CN111277523B - 一种调制方式确定方法及装置 - Google Patents
一种调制方式确定方法及装置 Download PDFInfo
- Publication number
- CN111277523B CN111277523B CN202010035166.2A CN202010035166A CN111277523B CN 111277523 B CN111277523 B CN 111277523B CN 202010035166 A CN202010035166 A CN 202010035166A CN 111277523 B CN111277523 B CN 111277523B
- Authority
- CN
- China
- Prior art keywords
- modulated signal
- modulation mode
- cycle
- preset
- representing
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供了一种调制方式确定方法及装置,可以获取已调信号的循环相关熵谱密度,基于循环相关熵谱密度,确定已调信号的循环相关熵谱特征,基于循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定已调信号的调制方式,基于上述处理,已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征,由于已调信号的高阶矩特征不会因噪声的影响发生改变,因此,已调信号的高阶矩特征能够表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高,进而,可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种调制方式确定方法及装置。
背景技术
在无线通信系统中,发送端在发送原始信号之前,需要通过预设的调制方式对原始信号进行调制,得到已调信号。然后,发送端可以向接收端发送已调信号。接收端接收到已调信号之后,需要确定出已调信号的调制方式,进而,基于已调信号的调制方式对应的解调方式,对已调信号进行解调,得到发送端发送的原始信号。
现有技术中,接收端确定调制方式的过程包括以下步骤:基于已调信号的自相关方程,确定已调信号的循环谱图,进而,确定已调信号的循环谱图中波峰对应的数据点(可以称为目标数据点),计算目标数据点的循环谱特征,将计算得到的循环谱特征输入至预先训练的调制方式预测网络模型,进而,可以基于调制方式预测网络模型输出的预设各调制方式的概率,确定已调信号的调制方式。
然而,已调信号的自相关方程包含已调信号的二阶矩特征,已调信号在传输至接收端的过程中会受到噪声的影响,导致已调信号的二阶矩特征发生较大的改变,因此,基于已调信号的自相关方程,确定出的包含已调信号的二阶矩特征的循环谱特征,不能准确的体现已调信号的真实特征,导致基于循环谱特征确定出的已调信号的调制方式的准确度较低,进而,可能会导致接收端无法解调获得正确的原始信号。
发明内容
本发明实施例的目的在于提供一种调制方式确定方法及装置,可以提高确定出的已调信号的调制方式的准确度,进而,在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。具体技术方案如下:
第一方面,为了达到上述目的,本发明实施例提供了一种调制方式确定方法,所述方法包括:
获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。
可选的,所述获取已调信号的循环相关熵谱密度,包括:
基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
可选的,所述基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征,包括:
基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
可选的,所述基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,包括:
将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;
将所述预设各调制方式中概率最大的调制方式,作为所述已调信号的调制方式。
可选的,所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率,包括:
通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
Pm表示所述预设各调制方式中第m个调制方式的概率,e表示自然常数,a表示第一预设系数,F表示所述第二特征向量,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值,b表示第二预设系数,K表示所述预设各调制方式的数目,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值,所述权重系数向量中一个元素为所述第二特征向量中对应的一个特征元素的权重系数。
第二方面,为了达到上述目的,本发明实施例提供了一种调制方式确定装置,所述装置包括:
获取模块,用于获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
第一确定模块,用于基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
