CN109495214A - 基于一维Inception结构的信道编码类型识别方法 - Google Patents

Abstract

本发明公开了基于一维Inception结构的信道编码类型识别方法，包括以下步骤：S1、生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；S2、构造一维Inception结构；S3、构建基于一维Inception结构的信道编码类型识别模型；S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；S5、训练基于一维Inception结构的信道编码类型识别模型的最终形式；S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。本发明通过更改Inception结构设计了新的一维卷积神经网络，并将该神经网络应用到了一维信号的信道编码类型识别，通过接收到了解调信号可以准确率的判断信道编码类型，对后续的信道编码参数识别、信道译码等工作有重要意义。

Description

基于一维Inception结构的信道编码类型识别方法

技术领域

本发明属于通信技术领域，涉及一种基于一维Inception结构的信道编码类型识别方法。

背景技术

进入二十一世纪以来，随着计算机、通信、网络、测量等基础技术的发展及其在生产生活中发挥的越来越重要的作用，“网络电磁空间(网电空间)”已经成为继“陆、海、空、天”之后的第五维作战空间。世界各国都不断地在战略规划、组织领导、技术研究、人才培养等方面加强建设，谋求在“网络电磁空间”的争夺中取得一定的领先优势。作为网电空间战的重要环节，信息侦测是现代战争中信息安全对抗攻击与防守的重要技术手段。各种有线和无线的通信信道，成为各国进行信息侦测和情报获取的重要对象。信息侦测通过对有线网或无线网上的数据流进行截获，并对这些数据进行处理，从中提取出有价值的信息。

信道编码在通信系统中是非常重要的环节。为提高信息传输过程的容错性能，通信系统通常需要采用信道编码技术，使接收端能够纠正传输过程中发生的错误，以改善通信质量。信道编码技术包括伪随机扰乱、纠错编码、交织编码、级联编码等。对于信息侦测领域，截获的信息如果含有比较多的传输错误，会对上层的信息判读带来很大的困难，甚至无法还原出原始信息。然而，已有编码参数识别算法要求编码类型已知，且信息序列和校验序列能够分开处理，而其他类型编码数据的随机交织通常是信息与校验全部进行交织，且编码类型完全未知，此情况下传统的编码参数识别方法将完全失效。

王伟年等人发表的期刊文献“误码及随机交织条件下信道编码类型识别”提出了一种基于搜索小重量向量的交织及编码类型识别算法。首先，随机选取部分码字并变换至对偶矩阵，再利用小重量向量搜索算法进行搜索，筛选剔除后得到部分有效校验向量；然后，根据LDPC译码原理，对码字进行类似译码并与前面步骤进行迭代，得到绝大部分校验向量；最后，统计校验向量的平均跨度以及离散度，判断交织存在性以及编码类型。该方法虽然提出了一种基于搜索小重量向量的交织及编码类型识别算法，但是，该方法任然存在不足之处，首先，校验向量搜索过程计算复杂度很高，需要经过多步搜索过程然后用Canteaut-Chabaud算法才能得到校验向量；其次，依据校验向量的编码类型识别过程也相当复杂，需要经过多次迭代实现，降低了识别的效率，针对不同的编码方式还需要人来重新设计特征，效率很低。

东北大学在其申请的专利文献“基于ResNet-Inception模型的肺结节良恶性预测方法”(申请号201711233696.2,申请公布号CN 108022647A)中公布了一种基于ResNet-Inception模型的肺结节良恶性预测方法。该方法的具体步骤如下：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet-Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。但是该方法仅仅利用Inception结构组合神经网络实现二维图片处理，没有对Inception结构内部参数做修改。

发明内容

本发明的目的在于克服现有技术的不足，提供一种通过更改Inception结构设计新的一维卷积神经网络，并将该神经网络应用到了一维信号的信道编码类型识别，通过接收到了解调信号可以准确率的判断信道编码类型的基于一维Inception结构的信道编码类型识别方法。

本发明的目的是通过以下技术方案来实现的：基于一维Inception结构的信道编码类型识别方法，包括以下步骤：

S1、使用MATLAB生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；

S2、构造一维Inception结构；

S3、构建基于一维Inception结构的信道编码类型识别模型；

S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；

S5、将训练集输入基于一维Inception结构的信道编码类型识别模型，训练基于一维Inception结构的信道编码类型识别模型的参数，从而获得基于一维Inception结构的信道编码类型识别模型的最终形式；

S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。

进一步地，所述步骤S1包括以下子步骤：

S11、使用MATLAB生成用于训练的信道编码信号，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；

S12、根据编码类型生成对应的编码信号；

S13、对编码后的信号采用统一的编码方式BPSK调制，然后加高斯白噪声、过信道，最后解调，输出编码的比特序列；

S14、总共生成1000000个信号样本，每个样本长度为40000个比特，从生成的样本中随机抽取80％作为训练集，剩余的20％作为测试集。

进一步地，所述步骤S2包括以下子步骤：

S21、一维Inception结构并行4个卷积层，采用1×1、1×10、1×20的多种核和最大池化层；

S22、在1×10、1×20和最大池化层后加1×1的卷积。

进一步地，所述信道编码类型识别模型的具体结构为：

第一层包括“same”卷积层(保证输入信号长度和输出信号长度相等)、BatchNormalization层和激活函数层，输入为编码后的信息比特，卷积核的大小为1×7；

第二层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/2；

第三层采用Inception结构；

第四层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/4；

第五层采用Inception结构；

第六层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/8；

第七层包括“same”卷积层(保证输入信号长度和输出信号长度相等)、BatchNormalization层和激活函数层，卷积核的大小为1×3；

第八层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/16；

第九层为Dropout层，参数为0.3；

第十层是全连接层，神经元个数为64，采用Relu作为激活函数；

第十一层为全连接层，神经元个数为信道编码类型的类别数，采用Softmax函数作为激活函数，识别信道编码类型；

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；

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S4设置的具体参数为：将网络初始学习率设为0.001，学习率衰减系数设为0.95，衰减速度设为100；训练时每次输入网络的序列样本数量batch_size设为16，每一轮迭代的最大批训练次数设为3000，训练的最大迭代次数为100，初始迭代次数为1。

进一步地，所述步骤S5具体实现方法为：

S51、打乱训练样本的排列顺序，将信号分成适合输入卷积神经网络的多段等长序列；

S52、将每段序列输入卷积神经网络中；

S53、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；

S54、训练卷积神经网络，当达到设置的最大迭代次数时停止训练，得到最优网络参数。

本发明的有益效果是：本发明提出一种基于Inception结构的信道编码类型识别方法，通过更改Inception结构设计了新的一维卷积神经网络，并将该神经网络应用到了一维信号的信道编码类型识别，通过接收到了解调信号可以准确率的判断信道编码类型，对后续的信道编码参数识别、信道译码等工作有重要意义。

附图说明

图1为本发明的基于一维Inception结构的信道编码类型识别方法的流程图；

图2是一维Inception结构示意图。

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Inception结构构建卷积神经网络实现信号编码类型识别，利用神经网络提取信号特征对不同的信道编码类型进行识别，具体工作流程如图1所示。基于一维Inception结构的信道编码类型识别方法，包括以下步骤：

S1、使用MATLAB生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；包括以下子步骤：

S11、使用MATLAB生成用于训练的信道编码信号，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；

S12、根据编码类型生成对应的编码信号；

S13、对编码后的信号采用统一的编码方式BPSK调制，然后加高斯白噪声、过信道，最后解调，输出编码的比特序列；

S14、总共生成1000000个信号样本，每个样本长度为40000个比特，从生成的样本中随机抽取80％作为训练集，剩余的20％作为测试集。

S2、构造一维Inception结构；包括以下子步骤：

S21、将二维的Inception结构改造为一维的形式，一维Inception结构并行4个卷积层，采用1×1、1×10、1×20的多种核和最大池化层，如图2所示；

S23、在1×10、1×20和最大池化层后加1×1的卷积。

S3、构建基于一维Inception结构的信道编码类型识别模型；

所述信道编码类型识别模型的具体结构为：

第一层包括“same”卷积层(保证输入信号长度和输出信号长度相等)、BatchNormalization层和激活函数层，输入为编码后的信息比特，卷积核的大小为1×7；

第二层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/2；

第三层采用Inception结构；

第四层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/4；

第五层采用Inception结构；

第六层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/8；

第七层包括“same”卷积层(保证输入信号长度和输出信号长度相等)、BatchNormalization层和激活函数层，卷积核的大小为1×3；

第八层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/16；

第九层为Dropout层，参数为0.3；

第十层是全连接层，神经元个数为64，采用Relu作为激活函数；

第十一层为全连接层，神经元个数为信道编码类型的类别数，采用Softmax函数作为激活函数，识别信道编码类型；

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；

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。

S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；具体参数为：将网络初始学习率设为0.001，学习率衰减系数设为0.95，衰减速度设为100；训练时每次输入网络的序列样本数量batch_size设为16，每一轮迭代的最大批训练次数设为3000，训练的最大迭代次数为100，初始迭代次数为1。

S5、将训练集输入基于一维Inception结构的信道编码类型识别模型，训练基于一维Inception结构的信道编码类型识别模型的参数，从而获得基于一维Inception结构的信道编码类型识别模型的最终形式；

本步骤具体实现方法为：

S51、打乱训练样本的排列顺序，将信号分成适合输入卷积神经网络的多段等长序列；

S52、将每段序列输入卷积神经网络中；

S53、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；

S54、训练卷积神经网络，当达到设置的最大迭代次数时停止训练，得到最优网络参数。

S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。

本发明的仿真实验在Intel I7-7800X，GTX1080Ti，Ubuntu16.04LTS系统下，使用基于TensorFlow为后端的深度学习框架keras，完成本发明以及信道编码类型识别的仿真实验。

使用MATLAB生成用于训练的信道编码信号，共生成：汉明码、BCH码、RS码、卷积码、Turbo码五类信道编码信号，每一类信号20万个文件，每个文件截取长度为4000的序列。其中汉明码的编码参数包括(7，4)和(15，11)，BCH码的参数包括(7，4)和(15，5)，RS码的参数包括(7，3)和(15，13)，RS码的参数包括7和15，卷积码的参数包括约束长度为3的(5，7)和约束长度为4的(15，17)，Turbo码包含1/2码率和1/3码率两种，每种编码类型的信号在过信道时加入1-20dB的高斯白噪声。将产生完成的信道编码信号80％作为训练集，20％作为验证集，然后送入设计好的一维Inception神经网络进行训练，迭代100个epoch，保存在验证集上面表现效果最好的模型最为训练的输出模型。

测试阶段：

1)用MATLAB生成训练的五种不同编码类别的信号。每类在不同信噪比下各生成1000个样本，样本长度为40000。

2)对每一类信号在不同信噪比下的数据分别送入训练好的一维Inception神经网络模型进行性能测试，得到5种编码类型的识别结果，最终识别的准确率超过90％。

综上所述，本发明通过构建基于Inception结构的卷积神经网络对不同的信道编码类型进行特征提取，可以有效的从复杂的编码信号中的到每一类对应的特征，然后用全连接层将提取到的特征整合到样本标记空间，最后采用分类网络对信道编码类型识别。避免了传统的信道编码类型识别人工提取特征的复杂性以及计算的复杂性，有效的提高了信道编码类型识别的效率，并降低了调制模式识别的繁琐性和复杂性。

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 (6)

1.基于一维Inception结构的信道编码类型识别方法，其特征在于，包括以下步骤：

S1、使用MATLAB生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；

S2、构造一维Inception结构；

S3、构建基于一维Inception结构的信道编码类型识别模型；

S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；

S5、将训练集输入基于一维Inception结构的信道编码类型识别模型，训练基于一维Inception结构的信道编码类型识别模型的参数，从而获得基于一维Inception结构的信道编码类型识别模型的最终形式；

S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。

2.根据权利要求1所述的基于一维Inception结构的信道编码类型识别方法，其特征在于，所述步骤S1包括以下子步骤：

S11、使用MATLAB生成用于训练的信道编码信号，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；

S12、根据编码类型生成对应的编码信号；

S13、对编码后的信号采用统一的编码方式BPSK调制，然后加高斯白噪声、过信道，最后解调，输出编码的比特序列；

S14、总共生成1000000个信号样本，每个样本长度为40000个比特，从生成的样本中随机抽取80％作为训练集，剩余的20％作为测试集。

3.根据权利要求1所述的基于一维Inception结构的信道编码类型识别方法，其特征在于，所述步骤S2包括以下子步骤：

S21、一维Inception结构并行4个卷积层，采用1×1、1×10、1×20的多种核和最大池化层；

S22、在1×10、1×20和最大池化层后加1×1的卷积。

4.根据权利要求1所述的基于一维Inception结构的信道编码类型识别方法，其特征在于，所述信道编码类型识别模型的具体结构为：

第一层包括“same”卷积层、Batch Normalization层和激活函数层，输入为编码后的信息比特，卷积核的大小为1×7；

第二层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/2；

第三层采用Inception结构；

第四层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/4；

第五层采用Inception结构；

第六层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/8；

第七层包括“same”卷积层、Batch Normalization层和激活函数层，卷积核的大小为1×3；

第八层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/16；

第九层为Dropout层，参数为0.3；

第十层是全连接层，神经元个数为64，采用Relu作为激活函数；

第十一层为全连接层，神经元个数为信道编码类型的类别数，采用Softmax函数作为激活函数，识别信道编码类型；

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；

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。

5.根据权利要求1所述的基于一维Inception结构的信道编码类型识别方法，其特征在于，所述步骤S4设置的具体参数为：将网络初始学习率设为0.001，学习率衰减系数设为0.95，衰减速度设为100；训练时每次输入网络的序列样本数量batch_size设为16，每一轮迭代的最大批训练次数设为3000，训练的最大迭代次数为100，初始迭代次数为1。

6.根据权利要求1所述的基于一维Inception结构的信道编码类型识别方法，其特征在于，所述步骤S5具体实现方法为：

S51、打乱训练样本的排列顺序，将信号分成适合输入卷积神经网络的多段等长序列；

S52、将每段序列输入卷积神经网络中；

S53、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；

S54、训练卷积神经网络，当达到设置的最大迭代次数时停止训练，得到最优网络参数。