CN111314257B - 一种基于复值神经网络的调制方式识别方法 - Google Patents

Abstract

该发明公开了一种基于复值神经网络的调制方式识别方法，涉及无线通信技术领域。针对通信领域中广泛存在的复数信号，本发明提出一种利用时域接收到的复数信号，不需要对接收到的信号提取任何参数，只需将复数数据输入到复值神经网络中进行训练，充分学习数据中实部与虚部的特征，便能得到较高的准确率，且比传统高阶累积方式高。相比实值，复数有更丰富的表达能力，复值神经网络学习复数的实部与虚部特征，更适用于绝大多数为复数表现形式的通信信号；本发明不用人为计算观察各个信号或特征值之间差异，不需人工设定阈值来区分信号的调制类型，神经网络就有分类器的功能。

Description

一种基于复值神经网络的调制方式识别方法

技术领域

本发明涉及无线通信技术领域，特别是涉及了一种利用复值神经网络技术对复杂环境下的通信信号进行调制方式识别的方法。

背景技术

信号调制是使一种波形的某些特性按另一种波形或信号而变化的过程或处理方法。在无线电通信中，信息一般是待传输的基带信号，其特点是频率较低、频带较宽且相互重叠，为了适合单一信道传输，必须进行调制。所谓调制，就是将待传输的基带信号加载到高频振荡信号上的过程，其实质是将基带信号搬移到高频载波上去，也就是频谱搬移的过程，目的是把要传输的模拟信号或数字信号变换成适合信道传输的高频信号。

调制方式识别是介于信号检测和信号解调之间的一项关键技术，可以根据接收到的通信信号判断其调制方式，实现调制信号的智能接收与处理。信号调制方式的有效识别对检测到的非法通信信号的后续处理，包括信号的解调解码，具有非常显著和重要的作用。典型的调制识别算法可分为两大类：一类以判决理论为基础，利用似然函数或近似理论进行识别，又称基于似然(likelihood-based,LB)的方法；另一类以模式识别和机器学习理论为基础，通过从接收信号中提取分类特征进行识别，又称为基于特征(feature-based,FB)的方法。

人工神经网络(artificial neural network，缩写ANN)，简称神经网络(neuralnetwork，缩写NN)或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络主要由输入层、隐藏层、输出层构成。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习(deep learning)的代表算法之一。CNN采用前向传播计算出输出值，反向传播调整权重和偏置。经典的CNN包括卷积层(C)、池化层(S)和全连接层(F)三部分。卷积层的卷积核本质就是特征提取器，配合深度网络模型可以自动提取输入信号的深层信息。池化层即降采样层，实现特征图的采样处理，在减少数据量的同时保留有用的信息，也使CNN具有抗畸变的能力。

发明内容

针对通信领域中广泛存在的复数信号，本发明提出一种利用时域接收到的复数信号，不需要对接收到的信号提取任何参数，只需将复数数据输入到复值神经网络中进行训练，充分学习数据中实部与虚部的特征，便能得到较高的准确率，且比传统高阶累积方式高。

技术方案为一种基于复值神经网络的调制方式识别方法，包括以下步骤：

步骤1：处理接收信号；

对于公开数据集RML2016a，从中提取调制方式、信噪比向量、以及所有的信号样本；对所有的数据进行打乱处理，并将训练集、验证集、测试集按照一定的比例划分；

步骤2：建立复值神经网络；

复值神经网络包括两部分，第一部分依次由多层复值卷积层、复值批量标准化层、平均池化层构成，第二部分由全连接层构成；

(1)复值神经网络中对于复值卷积是使用实值来模拟复数算术，其中输入数据为h＝x+iy，卷积核矩阵为W＝A+iB，x，y为实向量，A，B为实数矩阵，复值卷积过程为：

W*h＝(A*x-B*y)+i(B*x+A*y)

其中卷积核矩阵中A、B均为1×n维的矩阵，输入x，y均为m维的输入向量；

设复值卷积层具有M个特征图，M可被2整除，为了表示复数，前M/2个特征图代表实数分量，剩余M/2个特征图来表示虚数分量；对每一层复值卷积层设置的卷积核个数为实部卷积核A或虚部卷积核B的个数，而总共的卷积核个数等于设定值的两倍；

(2)复值批量标准化层中采用下式进行标准化处理；

其中，x为输入，E[x]为x的期望；协方差矩阵V为：

分别表示x的实部和虚部；

步骤3：对复值神经网络进行训练；

设置相关参数，对神经网络进行编译后，再采用步骤1获得训练数据进行训练，直到训练完成；每次训练包括两个步骤，第一个步骤为：输入数据从输入层输入，经过传播，到达了输出层，利用交叉熵损失函数得到预测值和真实值之间的误差；第二个步骤为：针对误差，从输出层输入进行反向传播，最后到达输入层，经过每一层时逐步调整各层的权重值和偏置值，其中交叉熵损失函数为：

L(t,f(x))＝-[t ln f(x)+(1-t)ln(1-f(x))]

其中，t表示数据样本对应的标签，f(x)表示数据样本经过网络后得到的预测值；

步骤4：使用网络进行测试；

对测试集样本进行测试识别准确率，有如下计算公式：

其中，F(·)表示测试集经过网络后得到的预测标签，

x_i,y_i分别表示第i个输入样本的预测值以及第i个输入样本的真实值，N表示测试样本总数；

步骤5：采用测试通过的复值神经网络对信号的调制方式进行识别。

本发明相对于现有的技术具有如下优点：

1.不需要对信号进行复杂的数学计算，例如求均值，方差等，只需要简单的将接收信号的实虚部存储成为向量；

2.相比实值，复数有更丰富的表达能力，复值神经网络学习复数的实部与虚部特征，更适用于绝大多数为复数表现形式的通信信号；

3.不用人为计算观察各个信号或特征值之间差异，不需人工设定阈值来区分信号的调制类型，神经网络就有分类器的功能；

4.参照VGG神经网络中提出的3×3卷积核尺寸，本发明中对复值卷积层均使用1×3的卷积核尺寸，用多个小卷积核代替大尺寸的卷积核，多层的非线性层增加了网络深度从而保证网络学习到更复杂的特征，同时学习的参数量还较少；

5.本发明使用尺寸为1×1的卷积核进行复值卷积运算，这个过程相当于全连接层的计算，并且还加入了非线性激活函数，使网络可以表达更复杂的特征。

附件说明

表是本发明中的网络结构细节表。

图1是本发明方法中WB-FM信号在时域的示意图。

图2是本发明方法中使用的复值神经网络结构示意图。

图3是本发明方法中复值卷积的原理图

图4是本发明方法中的混淆矩阵示意图。

图5是本发明识别率与二维卷积神经网络识别率对比示意图。

图6是本发明与传统高阶累积量的调制方法识别率示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明，下面结合附图对技术方案的实施作进一步的详细描述。

本实施方式中,该数据集使用了布拉德利大学的Timothy J O'Shea公开的调制信号数据集RML2016.10a，该数据集包含了220000个数据样本，每个样本有I、Q两路的数据，每路数据的长度为128。其中有数字调制以及模拟调制方式，一共11种，3种模拟调制方式为：AM-DSB，AM-SSB，WB-FM，8种数字调制方式为：BPSK,8PSK,CPFSK,GFSK,PAM4,QAM16,QAM64,QPSK。这些数据均匀产生在-20dB到18dB这20种信噪比上，信噪比间隔为2dB。

这个数据集是采用了GNU Radio这个开源的软件无线电平台产生。在产生这个数据集的过程中，模拟了大量的信道中的各种影响因素，例如加性高斯白噪声、衰落、多径、采样率偏差等，将真实的语音和文本信号通过未知的信号模型后，再经过分片和矩形滑窗处理后，通过仿真产生数据，对随机时间段进行采样，保存采样的结果。如图1可以看到WB-FM的时域示例图，由于使用了脉冲整流信号，所以其不能被立即鉴定得到类别。

步骤1.信号预处理：

对pkl格式的数据集，依照11种调制方式、20种信噪比依次提取、保存在变量X中，得到的X变量的维度为(220000,2,128)，通过轴互换函数，将变量的第1维度和第2维度进行互换，得到维度为(220000,128,2)的变量X。可以知道数据集总共有220000个样本，每个样本中实部和虚部均为128的向量。为了神经网络训练和测试的准确性，将数据集进行随机打乱，再从中随机选取80％的数据作为训练集，20％的数据作为测试集，其中从训练集中随机选取25％的数据作为验证集。对数据集中的11种调制方式对应的标签进行one-hot编码，得到：

步骤2.搭建复值神经网络：

本发明使用了深度学习库Keras，该库为一个高层的神经网络API，能够以Tensorflow、Theano和CNTK作为后台来运行。本发明使用Theano作为后端，用Keras的函数式模型搭建网络，其中主要使用了复值卷积层、复值批量标准化层、平均池化层、全连接层。其中相比实值批量标准化层，复值批量标准化层不仅要使数据均值为0且方差为1，还要确保实部和虚部的方差相等、结果分布为圆形；通过将以0为中心的数据(x-E[x])乘以2×2协方差矩阵V的平方根的逆来完成要求，这样得到的数据具有标准复数分布。具体为：第一个模块包含卷积核个数为16，尺寸为1×3，步长为2的复值卷积层、复值批量标准化层和尺寸为1×2，步长为2的平均池化层；第二个模块将卷积核个数设置为32，其他参数与第一个模块相同；相比第一个模块，第三个模块和第四个模块中将卷积核个数设置为64，步长设置为1；第五个模块中包含一层卷积核个数为128，尺寸为1×3的复值卷积层、一层卷积核个数为128，尺寸为1×1的复值卷积层和平均池化层；第六个模块包含一层有256个神经元的全连接层和一层有11个神经元的输出层。其中，使用多层的1×3卷积核，从而得到更大的感受野，并且考虑实部和虚部两个部分，实际训练时每一层参与的卷积核数量为32、64、128、128、256、256。

步骤3.训练神经网络：

在神经网络结构搭建完成后，设置epoch参数为80，batch_size为512，选取设置交叉熵损失函数categorical_crossentropy、优化器Adam，将网络训练的初始学习率设置为0.05，每次参数更新后学习率的衰减值设为0.005。使用summary函数来输出模型的各层参数状况，从而了解网络参数量大小。

在对网络使用compile函数进行编译完成后，网络对输入的训练集样本进行学习。

步骤4.使用神经网络进行测试及对结果进行处理分析：

在网络训练结束后，使用evaluate函数对测试集的样本进行测试，得到该网络的性能，即准确率。

为了评估该神经网络对信号的识别性能，使用图形化的结果来评估该仿真结果，其中使用到了混淆矩阵图像这一结果，如图4所示，可以看到在信噪比为16dB时，大部分的信号识别率都较高，但是其中16QAM和64QAM出现了相互识别错误，WB-FM大部分被识别成了AM-DSB。

从图5可以看出，与论文《基于深度学习的调制识别算法研究》中的识别结果相比，使用复值神经网络对公开数据集通信调制信号进行识别的方法，在高信噪比的情况下，识别率提升了10％左右。

从图6可以看出，与使用传统高阶累积量提取特征，使用人工划定阈值得到的调制方式识别率相比，本发明在准确率上有相当大的优势，同时本发明在计算复杂度上也低于传统高阶累积量计算。

表 网络结构细节表

Claims (1)

1.一种基于复值神经网络的调制方式识别方法，包括以下步骤：

步骤1：处理接收信号；

对于公开数据集RML2016a，从中提取调制方式、信噪比向量、以及所有的信号样本；对所有的数据进行打乱处理，并将训练集、验证集、测试集按照一定的比例划分；

步骤2：建立复值神经网络；

复值神经网络包括两部分，第一部分依次由多层复值卷积层、复值批量标准化层、平均池化层构成，第二部分由全连接层构成；

(1)复值神经网络中对于复值卷积是使用实值来模拟复数算术，其中输入数据为h＝x+iy，卷积核矩阵为W＝A+iB，x，y为实向量，A，B为实数矩阵，复值卷积过程为：

W*h＝(A*x-B*y)+i(B*x+A*y)

其中卷积核矩阵中A、B均为1×n维的矩阵，输入x，y均为m维的输入向量；

设复值卷积层具有M个特征图，M可被2整除，为了表示复数，前M/2个特征图代表实数分量，剩余M/2个特征图来表示虚数分量；对每一层复值卷积层设置的卷积核个数为实部卷积核A或虚部卷积核B的个数；

(2)复值批量标准化层中采用下式进行标准化处理；

其中，x为输入，E[x]为x的期望；协方差矩阵V为：

分别表示x的实部和虚部；

步骤3：对复值神经网络进行训练；

设置相关参数，对神经网络进行编译后，再采用步骤1获得训练数据进行训练，直到训练完成；每次训练包括两个步骤，第一个步骤为：输入数据从输入层输入，经过传播，到达了输出层，利用交叉熵损失函数得到预测值和真实值之间的误差；第二个步骤为：针对误差，从输出层输入进行反向传播，最后到达输入层，经过每一层时逐步调整各层的权重值和偏置值，其中交叉熵损失函数为：

L(t,f(x))＝-[tlnf(x)+(1-t)ln(1-f(x))]

其中，t表示数据样本对应的标签，f(x)表示数据样本经过复值神经网络后得到的预测值；

步骤4：使用复值神经网络进行测试；

对测试集样本进行测试识别准确率，有如下计算公式：

其中，F(·)表示测试集经过复值神经网络后得到的预测标签，

x_i,y_i分别表示第i个输入样本的预测值以及第i个输入样本的真实值，N表示测试样本总数；

步骤5：采用测试通过的复值神经网络对信号的调制方式进行识别。

Images