CN110659684A - 一种基于卷积神经网络stbc信号识别方法 - Google Patents
一种基于卷积神经网络stbc信号识别方法 Download PDFInfo
- Publication number
- CN110659684A CN110659684A CN201910897060.0A CN201910897060A CN110659684A CN 110659684 A CN110659684 A CN 110659684A CN 201910897060 A CN201910897060 A CN 201910897060A CN 110659684 A CN110659684 A CN 110659684A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- stbc
- convolutional neural
- sample set
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明公开了一种认知无线电中STBC信号识别方法,首先考虑样本多样性和实际接收信号存在多方面因素的影响,建立训练样本;然后对训练样本进行预处理,将一维训练样本预处理为二维训练样本;建立模型框架,将预处理后的样本集输入到模型训练网络,得到最优的网络结构;最后将未知的测试集导入到训练好的网络中识别STBC类型。该方法能在信道参数、噪声系数等参数未知的条件下,识别STBC类型,且在低信噪比下识别效果较好,收敛速度较快,算法的实时性较好。
Description
技术领域
本发明属于信号处理领域中非协作通信信号处理技术,具体是指一种基于卷积神经网络STBC信号识别方法。
背景技术
通信信号自动识别技术最初应用在军事通信中,例如电子战、干扰识别和干扰信号设计。近几年,通信信号自动识别技术已经逐渐应用在民用通信领域,例如频谱监测、软件无线电和认知无线电。通信信号自动识别要求在无任何发射端的先验信息和前端处理的前提下,能够在较低的信噪比(Signal Noise Ratio,SNR)条件下较好地识别接收端信号参数。因此通信信号自动识别技术一直是信号处理领域的重点和难点。
目前大多数STBC识别技术主要采用传统的识别算法,主要包括基于最大似然的算法(LB)和基于特征参数的算法(FB)。传统的算法在识别精度和实时性上等方面尚不理想,机器学习能够深度挖掘数据的特征,快速的对信号进行分类识别,因此近年来在图像处理、语音识别等方面应用广泛,且识别性能优于特征提取算法,将机器学习应用到无线电信号识别领域,能够提高识别的精度和实时性。本发明算法是采用卷积神经网络对STBC信号进行自动识别。
发明内容
本发明的内容是在非合作条件下,对截获的STBC信号的类型进行自动识别。
为解决上述技术问题,本发明是通过以下技术方案实现的:首先建立训练样本集,然后将训练样本集预处理,建立神经网络模型框架,将预处理后样本集输入到模型训练网络,得到最优的网络结构;最后将测试样本集输入到训练的网络中,得到识别结果。
SM信号和AL信号编码方式详细的方案如下:
SM信号编码方式为:发射天线数Nt=2,发射信号为:
AL信号编码方式为:发射天线数Nt=2,码矩阵长度L=2,码矩阵长度的信号为:
不失一般性,假定第一个接收信号为r(0),截获的第(k1+1)列,0≤k1<L,第b个发射块,定义为Ck1(Xb)。在上述假定条件下,第k个(k≥0)接收信号表示为:
r(k)=HS(k)+w(k) (3)
其中,S(k)=Cp(Xq),其中,p=(k+k1)modL,q=b+(k+k1)divL,其中zmodL和zdivL分别代表取余和取商运算,代表信道系数向量,w(k)代表复加性高斯白噪声且均值为零方差为
所述的对样本进行预处理,是指将一维的STBC信号的实部和虚部分开,转换为二维样本集。卷积神经网络最初应用在图像识别上,图像一般是二维数据,里面包含像素,受图像识别启发,将时间序列信号也转换为二维的数据,便于后续神经网络处理。为了进一步说明问题,接收信号为r(k),维度为1×N,将STBC信号实部取出排成行向量,维度为1×N:
r1(k)=Re(r(k)) (4)
同理,将虚部也排成行向量,维度为1×N:
r2(k)=Im(r(k)) (5)
将r1(k)和r2(k)排成新向量X(k),维度为2×N:
所述的样本集的建立,具体是考虑信道噪声、信道模型等因素的影响,训练样本利用MATLAB平台产生,且训练集中包含不同的SNR条件。根据后期模型的搭建和训练需要,在建立样本集时需要将标签加上,设定两列标签,一列是SNR数值,一列是STBC类型,设定每个类型样本集为N,每个数据集的长度128。接收信号按照式(3)生成,编码方式为SM和AL两类。考虑实际信道环境,在建立样本时信道选用Nakagami-m信道,噪声选用白噪声。
所述的神经网络模型框架,将预处理后样本集输入到模型训练网络,得到最优的网络结构。为了进一步说明问题,对模型框架进行详细阐述。模型搭建采用keras深度学习实验室,第一层是输入层,尺寸是m×2×128;第二层是卷积神经网络,滤波器尺寸是64×1×3,其中64代表的是滤波器个数,1×3代表滤波器尺寸,激活函数采用的是ReLU函数;第三层采用的是卷积神经网络,滤波器的尺寸是16×2×3,其中16代表的是滤波器个数,2×3代表滤波器尺寸,激活函数采用的是ReLU函数;第三层是全连接层,滤波器尺寸是128,激活函数采用的是ReLU函数;第四层是全连接层,滤波器尺寸是11,激活函数采用的是softmax函数;最后输出层是one-Hot类输出,由于待识别集是{SM,AL},因此输出是的维度是m×2,m代表预处理后样本的数量。
将预处理的数据X(k)输入到构建好的模型框架,在训练时采用交叉熵作为损失函数,在训练时不断调整权值使得损失函数减少,直至收敛退出训练。
当J(θ)取得最小值时,构建模型训练完成,得到最优的模型结构。
将测试集导入到训练好的模型结构中,得到SM和AL信号识别效果。
本发明方法能在信道参数、噪声系数等参数未知的条件下,识别STBC信号类型,且在低信噪比下识别效果较好;且不受调制方式等影响,方法的鲁棒性较好。
附图说明
图1是本发明所述方法的总体流程图。
图2是本发明所述的卷积神经网络构建。
图3是不同信噪比下AL和SM信号识别概率。
图4是训练中损失代价函数的收敛情况。
图5实施案例中在SNR=-5dB和SNR=-10dB时混淆矩阵排列。
具体实施方式
本实施方式的总体流程图如图1所示,本发明所述的卷积神经网络构建如图2所示,实施方案中输入输出以及参数关系如表1所示。
表1模型结构
Layer(type) | Output shape | Parameter# |
Reshape_1(Reshape) | (None,1,2 128) | 0 |
Conv1(Conv2D) | (None,256,2 129) | 1280 |
conv2(Conv2D) | (None,80,1,131) | 122960 |
dense1(Dense) | (None,256) | 2683136 |
dense2(Dense) | (None,2) | 514 |
本实施例所述方法实现过程如下:
1)采用keras深度学习实验室,搭建模型框架结构;
2)采用MATLAB生成STBC训练样本;
3)通过训练样本对网络进行训练,当损失函数最小时得到的模型为最优模型;
4)采用步骤3)中的训练网络对数据进行识别分类。
实例中无特殊说明,仿真参数如下设置:待识别的STBC集为{SM,AL},在生成样本集时,调制方式设定为QPSK,信道为Nakagami-m衰落信道,且m=3,符号随机产生且统计独立,在-10dB到10dB随机生成,CNN结构为四层,两层卷积神经网络和两层全连接层,预处理后输入样本维度为2×130,其中第一列和第二列为标签数据,分别为SNR标签和STBC类型标签。
图3为在不同SNR下AL和SM信号识别概率,从图3分析可知,SNR越大,正确识别概率越高,在SNR=﹣5dB时正确识别率接近1。算法的性能在低信噪比下较好,主要是由于采取卷积神经网络方法,较传统算法,对样本集的特征提取更明显,因此算法的识别效果更好。
图4为训练过程代价函数收敛曲线图,从图4中发现,曲线在15epoch时开始收敛,说明曲线收敛较快,算法的实时性比较好。
图5为SNR=-10dB和SNR=-5dB时信号的混淆矩阵分布,从图5分析,预测的标签和真实标签的值重合,且重合部分集中在对角线上,对角线上呈现深黑色,因此SNR=-5dB时,识别效果较理想,达到1;而在-10dB时对角线上出现不重合现象,对角线下方呈现浅黑色,这点从正确识别曲线图也可以发现。
Claims (4)
1.一种基于卷积神经网络STBC信号识别方法,其特征在于,在将样本集输入到神经网络模型框架前对样本进行预处理,将一维的STBC信号的实部和虚部分开,转换为二维样本集。
3.根据权利要求1或2所述的一种基于卷积神经网络STBC信号识别方法,其特征在于,所述样本集的建立方法为:考虑实际信号存在噪声、信道因素的影响,建立不同信噪比条件下的样本集。
4.根据权利要求1或2所述的一种基于卷积神经网络STBC信号识别方法,其特征在于,所述的神经网络模型框架具体为:构建四层神经网络,其中包括两层卷积神经网络和两层全连接层,将预处理的二维样本集输入到构建的神经网络中,训练网络得到最优网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897060.0A CN110659684A (zh) | 2019-09-23 | 2019-09-23 | 一种基于卷积神经网络stbc信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897060.0A CN110659684A (zh) | 2019-09-23 | 2019-09-23 | 一种基于卷积神经网络stbc信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110659684A true CN110659684A (zh) | 2020-01-07 |
Family
ID=69038379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897060.0A Pending CN110659684A (zh) | 2019-09-23 | 2019-09-23 | 一种基于卷积神经网络stbc信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659684A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
CN111553248A (zh) * | 2020-04-24 | 2020-08-18 | 中国人民解放军海军航空大学 | 面向stbc信号的识别网络stbccnn |
CN112600594A (zh) * | 2020-12-08 | 2021-04-02 | 中国人民解放军海军航空大学航空作战勤务学院 | 空频分组码识别方法、装置、计算机设备和存储介质 |
CN112634926A (zh) * | 2020-11-24 | 2021-04-09 | 电子科技大学 | 一种基于卷积神经网络的短波信道语音抗衰落辅助增强方法 |
CN112770325A (zh) * | 2020-12-09 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106506427A (zh) * | 2016-10-19 | 2017-03-15 | 中国人民解放军海军航空工程学院 | 一种基于folp的stbc‑ofdm信号盲识别方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
US20190251421A1 (en) * | 2018-02-14 | 2019-08-15 | National Central University | Source separation method and source seperation device |
-
2019
- 2019-09-23 CN CN201910897060.0A patent/CN110659684A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106506427A (zh) * | 2016-10-19 | 2017-03-15 | 中国人民解放军海军航空工程学院 | 一种基于folp的stbc‑ofdm信号盲识别方法 |
US20190251421A1 (en) * | 2018-02-14 | 2019-08-15 | National Central University | Source separation method and source seperation device |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
Non-Patent Citations (4)
Title |
---|
MINGGANG LUO等: "A Rotating Blind Separation Algorithm Suitable for MIMO-STBC Systems without Precoder", 《2012 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 * |
凌青等: "基于改进K-S检测的STBC-OFDM信号盲识别算法研究", 《通信学报》 * |
王威等: "基于卷积神经网络STBC调制信号识别", 《中国电子科学研究院学报》 * |
陈敏华等: "基于卷积神经网络的信道均衡算法", 《计算机应用与软件》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
CN111553248A (zh) * | 2020-04-24 | 2020-08-18 | 中国人民解放军海军航空大学 | 面向stbc信号的识别网络stbccnn |
CN112634926A (zh) * | 2020-11-24 | 2021-04-09 | 电子科技大学 | 一种基于卷积神经网络的短波信道语音抗衰落辅助增强方法 |
CN112634926B (zh) * | 2020-11-24 | 2022-07-29 | 电子科技大学 | 一种基于卷积神经网络的短波信道语音抗衰落辅助增强方法 |
CN112600594A (zh) * | 2020-12-08 | 2021-04-02 | 中国人民解放军海军航空大学航空作战勤务学院 | 空频分组码识别方法、装置、计算机设备和存储介质 |
CN112770325A (zh) * | 2020-12-09 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
CN112770325B (zh) * | 2020-12-09 | 2022-12-16 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
CN113098664B (zh) * | 2021-03-31 | 2022-10-11 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN110460402B (zh) | 一种基于深度学习的端到端通信系统建立方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN111628833A (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN111431825B (zh) | 一种基于深度多流神经网络的信号自动分类识别方法 | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
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 | |
CN111507299A (zh) | 一种频域上使用卷积神经网络识别stbc信号的方法 | |
Ilhan et al. | Offloading deep learning empowered image segmentation from uav to edge server | |
US11929853B2 (en) | Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders | |
CN114070684B (zh) | 一种基于二维卷积神经网络的调制信号识别方法 | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
CN115563485A (zh) | 一种基于深度学习的低复杂度干扰识别方法 | |
CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
Wang et al. | Deep learning method for generalized modulation classification under varying noise condition | |
KR102596571B1 (ko) | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 | |
Kumar et al. | 2D-FFT based modulation classification using deep convolution neural network | |
CN107682119A (zh) | 一种基于分组极值模型的mimo空时码识别方法 | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 |
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 |