CN110163282A

CN110163282A - 基于深度学习的调制方式识别方法

Info

Publication number: CN110163282A
Application number: CN201910430613.1A
Authority: CN
Inventors: 高明; 黄凤杰; 潘毅恒; 廖覃明; 李静; 刘刚
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2019-05-22
Filing date: 2019-05-22
Publication date: 2019-08-23
Anticipated expiration: 2039-05-22
Also published as: CN110163282B

Abstract

本发明提出了一种基于深度学习的调制方式识别方法，用于解决现有技术存在的识别准确率低的问题，实现步骤为：(1)获取训练集和测试集；(2)搭建神经网络NNs；(3)基于信噪比将训练集划分为多个子训练集，用子训练集分别训练神经网络NNs，得到多个训练好的神经网络；(4)评估待测调制信号的信噪比snr，根据snr所在的区间选取适用的训练好的神经网络，识别待测调制信号的调制方式。本发明神经网络NNs在训练时，能够准确发现各个子训练集的样本数据和样本标签的内在联系和规律，增强神经网络NNs的学习效果，提高识别准确率，同时实现基于信噪比的自适应调制方式识别。可用于非协作通信中调制方式的识别等领域。

Description

基于深度学习的调制方式识别方法

技术领域

本发明属于通信技术领域，涉及一种基于深度学习的调制方式识别方法，具体涉及一种基于信噪比分段训练神经网络的调制方式识别方法，可用于非协作通信中调制方式的识别等领域。

背景技术

在无线传输系统中，发送端通过调制将基带信号的频谱搬至较高的载波频率上，使调制信号的频谱与信道的带通特性相匹配，提高传输性能，信号的调制方式多种多样，例如，模拟调制方式有调幅(AM)、双边带(DSB)、单边带(SSB)，数字调制方式有振幅键控(Amplitude Shift Keying，ASK)、频移键控(Frequency Shift Keying，FSK)和相移键控(Phase Shift Keying，PSK)、正交振幅调制(Quadrature Amplitude Modulation，QAM)，接收端通过解调将调制信号还原成基带信号从而得到有用的信息。每种调制方式的原理不同，解调是调制的逆过程，每种调制信号的解调原理不同，因此，正确识别调制信号的调制方式是接收端解调信号并获取有用信息的前提和关键。提高调制方式的识别准确率一直是国内外的研究热点。

调制方式的识别本质上是模式识别问题。模式识别系统主要由信号获取、预处理、特征提取、分类器的选取与分类器的决策五部分组成。常见调制方式的识别方法选用决策树分类器，但是决策树分类器进行调制方式的识别需要人为设定判决门限，判决门限设定不合理会导致调制方式的识别准确率很低。

深度学习(Deep Learning，DL)是一种通过多层神经网络模拟出人类大脑逐层处理数据的行为，并实现分类、检测等复杂任务的算法架构。深度学习实现调制方式的识别，以神经网络作为分类器，神经网络可以自适应地学习输入的样本数据和样本标签的内在规律和联系，不断调整权重的值，实现调制方式的识别。另外，神经网络能够从样本数据中提取抽象、复杂的特征，从而充分利用样本数据中携带的有用的信息，进一步提高调制方式的识别准确率。应用深度学习实现调制方式的识别，提取的特征的种类、神经网络的结构及训练方法会影响识别准确率。优化神经网络的训练，增强神经网络的学习效果，使神经网路能够准确发现样本数据和样本标签的内在联系和规律会提高识别准确率。例如申请公布号为CN108427987A，名称为“一种基于卷积神经网络的调制方式识别方法”的专利申请，公开了一种基于卷积神经网络的调制方式识别方法，首先生成或采集调制信号，然后将调制信号数据按照调制方式分类和整理，将采集的I/Q两路调制信号数据，以I路(同相)为横轴，Q路(正交)为纵轴，生成对应的调制信号星座图，将调制信号星座图图片输入到卷积神经网络进行训练，得到一个训练好的卷积神经网络，用训练好的卷积神经网络识别调制信号的调制方式。该方法主要用来提高调制方式的识别准确率，但是其存在的不足之处在于，用训练集中全部的星座图统一训练卷积神经网络，得到一个训练好的卷积神经网路，由于调制信号的信噪比不同，导致训练集中星座图包含的特征规律不明显，卷积神经网络不能准确的学习星座图特征和样本标签的内在联系及规律，降低神经网络的学习效果，导致调制方式的识别准确率仍然较低。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提供了一种基于深度学习的调制方式识别方法，用于解决现有技术中存在的识别准确率较低的技术问题。

