CN111343115B - 一种5g通信调制信号识别方法及系统 - Google Patents
一种5g通信调制信号识别方法及系统 Download PDFInfo
- Publication number
- CN111343115B CN111343115B CN202010102659.3A CN202010102659A CN111343115B CN 111343115 B CN111343115 B CN 111343115B CN 202010102659 A CN202010102659 A CN 202010102659A CN 111343115 B CN111343115 B CN 111343115B
- Authority
- CN
- China
- Prior art keywords
- weight
- order cumulant
- feature
- signal
- identification
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明实施例提供一种5G通信调制信号识别方法及系统,该方法包括:对数字信号进行特征提取,得到高阶累积量特征;将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。本发明实施例相比现有技术,提高了5G通信调制信号在低信噪比下的分类正确率性能,具有较低时间复杂度的优点。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种5G通信调制信号识别方法及系统。
背景技术
在通信技术飞速发展的如今,自适应通信技术得到了广泛的应用,该技术能够连续测量信号和系统变化,自动改变系统结构和参数,使系统能够自行适应环境的变化。而自适应通信系统(adaptive communication)的实现,要求系统能够自动识别传入的信号调制类型,因此需要用到信号调制识别技术。
随着通信调制技术的不断发展变革,以及通信环境的复杂多变,特别是第五代移动通信技术(5th generation wireless systems,简称5G),调制识别技术面临着愈加严峻的挑战。调制识别是信号检测与解调之间的环节,将接收信号进行处理得到特征参量,使用算法对其进行判别,确定发送端信号的调制方式,从而为后续解调处理提供依据。
然而,由于现有的调制识别技术存在识别正确率低或者复杂度过高等问题。因此,现在亟需一种5G通信调制信号识别方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种5G通信调制信号识别方法及系统。
第一方面,本发明实施例提供了一种5G通信调制信号识别方法,包括:
对数字信号进行特征提取,得到高阶累积量特征;
将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;
对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;
基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
进一步地,所述对数字信号进行特征提取,得到高阶累积量特征,包括:
根据高阶累积量公式,对数字信号进行特征提取,获取得到高阶累积量特征,所述高阶累积量公式为:
C20=M20;
C21=M21;
C41=M41-3M20-M21;
其中,Mpq=E[X(t)(p-q)X*(t)q],X(t)表示零均值的复随机信号,X*(t)表示X(t)的共轭,X(t)表示p项,X*(t)表示q项,E表示求期望运算。
进一步地,在所述对数字信号进行特征提取,得到高阶累积量特征之后,所述方法还包括:
根据所述高阶累积量特征,获取第一特征组合方式,以根据所述第一特征组合方式对QPSK调制信号进行识别,所述第一特征组合方式为:
进一步地,所述将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征,包括:
若所述数字信号为MQAM信号,则将所述高阶累积量特征中的干扰特征和无效特征进行去除,得到所述高阶累积量特征中的有效特征,以根据所述有效特征构建降维后的高阶累积量特征。
进一步地,所述对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合,包括:
步骤S1,将第一权重和所述降维后的高阶累积量特征进行组合,得到权重特征组合数据集;
步骤S2,根据KNN分类识别算法,对所述权重特征组合数据集进行调制识别,得到初始识别正确率;
步骤S3,将所述初始识别正确率和识别正确率参考值进行对比,若所述初始识别正确率大于等于所述识别正确率参考值,则对所述第一权重和所述识别正确率参考值进行更新,得到第二权重和更新后的识别正确率参考值;
步骤S4,根据所述第一权重或所述第二权重的权重值,通过随机选取的方式,得到第三权重,将所述第三权重和所述降维后的高阶累积量特征进行组合,得到新的权重特征组合数据集,并重复步骤S2至步骤S3,直到满足预设循环次数或更新后的识别正确率参考值到达识别正确率目标值,则停止循环,得到目标权重;
步骤S5,根据所述目标权重,得到加权特征组合。
进一步地,所述基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果,
