CN110417694A - 一种通信信号调制方式识别方法 - Google Patents
一种通信信号调制方式识别方法 Download PDFInfo
- Publication number
- CN110417694A CN110417694A CN201910493882.2A CN201910493882A CN110417694A CN 110417694 A CN110417694 A CN 110417694A CN 201910493882 A CN201910493882 A CN 201910493882A CN 110417694 A CN110417694 A CN 110417694A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- time
- convolutional neural
- width
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/345—Modifications of the signal space to allow the transmission of additional information
- H04L27/3461—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel
- H04L27/3483—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel using a modulation of the constellation points
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种通信信号调制方式识别方法,克服了低信噪比下识别率低和识别种类有限的问题,通信信号调制方式识别方法的步骤:1)已知信号构成的集合:(1)对已知信号分段;(2)对N段信号数据进行时频变换;(3)对N幅三维时频图进行灰度变换;(4)对N幅二维时频图进行标记;2)卷积神经网络的训练:(1)对卷积神经网络进行设置;(2)对设置好的卷积神经网络进行训练;(3)卷积神经网络的参数调整;(4)生成训练好的神经网络;3)接收到的未知信号构成的集合;4)信号调制方式的识别:利用根据已知信号构成集合训练形成的卷积神经网络,将未知信号构成的集合输入到卷积神经网络进行调制方式的识别而得到信号的调制方式。
Description
技术领域
本发明涉及通信领域中信号处理的一种方法,更确切地说,本发明涉及一种通信信号调制方式识别方法。
背景技术
随着高新技术的飞速发展,无论是在军用和民用方面,对于信号的处理都是一项重工作。通信信号的调制方式识别是介于信号检测和解调之间的中间步骤,目的是在几乎没有先验知识的情况下对接收信号的调制方式进行识别,为信号的解调和进一步处理提供信息。
目前现有的识别方法基本上都可以归为两类:基于似然比检测的调制识别方法和基于特征提取模式识别方法。但是这些方法在进行通信信号调制方式识别时均存在一点的缺陷。基于似然比检测的调制缺点:该类算法运算量大、所需先验知识多且似然函数在大多数条件下无法算出封闭的表达式。基于特征提取模式识别方法包括特征提取和分类器两部分,传统的特征提取的方法有瞬时特征值和高阶统计量等,这些基于特征提取模式识别方法也都存在这一定的缺点。例如,基于瞬时特征值的识别方法是在时域进行提取的,噪声对其影响很大,使得瞬时特征值只能在信噪比较大时才能作为信号调制方式的特征,进而影响对信号调制方式进行识别,特别是在低信噪比下该方法完全失效;基于高阶统计量的识别方法虽然可以抑制一定的噪声,但这种方法计算量较大,且在设置阈值时难以确定。另外,以上方法都是基于特征提取的人工通信信号调制方式识别方法,人工提取特征值还需要先选定合适的特征值才能进行识别,其识别方法需要一定工程经验。针对人工提取特征值识别方法存在的问题,近年来,研究人员提出利用深度学习中的卷积神经网络自动提取信号特征,使得特征提取更加准确、简便。基于星座形状的通信信号调制方式识别方法是将信号的星座图作为卷积神经网络的输入,然后利用卷积神经网络进行识别。与传统的识别方法相比,在相同的条件下,该方法可大幅提高识别率,且即使在低信噪比条件下,也可以对信号调制方式进行有效识别。但星座图也存在一定局限性,即该方法只能识别相位调制的一些信号,这造成其对信号调制类型适用范围十分有限,不具有广泛性。另外该方法在生成星座图前需要对信号进行一些参数估计,以便消除定时误差和载波频率偏移对星座图的影响,这使得该方法步骤较多,时效性差。如何能够在低信噪比的条件下使用较为简捷的方法实现对多种通信信号调制方式的正确识别,是目前通信信号识别领域急需要解决的技术问题。
发明内容
本发明所要解决的技术问题是低信噪比下信号识别率低和信号识别种类有限的问题,提供了一种通信信号调制方式识别方法。
为解决上述技术问题,本发明是采用如下技术方案实现的:所述的一种通信信号调制方式识别方法包括步骤如下:
1)已知信号构成的集合:
(1)对已知信号分段;
