CN110309854A - 一种信号调制方式识别方法及装置 - Google Patents
一种信号调制方式识别方法及装置 Download PDFInfo
- Publication number
- CN110309854A CN110309854A CN201910424779.2A CN201910424779A CN110309854A CN 110309854 A CN110309854 A CN 110309854A CN 201910424779 A CN201910424779 A CN 201910424779A CN 110309854 A CN110309854 A CN 110309854A
- Authority
- CN
- China
- Prior art keywords
- signal
- indicate
- modulation
- neural network
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明实施例提供了一种信号调制方式识别方法及装置,方法包括:获取待识别信号;获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图;将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式;信号识别神经网络是根据训练集训练得到的,训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。从而实现无需人为提取信号特征,计算复杂度较低,且准确率较高的识别信号调制的方式。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种信号调制方式识别方法及装置。
背景技术
在无线通信技术中,由于通信双方信号调制方式存在差异,因此信号调制方式的识别技术是进行信号分析与解调的基础。
现有的信号调制方式的识别方法中,主要分为基于似然的方法和基于信号特征的方法,基于似然的方法以贝叶斯准则作为依据,通过构建最大似然分类器,构造接收信号的似然函数,然而这种方法的计算复杂度较高。基于信号特征的方法利用不同调制方式对应的不同特征进行分类判决,计算复杂度较低,然而,这种方法需要人为地提取信号特征,且识别的准确率也不高。
因此,亟需一种不需要人为提取信号特征、计算复杂度较低、且准确率较高的信号调制方式识别方法。
发明内容
本发明实施例的目的在于提供一种信号调制方式识别方法及装置,以实现无需人为提取信号特征,计算复杂度较低,且准确率较高地识别信号调制的方式。具体技术方案如下:
为实现上述目的,本发明实施例提供了一种信号调制方式识别方法,所述方法包括:
获取待识别信号;
获取针对所述待识别信号的信号星座图,并基于所述信号星座图生成信号增强密度星座图;
将所述信号星座图和所述信号增强密度星座图输入预先训练的信号识别神经网络中,得到所述待识别信号的信号调制方式;所述信号识别神经网络是根据训练集训练得到的,所述训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
可选的,所述基于所述信号星座图生成信号增强密度星座图的步骤,包括:
基于所述信号星座图中信号点的密度,生成信号密度星座图;
对所述信号密度星座图进行图像增强,得到所述信号增强密度星座图。
可选的,所述信号识别神经网络采用如下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式;
基于得到的调制方式、所述训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中参数值,并返回将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式的步骤;
若是,则将当前的神经网络模型确定为信号识别神经网络。
可选的,所述损失函数为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,LC表示第二损失,λ0表示第一平衡常数,λ1表示第二平衡常数,λ2表示第三平衡常数,LC1表示类内损失,LC2表示类间损失,m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设第一常数。
为实现上述目的,本发明实施例提供了一种信号调制方式识别装置,所述装置包括:
第一获取模块,用于获取待识别信号;
第二获取模块,用于获取针对所述待识别信号的信号星座图,并基于所述信号星座图生成信号增强密度星座图;
识别模块,用于将所述信号星座图和所述信号增强密度星座图输入预先训练的信号识别神经网络中,得到所述待识别信号的信号调制方式;所述信号识别神经网络是根据训练集训练得到的,所述训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
可选的,所述第二获取模块,具体用于:
基于所述信号星座图中信号点的密度,生成信号密度星座图;
对所述信号密度星座图进行图像增强,得到所述信号增强密度星座图。
可选的,所述装置还包括:训练模块,所述训练模块,具体用于:
获取预设的神经网络模型和所述训练集;
将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式;
基于得到的调制方式、所述训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中参数值,并返回将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式的步骤;
若是,则将当前的神经网络模型确定为信号识别神经网络。
可选的,所述损失函数为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,LC表示第二损失,λ0表示第一平衡常数,λ1表示第二平衡常数,λ2表示第三平衡常数,LC1表示类内损失,LC2表示类间损失,m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设第一常数。
为实现上述目的,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一方法步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法步骤。
应用本发明实施例提供的信号调制方式识别方法及装置,能够获取待识别信号,获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图,将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式。从而实现无需人为提取信号特征,计算复杂度较低,且准确率较高的识别信号调制的方式。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的信号调制方式识别方法的一种流程图;
图2为本发明实施例提供的信号星座图和信号增强密度星座图的一种示意图;
图3为本发明实施例提供的信号识别神经网络的一种结构示意图;
图4为本发明实施例提供的信号调制方式识别装置的一种结构示意图;
图5为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高识别信号调制方式的准确率,并降低计算复杂度,本发明实施例提供了一种信号调制方式识别方法,参见图1,图1为本发明实施例提供的信号调制方式识别方法的一种流程图,方法包括以下步骤:
S101:获取待识别信号;
在本发明实施例中,待识别信号可以是接收端采集的连续的一段信号,由于该连续信号均采用相同的调制方式,因此可以针对这一段连续信号进行调制方式的识别。
当然也可以采用其他方式获取待识别信号,此处不赘述。
S102:获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图。
信号星座图能够体现信号的调制方式,不同调制方式的信号的星座图具有不同的特点。
本步骤中,获取针对待识别信号后,可以生成相应的信号星座图,该过程可以参见相关技术,此处不赘述。
举例来讲,常用的信号调制方式有QPSK(Quadrature Phase Shift Keying,正交相移键控)调制,QAM(Quadrature Amplitude Modulation,正交幅度调制)等。
本发明实施例中,为了更突出信号星座图的显示效果,便于信号识别神经网络提取有效信息,可以根据普通的信号星座图生成信号增强密度星座图。
具体的,生成信号增强密度星座图的过程可以包括以下细化步骤:
步骤11:基于信号星座图中信号点的密度,生成信号密度星座图;
在本发明的一种实施例中,可以先对信号星座图进行灰度处理,再根据信号点的密度,确定对应像素点的灰度值。信号点的密度越大,则相应的像素点的灰度值越大,从而生成信号密度星座图。
步骤12:对信号密度星座图进行图像增强,得到信号增强密度星座图。其中,图像增强即为增强图像中的有用信息,它可以理解为一个失真的过程,其目的是要改善图像的视觉效果,以应用于不同场合。
在本步骤中,可以采用图像增强算法对信号密度星座图进行图像增强。
一种实施方式中,可以通过灰度值转换的方式进行图像增强,具体的,可以采用如下公式:
其中,p表示信号密度星座图中像素点的归一化灰度值,pf表示信号增强密度星座图中相应像素点的归一化灰度值,(p1,p2)表示信号密度星座图中灰度值的归一化范围,(q1,q2)表示信号增强密度星座图中灰度值的归一化范围。其中,p1,p2,q1,q2的值可以根据实际情况进行设定,例如设p1=0.3,p2=0.7,q1=0.1,q2=1。
容易理解的,上述由信号星座图转换为信号增强密度星座图的过程,可以采用MATLAB软件实现。
不同调制方式,不同信噪比下的信号星座图及相应的信号增强密度星座图可以如图2所示,图2为本发明实施例提供的信号星座图和信号增强密度星座图的一种示意图,其中QPSK、16QAM和64QAM表示不同的调制方式,RCs表示信号星座图,CGCs表示信号增强密度星座图。
S103:将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式;信号识别神经网络是根据训练集训练得到的,训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
在本发明实施例中,在得到待识别信号的信号星座图以及信号增强密度星座图后,可以将信号星座图,信号增强密度星座图均作为信号识别神经网络的输入。具体的,可以将信号星座图,信号增强密度星座图均转换为像素矩阵,再对每一个像素点的像素值进行归一化处理,将归一化后的像素矩阵输入信号识别神经网络。
在本发明实施例中,由于信号识别神经网络是由多个样本信号的信号星座图,信号增强密度星座图,以及每个样本信号的调制方式训练好的,因此能够输出待识别信号的调制方式。
容易理解的,信号的调制方式均可以用数字来标识,例如,用001表示QPSK调制,010表示16QAM调制,100表示64QAM调制等,此处仅作为示例。
此外,信号识别神经网络可以为深度神经网络,只需输入信号星座图以及对应的信号增强密度星座图,信号识别神经网络即可自动提取所需要的特征,且所提取的特征是抽象的特征,能够体现数据本身的分布特点,可见避免了人为提取特征的步骤,并降低了计算复杂度。
应用本发明实施例提供的信号调制方式识别方法,能够获取待识别信号,获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图,将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式。从而实现无需人为提取信号特征,计算复杂度较低,且准确率较高地识别信号调制的方式。
本发明实施例提供的信号调制方式识别方法可以采用深度学习技术,具体的,信号识别神经网络可以由卷积层、全连接图像特征提取层和全连接分类层组成。
参见图3,图3为本发明实施例提供的信号识别神经网络的一种结构示意图。如图3所示,在本发明的一种实施方式中,可以将卷积核大小设为3x3,步长设为1,每3个连续堆叠的卷积层作为一个网络单元模块,用于提取输入样本的不同特征。此外,可以增加1x1的卷积核为特征降维,以减少参数量,提高网络的非线性能力及识别准确性。每一个网络单元模块可以接入一个Max-pooling层,即最大池化层和一个激活函数层,从而对数据进行特征的二次提取,提高识别系统的鲁棒性。随后可以将网络单元模块的输入进行展平,得到一个高维向量,全连接到长度为128的隐藏层,输入分类器进行分类判决。其中,激活函数可以为ReLU(Rectified Linear Unit,线性整流函数),ReLU函数的表达式为ReLU(x)=max(0,x),x表示网络单元模块的输出;分类器可以为softmax分类器。
在本发明的一种实施例中,在训练神经网络模型阶段,可以随机初始化神经网络模型的各层权重以及偏置,输入训练集数据,训练集数据可以包括信号星座图,信号增强密度星座图,以及对应的信号调制方式的标签,根据反向传播计算各层的输出,通过标签值与最后一层的输出值计算残差值,也即损失值,并根据梯度下降法更新网络参数。
一种实现方式中,为了提高神经网络模型的泛化能力,可以在卷积层前向传导过程中设置Dropout层,随机失活神经元,同时对训练集样本随机打乱,从而减少了网络模型过拟合现象。
在本发明的一种实施例中,信号识别神经网络可以采用如下步骤训练获得:
步骤21:获取预设的神经网络模型和训练集;
步骤22:将样本信号的信号星座图和信号增强密度星座图输入神经网络模型,得到调制方式;
步骤23:基于得到的调制方式、训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
步骤24:根据损失值确定神经网络模型是否收敛;若否则执行步骤25,是则执行步骤26;
步骤25:调整神经网络模型中参数值,并返回步骤22;
步骤26:将当前的神经网络模型确定为信号识别神经网络。
为了提高特征识别的准确度,本发明实施例提供了一种基于损失监督的函数,包含sofamax损失函数和针对特征中心的损失函数。即在softmax损失函数的基础上,对训练集的各个类别在特征空间中确定一个类中心,在训练过程中,约束样本的分类中心距离,在计算特征中心的同时计算损失函数,并调整各个分类中心,达到类内聚合与类间分离的目的,使学习到的特征具有更好的泛化性与辨别能力,具体的,本发明实施例提供的损失函数可以表示为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,也可以理解为sofamax损失函数的损失值,LC表示第二损失,也可以理解为分类特征中心的损失值,包括类内损失LC1和类间损失LC2,λ0,λ1,和λ2均可以表示平衡常数,用于平衡各损失函数,可以根据实际需求进行设定。
m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,则P(y(i)=j|zi)表示zi属于调制方式类别j的概率。
由于训练集较大,可以采用分次训练,每次训练小批量的样本数据,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设常数,δ1是为了防止分母为零,可以根据实际情况设定。
则在上述步骤25中,要调整的神经网络模型中的参数包括权重,偏置,以及各个调制方式的特征中心。
具体的,可以对损失函数求导,以计算反向传播误差:
总损失函数中的反向传播误差:
在模型训练的每次迭代中,可以基于上述求导公式,求解局部最小值,以调整神经中的权重,偏置等参数。
其中,针对分类中心的损失函数部分,可以基于如下公式,计算针对分类中心损失值的反向传播误差:
其中,LC1表示针对中心损失值的类内损失,LC2表示针对中心损失值的类间损失。容易理解的,为了提高最终的识别准确率,在训练过程中,应尽量使得各类调制方式的特征中心相互远离。
在本发明的一种实施例中,针对类内损失LC1的偏导可以基于如下公式计算:
其中,n表示调制方式的标号,zi表示第i个训练样本,cj表示标号为j的调制方式的特征中心,当满足y(i)=j时,δ(y(i)=j)=1,反之δ(y(i)=j)=0。
由上式可知,当y(i)和cj的类别不一致,则不需要更新特征中心cj;当y(i)=j时,需要更新特征中心cj。
在本发明的一种实施例中,针对类间损失LC2的偏导可以基于如下公式计算:
其中,为了体现不同的调制方式,用r,q表示两种不同的调制方式的标号。δ2,δ3分别表示预设第二常数和预设第三常数。
则在模型训练的每次迭代中,可以基于上述公式,更新调制方式的特征中心,使得针对分类中心的损失值最小。
可见,本发明实施例中,在softmax损失函数的基础上,还提出了基于特征中心的损失函数,为训练集中每类调制方式在特征空间中映射一个中心位置,在模型的训练过程中,约束样本的分类中心距离,同时计算特征中心以及损失函数值,基于损失函数值更新特征中心,达到类内聚合,以及类间分离的目的,使学习到的特征具有更好的泛化性与辨别能力,从而提高模型预测的准确性。
相应于本发明实施例提供的信号调制方式识别方法,本发明实施例还提供了一种信号调制方式识别装置,参见图4,图4为本发明实施例提供的信号调制方式识别装置的一种结构示意图,装置包括:
第一获取模块401,用于获取待识别信号;
第二获取模块402,用于获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图;
识别模块403,用于将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式;信号识别神经网络是根据训练集训练得到的,训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
在本发明的一种实施例中,第二获取模块402,具体用于:
基于信号星座图中信号点的密度,生成信号密度星座图;
对信号密度星座图进行图像增强,得到信号增强密度星座图。
在本发明的一种实施例中,装置还包括:训练模块,训练模块,具体用于:
获取预设的神经网络模型和训练集;
将样本信号的信号星座图和信号增强密度星座图输入神经网络模型,得到调制方式;
基于得到的调制方式、训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
根据损失值确定神经网络模型是否收敛;
若否,则调整神经网络模型中参数值,并返回将样本信号的信号星座图和信号增强密度星座图输入神经网络模型,得到调制方式的步骤;
若是,则将当前的神经网络模型确定为信号识别神经网络。
在本发明的一种实施例中,损失函数可以为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,LC表示第二损失,λ0表示第一平衡常数,λ1表示第二平衡常数,λ2表示第三平衡常数,LC1表示类内损失,LC2表示类间损失,m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设第一常数。
应用本发明实施例提供的信号调制方式识别装置,能够获取待识别信号,获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图,将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式。从而实现无需人为提取信号特征,计算复杂度较低,且准确率较高的识别信号调制的方式。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
获取待识别信号;
获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图;
将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式;信号识别神经网络是根据训练集训练得到的,训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应用本发明实施例提供的电子设备,能够获取待识别信号,获取针对待识别信号的信号星座图,并基于信号星座图生成信号增强密度星座图,将信号星座图和信号增强密度星座图输入预先训练的信号识别神经网络中,得到待识别信号的信号调制方式。从而实现无需人为提取信号特征,计算复杂度较低,且准确率较高的识别信号调制的方式。
基于相同的发明构思,根据上述信号调制方式识别方法实施例,在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一信号调制方式识别方法步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备以及存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种信号调制方式识别方法,其特征在于,所述方法包括:
获取待识别信号;
获取针对所述待识别信号的信号星座图,并基于所述信号星座图生成信号增强密度星座图;
将所述信号星座图和所述信号增强密度星座图输入预先训练的信号识别神经网络中,得到所述待识别信号的信号调制方式;所述信号识别神经网络是根据训练集训练得到的,所述训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
2.根据权利要求1所述的方法,其特征在于,所述基于所述信号星座图生成信号增强密度星座图的步骤,包括:
基于所述信号星座图中信号点的密度,生成信号密度星座图;
对所述信号密度星座图进行图像增强,得到所述信号增强密度星座图。
3.根据权利要求1所述的方法,其特征在于,所述信号识别神经网络采用如下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式;
基于得到的调制方式、所述训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中参数值,并返回将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式的步骤;
若是,则将当前的神经网络模型确定为信号识别神经网络。
4.根据权利要求3所述的方法,其特征在于,所述损失函数为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,LC表示第二损失,λ0表示第一平衡常数,λ1表示第二平衡常数,λ2表示第三平衡常数,LC1表示类内损失,LC2表示类间损失,m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设第一常数。
5.一种信号调制方式识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取待识别信号;
第二获取模块,用于获取针对所述待识别信号的信号星座图,并基于所述信号星座图生成信号增强密度星座图;
识别模块,用于将所述信号星座图和所述信号增强密度星座图输入预先训练的信号识别神经网络中,得到所述待识别信号的信号调制方式;所述信号识别神经网络是根据训练集训练得到的,所述训练集包括:多个样本信号的信号星座图和信号增强密度星座图,以及每个样本信号的调制方式。
6.根据权利要求5所述的装置,其特征在于,所述第二获取模块,具体用于:
基于所述信号星座图中信号点的密度,生成信号密度星座图;
对所述信号密度星座图进行图像增强,得到所述信号增强密度星座图。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:训练模块,所述训练模块,具体用于:
获取预设的神经网络模型和所述训练集;
将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式;
基于得到的调制方式、所述训练集中包含的样本信号的调制方式以及预设的损失函数,确定损失值;
根据所述损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中参数值,并返回将所述样本信号的信号星座图和信号增强密度星座图输入所述神经网络模型,得到调制方式的步骤;
若是,则将当前的神经网络模型确定为信号识别神经网络。
8.根据权利要求5所述的装置,其特征在于,所述损失函数为:
L=LS+λ0LC
LC=λ1LC1+λ2LC2
其中,L表示总损失,LS表示第一损失,LC表示第二损失,λ0表示第一平衡常数,λ1表示第二平衡常数,λ2表示第三平衡常数,LC1表示类内损失,LC2表示类间损失,m表示样本总数,i表示样本的标号,k表示调制方式类别总数,j表示调制方式类别标号,1{}表示指示函数,zi表示第i个训练样本,y(i)表示zi的调制方式,N表示每轮训练样本数目,f(zi)表示zi的特征,表示y(i)类调制方式的特征中心,r,q均表示调制方式,δ1表示预设第一常数。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424779.2A CN110309854A (zh) | 2019-05-21 | 2019-05-21 | 一种信号调制方式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424779.2A CN110309854A (zh) | 2019-05-21 | 2019-05-21 | 一种信号调制方式识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309854A true CN110309854A (zh) | 2019-10-08 |
Family
ID=68075460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910424779.2A Pending CN110309854A (zh) | 2019-05-21 | 2019-05-21 | 一种信号调制方式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309854A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798417A (zh) * | 2019-10-24 | 2020-02-14 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN111030960A (zh) * | 2019-12-03 | 2020-04-17 | 中国电子科技集团公司第三十六研究所 | 一种数字调制信号显示评估方法 |
CN111314254A (zh) * | 2019-12-25 | 2020-06-19 | 中国传媒大学 | 信号调制模式识别方法及设备 |
CN111372195A (zh) * | 2020-01-23 | 2020-07-03 | 鹏城实验室 | 移动通信网络中移动终端的位置追踪方法、设备及存储介质 |
CN112270263A (zh) * | 2020-10-28 | 2021-01-26 | 电子科技大学 | 基于差分密度星座图的调制识别方法 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN114157539A (zh) * | 2022-02-10 | 2022-03-08 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
CN115333902A (zh) * | 2021-05-10 | 2022-11-11 | 陕西尚品信息科技有限公司 | 通信信号调制识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108229673A (zh) * | 2016-12-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 卷积神经网络的处理方法、装置和电子设备 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109726195A (zh) * | 2018-11-26 | 2019-05-07 | 北京邮电大学 | 一种数据增强方法及装置 |
-
2019
- 2019-05-21 CN CN201910424779.2A patent/CN110309854A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229673A (zh) * | 2016-12-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 卷积神经网络的处理方法、装置和电子设备 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109726195A (zh) * | 2018-11-26 | 2019-05-07 | 北京邮电大学 | 一种数据增强方法及装置 |
Non-Patent Citations (5)
Title |
---|
SAIHUANG等: "Automatic Modulation Classifation Using Contrastive Fully Convolutional Network", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
SHENGLIANG PENG等: "Modulation Classification Based on Signal Constellation Diagrams and Deep Learning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
彭超然等: "基于深度卷积神经网络的数字调制方式识别", 《计算机测量与控制》 * |
王佳珺: "面向鼾声识别的麦克风阵列干扰抑制方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
袁冰清等: "深度学习在无线电信号调制识别中的应用综述", 《电子技术应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN110798417A (zh) * | 2019-10-24 | 2020-02-14 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN110798417B (zh) * | 2019-10-24 | 2020-07-31 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
US11909563B2 (en) | 2019-10-24 | 2024-02-20 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
CN111030960A (zh) * | 2019-12-03 | 2020-04-17 | 中国电子科技集团公司第三十六研究所 | 一种数字调制信号显示评估方法 |
CN111314254A (zh) * | 2019-12-25 | 2020-06-19 | 中国传媒大学 | 信号调制模式识别方法及设备 |
CN111372195A (zh) * | 2020-01-23 | 2020-07-03 | 鹏城实验室 | 移动通信网络中移动终端的位置追踪方法、设备及存储介质 |
CN112270263B (zh) * | 2020-10-28 | 2022-03-25 | 电子科技大学 | 基于差分密度星座图的调制识别方法 |
CN112270263A (zh) * | 2020-10-28 | 2021-01-26 | 电子科技大学 | 基于差分密度星座图的调制识别方法 |
CN115333902A (zh) * | 2021-05-10 | 2022-11-11 | 陕西尚品信息科技有限公司 | 通信信号调制识别方法及装置 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN113905383B (zh) * | 2021-08-26 | 2024-02-06 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN114157539A (zh) * | 2022-02-10 | 2022-03-08 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
US11700156B1 (en) | 2022-02-10 | 2023-07-11 | Nanjing University Of Aeronautics And Astronautics | Intelligent data and knowledge-driven method for modulation recognition |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309854A (zh) | 一种信号调制方式识别方法及装置 | |
CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN109299697A (zh) | 基于水声通信调制方式识别的深度神经网络系统及方法 | |
CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
CN109934293A (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN110443143A (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN110414377A (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
CN106447626A (zh) | 一种基于深度学习的模糊核尺寸估计方法与系统 | |
CN109446889A (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN110309835B (zh) | 一种图像局部特征提取方法及装置 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
Laube et al. | Deep learning parametrization for B-spline curve approximation | |
CN108052989A (zh) | 一种基于样条卷积神经网络的图像分类方法 | |
CN107046534A (zh) | 一种网络安全态势模型训练方法、识别方法及识别装置 | |
CN109741340A (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
CN107871103A (zh) | 一种人脸认证方法和装置 | |
CN108154235A (zh) | 一种图像问答推理方法、系统及装置 | |
CN106778910A (zh) | 基于本地训练的深度学习系统和方法 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN118230175B (zh) | 基于人工智能的不动产测绘数据处理方法及系统 | |
CN108629265A (zh) | 用于瞳孔定位的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |