CN110855591A - 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 - Google Patents

Abstract

本发明涉及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，本发明通过对接收到的I/Q两路信号进行绝对值运算处理提升了信号调制识别的分类准确率。本发明针对接收到的I/Q信号，分别对两路信号各自取绝对值；仿真生成高斯白噪声信道下的各调制类型信号数据集，并将其按一定的比例分割作为网络结构的训练、验证及测试使用；利用训练数据进行网络结构参数的训练，以建立输入数据与调制类型的映射关系；训练完毕就可以利用该网络结构对100*2的信号给出调制类型判断。

Description

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

技术领域

本发明涉及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，属于无线数字传输技术领域。

背景技术

近年来，随着数字通信的发展，通信信号的调制样式更加多样和复杂，如何有效地识别出接收信号采用的调制方式尤为重要。调制方式识别在电子对抗、无线电监听、干扰识别等众多领域有着广泛应用。在非协作通信中，知道调制方式从而实现调制识别，主要是为解调器提供参数以选择相应的解调算法或者为干扰器提供发射波形参数。

目前，传统调制识别方法有两种算法，基于似然函数(LB)的调制识别算法和基于特征(FB)的调制识别算法。基于似然估计的方法是以贝叶斯准则为理论基础的信号检测方法，它利用接收信号的似然函数，通过比较似然比和阈值来做出决策。此种方法在贝叶斯意义下是最优的，可以提供很好的分类精度，但通常需要更多的先验知识和较高的计算复杂度且容易出现模型失配问题。基于特征的方法是以模式识别理论为基础，具有较低的计算复杂度，并且比前者容易实现。它使用基于光谱特征、小波特征、高阶统计特征和循环特征等多个特征。然后，根据他们的观察值的不同做出判决。虽然该方法实现简单，但其精度在很大程度上取决于信号预处理、所取特征以及决策者对于判决网络的选择。

与此同时，随着深度学习的快速发展，它在图像、自然语言处理领域均取得了良好的效果，发挥着重要作用。深度学习特点鲜明，它可以自动提取特征，并保证在特征选择时的特征冲突，并且其发展速度迅猛，在通信领域的应用也越来越多。

综上，目前使用传统方法实现信号调制类型分类存在着一定的弊端，比如计算复杂度高、准确率低等问题。

发明内容

针对现有技术的不足，本发明提供了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；

针对PSK和QAM信号的调制方式类内分类，本发明提出了基于卷积神经网络的信号调制识别，其原理是利用卷积神经网络结构学习QAM信号和PSK信号的特征，并对其进行分类。研究学者均是将采集到的IQ信号作为网络结构的输入从而实现信号调制分类。然而这类方法需要较长的数据来保证分类的准确度，从而加大了计算复杂度。本发明分析QAM和PSK调制信号特征，根据两类信号均是关于x轴和y轴对称的信号，每一种调制信号第一象限的信号特点完全可以代替该调制信号的特征，因此将I/Q信号分别进行绝对值运算以后通过CNN网络结构学习处理后得到新的信号特征，从而实现信号调制分类。本发明需要的数据长度更短，复杂度更低。本发明使用卷积神经网络或者其他网络结构直接学习I/Q信号需要的数据长度较长、从而计算参数较高。

本发明通过分析QAM和PSK调制信号具有关于坐标轴对称的特点，即通过对接收到的I/Q信号进行对折或者绝对值运算，实现信号聚类点更集中的思想，从而进一步实现信号调制类型识别。本发明针对采集的QAM和PSK信号需考虑两项因素，信号在发射前进行了归一化处理；信号的传输信道是高斯白噪声信道(AWGN)。本发明以卷积神经网络(CNN)为工具，以分别取绝对值后的I/Q信号作为网络结构的输入，从而实现信号调制类型的分类。

本发明一种基于卷积神经网络的QAM和PSK类内调制识别方法，本发明根据信号特点，通过对接收到的I/Q两路信号进行绝对值运算处理提升了信号调制识别的分类准确率。本发明针对接收到的I/Q信号，分别对两路信号各自取绝对值；仿真生成高斯白噪声信道下的各调制类型信号数据集，并将其按一定的比例分割作为网络结构的训练、验证及测试使用；利用训练数据进行网络结构参数的训练，以建立输入数据与调制类型的映射关系；训练完毕就可以利用该网络结构对100*2的信号给出调制类型判断。

术语解释：

1、QAM，Quadrature Amplitude Modulation，正交振幅调制。

2、PSK，相移键控，一种用载波相位表示输入信号信息的调制技术。

3、加性高斯白噪声(AWGN)信道模型，是信息论中用来模拟自然界中许多随机过程效应的一种基本模型，在该模型中，接收端信号被认为是发送信号与高斯白噪声的叠加。

4、交叉熵损失函数：输出张量与目标张量之间的分类交叉熵，是在softmax函数输出的概率分布向量上，如果不是以接近于1的概率去判别一个标签，认为这是一种损失。

5、验证集损失(误差)：在训练模型的时候，如果只有训练集的损失(loss)和准确率(acc)，模型易出现过拟合，在测试集上的准确率会较低。如果让模型在所有的数据上均有不错的标签，使用验证集弯沉验证的任务。即在训练模型时，每训练一遍，输出当前训练集的损失和准确率，同时也对验证集进行评估，输出验证集对应的损失和准确率。

本发明的技术方案为：

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，该方法运行于加性高斯白噪声信道模型，高斯白噪声信道模型包括依次连接的发射机、加性高斯白噪声信道、接收机，发射机通过天线发射信号，经过高斯白噪声信道后，接收机通过天线接收信号，通过载波恢复，码元同步采样处理得到码元同步复信号，也即功率归一化基带数字调制信号y_n，包括步骤如下：

A、训练卷积神经网络模型

(1)信号生成：使用MATLAB仿真高斯白噪声下的功率归一化基带数字调制信号y_n，该功率归一化基带数字调制信号y_n是I/Q两路信号，数据长度选择为100，该功率归一化基带数字调制信号y_n为复数形式，将其保存为格式[N,100,2]的.mat文件；N代表了样本的数量，100是功率归一化基带数字调制信号y_n的长度，2是指的功率归一化基带数字调制信号y_n为两路信号，为I/Q两路信号；

(2)信号预处理：按照公式(Ⅱ)将步骤(1)保存的.mat文件中的数据分别求绝对值，得到符合卷积神经网络模型输入的数据，即IQ数据样本；

Data_input＝abs(y_n) (Ⅱ)

式(Ⅱ)中，Data_input代表了卷积神经网络模型输入数据；

(3)搭建卷积神经网络模型：

所述卷积神经网络模型包括3层CNN网络、2层全连接层，3层CNN网络包括3个卷积层、3个池化层，3个卷积层卷积核大小均为3，3个卷积层卷积核数量分别为64、64、64，第1层全连接层的单元数量为32，第2层全连接层的单元数量为3；

神经网络类型是卷积神经网络(Convolutional Neural Network,CNN),简称CNN网络结构；网络结构需要确定卷积层数、卷积核大小、卷积核数量、初始化参数方法等一系列参数。采用2层全连接层，参数初始化均选择了正态分布，第一层的全连接层单元数量为32，激活函数选择整流线性单位’relu’,第二层全连接层单元数量为3，也为输出层。

卷积神经网络模型输入数据为[100,2],输出单元数为3；

本发明涉及6种调制信号类型，包括QAM4、QAM16、QAM64、PSK4、PSK8、PSK16，调制信号的信噪比为0dB-20dB，每2个dB为一个间隔；每种调制信号类型在每1个信噪比下有一个100*2的IQ数据样本；

(4)训练步骤(3)搭建的卷积神经网络模型：

将步骤(2)预处理的信号按5:3:2的比例划分为训练集、验证集和测试集；

将训练集中的数据输入至搭建的卷积神经网络模型进行训练；交叉熵损失函数定义了拟合结果和真实结果之间的差异，作为优化的目标直接关系模型训练的好坏，本模型使用的交叉熵损失函数。

B、验证卷积神经网络模型

使用验证集对卷积神经网络模型的泛化能力及分类效果进行验证，卷积神经网络模型采用早停法减少过拟合，以验证集损失作为监控量，当卷积神经网络模型的验证集损失不再下降或者出现上升，则经过若干次个训练轮次后停止训练；

在训练卷积神经网络模型的时候希望获得最好的泛化性能，卷积神经网络模型的泛化能力通常使用模型在验证数据集上的表现来评估，从而进一步预防过拟合，采用早停法解决过拟合，选择的监控量是验证集损失(误差)，如果验证集误差不会比上一次训练的误差好，则经过若干次个训练轮次后停止训练。

采用测试集测试步骤(4)训练的卷积神经网络模型的准确率，如果在0dB-20dB的任意一个信噪比的分类准确率都大于0.5，那么，认为该卷积神经网络模型学习到了信号的基本分类特征，可以用来实现信号调制分类，进入步骤C，否则，返回步骤(4)；

C、利用卷积神经网络模型进行测试

随机生一组新的符合输入数据格式的QAM调制信号或者PSK调制信号作为测试数据，将验证后的卷积神经网络模型载入得到该组测试数据的预测值，并将预测值与实际值做比较，验证卷积神经网络模型输出的正确性。

根据本发明优选的，从高斯白噪声信道模型中接收机接收到的功率归一化基带数字调制信号y_n，如式(Ⅰ)所示：

y_n＝x_n+w_n (Ⅰ)

式(Ⅰ)中，x_n是指信号，w_n是指噪声，n表示当前样本的第n个采样点。

根据本发明优选的，QAM4调制信号、QAM16调制信号及QAM64调制信号分别如式(Ⅱ)至式(Ⅳ)所示：

QAM(Quadrature Amplitude Modulation)为正交幅度调制的简称，正交幅度调制是一种相位和幅度联合键控。

根据本发明优选的，PSK4调制信号、PSK8调制信号及PSK16调制信号分别如式(Ⅴ)至式(Ⅶ)所示：

M_4PSK＝{e^j2π(m-1)/4|m＝1,2,3，4} (Ⅴ)

M_8PSK＝{e^j2π(m-1)/8|m＝1,2,...8} (Ⅵ)

M_16PSK＝{e^j2π(m-1)/16|m＝1,2,...16} (Ⅶ)。

PSK(Phase shift Keying)是相移键控，通过利用载波的相位变化来传递数字信息，而振幅和频率保持不变。

本发明的有益效果为：

1、本发明综合考虑了信号传输过程中高斯白噪声对信号的影响，分析了不同信噪比下信号的分类效果，缩短了数据长度，降低了计算复杂度。

2、本发明利用了深度学习对样本进行学习，使系统用于自身智能感知能力，省却了人工设定阈值环节，并且分类正确率更高。

3、由于模拟了信号经过高斯白噪声信道传输的场景，针对具体环境具体分析，添加相关环境下的信号数据参与模型训练，从而提升模型健壮性，实现对不同环境下的信号调制分类。

4、采用该方法实现信号调制类型识别，不需要预估信号的信噪比。

附图说明

图1是本发明高斯白噪声信道模型的信号通信流程示意图；

图2(a)为QAM4调制信号的星座图；

图2(b)为QAM16调制信号的星座图；

图2(c)为QAM64调制信号的星座图；

图2(d)为QAM4调制信号的对折星座图；

图2(e)为QAM16调制信号的对折星座图；

图2(f)为QAM64调制信号的对折星座图；

图3(a)为PSK4调制信号的星座图；

图3(b)为PSK8调制信号的星座图；

图3(c)为PSK16调制信号的星座图；

图3(d)为PSK4调制信号的对折星座图；

图3(e)为PSK8调制信号的对折星座图；

图3(f)为PSK16调制信号的对折星座图；

图4是本发明卷积神经网络模型示意图；

图5是本发明对QAM信号分类的效果图；

图6是本发明对PSK信号分类的效果图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例

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，该方法运行于加性高斯白噪声信道模型，高斯白噪声信道模型的信号通信流程如图1所示，高斯白噪声信道模型包括依次连接的发射机、加性高斯白噪声信道、接收机，发射机通过天线发射信号，经过高斯白噪声信道后，接收机通过天线接收信号，通过载波恢复，码元同步采样处理得到码元同步复信号，也即功率归一化基带数字调制信号y_n；

本实施例使用了MATLAB2014仿真生成数据，数据集为66000个100*2的时间信号；所有的训练和测试都是使用NVIDIA TiTanX在keras上完成的。标签包括信号的调制方式和信号对应的信噪比。该数据集中包括的信号类型：QAM4,QAM16,QAM64；PSK4,PSK8,PSK16。

信号在不同的信道中传输会对信号产生不同的影响，在本实施例中暂时只考虑高斯白噪声信道下的信号传输，如果需要测试其他信道下的信号，需要采集对应信道下的信号作为网络结构参数的训练数据。包括步骤如下：

A、训练卷积神经网络模型

(1)信号生成：使用MATLAB仿真高斯白噪声下的功率归一化基带数字调制信号y_n，并通过改变信号长度测试信号程度对分类结果的影响。该功率归一化基带数字调制信号y_n是I/Q两路信号，数据长度选择为100，该功率归一化基带数字调制信号y_n为复数形式，将其保存为格式[N,100,2]的.mat文件；N代表了样本的数量，100是功率归一化基带数字调制信号y_n的长度，2是指的功率归一化基带数字调制信号y_n为两路信号，为I/Q两路信号；从高斯白噪声信道模型中接收机接收到的功率归一化基带数字调制信号y_n，如式(Ⅰ)所示：

y_n＝x_n+w_n (Ⅰ)

式(Ⅰ)中，x_n是指信号，w_n是指噪声，n表示当前样本的第n个采样点。

(2)信号预处理：按照公式(Ⅱ)将步骤(1)保存的.mat文件中的数据分别求绝对值，得到符合卷积神经网络模型输入的数据，即IQ数据样本；

Data_input＝abs(y_n) (Ⅱ)

式(Ⅱ)中，Data_input代表了卷积神经网络模型输入数据；

(3)搭建卷积神经网络模型：

如图4所示，卷积神经网络模型包括3层CNN网络、2层全连接层，3层CNN网络包括3个卷积层、3个池化层，3个卷积层卷积核大小均为3，3个卷积层卷积核数量分别为64、64、64，第1层全连接层的单元数量为32，第2层全连接层的单元数量为3；

神经网络类型是卷积神经网络(Convolutional Neural Network,CNN),简称CNN网络结构；网络结构需要确定卷积层数、卷积核大小、卷积核数量、初始化参数方法等一系列参数。采用2层全连接层，参数初始化均选择了正态分布，第一层的全连接层单元数量为32，激活函数选择整流线性单位’relu’,第二层全连接层单元数量为3，也为输出层。

卷积神经网络模型输入数据为[100,2],输出单元数为3；

神经网络类型是卷积神经网络(Convolutional Neural Network,CNN),简称CNN网络结构；网络结构需要确定卷积层数、卷积核大小、卷积核数量、初始化参数方法等一系列参数。

本发明涉及6种调制信号类型，包括QAM4、QAM16、QAM64、PSK4、PSK8、PSK16，调制信号的信噪比为0dB-20dB，每2个dB为一个间隔；每种调制信号类型在每1个信噪比下有一个100*2的IQ数据样本；

图2(a)为QAM4调制信号的星座图；图2(b)为QAM16调制信号的星座图；图2(c)为QAM64调制信号的星座图；图2(d)为QAM4调制信号的对折星座图；图2(e)为QAM16调制信号的对折星座图；图2(f)为QAM64调制信号的对折星座图；图2(a)-图2(f)中，横坐标代表I路信号，纵坐标代表Q路信号。QAM4调制信号、QAM16调制信号及QAM64调制信号分别如式(Ⅱ)至式(Ⅳ)所示：

QAM(Quadrature Amplitude Modulation)为正交幅度调制的简称，正交幅度调制是一种相位和幅度联合键控。

图3(a)为PSK4调制信号的星座图；图3(b)为PSK8调制信号的星座图；图3(c)为PSK16调制信号的星座图；图3(d)为PSK4调制信号的对折星座图；图3(e)为PSK8调制信号的对折星座图；图3(f)为PSK16调制信号的对折星座图；图3(a)-图3(f)中，横坐标代表I路信号，纵坐标代表Q路信号。PSK4调制信号、PSK8调制信号及PSK16调制信号分别如式(Ⅴ)至式(Ⅶ)所示：

M_4PSK＝{e^j2π(m-1)/4|m＝1,2,3，4} (Ⅴ)

M_8PSK＝{e^j2π(m-1)/8|m＝1,2,...8} (Ⅵ)

M_16PSK＝{e^j2π(m-1)/16|m＝1,2,...16} (Ⅶ)。

PSK(Phase shift Keying)是相移键控，通过利用载波的相位变化来传递数字信息，而振幅和频率保持不变。

(4)训练步骤(3)搭建的卷积神经网络模型：

将步骤(2)预处理的信号按5:3:2的比例划分为训练集、验证集和测试集；

将训练集中的数据输入至搭建的卷积神经网络模型进行训练；交叉熵损失函数定义了拟合结果和真实结果之间的差异，作为优化的目标直接关系模型训练的好坏，本模型使用的交叉熵损失函数。

B、验证卷积神经网络模型

使用验证集对卷积神经网络模型的泛化能力及分类效果进行验证，卷积神经网络模型采用早停法减少过拟合，以验证集损失作为监控量，当卷积神经网络模型的验证集损失不再下降或者出现上升，则经过若干次个训练轮次后停止训练；

在训练卷积神经网络模型的时候希望获得最好的泛化性能，卷积神经网络模型的泛化能力通常使用模型在验证数据集上的表现来评估，从而进一步预防过拟合，采用早停法解决过拟合，选择的监控量是验证集损失(误差)，如果验证集误差不会比上一次训练的误差好，则经过若干次个训练轮次后停止训练。

采用测试集测试步骤(4)训练的卷积神经网络模型的准确率，如果在0dB-20dB的任意一个信噪比的分类准确率都大于0.5，那么，认为该卷积神经网络模型学习到了信号的基本分类特征，可以用来实现信号调制分类，进入步骤C，否则，返回步骤(4)；

B、验证卷积神经网络模型

用测试集测试步骤(4)训练的卷积神经网络模型的准确率，如果在0dB-20dB的任意一个信噪比的分类准确率都大于0.5，那么，认为卷积神经网络模型学习到了信号的基本分类特征，进入步骤C，否则，返回步骤(4)；

C、利用卷积神经网络模型进行测试

随机生一组新的符合输入数据格式的QAM调制信号或者PSK调制信号作为测试数据，将验证后的卷积神经网络模型载入得到该组测试数据的预测值，并将预测值与实际值做比较，验证卷积神经网络模型输出的正确性。

结果测试：将每次接收到的信号进行预处理，即分别对I/Q两路信号分别进行绝对值求取，然后将其输入到已经训练好的网络结构中，根据输出结果判定其调制方式。

结果分析：对于每次采集的信号执行按上述步骤操作处理，利用训练好的网络结构实现调制信号的分类。采样该种方法对接收到的信号进行信号分类，测试及分析结果如图5和图6所示，分类效果得到显著提升。

Claims (5)

1.一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，其特征在于，该方法运行于加性高斯白噪声信道模型，高斯白噪声信道模型包括依次连接的发射机、加性高斯白噪声信道、接收机，发射机通过天线发射信号，经过高斯白噪声信道后，接收机通过天线接收信号，通过载波恢复，码元同步采样处理得到码元同步复信号，也即功率归一化基带数字调制信号y_n，包括步骤如下：

A、训练卷积神经网络模型

(1)信号生成：使用MATLAB仿真高斯白噪声下的功率归一化基带数字调制信号y_n，该功率归一化基带数字调制信号y_n是I/Q两路信号，该功率归一化基带数字调制信号y_n为复数形式，将其保存为格式[N,100,2]的.mat文件；N代表了样本的数量，100是功率归一化基带数字调制信号y_n的长度，2是指的功率归一化基带数字调制信号y_n为两路信号，为I/Q两路信号；

(2)信号预处理：按照公式(Ⅱ)将步骤(1)保存的.mat文件中的数据分别求绝对值，得到符合卷积神经网络模型输入的数据，即IQ数据样本；

Data_input＝abs(y_n) (Ⅱ)

式(Ⅱ)中，Data_input代表了卷积神经网络模型输入数据；

(3)搭建卷积神经网络模型：

所述卷积神经网络模型包括3层CNN网络、2层全连接层，3层CNN网络包括3个卷积层、3个池化层，3个卷积层卷积核大小均为3，3个卷积层卷积核数量分别为64、64、64，第1层全连接层的单元数量为32，第2层全连接层的单元数量为3；

卷积神经网络模型输入数据为[100,2],输出单元数为3；

涉及6种调制信号类型，包括QAM4、QAM16、QAM64、PSK4、PSK8、PSK16，调制信号的信噪比为0dB-20dB，每2个dB为一个间隔；每种调制信号类型在每1个信噪比下有一个100*2的IQ数据样本；

(4)训练步骤(3)搭建的卷积神经网络模型：

将步骤(2)预处理的信号划分为训练集、验证集和测试集；

将训练集中的数据输入至搭建的卷积神经网络模型进行训练，该卷积神经网络模型使用的交叉熵损失函数，直至该卷积神经网络模型的验证集损失在若干次训练轮次中变化不大，则停止训练，训练完成；

B、验证卷积神经网络模型

使用验证集对卷积神经网络模型的泛化能力及分类效果进行验证，卷积神经网络模型采用早停法减少过拟合，以验证集损失作为监控量，当卷积神经网络模型的验证集损失不再下降或者出现上升，则经过若干次个训练轮次后停止训练；

采用测试集测试步骤(4)训练的卷积神经网络模型的准确率，如果在0dB-20dB的任意一个信噪比的分类准确率都大于0.5，那么，认为该卷积神经网络模型学习到了信号的基本分类特征，可以用来实现信号调制分类，进入步骤C，否则，返回步骤(4)；

C、利用卷积神经网络模型进行测试

随机生一组QAM调制信号或者PSK调制信号作为测试数据，将验证后的卷积神经网络模型载入得到该组测试数据的预测值，并将预测值与实际值做比较，验证卷积神经网络模型输出的正确性。

2.根据权利要求1所述的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，其特征在于，从高斯白噪声信道模型中接收机接收到的功率归一化基带数字调制信号y_n，如式(Ⅰ)所示：

y_n＝x_n+w_n (Ⅰ)

式(Ⅰ)中，x_n是指信号，w_n是指噪声，n表示当前样本的第n个采样点。

3.根据权利要求1所述的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，其特征在于，QAM4调制信号、QAM16调制信号及QAM64调制信号分别如式(Ⅱ)至式(Ⅳ)所示：

4.根据权利要求1所述的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，其特征在于，PSK4调制信号、PSK8调制信号及PSK16调制信号分别如式(Ⅴ)至式(Ⅶ)所示：

M_4PSK＝{e^j2π(m-1)/4|m＝1,2,3，4} (Ⅴ)

M_8PSK＝{e^j2π(m-1)/8|m＝1,2,...8} (Ⅵ)

M_16PSK＝{e^j2π(m-1)/16|m＝1,2,...16} (Ⅶ)。

5.根据权利要求1-4任一所述的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，其特征在于，所述步骤(4)中，将步骤(2)预处理的信号按5:3:2的比例划分为训练集、验证集和测试集。

Images