CN111259798A

CN111259798A - 基于深度学习的调制信号识别方法

Info

Publication number: CN111259798A
Application number: CN202010046931.0A
Authority: CN
Inventors: 李小建
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2020-01-16
Filing date: 2020-01-16
Publication date: 2020-06-09

Abstract

本发明公开了一种基于深度学习的调制信号识别方法。包括：针对调制信号，采用频域平滑法获取其循环谱图；构建卷积神经网络：采用步长为2的卷积层代替池化层来减小特征映射的范围，使用ReLU激活函数引入非线性，在每一个激活函数之前均做批量标准化，将数据控制在激活函数的有效区间之内；根据调制信号的类型，对信号相应的循环谱图进行标注；以训练集作为卷积神经网络的输入，基于损失函数对卷积神经网络进行训练，以验证集对卷积神经网络的参数进行修正，得到训练好的卷积神经网络；将测试集输入训练好的卷积神经网络，计算评价指标，对分类结果进行评估。利用本发明，可以在调制信号识别场景中，降低人工设参工作量，识别结果更准确。

Description

基于深度学习的调制信号识别方法

技术领域

本发明涉及调制信号识别领域，具体涉及一种基于深度学习的调制信号识别方法。

背景技术

无线电信号的调制识别是频谱监测过程中的重要组成部分，在认知无线电频谱感知、战场信号截获等军民应用领域发挥着重要作用。随着无线通信技术的飞速发展和广泛应用,无线通信的信道环境变得越来越复杂,通信信号的调制方式也变得越来越复杂化和多样化,这为调制识别技术也带来了新的问题和挑战。传统的人工分析判断方法通过对监测到的信号进行调制分析、频谱波形比较等判断信号的属性，与登记的台站比对，确定是否为干扰信号，不仅效率低下，而且识别的信号类型有限。

目前，无线电信号调制自动识别方法大多都很大程度上依赖于特征选取以及分类器的选择,分类器与特征选择是否匹配将直接影响到调制识别的效果。基于特征的方法需要根据所判别的信号种类采用实现最佳可分性的特征值，其最优特征随着信道变化而不同，人工选择工作量大；同时，所处理的信号内部可能存在特定的联系，深层次特征不易被参数化描述。

因此，现有调制信号识别技术存在依赖人工对于信号特征的提取,在信噪比较低的情况下识别效果比较差的问题。

发明内容

本发明提供了一种基于深度学习的调制信号识别方法，该方法实现了调制信号识别，降低人工设参工作量，识别结果更准确。

一种基于深度学习的调制信号识别方法，该方法包括：

步骤一，针对调制信号，采用频域平滑法获取其循环谱图，循环谱计算公式如下：

其中：

式中，α为信号x(t)二阶循环频率，Δt为截短之后的周期,a_Δt为截短窗函数，N为总采样点数，M为频域平滑窗长度，T_s为采样时间间隔，f为谱频率，F_n为频率分辨率，Δf为频域平滑窗对应的频率范围；

步骤二，构建卷积神经网络：采用步长为2的卷积层代替池化层来减小特征映射的范围，使用ReLU激活函数引入非线性，在减小特征图的基础上，最大程度保留特征图中的信息，在每一个激活函数之前均做批量标准化，将数据控制在激活函数的有效区间之内；

步骤三，根据调制信号的类型，对信号相应的循环谱图进行标注；

步骤四，将标注后的循环谱图分为训练集、验证集与测试集，以训练集作为卷积神经网络的输入，基于损失函数对卷积神经网络进行训练，以验证集对卷积神经网络的参数进行修正，得到训练好的卷积神经网络；

步骤五，将测试集输入训练好的卷积神经网络，计算评价指标，对分类结果进行评估。

调制信号的类型包括BPSK、QPSK、8PSK、16QAM、32QAM、64QAM。

评价指标包括单个类型调制信号的分类准确率、所有信号的平均分类准确率。

本发明的有益效果在于：

本发明基于深度学习对调制信号进行识别，并对卷积神经网络进行了改进，采用步长为2的卷积层代替池化层来减小特征映射的范围，使用ReLU激活函数引入非线性，在减小特征图的基础上，最大程度保留特征图中的信息，在每一个激活函数之前均做批量标准化，将数据控制在激活函数的有效区间之内，提取特征更优、分类效果更好，同时减少了人工设计特征参数的工作量和不确定性。

