CN111092836B - 一种信号调制方式识别方法及装置 - Google Patents
一种信号调制方式识别方法及装置 Download PDFInfo
- Publication number
- CN111092836B CN111092836B CN201911278579.7A CN201911278579A CN111092836B CN 111092836 B CN111092836 B CN 111092836B CN 201911278579 A CN201911278579 A CN 201911278579A CN 111092836 B CN111092836 B CN 111092836B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- domain
- digital
- neural network
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Image Processing (AREA)
Abstract
本发明提供本发明提供一种信号调制识别方法,首先通过小波变换将原始信号从时域映射到频域,然后构建信号的小波系数图,再利用VGG卷积神经网络联合自编码器提取信号小波系数图片特征,计算已知类样本信号特征集和未知类样本信号特征集之间的CORAL损失,计算已知类样本信号集的分类损失,联合优化两损失之和使VGG卷积神经网络参数达到最优,进而使得神经网络可以对无标签目标域信号进行识别;本发明还提供一种信号调制方式识别装置,包括信号接收模块、数字化模块、数据处理模块和电源;本发明方法可以通过接收非合作方无标签调制信号,联合己方有标签信号训练,达到对无标签非合作方信号的识别。
Description
技术领域
本发明涉及信号识别技术领域,具体涉及一种信号调制方式识别方法和一种信号调制方式识别装置。
背景技术
调制识别,又称调制方式分类,指对接收信号调制类别分类。通信调制识别技术对提升通信对抗效率具有十分重要的意义。通过调制识别技术可辅助确定敌军通信源类别,进而可以对敌电台威胁程度做出评估。传统的通信调制识别技术基于通信信号的时频分布、瞬时幅度、相位、频率,高阶统计量,循环谱等作为分类特征参数。
与早期手动提取特征识别信号调制类别的方法不同,卷积神经网络可以通过构建多个卷积层来自动提取信号深层次的特征并对信号分类,近年来国内外研究人员在信号调制识别方面也取得了不错的效果。例如Rajendran等人使用深度卷积神经网络提取信号短时傅里叶变换(short-time Fourier transform,STFT)的特征并分类识别,Rajendran S,Meert W,Giustiniano D,et al.Deep learning models for wireless signalclassification with distributed low-cost spectrum sensors[J].IEEETransactions on Cognitive Communications and Networking,2018,4(3):433-445,其在衰落信道下有较高的识别率;O'Shea等人使用VGG(Visual Geometry Group)深度卷积神经网络结合ResNet(Residual Networks)残差网络将分类的调制样式数目提升到了24种并取得了不错的分类效果,O'Shea T J,Roy T,Clancy T C.Over the Air Deep LearningBased Radio Signal Classification[J].IEEE Journal ofSelected Topics in SignalProcessing,2017,PP(99):1-1。
虽然基于上述卷积神经网络的调制方式分类技术具有较高的识别率和鲁棒性,但是需要大量的带标签训练数据作为支撑。在实际使用环境中,信号接收端总会不断出现新的、没有标签的且与训练数据存在分布差异的目标域信号,此时利用有标签源域信号预先训练好的神经网络很难去准确识别这种新类别且无标签信号。
发明内容