第二确定模块,用于基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。
可选的,所述获取模块,具体用于基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
可选的,所述第一确定模块,具体用于基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
可选的,所述第二确定模块,具体用于将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;
将所述预设各调制方式中概率最大的调制方式,作为所述已调信号的调制方式。
可选的,所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述第二确定模块,具体用于通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
Pm表示所述预设各调制方式中第m个调制方式的概率,e表示自然常数,a表示第一预设系数,F表示所述第二特征向量,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值,b表示第二预设系数,K表示所述预设各调制方式的数目,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值,所述权重系数向量中一个元素为所述第二特征向量中对应的一个特征元素的权重系数。
在本发明实施的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的调制方式确定方法的步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的调制方式确定方法。
在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的调制方式确定方法。
本发明实施例提供的一种调制方式确定方法,可以获取已调信号的循环相关熵谱密度,基于循环相关熵谱密度,确定已调信号的循环相关熵谱特征,基于循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定已调信号的调制方式。
基于上述处理,已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征,由于已调信号的高阶矩特征不会因噪声的影响发生改变,因此,已调信号的高阶矩特征能够表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高,进而,可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种调制方式确定方法的流程图;
图2为本发明实施例提供的一种已调信号的循环相关熵谱密度图;
图3为本发明实施例提供的一种调制方式确定方法的流程图;
图4为本发明实施例提供的一种调制方式预测网络模型的结构图;
图5为本发明实施例提供的一种无线通信系统的系统框图;
图6为本发明实施例提供的一种调制方式确定方法的系统框图;
图7为本发明实施例提供的一种调制方式确定装置的结构图;
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
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。
现有技术中,已调信号的自相关方程包含已调信号的二阶矩特征,已调信号在传输至接收端的过程中会受到噪声的影响,导致已调信号的二阶矩特征发生较大的改变,基于已调信号的自相关方程,确定出的包含已调信号的二阶矩特征的循环谱特征,不能准确的体现已调信号的真实特征,导致基于循环谱特征确定出的已调信号的调制方式的准确度较低,进而,可能会导致接收端无法解调获得正确的原始信号。
为了解决上述问题,本发明实施例提供了一种调制方式确定方法,参见图1,图1为本发明实施例提供的一种调制方式确定方法的流程图,该方法可以应用于无线通信系统中的接收端。该方法可以包括以下步骤:
S101:获取已调信号的循环相关熵谱密度。
其中,循环相关熵谱密度用于表示已调信号的高阶矩特征。
S102:基于循环相关熵谱密度,确定已调信号的循环相关熵谱特征。
S103:基于循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定已调信号的调制方式。
其中,调制方式预测网络模型为基于预设训练样本进行训练得到的,训练样本包括样本信号的循环相关熵谱特征和样本信号的调制方式为预设各调制方式的概率。
基于本发明实施例提供的调制方式确定方法,已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征,由于已调信号的高阶矩特征不会因噪声的影响发生改变,因此,已调信号的高阶矩特征能够表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高,进而,可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。
在步骤S101中,接收端在接收到已调信号之后,可以先确定已调信号的相关熵方程,然后,接收端可以基于确定出的相关熵方程,确定已调信号的循环相关熵谱密度。
可选的,步骤S101可以包括以下步骤:
步骤一,基于已调信号的相关熵方程,生成已调信号的循环相关熵方程。
在发明实施例中,接收端可以确定用高斯核函数表示的已调信号的相关熵方程,已调信号的相关熵方程可以为:
