CN109274621A - 基于深度残差网络的通信协议信号识别方法 - Google Patents

Abstract

本发明属于无线电信号识别技术领域，特别涉及一种基于深度残差网络的通信协议信号识别方法，包含：对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；利用灰度图像对深度残差网络模型进行训练；通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。本发明将深度残差网络运用到通信信号识别领域，克服传统方法对信号质量要求高、先验信息需求多等缺陷；在低信噪比，多径时延，多普勒频偏，以及信号部分特征被强干扰噪声所遮挡的情况下，依旧能准确识别协议类别，不依赖接收信号先验信息，可以直接对中频接收信号进行处理，性能稳健、运行高效，为后续该领域的相关研究提供思路，具有较强实际应用价值。

Description

基于深度残差网络的通信协议信号识别方法

技术领域

本发明属于无线电信号识别技术领域，特别涉及一种基于深度残差网络的通信协议信号识别方法。

背景技术

短波通信协议识别是短波通信对抗以及认知无线电领域的一个重要研究课题，对信号协议的准确识别，在通信干扰以及目标识别中发挥着极其重要的作用，如何对信号协议精准识别一直成为非合作接收方领域研究的热点。

传统的通信协议识别方法主要是人工观察时频谱法，为保证信号不被漏检，该方法需要大批经验丰富的专业人员对其所属频段进行不间断地观察，从而导致了严重的资源浪费。现代先进的通信协议自动识别技术主要涉及到软件无线电、调制识别、以及编码识别等众多技术领域。通信协议自动识别方法大体分为两类：一是基于信号调制特征的协议识别分析，二是基于比特流的协议识别分析。对于调制特征提取的协议识别方法中，基于时域特征模板匹配的识别算法，在先验信息充足时可取得较好的效果；基于频谱模板匹配的识别算法，在一定程度上克服了先验知识需求高的缺陷，但对信噪比较为敏感，在低信噪比下容易造成虚警。对于分类算法而言，基于支持向量机的方法已经运用于信号识别领域，能够呈现出较好的识别效果。但SVM自身存在许多不足：(1)支持向量对误差边界敏感，不适合大数据实验；(2)由于缺乏必要的概率信息，严重影响分类问题后续处理。(3)核函数的选取缺乏理论性指导。

发明内容

为此，本发明提供一种基于深度残差网络的通信协议信号识别方法，将时域模板匹配和频谱模板匹配拓展为时频谱模板匹配，并运用深度残差网络从时频数据中学习并挖掘最佳时频谱图模板，最终完成协议识别，提高信号识别率。

按照本发明所提供的设计方案，一种基于深度残差网络的通信协议信号识别方法，包含如下内容：

对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；

利用灰度图像对深度残差网络模型进行训练；

通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。

上述的，通过短时傅里叶变换作为时频分析手段，分析样本库中已知协议规格的通信协议信号的视觉特征。

优选的，通过短时傅里叶变换作为时频分析手段进行处理过程中，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，得到由各段信号构成的时频谱图。

优选的，设置协议信号时频谱图影响因素，对样本库中已知协议规格的通信协议信号进行时频分析，获取作为视觉特征的分类特征，其中，影响因素至少包含信号调制方式、参数设置、帧结构设置和传输模式。

上述的，深度残差网络模型为通过增加身份映射并利用网络模型去学习理想残差映射。

优选的，通过网络模型学习理想残差映射过程中，将H(x)标记为潜在映射，堆叠网络拟合的残差映射表示为F(x)＝H(x)-x，则原始映射修正为F(x)+x；通过对残差映射学习，自动整和网络模型中低维/中维/高维的视觉特征。

上述的，深度残差网络模型中，根据网络模型内部结构及实际训练需求，将输入的时频谱图灰度图像大小设置为一致，当输入图像和经过一个残差处理单元后输出特征图维度不匹配时，采用设定卷积核对输入图像进行升维操作。

上述的，深度残差网络模型中，输入图像经过每一层卷积处理后得到的特征图，针对这些特征图首先对其进行批标准化操作，以减少内部协变量位移的影响。

优选的，批标准化操作，包含如下内容：对输入的训练特征，通过反向传播优化，使得标准化后的参数适合神经网络中下一层的训练。

上述的，深度残差网络模型训练前，首先对其参数进行初始化，从样本库中随机提取一个批次数据进行训练学习，其中，参数包含偏置系数。

本发明的有益效果：

本发明将卷积神经网络运用到通信信号识别领域，首先对部分特定协议下的信号时频谱图呈现差异进行分析，通过深度残差网络进行信号识别，克服了传统方法对信号质量要求高、先验信息需求多等缺陷；在低信噪比，多径时延，多普勒频偏，以及信号部分特征被强干扰噪声所遮挡的情况下，依旧能准确识别协议类别。实验表明，当深度残差网络达到稳态时，识别准确率高，且算法不依赖接收信号的先验信息，可以直接对中频接收信号进行处理，性能稳健、运行高效，为后续该领域的相关研究提供了思路，具有较强的实际应用价值。

附图说明：

图1为实施例中的通信协议信号识别流程示意图；

图2为实施例中QPSK-25K帧头频谱与时频谱图示意；

图3为实施例中2ASK-16K帧头频谱与时频谱图示意；

图4为实施例中LINK4A帧头频谱与时频谱图示意；

图5为实施例中LINK11的AM传输模式与FM传输模式示意图；

图6为实施例中卷积神经网络示意图；

图7为实施例中残差单元基本框架；

图8为实施例中深度残差网络示意图；

图9为实施例中神经网络训练流程图；

图10为实施例中各协议在不同信噪比下的识别率示意图；

图11为实施例中信号在不同信道环境下的识别率示意图；

图12为实施例中频率混叠度对信号识别的影响示意图；

图13为实施例中网络对常规信号产生的虚警率示意图；

图14为实施例中不同类型的网络随着训练迭代轮数收敛情况示意图；

图15为实施例中残差单元个数对网络性能影响示意图；

图16为实施例中频偏对时域特征波形匹配的影响示意图；

图17为实施例中不同方法之间性能对比示意图；

图18为实施例中无特殊结构的2FSK对LINK4A的识别产生虚警情形示意图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

深度残差神经网络(Deep Residual Network，ResNet)属于卷积神经网络(Convolutional Neural Network，CNN)的范畴。在图像处理领域有着出色的表现。使用CNN时，可以有效克服传统的基于显式特征(纹理方向、边界线、轮廓等)的模式识别方法的缺点，隐式地从训练数据中进行自学习，择优选取适合反映样本独有性或排他性的特征，适应性以及推广能力强。为此，本发明实施例，参见图1所示，提供一种基于深度残差网络的通信协议信号识别方法，包含如下内容：

101、对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；

102、利用灰度图像对深度残差网络模型进行训练；

103、通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。

针对通信传输中LINK11或LINK4A等特定通信协议信号识别时，通过对通信协议信号进行时频分析，将信号的时频能量转换成灰度图像，而后对所构建的深度残差网络进行训练，克服了传统方法对信号质量要求高、先验信息需求多等缺陷。在低信噪比，多径时延，多普勒频偏，以及信号部分特征被强干扰噪声所遮挡的情况下，依旧能准确识别协议类别，提高信号识别的有效性和可靠性，具有较强的实际应用价值。

在短波通信信号正向设计过程中，为保证通信质量以及后续处理方便，通常会对信号设置一系列特定规则，这种特殊规则的建立导致信号呈现出不同的时频视觉特性。而在传统的协议识别手段中，都是基于信号的时频视觉特性，采用人工的时频谱图观察法。信号的时频分布具有良好的分类特性以及对低信噪比、混叠和强干扰的不敏感性。为此，本发明再一个实施例中，采用短时傅里叶变换作为时频分析手段，并首先通过对部分已知协议规格的信号的时频视觉特性进行理论探究，得出基于时频分析的协议识别方案的可行性，为后续基于卷积神经网络的特征提取与分类奠定基础。