为了克服现有技术的不足,本发明提供一种信号调制方式识别方法。其先通过小波变换将原始信号从时域映射到频域,然后构建信号的小波系数图,再利用VGG卷积神经网络联合自编码器提取信号小波系数图片特征,计算已知类样本信号特征集和未知类样本信号特征集之间的CORAL损失,计算已知类样本信号集的分类损失,联合优化两损失之和使VGG卷积神经网络参数达到最优,进而使得神经网络可以对无标签目标域信号进行识别。本发明方法的核心是将待识别目标域信号与有标签源域信号的特征空间进行对齐,具体包括:
步骤A:信号采集及处理,得到数字零中频信号;
步骤B:将数字零中频信号进行小波变换,生成源域小波系数绝对值图片和目标域小波系数绝对值图片;
步骤C:将步骤B得到的源域小波系数绝对值图片和目标域小波系数绝对值图片输入到VGG卷积神经网络中,提取小波系数图片特征,将提取的高维特征接入自编码器进行特征降维处理,得到源域特征矩阵和目标域特征矩阵;
步骤D:利用步骤C提取出的源域特征矩阵和目标域特征矩阵计算CORAL损失;
步骤E:将步骤C中VGG卷积神经网络提取的源域图片特征送入softmax分类器,并与已知的源域信号标签计算分类损失;
步骤F:最小化CORAL损失与分类损失之和;
步骤G:通过步骤A采集目标域信号,将其小波变换,并将小波变换输出的结果输入VGG卷积神经网络得到预测结果。
进一步的,步骤A具体包括:
步骤A1:使用接收天线对无线电磁环境中的信号进行接收,信号包括源域有标签信号和目标域无标签信号;
步骤A2:使用带通滤波器对收到的信号进行带通滤波;
步骤A3:使用信号放大器对带通滤波后的射频信号进行放大;
步骤A4:使用混频器将放大后的射频信号与本振产生的信号混频,产生中频信号;
步骤A5:对混频后的中频信号进行A/D采样,产生数字信号;
步骤A6:对采样后的数字信号进行数字低通滤波;
步骤A7:将数字低通滤波后的信号送入下变频器生成数字零中频信号;
步骤B具体包括:
步骤B1:将数字零中频信号进行小波变换,生成源域小波系数系数绝对值图片和目标域小波系数系数绝对值图片;
步骤B2:通过步骤A采集源域有标签信号和目标域无标签信号并对其进行小波变换,生成小波变换后的系数绝对值关于时间的二维图片;
步骤C具体包括:
步骤C1:将步骤B生的图片进行预处理,将其裁剪至适应VGG卷积神经网络输入的大小,然后送入VGG卷积神经网络输入端;
步骤C2:使用VGG卷积神经网络作为基础的特征提取模型,网络包含卷积层、全连接层、池化层,VGG卷积神经网络网络的卷积核大小为3*3,核的滑动步长为1;
步骤C3:对VGG卷积神经网络提取的小波系数图片特征进行降维处理;
步骤C4:将送入VGG卷积神经网络的源域、目标域图片提取出的特征向量组成特征矩阵;
步骤D具体包括:
步骤D1:求得源域协方差阵CS和目标域矩阵协方差阵CT;
步骤D2:计算协方差阵的CORAL损失lCORAL。
进一步的,步骤B1中采用下式得到数字零中频信号小波系数,
步骤C2包括:
步骤C21:每次对输入图片进行卷积前,对输入图片周围像素进行扩充,扩充的大小为1;
步骤C22:每两个卷积层后接一个2*2大小的池化层;
步骤C23:每一个卷积层、全连接层后面使用线性整流函数作为激活函数;
步骤C24:在网络的第一、二个全连接层中间加入一个第三全连接层,作为自编码器隐藏层;
步骤C3中降维过程的损失函数如下:
其中,代表均方矩阵F-范数,X是第一个VGG提取的高维特征,S是低维隐藏层特征,是第二个高维特征且与第一个高维特征维数相等,W表示X到S的映射矩阵,W*表示S到的映射矩阵,且W与W*是对称矩阵,即W*=WT;
步骤D1采用下式求得源域协方差阵CS和目标域矩阵协方差阵CT:
步骤D2采用下式计算协方差阵的CORAL损失lCORAL,
步骤F中CORAL损失的梯度采用如下式的梯度下降算法求得:
其中1T表示元素值全为1的d维列向量。
进一步的,步骤C2中VGG深度卷积神经网络包括13个卷积层、3个全连接层、5个池化层,其中第一、二全连接层为4096维,隐藏层维度为200。
本发明还提供一种信号调制方式识别装置,包括信号接收模块、数字化模块、数据处理模块和电源,其特征在于:信号接收模块接收无线电信号,并对无线电信号进行带通滤波、放大、混频、低通滤波处理后转变为两路模拟信号送入数字化模块,数字化模块对两路模拟信号进行模数转换后储存至高速缓存单元再送入数据处理模块,数据处理模块的FPGA板卡储存有实现如权利要求1所述方法的程序,信号经数据处理模块处理后输出预测结果,电源连接其它模块,提供其它模块工作时所需电压。
