CN109120563A - 一种基于神经网络集成的调制识别方法 - Google Patents
一种基于神经网络集成的调制识别方法 Download PDFInfo
- Publication number
- CN109120563A CN109120563A CN201810885094.3A CN201810885094A CN109120563A CN 109120563 A CN109120563 A CN 109120563A CN 201810885094 A CN201810885094 A CN 201810885094A CN 109120563 A CN109120563 A CN 109120563A
- Authority
- CN
- China
- Prior art keywords
- modulation
- neural network
- data set
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 5
- 238000012567 pattern recognition method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001001631 Ploceus manyar Species 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于通信技术领域,具体的说是一种基于神经网络集成的调制识别方法。本发明基于神经网络集成的调制识别方法,利用了卷积神经网络自动提取综合的抽象化特征,避免了传统方法的设计和选用信号特征,事实上,可以通过改变训练集的方式得到不同的分类器来适应绝大多数的调制方式,此外,本发明使用集成策略加强了在低信噪比下的识别性能。
Description
技术领域
本发明属于通信技术领域,具体的说是涉及一种基于神经网络集成的调制识别方法。
背景技术
自从C.S.Weaver等四名学者于1969年在斯坦福大学的技术报告上发表了第一篇研究通信信号自动调制识别的文章以来,通信信号的自动调制识别技术一直是通信领域的研究热点,其在电子侦察与对抗、频谱监测与管理等领域都有着广泛的应用,对于通信智能化具有重要意义。现有调制识别技术主要可分为两大类:基于假设检验的最大似然方法和基于特征提取的模式识别方法。
基于假设检验的最大似然方法是一种统计方法,其利用概率模型推导,在观测采样值、观测值的概率密度达到最大时找出最为合理的参数估计量。从贝叶斯估计的角度来说,基于假设检验的最大似然方法的结果是最优的,但该类方法对参数偏差和模型失配较为敏感,在现实的复杂通信环境中难以广泛应用。
相比于基于假设检验的最大似然方法,基于特征提取的模式识别方法比较稳定,实用性更强。目前,用于调制识别的信号特征主要包括时域或变换域特征参数:时域特征包括瞬时幅度、瞬时频率和瞬时相位;变换域特征包括功率谱、谱相关函数、时频分布以及其它的统计参数。但绝大多数基于特征提取的模式识别方法受其所选用特征的限制,往往只能针对特定的某几种调制方式,可识别范围比较狭窄,特征的设计与选择是此类方法的最大障碍。此外,多数基于特征提取的模式识别方法对于信噪比有一定要求,在低信噪比下的识别性能并不理想。
发明内容
本发明的目的,就是针对上述问题,提供一种基于神经网络集成的调制识别方法,本质上依然是基于特征提取的模式识别方法,但相比于传统方法需要预先确定设计特征,本发明利用卷积神经网络从信号基带波形中自动地提取综合的抽象化特征,且通过改变数据集重新训练即可适应新的调制方式,应用性显然更强。此外,本发明通过集成策略加强了分类器决策边界的鲁棒性,使得该方法在低信噪比下的表现更为优异。
本发明采用的技术方案为:
一种基于神经网络集成的调制识别方法,主要用于识别数字调制方式(PSK/QAM),其特征在于,所述调制识别方法包括以下步骤:
S1:准备数据集
通过MATLAB生成仿真信号,然后模拟实际的信号发送、传输和接收过程,或是通过信号接收机直接采集实际信号。在接收到信号后,经下变频、低通滤波可得到基带信号。每次采样8个码元长度的数据,经重采样构成128维的样本,并归一化样本,不间断连续采样,获取大量样本构成带标签的数据集。
若需要识别的信号调制方式有k种,构建数据集为:
D={(x1,y1),(x2,y2),…,(xm,ym)}
其中y∈{1,2,…,k};
S2、训练识别器:
建立k个二元的数据子集S1,…,Sk,其中:
数据子集Si是数据集D中标签为i而标注标签值为+1(否则为-1)的样本点集合;符号“label”指标签,即带有该标签的数据集;
对于每一种调制类别i∈[k],都需要训练一个基于Si专用于识别这第i种信号的识别器,训练过程描述如下:
1:for t=1,2,…,T do
2:
3:end for
其中,是基学习算法,用卷积神经网络实现,结构如图1所示,其希望学习得到一个二元预测器h:当且仅当x属于调制类别i时,h(x)的输出等于+1;表示基于分布从数据集Si训练出分类器ht;T是训练轮数,且T必须为奇数;
使用简单的投票法集成这T个二元预测器,最终输出投票结果的置信度;
S3、构建分类器:
输入样本x,并行地输入每种调制类别所属识别器,得到置信度P1(x),…,Pk(x),经softmax综合得到各个调制类别的后验概率,最终构建的分类器为:
S4:识别通信信号
利用训练好的分类器对未知调制方式的通信信号进行识别。
本发明的有益效果为,本发明基于神经网络集成的调制识别方法,利用了卷积神经网络自动提取综合的抽象化特征,避免了传统方法的设计和选用信号特征,事实上,可以通过改变训练集的方式得到不同的分类器来适应绝大多数的调制方式,此外,本发明使用集成策略加强了在低信噪比下的识别性能。
附图说明
图1是本发明实施例所采用的基分类器的结构;
图2是本发明实施例平均识别准确率随信噪比的变化图形。
具体实施方式
下面结合附图和实施例说明本发明的实际效果,以便本领域的技术人员更好地理解本发明。
实施例
本实施例的目的是对不同调制方式的信号进行识别,对识别准确率进行验证。本实施例中的数据来源于实际的卫星通信信号,信号传输速率为2M Baud,包含五种调制方式{2PSK,4PSK,8PSK,16QAM,64QAM},即k=5,记作i=1,2,3,4,5。由接收机负责接收信号,接收信号的信噪比大约为35dB,将接收后的射频信号转化到70M中频,然后进一步做下变频、低通滤波转换为基带信号。每次采样8个码元符号构成128维的数据样本,归一化样本,对每一种信号都采集20万个样本,构成数据集D。对于每一种信号调制类别i∈[k],都训练一个识别器,输出Pi(x),然后基于Pi(x)构建softmax分类器用于识别。为了测试本发明所提方法在低信噪比下的性能,通过对接收信号直接添加不同强度的高斯白噪声,使得信噪比在-10到6dB之间变化,在每种信噪比下,采用10次10折交叉验证取平均识别准确率,结果如图2所示。
Claims (1)
1.一种基于神经网络集成的调制识别方法,其特征在于,包括以下步骤:
S1、获取数据集:
对接收信号,每次采样8个码元长度的数据,经重采样构成128维的样本,并归一化样本,通过不间断连续采样,获取大量样本构成带标签的数据集;
根据需要识别的信号调制方式的种类k,构建数据集为:
D={(x1,y1),(x2,y2),…,(xm,ym)}
其中y∈{1,2,…,k};
S2、训练识别器:
建立k个二元的数据子集S1,…,Sk,其中:
数据子集Si是数据集D中标签为i而标注标签值为+1或者-1的样本点集合;
对于每一种调制类别i∈[k],都需要训练一个基于Si专用于识别这第i种信号的识别器,训练过程描述如下:
1:for t=1,2,…,T do
2:
3:end for
其中,是基学习算法,用卷积神经网络实现,其希望学习得到一个二元预测器h:当且仅当x属于调制类别i时,h(x)的输出等于+1;表示基于分布从数据集Si训练出分类器ht;T是训练轮数,且T必须为奇数;
使用简单的投票法集成这T个二元预测器,最终输出投票结果的置信度;
S3、构建分类器:
输入样本x,并行地输入每种调制类别所属识别器,得到置信度P1(x),…,Pk(x),经softmax综合得到各个调制类别的后验概率,最终构建的分类器为:
S4、利用训练好的分类器对未知调制方式的通信信号进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810885094.3A CN109120563B (zh) | 2018-08-06 | 2018-08-06 | 一种基于神经网络集成的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810885094.3A CN109120563B (zh) | 2018-08-06 | 2018-08-06 | 一种基于神经网络集成的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109120563A true CN109120563A (zh) | 2019-01-01 |
CN109120563B CN109120563B (zh) | 2020-12-29 |
Family
ID=64851811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810885094.3A Active CN109120563B (zh) | 2018-08-06 | 2018-08-06 | 一种基于神经网络集成的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120563B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
CN111709496A (zh) * | 2020-08-18 | 2020-09-25 | 北京邮电大学 | 基于神经网络的调制方式识别及模型训练方法和装置 |
CN113792852A (zh) * | 2021-09-09 | 2021-12-14 | 湖南艾科诺维科技有限公司 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516036A (zh) * | 2015-11-27 | 2016-04-20 | 电子科技大学 | 一种cpfsk调制识别方法 |
CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108172213A (zh) * | 2017-12-26 | 2018-06-15 | 北京百度网讯科技有限公司 | 娇喘音频识别方法、装置、设备及计算机可读介质 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
-
2018
- 2018-08-06 CN CN201810885094.3A patent/CN109120563B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516036A (zh) * | 2015-11-27 | 2016-04-20 | 电子科技大学 | 一种cpfsk调制识别方法 |
CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108172213A (zh) * | 2017-12-26 | 2018-06-15 | 北京百度网讯科技有限公司 | 娇喘音频识别方法、装置、设备及计算机可读介质 |
Non-Patent Citations (3)
Title |
---|
KRISHNA KARRA: "Modulation recognition using hierarchical deep neural networks", 《2017 IEEE INTERNATIONAL SYMPOSIUM ON DYNAMIC SPECTRUM ACCESS NETWORKS》 * |
李佳宸: "基于深度学习的数字调制信号识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
秦立龙: "基于神经网络集成的数字调制模式识别", 《航天电子对抗》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110086737B (zh) * | 2019-03-13 | 2021-07-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN110163282B (zh) * | 2019-05-22 | 2022-12-06 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
CN111709496A (zh) * | 2020-08-18 | 2020-09-25 | 北京邮电大学 | 基于神经网络的调制方式识别及模型训练方法和装置 |
CN113792852A (zh) * | 2021-09-09 | 2021-12-14 | 湖南艾科诺维科技有限公司 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
CN113792852B (zh) * | 2021-09-09 | 2024-03-19 | 湖南艾科诺维科技有限公司 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109120563B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN101834819B (zh) | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 | |
CN110086737A (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
CN114465855B (zh) | 一种基于注意力机制与多特征融合的自动调制识别方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN111507299A (zh) | 一种频域上使用卷积神经网络识别stbc信号的方法 | |
Jajoo et al. | Blind signal modulation recognition through density spread of constellation signature | |
Furtado et al. | Automatic Modulation Classification in Real Tx/Rx Environment using Machine Learning and SDR | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
Prakasam et al. | Modulation identification algorithm for adaptive demodulator in software defined radios using wavelet transform | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN112202696B (zh) | 基于模糊自编码器的水声信号自动调制识别方法 | |
Jajoo et al. | Blind signal digital modulation classification through k-medoids clustering |
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 |