(2)对N段信号数据进行时频变换;
(3)对N幅三维时频图进行灰度变换:
依次读取N幅三维时频图的俯视图,利用matlab自带的灰度变换函数对三维时频图的俯视图进行灰度变换,生成N幅二维时频图;
(4)对N幅二维时频图进行标记;
2)卷积神经网络的训练:
(1)对卷积神经网络进行设置;
(2)对设置好的卷积神经网络进行训练:
读取已知信号构成的集合中的每一幅时频图,对其进行卷积和池化操作,最后经过输出层进行分类输出;
(3)卷积神经网络的参数调整:
根据输出与标签之间的差值的绝对值,通过反向传播算法逐层更新卷积神经网络的模型参数;
(4)生成训练好的神经网络:
将更新后的深度卷积神经网络的模型及参数进行保存,形成了训练好的卷积神经网络;
3)接收到的未知信号构成的集合;
4)信号调制方式的识别:
利用卷积神经网络的训练步骤中根据已知信号构成的集合训练形成的卷积神经网络,然后将未知信号构成的集合输入到训练好的卷积神经网络即可进行调制方式的识别,得到信号的调制方式。
技术方案中所述的对已知信号分段是指:为了提高算法的准确性,对输入信号进行分段后分别处理;假设采样数据长度为L,对长度为L的信号进行分段,每段长度相等,截取1024个采样点,共分为N段,N越大,已知信号构成的集合越大,算法的准确性越高,N的取值在500到1000之间。
技术方案中所述的对N段信号数据进行时频变换是指:对长度相等的N段数据分别进行分数阶距的Choi-Williams分布的时频变换,生成N幅三维的时频图像,因为分数阶距的Choi-Williams分布的时频变换函数解释了隐藏的时频特性,能够更好揭示非平稳信号的时变信息,故本技术方案对信号进行FLOCWD变换,生成时频图图像;其核函数和时频分布表达式分别为:
式中:p为分数阶阶次,1<p<2;为xp的共轭;t为时间;Ω为频率;τ是时移;θ是频移;u为积分变量;σ为常数,σ越大,自项的分辨率越高;σ越小,对交叉项的拟制则越大;g(θ,τ)为时频分布的核函数。
技术方案中所述的对N幅二维时频图进行标记是指:将2ASK信号的生成的对应的每幅二维时频图标记为1-i,其中1表示调制方式为幅度调制,i表示2ASK的第i幅二维时频图;
将2FSK信号的生成的对应的每幅二维时频图标记为2-i,其中2表示调制方式为频率调制,i表示2FSK的第i幅二维时频图;
将2PSK信号的生成的对应的每幅二维时频图标记为3-i,其中3表示调制方式为频率调制,i表示2PSK的第i幅二维时频图,标记后的图像集合即已知信号构成的集合。
技术方案中所述的对卷积神经网络进行设置是指:
(1)要设置卷积层和池化层的个数
通常设置卷积层和池化层均为2,这是由于卷积层和池化层越多,计算量越大,需要的时间越多,导致算法效率降低;
(2)设置卷积核的大小和个数以及池化核的大小和个数
每个卷积层和池化层分别设置六个卷积核和六个池化核;卷积核大小为13*13,池化核的大小为2*2;
卷积步长均为1,池化操作采用分数阶最大池化方法,分数阶最大池化允许采用非整数值即分数阶池化,在进行池化操作时,池化的初始核为2*2的矩阵,矩阵中的数为小数;取第一行和第二行的前两列,分别与池化核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第一行第一列的数,取第三行和第四行的前两列,分别与池化核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第二行第一列的数,依次类推,得到分数阶池化后的特征图;分数最大池的形式减少了对各种数据集的过度拟合;
(3)设置全层连接的神经元个数和输出的个数
本发明中设置全层连接的神经元个数为150,输出的个数即训练已知信号的种类为3,故设置输出的个数为3。
技术方案中所述的接收到的未知信号构成的集合是指:
(1)对未知信号分段:
对未知信号调制方式的信号进行分段,对长度为M的信号进行分段,每段信号的长度与已知信号信息分段时每段的长度相等,截取1024个采样点,共分为K段,K的取值在50到100之间;
(2)对K段信号进行时频变换;
对长度相等的K段信号进行分数阶距Choi-Williams的时频变换,生成K幅三维的时频图像;
(3)对K幅三维时频图进行灰度变换:
读取三维时频图,利用matlab自带的灰度变换函数对三维时频图进行变换,生成二维时频图,生成二维时频图像集合即未知信号构成的集合。
与现有技术相比本发明的有益效果是:
1.本发明所述的一种通信信号调制方式识别方法所需要的输入为信号的二维时频图,不需要对信号进行参数估计等步骤,直接将信号分段进行时频变换生成的三维时频图变为灰度图即可,简化了步骤,且时频图上信号特征明显,易于区分;
2.本发明所述的一种通信信号调制方式识别方法中采用的是分数阶距的崔-威廉斯(Choi-Williams)分布生成信号的时频图,由于分数阶的Choi-Williams分布不仅保持了原Winger分布的时频聚集性,而且具有抑制多分量信号时频分布中交叉项和脉冲噪声的能力,能够更好揭示非平稳信号的时变信息,背景噪声适用范围更广;
3.本发明所述的一种通信信号调制方式识别方法与传统调制方式识别方法相比较,本发明克服了现有技术中低信噪比下识别率低和识别种类有限的缺点,可以在低信噪比下对多种调制方式的信号进行识别;
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明所述的一种通信信号调制方式识别方法的流程框图;
图2为本发明所述的一种通信信号调制方式识别方法的已知信号构成的集合的流程框图;
图3为本发明所述的一种通信信号调制方式识别方法的接收到的未知信号构成的集合的流程框图;
图4-1为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,0,1,0时2ASK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-2为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,0,1,1时2ASK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-3为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,0,1,1,1时2ASK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-4为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,0,1时2FSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-5为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,0,1,0时2FSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-6为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为1,0,0,1时2FSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-7为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,0,1时2PSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-8为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,0,0时2PSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图4-9为本发明所述的一种通信信号调制方式识别方法的已知信号中数字码元为0,1,1,0时2PSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图5-1为本发明所述的一种通信信号调制方式识别方法的未知信号中信噪比为0dB、数字码元为1,0,1,0时的2ASK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图5-2为本发明所述的一种通信信号调制方式识别方法未知信号中信噪比为0dB、数字码元为1,1,0,1时的2FSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图5-3为本发明所述的一种通信信号调制方式识别方法未知信号中信噪比为0dB、数字码元为1,0,1,0时的2PSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图;
图6-1为本发明所述的一种通信信号调制方式识别方法的未知信号中信噪比为0dB、数字码元为1,1,0,1时的2ASK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图又进行灰度变换的二维时频图;
图6-2为本发明所述的一种通信信号调制方式识别方法未知信号中信噪比为0dB、数字码元为1,0,1,1时的2FSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图又进行灰度变换的二维时频图;
图6-3为本发明所述的一种通信信号调制方式识别方法未知信号中信噪比为0dB、数字码元为1,0,1,0时的2PSK信号进行分数阶距的Choi-Williams变换的三维时频图的俯视图又进行灰度变换的二维时频图;
图7为本发明所述的一种通信信号调制方式识别方法的使用的卷积神经网络的结构图;
图8为本发明所述的一种通信信号调制方式识别方法中的分数阶最大池化运算过程示意图;
图9为本发明所述的一种通信信号调制方式识别方法提出的调制方式识别性能仿真结果图。
具体实施方式
下面结合附图对本发明作详细的描述:
参阅图1,虽然特征提取和分类器相结合的调试方法识别技术取得了很多成果,但是存在特征参数提取时步骤复杂,而且系统识别特征阈值需要人工设计,同时低信噪比时该类方法识别率较低。针对上述问题,本发明提出一种基于卷积神经网络的通信信号调制方式识别方法,依照已知信号构成的集合对设置好的卷积神经网络进行学习训练,然后将未知信号构成的集合输入到训练好的卷积神经网络即可进行调制方式的识别;所述的一种通信信号调制方式识别方法包括的步骤如下:
1.已知信号构成的集合
1)对已知信号分段:
为了提高算法的准确性,对输入信号进行分段后分别处理;假设采样数据长度为L,对长度为L的信号进行分段,每段长度相等,截取1024个采样点,共分为N段,N越大,已知信号构成的集合越大,算法的准确性越高,N的取值在500到1000之间较好。
本发明实例采用的信号2ASK、2FSK和2PSK三种调制方式信号仅为对应多进制幅度调制(MASK)、多进制频率调制(MFSK)和多进制相位调制(MPSK)三种类型信号的特例,其他诸如4ASK、4FSK和4PSK4等通信模式同样有效识别;
2)对N段信号数据进行时频变换:
对长度相等的N段数据分别进行分数阶距的Choi-Williams分布的时频变换,生成N幅三维的时频图像,其部分时频图如图4所示。分数阶距的Choi-Williams分布的时频变换,该方法不仅保持了原Winger分布的时频聚集性,而且具有抑制多分量信号时频分布中交叉项和脉冲噪声的能力,这为处理复杂多信号的时频分析问题提供了良好的解决措施。分数阶距的Choi-Williams分布的时频变换函数(Fractional Low Order Choi-WilliamsDistribution,FLOCWD),解释了隐藏的时频特性,能够更好揭示非平稳信号的时变信息,故本研究对信号进行FLOCWD变换,生成时频图图像。其核函数和时频分布表达式分别为:
式中:p为分数阶阶次,1<p<2;为xp的共轭;t为时间;Ω为频率;τ是时移;θ是频移;u为积分变量;σ为常数,σ越大,自项的分辨率越高;σ越小,对交叉项的拟制则越大;g(θ,τ)为时频分布的核函数;
3)对N幅三维时频图进行灰度变换:
依次读取N幅三维时频图的俯视图,利用matlab自带的灰度变换函数对三维时频图的俯视图进行灰度变换,生成N幅二维时频图;
4)对N幅二维时频图进行标记:
将2ASK信号的生成的对应的每幅二维时频图标记为1-i,其中1表示调制方式为幅度调制,i表示2ASK的第i幅二维时频图;
将2FSK信号的生成的对应的每幅二维时频图标记为2-i,其中2表示调制方式为频率调制,i表示2FSK的第i幅二维时频图;
将2PSK信号的生成的对应的每幅二维时频图标记为3-i,其中3表示调制方式为频率调制,i表示2PSK的第i幅二维时频图,标记后的图像集合即已知信号构成的集合;
2.卷积神经网络的训练
1)对卷积神经网络进行设置:
(1)要设置卷积层和池化层的个数
通常设置卷积层和池化层均为2,这是由于卷积层和池化层越多,计算量越大,需要的时间越多,导致算法效率降低;
(2)设置卷积核的大小和个数以及池化核的大小和个数
通过实验发现,每个卷积层和池化层分别设置六个卷积核和六个池化核;卷积核大小为13*13,池化核的大小为2*2时,效果最佳,故本发明每个卷积层和池化层分别设置六个卷积核和六个池化核;卷积核大小为13*13,池化核的大小为2*2。
本发明中的卷积步长均为1,池化操作采用分数阶最大池化方法,分数阶最大池化允许采用非整数值即分数阶池化,在进行池化操作时,池化的初始核为2*2的矩阵,矩阵中的数为小数。假设4*4的特征图需要进行分数阶池化操作,其运算过程如图8所示。取第一行和第二行的前两列,分别与池化卷积核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第一行第一列的数,取第一行和第二行的后两列,分别与池化卷积核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第一行第二列的数,依次类推,得到分数阶池化后的特征图。仿真发现,分数最大池的形式减少了对各种数据集的过度拟合。
(3)设置全层连接的神经元个数和输出的个数;
通过实验发现,当卷积层和池化层为2,卷积核和池化核的个数为6,全层连接的神经元个数为150时,卷积神经网络的使用效果最佳,故本发明设置全层连接的神经元个数为150。输出的个数即训练已知信号的种类,本发明训练的已知信号种类为3,故设置输出的个数为3;
卷积的目的是不同的卷积核可以提取到输入信号不同的特征,而且通过权值共享降低了运算复杂度。下采样的过程相当于滤波操作,既降低了数据的维度又对数据进行二次特征提取,提高了卷积神经网络的泛化能力和调制方式识别系统的鲁棒性。本发明卷积神经网络中卷积核的数目和全连接层的长度都是可以变化的,但是卷积核的数目越多,对数据的特征提取能力越高,相应的网络中需要训练的神经元的数目就越多。本发明可以通过加深卷积神经网络的深度提高系统的识别性能。
2)对设置好的卷积神经网络进行训练:
将已知信号构成的图像集合作为输入,输入到设置好参数的卷积神经网络内进行训练;即读取已知信号构成的图像集合中的每一幅时频图,对其进行卷积和池化操作,最后经过输出层进行分类输出;
3)卷积神经网络的参数调整:
根据输出与标签之间的差值的绝对值,通过反向传播算法逐层更新卷积神经网络的模型参数;
4)生成训练好的神经网络:
将更新后的深度卷积神经网络的模型及参数进行保存,形成了训练好的卷积神经网络;
3.接收到的未知信号构成的集合
1)对未知信号分段:
对未知信号调制方式的信号进行分段,对长度为M的信号进行分段,每段信号的长度与已知信号信息分段时每段的长度相等,截取1024个采样点,共分为K段。K的取值在50到100之间;
本发明中的未知信号是由matlab仿真生成的。首先将随机挑选调制方式而生成的信号加入脉冲噪声中(Alpha稳定分布噪声,α=1.5),然后将加入噪声的信号分段,最后对每段信号进行了分数阶矩的Choi-Williams时频变换,生成的三维时频图,其部分时频图如图5所示。
本发明中的脉冲噪声采用alpha稳定分布噪声,alpha稳定分布最早由Levy在1925年研究广义中心极限定理时提出的,由于其不存在解析形式的概率密度函数,因此可用特征函数描述:
其中,0<α≤2为特征指数,表示着噪声脉冲特性的强弱,其值越小噪声脉冲性越强;-1<β≤1为对称参数,决定该分布的斜度;γ≥0为尺度参数,也称分散系数,表征样本偏离均值的程度;a表示位置参数,表征PDF在x轴的偏移。alpha稳定分布噪声不存在有限二阶矩,基于高斯分布的整数阶距的时频分析方法应用于脉冲噪声背景信号时其性能退化甚至无效。因此本发明采用分数低阶距数据处理方法解决脉冲噪声下信号处理问题。
2)对K段信号进行时频变换:
对长度相等的K段信号进行分数阶距Choi-Williams的时频变换,生成K幅三维的时频图像;
3)对K幅三维时频图进行灰度变换:
首先读取三维时频图,利用matlab自带的灰度变换函数对三维时频图进行变换,生成二维时频图,生成二维时频图像集合即未知信号构成的集合,其流程图如图3所示;
4.信号调制方式的识别:
利用卷积神经网络的训练步骤中根据已知信号构成的集合训练形成的卷积神经网络,将未知信号构成的集合输入到训练好的卷积神经网络,卷积神经网络对未知信号构成的集合中的每幅时频图进行卷积和池化操作,最后卷积神经网络根据卷积和池化的结果经过输出层对每幅时频图进行输出,即可进行调制方式的识别,得到信号的调制方式。即如果卷积神经网络输入为1,则这段信号为2ASK信号;如果卷积神经网络输入为2,则这段信号为2FSK信号;如果卷积神经网络输入为3,则这段信号为2PSK信号。
实施例:
1.已知信号构成集合是由已知调制方式的2ASK、2FSK和2PSK的三种通信信号构成的。
1)首先对2ASK、2FSK和2PSK的三种通信信号进行仿真,然后对三种信号分别进行分段处理,每种信号分800段,每段长为1024个采样点,共分为2400段;
2)对2400段信号进行分数阶距的Choi-Williams分布的时频变换,生成2400幅三维时频图。
3)为了简化数据,将信号进行时频变换后生成的三维时频图进行灰度变换,生成二维的时频图。首先读取三维时频图,然后利用matlab自带的灰度变换函数对三维时频图进行变换,生成二维时频图;
4)对每种调制方式信号生成的二维时频图进行标记。其标记方法为将2ASK信号对应的时频图标记为1-i,将2FSK信号对应的时频图标记为2-i,将2PSK信号对应的时频图标记为3-i,其中1、2、3分别对应幅度调制、频率调制、相位调制,i为每种调制方式信号的第i幅时频图,i=1,2,…800;
2.卷积神经网络的训练
1)对卷积神经网络进行设置:
本发明的卷积神经网络为多层深度卷积神经网络,包括一个输入层、两个卷积层和两个下采样层、一个全连接层和一个输出层。参见图7中,输入层是一个64*64的矩阵,第一层的卷积核大小为13*13,个数为6,经过第一层卷积层后,输入数据变化为6个52*52的特征图;本发明为了防止训练过程中数据产生过拟合,6个52*52的特征图需进行2*2的下采样操作,经下采样操作后得到6个26*26的特征图。为了充分提取输入数据中的特征,本例中将卷积层和下采样层的数目设置为2层,第二层的卷积核大小为13*13,个数为6,经过第二个卷积层后生成36个14*14特征图,再经过一个2*2的下采样操作,经下采样操作后得到36个7*7的特征图。将输入经过两层卷积层和两层下采样层得到的输出,进行全层连接,全连接到一个长度为150维的隐藏层中。全层连接是将36个7*7的特征图矩阵与36*150的矩阵相乘,然后与150个7*7的卷积核进行卷积,得到了一个150维的向量。全层连接后将150维的向量经过softmax函数进行分类输出。输出的个数即训练已知信号的种类,本实施例中训练的已知信号种类为3,故设置输出的个数为3。本发明中卷积神经网络的激活函数选择为tanh函数,池化选择分数阶最大池化。
2)对设置好的卷积神经网络进行训练:
设置好卷积神经网络后,将2ASK、2FSK和2PSK三种信号构成的集合(共2400幅时频图)输入到设置好的卷积神经网络中进行训练;
3)根据输出与标签的差值的绝对值,通过反向传播算法逐层更新深度卷积神经网络的模型参数;
4)将更新后的深度卷积神经网络的模型及参数进行保存,形成了训练好的卷积神经网络;
3.未知信号构成的集合是由2ASK、2FSK和2PSK的三种通信信号加入脉冲噪声(Alpha稳定分布噪声,α=1.5)构成的。
1)对未知信号分段:
首先对2ASK、2FSK和2PSK的三种加入脉冲噪声(Alpha稳定分布噪声,α=1.5)的信号进行仿真,然后对三种信号分别进行分段处理,每种信号分80段,每段长为1024个采样点,共分为240段;
2)对240段信号进行分数阶距的Choi-Williams分布的时频变换,生成的240幅三维时频图。为了简化数据,将信号进行时频变换后生成的三维时频图进行灰度变换,生成二维的时频图。首先读取三维时频图,然后利用matlab自带的灰度变换函数对三维时频图进行变换,生成二维时频图;
4.利用卷积神经网络的训练步骤中根据已知信号构成的集合训练形成的卷积神经网络,将2ASK、2FSK和2PSK的三种加入脉冲噪声(Alpha稳定分布噪声,α=1.5)构成的未知信号的集合(共240幅时频图)输入到训练好的卷积神经网络,卷积神经网络对未知信号构成的集合中的每幅时频图进行卷积和池化操作,最后卷积神经网络根据卷积和池化的结果经过输出层对每幅时频图进行输出,即可进行调制方式的识别,得到信号的调制方式。即如果卷积神经网络输入为1,则这段信号为2ASK信号;如果卷积神经网络输入为2,则这段信号为2FSK信号;如果卷积神经网络输入为3,则这段信号为2PSK信号。
其分类性能仿真曲线如图9所示,横轴表示信噪比(SNR),单位为分贝,纵轴表示分类正确率,单位为%。由图9的仿真结果可见,本发明在SNR为-5dB时的平均识别率为78.75%,当SNR变化到0dB时,平均识别率为90%,当信噪比高于4dB时,识别率几乎稳定在97%以上。由此可见本发明在低信噪比下可以对2ASK、2FSK和2PSK三种调制方式的信号进行识别,与现有识别方法相比提高了识别率。
Claims (6)
1.一种通信信号调制方式识别方法,其特征在于,所述的一种通信信号调制方式识别方法包括步骤如下:
1)已知信号构成的集合:
(1)对已知信号分段;
(2)对N段信号数据进行时频变换;
(3)对N幅三维时频图进行灰度变换:
依次读取N幅三维时频图的俯视图,利用matlab自带的灰度变换函数对三维时频图的俯视图进行灰度变换,生成N幅二维时频图;
(4)对N幅二维时频图进行标记;
2)卷积神经网络的训练:
(1)对卷积神经网络进行设置;
(2)对设置好的卷积神经网络进行训练:
读取已知信号构成的集合中的每一幅时频图,对其进行卷积和池化操作,最后经过输出层进行分类输出;
(3)卷积神经网络的参数调整:
根据输出与标签之间的差值的绝对值,通过反向传播算法逐层更新卷积神经网络的模型参数;
(4)生成训练好的神经网络:
将更新后的深度卷积神经网络的模型及参数进行保存,形成了训练好的卷积神经网络;
3)接收到的未知信号构成的集合;
4)信号调制方式的识别:
利用卷积神经网络的训练步骤中根据已知信号构成的集合训练形成的卷积神经网络,然后将未知信号构成的集合输入到训练好的卷积神经网络即可进行调制方式的识别,得到信号的调制方式。
2.按照权利要求1所述的一种通信信号调制方式识别方法,其特征在于,所述的对已知信号分段是指:
为了提高算法的准确性,对输入信号进行分段后分别处理;假设采样数据长度为L,对长度为L的信号进行分段,每段长度相等,截取1024个采样点,共分为N段,N越大,已知信号构成的集合越大,算法的准确性越高,N的取值在500到1000之间。
3.按照权利要求1所述的一种通信信号调制方式识别方法,其特征在于,所述的对N段信号数据进行时频变换是指:
对长度相等的N段数据分别进行分数阶距的Choi-Williams分布的时频变换,生成N幅三维的时频图像,因为分数阶距的Choi-Williams分布的时频变换函数解释了隐藏的时频特性,能够更好揭示非平稳信号的时变信息,故本技术方案对信号进行FLOCWD变换,生成时频图图像;其核函数和时频分布表达式分别为:
式中:p为分数阶阶次,1<p<2;为xp的共轭;t为时间;Ω为频率;τ是时移;θ是频移;u为积分变量;σ为常数,σ越大,自项的分辨率越高;σ越小,对交叉项的拟制则越大;g(θ,τ)为时频分布的核函数。
4.按照权利要求1所述的一种通信信号调制方式识别方法,其特征在于,所述的对N幅二维时频图进行标记是指:
将2ASK信号的生成的对应的每幅二维时频图标记为1-i,其中1表示调制方式为幅度调制,i表示2ASK的第i幅二维时频图;
将2FSK信号的生成的对应的每幅二维时频图标记为2-i,其中2表示调制方式为频率调制,i表示2FSK的第i幅二维时频图;
将2PSK信号的生成的对应的每幅二维时频图标记为3-i,其中3表示调制方式为频率调制,i表示2PSK的第i幅二维时频图,标记后的图像集合即已知信号构成的集合。
5.按照权利要求1所述的一种通信信号调制方式识别方法,其特征在于,所述的对卷积神经网络进行设置是指:
(1)要设置卷积层和池化层的个数
通常设置卷积层和池化层均为2,这是由于卷积层和池化层越多,计算量越大,需要的时间越多,导致算法效率降低;
(2)设置卷积核的大小和个数以及池化核的大小和个数
每个卷积层和池化层分别设置六个卷积核和六个池化核;卷积核大小为13*13,池化核的大小为2*2;
卷积步长均为1,池化操作采用分数阶最大池化方法,分数阶最大池化允许采用非整数值即分数阶池化,在进行池化操作时,池化的初始核为2*2的矩阵,矩阵中的数为小数;取第一行和第二行的前两列,分别与池化核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第一行第一列的数,取第三行和第四行的前两列,分别与池化核对应位置的数相乘,再将所有的数相加,得到分数阶池化后的特征图的第二行第一列的数,依次类推,得到分数阶池化后的特征图;分数最大池的形式减少了对各种数据集的过度拟合;
(3)设置全层连接的神经元个数和输出的个数
本发明中设置全层连接的神经元个数为150,输出的个数即训练已知信号的种类为3,故设置输出的个数为3。
6.按照权利要求1所述的一种通信信号调制方式识别方法,其特征在于,所述的接收到的未知信号构成的集合是指:
(1)对未知信号分段:
对未知信号调制方式的信号进行分段,对长度为M的信号进行分段,每段信号的长度与已知信号信息分段时每段的长度相等,截取1024个采样点,共分为K段,K的取值在50到100之间;
(2)对K段信号进行时频变换;
对长度相等的K段信号进行分数阶距Choi-Williams的时频变换,生成K幅三维的时频图像;
(3)对K幅三维时频图进行灰度变换:
读取三维时频图,利用matlab自带的灰度变换函数对三维时频图进行变换,生成二维时频图,生成二维时频图像集合即未知信号构成的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493882.2A CN110417694A (zh) | 2019-06-07 | 2019-06-07 | 一种通信信号调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493882.2A CN110417694A (zh) | 2019-06-07 | 2019-06-07 | 一种通信信号调制方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110417694A true CN110417694A (zh) | 2019-11-05 |
Family
ID=68358444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493882.2A Pending CN110417694A (zh) | 2019-06-07 | 2019-06-07 | 一种通信信号调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110417694A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111092836A (zh) * | 2019-12-13 | 2020-05-01 | 中国人民解放军空军工程大学 | 一种信号调制方式识别方法及装置 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111585922A (zh) * | 2020-03-23 | 2020-08-25 | 成都奥特为科技有限公司 | 一种基于卷积神经网络的调制方式识别方法 |
CN111612130A (zh) * | 2020-05-18 | 2020-09-01 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
CN113052081A (zh) * | 2021-03-26 | 2021-06-29 | 江苏师范大学 | 一种基于柯西Score星座图的调制方式识别方法 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113518049A (zh) * | 2021-04-13 | 2021-10-19 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现系统 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
-
2019
- 2019-06-07 CN CN201910493882.2A patent/CN110417694A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现系统 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
Non-Patent Citations (1)
Title |
---|
MING ZHANG: "Convolutional Neural Networks for Automatic Cognitive Radio Waveform Recognition", 《IEEE ACCESS》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111083077B (zh) * | 2019-12-06 | 2022-03-01 | 成都华日通讯技术股份有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111092836A (zh) * | 2019-12-13 | 2020-05-01 | 中国人民解放军空军工程大学 | 一种信号调制方式识别方法及装置 |
CN111092836B (zh) * | 2019-12-13 | 2022-05-17 | 中国人民解放军空军工程大学 | 一种信号调制方式识别方法及装置 |
CN111314257B (zh) * | 2020-03-13 | 2021-07-06 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111585922A (zh) * | 2020-03-23 | 2020-08-25 | 成都奥特为科技有限公司 | 一种基于卷积神经网络的调制方式识别方法 |
CN111612130A (zh) * | 2020-05-18 | 2020-09-01 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
CN111612130B (zh) * | 2020-05-18 | 2022-12-23 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
CN113052081A (zh) * | 2021-03-26 | 2021-06-29 | 江苏师范大学 | 一种基于柯西Score星座图的调制方式识别方法 |
CN113269023A (zh) * | 2021-03-26 | 2021-08-17 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113052081B (zh) * | 2021-03-26 | 2024-03-15 | 江苏师范大学 | 一种基于柯西Score星座图的调制方式识别方法 |
CN113269023B (zh) * | 2021-03-26 | 2024-04-12 | 江苏师范大学 | 一种基于分数低阶星座图和深度学习的调制识别方法 |
CN113518049A (zh) * | 2021-04-13 | 2021-10-19 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
CN113518049B (zh) * | 2021-04-13 | 2024-04-26 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
CN110048827B (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN112308133A (zh) | 基于卷积神经网络的调制识别方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
CN111507884A (zh) | 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统 | |
CN105320961A (zh) | 基于卷积神经网络和支持向量机的手写数字识别方法 | |
CN111931820B (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN109753973A (zh) | 基于加权支持向量机的高光谱图像变化检测方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN115270872A (zh) | 雷达辐射源个体小样本学习识别方法、系统、装置及介质 | |
Li et al. | Automatic modulation classification based on bispectrum and CNN | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN115038091A (zh) | 一种北极海上无线通信频谱感知方法及系统 | |
CN113902095A (zh) | 一种无线通信自动调制识别方法、装置与系统 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN116304553A (zh) | 一种多调制体制下基于深度学习的干扰类型识别方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN115422977A (zh) | 基于cnn-bls网络的雷达辐射源信号识别方法 | |
CN113869238A (zh) | 一种认知车联网智能频谱感知方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191105 |