进一步的,信号接收模块包括信号接收天线、带通滤波器、信号放大器、混频器、低通滤波器,其中信号接收天线、带通滤波器、信号放大器依次连接,信号放大器与混频器相连接,混频器输出为两路I/Q模拟信号,经低通滤波器输出至数字化模块;
数字化模块包括模数转换器、高速缓存单元,其中外部输入信号分别接入模数转换器得到两路正交的数字信号,两路正交的数字信号以成对的方式依次存入高速缓存单元;
数据处理模块为FPGA板卡,负责将接收到的I/Q数据进行小波变换,再将小波系数图频谱图裁剪后送入训练好的卷积网络模型中预测该信号的调制类别,在使用数据处理模块之前,需要将之前训练得到的网络模型结构以及训练后得到的模型权重写入FPGA板卡;
电源使用LTM4644构成单通道输出dc/dc电源,负责对信号接收模块供电,使用LTM4620给FPGA板卡所在的数据处理模块供电。
进一步的,FPGA板卡为Avnet Ultra96-V2板卡,模数转换器采用TI的AMC7820芯片,高速缓存单元使用16GB的MLC flash存储器件。
本发明方法可以通过接收非合作方无标签调制信号,联合己方有标签信号训练,达到对无标签非合作方信号的识别。
附图说明
图1为本发明方法流程图;
图2为本发明装置硬件组成结构图;
图3为本发明方法与对比方法在源域信号为8/32/128QAM目标域信号为16/64/256QAM时的识别正确率曲线;
图4为本发明方法与对比方法在源域信号为16/64/256QAM目标域信号为8/32/128QAM时的识别正确率曲线;
图5为本发明方法与对比方法在源域信号为16/32/256QAM目标域信号为8/64/128QAM时的识别正确率曲线;
图6为本发明方法与对比方法在源域信号为16/32/128QAM目标域信号为8/64/256QAM时的识别正确率曲线;
图7为本发明方法与对比方法在源域信号为8/32/128QAM目标域信号为2/4/8PSK时的识别正确率曲线。
具体实施方式
为使本发明的目的、技术方案以及优势更加明晰,下面结合附图和实施例,对本发明进行进一步详细说明。
本发明方法分为训练过程和识别过程,如图1所示。
具体步骤为:
步骤A:信号采集及处理,得到数字零中频信号。信号经过任意一种调制后其信号波形均不同,将不同调制方式的信号经过滤波、放大、混频、A/D采样、数字低通滤波及下变频处理后生成数字零中频信号。具体包括:
步骤A1:使用接收天线对无线电磁环境中的信号进行接收,信号包括源域有标签信号和目标域无标签信号。
步骤A2:使用带通滤波器对收到的信号进行带通滤波。
步骤A3:使用信号放大器对带通滤波后的射频信号进行放大。
步骤A4:使用混频器将放大后的射频信号与本振产生的信号混频,产生中频信号。
步骤A5:对混频后的中频信号进行A/D采样,产生数字信号。
步骤A6:对采样后的数字信号进行数字低通滤波。
步骤A7:将数字低通滤波后的信号送入下变频器生成数字零中频信号。
步骤B:将数字零中频信号进行小波变换,生成源域小波系数绝对值图片和目标域小波系数绝对值图片。具体包括:
步骤B1:将数字零中频信号进行小波变换,生成源域小波系数绝对值图片和目标域小波系数绝对值图片,采用下式得到数字零中频信号小波系数,
步骤B2:数字零中频信号经过小波变换后,其系数绝对值|WTf(a,τ)|可以表示数字零中频信号的频域特征,因此通过步骤A采集源域有标签信号和目标域无标签信号并对其进行小波变换,生成小波变换后的系数绝对值关于时间的二维图片。
步骤C:将步骤B得到的源域小波系数绝对值图片和目标域小波系数绝对值图片输入到VGG卷积神经网络中,提取小波系数图片特征,将提取的高维特征接入自编码器进行特征降维处理,得到源域特征矩阵和目标域特征矩阵,具体包括:
步骤C1:将步骤B生的图片进行预处理,将其裁剪至适应VGG卷积神经网络输入的大小,然后送入VGG卷积神经网络输入端。
步骤C2:使用VGG卷积神经网络作为基础的特征提取模型,网络包含卷积层、全连接层、池化层。其中VGG卷积神经网络网络的卷积核大小为3*3,核的滑动步长为1,卷积层用于提取小波系数图片特征,全连接层对提取的特征进行组合,池化层防止神经网络过拟合,在本发明的一个具体实施例中,VGG深度卷积神经网络包括13卷积层、3个池化层、5个全连接层,其中第一、二全连接层为4096维。