将所述加权特征组合作为距离度量输入度量公式中,得到样本点和待分类样本之间的距离,所述度量公式为:
其中,{β1C1,β2C2…βmCm}test-i表示待分类样本集的第i个特征,{β1C1,β2C2…βmCm}sample-i表示样本集的第i个特征,共n维特征,i∈n;
基于KNN算法,根据样本点和待分类样本之间的距离,对所述MQAM信号的调整类型进行识别,得到所述MQAM信号的调整类型识别结果。
进一步地,所述MQAM信号的调整类型包括16QAM、64QAM和256QAM。
第二方面,本发明实施例提供了一种5G通信调制信号识别系统,包括:
特征提取模块,用于对数字信号进行特征提取,得到高阶累积量特征;
降维模块,用于将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;
权重分配模块,用于对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;
通信调制信号识别模块,用于基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的5G通信调制信号识别方法及系统,相比现有技术,提高了5G通信调制信号在低信噪比下的分类正确率性能,具有较低时间复杂度的优点。
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一简单地介绍,显而易见地,下面描述中的附图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基于统计模式的调整识别的流程示意图;
图2为本发明实施例提供的数字通信系统的框架示意图;
图3为本发明实施例提供的5G通信调制信号识别方法的流程示意图;
图4为本发明实施例提供的现有KNN算法下的5G数字信号的识别正确率示意图;
图5为本发明实施例提供的权重取值流程示意图;
图6为本发明实施例提供的不同信噪比下的C20特征的示意图;
图7为本发明实施例提供的不同信噪比下的C21特征的示意图;
图8为本发明实施例提供的不同信噪比下的C40特征的示意图;
图9为本发明实施例提供的不同信噪比下的C41特征的示意图;
图10为本发明实施例提供的不同信噪比下的C42特征的示意图;
图11为本发明实施例提供的不同信噪比下的C60特征的示意图;
图12为本发明实施例提供的不同信噪比下的C61特征的示意图;
图13为本发明实施例提供的不同信噪比下的C62特征的示意图;
图14为本发明实施例提供的不同信噪比下的C63特征的示意图;
图15为本发明实施例提供的不同信噪比下的C80特征的示意图;
图16为本发明实施例提供的不同信噪比下的C84特征的示意图;
图17为本发明实施例提供的加权特征组合下的16QAM的识别正确率示意图;
图18为本发明实施例提供的加权特征组下的64QAM和256QAM的识别正确率示意图;
图19为本发明实施例提供的原始QPSK、T2和T3特征下的QPSK的识别正确率示意图;
图20为本发明实施例提供的提取新特效及改进KNN算法后的5G数字信号的识别正确率示意图;
图21为本发明实施例提供的三种算法对16QAM的识别正确率示意图;
图22为本发明实施例提供的三种算法对64QAM的识别正确率示意图;
图23为本发明实施例提供的三种算法对256QAM的识别正确率示意图;
图24为本发明实施例提供的5G通信调制信号识别系统的结构示意图;
图25为本发明实施例提供的电子设备结构示意图。
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作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。
调制识别方法主要分为基于决策论和基于统计模式的调制识别方法两大类。其中,基于决策论的调制识别以贝叶斯理论为核心算法,基于贝叶斯理论,以最大似然(Maximum likelihood,简称ML)分类器、平均似然比检验(Mean likelihood ratio test,简称alrt)、广义似然比检验(Generalized likelihood ratio test,简称glrt)和混合似然比检验(Mixed likelihood ratio test,简称hlrt)最为常用;另一大类就是基于统计模式的调制识别,图1为本发明实施例提供的基于统计模式的调整识别的流程示意图,可参考图1所示,该方法核心难点部分为特征提取部分,同时分类器的选择也是一个关键点,这一部分为应用机器学习的部分。并且,现有的方法除了瞬时特征以外,均结合了机器学习,而基于瞬时特征的调制识别方法主要针对模拟域信号。