本发明的技术思路是：对样本集进行预处理和特征提取获取训练集，之后搭建神经网络NNs，基于信噪比对神经网络NNs进行分段训练得到多个训练好的神经网络，最后根据待测调制信号的信噪比所在区间选取一个适用的训练好的神经网络识别待测调制信号的调制方式，具体实现步骤为：

(1)获取训练集和测试集：

(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d-a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜-5，d＞10；

(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；

(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；

(1d)将70％的样本信号的样本数据H和样本标签作为训练集train-0，剩余的样本数据H和样本标签作为测试集test-0；

(2)搭建神经网络NNs：

搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；

(3)基于信噪比对神经网络NNs进行分段训练：

(3a)通过训练集train-0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-0；

(3b)将测试集test-0输入model-0中进行识别准确率评估，得到(d-a)/s+1个识别准确率，并通过每个识别准确率与测试集test-0中特征矩阵H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S；

(3c)性能曲线A-S上每个识别准确率h与左相邻的识别准确率h_pre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,h_pre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR₁...SNR_m，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR₁...＜SNR_m＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；

(3d)分别提取训练集train-0中与信噪比在(SNR₁,d)...(SNR_m,d)区间的调制信号对应的特征矩阵H和样本标签，组成训练集train-1...train-m，并用train-1...train-m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1...model-m；

(3e)提取训练集train-0中与信噪比在(SNR₁,d)区间的调制信号对应的特征矩阵H和样本标签，组成训练集train-1′，并用train-1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1′；

(4)对待测调制信号的调制方式进行识别：

(4a)对待测调制信号进行N点采样，得到长度为N的采样信号，并对采样信号进行归一化，得到长度为N的归一化信号，然后对提取的归一化信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H′；

(4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：

当snr∈(SNR₁,d)，且m＝1，选取训练好的神经网络model-1′；

当snr∈(SNR_i,SNR_i+1)，且m＞1，选取训练好的神经网络model-i，其中，i＝1...m-1；

当snr∈(SNR_m,d)，且m＞1，选取训练好的神经网络model-m；

(4c)将样本数据H′输入至步骤(4b)所选取的训练好的神经网络中，得到待测调制信号的调制方式。

本发明与现有技术相比，具有以下优点：

1、本发明基于样本集中调制信号的信噪比对神经网络NNs进行分段训练，并通过对待测调制信号的信噪比的估计结果与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络。分段训练神经网络NNs，增强神经网络NNs的学习效果，能够准确的发现样本数据和样本标签的内在联系和规律，避免现有技术因神经网络学习效果差导致的识别准确率低的问题。

2、本发明通过对待测调制信号的信噪比的估计结果与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络，实现基于信噪比的自适应调制方式识别。

附图说明

图1是本发明的实现流程图；

图2是本发明与现有技术识别准确率的仿真对比图；

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细说明。

参照图1，本发明包括如下步骤：

步骤1)获取训练集和测试集：

步骤1a)本发明实施例采用共享样本集RadioML2016.10a中包含的200000个调制信号，调制信号的信噪比取值范围为(-20,18)，相邻信噪比之间的间隔为2，信噪比的个数为20，10种调制方式分别为BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、PAM4、CPFSK、SSB和AM-DSB，每种调制方式包含1000个信噪比相同的调制信号，每种调制方式包含20000个调制信号。

步骤1b)对每个调制信号进行128点采样，得到200000个长度均为128的采样信号，并对每个采样信号进行归一化，归一化可以在一定的范围内，从而消除奇异数据导致的不良影响，得到200000个长度均为128的样本信号。

步骤1c)计算样本信号R每个点的瞬时幅度特征A_n和瞬时相位特征θ_n，R＝[r₁,r₂,...r_n...r₁₂₈]，r_n表示第n个点，r_n＝x_n+jy_n，x_n表示r_n的实部，y_n表示r_n的虚部，j表示虚数单位，得到128个点的瞬时幅度特征A＝[A₁,A₂,...A_n...A₁₂₈]和128个点的瞬时相位特征θ＝[θ₁,θ₂,...θ_i...θ₁₂₈]，其中：