附图说明

图1为基于深度学习的调制信号识别方法流程图；

图2为BPSK循环谱图；

图3为QPSK循环谱图；

图4为8PSK循环谱图；

图5为16QAM循环谱图；

图6为32QAM循环谱图；

图7为64QAM循环谱图；

图8为各调制信号分类准确率示意图；

图9为平均分类准确率示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于深度学习的调制信号识别方法，下面通过具体实施例来进行说明。

实施例一：

基于深度学习的调制信号识别方法包括：

步骤一，针对调制信号，采用频域平滑法获取其循环谱图。

数字信号的调制方式包括频移键控、幅度键控、相移键控。调制信号经过采样、调制等周期性变换后，参数呈现周期性变化，具有循环平稳性。而循环平稳信号处理不仅能够反映信号统计量随时间变化的变化率，还对普通的随机信号进行了简化。因此，本发明采用循环谱来提取调制信号的特征。

分析非平稳信号的二阶循环平稳特性及数字特征表示，非平稳随机信号时变自相关函数可表示为：

R_x(t；τ)＝{x(t)x^*(t-τ)}

其中，x(t)为非平稳随机信号。

假定此时变自相关函数具有周期性，且周期为T₀，为提取信号周期性，使用时间平均表示相关函数

令m/T₀＝α，将自相关函数展开为Fourier级数为：

上式中的傅里叶系数

称为循环自相关函数，表示为

将时间平均表示相关函数代入到上式中得：

进一步变换可得：

将上式改写为：

由上式可进一步将循环自相关函数

进一步计算为：

将

的α称为信号x(t)二阶循环频率，信号的循环谱

也称为谱自相关函数，定义为循环自相关函数的Fourier变换，即：

当α等于零时，谱相关函数为信号的自相关函数，对应的循环谱为信号的功率谱密度函数。计算信号x(t)在一个时间周期T内的频谱，为：

将频谱上下平移α/2，计算平移之后两频谱的时间平均互相关为：

令Δt与周期T→∞，可得：

由上式可知，将两信号频谱相距为α的信号做时间平均互相关之后恰好为信号的循环谱，推导出信号具有二阶循环平稳的必要条件是信号频谱特定频移分量是否存在相关性，其中两频移分量之间的差距为信号的循环频率α。

实际处理循环平稳信号过程中，通过离散化处理根据固定时间长度Δt内的信号x(t)的数据来估计信号的循环谱，通过频域平滑法来估算信号循环谱，公式为：

X_T为信号x(t)的傅里叶变换，Δt为截短之后的周期，当对时间进行采样，且采样周期为T_s时，得到：

其中：

式中a_Δt为截短窗函数，N为总采样点数，M为频域平滑窗长度，T_s为采样时间间隔，Δf为频域平滑窗对应的频率范围，f为谱频率，F_n为频率分辨率。

依据上述的计算方法，利用MATLAB仿真平台，分别计算调制信号的循环谱图，调制信号类型为BPSK、QPSK、8PSK、16QAM、32QAM、64QAM，计算仿真参数设置为：初始码元个数1000，载波频率1024Hz，采样频率8192Hz，每个码元采样点数为8，符号速率1024Hz，进入信道每种调制信号长度为8000，信噪比为0dB，使用频域平滑法来计算循环谱密度值，设置谱相关分段数为20，对应的频率和循环频率平滑点数为400，得到六种调制信号的循环谱图像如图2-7所示。

分析六种调制信号的循环谱图，BPSK循环谱图有四处尖峰，QPSK与8PSK信号循环谱图有两处尖峰，16QAM、32QAM、64QAM除有两处明显尖峰之外，还有明显的小的凸起，通过对三维图像旋转分析，六种调制信号的尖峰位置有相似的地方，其余位置凸起不同，可直接从三位图像中进行区分，因此直接将三维图像作为区分特征。

步骤二，构建卷积神经网络，采用步长为2的卷积层代替池化层来减小特征映射的范围，使用ReLU激活函数引入非线性，在减小特征图的基础上，最大程度保留特征图中的信息，在每一个激活函数之前均做批量标准化，将数据控制在激活函数的有效区间之内。

