CN110598677B - 一种用于自动调制识别的时空多通道深度学习系统 - Google Patents

一种用于自动调制识别的时空多通道深度学习系统 Download PDF

Info

Publication number
CN110598677B
CN110598677B CN201910949887.1A CN201910949887A CN110598677B CN 110598677 B CN110598677 B CN 110598677B CN 201910949887 A CN201910949887 A CN 201910949887A CN 110598677 B CN110598677 B CN 110598677B
Authority
CN
China
Prior art keywords
layer
input
convolutional
convolution
output
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.)
Active
Application number
CN201910949887.1A
Other languages
English (en)
Other versions
CN110598677A (zh
Inventor
骆春波
徐加朗
罗杨
孙文健
刘子健
吴佳
刘翔
许燕
濮希同
韦仕才
张赟疆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910949887.1A priority Critical patent/CN110598677B/zh
Publication of CN110598677A publication Critical patent/CN110598677A/zh
Application granted granted Critical
Publication of CN110598677B publication Critical patent/CN110598677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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

本发明公开了一种用于自动调制识别的时空多通道深度学习系统，包括依次连接的多通道输入和空间特征映射模块、时间特征提取模块以及全连接网络分类器模块。该系统进一步通过CNN和LSTM级联结构来学习调制信号的空间和时间特性，使得该系统能更好更全面的抽取调制信号的空间特征和时序特征，加深隐层与输出之间的映射关系。本发明提升了基于深度学习方法的自动调制识别的识别准确性，并且显著提高了高阶调制类型的识别性能。该系统还具有高可扩展性，可以通过增加输入层来输入更多带有调制信息的不同类型的数据。

Description

一种用于自动调制识别的时空多通道深度学习系统
技术领域
本发明涉及自动调制识别技术领域，具体涉及一种用于自动调制识别的时空多通道深度学习系统。
背景技术
自动调制识别(Automatic Modulation Recognition，AMR)技术的目的就是自动识别出带噪调制信号的调制类型。它作为信号检测和解调之间的关键步骤，是信息提取的前提保证。目前AMR已广泛应用于各个领域，如认知无线电，频谱管理，电子监控等。
通常，自动调制识别有两类传统方法：一类是基于决策理论的方法，另一类是基于特征学习的方法。基于决策理论的方法在很大程度上依赖于先验知识和参数估计。基于特征的方法通常由特征提取部分和分类算法部分组成，特征提取部分常使用高阶统计特征、占用带宽特征或累积量特征；分类算法部分常使用人工神经网络，支持向量机或决策树。
在过去的几年中，许多深度学习系统已经应用于AMR，如卷积神经网络(Convolutional Neural Network，CNN)、VGGNet、循环神经网络(Recurrent NeuralNetwork，RNN)和卷积长短期深度神经网络(Convolutional Long Short-term DeepNeural Networks，CLDNN)等，并且它们的识别性能比基于特征学习的方法更好。然而，上述这些系统都是直接从图像，语音识别或自然语言处理领域借用的，并没有专门根据AMR的特点进行设计。因此，它们忽略了一些特定的通信信号信息，并且其在AMR领域中无法表现得如同在原领域中一样优秀。最近，一些AMR领域的学者开始根据调制信号的特点设计相应的深度学习方法来完成自动调制识别任务。例如，K.Yashashwi等人通过校正模块与CNN共同训练的方式，来减少随机频率和相位噪声的影响。Y.Zeng等人把短时傅里叶变换产生的频谱图像作为CNN的输入。然而，现有的基于深度学习的AMR研究并没有足够重视同相信道(I通道)和正交信道(Q通道)的分离学习，这两个信道在各自的维度中都携带了固有的时空信息，可以用来提高识别性能。
发明内容
针对现有技术中的上述不足，本发明提供的一种用于自动调制识别的时空多通道深度学习系统解决了其他深度学习系统识别性能不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种用于自动调制识别的时空多通道深度学习系统，包括依次连接的多通道输入和空间特征映射模块、时间特征提取模块以及全连接网络分类器模块；
所述多通道输入和空间特征映射模块包括第一输入层Input1、第二输入层Input2、第三输入层Input3、第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，所述第一输入层Input1的输入端输入I/Q多通道数据，所述第二输入层Input2的输入端输入I通道分离数据，所述第三输入层Input3的输入端输入Q通道分离数据，所述第一输入层Input1的输出端与第一卷积层Conv1的输入端连接，所述第二输入层Input2的输出端与第二卷积层Conv2的输入端连接，所述第三输入层Input3的输出端与第三卷积层Conv3的输入端连接，所述第二卷积层Conv2的输出端和第三卷积层Conv3的输出端在Concanatel层合并并连接第四卷积层Conv4的输入端，所述第四卷积层Conv4的输出端与第一卷积层Conv1的输出端在Concanate2层合并并连接第五卷积层Conv5的输入端；
所述时间特征提取模块包括第一LSTM层LSTM1和第二LSTM层LSTM2，所述第一LSTM层LSTM1的输入端与第五卷积层Conv5的输出端连接，所述第一LSTM层LSTM1的输出端与第二LSTM层LSTM2连接；