t表示已调信号的一个循环周期内的任一时刻,x(t)表示t时刻的已调信号,τ表示预设时间间隔,x(t+τ)表示t+τ时刻的已调信号,E表示数学期望,σ表示高斯核大小,exp表示以自然常数e为底的指数函数。
然后,接收端可以对已调信号的相关熵方程进行泰勒级数展开,可以得到对应的相关熵方程(可以称为第一相关熵方程),然后,接收端可以对第一相关熵方程进行傅里叶级数展开,可以得到能够表示已调信号的高阶矩特征的循环相关熵方程,已调信号的循环相关熵方程可以为:
t表示已调信号的一个循环周期内的任一时刻,x(t)表示t时刻的已调信号,τ表示预设时间间隔,x(t+τ)表示t+τ时刻的已调信号,σ表示高斯核大小,T表示已调信号的一个循环周期,n表示展开阶数,j表示虚数单位。
步骤二,对循环相关熵方程进行傅里叶变换,得到已调信号的循环相关熵谱密度。
接收端确定已调信号的循环相关熵方程之后,可以对已调信号的循环相关熵方程进行傅里叶变换,得到已调信号的循环相关熵谱密度,已调信号的循环相关熵谱密度包含预设的多个数据点的幅度,已调信号的循环相关熵谱密度可以为:
在步骤S102中,接收端在确定已调信号的循环相关熵谱密度之后,可以基于确定出的已调信号的循环相关熵谱密度,提取已调信号的循环相关熵谱特征。
可选的,步骤S102可以包括以下步骤:
步骤1,基于循环相关熵谱密度,生成已调信号的循环相关熵谱密度图。
接收端在确定包含预设的多个数据点的幅度的已调信号的循环相关熵谱密度之后,接收端可以生成包含预设的多个数据点的离散图,即已调信号的循环相关熵谱密度图。
参见图2,图2为本发明实施例提供的一种已调信号的循环相关熵谱密度图。该已调信号为对原始信号进行BPSK(Binary Phase Shift Keying,二相相移键控)调制得到的。该已调信号的循环相关熵谱密度图为三维图,该已调信号的循环相关熵谱密度图中X轴表示各数据点的循环频率,Y轴表示各数据点的谱频率,Z轴表示各数据点的幅度。
步骤2,提取循环相关熵谱密度图中的目标数据点的循环相关熵谱特征。
其中,循环相关熵谱特征包括目标数据点的谱频率、循环频率和幅度,目标数据点为循环相关熵谱密度图中表示已调信号的高阶矩特征的数据点,谱频率和幅度表示已调信号的功率随已调信号的频率变化而变化的规律。谱频率、循环频率和幅度可以表示目标数据点在循环相关熵谱密度图中的位置。
接收端生成已调信号的循环相关熵谱密度图之后,可以确定已调信号的循环相关熵谱密度图中表示已调信号的高阶矩特征的数据点(即目标数据点)。
一种实现方式中,接收端可以确定已调信号的载波的频率(可以称为载波频率),然后,接收端可以确定谱频率为载波频率的整数倍,且循环频率为载波频率的半整数倍的数据点,即为目标数据点。
然后,接收端可以确定目标数据点的循环相关熵谱特征(即已调信号的循环相关熵谱特征),已调信号的循环相关熵谱特征包括目标数据点的谱频率、循环频率和幅度。已调信号的循环相关熵谱特征可以为如下特征矩阵:
R表示已调信号的循环相关熵谱特征,S(α0,f0)表示循环频率为α0,且谱频率为f0的数据点的幅度,S(α0,fL)表示循环频率为α0,且谱频率为fL的数据点的幅度,S(αM,f0)表示循环频率为αM,且谱频率为f0的数据点的幅度,S(αM,fL)表示循环频率为αM,且谱频率为fL的数据点的幅度。
可见,由于目标数据点为能够表示已调信号的高阶矩特征的数据点,因此,基于目标数据点提取的已调信号的循环相关熵谱特征,可以表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高。
在步骤S103中,接收端在提取得到已调信号的循环相关熵谱特征之后,可以根据已调信号的循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定已调信号的调制方式。
另外,接收端在基于预先训练的调制方式预测网络模型,确定已调信号的调制方式之前,还可以基于预设训练样本对初始调制方式预测网络模型进行训练,预设训练样本包括样本信号的循环相关熵谱特征和样本信号的调制方式为预设各调制方式的概率。
一种实现方式中,接收端可以获取样本信号的循环相关熵谱密度图,并从样本信号的循环相关熵谱密度图中,提取样本信号的循环相关熵谱特征,样本信号的循环相关熵谱特征包括:样本信号的循环相关熵谱密度图中表示样本信号的高阶矩特征的数据点的谱频率、循环频率和幅度。
然后,接收端可以根据样本信号的调制方式,确定样本信号的调制方式为预设各调制方式的概率,样本信号的调制方式为预设各调制方式的概率可以表示为调制方式分布向量(可以称为目标调制方式分布向量)。
示例性的,预设各调制方式可以包括:BPSK,16QAM(16-Quadrature AmplitudeModulation,16阶正交幅度调制),64QAM(64-Quadrature Amplitude Modulation,64阶正交幅度调制),如果样本信号的调制方式为BPSK,则目标调制方式分布向量为:[1,0,0],如果样本信号的调制方式为16QAM,则目标调制方式分布向量为:[0,1,0],如果样本信号的调制方式为64QAM,则目标调制方式分布向量为:[0,0,1]。
接收端可以将样本信号的循环相关熵谱特征输入至初始调制方式预测网络模型,得到初始调制方式预测网络模型输出的表示样本信号的调制方式为预设各调制方式的概率,样本信号的调制方式为预设各调制方式的概率可以表示为调制方式分布向量(可以称为第一调制方式分布向量)。进而,接收端可以计算表示第一调制方式分布向量与目标调制方式分布向量的差异性的预设损失函数的函数值。
其中,预设损失函数可以由技术人员根据经验设置。