步骤C21:每次对输入图片进行卷积前,对输入图片周围像素进行扩充,扩充的大小为1。
步骤C22:每两个卷积层后接一个2*2大小的池化层。
步骤C23:每一个卷积层、全连接层后面使用线性整流函数(ReLU)作为激活函数,用于提升VGG卷积神经网络对模型的表达能力。
步骤C24:在网络的第一、二个全连接层中间加入一个第三全连接层,作为自编码器隐藏层。在本发明的一个具体实施例中,第三全连接层为200维。
步骤C3:对VGG卷积神经网络提取的小波系数图片特征进行降维处理,降维过程的损失函数如下:
其中,代表均方矩阵F-范数,X是第一个VGG提取的高维特征,S是低维隐藏层特征,是第二个高维特征且与第一个高维特征维数相等。W表示X到S的映射矩阵,W*表示S到的映射矩阵,且W与W*是对称矩阵,即W*=WT。
步骤C4:将送入VGG卷积神经网络的源域、目标域图片提取出的特征向量组成特征矩阵。
步骤D:利用步骤C提取出的源域特征矩阵和目标域特征矩阵计算CORAL损失。
步骤D1:求得源域协方差阵CS和目标域矩阵协方差阵CT,具体采用下式:
步骤D2:计算协方差阵的CORAL损失lCORAL,
步骤E:将步骤C中VGG卷积神经网络提取的源域图片特征送入softmax分类器,并与已知的源域信号标签计算分类损失。
步骤F:最小化CORAL损失与分类损失之和。
使用梯度下降算法或者反向传播算法对损失进行迭代优化,其中梯度下降算法求得CORAL损失的梯度如下式:
其中1T表示元素值全为1的d维列向量。
因此总损失为lossTOTAL=lossCLASS+lossCORAL。在训练过程中,带标记的源域数据用来计算分类的损失,而计算CORAL损失则需要所有输入数据参与,其中包括没有标记的目标域数据。通过梯度下降算法或反向传播算法优化总损失使其达到最小,则此时网络模型最优。
步骤G:通过步骤A采集目标域信号,将其小波变换,将小波变换输出的结果输入VGG卷积神经网络得到预测结果。
如图2所示,本发明还提供一种信号调制方式识别装置,包括信号接收模块、数字化模块、数据处理模块和电源,其中信号接收模块接收无线电信号,并对调制信号进行带通滤波、放大、混频、低通滤波处理后转变为两路模拟信号送入数字化模块,数字化模块对两路模拟信号进行模数转换后储存至高速缓存单元再送入数据处理模块,数据处理模块包含实现本发明方法的Avnet Ultra96-V2开发板,信号经Avnet Ultra96-V2开发板处理后输出预测结果,电源连接其它模块,提供其它模块工作时所需电压。
信号接收模块包括信号接收天线、带通滤波器、信号放大器、混频器、低通滤波器,其中信号接收天线、带通滤波器、信号放大器依次连接,信号放大器与混频器相连接,混频器输出为两路I/Q模拟信号,经低通滤波器输出至数字化模块。
数字化模块包括模数转换器、高速缓存单元,其中外部输入信号分别接入模数转换器得到两路正交的数字信号,两路正交的数字信号以成对的方式依次存入高速缓存单元。
数据处理模块为FPGA板卡,负责将接收到的I/Q数据进行小波变换,再将小波系数图频谱图裁剪后送入训练好的卷积网络模型中预测该信号的调制类别,得到最终结果。在使用数据处理模块之前,需要将之前训练得到的网络模型结构以及训练后得到的模型权重写入AFPGA板卡,并调试硬件运行状态,调整软件部分的计算精度与速度,使整体性能达到最优。
在本发明的一个具体实施例中,FPGA板卡为Avnet Ultra96-V2板卡。
电源使用LTM4644构成单通道输出dc/dc电源,负责对信号接收模块供电。同时使用LTM4620给FPGA板卡所在的数据处理模块供电。LTM4644与LTM4620均支持5V至14V范围的输入电压。
模数转换器采用TI的AMC7820芯片,该芯片集成8通道12位的模数转换器、三个12位数模转换器、9个运算放大器,通信方式为串口通信,输入电压的适应范围广,具有功耗小,设计简洁等优点。
高速缓存单元使用16GB的MLC flash存储器件,用于临时存储采集到的I/Q格式的数字信号,等待Avnet Ultra96-V2板卡读取并做后续处理。