所述全连接网络分类器模块包括第一全连接层FC1、第二全连接层FC2和Softmax输出层，所述第一全连接层FC1的输入端与第二LSTM层LSTM2的输出端连接，所述第一全连接层FC1的输出端与第二全连接层FC2的输入端连接，所述第二全连接层FC2的输出端与Softmax输出层的输入端连接。
进一步地：所述第二卷积层Conv2和第三卷积层Conv3均为1D卷积层，所述第一卷积层Conv1、第四卷积层Conv4和第五卷积层Conv5均为2D卷积层。
进一步地：所述第一卷积层Conv1有50个尺寸为2×8的过滤器，所述第二卷积层Conv2和第三卷积层Conv3均有50个尺寸为8的过滤器，所述第四卷积层Conv4有50个尺寸为1×8的过滤器，所述第五卷积层Conv5有100个尺寸为2×5的过滤器。
进一步地：所述第一输入层Input1的输入维度为(2，N)，所述第二输入层Input2和第三输入层Input3的输入维度均为(N，1)；2为I/Q通道维度，N为每个信号的采样长度，1为I通道或Q通道。
进一步地：所述第二卷积层Conv2和第三卷积层Conv3的输出数据维度均为(N，50)，所述第四卷积层Conv4的输出数据维度为(2，N，50)，所述第五卷积层Conv5的输出数据维度为(1，M，100)；M所在维度作为第一LSTM层LSTM1中的时间步长维度，100所在维度作为第一LSTM层LSTM1中的特征值维度。
进一步地：所述第一LSTM层LSTM1和第二LSTM层LSTM2均有128个单元。
进一步地：所述第一全连接层FC1和第二全连接层FC2均有128个神经元。
本发明的有益效果为：本发明提出了一种新颖的深度学习系统，其具有由三个输入层组成的多通道输入结构，用于从I/Q调制信号的I/Q多通道数据、I通道分离数据和Q通道分离数据中提取特征。该系统进一步通过卷积神经网络(Convolutional NeuralNetwork，CNN)和长短时记忆网络(Long Short-term Memory network，LSTM)的级联结构来学习调制信号的空间和时间特性。使得该系统能更好更全面的抽取调制信号的空间特征和时序特征，加深隐层与输出之间的映射关系。本发明提升了基于深度学习方法的自动调制识别的识别准确性，并且显著提高了高阶调制类型(如16-QAM和64-QAM)的识别性能。该系统还具有高可扩展性，可以通过增加输入层来输入更多带有调制信息的不同类型的数据。
附图说明
图1为本发明结构图；
图2为本发明数据集生成流程图；
图3为本发明与其他先进深度学习系统在各信噪比下的识别准确率；
图4为本发明与本发明的三个受控实验组在各信噪比下的识别准确率；
图5为本发明在-8,0,8dB信躁比下调制识别的混淆矩阵；
图6为本发明实施例中四个基准深度学习模型CNN2、VGG-7、CLDNN、LSTM3在-8dB信噪比下调制识别的混淆矩阵。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明的信号模型是单输入单输出的通信系统，该系统可以被表示为：
r(t)＝s(t)*h(t)+n(t)
其中，r(t)为接收机接收到的调制信号，s(t)为发射机发射的调制信号，h(t)为信道脉冲响应，n(t)为加性白高斯噪声，r(t)通过A/D转换器以fs＝1/Ts的采样频率采样n次，生成离散时间观测信号r(n)。
如图1所示，一种用于自动调制识别的时空多通道深度学习系统，包括依次连接的多通道输入和空间特征映射模块、时间特征提取模块以及全连接网络分类器模块；