一种实现方式中,为了提高训练得到的调制方式预测网络模型输出的预设各调制方式的概率的准确度,预设损失函数可以为加性余弦损失函数。
当预设损失函数的函数值达到预设收敛条件时,接收端可以将本次训练后得到的调制方式预测网络模型,作为训练好的调制方式预测网络模型。
其中,预设收敛条件可以由技术人员根据经验设置。
一种实现方式中,预设收敛条件可以为计算得到的预设损失函数的函数值小于预设阈值。其中,预设阈值可以由技术人员根据经验设置。
另一种实现方式中,为了进一步提高训练好的调制方式预测网络模型输出的预设各调制方式的概率的准确度,预设收敛条件可以为计算得到的预设损失函数的函数值小于预设阈值,且本次训练后计算得到的预设损失函数值,与前预设数目次计算得到的预设损失函数值的差值均小于预设差值。其中,预设数目和预设差值均可以由技术人员根据经验设置。
进而,接收端可以基于已调信号的循环相关熵谱特征,以及训练好的调制方式预测网络模型,确定已调信号的调制方式。
可选的,参见图3,步骤S103可以包括以下步骤:
S1031:将循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到调制方式预测网络模型输出的预设各调制方式的概率。
参见图4,图4为本发明实施例提供的一种调制方式预测网络模型的结构图,该调制方式预测网络模型包括:LSTM(Long Short-Term Memory,长短期记忆)网络、DenseNet(Dense Convolutional Network,密集卷积网络)网络和预测网络。LSTM网络由隐藏层1、隐藏层2和全连接层构成,DenseNet网络由卷积层、池化层、密集块1、传输层和密集块2构成,预测网络由卷积层和全连接层构成。
可选的,步骤S1031可以包括以下步骤:
步骤一,通过LSTM网络,对循环相关熵谱特征进行特征提取,得到表示已调信号的时域特征的第一特征向量。
其中,已调信号的时域特征表示已调信号的循环相关熵谱密度图中的预设的多个数据点的幅度的变化规律。
LSTM网络可以对已调信号的循环相关熵谱特征进行特征提取,得到能够表示已调信号的时域特征的第一特征向量,并将得到的第一特征向量输入至DenseNet网络。
步骤二,通过DenseNet网络,对第一特征向量进行特征提取,得到表示已调信号的高阶矩特征的第二特征向量。
DenseNet网络可以对第一特征向量进行特征提取,得到能够表示已调信号的高阶矩特征的第二特征向量,并将得到的第二特征向量输入至预测网络。
步骤三,通过预测网络,根据第一预设公式,以及第二特征向量,确定预设各调制方式的概率,其中,第一预设公式为:
Pm表示预设各调制方式中第m个调制方式的概率,e表示自然常数,a表示第一预设系数,F表示第二特征向量,表示第二特征向量与预设各调制方式中第m个调制方式的权重系数向量的夹角,表示第二特征向量与预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值,b表示第二预设系数,K表示预设各调制方式的数目,表示第二特征向量与预设各调制方式中第l个调制方式的权重系数向量的夹角,表示第二特征向量与预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值,权重系数向量中一个元素为第二特征向量中对应的一个特征元素的权重系数。
预设各调制方式各自的权重系数向量为对初始调制方式预测网络模型进行训练时,基于训练结果对预设的各初始权重系数向量进行调整确定的。权重系数向量中的元素与第二特征向量中的特征元素一一对应。例如,调制方式m的权重系数向量为:C=[c1,c2,c3],已调信号的第二特征向量为:F=[n1,n2,n3],则c1为特征元素n1的权重系数,c2为特征元素n2的权重系数,c3为特征元素n3的权重系数。
S1032:将预设各调制方式中概率最大的调制方式,作为已调信号的调制方式。
接收端在得到调制方式预测网络模型输出的预设各调制方式的概率之后,可以确定预设各调制方式中概率最大的调制方式,即为已调信号的调制方式。
示例性的,预设各调制方式可以包括:BPSK、16QAM、64QAM,如果调制方式预测网络模型输出的表示预设各调制方式的概率的调制方式分布向量为:[0.1,0.8,0.3],则接收端可以确定预设各调制方式中概率最大的调制方式为16QAM,16QAM即为已调信号的调制方式。
参见图5,图5为本发明实施例提供的一种无线通信系统的系统框图,该无线通信系统包括:发送端和接收端。
发送端对原始信号进行调制,得到已调信号之后,可以向接收端发送已调信号。
接收端可以获取样本信号的循环相关熵谱密度图,进而,提取样本信号的循环相关熵谱特征,并基于样本信号的循环相关熵谱特征和样本信号的调制方式为预设各调制方式的概率,对初始调制方式预测网络模型进行训练,得到训练好的调制方式预测网络模型。
接收端可以对接收到的已调信号进行采样,得到一个循环周期内的已调信号,然后,接收端可以确定已调信号的循环相关熵谱密度图,并基于已调信号的循环相关熵谱密度图,提取已调信号的循环相关熵谱特征,并将提取到的已调信号的循环相关熵谱特征输入至训练好的调制方式预测网络模型,进而,可以得到训练好的调制方式预测网络模型输出的预设各调制方式的概率,并确定预设各调制方式中概率最大的调制方式为已调信号的调制方式。
参见图6,图6为本发明实施例提供的一种调制方式确定方法的系统框图。
接收端可以获取离线数据库中存储的训练样本,训练样本包括样本信号的循环相关熵谱特征和样本信号的调制方式为预设各调制方式的概率,样本信号的调制方式为预设各调制方式的概率可以表示为调制方式分布向量(即目标调制方式分布向量),然后,可以将样本信号的循环相关熵谱特征输入至初始调制方式预测网络模型。
初始调制方式预测网络模型包括:LSTM网络、DenseNet网络和预测网络。LSTM网络由隐藏层1、隐藏层2和全连接层构成,DenseNet网络由卷积层、池化层、密集块1、传输层和密集块2构成,预测网络由卷积层和全连接层构成。
LSTM网络可以对样本信号的循环相关熵谱特征进行特征提取,得到能够表示样本信号的时域特征的第一特征向量,并将得到的第一特征向量输入至DenseNet网络。DenseNet网络可以对第一特征向量进行特征提取,得到能够表示样本信号的高阶矩特征的第二特征向量,并将得到的第二特征向量输入至预测网络。
预测网络可以基于第二特征向量和第一预设公式,确定表示样本信号的调制方式为预设各调制方式的概率的调制方式分布向量(即第一调制方式分布向量),并计算表示第一调制方式分布向量与目标调制方式分布向量的差异性的预设损失函数的函数值,当预设损失函数的函数值达到预设收敛条件时,可以将本次训练结束后的预设各调制方式的权重系数向量,作为最优权重系数向量。进而,接收端可以确定训练好的调制方式预测网络模型,且训练好的调制方式预测网络模型对应的预设各调制方式权重系数向量为最优权重系数向量。
然后,接收端接收到已调信号之后,可以提取已调信号的循环相关熵谱特征,并将已调信号的循环相关熵谱特征输入至训练好的调制方式预测网络模型,得到训练好的调制方式预测网络模型输出的预设各调制方式的概率,然后,接收端可以将预设各调制方式中概率最大的调制方式,作为已调信号的调制方式。
与图1的方法实施例相对应,本发明实施例提供了一种调制方式确定装置,参见图7,图7为本发明实施例提供的一种调制方式确定装置的结构图,所述装置包括:
获取模块701,用于获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
第一确定模块702,用于基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
第二确定模块703,用于基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。
可选的,所述获取模块701,具体用于基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
可选的,所述第一确定模块702,具体用于基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
可选的,所述第二确定模块703,具体用于将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;
将所述预设各调制方式中概率最大的调制方式,作为所述已调信号的调制方式。
可选的,所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述第二确定模块703,具体用于通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
Pm表示所述预设各调制方式中第m个调制方式的概率,e表示自然常数,a表示第一预设系数,F表示所述第二特征向量,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值,b表示第二预设系数,K表示所述预设各调制方式的数目,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角,表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值,所述权重系数向量中一个元素为所述第二特征向量中对应的一个特征元素的权重系数。
基于上述处理,已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征,由于已调信号的高阶矩特征不会因噪声的影响发生改变,因此,已调信号的高阶矩特征能够表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高,进而,可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于上述处理,已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征,由于已调信号的高阶矩特征不会因噪声的影响发生改变,因此,已调信号的高阶矩特征能够表示已调信号的真实特征,基于已调信号的循环相关熵谱特征,确定出的已调信号的调制方式的准确度较高,进而,可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一调制方式确定方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一调制方式确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质和计算机程序产品而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种调制方式确定方法,其特征在于,所述方法包括:
获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,包括:
将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;将所述预设各调制方式中概率最大的调制方式,作为所述已调信号的调制方式;其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率;
所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率,包括:
通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
2.根据权利要求1所述的方法,其特征在于,所述获取已调信号的循环相关熵谱密度,包括:
基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
3.根据权利要求1所述的方法,其特征在于,所述基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征,包括:
基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
4.一种调制方式确定装置,其特征在于,所述装置包括:
获取模块,用于获取已调信号的循环相关熵谱密度,其中,所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征;
第一确定模块,用于基于所述循环相关熵谱密度,确定所述已调信号的循环相关熵谱特征;
第二确定模块,用于基于所述循环相关熵谱特征,以及预先训练的调制方式预测网络模型,确定所述已调信号的调制方式,具体用于将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率;其中,所述调制方式预测网络模型为基于预设训练样本进行训练得到的,所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率;
所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络;
所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型,得到所述调制方式预测网络模型输出的预设各调制方式的概率,包括:
通过所述LSTM网络,对所述循环相关熵谱特征进行特征提取,得到表示所述已调信号的时域特征的第一特征向量;
通过所述DenseNet网络,对所述第一特征向量进行特征提取,得到表示所述已调信号的高阶矩特征的第二特征向量;
通过所述预测网络,根据第一预设公式,以及所述第二特征向量,确定所述预设各调制方式的概率,其中,所述第一预设公式为:
5.根据权利要求4所述的装置,其特征在于,所述获取模块,具体用于基于所述已调信号的相关熵方程,生成所述已调信号的循环相关熵方程;
对所述循环相关熵方程进行傅里叶变换,得到所述已调信号的循环相关熵谱密度。
6.根据权利要求4所述的装置,其特征在于,所述第一确定模块,具体用于基于所述循环相关熵谱密度,生成所述已调信号的循环相关熵谱密度图;
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征,其中,所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度,所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点,所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035166.2A CN111277523B (zh) | 2020-01-13 | 2020-01-13 | 一种调制方式确定方法及装置 |
PCT/CN2020/109508 WO2021143126A1 (zh) | 2020-01-13 | 2020-08-17 | 一种调制方式确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035166.2A CN111277523B (zh) | 2020-01-13 | 2020-01-13 | 一种调制方式确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111277523A CN111277523A (zh) | 2020-06-12 |
CN111277523B true CN111277523B (zh) | 2021-05-07 |
Family
ID=71001928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035166.2A Active CN111277523B (zh) | 2020-01-13 | 2020-01-13 | 一种调制方式确定方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111277523B (zh) |
WO (1) | WO2021143126A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277523B (zh) * | 2020-01-13 | 2021-05-07 | 北京邮电大学 | 一种调制方式确定方法及装置 |
CN117807526B (zh) * | 2023-12-29 | 2024-05-14 | 中国人民解放军军事科学院系统工程研究院 | 一种基于循环谱特征选择与融合机制的电磁信号识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102882820A (zh) * | 2012-09-04 | 2013-01-16 | 西安电子科技大学 | 认知无线电中非高斯噪声下数字调制信号识别方法 |
