合调制阶数,和第一联合调制方式对应的第二联合调制阶数,确定所述第一干扰设备的调制方式的调制阶数,其中,所述第一联合调制方式对应所述第一备选合成星座序列;
第四确定子模块,用于根据所述第一干扰设备的调制方式的调制阶数,确定所述第一干扰设备的调制方式。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取预先存储的训练集,其中,所述训练集包括多个待检信号样本、各所述待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、所述目标信号的调制方式、以及该所述待检信号样本的第二信噪比;
第四确定模块,用于根据所述训练集和预先存储的训练算法,确定所述模型数据组。
6.根据权利要求5所述的装置,其特征在于,所述第四确定模块,包括:
第二划分子模块,用于根据所述训练集中各待检信号样本的第二信噪比,将所述训练集划分为多个训练子集;
第二建立子模块,用于在每个所述训练子集的各所述待检信号样本中,针对各所述目标干扰设备,根据所述干扰设备的候选调制方式集合、以及第三联合调制方式建立第二备选合成星座序列,其中,所述第三联合调制方式包括对发送设备的调制方式,与其他干扰设备的调制方式进行组合得到的调制方式;
得到子模块,用于通过所述特征提取算法,根据所述第二备选合成星座序列,得到各所述待检信号样本的第三特征向量;
第五确定子模块,用于根据所述特征映射算法和各所述第三特征向量,确定各所述待检信号样本的第四特征向量;
第三计算子模块,用于根据各所述待检信号样本的所述第四特征向量、对应的所述目标干扰设备的调制方式、以及当前所述训练子集对应的所述第二信噪比,通过所述初始模型,计算对应于所述第二信噪比的所述模型参数;
存储子模块,用于在所述模型数据组中,存储所述模型参数、所述第二信噪比,以及所述模型参数与所述第二信噪比的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689793.0A CN108900454B (zh) | 2018-06-28 | 2018-06-28 | 一种基于机器学习的调制方式参数盲检方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689793.0A CN108900454B (zh) | 2018-06-28 | 2018-06-28 | 一种基于机器学习的调制方式参数盲检方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108900454A CN108900454A (zh) | 2018-11-27 |
CN108900454B true CN108900454B (zh) | 2020-02-18 |
Family
ID=64346725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810689793.0A Active CN108900454B (zh) | 2018-06-28 | 2018-06-28 | 一种基于机器学习的调制方式参数盲检方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900454B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110324080A (zh) * | 2019-06-28 | 2019-10-11 | 北京邮电大学 | 一种光性能监测的方法、装置、电子设备及介质 |
US11394446B2 (en) * | 2019-10-21 | 2022-07-19 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating interference based on machine learning |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059972A (zh) * | 2016-05-25 | 2016-10-26 | 北京邮电大学 | 一种基于机器学习算法的mimo相关信道下的调制识别方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266565B (zh) * | 2012-07-13 | 2023-02-10 | 适应性频谱和信号校正股份有限公司 | 用于通信链路性能估计的方法和系统 |
US9626361B2 (en) * | 2014-05-09 | 2017-04-18 | Webusal Llc | User-trained searching application system and method |
CN105656826B (zh) * | 2016-03-18 | 2018-10-30 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
CN106487730B (zh) * | 2016-10-19 | 2019-05-17 | 北京邮电大学 | 一种盲信号调制识别的方法及装置 |
CN107743107B (zh) * | 2017-10-31 | 2020-07-28 | 北京邮电大学 | 一种干扰源盲检方法及装置 |
-
2018
- 2018-06-28 CN CN201810689793.0A patent/CN108900454B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059972A (zh) * | 2016-05-25 | 2016-10-26 | 北京邮电大学 | 一种基于机器学习算法的mimo相关信道下的调制识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108900454A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900454B (zh) | 一种基于机器学习的调制方式参数盲检方法及装置 | |
Jdid et al. | Machine learning based automatic modulation recognition for wireless communications: A comprehensive survey | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN109617843B (zh) | 一种基于knn的弹性光网络调制格式识别方法 | |
CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN110233653A (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
CN110909224A (zh) | 一种基于人工智能的敏感数据自动分类识别方法及系统 | |
CN108182457A (zh) | 用于生成信息的方法和装置 | |
JP6627496B2 (ja) | 管理装置、コンピュータに実行させるためのプログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
Zhou et al. | Target-oriented semi-supervised domain adaptation for WiFi-based HAR | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
Castelli et al. | Generative adversarial networks for generating synthetic features for Wi-Fi signal quality | |
CN107743107B (zh) | 一种干扰源盲检方法及装置 | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Xing et al. | Method to reduce the signal‐to‐noise ratio required for modulation recognition based on logarithmic properties | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN106453174B (zh) | 基于信号调制识别的认知无线网络资源分配方法 | |
CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
CN111835541B (zh) | 一种流量识别模型老化检测方法、装置、设备及系统 | |
JP2018129715A (ja) | 無線通信システム、検知装置、無線通信端末、方法およびプログラム | |
Zhang et al. | Wi-Fi device identification based on multi-domain physical layer fingerprint | |
CN114417433A (zh) | 基于区块链安全认证的策略决策训练方法及云认证服务器 | |
Shelim et al. | A fast graph kernel based classification method for wireless link scheduling on riemannian manifold | |
Xiong et al. | Towards scalable zero-shot modulation recognition |
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 |