CN109818892A - 构建循环谱特征参数提取模型及信号调制方式识别方法 - Google Patents

Abstract

本发明公开了一种构建循环谱特征参数提取模型及信号调制方式识别方法，包括对输入的调制信号进行预处理得到循环谱；提取循环谱特征参数，利用特征参数对CNN模型进行训练、验证和测试得到特征参数提取模型；将调制信号输入到特征参数提取模型，获得特征参数样本集；以特征参数样本集作为输入，以对应的调制方式作为输出，训练识别模型，从而获得信号调制方式识别模型；将待测信号输入到特征参数提取模型，输出的特征参数输入到信号调制方式识别模型，获得待测信号的信号调制方式。本发明采用CNN架构对信号调制方式进行识别，由于调制方式特征提取被嵌入到卷积神经网络中，在训练的过程中会自动提取特征，实现信号调制方式的识别。

Description

构建循环谱特征参数提取模型及信号调制方式识别方法

技术领域

本发明属于通信技术领域，更具体地，涉及一种构建循环谱特征参数提取模型及信号调制方式识别方法。

背景技术

随着通信技术的进步和各种信号调制方式的发展，当前的宽带通信系统通常采用不同的调制方式和调制参数进行信号调制。对信号实现接收解调的前提条件是首先要确知该信号的调制方式及其特征参数,如信号带宽、波特率等。当收发双方调制方式已知时，不存在调制识别问题；而对于接收端未知通信调制方式的情况，要解调通信信号，就必须首先进行调制识别。目前调制分类的方法一般分为两类：最大似然比检测方法和统计方式识别方法。前者通过计算捕获信号的似然函数，将似然比结果进行门限判决，继而识别其调制方式；后者基于特征提取，将捕获信号进行预处理，提取出特征参数，然后将获得的参数按照事先设定的判决条件进行判决，最终得到方式分类结果。在理想的环境中，不同调制方式下提取出的信号特征应该有明显的差异。但在实际系统中具有良好“分辨率”的特征并不容易获取，或者因技术水平限制无法对这些特征进行测量。这使得特征的选择和提取变得更加复杂，成为信号调制方式识别系统中一个重要的研究内容。

一般的，调制信号的循环谱特征在循环频率轴上的分布是呈现离散的，且该信号具有循环平稳的特性。在循环频率非零处，已调信号的循环谱幅度值相对较大，噪声没有幅度值或幅度值很小；而在循环频率为零处，已调信号没有幅度值，噪声的循环谱幅度值相对较大，因此调制信号的循环谱能很好地抑制来源于噪声的干扰。利用循环频率不为零处的循环谱特征，能够很好地识别出接收到的信号调制方式。

现有技术的特征提取主要采用人为特征提取方法，但是由于人为特征提取方法一方面会抛弃掉很多有用的信息，只保留了人为观察的信息，这就使得对信号的抽象表示不完全，而且一般人为提取的特征仅表示为一个数值，在低信噪比下，该值可能显著偏离正常值，所以用于识别调制方式时性能较差；另一方面人为特征提取的难度大，且对每种分类问题都必须具体情况具体分析，须依据所需分类的调制类型的不同寻找特定的方法和特征，可扩展性差。

发明内容

针对现有技术的缺陷，本发明提供了一种构建循环谱特征参数提取模型及信号调制方式识别方法，旨在解决人为特征提取方法人为操作难度复杂、无法覆盖到所有信号调制方式的问题。

为实现上述目的，按照本发明的一方面，提供了一种构建循环谱特征提取模型的方法，包括：

步骤11：对输入的调制信号进行预处理得到循环谱；

步骤12：提取循环谱的特征参数，利用特征参数对CNN模型进行训练、验证和测试得到循环谱特征参数提取模型。

进一步地，循环谱预处理为将调制方式的三维循环谱图降维成二维循环谱图，进而再转化为二维循环谱灰度图，最后对所述二维循环谱灰度图进行去噪处理。

进一步地，本发明中的特征参数选取为特征谱呈现的频谱脉冲数量、周期谱线分布数量、谱相干系数最大值、归一化最大值、平方谱截平面高峰突出程度和信号幅度标准差。

进一步地，谱相干系数的表达式为：

其中，为随机循环平稳信号x(t)的循环谱，f为随机循环平稳信号x(t)频率，α为周期频率。是复数谱,它满足如果则称x(t)在周期频率α处和频率f处完全相干。如果则称x(t)在周期频率α处和频率f处完全不相干。

归一化最大值为循环谱在α轴上的最大值与在f轴上最大值的比值，平方谱截平面高峰突出程度是截平面的中高峰幅值与中高峰两侧谱线的幅值平均值的比值。

进一步地，利用特征参数对CNN模型进行训练、验证和测试包括：

将特征参数按照预设比例分为训练集、验证集和测试集，采用Taylor初始化方法对CNN模型的权重进行初始化；

利用训练集对CNN模型进行模型训练；

利用验证集对训练好的CNN模型进行模型验证；

利用测试集对验证好的CNN模型进行模型预测。

进一步地，利用训练集对CNN模型进行模型训练包括：

从训练集中随机挑选一个样本；

样本在CNN模型中前向传播，通过多层隐层后输出；

输出值与CNN模型的理论输出值的误差值在CNN模型中反向传播，根据误差值调整CNN模型参数；

判断迭代次数，如果迭代次数达到预设的阈值，则终止对该模型的训练，反之，则继续对模型进行训练。

优选地，CNN模型的隐藏层中包括全连接层。

相比之下，由于具有多层次网络架构的CNN仅需要很少的数据预处理工作，是一种具有鲁棒性的新型深度学习方法。CNN为了减少在架构中的参数数量，充分挖掘数据空间相关性，进而提高此架构的反向传播算法的效率。特征提取可以看作是从信号空间到观察空间再到特征空间的两次映射。前一个映射属于信号预处理环节，作用是大量提取出信号的表征参数；后一个映射是方式识别的核心环节，作用是降低计算复杂度，将高维的观察空间映射到低维特征空间。采用CNN架构对信号调制方式进行识别，由于信号的调制方式特征提取被嵌入到卷积神经网络架构中，在训练的过程中算法会自动提取特征，实现信号调制方式的识别。

按照本发明的另一方面，提供了一种基于循环谱特征参数的信号调制方式识别方法，包括：

步骤21：将调制信号输入到本发明提供的循环谱特征参数提取模型，获得特征参数样本集；

步骤22：以特征参数样本集作为输入，以对应的调制方式作为输出，训练识别模型，从而获得信号调制方式识别模型；

步骤23：将待测信号输入到本发明提供的循环谱特征参数提取模型，输出的特征参数输入到信号调制方式识别模型，获得待测信号的信号调制方式。

优选地，分类模型包括基于决策树的分类模型、基于SVM的分类模型、逻辑回归分类模型、softmax分类模型或贝叶斯模型。

通过本发明所构思的以上技术方案，与现有技术相比，本发明能够取得以下有益效果：

1、本发明提供的方法基于循环谱特征对信号进行分辨，在循环频率α＝0处，由于平稳信号不具有循环平稳特点，噪声作为一种平稳信号只会在此处产生谱峰，在α≠0处不会产生谱峰，所以循环谱特征参数可以有效克服平稳噪声的影响，适合低信噪比下通信信号的调制识别；

2、与传统的功率谱相比循环谱所包含的信息更多，循环谱中包括两个参数即幅度和相位，能够为信号分析提供许多信息，比如信号的相位、键控速率、带宽以及脉冲串重复速率等信息，因此相对于传统的方法来说，能够分析信号中的更多参数；

3、CNN模型所采用的全连接层是有效全连接层，即将有效特征连接在一块作为全连接层的输入，替代传统CNN中的全连接层，能够减小训练时间，同时将提取特征嵌入到卷积神经网络架构中，在训练的过程中提取特征，省略多余步骤。

附图说明

图1是本发明实施例中构建CNN模型的流程示意图；

图2是本发明实施例中CNN模型的基本架构图；

图3是本发明实施例中信号调制方式识别的流程示意图。

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，以下结合附图及实施例，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。

图1为本发明实施例公开的一种构建循环谱特征参数提取模型的流程示意图，主要包括如下步骤：

(11)输入调制信号，对调制信号进行预处理得到循环谱。

在通信过程中，信源信号经过周期变换，例如，采样、调制、扫描、倍乘和编码处理，其统计参数会随时间呈现周期性变化即具有循环平稳特性，可通过循环谱图来表征调制信号的循环平稳性。在本发明中，调制信号是指经过信源编码、信道编码和调制之后获得的信号。由于输入的图像往往是存在很多缺陷或瑕疵的，比如噪声、对比度不明显等，因此，在使用图像之前必须对其进行事先的处理。可利用中值滤波方法对调制信号进行循环谱预处理；输入调制信号并对调制信号进行循环谱预处理，将调制方式的三维循环谱图降维成二维循环谱图，进而再转化为二维循环谱灰度图，最后对二维循环谱灰度图进行去噪处理。

(12)提取出与调制方式相关的特征参数，循环谱相关参数包括特征谱呈现的频谱脉冲数量、周期谱线分布数量、谱相干系数最大值、归一化最大值、平方谱截平面高峰突出程度和信号幅度标准差，利用特征参数对CNN模型进行训练、验证和测试得到循环谱特征参数提取模型。

循环谱定义为自相关函数的傅里叶变换：

其中x(t)是一随机循环平稳信号，α是周期频率，T是测量的周期间隔，是该信号的自相关函数。

上述六个特征参数具体描述为：

特征谱呈现的脉冲数量：在f轴上呈现的δ冲激脉冲的数量k。

周期谱线分布数量：在α轴上的周期谱线的分布数量l。

谱相干系数最大值：的最大值，其中是复数谱,它满足如果则称x(t)在周期频率α处和频率f处完全相干；如果则称x(t)在周期频率α处和频率f处完全不相干。本发明实例中取调制信号的谱相干系数的最大值，从而可以大大地减少计算的复杂度。

归一化最大值：定义为循环谱在α轴上的最大值与在f轴上最大值的比值。

平方谱截平面高峰突出程度：平方谱在f＝f_c截平面中的高峰突出程度λ定义为截平面的中高峰幅值与中高峰两侧谱线的幅值平均值的比值即其中A_H为截平面的中高峰幅值,为中高峰两侧谱线的幅值平均值

信号幅度标准差：其中A为信号幅度，A_i为第i个信号的幅度。

具体地，将提取的特征参数分为训练集、验证集和测试集三部分，其各自对应占比分别为：65％、25％、10％，同时采用Taylor初始化方法对所述CNN模型的权重进行初始化，然后利用训练集对CNN模型进行模型训练，训练完成后输入验证集用于调整模型参数，通过训练集和验证集得出最优模型后输入测试集进行模型预测。

图2为本发明实施例中CNN的基本架构图，本实施例采用的是七层结构的CNN架构，第一层是输入层，第二层是卷积层，第三层是池化层，第四层是卷积层，第五层是池化层，第六层是全连接层，最后一层是输出层。

其中，Taylor初始化指以高斯分布(0，初始化权重w_i，b为卷积层偏置，以0初始化卷积层偏置b，w_i为第i个卷积层的权重，k_i表示卷积核的大小，c_i是卷积层输入的通道数，f(x)为激活函数，f′²(0_-)为f(x)的二阶导数在x＝0_-的取值，f′²(0₊)为f(x)的二阶导数在x＝0₊的取值。

具体地，从训练集中随机挑选一个样本作为CNN模型的输入，样本在CNN模型中前向传播，通过多层隐层后输出；输出值与CNN模型的理论输出值的误差值在CNN模型中反向传播，根据误差值调整CNN模型参数；判断迭代次数，如果迭代次数达到预设的阈值，则终止对该模型的训练，反之，则继续对模型进行训练。

图3为本实施例中信号调制方式识别的流程示意图，主要包括如下步骤：

(21)将调制信号输入到本实施例提供的循环谱特征参数提取模型，获得特征参数样本集；

(22)以特征参数样本集作为输入，以对应的调制方式作为输出，训练softmax分类模型，从而获得信号调制方式识别模型；

(23)将待测信号输入到本实施例提供的循环谱特征参数提取模型，输出的特征参数输入到信号调制方式识别模型，获得待测信号的信号调制方式。

本领域的技术人员容易理解，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 (8)

1.一种构建循环谱特征参数提取模型的方法，其特征在于，包括：

步骤11：对输入的调制信号进行预处理得到循环谱；

步骤12：提取所述循环谱的特征参数，利用所述特征参数对CNN模型进行训练、验证和测试得到循环谱特征参数提取模型。

2.根据权利要求1所述的方法，其特征在于，所述对输入的调制信号进行预处理包括将调制方式的三维循环谱图降维成二维循环谱图，进而再转化为二维循环谱灰度图，最后对所述二维循环谱灰度图进行去噪处理。

3.根据权利要求1所述的方法，其特征在于，所述特征参数包括频谱脉冲数量、周期谱线分布数量、谱相干系数最大值、归一化最大值、平方谱截平面高峰突出程度和信号幅度标准差。

4.根据权利要求1所述的方法，其特征在于，所述利用所述特征参数对CNN模型进行训练、验证和测试包括：

将所述特征参数按照预设比例分为训练集、验证集和测试集，并对CNN模型的权重进行初始化；

利用所述训练集对所述CNN模型进行模型训练；

利用所述验证集对所述训练好的CNN模型进行模型验证；

利用所述测试集对所述验证好的CNN模型进行模型预测。

5.根据权利要求4所述的方法，其特征在于，所述对CNN模型的权重进行初始化采用Taylor初始化方法。

6.根据权利要求4所述的方法，其特征在于，所述利用所述训练集对所述CNN模型进行模型训练包括：

从所述训练集中随机挑选一个样本；

所述样本在所述CNN模型中前向传播，通过多层隐层后输出；

所述输出值与所述CNN模型的理论输出值的误差值在所述CNN模型中反向传播，根据所述误差值调整所述CNN模型参数；

判断迭代次数，如果迭代次数达到预设的阈值，则终止对该模型的训练，反之，则继续对模型进行训练。

7.一种基于循环谱特征参数的信号调制方式识别方法，其特征在于，包括：

步骤21：将调制信号输入到根据权利要求1至6中任一项所述的模型，获得特征参数样本集；

步骤22：以所述特征参数样本集作为输入，以对应的调制方式作为输出，训练识别模型，从而获得信号调制方式识别模型；

步骤23：将待测信号输入到根据权利要求1至5中任一项所述的模型，输出的特征参数输入到所述信号调制方式识别模型，获得所述待测信号的信号调制方式。

8.根据权利要求7所述的方法，其特征在于，所述分类模型包括基于决策树的分类模型、基于SVM的分类模型、逻辑回归分类模型、softmax分类模型或贝叶斯模型。