所述多通道输入和空间特征映射模块包括第一输入层Input1、第二输入层Input2、第三输入层Input3、第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，所述第一输入层Input1的输入端输入I/Q多通道数据，所述第二输入层Input2的输入端输入I通道分离数据，所述第三输入层Input3的输入端输入Q通道分离数据，所述第一输入层Input1的输出端与第一卷积层Conv1的输入端连接，所述第二输入层Input2的输出端与第二卷积层Conv2的输入端连接，所述第三输入层Input3的输出端与第三卷积层Conv3的输入端连接，所述第二卷积层Conv2的输出端和第三卷积层Conv3的输出端在Concanatel层合并并连接第四卷积层Conv4的输入端，所述第四卷积层Conv4的输出端与第一卷积层Conv1的输出端在Concanate2层合并并连接第五卷积层Conv5的输入端；
所述时间特征提取模块包括第一LSTM层LSTM1和第二LSTM层LSTM2，所述第一LSTM层LSTM1的输入端与第五卷积层Conv5的输出端连接，所述第一LSTM层LSTM1的输出端与第二LSTM层LSTM2连接；
所述全连接网络分类器模块包括第一全连接层FC1、第二全连接层FC2和Softmax输出层，所述第一全连接层FC1的输入端与第二LSTM层LSTM2的输出端连接，所述第一全连接层FC1的输出端与第二全连接层FC2的输入端连接，所述第二全连接层FC2的输出端与Softmax输出层的输入端连接。
第一输入层Input1的输入维度为(2，N)，所述第二输入层Input2和第三输入层Input3的输入维度均为(N，1)；2为I/Q通道维度，N为每个信号的采样长度，1为I通道或Q通道。通过输入I/Q多通道数据、I通道分离数据和Q通道分离数据，该系统可以学习I/Q信号的多通道和独立通道特征。
在本发明的一个实施例中，第二卷积层Conv2和第三卷积层Conv3均为有50个尺寸为8的过滤器的1D卷积层，这两个1D卷积层分别用于提取I通道和Q通道的独立通道特征，它们的输出数据F2和F3的维度都是(N，50)。特别的，第二卷积层Conv2和第三卷积层Conv3使用因果填充(casual padding)来确保系统不会违反输入数据的时间顺序。为了不损失I/Q通道的维度信息，我们将F2和F3的维度从(N，50)都扩充到(1，N，50)，并且在Concanate1层沿着第一个维度进行合并，得到合并的特征数据F4，其维度为(2，N，50)。
第一卷积层Conv1、第四卷积层Conv4和第五卷积层Conv5均为2D卷积层，用于提取I/Q调制信号中存在的空间相关性，第一卷积层Conv1有50个尺寸为2×8的过滤器，第四卷积层Conv4有50个尺寸为1×8的过滤器，第五卷积层Conv5有100个尺寸为2×5的过滤器，第五卷积层Conv5的输出数据F5维度为(1，M，100)，其中，
Figure BDA0002225438310000061
在本发明的一个实施例中，所述第一LSTM层LSTM1和第二LSTM层LSTM2均有128个单元。LSTM已经被证明能够有效地处理时序数据以提取时间相关性。为了连接多通道输入和空间特征映射部分和时间特征提取模块，本发明通过Reshape层将多通道输入和空间特征映射部分的输出数据F5的维度从(1，M，100)重整为(M，100)，然后把重整后的数据输入到第一LSTM层LSTM1中，其中M所在维度作为LSTM1层中的时间步长(time steps)维度，100所在维度作为输入的特征数(input dim)维度。LSTM1的每个单元将其结果输出到LSTM2，而LSTM2层仅输出其最终单元的结果。
在本发明的一个实施例中，所述第一全连接层FC1和第二全连接层FC2均有128个神经元。这两个全连接层使用“selu”激活函数，这个激活函数具有自我归一化特性，可以稳健地训练深度较深的网络。FC1和FC2均具有128个神经元，并且在每个全连接层之后使用了Dropout方法，以防止网络过度拟合，其中Dropout＝0.5。输出层使用了Softmax激活函数，共有11个神经元，每个调制类型对应一个神经元。
