CN109802905A - 基于cnn卷积神经网络的数字信号自动调制识别方法 - Google Patents

Abstract

本发明属于数字通信信号调制技术领域，公开了一种基于CNN卷积神经网络的数字信号自动调制识别方法；对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R^n×1；利用改进的Fisherface算法对特征向量进行降维处理，得低维的特征向量y∈x^m×1；最后设计深度CNN网络结构，并确定网络初始化参数。本发明利用Keras深度学习框架，直接调用已有网络层函数，搭建深层网络结构；并且在网络训练过程中采用早停策略，有效防止网络过拟合现象，在网络训练完成后，利用测试数据集验证训练效果，完成信号自动调制识别。对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于‑4dB时，识别率达到95％。

Description

基于CNN卷积神经网络的数字信号自动调制识别方法

技术领域

本发明属于数字通信信号调制技术领域，尤其涉及一种基于CNN卷积神经网络的数字信号自动调制识别方法。

背景技术

目前，业内常用的现有技术是这样的：针对AWGN环境下的调制识别问题，目前现有的方法大致可以划分为三大类：基于最大似然假设检验、基于特征提取模式识别、以及基于深度学习方法。其中，基于最大似然假设检验的识别方法涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中都是很难准确获取。因此，现在的很多学者重点研究的是基于特征提取和深度学习的调制识别方法。Yasaman与Ettefagh等人利用自适应神经网络方法，对AM、MASK、MFSK、MPSK、MQAM等18种调制类型，提取了9个频域特征参数，在信噪比为5dB时，可达到95％以上的平均准确率，但该方法是基于瞬时信息，易受噪声影响，且在低信噪比下，对QAM、MSK等调制信号无法有效识别。位小记等人采用分层的多分类器进行分类识别，提出了结合高阶累积量和改进的星座图聚类分析法，在SNR不低于6dB时，平均识别率可达93％以上，但该方法的缺陷是高阶累积量对同步要求较高，实际中很难满足，性能影响严重。FenWang等人将接收信号投影到人工星座图上，把调制识别转换为图像识别问题，通过利用DBN深度神经网络，实现图像的分类识别，并对比DNN、CNN、以及Softmax分类器识别效果，在SNR为0dB时，取得了95.14％分类效果，但该方法识别种类较少，信号投影至人工星座图的复杂度较高，且在低信噪比下算法的鲁棒性较差。HuiWang等人利用PCA对接收信号降维后的循环谱数据特征，采用ANN神经网络，实现对2FSK、4FSK、8FSK、BPSK、QPSK、MSK、2ASK等调制方式的识别，在信噪比为-3dB左右，识别率可达90％以上。该方法虽然改善低信噪比情况下识别率低的问题，但是对于像MPSK与MQAM等调制类型的类内识别性能极差。针对MPSK的类内识别问题，胡建伟等人提出了一种基于小波变换提取MPSK信号相位信息的方法，对BPSK、QPSK、8PSK、16PSK四种类型，在信噪比大于6dB时，识别率几乎可达100％。但在实际接收中，相位信息获取不易，尤其是在低信噪比，识别率急剧下降，该算法的鲁棒性较差。GihanJ.Mendis等人采用深度学习的方法，通过先提取调制信号的循环谱投影面数据的浅层特征，再利用7层深度置信网络(DBN)的分类办法，实现4FSK、16QAM、BPSK、QPSK、OFDM等调制信号的分类识别，仿真结果表明，在SBR为0dB时识别率可达91％以上；在SBR为5dB时识别率可达98.2％以上。该方法虽然最终取得了不错的识别效果，但由于其前面的浅层特征提取过程，添加了人工处理环节，同时也增加了复杂度。为了实现真正的自动调制识别，TimothyJ.O’Shea等人提出了一系列的方法和设计不同的神经网络结构，不经过预处理，直接对11种接收信号进行网络学习，利用CNN深度神经网络强大的模式识别和自学习能力，完成信号调制分类识别。该方法虽然减少了人工预处理环节，大大降低了复杂度，但目前其识别效果不是很理想，在SNR大于0dB时，平均识别不到75％。

综上所述，现有技术存在的问题是：

(1)基于最大似然假设检验的方法，涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中，由于收发两端事先并不知道，在经过复杂的信道效应之后，这些先验信息发生了很大变化，因此很难准确获取；并且假设检验法一般是基于噪声干扰下调制信号的统计特性分析，推导出判决准则，而这些判决准则通常只适用于具体某一类调制信号的识别，识别范围狭窄。

(2)基于特征提取模式识别的方法，存在识别种类少、低信噪比下鲁棒性差等问题，而且传统分类器的分类能力有限，对所提特征要求极高，识别效果的好坏，除了受识别信号的种类影响，很大程度上取决于深层特征的区分度。

(3)基于深度学习的识别方法，大大降低了提取特征的要求，只需要提取粗糙的浅层特征，甚至无需提取特征，直接利用深度神经网络强大的模式识别和自学习能力，便可实现信号的调制识别。但是该方法需要庞大的数据集，数据决定了识别效果的上限，除此还受神经网络结构的影响，而目前深度神经网络的设计和优化缺乏完备的理论体系，更多的依靠经验。

解决上述技术问题的难度和意义：

对于假设检验法，其难点在于信道效应对统计特性分析影响较大，从而导致难以获取有效的判决准则；对于特征提取的模式识别法，其难点在于提取的特征受噪声影响较大，低信噪比下有效的分类特征难以获得；对于深度学习法，其难点在于深度神经网络的设计和优化缺乏完备的理论体系，更多的依靠经验试探。如果能突破上述技术难点，寻找到一种新的有效的自动调制识别方法，那么无论是在民用或军事领域都有着十分重要的应用。

发明内容

针对现有技术存在的问题，本发明提供了一种基于CNN卷积神经网络的数字信号自动调制识别方法。

本发明是这样实现的，一种基于CNN卷积神经网络的数字信号自动调制识别方法，所述基于CNN卷积神经网络的数字信号自动调制识别方法包括：

步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R^n×1；

步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈x^m×1，形成网络训练的数据集和测试集；

步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；

步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。

进一步，所述离散循环谱密度函数定义为：

其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率。为循环自相关函数，对其进行傅里叶变换便可得到循环谱密度它表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的互相关求得，因此又称之为循环谱相关函数。对于得到的二维矩阵数据，进行幅度归一化，然后沿着α频率轴方向，对每一个k频率点的向量数据求取最大值，所有的最大值所组成的向量，便是幅度归一化循环谱的α轴投影向量x∈R^n×1。

进一步，改进的Fisherface算法的定义为：

其中，为类内离散度矩阵(WCSM)，x_k为类别i所属数据集X_i中的第k个样本，μ_i为类别i中样本的特征均值，c为全部样本中所属的类别总数。为类间离散度矩阵(BCSM)，N_i为类别i的样本个数，μ为所有类别中全部样本的均值。

进一步，所述利用CNN卷积神经网络分类器，将改进的Fisherface算法处理后的特征数据作为输入数据进行分类识别，实现数字信号的自动调制类型的识别。

综上所述，本发明的优点及积极效果为：通过提取信号循环谱的幅度归一化的α截面特征，利用改进的Fisherface进行降维处理，提高特征区分度的同时大大降低神经网络学习的时间；对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于-4dB时，识别率达到95％，本发明的识别效果较好。

附图说明

图1是本发明实施例提供的基于CNN卷积神经网络的数字信号自动调制识别方法流程图。

图2和图3是本发明实施例提供的数字调制MPSK信号的识别性能示意图。

图4和图5是本发明实施例提供的数字调制MQAM信号的识别性能示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明对MPSK和MQAM调制信号，提取其循环谱的幅度归一化的α截面特征，并利用改进的Fisherface进行降维处理，将处理后的特征送入深度神经网络完成调制识别。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于CNN卷积神经网络的数字信号自动调制识别方法包括以下步骤：

S101：首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R^n×1；

S102：然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈x^m×1，形成网络训练的数据集和测试集；

S103：设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止网络过拟合现象；

S104：在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的基于CNN卷积神经网络的数字信号自动调制识别方法包括以下步骤：

S1：对接收到的数字调制信号做循环谱相关分析(CSCA)得到调制信号的循环谱密度图像，进而获得α截面图的轮廓特征；

离散循环谱密度(Discretecyclicspectrumdensity，DCSD)定义为：

其中x(n)是信号的时域表示，表示频率为α循环自相关强度，通常将的频α率称之为信号x(n)的循环频率。为循环自相关函数的傅里叶变换，称为循环谱密度函数。

目前关于循环谱相关函数的估计算法，应用较多的主要有用FFT直接计算信号循环谱相关方法和采用时域和频域平滑估计算法。本发明中采用离散频率平滑估计方法对各种数字调制信号的谱自相关函数进行估计。

S2：对步骤S1得到的循环谱密度图像获取α截面图轮廓特征，具体操作可按以下进行：

对于得到的二维矩阵数据，首先进行幅度归一化，然后沿着α频率轴方向，对每一个频率点k所在的向量数据求取最大值，有多少个频率点k便能够得到多少个最大值，将所有最大值组成向量，即可得到幅度归一化循环谱的α轴投影向量x∈R^n×1。

S3：对由S2得到幅度归一化循环谱的α轴投影向量x∈R^n×1，利用改进的Fisherface算法进行降维处理，使得所求判别特征向量正交化，消除统计相关，增强特征区分度；

传统的Fisherface算法，其基本思想将样本的可分性作为目标，试图找到一组能使类内散度矩阵S_W最小，同时能使类间散度矩阵S_B达到最大，即选定能使样本的类间散度矩阵与类内散度矩阵比值最大化的本征值。即找到一个线性转换矩阵W∈R^n×m，使得：

y_k＝W^T·x_kk＝1,2,3,...,N；

为了获得合适的线性转换矩阵W，定义用于衡量各类中每个样本间的离散度，即类内离散度矩阵(WCSM)和类间离散度矩阵(BCSM)，即：

其中，μ_i为类i中所有样本X_i的均值，μ为所有类全部样本的均值，N_i为类i中所有样本的个数。类内离散度矩阵S_W，其值越小，同类越集中，分类效果越佳；类间离散度矩阵S_B，其值越大，不同类越分散，分类效果越好。基于此原则，选择一个投影方向，使得投影后不同类尽可能远的分开，同一类又尽可能紧凑，于是得到如下判别规则：

其中，{w_i|i＝1,2,...,m}是关于矩阵的一组广义特征向量，对应的m个最大广义特征值为{λ_i|i＝1,2,...,m}。但实际中矩阵S_W多是奇异的，而且矩阵一般不具备对称性，所求出的特征向量一般也不具正交性，从而对识别效果产生很大影响。为此，本发明采用一种矩阵对称性的Fisherface算法，该算法在保证类内散度矩阵尽可能小、类间散度矩阵尽可能大的同时，使得线性判别空间的判别向量相互正交且统计无关。改进后的判别规则：

采用拉格朗日算子法，可得到取得极大值时W的值为：

的解，即求解矩阵特征值所对应的特征向量。根据S_W与S_B均为对称矩阵的特点，可得到是实对称矩阵，而实对称矩阵的不同特征值所对应的特征向量是相互正交的。

S4：所述利用CNN卷积神经网络分类器，将改进的Fisherface算法处理后的特征数据作为输入数据进行分类识别，实现数字信号的自动调制类型的识别。

下面结合仿真对本发明的应用效果作详细的描述。

为了评估本发明的性能，下面的仿真实验采用数字调制信号，并独立进行10次实验，每次采用10折交叉验证。采用的数字信号调制类型共6种，分别为：BPSK、QPSK、8PSK、16QAM、32QAM、64QAM。所采用的成型滤波器为根升余弦滤波器，过渡带宽为0.35。每种调制方式的仿真信噪比范围为-10dB至10dB，步长为2dB。载波频率为2048Hz，采样频率为8192Hz，符号长度为8000。每种调制方式在每一信噪比下的样本数为1000，共包含66000个样本。

其仿真结果如图2、图3、图4、图5所示，对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于-4dB时，识别率达到95％，可见，本发明的识别效果较好。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法

步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R^n×1；

步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈x^m×1，形成网络训练的数据集和测试集；

步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；

步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。

2.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述离散循环谱密度DCSD定义为：

其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率；为循环自相关函数，对进行傅里叶变换得到循环谱密度表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的互相关求得；对于得到的二维矩阵数据，进行幅度归一化，然后沿着α频率轴方向，对每一个k频率点的向量数据求取最大值，所有的最大值所组成的向量，便是幅度归一化循环谱的α轴投影向量x∈R^n×1。

3.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，改进的Fisherface算法的定义为：

其中，{w_i|i＝1,2,...,m}是关于实对称矩阵的一组特征向量，对应的m个最大特征值为{λ_i|i＝1,2,...,m}。为类内离散度矩阵WCSM，x_k为类别i所属数据集X_i中的第k个样本，μ_i为类别i中样本的特征均值，c为全部样本中所属的类别总数；为类间离散度矩阵BCSM，N_i为类别i的样本个数，μ为所有类别中全部样本的均值。

4.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，利用CNN卷积神经网络分类器，将改进的Fisherface算法处理后的特征数据作为输入数据进行分类识别，实现数字信号的自动调制类型的识别。

5.一种应用权利要求1～4任意一项所述基于CNN卷积神经网络的数字信号自动调制识别方法的数字通信信号调制平台。