US10015006B2 (en) * | 2014-11-05 | 2018-07-03 | Georgia Tech Research Corporation | Systems and methods for measuring side-channel signals for instruction-level events |
CN105933259B (zh) * | 2016-04-21 | 2018-10-16 | 大连理工大学 | 一种基于压缩感知重建的循环相关熵谱的载频估计方法 |
CN106130942B (zh) * | 2016-07-05 | 2019-10-11 | 东南大学 | 一种基于循环谱的无线通信信号调制识别及参数估计方法 |
CN108600135B (zh) * | 2018-04-27 | 2020-07-31 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN109818892A (zh) * | 2019-01-18 | 2019-05-28 | 华中科技大学 | 构建循环谱特征参数提取模型及信号调制方式识别方法 |
CN111277523B (zh) * | 2020-01-13 | 2021-05-07 | 北京邮电大学 | 一种调制方式确定方法及装置 |
-
2020
- 2020-01-13 CN CN202010035166.2A patent/CN111277523B/zh active Active
- 2020-08-17 WO PCT/CN2020/109508 patent/WO2021143126A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2021143126A1 (zh) | 2021-07-22 |
CN111277523A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
US20190057164A1 (en) | Search method and apparatus based on artificial intelligence | |
Bocquet | Parameter estimation for Pareto and K distributed clutter with noise | |
CN111614398B (zh) | 基于异或神经网络的调制格式及信噪比识别方法及装置 | |
CN111277523B (zh) | 一种调制方式确定方法及装置 | |
WO2019010861A1 (zh) | 一种认知无线网络的频谱预测方法及装置 | |
CN109960650B (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
CN109362084B (zh) | 通信业务质量优化的方法、装置、设备和介质 | |
CN114936323B (zh) | 图表示模型的训练方法、装置及电子设备 | |
Aunsri | A Bayesian Filtering Approach with Time-Frequency Representation for Corrupted Dual Tone Multi Frequency Identification. | |
Namdar et al. | Dispersed chirp‐z transform‐based spectrum sensing and utilisation in cognitive radio networks | |
JP7253286B2 (ja) | 変調信号の周期的自己相関関数の対称なピーク値に基づくスペクトル検知方法 | |
CN111245821B (zh) | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 | |
CN111353039B (zh) | 文件类别检测方法和装置 | |
WO2023093029A1 (zh) | 唤醒词能量计算方法、系统、语音唤醒系统及存储介质 | |
CN111585739B (zh) | 一种相位调整方法及装置 | |
CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
Taranenko et al. | Wavelet filtering by using nonthreshold method and example of model Doppler function | |
Wong et al. | Assessing the value of transfer learning metrics for RF domain adaptation | |
CN115201769A (zh) | 雷达信号脉冲重复间隔生成方法、装置、设备和介质 | |
CN108880935B (zh) | 网络节点重要度的获得方法和装置、设备、存储介质 | |
CN113626815A (zh) | 病毒信息的识别方法、病毒信息的识别装置及电子设备 | |
Hartmann et al. | Acoustic signal processing | |
CN110958054B (zh) | 一种无线电发射机识别方法及装置 | |
CN111967276A (zh) | 翻译质量评估方法及装置、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |