CN110166388A - Cnn联合l1正则化的智能通信信号调制模式识别方法 - Google Patents

Abstract

本发明公开的一种CNN联合L1正则化的智能通信信号调制模式识别方法，旨在提供一种解决传统调制识别方法的时效性、准确性的智能通信信号调制模式识别方法。本发明通过下述技术方案实现：首先把原始信号样本按时序输入第一层LCN卷积神经网络，提取原始信号完整性的全部低级特征；第二层以第一层的输出作为本层的输入，将卷积后得到的结果进行L1正则化并输出至第三层；第二层及第三层通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰；第四层作为全连接层，将第三层的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax给出N类调制模式的概率，识别出信号调制类型。

Description

CNN联合L1正则化的智能通信信号调制模式识别方法

技术领域

本发明是关于无线通信技术通信信号调制模式智能识别方法。尤其是应用概率论和相关领域中在非协作通信领域信号调制模式识别方法。

背景技术

通信信号调制模式自动识别是在缺少先验条件时对接收机截取信号的调制模式做出判断，并进一步估计信号的调制参数。通信调制模式复杂多样使得通信信号调制模式识别成为通信系统及信号处理领域的热点问题。调制模式自动识别作为信号接收和解调的中间步骤，被广泛应用于商用的非协作通信领域之中。随着数字通信的发展，出现了采用不同调制方式、接入技术及标准的多体制通信体系。各无线站台采用不同的标准及调制模式，不同体制之间无法通信，从而造成频谱资源及设备的严重浪费。多体制通信互联主要通过对未知体制的接收信号进行制式识别与后续解调，然后采用当前通信体制的调制与接入方式进行转发来实现。

无线通信是将信息以电磁波的形式通过信道传递给接收方。在无线通信当中，基带信号必须经过调制后才能进行发射，调制目的主要有以下几点：(1)减小天线长度，提高天线辐射效率，因为天线的长度和信号波长成正比。(2)实现信号与信道特性的匹配，信道具有带通传输特性，对其频带以外的信号衰减严重，将信号调制到频带以内可以实现低损耗传输。(3)实现多路信号复用，提高信道利用效率及信息传输效率。常见的调制方法是改变载波信号的幅度、频率、相位信息。在通信信号调制类型识别之中可以根据信号幅度、频率、相位上特点的不同对信号进行分类识别，由于时域特征抗干扰能力较差，因此此种方法多用于模拟信号识别或者对于数字信号要求信噪比在lOdB以上。

正则化技术是保证算法泛化能力的有效工具。正则化方法是将对复原图像的能量进行约束改为对复原图像中高频成分的能量进行约束。通过对解空间加以约束，寻求满足一定先验条件的适定解，这一过程称为正则化方法。准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域，正则化方法的能量约束形式应当不同，但传统的正则化方法均基于单一先验假设，对所有图像使用同一能量约束形式。针对传统正则化模型－单一先验假设的缺陷，现有技术提出了基于卷积神经网络的正则化方法，并将其应用于图像复原问题.该方法将图像复原看作一个分类问题，利用卷积神经网络对图像子块的特征进行提取和分类，然后针对不同特征区域采用不同的先验形式进行正则化约束，使正则化方法不再局限于单一的先验假设。由于逆问题的病态特性，对逆问题的直接求解一般被认为是不适定的，正则化方法是处理逆问题中经常使用的一种方法.在图像复原中，由于图像在成像、传输等过程中都存在着退化(模糊、噪声等)。近年来卷积神经网络CNN)在计算机视觉、图像处理领域得到了广泛的应用.卷积神经网络模型是一种多层神经网络，它起源于共享权值网络，该模型由于最初主要应用在语音识别中，因此也称时延神经网络。卷积神经网络由两种类型层次组成：卷积层和子采样层，主要特点是位于同一层的所有单元共享相同的权值，检测的特征也相同.这样，这些检测到的特征送人高层时就能够实现平移不变性的特征检测，同时，通过子采样策略保证对畸变不敏感.卷积神经网络已经成功地应用在人脸检测口、手写体识别。积神经网络CNN正则化方法通过对不同区域图像块特征的分类，将图像中彼此相邻部分之问的位置关系打破，利用图像块内部的特征进行分类和重组.卷积神经网络正则化方法实质上是对于一副图像中的图像子块寻找有效的特征并对其进行分类，进而根据图像块的有效特征采用不同的正则化约束方式.传统正则化方法和卷积神经网络正则化L－范数约束仅沿图像梯度的正交方向扩散，而朝梯度方向无扩散.对于图像中的每一个像素点L。范数约束始终存在一个边缘方向和一个梯度方向，这在图像的纹理、边缘区域可以取得很好的复原结果，但在图像的平坦区域得到的边缘方向并不真实存在，此时仍沿边缘方向扩散会导致在平坦区域的噪声抑制不充分，甚至出现虚假边缘，产生阶梯效应。卷积神经网络(ConvNet)在一些复杂的机器学习任务中性能表现非常好。ConvNet架构需要大量数据和参数，因此其学习过程需要消耗大量算力，向全局最小值的收敛过程较慢，容易掉入局部极小值的陷阱导致预测结果不好。在一些案例中，ConvNet架构与数据产生过拟合，致使架构难以泛化至新样本。通常的CNN卷积神经网络的一个典型层包含如下三级：1)卷积级；2)探测级；3)池化级。池化级的作用是通过池化函数，用某一位置的相邻输出的总体统计特征来替代网络在该位置的输出。目前常用的池化函数如最大池化函数以及范数等多用于对图像的处理，为构造一个适用于处理通信信号调试识别问题的卷积神经网，采用将L1正则化替代池化级的处理方法，形成一个以CNN为框架联合L1正则化的卷积神经网络，且称为LCN卷积神经网。在LCN卷积神经网中，一个基本层包含如下三级：1)卷积级；2)探测级；3)L1正则化级。

发明内容

本发明的目的是针对上述现有技术存在的不足之处，提供一种解决传统调制识别方法的时效性、准确性以及智能性的卷积神经网络CNN联合L1正则化的通信信号调制模式识别方法。

本发明的上述目的可以通过以下技术方案予以实现，一种CNN联合L1正则化的通信信号调制模式识别方法，具如下技术特征：采用将L1正则化替代池化级的处理方法，构造一个适用于处理通信信号调试识别的卷积神经网CNN，形成一个以卷积神经网络CNN框架联合L1正则化的四层LCN卷积神经网络；首先将信号送入已训练好的网络，把包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，提取一些低级特征，并保证原始信号的完整性；第二层LCN卷积神经网络以第一层的输出作为本层的输入，将卷积后得到的结果进行L1正则化并输出至第三层；第二层及第三层通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰；第四层作为全连接层，将第三层的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax将多个神经元的输出，映射到(0,1)区间内，给出N类调制模式的概率，识别出信号调制类型。

本发明相比于现有技术具有如下有益效果：

具有实时性。本发明将信号送入已训练好的网络，把包含N类调制模式的原始信号样本按时序输入第一层，提取一些低级特征，可以实时得到保证了原始信号的完整性的结果，无需对原始信号做任何处理，如特征提取等，可直接将原始信号送入网络进行识别。

时效性。本发明采用降采样形式的步幅卷积消除时序信息对特征的干扰；第二级L1正则化级，将得到的结果进行L1正则化并输出。通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰，为后续分类做铺垫，具有较好的时效性。

准确性。本发明针对原始信号样本直接处理的网络，采用第四层LCN卷积神经网作为全连接层，将第三层的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax将多个神经元的输出，映射到(0,1)区间内，给出N类调制模式的概率，识别出信号调制类型，有效提取信号特征，实现了让机器自动提取信号特征，无需人工预先处理。且选用L1正则化，借助L1正则化的稀疏性，避免了网络训练过程中出现过度拟合的情况。

本发明针对原始信号样本直接处理的LCN卷积神经网络有效提取信号特征，实现了让机器自动提取信号特征，无需人工预先处理，且选用L1正则化，借助L1正则化的稀疏性，避免了网络训练过程中出现过度拟合的情况。本方法能够实现对ASK、FSK、BPSK、QPSK、16QAM等调制模式的识别。能够实现对ASK、FSK、BPSK、QPSK、16QAM等调制模式的识别。

附图说明

图1是本发明CNN联合L1正则化的通信信号调制模式识别流程图。

具体实施方式

参阅图1。根据本发明中的LCN卷积神经网为四层网络。采用将L1正则化替代池化级的处理方法，构造一个适用于处理通信信号调试识别的卷积神经网CNN，形成一个以卷积神经网络CNN框架联合L1正则化的四层LCN卷积神经网络；首先将信号送入已训练好的网络，把包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，提取一些低级特征，并保证原始信号的完整性；第二层LCN卷积神经网络以第一层的输出作为本层的输入，将得到的结果进行L1正则化并输出至第三层LCN卷积神经网络；第二层及第三层LCN卷积神经网络通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰信号；第四层LCN卷积神经网络作为全连接层，将第三层LCN卷积神经网络的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax将多个神经元的输出，映射到(0,1)区间内，给出N类调制模式的概率，识别出信号调制类型。

第一层LCN卷积神经网络首先将包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，第一层LCN卷积神经网络中的第一级卷基级，以N类调制模式混合的原始信号数据作为输入，选取1*100的卷积核函数与之卷积，得到一组线性激活响应；第二级探测级，将每一个激活响应与激活函数相乘，选取sigmod函数作为激活函数；第三级L1正则化级，将相乘所得结果进入L1正则化级，进行L1线性正则化，为后面的LCN卷积神经网络迭代做铺垫。本层的作用是提取一些低级特征，并保证原始信号的完整性，为后面的迭代做铺垫。

第二层LCN卷积神经网络将上一层的LCN卷积神经网络输出作为本层的输入，第二层LCN卷积神经网络的第一级卷积级对输入数据进行步幅卷积，以步幅为50的降采样形式的步幅卷积消除时序信息对特征的干扰，这种降采样形式的步幅卷积目的是消除时序信息对特征的干扰；第二层LCN卷积神经网络的第二级L1正则化级将从第一级卷积级得到的结果进行L1正则化并输出新维度特征。

第三层LCN卷积神经网络将上一层LCN卷积神经网络的输出作为本层的输入。第三层LCN卷积神经网络中的第一级卷积级对上一层LCN卷积神经网络的输入数据进行步幅卷积，步幅为30；第三层LCN卷积神经网络的第二级L1正则化级将从第一级卷积级得到的结果进行L1正则化并输出新维度特征。

第二层LCN卷积神经网络及第三层LCN卷积神经网络的作用是通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰，为后续分类做铺垫。

第四层LCN卷积神经网络由上一层的输出作为本层的输入，采用全连接层，选用归一化指数函数softmax将多个神经元的输出，映射到(0,1)区间内，最终以数字的形式给出N类调制模式的概率。本层的作用是把所有局部特征结合成全局特征，识别出信号调制类型。

以上所述仅是本发明的优选实施方案，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种CNN联合L1正则化的智能通信信号调制模式识别方法，具如下技术特征：采用将L1正则化替代池化级的处理方法，构造一个适用于处理通信信号调制识别的卷积神经网CNN，形成一个以卷积神经网络CNN框架联合L1正则化的四层LCN卷积神经网络；首先将信号送入已训练好的网络，把包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，提取一些低级特征，并保证原始信号的完整性；第二层以第一层的输出作为本层的输入，将卷积后得到的结果进行L1正则化并输出至第三层；第二层及第三层通过降采样以及多次迭代，提取出新维度特征，同时消除时序信息对提取出的特征的干扰；第四层作为全连接层，将第三层的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax将多个神经元的输出，映射到(0,1)区间内，给出N类调制模式的概率，识别出信号调制类型。

2.根据权利要求1所述的CNN联合L1正则化的智能通信信号调制模式识别方法，其特征在于：第一层LCN卷积神经网络中的第一级卷基级，以N类调制模式混合的原始信号数据作为输入，选取大小为1*100的卷积核函数与之卷积，得到一组线性激活响应；第二级探测级将每一个激活响应与激活函数相乘，选取sigmod函数作为激活函数；第三级L1正则化级将相乘所得结果进入L1正则化级，进行L1线性正则化，为后面的LCN卷积神经网络迭代做铺垫。

3.根据权利要求2所述的CNN联合L1正则化的通信信号调制模式识别方法，其特征在于：第二层LCN卷积神经网络将上一层的LCN卷积神经网络输出作为本层的输入，第二层LCN卷积神经网络的第一级卷积级对输入数据进行步幅卷积，以步幅为50的降采样形式的步幅卷积消除时序信息对特征的干扰，这种降采样形式的步幅卷积目的是消除时序信息对特征的干扰；第二层LCN卷积神经网络的第二级L1正则化级将从第一级卷积级得到的结果进行L1正则化并输出新维度特征。

4.根据权利要求3所述的CNN联合L1正则化的通信信号调制模式识别方法，其特征在于：第三层LCN卷积神经网络将上一层LCN卷积神经网络的输出作为本层的输入。

5.根据权利要求3所述的CNN联合L1正则化的通信信号调制模式识别方法，其特征在于：第三层LCN卷积神经网络中的第一级卷积级对上一层LCN卷积神经网络的输入数据进行步幅卷积，步幅为30；第三层LCN卷积神经网络的第二级L1正则化级将从第一级卷积级得到的结果进行L1正则化并输出新维度特征。