CN111079510A - 信号调制类型识别方法及装置 - Google Patents

信号调制类型识别方法及装置 Download PDF

Info

Publication number
CN111079510A
CN111079510A CN201911021587.3A CN201911021587A CN111079510A CN 111079510 A CN111079510 A CN 111079510A CN 201911021587 A CN201911021587 A CN 201911021587A CN 111079510 A CN111079510 A CN 111079510A
Authority
CN
China
Prior art keywords
data
signal
dimensional image
classification model
modulation type
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
Application number
CN201911021587.3A
Other languages
English (en)
Inventor
陈海滨
崔泽鹏
李永
温志刚
何子航
李凤男
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.)
Hongfujin Precision Industry Shenzhen Co Ltd
Beijing University of Posts and Telecommunications
Original Assignee
Hongfujin Precision Industry Shenzhen Co Ltd
Beijing University of Posts and Telecommunications
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 Hongfujin Precision Industry Shenzhen Co Ltd, Beijing University of Posts and Telecommunications filed Critical Hongfujin Precision Industry Shenzhen Co Ltd
Priority to CN201911021587.3A priority Critical patent/CN111079510A/zh
Publication of CN111079510A publication Critical patent/CN111079510A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明提供一种信号调制类型识别方法及装置，通过获取待处理的信号数据；根据所述待处理的信号数据，获取二维图像数据；根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；根据所述信号调制类型对所述信号数据进行解调，提高了对信号解调的可靠性。

