CN109873779B - 一种基于lstm的分级式无线信号调制类型识别方法 - Google Patents

Abstract

本发明公开了一种基于LSTM的分级式无线信号调制类型识别方法，包括(1)对获取的无线信号样本进行归一化处理和K‑means聚类，(2)构建信噪比分类网络，利用无线信号样本训练信噪比分类网络，获得信噪比分类模型；(3)对信噪比不大于0dB的无线信号进行滤波降噪处理；(4)在步骤(3)之后，针对每类信噪比构建一个无线信号调制类型识别网络，利用与信噪比等级对应的无线信号子集训练无线信号调制类型识别网络，最终获得k个无线信号调制类型识别模型；(5)将待识别无线信号经归一化处理后输入至信噪比分类模型中，根据获得的信噪比等级，选择对应的无线信号调制类型识别模型进行识别，输出调制类型。

Description

一种基于LSTM的分级式无线信号调制类型识别方法

技术领域

本发明属于调制信号识别研究领域，具体涉及一种基于LSTM的分级式无线信号调制类型识别方法。

背景技术

自1969年Weaver等发表了第一篇研究自动调制识别的论文《采用模式识别的调制类型自动分类》以来，调制识别的研究在信号的分类特征提取等方面均取得大量研究成果。Sanderson等提出一种全盲的基于高阶循环累积量和最大似然检测的调制分类算法；Like等通过提取信号的循环谱特征进行调制识别，对信号进行了分类。在分类器构造方面，根据分类准则不同，研究出了基于距离的分类，统计分类，机器学习等分类学习方法。常用的分类器有判决树分类器，最小距离分类器，神经网络分类器，支持向量机(SVM)分类器等。相对应的识别方法大致分为判决理论法和统计理论法，其中统计理论法又包括：基于高阶累积量的识别方法，基于支持向量机的信号识别。基于小波变换的信号识别等等。

信噪比(SNR)是度量信号质量可靠性的一个主要技术指标，信号指的是来自设备外部需要通过这台设备进行处理的电子信号，噪声是指经过该设备后产生的原信号中并不存在的无规则的额外信号(或信息)，并且该种信号并不随原信号的变化而变化。信噪比也是区分不同信号的一个重要特征。

K均值聚类算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。此算法以k为参数，把C个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。此算法首先随机选择k个对象，每个对象代表一个聚类的质心。对于其余的每一个对象，根据该对象与各聚类质心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重复上述过程，直到准则函数收敛。

LSTM(Long Short-Term Memory)神经网络是长短期记忆网络，是一种时间递归神经网络，相比于其他网络更适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。当下，LSTM已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。LSTM区别于其他算法主要在它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多。无线信号数据正是时序性数据，十分合适用LSTM进行分类处理。

当前理想环境下的调制识别研究已较为成熟，但当前方法还只能工作于5dB以上的信噪比环境，且工程实现上有较大困难。

发明内容

本发明的目的是提供一种基于LSTM的分级式无线信号调制类型识别方法，通过多级分类处理，LSTM深度神经网络训练模型，从而有效提高其在进行调制识别类型分类任务时的准确度。

为实现上述发明目的，本发明提供以下技术方案：

一种基于LSTM的分级式无线信号调制类型识别方法，包括以下步骤：

(1)对获取的无线信号样本进行归一化处理，采用K均值聚类方法将归一化处理后的无线信号样本按照信噪比聚成k类，形成k个无线信号子集，每类的聚类中心作为无线信号子集中无线信号样本的信噪比标签；

(2)针对所有无线信号样本构建一个信噪比分类网络，并利用无线信号样本及对应的信噪比标签作为训练样本，对信噪比分类网络进行训练，获得信噪比分类模型；

(3)对信噪比不大于0dB的无线信号子集中的无线信号进行滤波降噪处理；

(4)在步骤(3)之后，针对每类信噪比等级构建一个无线信号调制类型识别网络，利用与信噪比等级对应的无线信号子集中无线信号样本及无线信号样本对应的调制类型作为训练样本，训练无线信号调制类型识别网络，最终获得k个无线信号调制类型识别模型；

(5)将待识别无线信号经归一化处理后输入至信噪比分类模型中，获得该待识别信号的信噪比等级，并根据信噪比等级，将待识别无线信号输入至与信噪比等级对应的无线信号调制类型识别模型中，经计算获得待识别无线信号的调制类型；

其中，信噪比分类网络和无线信号调制类型识别网络均采用LSTM神经网络。

本发明通过基于LSTM的分级无线信号调制识别，先用基于LSTM的信噪比分类模型将信号样本按信噪比进行分类，再经过滤波降噪，最后通过基于LSTM的信号调制识别模型去识别信号的调制类型，有效的提高了识别准确率。

