CN110826425B

CN110826425B - 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法

Info

Publication number: CN110826425B
Application number: CN201910999117.8A
Authority: CN
Inventors: 谢欣; 戴江安; 唱亮; 孙浩; 邱天爽; 陈兴; 丑远婷; 高宏杰
Original assignee: Beijing Dongfang Botai Radio Spectrum Technology Research Institute Co ltd; People's Liberation Army 61081 Unit; Dalian University of Technology
Current assignee: Beijing Dongfang Botai Radio Spectrum Technology Research Institute Co ltd; People's Liberation Army 61081 Unit; Dalian University of Technology
Priority date: 2019-10-21
Filing date: 2019-10-21
Publication date: 2022-11-18
Anticipated expiration: 2039-10-21
Also published as: CN110826425A

Abstract

一种基于深度神经网络的VHF/UHF频段无线电信号调制方式识别方法，属于通信技术领域。该方法在深度学习理论的基础上，选择三层神经网络作为信号分类器，以3大类26种信号特征作为分类器输入向量，输出14维向量分别对应VHF/UHF频段中常见的14种无线电信号。神经网络采用ReLU作为神经元的激活函数，输出层使用Softmax函数计算输入信号归为各类的概率。分类器训练中使用Adam优化方法实现网络参数更新，采用交叉熵作为代价函数计算网络的误差，并采用dropout技巧提升网络的识别正确率。本发明能够准确识别出VHF/UHF频段的常见无线电信号，识别信号类别广，数量多，准确度高；并且识别算法复杂度低，耗时短，实时性好。

Description

一种基于深度神经网络的VHF/UHF频段无线电信号调制方式识别方法

技术领域

本发明属于通信技术领域，涉及到一种基于深度神经网络的调制方式识别新方法。该方法能够对VHF/UHF频段中常见的14种无线电信号进行准确识别，这些信号包括民航AM、宽带FM(WFM)、窄带FM(NFM)、2FSK、4FSK、GSM、OFDM、Pi/4DQPSK、MPSK(2/4/8)、 MQAM(16/32/64)。

背景技术

调制识别也称为调制分类或者调制鉴别，是通信系统接收端的信号检测和信号解调之间的重要步骤。它的主要任务是在没有先验知识或先验知识不足的情况下，通过对接收信号进行分析处理，判断出信号的调制方式，为后续的信号分析处理提供依据。

无线电信号的调制方式是其重要特征之一，无线电信号调制方式的确定，关系到能否正确复原原始信号。无线电信号调制方式的识别在军事和民用方面都有重要意义。特别是在无线电监测、通信侦察、电子对抗、信号认证、干扰识别、频谱管理等方面有重要的应用，是智能化信号分析和处理、无线电频谱管理的一项重要技术。

按无线通信频段划分，甚高频(VHF)和超高频(UHF)的频率范围分别为30MHz～300MHz 和300MHz～3000MHz，其含盖的频段又称为超短波、微波频段，在民用和军用通信中都有广泛的应用。由于该频段是一个开放的信道，这使得各种民用与军用信号、通信与非通信信号、模拟信号与数字信号交叠在一起，造成VHF/UHF频段的电磁环境十分复杂。而常规的调制识别方法通常识别的信号种类有限，很难完成VHF/UHF频段常见无线电信号的识别任务。

随着人工智能的飞速发展，深度学习作为机器学习的一个分支或子领域已经成功地应用于计算机视觉、自然语言处理和语音处理等方面，并在信号分类和信号处理问题上取得了显著的成绩。深度学习的概念起源于人工神经网络的研究，是人工神经网络的延续与发展。通过组合低层特征得到高层特征，深层神经网络可以更加抽象地表示特征或属性类别，以发现数据的分布式特征表示。自2006年Hinton提出深度置信网以来，全球研究者对深度学习的研究热情不断提高，加上近几十年来计算机技术和高速DSP技术的日益成熟，处理大数据问题不再阻碍重重。

深度学习技术已经在语音识别、图像识别以及自然语言处理等模式识别领域展现它的优势，而调制识别本质上也是一种模式识别问题，因此深度学习的提出与发展为调制识别的研究提供了新的研究思路，具有很大的应用潜力。

发明内容

为克服现有调制识别方法识别信号种类单一、识别准确率低，无法完成VHF/UHF频段常用无线电信号识别任务的缺陷，本发明提供一种基于深度神经网络的调制方式识别新方法。

本发明采用的技术方案为：

在深度学习理论的基础上，选择三层神经网络作为信号分类器，以3大类26种信号特征作为分类器输入向量，输出14维向量分别对应VHF/UHF频段中常见的14种无线电信号。神经网络采用ReLU作为神经元的激活函数，输出层使用Softmax函数计算输入信号归为各类的概率。分类器训练中使用Adam优化方法实现网络参数更新，采用交叉熵作为代价函数计算网络的误差，并采用dropout技巧提升网络的识别正确率。为验证本发明的优势，在训练完成后，通过多台接收机采集的大量真实信号进行性能测试。

本发明的有益效果是：

本发明能够准确识别出VHF/UHF频段的常见无线电信号，包括民航AM、宽带FM、窄带FM、2FSK、4FSK、GSM、OFDM、Pi/4DQPSK、MPSK(2/4/8)、MQAM(16/32/64)共计14 种信号，识别信号类别广，数量多，准确度高；并且识别算法复杂度低，耗时短，实时性好。

附图说明

图1是无线电信号调制方式识别的一般原理过程。

图2是多层感知机示意图。

图3是本发明基于深度学习的调制识别算法框图。

图4是DNN网络结构图。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

一种基于深度神经网络的调制方式识别新方法，其主要步骤如下：

第一步，信号特征提取。对接收机采集到的无线电信号s进行特征提取。共提取瞬时参数、高阶统计量、变换域3大类总计26种特征，具体如下所示。

(1)特征1～7为瞬时幅度、频率和相位的相关特征。

瞬时幅度定义为：A(i)＝|s(i)|，其中|·|为取模操作。

瞬时无卷绕相位定义为：

arg[·]表示求幅角主值操作， unwrap[·]表示解卷绕操作。

瞬时频率定义为：

特征1～7可表示为：

E[·]表示求数学期望操作。

其中A_n(i)＝{A(i)-E[A(i)]}/E[A(i)]。

f₃＝std[A_n(i)]，其中std[·]表示求标准差操作。

f₄＝max{|DFT[A_n(i)]|}，其中max[·]表示求最大值操作，DFT[·]表示求离散傅里叶变换操作。

f₅＝max{|DFT[A_n(i)]|²}。

其中f_n(i)＝{f(i)-E[f(i)]}/E[f(i)]。

f₇＝max{|DFT[f_n(i)]|}

(2)特征8～18为高阶统计量特征。

首先，信号s的p阶混合矩定义为：M_pq＝E[s^(p-q)(s^*)^q]。特征8～18可表示为：

f₁₂＝|C₆₃|[|C₄₂|·|M₂₁|]

f₁₃＝|M₆₃|/[|M₄₂|·|M₂₁|]

f₁₄＝f₁₃/f₁₂

f₁₅＝|C₄₂|/|M₂₁|²

f₁₆＝|C₆₃|/|C₂₁|³

(3)特征19～26为信号的频谱、平方谱、高阶谱等变换域特征。

信号的频谱表示为sp(n)＝DFT[s(i)]；平方谱表示为sp₂(n)＝DFT[s²(i)]；四次方谱表示为sp₄(n)＝DFT[s⁴(i)]；八次方谱表示为sp₈(n)＝DFT[s⁸(i)]

特征19～26可表示为：

f₁₉＝E{{sp(n)-E[sp(n)]}⁴}/{E{{sp(n)-E[sp(n)]}²}}²

f₂₀＝max[sp₂(n)]/{∑sp₂(n)-max[sp₂(n)]}

f₂₁＝secmax[sp₂(n)]/{∑sp₂(n)-max[sp₂(n)]-secmax[sp₂(n)]}，其中 secmax[·]表示求次大值操作

f₂₂＝max[sp₄(n)]/{∑sp₄(n)-max[sp₄(n)]}

f₂₃＝secmax[sp₄(n)]/{∑sp₄(n)-max[sp₄(n)]-secmax[sp₄(n)]}

f₂₄＝max[sp₈(n)]/{∑sp₈(n)-max[sp₈(n)]}

f₂₅＝secmax[sp₈(n)]/{∑sp₈(n)-max[sp₈(n)]-secmax[sp₈(n)]}

f₂₆＝max[sp(n)]/{∑sp(n)-max[sp(n)]}

上述26种特征组合成26维特征向量F。其中第i个信号样本的特征向量表达式为

所有样本提取出的特征向量构成特征数据D。数据集分成两部分，一部分为训练集T用于训练网络，一部分为验证集V用于验证网络的有效性。

第二步，数据预处理。在用作网络输入前，对特征数据集中的特征向量F⁽ⁱ⁾，按照 X⁽ⁱ⁾←(F⁽ⁱ⁾-u)/σ进行标准化预处理，使其具有零均值、单位方差。其中u和σ分别为标准化之前特征向量的均值和方差。

第三步，设计与训练DNN模型。设计一个含有多个隐藏层的DNN模型，根据数据标签对网络进行有监督的训练。待识别的14种信号类别标签值如表1所示。

表1信号类别标签

综合考虑计算时间和内存占用等因素，最终选择具有两层隐藏层的神经网络(简称DNN) 作为分类器，其网络结构如图4所示。

采用交叉熵作为代价函数，其表达式为如下：

其中，Y⁽ⁱ⁾是信号类别标签向量，

是DNN网络的输出向量。

DNN模型使用Adam优化方法实现网络参数更新，并采用dropout技巧提升网络的识别正确率。

第四步，信号判决分类。网络训练完成后，用验证集V验证分类器的性能。待验证信号的特征向量进行标准化处理后作为DNN模型的输入。网络输出14维向量

它的第k个分量

表示待验证信号属于第k类的概率。14个分量中的最大值对应的信号类型为判决出的信号类别n，即

表2给出了验证集V中信号的分类结果。验证信号类型共14种，分别是民航AM、WFM、NFM、2FSK、4FSK、GSM、OFDM、Pi/4DQPSK、MPSK(2/4/8)、MQAM(16/32/64)。总共验证的信号样本数为346200，综合识别正确率达到99.67％。14种信号中，除4FSK的识别正确率为98.09％外，其余13种信号的识别正确率均高于99％，显示出了本发明的优异性能。

表2验证集信号的分类结果

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims

1.一种基于深度神经网络的VHF/UHF频段无线电信号调制方式识别方法，其特征在于，在深度学习理论的基础上，选择三层神经网络作为信号分类器，以3大类26种信号特征作为分类器输入向量，输出14维向量分别对应VHF/UHF频段中常见的14种无线电信号；神经网络采用ReLU作为神经元的激活函数，输出层使用Softmax函数计算输入信号归为各类的概率；分类器训练中使用Adam优化方法实现网络参数更新，采用交叉熵作为代价函数计算网络的误差，并采用dropout技巧提升网络的识别正确率；包括以下步骤：

第一步，信号特征提取；

对接收机采集到的无线电信号s进行特征提取；共提取瞬时参数、高阶统计量、变换域3大类总计26种特征，26种特征组合成26维特征向量F；其中第i个信号样本的特征向量表达式为

所有样本提取出的特征向量构成特征数据D；数据集分成两部分，一部分为训练集T用于训练网络，一部分为验证集V用于验证网络的有效性；

第二步，数据预处理；

在用作网络输入前，对特征数据集中的特征向量F⁽ⁱ⁾，按照X⁽ⁱ⁾←(F⁽ⁱ⁾-u)/σ进行标准化预处理，使其具有零均值、单位方差；其中u和σ分别为标准化之前特征向量的均值和方差；

第三步，设计与训练DNN模型；

设计一个含有多个隐藏层的DNN模型，根据数据标签对网络进行有监督的训练；待识别的14种信号类别标签值如表1所示；

表1信号类别标签

序号信号类型类别标签 1 AM [1,0,0,0,0,0,0,0,0,0,0,0,0,0] 2 BPSK [0,1,0,0,0,0,0,0,0,0,0,0,0,0] 3 4FSK [0,0,1,0,0,0,0,0,0,0,0,0,0,0] 4 2FSK [0,0,0,1,0,0,0,0,0,0,0,0,0,0] 5 GSM [0,0,0,0,1,0,0,0,0,0,0,0,0,0] 6 NFM [0,0,0,0,0,1,0,0,0,0,0,0,0,0] 7 OFDM [0,0,0,0,0,0,1,0,0,0,0,0,0,0] 8 Pi/4DQPSK [0,0,0,0,0,0,0,1,0,0,0,0,0,0] 9 8PSK [0,0,0,0,0,0,0,0,1,0,0,0,0,0] 10 16QAM [0,0,0,0,0,0,0,0,0,1,0,0,0,0] 11 32QAM [0,0,0,0,0,0,0,0,0,0,1,0,0,0] 12 64QAM [0,0,0,0,0,0,0,0,0,0,0,1,0,0] 13 QPSK [0,0,0,0,0,0,0,0,0,0,0,0,1,0] 14 WFM [0,0,0,0,0,0,0,0,0,0,0,0,0,1]

选择具有两层隐藏层的神经网络作为分类器；

采用交叉熵作为代价函数，其表达式为如下：

其中，Y⁽ⁱ⁾是信号类别标签向量，

是DNN网络的输出向量；

DNN模型使用Adam优化方法实现网络参数更新，并采用dropout技巧提升网络的识别正确率；

第四步，信号判决分类；

网络训练完成后，采用验证集V验证分类器的性能；待验证信号的特征向量进行标准化处理后作为DNN模型的输入；网络输出14维向量

它的第k个分量

表示待验证信号属于第k类的概率；14个分量中的最大值对应的信号类型为判决出的信号类别n，即：