Description

信号调制类型识别方法及装置
技术领域
本发明涉及信号处理技术，尤其涉及一种信号调制类型识别方法及装置。
背景技术
深度神经网络在图像分类、目标检测和图像超分辨上都展现出了比手工提取特征算法更加鲁棒的性能。另外，因为具有在更换调制模式和混合数据率时不中断通信的优势，光通信网络也引起了越来越多的注意，光通信网络的原理是需要获取到信号后，对信号进行解调，而如何识别发送端的调制模式也成为了光通信网络研究的一个热点。
现有技术往往需要预先约定调制模式才能成功对信号进行解调，即信号的发送端和接收端在发射信号前，需要先进行沟通，确定好调制模式后，发送端发送信号，接收端调整好模式，接收到信号后对进行解调。
但是，现有技术对接收信号调制类型的可靠性不够高。
发明内容
本发明实施例提供一种信号调制类型识别方法及装置，提高了对接收信号解调的可靠性。
本发明实施例的第一方面，提供一种信号调制类型识别方法，包括：
获取待处理的信号数据；
根据所述待处理的信号数据，获取二维图像数据；
根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；
根据所述信号调制类型对所述待处理的信号数据进行解调。
可选地，在第一方面的一种可能实现方式中，所述根据所述待处理的信号数据，获取二维图像数据，包括：
对所述待处理的信号数据进行数据增广处理，获取信号增广数据；
根据所述信号增广数据，获取所述二维图像数据。
可选地，在第一方面的一种可能实现方式中，所述对所述待处理的信号数据进行数据增广处理，获取信号增广数据，包括：
获取预设的相位噪声数据；
根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，在第一方面的一种可能实现方式中，所述根据所述待处理的信号数据，获取二维图像数据，包括：
对所述信号增广数据进行映射处理，获取二维平面信号数据；
对所述二维平面信号数据进行抽样处理，获取所述二维图像数据。
可选地，在第一方面的一种可能实现方式中，所述对所述二维平面信号数据进行抽样处理，获取所述二维图像数据包括：
获取预设时间段内的所述二维平面信号数据；
根据所述预设时间段内的所述二维平面信号数据，获取所述二维图像数据。
可选地，在第一方面的一种可能实现方式中，所述相位噪声数据包括α相位噪声数据；
相应地，所述根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据，包括：
根据所述α相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，在第一方面的一种可能实现方式中，所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，包括：
根据所述预设的分类模型对所述二维图像数据提取旋转不变性特征；
根据所述旋转不变性特征对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，在第一方面的一种可能实现方式中，所述预设的分类模型包括预设的ORN分类模型；
相应地，所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，包括：
根据所述预设的ORN分类模型对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，在第一方面的一种可能实现方式中，在所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型之前，还包括：
获取信号增广数据样本和以信号增广数据样本产生的分类结果样本；
以所述分类结果样本为输出量、以所述信号增广数据样本为输入量，对初始不变性特征分类模型进行训练，获取所述预设的分类模型。
本发明实施例的第二方面，提供一种信号调制类型识别装置，包括：
获取模块，用于获取待处理的信号数据；
转换模块，用于根据所述待处理的信号数据，获取二维图像数据；
分类模块，用于根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；
解调模块，用于根据所述信号调制类型对所述待处理的信号数据进行解调。
可选地，在第二方面的一种可能实现方式中，所述转换模块具体用于：
对所述待处理的信号数据进行数据增广处理，获取信号增广数据；
根据所述信号增广数据，获取所述二维图像数据。
可选地，在第二方面的一种可能实现方式中，所述转换模块具体用于：
获取预设的相位噪声数据；
根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，在第二方面的一种可能实现方式中，所述转换模块具体用于：
对所述信号增广数据进行映射处理，获取二维平面信号数据；
对所述二维平面信号数据进行抽样处理，获取所述二维图像数据。
可选地，在第二方面的一种可能实现方式中，所述转换模块具体用于：
获取预设时间段内的所述二维平面信号数据；
根据所述预设时间段内的所述二维平面信号数据，获取所述二维图像数据。
可选地，在第二方面的一种可能实现方式中，所述相位噪声数据包括α相位噪声数据；
相应地，所述转换模块具体用于：
根据所述α相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，在第二方面的一种可能实现方式中，所述分类模块具体用于：
根据所述预设的分类模型对所述二维图像数据提取旋转不变性特征；
根据所述旋转不变性特征对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，在第二方面的一种可能实现方式中，所述预设的分类模型包括预设的ORN分类模型；
相应地，所述分类模块具体用于：
根据所述预设的ORN分类模型对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，在第二方面的一种可能实现方式中，在所述转换模块还用于：