将A和θ并行排列，得到维度为2×128的样本数据H，H的一列数据表示一个点的瞬时幅度和瞬时相位。并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签，BPSK的样本标签为[1,0,0,0,0,0,0,0,0,0]，QPSK的样本标签为[0,1,0,0,0,0,0,0,0,0]，8PSK的样本标签为[0,0,1,0,0,0,0,0,0,0]，16QAM的样本标签为[0,0,0,1,0,0,0,0,0,0]，64QAM的样本标签为[0,0,0,0,1,0,0,0,0,0]，BFSK的样本标签为[0,0,0,0,0,1,0,0,0,0]、PAM4的样本标签为[0,0,0,0,0,0,1,0,0,0]，CPFSK的样本标签为[0,0,0,0,0,0,0,1,0,0]、SSB的样本标签为[0,0,0,0,0,0,0,0,1,0]和AM-DSB的样本标签为[0,0,0,0,0,0,0,0,0,1]。

步骤1d)将70％的样本信号的样本数据H和样本标签作为训练集train-0，剩余的样本数据H和样本标签作为测试集test-0；本发明实施例中将140000个调制信号的样本数据H和样本标签组成训练集train-0，60000个调制信号的样本数据H和样本标签组成测试集test-0。

步骤2)搭建神经网络NNs：

本发明实施例中搭建卷积神经网络NNs，第一卷积层→第一池化层→第一Dropout层→第二卷积层→第二池化层→第二Dropout层→第一全连接层→第三Dropout→第二全连接层→第四Dropout→第三全连接层→输出层。

第一卷积层、第二卷积层的卷积核的大小分别为1×3、2×3，卷积核的个数分别为256、80，激活函数均选用线性整流函数(Rectified Linear Unit,ReLU)；第一池化层和第二池化层均采用最大值池化，池化层可对卷积层提取到的特征信息进行降维，一方面使卷积层输出的特征图变小，简化卷积神经网络计算复杂度，另一方面进行特征压缩，提取主要特征；第一Dropout层、第二Dropout层、第三Dropout层、第四Dropout层的惩罚系数均为0.5，Dropout是指在深度学习网络的训练过程中，按照一定的概率将神经元暂时从神经网络中丢弃，可以有效避免神经网络出现过拟合现象；第一全连接层、第二全连接层、第三全连接层的神经元个数分别为256、128、64，激活函数均选用ReLU；输出层为Softmax层。卷积神经网络NNs的代价函数为交叉熵函数。

步骤3)基于信噪比对神经网络NNs进行分段训练：

步骤3a)通过训练集train-0对卷积神经网络NNs进行训练，采用Adam优化算法。Adam优化算法基于训练集数据更新卷积神经网络权重，加快代价函数的收敛速度，提高卷积神经网络的训练速度。当代价函数不再减小时，得到训练好的神经网络model-0。

步骤3b)将测试集test-0输入model-0中进行识别准确率评估，得到20个识别准确率，并通过每个识别准确率与测试集test-0中样本数据H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S，性能曲线A-S每个点的横坐标表示调制信号的信噪比x_snr，纵坐标表示model-0识别信噪比是x_snr的调制信号的调制方式的识别准确率。

步骤3c)基于信噪比将train-0进行划分，得到多个子训练集。性能曲线A-S上每个识别准确率h与左相邻的识别准确率h_pre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,h_pre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR₁...SNR_m，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)。h＞50％,h_pre＜50％确定性能曲线A-S上识别准确率大于50％对应的信噪比。一旦识别准确率低于50％，说明训练好的神经网络不适用识别信噪比小于snr_0.5的调制信号的调制方式；h1＞k2,h2＜k3确定性能曲线A-S上拐点的横坐标，k2＝3％，k3＝3％，k4＝2％，k5＝1％，得到SNR₁＝-6，SNR₂＝0，SNR₃＝8，m＞1成立，执行步骤(3d)。