无线信号样本的形式为[time_step,2]，其中time_step为采样时间节点，2为特征维数。由于无线信号样本分布较复杂，因此需要对对无线信号样本进行归一化处理，步骤(1)中，应用min-max归一化处理，将无线信号样本进行归一化处理，min-max归一化公式：

其中，x_max为所有无线信号样本对应数据值的最大值，x_min为所有信号样本中对应数据值的最小值，x为被归一化处理的数据，x^*为经过归一化处理后的数据。

步骤(1)中，在对归一化处理后的无线信号样本按照信噪比进行聚类前，还需要确定K均值聚类方法的最优k值，确定公式为：

其中，maxSNR为输入无线信号样本中最高的信噪比值，minSNR为输入无线信号样本中最低的信噪比值，max{,}表示求2与(maxSNR-minSNR)/4中的较大值，k为最优分类数。

步骤(1)中，聚类的具体过程为：

(a)从无线信号样本中按信噪比等间距的原则选取k个无线信号样本作为初始聚类中心；

(b)根据相似度将剩下的无线信号样本分配给与其最相似的聚类，并重新计算新聚类中心，对应的相似度计算公式为：

其中，μ_i为对应质心，x_j表示第j个无线信号样本点，S_i表示无线信号样本集，D表示无线信号样本点x_j到质心μ_i的距离平方和，最优的聚类结果应使得D达到最小值；

(c)不断重复步骤(b)，直到无线信号样本的均方差收敛为止，标准差公式为：

其中，σ表示均方误差，N表示信号样本数，x_i表示每个信号样本的坐标，μ表示聚类中心。

本发明中，信噪比分类网络主要由LSTM神经网络组成，主要包括输入层、第一中间层、第二中间层以及输出层，输入层包括512*2节点，第一中间层包括128个节点，第二中间层包含32个节点，输出层包含k节点，对应k个信噪比等级。

步骤(2)中，在对信噪比分类网络进行训练时，以交叉熵L_SNR作为信噪比分类网络的训练优化目标，

其中，L_SNR为信噪比分类损失函数，N为信号样本数量，y_SNR ⁽ⁱ⁾为无线信号样本的信噪比等级预测值，

为无线信号样本的信噪比等级标签值。

在对无线信号样本进行信噪比等级后，一些信噪比等级小于0dB，这些信噪比等级为低等级，高于0dB为高等级，对于低等级的无线信号样本，需要对其进行去噪处理，以滤除到噪声，具体地，步骤(3)中，设置滤波窗口为Q*P，其中Q为时间长度窗口，P为特征维度窗口，Q取值为8～12，P取值为1～3。进一步优选，Q取值为10，P取值为2。

具体地，步骤(4)中，在对无线信号调制类型识别网络进行训练时，以交叉熵L_mt作为无线信号调制类型识别网络的训练优化目标，

其中，L_mt为调制类型识别损失函数，N为信号样本数量，y_mt ⁽ⁱ⁾为无线信号样本调制类型的预测值，

为无线信号样本调制类型的标签值。

本发明的有益效果为：

本发明通过先对无线信号进行信噪比等级划分，根据无线信号所属的信噪比等级确定对应的无线信号调制类型识别模型，利用对应的无线信号调制类型识别模型对无线信号进行检测，能够大大提升无线信号调制类型的识别准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。

图1是实施例提供的基于LSTM的分级式无线信号调制类型识别方法中，获得信噪比分类模型和无线信号调制类型识别模型的流程示意图；

图2是实施例提供的基于LSTM的分级式无线信号调制类型识别方法中，对待识别无线信号进行调制类型识别的流程示意图；

图3是实施例提供的信噪比分类网络的结构示意图；

图4是实施例提供的无线信号调制类型识别网络的结构示意图。

具体实施方式

为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

为了提升无线信号调制类型的识别准确率，本实施例提供了一种基于LSTM的分级式无线信号调制类型识别方法，如图1和图2所示，包括以下步骤：

S101，获取无线信号样本，并对无线信号样本进行归一化处理。

无线信号样本的形式为[time_step,2]，其中time_step为采样时间节点，2为每个时间节点的信号样本的特征维数。信噪比值从-20dB到18dB，间距为2dB；调制类型共十种，分别是：‘WBFM’,‘QPSK’，‘QAM64’，‘QAM16’，‘PAM4’，‘GFSK’，‘CPFSK’，‘BPSK’，‘AM-DSB’，‘8PSK’。