传统的卷积神经网络结构包含卷积层、池化层和全连接层，将上一节特征组合之后所得到的数据作为网络模型的输入数据，由于发明所研究的信号种类较多，数据集规模较大，所需图像识别精度较高，直接使用传统的卷积神经网络结构存在以下两个问题：

(1)池化层由于降采样操作会丢失一部分相邻像素点的特征信息，使得图像识别效果变差；

(2)进入全连接层数据分布不均匀，模型收敛速度较慢。

针对以上问题，本发明分别在卷积层、池化层、全连接层作出相应的改进。

池化层通过下采样操作可以达到以下几个目标：进行特征的降维，压缩数据与参数的数量；增加卷积神经网络平移不变性；增加高层神经层感受野。采用平均池化和最大值池化均会导致一部分图像的特征丢失，对于本发明中需要精准识别图像特征的问题，这将导致图像识别准确度下降，为了保留这部分位置信息，同时具有最大值池化中非线性的作用，本发明中采用步长为2的卷积层代替池化层来减小特征映射的范围，使用ReLU激活函数引入非线性，在减小特征图的基础上，最大程度保留特征图中的信息。

为了避免全连接层数据进入激活函数的饱和区间导致模型学习不到东西，本发明使用批量标准化操作，在每一个激活函数之前均做批量标准化，将数据控制在激活函数的有效区间之内，这样大部分的激活值在每个分布区间均存在，之后将激活后的分布传递到下一层神经网络进行后续计算,每个区间均有数据均匀分布对于神经网络更加有价值。

步骤三，根据调制信号的类型，对信号相应的循环谱图进行标注。

在具体实施中，卷积神经网络的输入数据包括图像、还应该包括标注数据。损失函数的设计一般是基于标注数据。因此，需要针对调制信号的类型，设置不同的标注。本发明需要进行识别的信号包括BPSK、QPSK、8PSK、16QAM、32QAM、64QAM。针对此六种调制信号，分别设置不同的标注。例如，分类1、分类2、分类3、分类4、分类5、分类6。

步骤四，将标注后的循环谱图分为训练集、验证集与测试集，以训练集作为卷积神经网络的输入，基于损失函数对卷积神经网络进行训练，以验证集对卷积神经网络的参数进行修正，得到训练好的卷积神经网络。

基于上述循环谱特征和网络结构进行实验，实验所用信号集包含BPSK、QPSK、8PSK、16QAM、32QAM、64QAM六种信号类型，计算循环谱实验参数与特征组合分析中相同，每种信号信噪比范围为-10dB至10dB，信噪比步长设置为2dB，升余弦滤波器带宽为0.5，每种信号类型在每个信噪比下数据量大小为1000，样本总量为66000，将样本总量的80％作为训练集，其余数据作为测试集。网络模型搭建部分使用python语言实现，使用的深度学习框架为Tensorflow，软件环境为Linux，使用NVIDIAGTX1080对GPU计算加速，参数设置汇总如表1所示。

表1实验参数设置

参数类型	参数值	参数类型	参数值
				学习率	0.001	训练集	52800
Epochs	60	测试集	13200
				Batch Size	32	独立实验次数	10
网络迭代方式	MBGD	激活函数	ReLU

将六种信号类型的数据集送入到模型中学习，基于损失函数对卷积神经网络进行训练，以验证集对卷积神经网络的参数进行修正，将训练完成的模型保存。具体地，损失函数可以采用交叉熵函数。

对分类模型在测试集上的准确率进行分析。图8与图9分别给出了BPSK、QPSK、8PSK、16QAM、32QAM、64QAM六种信号识别准确率随信噪比的变化过程，由图9可知，信噪比大于-4dB时，六种调制信号的识别准确率在90％以上，具体到每种信号，由图8可知，BPSK在六种信号类型中的区分度仍然最高，信噪比小于-2dB时，信号区分度有所下降，表明该特征在数据集扩大时，六种信号之间的区分度下降，信噪比大于0dB时，六种信号均能100％识别。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于深度学习的调制信号识别方法，其特征在于，该方法包括：

其中：

2.如权利要求1所述的基于深度学习的调制信号识别方法，其特征在于，所述调制信号类型包括BPSK、QPSK、8PSK、16QAM、32QAM、64QAM。

3.如权利要求1所述的基于深度学习的调制信号识别方法，其特征在于，所述评价指标包括单个类型调制信号的分类准确率、所有信号的平均分类准确率。