对于信号S(t)，信号短时傅里叶变换可定义为：

其中，γ(g)表示窗函数。优选的，用一个中心对称的滑动窗来截取观测信号，对窗内信号进行傅里叶变换处理,最后得到各段信号构成的时频谱。如果用Δt、Δf分别表示STFT变换的时间分辨率和频率分辨率，则满足以下关系式：

称为Heisenberg不等式，或称测不准原理(Uncertainty principle)。通过测不准原理可知，时间分辨率和频率分辨率是一对矛盾，在运用过程中需折中选取。由于短波通信体制复杂，对于不同的调制方法在时频谱图上具有不同的视觉特性，而相同的调制方式由于所处的协议不同，帧结构以及信息的组合方式不相同，同样影响着信号的时频谱图。PSK调制信号可以表示为：

其中，A为信号幅度，g(t)表示成型波形，T_b表示基带脉冲持续时间，w_c为角频率，φ_c为载波初相，在一个码元持续时间内，φ_k为常数。对于短时傅里叶变换的窗函数γ(t)，假设为时宽为T的矩形窗。当帧头存在特殊结构时，时频谱图上会呈现不同的视觉特性，例如特定协议下的QPSK-25K，信息头部以四进制300300300...进行信息传递，φ_k以为周期变换时。信号可以写成：

其中RZG(·)表示周期为3T_b的脉冲波形，一个周期内的表达式为：

RZG(t)的傅里叶变换为：

由于对于任意的w不为零，因此RZG(t)在谱图上的呈现为g(w)(成型波形的频谱)为包络，间隔的冲击串。相当于将信号从基带搬移到w_c的位置，而γ(t)的截断效应，使得冲激函数能量泄露，变成峰值函数。最终式(4)呈现的频谱图以及短时傅里叶变换如图2中的QPSK-25K帧头频谱(a)与时频谱图(b)所示。

又如，特定协议下的2ASK-16K信号，信息头部以四进制20202020...进行信息传递时，φ_k以为周期变换。在谱图上的呈现为g(w)为包络，间隔的冲击串。但是式(6)中变为因此当w为0时，等式为零，也即中间谱线消失，如图3中的2ASK-16K帧头频谱(a)与时频谱图(b)所示。

对于FSK调制信号，同样可以其表示为：

角频率w_i∈{w₀,w₁,...,w_M-1}，M表示进制数，φ_i为载波初相，φ_i∈(0,2π)。对于FSK，g(t)通常为矩形成型。同理，当协议为LINK4A，信息头部以二进制010101…传递信息时，信号可以写成：

g₀(t),g₁(t)表示两种归零型脉冲波形：

对于式(8)，由于2FSK之间的频率间隔较大，在考虑w₀时，忽略w₁的影响。由傅里叶变换的卷积特性可知，的显示为以g₀(t)的傅里叶变换为包络，以为间隔的冲击串信号。g₀(t)的傅里叶变换幅度谱为：

由Sa(g)的性质可得，零点位置位于±nw_b，峰值位于因此的具体形状为在存在冲击，±nw_b处，由于位于Sa(g)的零点因此没有冲击。相当于将信号从基带搬移到w₀的位置，而γ(t)的截断效应，使得冲激函数能量泄露，因此最终的呈现为，距离w₀两端的位置显示出谱线，而后都是间隔w_b出现谱线。由于对称性，最终式(8)呈现的频谱图以及频谱如图4中的LINK4A帧头频谱(a)与时频谱图(b)所示。

调制方式的不同，导致时频图上存在明显差异。此外，在短波的通信体制内，信息经过调制后会以一定的传输模式(频带调制)进行传输。不同的传输模式同样导致了不同的时频分布。常见的传输模式有频率调制(Frequency Modulation,FM)和幅度调制(Amplitude Modulation,AM)。不同的传输模式，导致不同的时频谱图呈现形式。

S_AM(t)＝(A+m(t))cos(w_ct)

其中m(t)表示基带调制信号，根据傅里叶变换的齐次性以及频移特性，S_AM(t)时频谱图为单频w_c的两边出现对称的m(t)的时频形状。由于频率可以看成信号相位在某一时刻的导数，结合(11)，S_FM(t)谱图的呈现则以m(t)为包络。如图5，LINK11AM传输模式(a)的短波与FM传输模式(b)的超短波中所示。

通过理论探究部分特定协议下信号的时频呈现，设置协议信号时频谱图影响因素，对样本库中已知协议规格的通信协议信号进行时频分析，获取作为视觉特征的分类特征，其中，影响因素至少包含信号调制方式、参数设置、帧结构设置和传输模式。协议正向设计过程中，信号的调制方式以及参数设置、帧结构设置以及传输模式等情况的不同，在一定程度影响着该协议信号的时频结构。对信号进行时频分析可以得到良好的分类特征(视觉特征),运用该特征可以很好解决已知规格的协议信号识别问题，甚至是对新出现的未知规格的协议信号发现并归类问题。若能寻求到一种鲁棒性强的信号时频图特性提取算法，并用于后续分类识别，可以大大降低对有经验的专业人员的依赖性，具有很好的应用前景。这些结论都为后续利用卷积神经网络对通信信号进行协议识别提供理论支撑以及应用背景。

卷积神经神经网络作为一种特殊的人工神经网络，由于其良好的特征提取特性，近年来逐步运用于通信领域。其通过结合局部感知、权值共享、池化降采以及非线性映射等对数据特征逐层提取并高度抽象，从而进行后续工程应用。如图6所示，卷积神经网络是一个多层的神经网络，每一层由多个二维平面组成，称为卷积层，每个二维平面由卷积核(Convolution Kernel)和偏置构成。由于受到延迟神经网络的影响，采用权值共享来减少网络参数规模。经典的卷积核：拉普拉斯算子、反锐化掩模、DoG滤波器，具有旋转不变性可以提高细节以及边缘的可视性，从而实现定位。梯度类的卷积核如水平算子、垂直算子以及Sobel算子，在重要的变化方向，可增强小台阶以及其他细节的可见性。使用大尺寸的卷积核能够降低特征提取时对噪声的敏感程度，但是计算量大、硬件开销大，因此核尺寸的选取需要综合多方便因素考虑。由于不同的卷积核能够实现不同的特征提取功能，卷积神经网络通过设置一系列可训练的核，通过对样本的学习理解，最终形成最适应该背景下的特征提取核。

上式表示了数据在卷积层内所进行的运算，是第k层第j维的特征平面，M_j是表示输入特征平面总数，W_ij ^k表示第k-1层到第k层之间卷积核i和j位置的连接权重。b_j ^k表示偏置，f(g)表示激活函数，常用的激活函数有sigmoid和ReLU函数。

Sigmoid函数：

ReLU函数：

f(x)＝max(0,x) (14)

输入特征图经过卷积核后输出特征图尺寸满足：

其中，pad表示填充宽度，ks表示卷积核尺寸，stride表示步长。

深层卷积神经网络在图像处理领域取得了突破性成果。它可以随着学习自动整合低维/中维/高维的特征。从理论上来讲随着深度的增加，提取的特征就会变得越加丰富，分类性能越好。但是，实际过程中，过深的网络并不会提升系统分类性能，反之会产生性能下降的趋势，该问题称之为退化。可以通过增加身份映射来解决上述问题，这也就奠定了深度残差网络的基础。图7为一个残差单元的基本框架。不直接通过每个堆叠的卷积网络来学习一个理想的潜在映射，本发明的另一个实施例中，而是通过网络去学习理想的残差映射。优选的，将H(x)标记为潜在映射，堆叠的网络拟合的为残差映射F(x)＝H(x)-x，那么原始映射修正为F(x)+x。相对于原始的潜在映射，残差映射更容易优化。通过对残差的学习，解决了在网络层数加深网络退化的问题，进一步提升了网络的性能。卷积神经网络包含有两种：非深度残差神经网络和深度残差网络，通过从训练耗时以及模型最终准确率两个方面进行对比，得出深度残差神经网络性能的确优于非深度残差网络。

神经网络的训练大多数都是通过反向传播算法(Back Propagation，BP)来实现的，BP算法的基本原理为：根据当前层的误差来估计上一层的误差，并且逐层向前递推，反向计算每一层的误差。考虑一个多类别分类问题，类别数为C，训练样本数为N,代价函数的一种定义如下：

其中(x,y)表示输入样本，h_W,b(x)表示网络对输入样本x的预测值。

对于每一层都有：

z^l＝W^lx^l+b^l (17)

u^l＝f(z^l) (18)

对于第L层为输出层，残差δ^L定义为：

对于第一层到第L-1层隐含层，残差δ^k满足：

计算所需要的偏导数：

最后更新权重参数W,b：

其中α为学习率。通过反复运用反向传播算法迭代减少代价函数J(W,b:x,y)的值，进而求解神经网络参数。

通信信号识别与大多数分类问题相似，都是通过监督学习的算法对模型进行训练，进而测试未知数据。本发明实施例中，将数据转换成时频谱图的形式，时频能量分布模拟成像素点，利用卷积神经网络良好的特征学习能力自主训练时频谱图特征。并比较分析了普通卷积神经网络与深度残差网络对识别性能的影响，体现出残差神经网络的优势。同时分析了残差单元个数的影响，得出当残差单元为4时为最佳选择。基于上述分析，设计了基于深度残差网络的信号识别模型，图8为本发明实施例中设计的深度残差网络模型的基本示意图，本发明再一个实施例中，由于网络内部结构以及实际训练需求，训练时时频谱图大小需一致，结合实际短波信号搜索需求，训练过程中，将时频图的尺寸统一设置为320×320。本发明实施例中，主要对7类特定通信协议信号进行识别，为使网络更稳健，考虑类外信号干扰时，额外追加一类噪声类，共8类信号。本发明另一个实施例中，当输入图像和经过一个残差处理单元后输出特征图维度不匹配时，采用设定卷积核对输入图像进行升维操作，如图8中，虚线表示当输入特征图和经过一个残差单元后的输出特征图维度不匹配时，采用1×1的卷积核对输入特征图进行升维操作。优选的，当每一层数据经过卷积后得到了特征图，并未直接进行激活函数处理，而是先对数据进行批标准化(BatchNormalization)，由于训练过程中各层的输入会随着前一层参数的变化而变化，因此前一层输出的结果将在很大程度上影响后续网络的训练，如果各层的输出结果动态范围不一，也即出现量纲上的影响，网络参数的调节将会变得困难，该现象可称之为内部协变量位移(internal covariate shift)。例如，计算神经网络的代价函数为：

J＝F₂(F₁(u,θ₁),θ₂) (25)

其中F₁,F₂为各层的激活函数，我们通过对θ₁，θ₂的训练来优化代价函数J。当优化θ₂时，将上一层的输输出写成x＝F₁(u,θ₁)，因此损失函数可以写成J＝F₂(x,θ₂)。因此通过梯度下降法来优化θ₂：

(m表示批次大小，α表示学习率)从上式可以看出对于θ₂的优化很大程度上由输入x_i决定，若每次x_i的量纲都不相同，则训练的参数梯度也将不同，最终严重影响参数优化。因此，需保证每次训练时x_i的量纲处于同一水平。对于该问题的解决可以通过批标准化来实现，并且批标准化可以使用更高的学习率，最终使得网络能够快速收敛。对于本发明中技术方案通信协议识别模型，同样通过对比实验，设计了一种不使用批量标准化的深度残差网络模型与本发明中技术方案的模型进行对比，证明了批量标准化确实可以大大优化了对网络的训练。对特征图的批量标准化按照如下步骤操作：

表1批量标准化处理流程

在对网络进行训练前，首先对卷积神经网络的参数进行初始化，偏置系数初始化为全0，卷积核构造时考虑正值和负值之和为零可避免整体亮度偏移，训练时每个批次设置为300个样本,当达到设定条件时，终止训练，并保存模型，训练流程如图9所示。