由于本发明提出的系统可以灵活地增加输入层的数量，输入数据的类型可以很容易的得到扩展。例如，如果想将星座图数据作为输入添加到此系统中，可以构建一个新的输入层并直接在Concatenate2层中合并这个新类型的数据。
本发明的实验使用基准开源数据集RML2016.10a，该数据集含有220000个调制信号，包括11种调制信号类型，分别是用于数字调制的BPSK、QPSK、8PSK、16-QAM、64-QAM、BFSK、CPFSK和4-PAM，以及用于模拟调制的WBFM、AM-SSB和AM-DSB。这11种调制信号均匀分布在信噪比-20dB到18db之间，每个信噪比步长为2dB，即有20种信噪比情况，各信噪比情况下每种调制类型的数据量为1000。这些调制信号在苛刻的模拟传播环境中生成，受到加性高斯白噪声(Additive White Gaussian Noise，AWGN)、多径衰落、采样率偏移和中心频率偏移的影响，以近似现实生活中的调制信号数据情况。数据集生成流程图如图2所示，数据集中每个调制信号的维度为(2，128)，其中2代表每个信号包含I/Q两个通道的数据，128代表每个通道有128个采样点。
为了使输入数据符合本发明的深度学习系统的输入维度要求，把每个调制信号的I/Q通道分离，即将(2，128)维度的调制信号分为两个(1，128)维度的数据，分别对应I通道分离数据和Q通道分离数据，然后将它们的维度从(1，128)交换为(128，1)。最后，我们得到了3组输入数据，分别是(2，128)维度的I/Q多通道数据、(128，1)维度的I通道分离数据和(128，1)维度的Q通道分离数据。按照6：2：2的比例将数据集分为训练集、验证集和测试集，也就是说，每个信噪比情况下各调制类型都有600个信号作为训练数据，200个信号作为验证数据，200个信号作为测试数据。
本发明中的识别准确率计算公式为：
Figure BDA0002225438310000081
Figure BDA0002225438310000082
其中，
Figure BDA0002225438310000083
为N个调制信号数据的数据集，xi为调制信号数据，yi为xi对应的真实调制类型标签，F(xi)为系统预测的调制类型，Accurary为识别准确率。
本发明设置了两个实验来评估本发明提出的深度学习系统，命名为多输入卷积长短期深度神经网络(Multi-input Convolutional Long Short-term Deep NeuralNetwork，MCLDNN)的性能。
在第一个实验中，将四个系统(CNN2，VGG-7，LSTM3和CLDNN)作为基准模型，这些系统都将RML2016.10a作为基准数据集并获得了高识别准确率，通过对比MCLDNN和这四个系统的识别准确率来评估MCLDNN的识别性能。其中，CNN2由3个卷积层和1个使用Softmax激活函数的全连接层组成，每个卷积层具有50个尺寸为1×8的过滤器组成，VGG-7由7对ID卷积层和ID最大池化层组成，每个卷积层有64个尺寸为8的过滤器。LSTM3由3个LSTM层组成，每层64个单元，CLDNN有3个卷积层，每个卷积层有50个1×8尺寸的过滤器，且第一个卷积层的输出会作为第三个卷积层的输入，第三个卷积层之后跟着一个LSTM层，这个LSTM层具有50个单元。图3展示了第一个实验中所有系统(MCLDNN、CNN2、VGG-7、LSTM3)的识别准确率。当信噪比大于-4dB时，与其他系统相比，MCLDNN具有明显的性能优势；当信噪比大于-4dB时，MCLDNN的识别准确率超过91％；当信噪比大于4dB时，我们可以看到所有系统的识别准确率不再显著提高，说明此时信噪比不再是影响识别准确率的主要因素。