步骤3d)分别提取训练集train-0中信噪比在(-6,18)，(0,18)，(8,18)区间的调制信号对应的样本数据H和样本标签，组成训练集train-1，train-2，train-3并用train-1，train-2，train-3分别对卷积神经网络NNs进行训练，卷积神经网络分别根据信噪比在(-6,18)、(0,18)、(8,18)的调制信号的样本数据及样本标签的内在联系和规律，不断调整权值，减小代价函数，代价函数值不再减小时分别训练好的神经网络model-1、model-2、model-3。

步骤4)对待测调制信号的调制方式进行识别：

步骤4a)对待测调制信号进行128点采样，得到长度为128的采样信号，并对采样信号进行归一化，得到长度为128的归一化信号，然后对提取的归一化信号的128个瞬时幅度特征和128个瞬时相位特征并行排列，得到维度为2×128的样本数据H′；

步骤4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：

当snr∈(-6,0)，选取训练好的神经网络model-1；

当snr∈(0,8)，选取训练好的神经网络model-2；

当snr∈(8,18)，选取训练好的神经网络model-3；

步骤4c)将样本数据H′输入至步骤(4b)所选取的训练好的神经网络中，得到待测调制信号的调制方式。

以下结合仿真实验，对本发明的技术效果进行说明：

1.仿真条件和内容：

仿真实验是在运行系统为Intel(R)C0re(TM)i5-8400 CPU@2.80GHZ2.81GHZ,64位windows操作系统的硬件平台，仿真软件采用基TensorFlow为后端的深度学习框架keras。本发明实施例与现有技术用训练集统一训练神经网络，得到一个训练好的神经网络识别调制方式的识别准确率对比仿真结果如图2所示。

2.仿真结果分析：

参照图2，横坐标表示信噪比，纵坐标表示识别准确率，以三角形标示的曲线表示现有技术得到的一个训练好的神经网络的识别准确率随信噪比变化的曲线，以星号标示的曲线表示model-1的识别准确率随信噪比变化的曲线，以圆圈标示的曲线表示model-2的识别准确率随信噪比变化的曲线，以加号标示的曲线表示model-3的识别准确率随信噪比变化的曲线。信噪比在(-6,0)，现有技术的识别准确率在60％～90％，model-1的识别准确率在70％～95％比现有技术的识别准确率提高5％～10％；信噪比在(0,8)，现有技术的识别准确率在90％～92％，model-2的识别准确率在95％～97％比现有技术的识别准确率提高4％～5％；信噪比在(8,18)，现有技术的识别准确率在92％～93％，model-3的识别准确率在97％～99％比现有技术的识别准确率提高5％～6％，仿真结果表明，本发明可以提高调制方式的识别准确率。

以上是对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims

1.一种基于深度学习的调制方式识别方法，其特征在于包括如下步骤：

(1)获取训练集和测试集：

(2)搭建神经网络NNs：

(3)基于信噪比对神经网络NNs进行分段训练：

(3b)将测试集test-0输入model-0中进行识别准确率评估，得到(d-a)/s+1个识别准确率，并通过每个识别准确率与测试集test-0中样本数据H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S；

(3d)分别提取训练集train-0中与信噪比在(SNR₁,d)...(SNR_m,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train-1...train-m，并用train-1...train-m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1...model-m；

(3e)提取训练集train-0中与信噪比在(SNR₁,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train-1′，并用train-1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1′；

(4)对待测调制信号的调制方式进行识别：

当snr∈(SNR₁,d)，且m＝1，选取训练好的神经网络model-1′；

当snr∈(SNR_m,d)，且m＞1，选取训练好的神经网络model-m；

2.根据权利要求1所述的基于深度学习的调制方式的识别方法，其特征在于：步骤(1c)中所述的样本数据H，实现步骤为：

(1c1)设样本信号为R，R＝[r₁,r₂,...r_n...r_N]，r_n表示第n个点，r_n＝x_n+jy_n，x_n表示r_n的实部，y_n表示r_n的虚部，j表示虚数单位，N表示样本信号对应的调制信号的采样点数；

(1c2)计算样本信号R每个点r_n的瞬时幅度特征A_n和瞬时相位特征θ_n，得到N个点的瞬时幅度特征A＝[A₁,A₂,...A_n...A_N]和N个点的瞬时相位特征θ＝[θ₁,θ₂,...θ_i...θ_N]，其中：

(1c3)将A和θ并行排列，得到维度为2×N的样本数据H，