为验证本发明的有效性，下面通过具体的仿真实验数据做进一步解释说明：

实验软件以及硬件环境如下表：

表2实验环境配置

采用GPU对算法进行实现，通过GPU的多个核心，并行加速处理运算，大大减少训练时长，实现平台采用由Goolge开发的深度学习平台TensorFlow。

实验1：信号环境对网络识别率的影响

实验信号采用QPSK-25K，2ASK-16K，LINK11，LINK4A，CPM，CLOVER2000，2GALE体制下的仿真信号，信号的符号速率以及成型波形等具体参数按照协议指定的条件实现，信号的载频f_i在一定范围内随机产生，信号时频图的频率分辨率为信噪比的范围为-10～10dB，进行500次蒙特卡罗仿真实验。

由图10可以看出所设计的网络对不同协议下的信号噪声敏感度不同。在信噪比为0dB时，除LINK4A外，识别准确率都能达到90％，在信噪比为5dB时，LINK4A识别率达到90％。因此在低信噪比和环境下，利用本发明中技术方案能够有效地对该7类协议进行识别。

在实际无线信道中，由于多普勒频偏以及多径时延的存在，导致信道具有时间选择性和频率选择性衰落特性，这些特性对信号的传输质量起有决定性作用。为检验无线信道对算法性能的影响，利用ITU-R中的F.1487标准中的建议Watterson信道模型作为短波测试信道，测试本发明实施例中短波信道下信号协议识别方法，下表3为F.1487标准建议的Watterson参数，识别效果如图11所示，可以看出本发明实施例中的技术方案在Watterson信道模型下仍具有稳健性。

表3 Watterson信道模型参数

为了测试时频图上特定帧结构信息被部分遮挡对网络识别性能影响。采用不含帧结构的PSK信号对目标信号进行时频混叠，由于对于时频混叠程度没有一个严格定义，按照如下方法对时频混叠进行定义，混叠信号中只有两个分量信号，在时间上信号完全重叠，频域上混叠度定义为：

其中Δf₁,Δf₂为各信号带宽，Δf₁₂为重叠带宽，信噪比为两者功率之比。如图12所示，识别率随着混叠程度的降低而上升，三种混叠情况在信噪比为10dB时，都达到了95％。因此，本发明技术方案能够很好的克服信号混叠的情况。

对于稳健性，考虑当信号非上述指定协议类型信号时，网络产生的虚警率。采取不同信噪比下的常规QPSK、16QAM、32MTone、4FSK信号送入网络进行识别。每一类在各信噪比下的样本数为1000，参数设置和上述协议信号一致，最终识别结果如图13所示，可以看出，在各信噪比下虚警率总和不超过3％，符合现实需求。

实验2：网络参数对识别性能的影响

本实验探讨不同网络参数的选取对网络性能的影响，主要从训练迭代过程中对测试样本的识别率来判断。网络在每进行10次迭代训练后，对测试样本进行测试得到图14识别曲线。每一次测试随机从7类协议的样本数据中随机抽取600个信号样本，且信号的信噪比以及混叠情况均随机。

从图14中，可以看出，当网络未使用批量标准化时，网络的准确率随着训练次数的增加并没有预期上升，网络变得难以训练，最终并未收敛。使用批标准化时，深层的残差网络得以训练。当网络为简单的层层堆砌卷积神经网络而不采用残差神经网络时，网络的收敛速度明显较残差网络慢，并且从图中可以看出当网络达到稳定时，识别结果较残差网络差大约2％。对于残差单元的影响，主要从识别率和训练耗时来考虑，从图15中可以看出，当残差单元个数为4时，系统为最优设计。

实验3：方法对比

传统的通信信号协议识别主要分为两种：基于信号调制特征的协议识别分析，基于比特流的协议识别分析。基于比特流的协议识别分析需要对信号进行解调译码，处理流程以及技术细节复杂，通常只作为后续补充验证实验，而不作为一种识别手段。基于信号调制特征的协议识别分析主要分为基于时域特征波形匹配和基于频域特征波形匹配，基于时域特征波形匹配算法需准确获知目标信号的标准模板。目标信号和标准模板进行时域相关运算得到相关系数，通过相关系数的对比得到协议类别，该算法性能和本发明实施例中的技术方案能相当，但所需先验信息知识远高于本发明中公开的技术方案，如在协议信息未知情况下，需逐层对信号进行处理，得到信号解调后的信息，复杂度高，且频偏较为敏感。如图16所示，当信号存在微小频偏时，相关系数值急剧下降，严重影响算法性能，而本发明中技术方案不存此类问题。