为了验证本发明的技术效果,使用matlabR2016a仿真生成样本,在基于python下的tensorflow、keras框架搭建神经网络,硬件平台为Intel(R)Core(TM)i7-8700CPU,GPU为NVIDIAP4000。建立九种不同调制方式的信号,分别为8QAM、16QAM、32QAM、64QAM、128QAM、256QAM、2PSK、4PSK、8PSK。每个类别10000个样本,共计60000个样本。
任取三类调制信号作为源域带标签信号,三类调制信号作为目标域无标签信号。首先通过小波变换对仿真生成的源域、目标域信号进行小波变换,生成小波系数图片,其中参数a设置为1;将生成的小波系数图片送入VGG卷积神经网络,本发明的一个具体实施例采用VGG16卷积神经网络,其中包括13个卷积层,3个全连接层,5个池化层,第一个和第二个全连接层维度为4096,隐藏层维度为200;然后通过步骤D、F构建损失函数并优化;最后输入测试信号样本进行测试。
对比本发明方法的“加入域适应后未知类信号识别准确率”与“不加入域适应未知类信号识别准确率”,其中“不加入域适应未知类信号分类”指通过源域信号对VGG16卷积神经网络进行训练后直接对目标域信号进行识别。当使用8/32/128QAM信号作为源域信号、16/64/256QAM新号作为目标域信号时,测试结果如图3所示,可以看出,当网络迭代2次以后,加入域适应技术后无标签信号的识别率相比较于不加入域适应技术直接识别有明显提高,迭代十次后提升效果可达15个百分点,但是当迭代次数小于2次时不加入域适应技术的识别率高于加入域适应技术的识别率,造成这种现象的原因是加入域适应技术使得网络总损失加大。当使用16/64/256QAM信号作为源域信号、8/32/128QAM新号作为目标域信号时,测试结果如图4所示,可以看出,当网络迭代3次以后,本发明方法的加入域适应技术后无标签信号的识别率相比较于不加入域适应技术直接识别有明显提高,迭代十次后提升效果可达15个百分点,但是当迭代次数小于3次时不加入域适应技术的识别率高于加入域适应技术的识别率。当使用16/32/256QAM信号作为源域信号、8/64/128QAM新号作为目标域信号时,测试结果如图5所示,可以看出,当网络迭代4次以后,本发明方法的加入域适应技术后无标签信号的识别率相比较于不加入域适应技术直接识别有明显提高,迭代十次后提升效果可达10个百分点,但是当迭代次数小于4次时不加入域适应技术的识别率高于本发明方法的加入域适应技术的识别率。当使用16/32/128QAM信号作为源域信号、8/64/256QAM新号作为目标域信号时,测试结果如图6所示,可以看出,当网络迭代3次以后,本发明方法的加入域适应技术后无标签信号的识别率相比较于不加入域适应技术直接识别有明显提高,迭代十次后提升效果可达13个百分点,但是当迭代次数小于3次时不加入域适应技术的识别率高于加入域适应技术的识别率。当使用8/32/128QAM信号作为源域信号、2/4/8PSK新号作为目标域信号时,测试结果如图7所示,可以看出,当网络迭代15次以后,加入域适应技术后无标签信号的识别率相比较于不加入域适应技术直接识别有明显提高,迭代十次后提升效果可达10个百分点,但是当迭代次数小于15次时不加入域适应技术的识别率高于加入域适应技术的识别率。
本发明方法可以应用于智能通信对抗装备、电磁频谱监控设备的调制方式识别。通过接收非合作方无标签调制信号,联合己方有标签信号训练,达到对无标签非合作方信号的识别,进而制定相应的最佳干扰方案。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种信号调制方式识别方法,包括:
步骤A:信号采集及处理,得到数字零中频信号;
步骤B:将数字零中频信号进行小波变换,生成源域小波系数绝对值图片和目标域小波系数绝对值图片;
步骤C:将步骤B得到的源域小波系数绝对值图片和目标域小波系数绝对值图片输入到VGG卷积神经网络中,提取小波系数图片特征,将提取的高维特征接入自编码器进行特征降维处理,得到源域特征矩阵和目标域特征矩阵;
步骤D:利用步骤C提取出的源域特征矩阵和目标域特征矩阵计算CORAL损失;
步骤E:将步骤C中VGG卷积神经网络提取的源域图片特征送入softmax分类器,并与已知的源域信号标签计算分类损失;
步骤F:最小化CORAL损失与分类损失之和;
步骤G:通过步骤A采集目标域信号,将其小波变换,并将小波变换输出的结果输入VGG卷积神经网络得到预测结果。
2.如权利要求1所述的一种信号调制方式识别方法,其特征在于:
步骤A具体包括:
步骤A1:使用接收天线对无线电磁环境中的信号进行接收,信号包括源域有标签信号和目标域无标签信号;
步骤A2:使用带通滤波器对收到的信号进行带通滤波;
步骤A3:使用信号放大器对带通滤波后的射频信号进行放大;
步骤A4:使用混频器将放大后的射频信号与本振产生的信号混频,产生中频信号;
步骤A5:对混频后的中频信号进行A/D采样,产生数字信号;
步骤A6:对采样后的数字信号进行数字低通滤波;
步骤A7:将数字低通滤波后的信号送入下变频器生成数字零中频信号;
步骤B具体包括:
步骤B1:将数字零中频信号进行小波变换,生成源域小波系数绝对值图片和目标域小波系数绝对值图片;
步骤B2:通过步骤A采集源域有标签信号和目标域无标签信号并对其进行小波变换,生成小波变换后的系数绝对值关于时间的二维图片;
步骤C具体包括:
步骤C1:将步骤B生的图片进行预处理,将其裁剪至适应VGG卷积神经网络输入的大小,然后送入VGG卷积神经网络输入端;
步骤C2:使用VGG卷积神经网络作为基础的特征提取模型,网络包含卷积层、全连接层、池化层,VGG卷积神经网络的卷积核大小为3*3,核的滑动步长为1;
步骤C3:对VGG卷积神经网络提取的小波系数图片特征进行降维处理;
步骤C4:将送入VGG卷积神经网络的源域、目标域图片提取出的特征向量组成特征矩阵;
步骤D具体包括:
步骤D1:求得源域协方差阵CS和目标域矩阵协方差阵CT;
步骤D2:计算协方差阵的CORAL损失lCORAL。
3.如权利要求2所述的一种信号调制方式识别方法,其特征在于:
步骤B1中采用下式得到数字零中频信号小波系数,
步骤C2包括:
步骤C21:每次对输入图片进行卷积前,对输入图片周围像素进行扩充,扩充的大小为1;
步骤C22:每两个卷积层后接一个2*2大小的池化层;
步骤C23:每一个卷积层、全连接层后面使用线性整流函数作为激活函数;
步骤C24:在网络的第一、二个全连接层中间加入一个第三全连接层,作为自编码器隐藏层;
步骤C3中降维过程的损失函数如下:
其中,代表均方矩阵F-范数,X是第一个VGG提取的高维特征,S是低维隐藏层特征,是第二个高维特征且与第一个高维特征维数相等,W表示X到S的映射矩阵,W*表示S到的映射矩阵,且W与W*是对称矩阵,即W*=WT;
步骤D1采用下式求得源域协方差阵CS和目标域矩阵协方差阵CT:
其中,NS表示源域数据数量,NT表示目标域数据数量;
步骤D2采用下式计算协方差阵的CORAL损失lCORAL,
步骤F中CORAL损失的梯度采用如下式的梯度下降算法求得:
4.如权利要求3所述的一种信号调制方式识别方法,其特征在于:
步骤C2中VGG深度卷积神经网络包括13个卷积层、3个全连接层、5个池化层,其中第一、二全连接层为4096维,隐藏层维度为200。
5.一种信号调制方式识别装置,包括信号接收模块、数字化模块、数据处理模块和电源,其特征在于:信号接收模块接收无线电信号,并对无线电信号进行带通滤波、放大、混频、低通滤波处理后转变为两路模拟信号送入数字化模块,数字化模块对两路模拟信号进行模数转换后储存至高速缓存单元再送入数据处理模块,数据处理模块的FPGA板卡储存有实现如权利要求1所述方法的程序,信号经数据处理模块处理后输出预测结果,电源连接其它模块,提供其它模块工作时所需电压。
6.如权利要求5所述的一种信号调制方式识别装置,其特征在于:
信号接收模块包括信号接收天线、带通滤波器、信号放大器、混频器、低通滤波器,其中信号接收天线、带通滤波器、信号放大器依次连接,信号放大器与混频器相连接,混频器输出为两路I/Q模拟信号,经低通滤波器输出至数字化模块;
数字化模块包括模数转换器、高速缓存单元,其中外部输入信号分别接入模数转换器得到两路正交的数字信号,两路正交的数字信号以成对的方式依次存入高速缓存单元;
数据处理模块为FPGA板卡,负责将接收到的I/Q数据进行小波变换,再将小波系数图频谱图裁剪后送入训练好的卷积网络模型中预测该信号的调制类别,在使用数据处理模块之前,需要将之前训练得到的网络模型结构以及训练后得到的模型权重写入FPGA板卡;
电源使用LTM4644构成单通道输出dc/dc电源,负责对信号接收模块供电,使用LTM4620给FPGA板卡所在的数据处理模块供电。
7.如权利要求6所述的一种信号调制方式识别装置,其特征在于:FPGA板卡为AvnetUltra96-V2板卡,模数转换器采用TI的AMC7820芯片,高速缓存单元使用16GB的MLC flash存储器件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278579.7A CN111092836B (zh) | 2019-12-13 | 2019-12-13 | 一种信号调制方式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278579.7A CN111092836B (zh) | 2019-12-13 | 2019-12-13 | 一种信号调制方式识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111092836A CN111092836A (zh) | 2020-05-01 |
CN111092836B true CN111092836B (zh) | 2022-05-17 |
Family
ID=70395817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278579.7A Active CN111092836B (zh) | 2019-12-13 | 2019-12-13 | 一种信号调制方式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111092836B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149724B (zh) * | 2020-09-14 | 2022-06-21 | 浙江大学 | 一种基于类内紧凑度的脑电数据特征提取方法 |
CN112202527B (zh) * | 2020-10-01 | 2022-09-13 | 西北工业大学 | 基于动量梯度扰动的智能电磁信号识别系统干扰方法 |
CN112347871B (zh) * | 2020-10-23 | 2023-04-07 | 中国电子科技集团公司第七研究所 | 一种用于通信载波监视系统的干扰信号调制识别方法 |
CN113095137B (zh) * | 2021-03-10 | 2023-12-29 | 南京大学 | 一种基于机器学习的信号特征识别装置和方法 |
CN113723556B (zh) * | 2021-09-08 | 2022-05-31 | 中国人民解放军国防科技大学 | 基于熵加权-多模态域对抗神经网络的调制方式识别方法 |
CN113726481B (zh) * | 2021-09-18 | 2023-03-21 | 中国科学院计算技术研究所 | 一种用于无线通信的安全通信方法、装置及系统 |
CN113869227B (zh) * | 2021-09-29 | 2023-06-09 | 西南交通大学 | 一种信号调制方式识别方法、装置、设备及可读存储介质 |
CN114598582A (zh) * | 2022-02-17 | 2022-06-07 | 南京信息工程大学 | 一种基于迁移学习的超高阶信号调制格式快速识别方法 |
CN115664908B (zh) * | 2022-10-19 | 2024-04-05 | 西安电子科技大学 | 通信信号调制识别的跨层智能对抗方法、系统、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
CN110414383A (zh) * | 2019-07-11 | 2019-11-05 | 华中科技大学 | 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10985777B2 (en) * | 2016-12-09 | 2021-04-20 | William Marsh Rice University | Signal recovery via deep convolutional networks |
CN110555467B (zh) * | 2019-08-13 | 2020-10-23 | 深圳创新奇智科技有限公司 | 一种基于模型迁移的工业数据分类方法 |
-
2019
- 2019-12-13 CN CN201911278579.7A patent/CN111092836B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
CN110414383A (zh) * | 2019-07-11 | 2019-11-05 | 华中科技大学 | 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络与时频图纹理信息的信号调制方式分类方法;白芃远;许华;孙莉;《西北工业大学学报》;20190831;第37卷(第4期);全文 * |
基于神经网络最佳分类器通信信号的调制识别;吕铁军等;《系统工程与电子技术》;20010520(第05期);全文 * |
通信信号自动识别方法;陈健等;《电路与系统学报》;20051030(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111092836A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111092836B (zh) | 一种信号调制方式识别方法及装置 | |
CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
CN111585671A (zh) | 电力lte无线专网电磁干扰监测及识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN107192878A (zh) | 一种基于压缩感知的电力系统谐波检测方法及装置 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN112367284B (zh) | 概率整形星座下的概率分布识别方法、装置、设备及介质 | |
CN112787964A (zh) | 基于极差中值图域特征的bpsk及qpsk信号调制识别方法 | |
CN112287796A (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN106169070A (zh) | 基于协作表示的通信辐射源个体识别方法及系统 | |
CN114157539A (zh) | 一种数据知识双驱动的调制智能识别方法 | |
CN107680081B (zh) | 基于卷积神经网络的高光谱图像解混方法 | |
Zhang et al. | Deep radio fingerprint resnet for reliable lightweight device identification | |
Tan et al. | Specific emitter identification based on software-defined radio and decision fusion | |
CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
CN105375992B (zh) | 基于梯度算子和数学形态学的频谱空洞检测方法 | |
CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
CN113343801A (zh) | 基于轻量化卷积神经网络的无线信号自动调制识别方法 | |
CN109525528B (zh) | 面向mqam调制信号的图域信号识别方法 | |
CN111999587B (zh) | 一种调制域网络参数测试的迭代矢量误差修正方法 | |
CN110991378A (zh) | 一种功率放大器个体识别方法及装置 | |
Jingpeng et al. | Modulation recognition algorithm using innovative CNN and cyclic-spectrum graph | |
Cun et al. | Specific emitter identification based on eye diagram | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |