CN109743275B - 一种基于欠完备自编码器的信号调制识别方法 - Google Patents
一种基于欠完备自编码器的信号调制识别方法 Download PDFInfo
- Publication number
- CN109743275B CN109743275B CN201811594886.1A CN201811594886A CN109743275B CN 109743275 B CN109743275 B CN 109743275B CN 201811594886 A CN201811594886 A CN 201811594886A CN 109743275 B CN109743275 B CN 109743275B
- Authority
- CN
- China
- Prior art keywords
- encoder
- layer
- neural network
- training
- full
- 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
Abstract
本发明涉及一种基于欠完备自编码器的信号调制识别方法,其包括步骤:通过对matlab生成的随机序列进行调制,得到不同调制信号的数据集,并对该数据集进行预处理,得到调制信号频域信息;利用调制信号频域信息训练欠完备自编码器神经网络,训练完成后得到一个能对调制信号频域信息进行自动特征提取和维度压缩的编码器,再将数据集所有数据通过编码器进行编码,得到编码后的特征数据集;利用编码后的特征数据集训练神经网络分类器,并判断训练是否完成,若没有完成则重新训练;若训练完成后,则得到一个能对编码器输出的特征进行分类的分类器;由训练好的编码器和分类器构成整体前馈模型,用于前馈识别调制信号调制种类。本发明能降低复杂度,减小计算量。
Description
技术领域
本发明涉及一种神经网络和无线通信技术领域,特别是关于一种基于欠完备自编码器的信号调制识别方法。
背景技术
调制识别(MC)是检测接收信号的调制方式的技术,从而进一步对信号进行解调并获取信息。通常,调制识别可以大致分为两类:最大似然(Maximum Likelihood,ML)方法和基于特征(Feature-Based,FB)的方法。
最大似然方法将调制识别转换为假设检验并将似然概率与阈值进行比较。但是一般的,似然函数推导复杂,难以处理,计算量大,且需要大量先验知识,而简化处理采用非似然比近似算法会丢失分类信息导致分类性能下降,适用性差。
而基于特征的方法可以达到接近最大似然方法的性能,并且计算复杂度相对更低。通常基于特征的方法可以分解为两个模块:在时域或频域中的特征提取器和分类器。但是无论是使用熵特征、循环谱或者高阶统计量,都有计算量大、特征不易于提取的问题,所以此类算法在DSP器件上的运行效率也无法满足实时识别的要求,因而在工程实现上有较大的困难。
发明内容
针对上述问题,本发明的目的是提供一种基于欠完备自编码器的信号调制识别方法,其省略了复杂的提取特征过程,减小了计算量。
为实现上述目的,本发明采取以下技术方案:一种基于欠完备自编码器的信号调制识别方法,其包括以下步骤:1)通过对matlab生成的随机序列进行调制,得到不同调制信号的数据集,并对该数据集进行预处理,得到调制信号频域信息;2)利用调制信号频域信息训练欠完备自编码器神经网络,训练完成后得到一个能对调制信号频域信息进行自动特征提取和维度压缩的编码器,再将数据集所有数据通过编码器进行编码,得到编码后的特征数据集;3)利用编码后的特征数据集训练神经网络分类器,并判断训练是否完成,若没有完成则重新训练;若训练完成后,则得到一个能对编码器输出的特征进行分类的分类器;4)由训练好的编码器和分类器构成整体前馈模型,用于前馈识别调制信号调制种类。
进一步,所述步骤1)中,调制信号数据集包括五种调制信号:2ASK、2FSK、BPSK、QPSK、QAM16。
进一步,所述步骤1)中,对调制信号数据集进行数据预处理包括以下步骤:1.1)将数据集中所有调制信号都加入高斯白噪声,并在-10dB到10dB不同信噪比下由各种调制信号分别生成2000组数据;1.2)将生成的所有数据进行128点FFT运算,得到频域信息,将频域信息实部虚部延展成一维长度256的序列Xf,此序列包含了信号的频域信息,Xf为:Xf=FFT(e2ASK,e2FSK,eBPSK,eQPSK,eQAM16)。
进一步,所述步骤2)中,欠完备自编码器结构为3层全连接神经网络,欠完备自编码器第一全连接层的网络结构为输入256维,输出25维的全连接神经网络,作为编码器;第二全连接层的网络结构为输入25维,输出256维的全连接神经网络,作为解码器。
进一步,所述步骤2)中,欠完备自编码器神经网络的训练方法包括以下步骤:2.1)数据集同时作为输入和标签训练欠完备自编码器,损失函数为最小化均方误差损失函数;2.2)设置输入层与输出层节点数为256,隐含层节点数为25,训练欠完备自编码器;2.3)判断训练是否完成,若没完成则返回步骤2.1),若训练完成后,训练好的欠完备自编码器中的编码器部分便能学习到输入数据的隐含特征,将数据集中所有数据输入编码器,得到特征维度为25的新数据集,称为特征数据集。
进一步,所述步骤3)中,神经网络分类器为4层全连接神经网络;神经网络分类器第一全连接层的网络结构为输入256维,输出10维的全连接神经网络,采用ReLU作为激活函数;第二全连接层的网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;第三全连接层的网络结构为输入10维,输出5维的全连接神经网络;神经网络分类器的分类层为softmax分类层。
进一步,所述步骤3)中,神经网络分类器的训练方法为:采用步骤2)生成的特征数据集为输入,标签为0-4代表了5种调制方式,损失函数为交叉熵损失函数,训练神经网络分类器;对于不同的激活函数,中间隐含层采用ReLU函数作为激活函数;输出层使用softmax函数得到所有种类的可能性,softmax函数把输出转化为每个种类的可能性,并且各个输出相加结果永远为1,softmax函数为:
其中,xj表示输出层第j个神经元的值,N表示输出层神经元的个数。
进一步,所述ReLU函数为:
fReLU(x)=max(0,wTx+b);
其中,x表示中间隐含层的输入;w表示中间隐含层的权重;T表示转置;b表示中间隐含层的偏置。
进一步,所述步骤4)中,前馈模型为5层结构:前馈模型第一全连接层,为训练好的欠完备自编码器第一全连接层,即编码器,网络结构为输入256维,输出25维的全连接神经网络;前馈模型第二全连接层,为训练好的分类器第一全连接层,网络结构为输入25维,输出10维的全连接神经网络,采用ReLU作为激活函数;前馈模型第三全连接层,为训练好的分类器第二全连接层,网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;前馈模型第四全连接层,为训练好的分类器第三全连接层,网络结构为输入10维,输出5维的全连接神经网络;前馈模型分类层,为分类器分类层,softmax分类层。
本发明由于采取以上技术方案,其具有以下优点:本发明使用欠完备自编码器提取调制信号特征,省略了高阶特征的复杂计算过程。
附图说明
图1是本发明的整体流程示意图;
图2是本发明的欠完备自编码器结构示意图;
图3是本发明的前馈模型示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种基于欠完备自编码器的信号调制识别方法,其采用欠完备自编码器自动提取信号特征并压缩特征维度,由神经网络分类器进行识别。本发明包括以下步骤:
1)通过对matlab生成的随机序列进行调制,得到不同调制信号的数据集,并对该数据集进行预处理,得到调制信号频域信息;
其中,调制信号数据集包括五种调制信号:2ASK、2FSK、BPSK、QPSK、QAM16。
2)利用调制信号频域信息训练欠完备自编码器神经网络,训练完成后得到一个可以对调制信号频域信息进行自动特征提取和维度压缩的编码器,如图2所示,再将数据集所有数据通过编码器进行编码,得到编码后的特征数据集;
3)利用编码后的特征数据集训练神经网络分类器,并判断训练是否完成,若没有完成则重新训练;若训练完成后,则得到一个可以对编码器输出的特征进行分类的分类器;
4)由训练好的编码器和分类器构成整体前馈模型(如图3所示),用于前馈识别调制信号调制种类。
上述步骤1)中,对调制信号数据集进行数据预处理包括以下步骤:
1.1)将数据集中所有调制信号都加入高斯白噪声,并在-10dB到10dB不同信噪比下由各种调制信号分别生成了2000组数据。
1.2)将生成的所有数据进行128点FFT运算,得到频域信息(长度为128的复数序列),将频域信息实部虚部延展成一维长度256的序列Xf,此序列包含了信号的频域信息,Xf为:
Xf=FFT(e2ASK,e2FSK,eBPSK,eQPSK,eQAM16)。
1.3)为了保证结果的科学性,将数据集按比例6:2:2分为了训练集、验证集和测试集,互相不交叉;进而验证本发明方法的泛化能力。
上述步骤2)中,如图2所示,欠完备自编码器结构为3层全连接神经网络,欠完备自编码器第一全连接层的网络结构为输入256维,输出25维的全连接神经网络,作为编码器;第二全连接层的网络结构为输入25维,输出256维的全连接神经网络,作为解码器。
欠完备自编码器神经网络的训练方法包括以下步骤:
2.1)数据集同时作为输入和标签训练欠完备自编码器,损失函数为最小化均方误差损失函数(MSE)。损失函数是用来评价网络输出与标签的差距的函数,训练神经网络的过程是使损失函数尽可能小的过程,也就是使输出与标签尽可能接近。由于在欠完备自编码器中,数据集既作为输入也作为标签,所以训练欠完备自编码器的过程是使输出尽可能接近输入数据的过程。但是由于隐含层维度m要少于数据维度n,所以在训练完成后,隐含层将有能力捕捉输入数据中最显著的特征,这部分称作编码器(encoder),之后输出层会从特征中再重构出输入数据,这部分称作解码器(decoder)。
2.3)判断训练是否完成,若没完成则返回步骤2.1),若训练完成后,训练好的欠完备自编码器中的编码器部分便可以学习到输入数据的隐含特征,将数据集中所有数据输入编码器,可得到特征维度为25的新数据集,称为特征数据集。
上述步骤3)中,神经网络分类器为4层全连接神经网络。神经网络分类器第一全连接层的网络结构为输入256维,输出10维的全连接神经网络,采用ReLU作为激活函数;第二全连接层的网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;第三全连接层的网络结构为输入10维,输出5维的全连接神经网络;神经网络分类器的分类层为softmax分类层。
神经网络分类器的训练方法为:采用步骤2)生成的特征数据集为输入,标签为0-4代表了5种调制方式,损失函数为交叉熵损失函数,训练神经网络分类器。对于不同的激活函数,由于线性整流函数(Rectified Linear Unit,ReLU)简单,计算量最小,中间隐含层采用ReLU函数作为激活函数,其输出为:
fReLU(x)=max(0,wTx+b);
其中,x表示中间隐含层的输入;w表示中间隐含层的权重;T表示转置;b表示中间隐含层的偏置。
输出层使用softmax函数得到所有种类的可能性,softmax函数可以把输出转化为每个种类的可能性,并且各个输出相加结果永远为1,softmax函数为:
其中,xj表示输出层第j个神经元的值,N表示输出层神经元的个数。
上述步骤4)中,如图3所示,前馈模型实现前馈识别调制信号调制种类的方法为:调制信号经过FFT得到频域信息,再由编码器自动提取特征,由神经网络分类器进行识别,输出结果。
上述步骤4)中,前馈模型为5层结构:
前馈模型第一全连接层,为训练好的欠完备自编码器第一全连接层,即编码器,网络结构为输入256维,输出25维的全连接神经网络;
前馈模型第二全连接层,为训练好的分类器第一全连接层,网络结构为输入25维,输出10维的全连接神经网络,采用ReLU作为激活函数;
前馈模型第三全连接层,为训练好的分类器第二全连接层,网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;
前馈模型第四全连接层,为训练好的分类器第三全连接层,网络结构为输入10维,输出5维的全连接神经网络;
前馈模型分类层,为分类器分类层,即softmax分类层。
上述各实施例仅用于说明本发明,各个步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (9)
1.一种基于欠完备自编码器的信号调制识别方法,其特征在于包括以下步骤:
1)通过对matlab生成的随机序列进行调制,得到不同调制信号的数据集,并对该数据集进行预处理,得到调制信号频域信息;
2)利用调制信号频域信息训练欠完备自编码器神经网络,训练完成后得到一个能对调制信号频域信息进行自动特征提取和维度压缩的编码器,再将数据集所有数据通过编码器进行编码,得到编码后的特征数据集;
3)利用编码后的特征数据集训练神经网络分类器,并判断训练是否完成,若没有完成则重新训练;若训练完成后,则得到一个能对编码器输出的特征进行分类的分类器;
4)由训练好的编码器和分类器构成整体前馈模型,用于前馈识别调制信号调制种类;
所述步骤2)中,欠完备自编码器结构为3层全连接神经网络,欠完备自编码器第一全连接层的网络结构为输入256维,输出25维的全连接神经网络,作为编码器;第二全连接层的网络结构为输入25维,输出256维的全连接神经网络,作为解码器。
2.如权利要求1所述调制识别方法,其特征在于:所述步骤1)中,调制信号数据集包括五种调制信号:2ASK、2FSK、BPSK、QPSK、QAM16。
3.如权利要求2所述调制识别方法,其特征在于:所述步骤1)中,对调制信号数据集进行数据预处理包括以下步骤:
1.1)将数据集中所有调制信号都加入高斯白噪声,并在-10dB到10dB不同信噪比下由各种调制信号分别生成2000组数据;
1.2)将生成的所有数据进行128点FFT运算,得到频域信息,将频域信息实部虚部延展成一维长度256的序列Xf,此序列包含了信号的频域信息,Xf为:
Xf=FFT(e2ASK,e2FSK,eBPSK,eQPSK,eQAM16)。
4.如权利要求1所述调制识别方法,其特征在于:所述步骤2)中,欠完备自编码器神经网络的训练方法包括以下步骤:
2.1)数据集同时作为输入和标签训练欠完备自编码器,损失函数为最小化均方误差损失函数;
2.2)设置输入层与输出层节点数为256,隐含层节点数为25,训练欠完备自编码器;
2.3)判断训练是否完成,若没完成则返回步骤2.1),若训练完成后,训练好的欠完备自编码器中的编码器部分便能学习到输入数据的隐含特征,将数据集中所有数据输入编码器,得到特征维度为25的新数据集,称为特征数据集。
6.如权利要求1所述调制识别方法,其特征在于:所述步骤3)中,神经网络分类器为4层全连接神经网络;神经网络分类器第一全连接层的网络结构为输入256维,输出10维的全连接神经网络,采用ReLU作为激活函数;第二全连接层的网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;第三全连接层的网络结构为输入10维,输出5维的全连接神经网络;神经网络分类器的分类层为softmax分类层。
8.如权利要求7所述调制识别方法,其特征在于:所述ReLU函数为:
fReLU(x)=max(0,wTx+b);
其中,x表示中间隐含层的输入;w表示中间隐含层的权重;T表示转置;b表示中间隐含层的偏置。
9.如权利要求1所述调制识别方法,其特征在于:所述步骤4)中,前馈模型为5层结构:
前馈模型第一全连接层,为训练好的欠完备自编码器第一全连接层,即编码器,网络结构为输入256维,输出25维的全连接神经网络;
前馈模型第二全连接层,为训练好的分类器第一全连接层,网络结构为输入25维,输出10维的全连接神经网络,采用ReLU作为激活函数;
前馈模型第三全连接层,为训练好的分类器第二全连接层,网络结构为输入10维,输出10维的全连接神经网络,采用ReLU作为激活函数;
前馈模型第四全连接层,为训练好的分类器第三全连接层,网络结构为输入10维,输出5维的全连接神经网络;
前馈模型分类层,为分类器分类层,softmax分类层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594886.1A CN109743275B (zh) | 2018-12-25 | 2018-12-25 | 一种基于欠完备自编码器的信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594886.1A CN109743275B (zh) | 2018-12-25 | 2018-12-25 | 一种基于欠完备自编码器的信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109743275A CN109743275A (zh) | 2019-05-10 |
CN109743275B true CN109743275B (zh) | 2021-04-06 |
Family
ID=66359846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811594886.1A Active CN109743275B (zh) | 2018-12-25 | 2018-12-25 | 一种基于欠完备自编码器的信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109743275B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427222A (zh) * | 2019-06-24 | 2019-11-08 | 北京达佳互联信息技术有限公司 | 数据加载方法、装置、电子设备及存储介质 |
CN110659684A (zh) * | 2019-09-23 | 2020-01-07 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络stbc信号识别方法 |
CN111368979B (zh) * | 2020-03-06 | 2023-03-28 | 西安电子科技大学 | Mimo-ofdm系统papr抑制方法 |
CN111464469B (zh) * | 2020-03-12 | 2021-11-05 | 南京航空航天大学 | 基于神经网络的混合数字调制方式识别方法 |
CN113094993B (zh) * | 2021-04-12 | 2022-03-29 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
CN113708855B (zh) * | 2021-09-29 | 2023-07-25 | 北京信息科技大学 | 基于深度学习的otfs数据驱动接收方法、系统及介质 |
CN113962231B (zh) * | 2021-10-13 | 2024-03-26 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及系统 |
CN115913850B (zh) * | 2022-11-18 | 2024-04-05 | 中国电子科技集团公司第十研究所 | 一种基于残差网络的开集调制识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8085882B1 (en) * | 2008-04-15 | 2011-12-27 | The United States Of America As Respresented By The Secretary Of The Army | Multi-sensor signal fusion for modulation classification of weak signals |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
CN109033952A (zh) * | 2018-06-12 | 2018-12-18 | 杭州电子科技大学 | 基于稀疏自编码器的m序列识别方法 |
-
2018
- 2018-12-25 CN CN201811594886.1A patent/CN109743275B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8085882B1 (en) * | 2008-04-15 | 2011-12-27 | The United States Of America As Respresented By The Secretary Of The Army | Multi-sensor signal fusion for modulation classification of weak signals |
CN107038421A (zh) * | 2017-04-17 | 2017-08-11 | 杭州电子科技大学 | 基于稀疏堆栈自编码的调制样式识别方法 |
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
CN109033952A (zh) * | 2018-06-12 | 2018-12-18 | 杭州电子科技大学 | 基于稀疏自编码器的m序列识别方法 |
Non-Patent Citations (2)
Title |
---|
Automatic Modulation Classification using Stacked Sparse Auto-Encoders;Ao Dai, Haijian Zhang, Hong Sun;《 2016 IEEE 13th International Conference on Signal Processing (ICSP)》;20161110;全文 * |
利用稀疏自编码器的调制样式识别算法;杨安锋,赵知劲,陈颖;《信号处理》;20180731;正文第2页左栏第3段至第7页左栏第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109743275A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743275B (zh) | 一种基于欠完备自编码器的信号调制识别方法 | |
Ramjee et al. | Fast deep learning for automatic modulation classification | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN104268568B (zh) | 基于独立子空间网络的行为识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
Dai et al. | Automatic modulation classification using stacked sparse auto-encoders | |
Wang et al. | Radar emitter recognition based on the short time Fourier transform and convolutional neural networks | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN110942100A (zh) | 一种基于深度去噪神经网络的空间调制系统的工作方法 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
Zhang et al. | Modulation recognition of underwater acoustic signals using deep hybrid neural networks | |
CN110503185B (zh) | 一种改进的深度调制识别网络模型 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN110349588A (zh) | 一种基于词嵌入的lstm网络声纹识别方法 | |
CN109787926A (zh) | 一种数字信号调制方式识别方法 | |
CN111461025A (zh) | 一种自主进化的零样本学习的信号识别方法 | |
Ali et al. | ${k} $-Sparse autoencoder-based automatic modulation classification with low complexity | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN110246509A (zh) | 一种用于语音测谎的栈式去噪自编码器及深度神经网络结构 | |
CN113076925A (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
CN116405158A (zh) | 一种非高斯噪声下基于深度学习的端到端通信系统 | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN115392325A (zh) | 一种基于CycleGan的多特征降噪调制识别方法 | |
CN111404852B (zh) | 基于振幅和频谱幅度特征的调制方式识别方法 |
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 |