基于频域特征波形匹配算法的思想和基于时域特征波形匹配算法的思想类似，是将时域特征波形变更为频域波形，该方法对频偏不敏感，但由于信号时域信息损失过大，使得对类外信号容易造成误判，如图17和图18所示，类外信号为无特殊结构但调制参数和LINK4A相同的2FSK时，对LINK4A的识别很容易产生虚警，而本发明实施例中技术方案则具有很强的抗虚警能力；结合了基于时域特征波形匹配算法以及基于频域特征波形匹配算法优点，同时规避了两者的缺点，在多维层面上对信号进行分析，具有很强的实用性。

深度学习技术作为人工智能的前沿技术，在图像、语音以及文本处理领域广泛使用，然而在通信信号识别领域研究较少。本发明中，通过利用深度神经网络特性，并结合通信信号识别领域的技术瓶颈，将两类学科交叉融合，更好的解决了低噪声，多径时延，多普勒频偏，强干扰以及强混叠条件下特定协议的识别问题。通过使用深度残差网络，在卷积层通过对信号特征像素化，最终完成信号特征的逐层提取与高度抽象。实验证明，深度残差网络可以很好的用于通信信号协议识别问题，并且预测精度高，分类性能良好，具有很强的推广价值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于深度残差网络的通信协议信号识别方法，其特征在于，包含如下内容：

对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；

利用灰度图像对深度残差网络模型进行训练；

通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。

2.根据权利要求1所述的基于深度残差网络的通信协议信号识别方法，其特征在于，通过短时傅里叶变换作为时频分析手段，分析样本库中已知协议规格的通信协议信号的视觉特征。

3.根据权利要求2所述的基于深度残差网络的通信协议信号识别方法，其特征在于，通过短时傅里叶变换作为时频分析手段进行处理过程中，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，得到由各段信号构成的时频谱图。

4.根据权利要求2所述的基于深度残差网络的通信协议信号识别方法，其特征在于，设置协议信号时频谱图影响因素，对样本库中已知协议规格的通信协议信号进行时频分析，获取作为视觉特征的分类特征，其中，影响因素至少包含信号调制方式、参数设置、帧结构设置和传输模式。

5.根据权利要求1所述的基于深度残差网络的通信协议信号识别方法，其特征在于，深度残差网络模型为通过增加身份映射并利用网络模型去学习理想残差映射。

6.根据权利要求5所述的基于深度残差网络的通信协议信号识别方法，其特征在于，通过网络模型学习理想残差映射过程中，将H(x)标记为潜在映射，堆叠网络拟合的残差映射表示为F(x)＝H(x)-x，则原始映射修正为F(x)+x；通过对残差映射学习，自动整和网络模型中低维/中维/高维的视觉特征。

7.根据权利要求1所述的基于深度残差网络的通信协议信号识别方法，其特征在于，深度残差网络模型中，根据网络模型内部结构及实际训练需求，将输入的时频谱图灰度图像大小设置为一致，当输入图像和经过一个残差处理单元后输出特征图维度不匹配时，采用设定卷积核对输入图像进行升维操作。

8.根据权利要求1所述的基于深度残差网络的通信协议信号识别方法，其特征在于，深度残差网络模型中，输入图像经过每一层卷积处理后得到的特征图，针对这些特征图首先对其进行批标准化操作，以减少内部协变量位移的影响。

9.根据权利要求8所述的基于深度残差网络的通信协议信号识别方法，其特征在于，批标准化操作，包含如下内容：对输入的训练特征，通过反向传播优化，使得标准化后的参数适合神经网络中下一层的训练。

10.根据权利要求1所述的基于深度残差网络的通信协议信号识别方法，其特征在于，深度残差网络模型训练前，首先对其参数进行初始化，从样本库中随机提取一个批次数据进行训练学习，其中，参数包含偏置系数。