获取信号增广数据样本和以信号增广数据样本产生的分类结果样本；
以所述分类结果样本为输出量、以所述信号增广数据样本为输入量，对初始不变性特征分类模型进行训练，获取所述预设的分类模型。
本发明实施例的第三方面，提供一种信号调制类型识别设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述方法。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种信号调制类型识别方法及装置，通过获取待处理的信号数据，根据所述待处理的信号数据，获取二维图像数据，根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；根据所述信号调制类型对所述待处理的信号数据进行解调。由于本发明的预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的，其对待处理的信号数据形成的二维图像数据进行分类时，得到的结果会更加精确，提高了接收信号调制类型识别的准确性，从而信号解调系统根据所述信号调制类型对所述待处理的信号数据进行解调时，得到的解调结果也会更加准确，另外，不用在通信前约定调制类型，可以自动的识别出信号调制类型，提高了信号解调的可靠性。
附图说明
图1是本发明实施例提供的一种应用场景示意图；
图2是本发明实施例提供的一种信号调制类型识别方法的流程示意图；
图3是本发明实施例提供的一种不同信号调制类型信号数据分类前的二维图像数据；
图4是本发明实施例提供的一种不同信号调制类型信号数据分类后的二维图像数据；
图5是本发明实施例提供的一种信号数据分类后的二维图像数据；
图6是本发明实施例提供的一种信号调制类型识别装置的流程示意图；
图7是本发明实施例提供的一种信号调制类型识别设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
现有技术中利用光通信网络传输数据时，往往需要预先约定调制模式才能成功对信号进行解调，即信号的发送端和接收端在发射信号前，需要先进行沟通，确定好调制模式后，发送端发送信号，接收端调整好模式，接收到信号后对进行解调。然而，在实际应用中，由于发送端可能有多个，例如，接收端需要接收几百个发送端发送的信号，而如果需要一一去跟发送端进行确认，一方面效率较低，另一方面，如果发送端的发送模式进行改变，或者接收端的对接模式出现了混乱，会导致接收端对对接收信号调制类型的识别出现错误，导致信号的解调出现错误。因此，现有技术对信号的解调不可靠。
参见图1，是本发明实施例提供的一种应用场景示意图。其中的发送端11用于发送原始信号，其中，发送端11例如可以是用户设备、网络设备等，例如可以是移动设备，具体例如可以是手机、pad等设备。原始信号例如可以是发送端11需要传输的信息，例如可以是话音，发送端11首先要把传送的信息(如话音)变成电信号，然后采用一个信号调整模式调制到激光器发出的激光束上，使光的强度随电信号的幅度(频率)变化而变化，并通过光纤发送出去。服务器端12位于发送端11和接收端12之间，对接收信号调制类型的识别用于获取原始信号的信号调制类型，例如，可以先将光信号转换成电信号，然后对电信号的调制类型进行识别，获取到电信号的信号调制类型。信号解调端位于接收端12，接收端12例如可以是用户设备、网络设备等，例如可以是移动设备，具体例如可以是手机、pad等设备，用于根据信号调制类型对原始信号(即上述的电信号)进行解调处理，以获取到较准确的原始信号。本发明可使得获取到的信号调制类型更加准确，提高了信号解调端解调到信号的可靠性。
参见图2，是本发明实施例提供的一种信号调制类型识别方法的流程示意图，图2所示方法的执行主体可以是软件和/或硬件装置。例如可以是图1所述应用场景中的服务器。本申请的执行主体可以包括但不限于以下中的至少一个：用户设备、网络设备等。其中，用户设备可以包括但不限于计算机、智能手机、个人数字助理(Personal DigitalAssistant，简称：PDA)及上述提及的电子设备等。网络设备可以包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机组成的一个超级虚拟计算机。本实施例对此不做限制。本方法包括步骤S101至步骤S104，具体如下：
S101，获取待处理的信号数据。
具体地，参见图1，待处理的信号数据可以是发送端11向接收端12发出的待处理的信号数据，例如可以是光信号数据。
在实际应用中，接收到的待处理的信号数据是被发送端调制后的信号数据，其中，调制目的主要有以下优势：便于无线发射，减少天线尺寸；频分复用，提高通信容量；提高信号抗干扰能力。为了充分利用信道容量，满足用户的不同需求，通信信号可以采用不同的调制方式。例如，信号调制类型可以是BPSK，QPSK，8PSK，16QAM，32QAM，64QAM等。
S102，根据所述待处理的信号数据，获取二维图像数据。
具体地，由于预设的分类模型的输入是图像数据，因此需要将待处理的信号数据转换为二维图像数据，以形成预设的分类模型的输入，完成后续的分类。
在一些实施例中，获取二维图像数据可以是对所述待处理的信号数据进行数据增广处理，获取信号增广数据，根据所述信号增广数据，获取所述二维图像数据。
具体地，对所述待处理的信号数据进行数据增广处理，可以是在待处理的信号数据中添加一些噪声数据，使得待处理的信号数据中包括一些噪声数据，形成信号增广数据。其中，噪声数据可以是预设的相位噪声数据，然后根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。例如，相位噪声数据可以是α相位噪声数据，也可以是其他不同大小的相位噪声。
示例性的，获取所述二维图像数据，还可以是对所述信号增广数据进行映射处理，获取二维平面信号数据，对所述二维平面信号数据进行抽样处理，获取所述二维图像数据。
其中，对所述信号增广数据进行映射处理，可以是将信号增广数据映射到三维斯托克斯平面，然后映射到X-Y，X-Z，Y-Z三个平面上，形成二维平面信号数据。
对所述二维平面信号数据进行抽样处理可以是获取预设时间段内的所述二维平面信号数据，然后根据预设时间段内的所述二维平面信号数据，获取所述二维图像数据。在一些实施例中，可以是随机选取预设时间段，也可以是根据预设好的时间段进行选取，本发明对此不作限定。
S103，根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的。
具体地，在得到二维图像数据后，输入到预设的分类模型中，可以得到相应的分类结果，即得到信号调制类型。可以理解，信号解调系统即接收端需要按照相应的信号调制类型对信号进行解调，以得到原来的信号，而信号调制类型获取到的更加准确，相应的会使得接收端得到的信号越准确。
可以理解，由于在实际应用中，待处理的信号数据中会包含一些噪声数据，如果不采用包含噪声数据的训练样本对预设的分类模型进行训练，可能会导致输出的结果不够准确。例如，参见图3，图3是本发明实施例提供的一种不同信号调制类型的二维图像数据。如果不采用包含噪声数据的训练样本对预设的分类模型进行训练，假如预设的分类模型只能识别如图3所示或者同类不同信噪比的信号调制类型。而当信号中含有相位噪声之后，信号会变为如图4所示，图4是本发明实施例提供的一种不同信号调制类型的分类后的二维图像数据。即受到相位噪声的干扰，抽样出的每一个点都会以原点为中心按一定角度偏转，使得最后图像呈现出与原本图像有明显区别的图案，从而导致分类模型得出的结果不够准确。
本发明为了解决上述问题，预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的，具体可以获取信号增广数据样本和以信号增广数据样本产生的分类结果样本；以所述分类结果样本为输出量、以所述信号增广数据样本为输入量，对初始不变性特征分类模型进行训练，获取所述预设的分类模型。可以理解，初始不变性特征分类模型是指预设的分类模型具有提取旋转不变特征的能力。
其中，训练样本是采用信号增广数据样本进行训练，例如，信号增广数据样本中包含α相位噪声数据，那么预设的分类模型可以识别含有α相位噪声信号调制类型的能力。可以理解，如果信号增广数据样本中包含的相位噪声数据有多种时，预设的分类模型可以识别多种相位噪声信号调制类型的能力。如图5所示，QPSK信号调制类型的图像会整个图像会发生变化，使得结果相较之前准确。
由于相位噪声带来的角度偏转是无穷的，这会导致需要增广的数据也是无穷，因此增加的训练时间也会变为无穷，显然是不切实际的。为了解决上述技术问题，具体如下：
根据所述预设的分类模型对所述二维图像数据提取旋转不变性特征，根据所述旋转不变性特征对所述二维图像数据进行分类处理，获取所述信号调制类型。可以理解，预设的分类模型具有提取旋转不变特征的能力。
例如，当含有相位噪声的信号图像被训练之后，预设的分类模型可以识别任意多的相位噪声，从而解决了增广数据量是无穷的问题。
在实际应用中，预设的分类模型可以是ORN分类模型，也可以是STN分类模型或TI-Pooling分类模型，ORN分类模型、STN分类模型和TI-Pooling分类模型均具有提取提取旋转不变特征的能力。其中，ORN分类模型通过主动旋转滤波器，为每一张特征图产生N种旋转的特征图，由此产生位置和方向明确编码的特征图，并留下其中方向梯度响应最强的一张，从而产生具有旋转不变性的深度特征。STN模块添加在神经网络之前，学习图片对应的旋转。在网络输入图片后先自适应的将图片旋转回正直的角度，从而产生旋转不变性。TI-Pooling将单个网络拓展为并行的孪生网络，在训练时将旋转不同角度的图片输入到不同的孪生网络中，并将所有孪生网络的输出接入到池化层中。在实际使用中采用同样步骤。由于输入的人为旋转可以包含原来的正直图像，从而产生旋转不变性。
S104，根据所述信号调制类型对所述待处理的信号数据进行解调。
具体地，接收端可以利用得到的信号调制类型来对待处理的信号数据进行解调，完成信号的接收和识别。
上述实施例提供的信号调制类型识别方法，通过获取待处理的信号数据，根据所述待处理的信号数据，获取二维图像数据，根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；根据所述信号调制类型对所述待处理的信号数据进行解调。由于本发明的预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的，其对待处理的信号数据形成的二维图像数据进行分类时，得到的结果会更加精确，提高了接收信号调制类型识别的准确性，从而信号解调系统根据所述信号调制类型对所述待处理的信号数据进行解调时，得到的解调结果也会更加准确，另外，不用在通信前约定调制类型，可以自动的识别出信号调制类型，提高了信号解调的可靠性。
图6是本发明实施例提供的一种信号调制类型识别装置的流程示意图。该装置30包括：
获取模块31，用于获取待处理的信号数据。
转换模块32，用于根据所述待处理的信号数据，获取二维图像数据。
分类模块33，用于根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的。
解调模块34，用于根据所述信号调制类型对所述待处理的信号数据进行解调。
图6所示实施例的装置对应地可用于执行图2所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
可选地，所述转换模块32具体用于：
对所述待处理的信号数据进行数据增广处理，获取信号增广数据；根据所述信号增广数据，获取所述二维图像数据。
可选地，所述转换模块32具体用于：
获取预设的相位噪声数据；根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，所述转换模块32具体用于：
对所述信号增广数据进行映射处理，获取二维平面信号数据；对所述二维平面信号数据进行抽样处理，获取所述二维图像数据。
可选地，所述转换模块32具体用于：
获取预设时间段内的所述二维平面信号数据；根据所述预设时间段内的所述二维平面信号数据，获取所述二维图像数据。
可选地，所述相位噪声数据包括α相位噪声数据；相应地，所述转换模块32具体用于：
根据所述α相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
可选地，所述分类模块33用于：
根据所述预设的分类模型对所述二维图像数据提取旋转不变性特征；根据所述旋转不变性特征对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，所述预设的分类模型包括预设的ORN分类模型；相应地，所述分类模块33具体用于：
根据所述预设的ORN分类模型对所述二维图像数据进行分类处理，获取所述信号调制类型。
可选地，在所述分类模块33还用于：
获取信号增广数据样本和以信号增广数据样本产生的分类结果样本；以所述分类结果样本为输出量、以所述信号增广数据样本为输入量，对初始不变性特征分类模型进行训练，获取所述预设的分类模型。
参见图7，是本发明实施例提供的一种信号调制类型识别设备的硬件结构示意图，该设备40包括：处理器41、存储器42和计算机程序；其中
存储器42，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器41，用于执行所述存储器存储的计算机程序，以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器42既可以是独立的，也可以跟处理器41集成在一起。
当所述存储器42是独立于处理器41之外的器件时，所述设备还可以包括：
总线43，用于连接所述存储器42和处理器41。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种信号调制类型识别方法，其特征在于，包括：
获取待处理的信号数据；
根据所述待处理的信号数据，获取二维图像数据；
根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；
根据所述信号调制类型对所述待处理的信号数据进行解调。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待处理的信号数据，获取二维图像数据，包括：
对所述待处理的信号数据进行数据增广处理，获取信号增广数据；
根据所述信号增广数据，获取所述二维图像数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述待处理的信号数据进行数据增广处理，获取信号增广数据，包括：
获取预设的相位噪声数据；
根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述待处理的信号数据，获取二维图像数据，包括：
对所述信号增广数据进行映射处理，获取二维平面信号数据；
对所述二维平面信号数据进行抽样处理，获取所述二维图像数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述二维平面信号数据进行抽样处理，获取所述二维图像数据包括：
获取预设时间段内的所述二维平面信号数据；
根据所述预设时间段内的所述二维平面信号数据，获取所述二维图像数据。
6.根据权利要求3所述的方法，其特征在于，所述相位噪声数据包括α相位噪声数据；
相应地，所述根据所述相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据，包括：
根据所述α相位噪声数据对所述待处理的信号数据进行数据增广处理，获取所述信号增广数据。
7.根据权利要求1所述的方法，其特征在于，所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，包括：
根据所述预设的分类模型对所述二维图像数据提取旋转不变性特征；
根据所述旋转不变性特征对所述二维图像数据进行分类处理，获取所述信号调制类型。
8.根据权利要求1或5所述的方法，其特征在于，所述预设的分类模型包括预设的ORN分类模型；
相应地，所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，包括：
根据所述预设的ORN分类模型对所述二维图像数据进行分类处理，获取所述信号调制类型。
9.根据权利要求3所述的方法，其特征在于，在所述根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型之前，还包括：
获取信号增广数据样本和以信号增广数据样本产生的分类结果样本；
以所述分类结果样本为输出量、以所述信号增广数据样本为输入量，对初始不变性特征分类模型进行训练，获取所述预设的分类模型。
10.一种信号调制类型识别装置，其特征在于，包括：
获取模块，用于获取待处理的信号数据；
转换模块，用于根据所述待处理的信号数据，获取二维图像数据；
分类模块，用于根据预设的分类模型对所述二维图像数据进行分类处理，获取信号调制类型，其中，所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的所述预设的分类模型是利用历史信号数据增广后的数据样本进行训练得到的；
解调模块，用于根据所述信号调制类型对所述待处理的信号数据进行解调。
CN201911021587.3A 2019-10-25 2019-10-25 信号调制类型识别方法及装置 Pending CN111079510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911021587.3A CN111079510A (zh) 2019-10-25 2019-10-25 信号调制类型识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911021587.3A CN111079510A (zh) 2019-10-25 2019-10-25 信号调制类型识别方法及装置

Publications (1)

Publication Number Publication Date
CN111079510A true CN111079510A (zh) 2020-04-28

Family

ID=70310501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911021587.3A Pending CN111079510A (zh) 2019-10-25 2019-10-25 信号调制类型识别方法及装置

Country Status (1)

Country Link
CN (1) CN111079510A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067004A (zh) * 2016-05-30 2016-11-02 西安电子科技大学 一种脉冲噪声下数字调制信号的识别方法
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067004A (zh) * 2016-05-30 2016-11-02 西安电子科技大学 一种脉冲噪声下数字调制信号的识别方法
CN108234370A (zh) * 2017-12-22 2018-06-29 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN TANG; YA TU; ZHAOYUE ZHANG; YUN LIN: "Digital Signal Modulation Classification With Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks", IEEE ACCESS, vol. 6, pages 15713, XP011680538, DOI: 10.1109/ACCESS.2018.2815741 *
代翱等: "联合时域和时频域特征的数字调制信号自动分类", no. 11, pages 1 - 4 *

Similar Documents

Publication Publication Date Title
US10169914B2 (en) Method and system for indoor positioning and device for creating indoor maps thereof
CN108226921B (zh) 基于cpu和gpu架构的二次雷达信息处理系统
Yap et al. A comparative study of mobile-based landmark recognition techniques
CN112016551B (zh) 文本检测方法、装置、电子设备及计算机存储介质
CN108961422B (zh) 三维模型的标记方法和装置
CN104395907A (zh) 电子设备的启动方法和电子设备
WO2014123619A1 (en) System and method for identifying similarities in different images
EP3301608B1 (fr) Procédé de détection de la présence éventuelle d'un objet par un lecteur sans contact, et lecteur correspondant
CN109617845A (zh) 一种基于深度学习的无线通信解调器的设计及解调方法
CN113515988A (zh) 掌纹识别方法、特征提取模型训练方法、设备及介质
CN110188782B (zh) 图像相似性确定方法、装置、电子设备及可读存储介质
CN111967449B (zh) 文本检测方法、电子设备及计算机可读介质
CN114065803A (zh) 干扰信号识别模型的训练方法、识别方法及装置
CN111079510A (zh) 信号调制类型识别方法及装置
WO2012082277A1 (en) Method and system using stealth noise modulation
CN111510409B (zh) 利用bpsk数据估计天基机会信号多普勒的方法和系统
US20230023227A1 (en) Electronic device for expanding sensing bandwidth by integrating plurality of channel impulse responses, and control method therefor
KR100876284B1 (ko) Ｒｆｉｄ 리더기에서의 태그 신호 수신 방법 및 ｒｆｉｄ리더기에서의 태그 신호 수신 시스템
CN108259402B (zh) 一种信号解调的方法及装置
CN108427947A (zh) 一种图像识别方法及电子设备
CN113726711B (zh) Ofdm接收方法和装置、信道估计模型训练方法和装置
CN105100616A (zh) 一种图像处理方法及电子设备
CN108734188A (zh) 一种聚类方法、设备及存储介质
CN114140427A (zh) 一种物体检测方法及装置
CN111162858B (zh) 一种分段信号同步方法、装置、终端设备及存储介质

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