本实施例中，应用min-max归一化处理，将信号样本的数据进行归一化处理。归一化公式为：

其中，x_max为所有无线信号样本对应数据值的最大值，x_min为所有信号样本中对应数据值的最小值，x为被归一化处理的数据，x^*为经过归一化处理后的数据。

S102，对归一化处理后的无线信号样本按照信噪比进行聚类。

本实施例中，包含20种不同信噪比SNR(-20,-18,...,16,18)的无线信号样本，每种SNR包含1000个10类不同调制类型的信号，一共为220000个无线信号样本。

采用K均值聚类方法将归一化处理后的无线信号样本按照信噪比聚成k类，形成k个无线信号子集，具体过程为：

首先，通过以下公式确定K均值聚类方法的最优k值：

其中，maxSNR＝18dB为输入无线信号样本中最高的信噪比值，minSNR＝-20dB为输入无线信号样本中最低的信噪比值，则k＝5。

然后，将无线信号样本按照信噪比聚成5类，形成5个无线信号样本子集，具体过程为：

(a)从无线信号样本中按信噪比等间距的原则选取5个无线信号样本作为初始聚类中心；

(b)根据相似度将剩下的无线信号样本分配给与其最相似的聚类，并重新计算新聚类中心，对应的相似度计算公式为：

其中，μ_i为对应质心，x_j表示第j个无线信号样本点，S_i表示无线信号样本集，D表示无线信号样本点x_j到质心μ_i的距离平方和，最优的聚类结果应使得D达到最小值；

(c)不断重复步骤(b)，直到无线信号样本的均方差收敛为止，标准差公式为：

其中，σ表示均方误差，N表示信号样本数，x_i表示每个信号样本的坐标，μ表示聚类中心。

本实施例中，将20中不同SNB的无线信号样本聚类成5个信噪比等级，即包括a等级、b等级、c等级、d等级、e等级，其中，信噪比低于0dB或包含0dB的c等级，d等级，e等级分为低信噪，其他为高信噪比等级。

S103，构建信噪比分类网络，对信噪比分类网络进行训练，获得信噪比分类模型。

首先，构建训练样本，由于S102中已经将无线信号样本分成了5个信噪比等级，即分成了5个无线信号样本子集，将每个无线信号样本所属无线信号样本子集的聚类中心作为无线信号样本的信噪比标签，无线信号样本与对应的信噪比标签作为训练样本。

然后，构建信噪比分类网络，本实施例选择LSTM神经网络作为信噪比分类网络的网络基础，具体地，信噪比分类网络结构如图3所示，包括512*2的输入层，128个节点的LSTM神经网络第一层、32个节点的LSTM神经网络第二层，以及5个节点的输出层，代表5个信噪比等级。

最后，利用训练样本对信噪比分类网络进行训练，获得信噪比分类模型。

将所有无线信号样本分为训练集(80％)，测试集(20％)，验证集(从所有信号样本中随机选取5％)，选取训练集对信噪比分类网络进行训练，其中输入数据为512*2的信号样本，输出为对应的信噪比等级预测值，训练时，以交叉熵L_SNR作为信噪比分类网络的训练优化目标，

其中，L_SNR为信噪比分类损失函数，N为信号样本数量，y_SNR ⁽ⁱ⁾为无线信号样本的信噪比等级预测值，

为无线信号样本的信噪比等级标签值。

完成训练后，再用测试集与验证集的数据对模型进行测试与验证，得到信噪比分类模型。

S104，对低信噪比等级的无线限号样本进行滤波降噪处理。

具体地，本实施例设置滤波窗口为10*2。

S105，针对每类信噪比等级构建一个无线信号调制类型识别网络，并训练无线信号调制类型识别网络，最终获得5个无线信号调制类型识别模型。

首先，构建训练样本集，以每个无线信号样本子集中的训练样本以及对应的无线信号调制类型作为训练样本，构成5个训练样本子集；

然后，建立5个无线信号调制类型识别网络，每个无线信号调制类型识别网络结构如图4所示，具体包含512*2的输入层，128个节点的LSTM神经网络第一层、32个节点的LSTM神经网络第二层，以及10个节点的输出层，代表10个无线信号调制类型。

最后，分别利用5个训练样本子集对5个无线信号调制类型识别网络进行训练，获得5个信噪比分类模型。

将每个训练样本子集分为训练集(80％)，测试集(20％)，验证集(从所有信号样本中随机选取5％)，选取训练集对无线信号调制类型识别网络进行训练，其中输入数据为512*2的信号样本，输出为对应无线信号调制类型预测值，训练时，以交叉熵L_mt作为无线信号调制类型识别网络的训练优化目标，

针对每个完成训练后，针对每个无线信号调制类型识别模型，再用测试集与验证集的数据进行测试与验证，得到最终的无线信号调制类型识别模型。

S106，将待识别无线信号经归一化处理后输入至信噪比分类模型中，获得该待识别信号的信噪比等级。

S107，根据信噪比等级，将待识别无线信号输入至与信噪比等级对应的无线信号调制类型识别模型中，经计算获得待识别无线信号的调制类型。

上述基于LSTM的分级式无线信号调制类型识别方法通过先对无线信号进行信噪比等级划分，根据无线信号所属的信噪比等级确定对应的无线信号调制类型识别模型，利用对应的无线信号调制类型识别模型对无线信号进行检测，能够大大提升无线信号调制类型的识别准确率。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于LSTM的分级式无线信号调制类型识别方法，包括以下步骤：

(1)对获取的无线信号样本进行归一化处理，采用K均值聚类方法将归一化处理后的无线信号样本按照信噪比聚成k类，形成k个无线信号子集，每类的聚类中心作为无线信号子集中无线信号样本的信噪比标签；

(2)针对所有无线信号样本构建一个信噪比分类网络，并利用无线信号样本及对应的信噪比标签作为训练样本，对信噪比分类网络进行训练，获得信噪比分类模型，在对信噪比分类网络进行训练时，以交叉熵L_SNR作为信噪比分类网络的训练优化目标：

其中，L_SNR为信噪比分类损失函数，N为信号样本数量，y_SNR ⁽ⁱ⁾为无线信号样本的信噪比等级预测值，

为无线信号样本的信噪比等级标签值；

(3)对信噪比不大于0dB的无线信号子集中的无线信号进行滤波降噪处理；

(4)在步骤(3)之后，针对每类信噪比等级构建一个无线信号调制类型识别网络，利用与信噪比等级对应的无线信号子集中无线信号样本及无线信号样本对应的调制类型作为训练样本，训练无线信号调制类型识别网络，最终获得k个无线信号调制类型识别模型，在对无线信号调制类型识别网络进行训练时，以交叉熵L_mt作为无线信号调制类型识别网络的训练优化目标，

其中，L_mt为调制类型识别损失函数，N为信号样本数量，y_mt ⁽ⁱ⁾为无线信号样本调制类型的预测值，

为无线信号样本调制类型的标签值；

(5)将待识别无线信号经归一化处理后输入至信噪比分类模型中，获得该待识别信号的信噪比等级，并根据信噪比等级，将待识别无线信号输入至与信噪比等级对应的无线信号调制类型识别模型中，经计算获得待识别无线信号的调制类型；

其中，信噪比分类网络和无线信号调制类型识别网络均采用LSTM神经网络。

2.如权利要求1所述的基于LSTM的分级式无线信号调制类型识别方法，其特征在于，步骤(1)中，应用min-max归一化处理，将无线信号样本进行归一化处理，min-max归一化公式：

其中，x_max为所有无线信号样本对应数据值的最大值，x_min为所有信号样本中对应数据值的最小值，x为被归一化处理的数据，x^*为经过归一化处理后的数据。

3.如权利要求1所述的基于LSTM的分级式无线信号调制类型识别方法，其特征在于，步骤(1)中，在对归一化处理后的无线信号样本按照信噪比进行聚类前，还需要确定K均值聚类方法的最优k值，确定公式为：

其中，maxSNR为输入无线信号样本中最高的信噪比值，minSNR为输入无线信号样本中最低的信噪比值，max{,}表示求2与(maxSNR-minSNR)/4中的较大值，k为最优分类数。

4.如权利要求1所述的基于LSTM的分级式无线信号调制类型识别方法，其特征在于，步骤(1)中，聚类的具体过程为：

(a)从无线信号样本中按信噪比等间距的原则选取k个无线信号样本作为初始聚类中心；

(b)根据相似度将剩下的无线信号样本分配给与其最相似的聚类，并重新计算新聚类中心，对应的相似度计算公式为：

其中，μ_i为对应质心，x_j表示第j个无线信号样本点，S_i表示无线信号样本集，D表示无线信号样本点x_j到质心μ_i的距离平方和，最优的聚类结果应使得D达到最小值；

(c)不断重复步骤(b)，直到无线信号样本的均方差收敛为止，标准差公式为：

其中，σ表示均方误差，N表示信号样本数，x_i表示每个信号样本的坐标，μ表示聚类中心。

5.如权利要求1所述的基于LSTM的分级式无线信号调制类型识别方法，其特征在于，步骤(3)中，设置滤波窗口为Q*P，其中Q为时间长度窗口，P为特征维度窗口，Q取值为8～12，P取值为1～3。

6.如权利要求5所述的基于LSTM的分级式无线信号调制类型识别方法，其特征在于，Q取值为10，P取值为2。

Images