第二个实验探讨了MCLDNN系统的合理性。设置了3个受控实验组，称为MCLDNN-A、MCLDNN-B和MCLDNN-C。其中，MCLDNN-A移除了图1中的分离通道部分，MCLDNN-B使用卷积层代替了时间特征提取模块的LSTM层，MCLDNN-C删除了全连接部分。使用分类交叉熵(categorical cross entropy)作为损失函数，所有系统都使用Adam优化器。设置初始学习率为0.001，若验证损失在5个epoch内没有减少，则将学习率乘上0.8，以此来提升训练效率。保存验证损失最小时系统的权重，并用于测试结果分析中。图4展示了第二个实验中所有系统(MCLDNN、MCLDNN-A、MCLDNN-B、MCLDNN-C)的识别准确率。我们发现，多通道输入结构和时间特征提取模块(见图1)大大提高了该系统的识别准确率。相比之下，全连接部分对识别准确率的提升就不那么明显了。
所有的实验均使用Tensorflow的Keras库，并通过Nvidia Cuda和GeForceGTX1080Ti GPU加速运行。
表I为信噪比0dB时，各系统对11种调制类型的识别准确率。由表Ⅰ可知，在大多数调制类型(16-QAM、64-QAM、8PSK、BPSK、CPFSK、4-PAM和QPSK)上，MCLDNN获得了最高的识别准确率，尤其是对16-QAM、64-QAM和QPSK的识别准确率明显高于其他系统，将MCLDNN的识别准确率与MCLDNN-A、MCLDNN-B、MCLDNN-C这三个受控实验组进行比较，我们可以发现，增加I/Q独立通道特征、获取时间特征和加深网络都可以较为明显的提高16-QAM和64-QAM的识别准确率。
表Ⅰ信噪比为0时各系统的识别准确率
Figure BDA0002225438310000101
模型的复杂度由训练参数的个数和每个epoch的平均训练时间来评估。如表Ⅱ所示，MCLDNN的训练参数个数小于MCLDNN-B和CNN2，因为MCLDNN所使用的LSTM层的训练参数个数远小于MCLDNN-B和CNN2所使用的CNN层。虽然MCLDNN的训练时间较长，但与它所提高的识别准确率相比，该系统的训练时间仍是可以接受的。
表Ⅱ模型复杂度
Figure BDA0002225438310000102
Figure BDA0002225438310000111
图5给出了MCLDNN在-8，-0，8dB信噪比下调制识别的混淆矩阵。图6显示了CNN2、VGG-7、CLDNN、LSTM3在-8dB信噪比下调制识别的混淆矩阵。在混淆矩阵图中，每一行表示真实的调制类型，每一列表示预测的调制类型。方框的颜色越深，代表落入其中的样本比例越高。
从图5可以看出，影响调制信号识别准确率的主要因素有以下三个：
第一个因素是WBFM和AM-DSB之间的混淆问题。这与调制信号本身的特性和数据集的情况有关。由于这两种调制类型都属于连续调制，它们之间的区别在复数域上非常不明显。此外，数据集中的WBFM和AM-DSB是通过采样模拟音频信号生成的，在模拟音频信号中存在静音时段，这使得区分WBFM和AM-DSB变得更困难。
第二个因素是16-QAM和64-QAM之间的混淆问题。由于它们在数字域内有重叠的星座点，使得系统很难区分它们。虽然MCLDNN中仍然存在16-QAM和64-QAM的混淆问题，但从表Ⅰ可知，与其他先进的深度学习系统(CNN2、VGG-7、CLDNN、LSTM3)相比，MCLDNN在该问题上有了很大的改善。
第三个因素是在低信噪比情况下，所有的系统偏向于把其他调制信号识别为AM-SSB，如图5(a)和图6所示。其主要原因是在低信噪比情况下，采样后的调制信号与AM-SSB具有相似的特性。

Claims (6)

1.一种用于自动调制识别的时空多通道深度学习系统，其特征在于，包括依次连接的多通道输入和空间特征映射模块、时间特征提取模块以及全连接网络分类器模块；
所述多通道输入和空间特征映射模块包括第一输入层Input1、第二输入层Input2、第三输入层Input3、第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，所述第一输入层Input1的输入端输入I/Q多通道数据，所述第二输入层Input2的输入端输入I通道分离数据，所述第三输入层Input3的输入端输入Q通道分离数据，所述第一输入层Input1的输出端与第一卷积层Conv1的输入端连接，所述第二输入层Input2的输出端与第二卷积层Conv2的输入端连接，所述第三输入层Input3的输出端与第三卷积层Conv3的输入端连接，所述第二卷积层Conv2的输出端和第三卷积层Conv3的输出端在Concanatel层合并并连接第四卷积层Conv4的输入端，所述第四卷积层Conv4的输出端与第一卷积层Conv1的输出端在Concanate2层合并并连接第五卷积层Conv5的输入端；
所述时间特征提取模块包括第一LSTM层LSTM1和第二LSTM层LSTM2，所述第一LSTM层LSTM1的输入端与第五卷积层Conv5的输出端连接，所述第一LSTM层LSTM1的输出端与第二LSTM层LSTM2连接；
所述全连接网络分类器模块包括第一全连接层FC1、第二全连接层FC2和Softmax输出层，所述第一全连接层FC1的输入端与第二LSTM层LSTM2的输出端连接，所述第一全连接层FC1的输出端与第二全连接层FC2的输入端连接，所述第二全连接层FC2的输出端与Softmax输出层的输入端连接；
所述第一卷积层Conv1有50个尺寸为2×8的过滤器，所述第二卷积层Conv2和第三卷积层Conv3均有50个尺寸为8的过滤器，所述第四卷积层Conv4有50个尺寸为1×8的过滤器，所述第五卷积层Conv5有100个尺寸为2×5的过滤器；
第二卷积层Conv2和第三卷积层Conv3均为有50个尺寸为8的过滤器的1D卷积层，这两个1D卷积层分别用于提取I通道和Q通道的独立通道特征，它们的输出数据F2和F3的维度都是(N，50)，第二卷积层Conv2和第三卷积层Conv3使用因果填充来确保系统不会违反输入数据的时间顺序，为了不损失I/Q通道的维度信息，将F2和F3的维度从(N，50)都扩充到(1，N，50)，并且在Concanate1层沿着第一个维度进行合并，得到合并的特征数据F4，其维度为(2，N，50)；
第一卷积层Conv1、第四卷积层Conv4和第五卷积层Conv5均为2D卷积层，用于提取I/Q调制信号中存在的空间相关性，第一卷积层Conv1有50个尺寸为2×8的过滤器，第四卷积层Conv4有50个尺寸为1×8的过滤器，第五卷积层Conv5有100个尺寸为2×5的过滤器，第五卷积层Conv5的输出数据F5维度为(1，M，100)，其中，
Figure FDA0002776519030000021
2.根据权利要求1所述的用于自动调制识别的时空多通道深度学习系统，其特征在于，所述第二卷积层Conv2和第三卷积层Conv3均为1D卷积层，所述第一卷积层Conv1、第四卷积层Conv4和第五卷积层Conv5均为2D卷积层。
3.根据权利要求1所述的用于自动调制识别的时空多通道深度学习系统，其特征在于，所述第一输入层Input1的输入维度为(2，N)，所述第二输入层Input2和第三输入层Input3的输入维度均为(N，1)；其中2为I/Q通道维度，N为每个信号的采样长度，1为I通道或Q通道。
4.根据权利要求3所述的用于自动调制识别的时空多通道深度学习系统，其特征在于，所述第二卷积层Conv2和第三卷积层Conv3的输出数据维度均为(N，50)，所述第四卷积层Conv4的输出数据维度为(2，N，50)，所述第五卷积层Conv5的输出数据维度为(1，M，100)；其中M所在维度作为第一LSTM层LSTM1中的时间步长维度，100所在维度作为第一LSTM层LSTM1中的特征值维度。
5.根据权利要求1所述的用于自动调制识别的时空多通道深度学习系统，其特征在于，所述第一LSTM层LSTM1和第二LSTM层LSTM2均有128个单元。
6.根据权利要求1所述的用于自动调制识别的时空多通道深度学习系统，其特征在于，所述第一全连接层FC1和第二全连接层FC2均有128个神经元。
CN201910949887.1A 2019-10-08 2019-10-08 一种用于自动调制识别的时空多通道深度学习系统 Active CN110598677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949887.1A CN110598677B (zh) 2019-10-08 2019-10-08 一种用于自动调制识别的时空多通道深度学习系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949887.1A CN110598677B (zh) 2019-10-08 2019-10-08 一种用于自动调制识别的时空多通道深度学习系统

Publications (2)

Publication Number Publication Date
CN110598677A CN110598677A (zh) 2019-12-20
CN110598677B true CN110598677B (zh) 2021-01-26

Family

ID=68865726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949887.1A Active CN110598677B (zh) 2019-10-08 2019-10-08 一种用于自动调制识别的时空多通道深度学习系统

Country Status (1)

Country Link
CN (1) CN110598677B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111327554B (zh) * 2020-02-27 2021-03-30 电子科技大学 一种用于数字调制信号识别的特征提取方法
CN111464468A (zh) * 2020-03-02 2020-07-28 南方科技大学 信号调制模式识别方法、装置、设备和可读存储介质
CN111541466B (zh) * 2020-04-20 2021-03-16 北京航空航天大学 一种基于随机调制跳变的无人机数据链设计方法
CN111865849B (zh) * 2020-06-30 2021-08-06 中国兵器科学研究院 一种信号调制的方法、装置和服务器
CN112132266A (zh) * 2020-09-23 2020-12-25 中国人民解放军陆军工程大学 基于卷积循环网络的信号调制识别系统及调制识别方法
CN112910812B (zh) * 2021-02-25 2021-10-22 电子科技大学 一种基于时空特征提取深度学习的调制模式识别方法
CN112702294B (zh) * 2021-03-24 2021-06-22 四川大学 一种基于深度学习的多层次特征提取的调制识别方法
CN113486724A (zh) * 2021-06-10 2021-10-08 重庆邮电大学 基于cnn-lstm多支流结构和多种信号表示的调制识别模型
CN113822162B (zh) * 2021-08-24 2023-10-13 北京邮电大学 一种基于伪星座图的卷积神经网络调制识别方法
CN117056708A (zh) * 2023-10-11 2023-11-14 成都大公博创信息技术有限公司 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106847302A (zh) * 2017-02-17 2017-06-13 大连理工大学 基于卷积神经网络的单通道混合语音时域分离方法
CN106910185A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的dbcc分类模型及构建方法
CN107943751A (zh) * 2017-11-14 2018-04-20 华南理工大学 一种基于深度卷积对抗网络模型的独立通道卷积方法
CN108154194A (zh) * 2018-01-18 2018-06-12 北京工业大学 一种用基于张量的卷积网络提取高维特征的方法
CN109086753A (zh) * 2018-10-08 2018-12-25 新疆大学 基于双通道卷积神经网络的交通标志识别方法、装置
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546593B2 (en) * 2017-12-04 2020-01-28 Apple Inc. Deep learning driven multi-channel filtering for speech enhancement
US11875260B2 (en) * 2018-02-13 2024-01-16 Adobe Inc. Reducing architectural complexity of convolutional neural networks via channel pruning
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN109645980A (zh) * 2018-11-14 2019-04-19 天津大学 一种基于深度迁移学习的心律异常分类方法
CN110222643B (zh) * 2019-06-06 2021-11-30 西安交通大学 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910185A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的dbcc分类模型及构建方法
CN106847302A (zh) * 2017-02-17 2017-06-13 大连理工大学 基于卷积神经网络的单通道混合语音时域分离方法
CN107943751A (zh) * 2017-11-14 2018-04-20 华南理工大学 一种基于深度卷积对抗网络模型的独立通道卷积方法
CN108154194A (zh) * 2018-01-18 2018-06-12 北京工业大学 一种用基于张量的卷积网络提取高维特征的方法
CN109086753A (zh) * 2018-10-08 2018-12-25 新疆大学 基于双通道卷积神经网络的交通标志识别方法、装置
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Spectrogram-Based Automatic Modulation Recognition USing Convolutional Neural Network;Shijin Jeong 等;《2018 Tenth International Conference on Ubiquitous and Future Networks(ICUFN)》;20180701;1-8 *
Spectrum analysis and convolutional neural network for automatic modulation recognition;Yuan Zeng 等;《IEEE Wireless Communication Letters》;20190630;第8卷(第3期);929-934 *

Also Published As

Publication number Publication date
CN110598677A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598677B (zh) 一种用于自动调制识别的时空多通道深度学习系统
CN112418014B (zh) 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN107124381B (zh) 一种数字通信信号调制方式自动识别方法
Tekbıyık et al. Robust and fast automatic modulation classification with CNN under multipath fading channels
CN109657604B (zh) 基于循环神经网络的卫星幅相信号识别解调方法及装置
Zhang et al. A data preprocessing method for automatic modulation classification based on CNN
CN110266620A (zh) 基于卷积神经网络的3d mimo-ofdm系统信道估计方法
CN111898583B (zh) 一种基于深度学习的通信信号调制方式识别方法及系统
CN114422311B (zh) 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN114254680B (zh) 基于多特征信息的深度学习网络调制识别方法
CN109543643A (zh) 基于一维全卷积神经网络的载波信号检测方法
CN112242969A (zh) 一种基于模型驱动的深度学习的新型单比特ofdm接收机
CN112910812A (zh) 一种基于时空特征提取深度学习的调制模式识别方法
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
CN114595729A (zh) 基于残差神经网络与元学习融合的通信信号调制识别方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
CN115834310B (zh) 一种基于LGTransformer的通信信号调制识别方法
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
Jariwala et al. Automatic modulation classification: A novel convolutional neural network based approach
CN115186596A (zh) 基于前导仿真器的水声前导信号检测方法及装置
CN114785649B (zh) 一种基于多端神经网络的卫星通信信号识别方法
CN113242201A (zh) 基于生成分类网络的无线信号增强解调方法及系统
CN111917674A (zh) 一种基于深度学习的调制识别方法
Zhang et al. Modulation format recognition based on CNN in satellite communication system
Mousa et al. Identification the modulation type in cognitive radio network based on Alexnet architecture

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
GR01 Patent grant
GR01 Patent grant