现有基于高阶累积量的分类方法有很多,主要有决策树、K近邻算法(k-nearestneighbor,简称KNN)、支持向量机(Support Vector Machines,简称SVM)、聚类算法、(Convolutional Neural Networks,简称CNN)、深度学习、字典学习以及上述方法的组合。其中,决策树为最经典的分类识别方法,基于构建好的决策树,在每一个判决节点根据选定的特征参数将接收的信号进行分类,经过层层判决到达某一个判决结果,决策树的方法结构清晰,实现起来较为容易,但是判决节点选定的判决参数及其出现顺序对整棵决策树的性能影响很大,对于特征参数差异不大的接收信号判决能力有限;KNN算法是一种监督学习方法,因其精度高,对异常值不敏感等优点而得到了广泛的应用,在本发明实施例中,基于加权特征组合,对KNN算法进行了改进;SVM通过一个非线性变换(核函数)把原始低维空间的样本变换到一个更高维度的空间,然后在该高维空间中寻找一个最优的线性划分超平面,并要求两个异类支持向量之间的距离最大化,较好地实现了结构风险最小化的思想,但是其时间复杂度很高;聚类算法(星座聚类)是一种典型的无监督学习,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来解释数据的内在性质及规律,然而,星座聚类的方法抗噪声性能很差,即使做了相应的优化,在低SNR条件下,依旧准确率较低;CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks),是深度学习的代表算法之一;字典学习,又称稀疏编码,将普通稠密表达的样本转化为合适的稀疏表达形式,从而使学习任务得以简化,模型复杂度得以降低。
现有的5G通信系统的调制方式有二进制相移键控技术(Binary Phase ShiftKeying,简称BPSK)、正交相移键控(Quadrature Phase Shift Keying,简称QPSK)、多进制正交幅度调制(Multiple Quadrature Amplitude Modulation,简称MQAM),本发明实施例针对5G通信系统场景,提出了一种基于高阶累积量的QPSK新组合特性,对比已有的QPSK识别特征组合,取得了显著的正确识别率性能提升;进一步,针对MQAM的识别,提出了一种基于加权特征组合的改进KNN算法,该算法利用信号的二阶、四阶、六阶和八阶累积量特征,并结合改进的KNN算法,针对MQAM中的16QAM、64QAM和256QAM这些高阶QAM调制,以实现信号识别。通过仿真结果表明,该算法具有改善低信噪比下的分类正确率性能和较低时间复杂度的优点。
进一步地,图2为本发明实施例提供的数字通信系统的框架示意图,可参考图2所示,在传统通信中,经过信道之后,在调制识别过程中,接收端进行解调和信道解码等操作需要人为地确定数字调制类型,而在结合了机器学习的基于统计模式的调制自动识别方法中,就不再需要人工识别,本发明实施例为在调制识别过程中结合机器学习的自动调制识别算法;另外,在众多结合机器学习的调制识别算法中,本发明实施例采用了一种基于加权特征组合的改进KNN算法,在接收端的调制识别过程重(星标部分)进行调制信号的识别,本发明实施例在时间复杂度和正确率方面相对于其他算法都做了相应的优化。
图3为本发明实施例提供的5G通信调制信号识别方法的流程示意图,如图3所示,本发明实施例提供了一种5G通信调制信号识别方法,包括:
步骤101,对数字信号进行特征提取,得到高阶累积量特征;其中,所述对数字信号进行特征提取,得到高阶累积量特征,具体包括:
根据高阶累积量公式,对数字信号进行特征提取,获取得到高阶累积量特征,所述高阶累积量公式为:
C20=M20;
C21=M21;
C41=M41-3M20-M21;
其中,Mpq=E[X(t)(p-q)X*(t)q],X(t)表示零均值的复随机信号,X*(t)表示X(t)的共轭,X(t)表示p项,X*(t)表示q项,E表示求期望运算。
在本发明实施例中,对于一个具有零均值的复随机过程X(t),其高阶矩定义为:
Mpq=E[X(t)(p-q)X*(t)q];
在此基础上,定义高阶累积量为:
Cpq=cum(X(t)p-q,X*(t)q);
其中,cum表示联合累积量,*表示函数的共轭;
定义n维随机矢量x=[x1,x2…xn]T的特征函数为:
其中,ω=[ω1,ω2…ωn]T,进一步地,定义联合累积量cum为:
若随机变量均值为零,且服从高斯分布,那么有:
当k≥3时,高阶累积量恒为零,故具有抗干扰的优点。本发明实施例使用高阶累积量作为调制识别基础,可抵消高斯噪声的影响。
具体地,通过上述实施例的高阶累积量公式,定义各阶累积量为(计算到了八阶累积量),假设发送码元服从独立同分布,在理想情况下,用高阶累积量公式可得出数字调制信号的理论高阶累量值,结果可参考表1所示:
表1
BPSK | QPSK | 16QAM | 64QAM | 256QAM | |
C20 | 1 | 0 | 0 | 0 | 0 |
C21 | 1 | 1 | 1 | 1 | 1 |
C40 | 2 | 1 | 0.68 | 0.62 | 0.6 |
C41 | 2 | 0 | 0 | 0 | 0 |
C42 | 2 | 1 | 0.68 | 0.62 | 0.6 |
C60 | 16 | 0.36 | 0.27 | 0.26 | 0.25 |
C61 | 16 | 4 | 2.08 | 1.8 | 1.7 |
C62 | 16 | 0.25 | 0.22 | 0.2 | 0.2 |
C63 | 16 | 4 | 2.08 | 1.8 | 1.8 |
C80 | 272 | 34 | 14 | 11.9 | 10.5 |
C84 | 244 | 18 | 17 | 24 | 25.6 |
步骤102,将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;
步骤103,对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;
步骤104,基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
在本发明实施例中,首先对现有的KNN算法进行说明,KNN算法是一种监督学习方法,输入是实例的特征向量,对应于特征空间的点,输出是实例的类别,可以取多类。其原理可以描述为,给定测试样本,基于预设距离度量找出训练集中与其最靠近的k个训练样本,然后基于这k个最靠近的训练样本的信息来进行预测。通常,在分类任务中可使用“投票法”,即选择这k个样本中出现最多的类别标记作为预测结果,整个KNN算法过程可表述为:
1、计算已知类别中数据集的点与当前点的距离(即计算所有样本点跟待分类样本之间的距离);
2、按照距离递增次序排序(在样本距离计算完成之后,进行排序);
3、选取与当前点距离最小的k个点(选取距离样本最近的k个点);
4、确定前k个点所在类别的出现频率(针对这k个点,统计下各个类别分别有多少个);
5、返回前k个点出现频率最高的类别作为当前点的预测分类(k个点中某个类别最多,就将样本划归为该类别)。
在数字信号调制识别中,距离度量采用欧氏距离,公式为:
其中,m表示特征维度,共n维。
具体地,现有KNN算法方法下的5G调制信号识别情况为:
将提取的各阶累积量的特征值输入到KNN算法中,即特征维度m取11,KNN参数k取10,样本总数为500,测试样本每一种数字调制信号各取1000,仿真得到5G通信中的数字调制信号识别情况。图4为本发明实施例提供的现有KNN算法下的5G数字信号的识别正确率示意图。
在上述实施例的基础上,所述将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征,包括:
若所述数字信号为MQAM信号,则将所述高阶累积量特征中的干扰特征和无效特征进行去除,得到所述高阶累积量特征中的有效特征,以根据所述有效特征构建降维后的高阶累积量特征。
在上述实施例的基础上,所述对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合,包括:
步骤S1,将第一权重和所述降维后的高阶累积量特征进行组合,得到权重特征组合数据集;
步骤S2,根据KNN分类识别算法,对所述权重特征组合数据集进行调制识别,得到初始识别正确率;
步骤S3,将所述初始识别正确率和识别正确率参考值进行对比,若所述初始识别正确率大于等于所述识别正确率参考值,则对所述第一权重和所述识别正确率参考值进行更新,得到第二权重和更新后的识别正确率参考值;
步骤S4,根据所述第一权重或所述第二权重的权重值,通过随机选取的方式,得到第三权重,将所述第三权重和所述降维后的高阶累积量特征进行组合,得到新的权重特征组合数据集,并重复步骤S2至步骤S3,直到满足预设循环次数或更新后的识别正确率参考值到达识别正确率目标值,则停止循环,得到目标权重;
步骤S5,根据所述目标权重,得到加权特征组合。
在本发明实施例中,针对高阶QAM调制(16QAM、64QAM和256QAM),提出改进后的KNN算法。由于现有KNN算法本身需要计算大量维度特征的距离,而且现有KNN算法的泛化错误率不超过贝叶斯最有分类器的错误率的两倍,基于这个优良特性是一个重要的假设:任意测试样本x附近任意小的δ距离范围内,总能找到一个训练样本,即训练样本的采样密度足够大,或成为“密采样”。然而,这个假设在现实任务中通常很难满足,例如,δ=0.01,仅考虑单个属性,则仅需100个样本点平均分布在归一化后的属性取值范围内,即可使得任意测试样本在其附近0.01距离范围内,总能找到一个训练样本,此时,最近邻分类器的错误率不超过贝叶斯最有分类器的错误率的两倍。然而,这仅是属性维度为1的情形,若有更多的属性,则情况会发生显著变化。假如属性维度为10,若要求样本满足密采样条件,则至少需要(102)10=1020个样本。现实应用中属性维度经常成百上千,要满足密采样条件所需要的样本数目是无法达到的天文数字。此外,许多机器学习的方法都涉及到距离计算,而高维空间会给距离带来很大的麻烦,例如,当维数很高时甚至连计算内积都不再容易。
实际上,在高维情形下,由于特征维度k过大而导致的数据样本稀疏、距离计算复杂度急剧增大等问题,是现有KNN方法面临的严重障碍,被称为“维数灾难”。缓解维数灾难的一个重要途径是降维,又名“维数简约”,即通过相应的方法将原始高维属性空间转变为一个低维的“子空间”,在这个子空间中样本密度大幅提高,距离计算也变得更为容易。而之所以能进行降维处理,这是因为在很多实际场景中,观测或者收集到的数据样本虽是高维的,但与学习任务密切相关的也许只是某个低维分布,即一个高维空间中的一个低维嵌入。并且在现有KNN算法的具体实现中,为了达到更优的分类效果,可以对各个属性分配不同的权重。
在上述实施例的基础上,改进后的距离度量如下:
其中,{feature}表示特征集,m表示特征集维度,共n维。
基于此理论基础,本发明实施例通过先降维,再对降维得到的有效特征进行加权组合,从而得到改进后的KNN算法。
进一步地,在本发明实施例中,对上述实施例提取得到的n个高阶累积量特征进行如下处理:首先,将能与第一预设调制类型(不同调制类型的高阶累积量特征C在不同信噪比下的取值不会出现大范围重叠或者交叉)分开的调制类型的特征作为有效特征,将与第二调制类型混杂(不同调制类型的高阶累积量特征C在不同信噪比下的取值出现大范围交叉)或者无法区分(不同调制类型的高阶累积量特征C在不同信噪比下的取值出现大范围重叠)调制类型的特征作为干扰特征和无效特征;然后,去掉上述不利于调制识别的干扰特征及无效特征,提取有利于调制识别的有效特征,即降维处理;接着,将得到的降维后有效的高阶累积量特征C1,C2…Cm(m个)输入到下一环节(其中,m<n)。
进一步地,在对高阶累积量特征进行降维处理之后,得到有效特征C1,C2…Cm,再对有效特征分配不同的权重(区别于现有KNN的权重均为1),即得到有效特征的加权特征组合{β1C1,β2C2…βmCm},其中,针对已知调制类型的训练集进行训练,通过训练得到β1,β2…βm的取值,权重β的选取具体步骤如下:
输入:一组初始权重β'1,β'2…β'm;
参考值γ(取0.5);
循环次数N;
t=0;
输出:权重β1,β2…βm。
图5为本发明实施例提供的权重取值流程示意图,可参考图5所示,设定一组初始权重β'1,β'1…β'm(β1,β2…βm的默认取值为初始权重β'1,β'2…β'm,如),并与降维后的高阶累积量特征进行组合;然后,将该组初始权重特征组合{β'1C1,β'2C2…β'mCm}输入到KNN分类识别模块(KNN算法)中进行调制识别;接着,将得到的识别正确率α与识别正确率参考值γ对比,如果识别正确率α大于等于识别正确率参考值γ,则更新权重β1,β2…βm的值以及识别正确率参考值γ的值,如果识别正确率α小于识别正确率参考值γ,则权重β1,β2…βm和识别正确率参考值γ不更新。
进一步地,再随机取一组β'1,β'2…β'm形成一组新的权重(可根据第一权重或第二权重的权重值,通过随机选取的方式得到),将该新的权重再次和降维后的高阶累积量特征进行组合,得到新的权重特征组合数据集;然后,将新的权重特征组合数据集再次经过上述步骤的循环处理,当循环次数达到N次或者识别正确率参考值γ达到目标值时,循环退出;最后,输出β1,β2…βm的取值,得到{β1C1,β2C2…βmCm}加权特征组合。
在本发明实施例中,对大量的训练集进行以上步骤的训练,最终筛选出该调制类型下鲁棒性较好的识别正确率最高的加权特征组合,即确定出β1,β2…βm的取值参数,该过程是一个动态调节的过程。每一种调制类型均可训练获得一组加权特征组合{β1C1,β2C2…βmCm}i,将训练获得的最优加权特征组合输入到下一环节。
在上述实施例的基础上,所述基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果,
将所述加权特征组合作为距离度量输入度量公式中,得到样本点和待分类样本之间的距离,所述度量公式为:
其中,{β1C1,β2C2…βmCm}test-i表示待分类样本集的第i个特征,{β1C1,β2C2…βmCm}sample-i表示样本集的第i个特征,共n维特征,i∈n;
基于KNN算法,根据样本点和待分类样本之间的距离,对所述MQAM信号的调整类型进行识别,得到所述MQAM信号的调整类型识别结果。
在上述实施例的基础上,所述MQAM信号的调整类型包括16QAM、64QAM和256QAM。
进一步地,在本发明实施例中,将得到的加权特征组合作为新的距离度量,代入改进后的度量表达式:
并结合KNN的基本原理,即可对MQAM信号的调制类型进行有效识别。
本发明实施例提供的5G通信调制信号识别方法,相比现有技术,提高了5G通信调制信号在低信噪比下的分类正确率性能,具有较低时间复杂度的优点。
在本发明一实施例中,通过一具体实施例进行说明,通信环境为高斯信道,首先,根据高阶累积量公式:
C20=M20;
C21=M21;
C41=M41-3M20-M21;
计算得到八阶累积量的共计11个特征,并进行独立的蒙特卡洛实验,得到不同SNR下MQAM的C20~C84特征。
具体地,图6为本发明实施例提供的不同信噪比下的C20特征的示意图,图7为本发明实施例提供的不同信噪比下的C21特征的示意图,可参考图6和图7所示,由于C20特性在5dB之后呈现交叠混杂的现象,完全不利于MQAM的区分,甚至起到了干扰的效果;而C21特性在不同信噪比下的特性呈现紧密一致的特性,对MQAM的区分没有贡献,为无用特性。
图8为本发明实施例提供的不同信噪比下的C40特征的示意图,图9为本发明实施例提供的不同信噪比下的C41特征的示意图,可参考图8和图9所示,观察C40特性在5dB之后呈现分层的现象,尤其是16QAM可区别于其他类型,这就是提取到的一个有用特性;C41特性情况与C20一致,也为无用特性。图10为本发明实施例提供的不同信噪比下的C42特征的示意图,图11为本发明实施例提供的不同信噪比下的C60特征的示意图,图12为本发明实施例提供的不同信噪比下的C61特征的示意图,图13为本发明实施例提供的不同信噪比下的C62特征的示意图,图14为本发明实施例提供的不同信噪比下的C63特征的示意图,图15为本发明实施例提供的不同信噪比下的C80特征的示意图,图16为本发明实施例提供的不同信噪比下的C84特征的示意图,可参考图10至图16所示,基于上述实施例中的特性分析,存在干扰特征C20,C41,C60,C62,在调制识别的时候去掉这些特征,同时提取出有效特征C40,C61,C63,C80,C84。
在上述实施例的基础上,现有KNN算法里的距离度量是每个维度的权重相等均为1,在本发明实施例中,首先需要做预处理,以便达到更好的效果,除了上述实施例中的对多属性先进行降维处理,以免无意义数据淹没有意义数据,进一步地,对各属性分配不同的权重,从而达到提高准确率的目的。在本发明实施例中,以在16QAM的调制识别进行说明,进行如下操作:
输入:一组初始权重β'1=β'2=β'3=β'4=β'5=0.2;
参考值γ(取0.5);
循环次数N(取1e3);
t=0;
输出:权重β1,β2…β5;
具体地,在本发明实施例中,步骤为:
步骤10,设定一组初始权重β'1=β'2=β'3=β'4=β'5=0.2(β1,β2…β5的默认取值为初始权重β'1,β'2…β'5);
步骤20,通过KNN分类识别算法,对该组初始权重的特征组合{0.2C40,0.2C61,0.2C63,0.2C80,0.2C84}进行调制识别;
步骤30,将得到的识别正确率α与识别正确率参考值γ对比,如果识别正确率α大于等于识别正确率参考值γ,则更新权重β1,β2…β5的值以及识别正确率参考值γ的值;如果识别正确率α小于识别正确率参考值γ,则权重β1,β2…β5和识别正确率参考值γ不更新;
步骤50,输出β1,β2…β5的取值,得到{β1C1,β2C2…β5C5}加权特征组合。
在本发明实施例中,对大量的训练集进行以上步骤的训练,最终筛选出该调制类型下鲁棒性较好的识别正确率最高的加权特征组合,从而确定出β1,β2…β5的取值为β1=0.5,β2=0.2,β3=0.3,β4=0,β5=0,得到{0.5C40,0.2C61,0.3C63}加权特征组合。需要说明的是,在64QAM及256QAM的调制识别中,它们的特征区别不大,根据推理可通过对C80和C84两个特性平方放大它们的差异,即
进一步地,将上述实施例得到的加权特征组合代入距离度量表达式中,
结合KNN算法原理,即可对MQAM的调制类型进行有效识别。图17为本发明实施例提供的加权特征组合下的16QAM的识别正确率示意图,图18为本发明实施例提供的加权特征组下的64QAM和256QAM的识别正确率示意图,可参考图17和图18所示,本发明实施例在SNR为5时,可完全识别出16QAM、64QAM和256QAM这三种调制类型。
在上述实施例的基础上,在所述对数字信号进行特征提取,得到高阶累积量特征之后,所述方法还包括:
根据所述高阶累积量特征,获取第一特征组合方式,以根据所述第一特征组合方式对QPSK调制信号进行识别,所述第一特征组合方式为:
在本发明实施例中,图19为本发明实施例提供的原始QPSK、T2和T特征下的QPSK的识别正确率示意图,可参考图19所示,对于QPSK调制,现有采用的特征组合方式为所取得的识别效果较差,而本发明实施例基于BPSK的特征组合启发,提出了一种新的特征组合方式使得该特征下QPSK的表现与其他几种数字调制信号明显不同,仿真验证T特征的QPSK识别正确率要明显优于T2特征。图20为本发明实施例提供的提取新特效及改进KNN算法后的5G数字信号的识别正确率示意图,可参考图20所示,改进后的KNN方案相比起现有KNN算法,通过先降维去除干扰无用特性,再对有效特征进行加权组合的方法,大大提高了高阶调制识别的正确率,同时还解决了过高维度时的距离计算复杂问题,缓解了“维数灾难”,降低了原始KNN算法的空间复杂度。
进一步地,将本发明实施例提供的5G通信调制信号识别方法与现有的几种方法进行对比,图21为本发明实施例提供的三种算法对16QAM的识别正确率示意图,图22为本发明实施例提供的三种算法对64QAM的识别正确率示意图,图23为本发明实施例提供的三种算法对256QAM的识别正确率示意图,可参考图22至图23所示,现有的星座聚类方法抗噪声性能很差,即使做了相应的优化,低SNR条件下,依旧准确率很低。SVM的方法识别准确度与本发明实施例的准确度近似,但是时间复杂度大大增高。仿真实验中,取同样数量的样本数据集,本发明实施例的时间是9分钟,而SVM需要341分钟。需要说明的是,在本发明实施例中,由于BPSK和QPSK为低阶调制,三种方法均可取得不错的效果,差距较小,故本发明实施例重点对比高阶QAM调制,即16QAM、64QAM和256QAM的三种方法的性能。
图24为本发明实施例提供的5G通信调制信号识别系统的结构示意图,如图24所示,本发明实施例提供了一种5G通信调制信号识别系统,包括特征提取模块2401、降维模块2402、权重分配模块2403和通信调制信号识别模块2404,其中,特征提取模块2401用于对数字信号进行特征提取,得到高阶累积量特征;降维模块2402用于将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;权重分配模块2403用于对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;通信调制信号识别模块2404用于基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
本发明实施例提供的5G通信调制信号识别系统,相比现有技术,提高了5G通信调制信号在低信噪比下的分类正确率性能,具有较低时间复杂度的优点。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图25为本发明实施例提供的电子设备结构示意图,参照图25,该电子设备可以包括:处理器(processor)2501、通信接口(Communications Interface)2502、存储器(memory)2503和通信总线2504,其中,处理器2501,通信接口2502,存储器2503通过通信总线2504完成相互间的通信。处理器2501可以调用存储器2503中的逻辑指令,以执行如下方法:对数字信号进行特征提取,得到高阶累积量特征;将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
此外,上述的存储器2503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的5G通信调制信号识别方法,例如包括:对数字信号进行特征提取,得到高阶累积量特征;将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (8)
1.一种5G通信调制信号识别方法,其特征在于,包括:
对数字信号进行特征提取,得到高阶累积量特征;
将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;
对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;
基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果;
其中,所述对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合,包括:
步骤S1,将第一权重和所述降维后的高阶累积量特征进行组合,得到权重特征组合数据集;
步骤S2,根据KNN分类识别算法,对所述权重特征组合数据集进行调制识别,得到初始识别正确率;
步骤S3,将所述初始识别正确率和识别正确率参考值进行对比,若所述初始识别正确率大于等于所述识别正确率参考值,则对所述第一权重和所述识别正确率参考值进行更新,得到第二权重和更新后的识别正确率参考值;
步骤S4,根据所述第一权重或所述第二权重的权重值,通过随机选取的方式,得到第三权重,将所述第三权重和所述降维后的高阶累积量特征进行组合,得到新的权重特征组合数据集,并重复步骤S2至步骤S3,直到满足预设循环次数或更新后的识别正确率参考值到达识别正确率目标值,则停止循环,得到目标权重;
步骤S5,根据所述目标权重,得到加权特征组合;
所述基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果,
将所述加权特征组合作为距离度量输入度量公式中,得到样本点和待分类样本之间的距离,所述度量公式为:
其中,{β1C1,β2C2…βmCm}test-i表示待分类样本集的第i个特征,{β1C1,β2C2…βmCm}sample-i表示样本集的第i个特征,共n维特征,i∈n;
基于KNN算法,根据样本点和待分类样本之间的距离,对MQAM信号的调整类型进行识别,得到所述MQAM信号的调整类型识别结果。
4.根据权利要求2所述的5G通信调制信号识别方法,其特征在于,所述将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征,包括:
若所述数字信号为MQAM信号,则将所述高阶累积量特征中的干扰特征和无效特征进行去除,得到所述高阶累积量特征中的有效特征,以根据所述有效特征构建降维后的高阶累积量特征。
5.根据权利要求4所述的5G通信调制信号识别方法,其特征在于,所述MQAM信号的调整类型包括16QAM、64QAM和256QAM。
6.一种5G通信调制信号识别系统,其特征在于,包括:
特征提取模块,用于对数字信号进行特征提取,得到高阶累积量特征;
降维模块,用于将所述高阶累积量特征进行降维处理,得到降维后的高阶累积量特征;
权重分配模块,用于对所述降维后的高阶累积量特征进行权重分配,得到加权特征组合;
通信调制信号识别模块,用于基于KNN算法,根据所述加权特征组合,获取所述数字信号的调制类型识别结果;
其中,所述权重分配模块,包括:
步骤S1,将第一权重和所述降维后的高阶累积量特征进行组合,得到权重特征组合数据集;
步骤S2,根据KNN分类识别算法,对所述权重特征组合数据集进行调制识别,得到初始识别正确率;
步骤S3,将所述初始识别正确率和识别正确率参考值进行对比,若所述初始识别正确率大于等于所述识别正确率参考值,则对所述第一权重和所述识别正确率参考值进行更新,得到第二权重和更新后的识别正确率参考值;
步骤S4,根据所述第一权重或所述第二权重的权重值,通过随机选取的方式,得到第三权重,将所述第三权重和所述降维后的高阶累积量特征进行组合,得到新的权重特征组合数据集,并重复步骤S2至步骤S3,直到满足预设循环次数或更新后的识别正确率参考值到达识别正确率目标值,则停止循环,得到目标权重;
步骤S5,根据所述目标权重,得到加权特征组合;
所述通信调制信号识别模块,包括:
将所述加权特征组合作为距离度量输入度量公式中,得到样本点和待分类样本之间的距离,所述度量公式为:
其中,{β1C1,β2C2…βmCm}test-i表示待分类样本集的第i个特征,{β1C1,β2C2…βmCm}sample-i表示样本集的第i个特征,共n维特征,i∈n;
基于KNN算法,根据样本点和待分类样本之间的距离,对MQAM信号的调整类型进行识别,得到所述MQAM信号的调整类型识别结果。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述5G通信调制信号识别方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述5G通信调制信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102659.3A CN111343115B (zh) | 2020-02-19 | 2020-02-19 | 一种5g通信调制信号识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102659.3A CN111343115B (zh) | 2020-02-19 | 2020-02-19 | 一种5g通信调制信号识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111343115A CN111343115A (zh) | 2020-06-26 |
CN111343115B true CN111343115B (zh) | 2021-06-29 |
Family
ID=71188129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010102659.3A Active CN111343115B (zh) | 2020-02-19 | 2020-02-19 | 一种5g通信调制信号识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111343115B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910813B (zh) * | 2021-04-10 | 2022-09-06 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN113904902B (zh) * | 2021-09-18 | 2022-11-01 | 北京理工大学 | 信号调制类型的识别方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
KR101235059B1 (ko) * | 2011-12-05 | 2013-02-19 | 국방과학연구소 | 레이더 신호 변조 형태 식별 장치 및 방법 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107276938A (zh) * | 2017-06-28 | 2017-10-20 | 北京邮电大学 | 一种数字信号调制方式识别方法及装置 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN110798275A (zh) * | 2019-10-16 | 2020-02-14 | 西安科技大学 | 一种矿井多模无线信号精确识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8149899B2 (en) * | 2008-11-26 | 2012-04-03 | Advanced Receiver Technologies, Llc | Efficient despread and respread of multi-rate CDMA signals |
CN103780462B (zh) * | 2014-01-22 | 2016-09-28 | 中国人民解放军理工大学 | 基于高阶累积量和谱特征的卫星通信信号调制识别方法 |
CN109274625B (zh) * | 2018-11-12 | 2020-06-19 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN110300078B (zh) * | 2019-07-01 | 2021-04-27 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
-
2020
- 2020-02-19 CN CN202010102659.3A patent/CN111343115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101235059B1 (ko) * | 2011-12-05 | 2013-02-19 | 국방과학연구소 | 레이더 신호 변조 형태 식별 장치 및 방법 |
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
CN107276938A (zh) * | 2017-06-28 | 2017-10-20 | 北京邮电大学 | 一种数字信号调制方式识别方法及装置 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN110798275A (zh) * | 2019-10-16 | 2020-02-14 | 西安科技大学 | 一种矿井多模无线信号精确识别方法 |
Non-Patent Citations (1)
Title |
---|
"基于深度学习的调制样式识别算法研究";杨安锋;《中国优秀硕士学位论文全文数据库》;20190131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111343115A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
Güner et al. | Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features | |
Muhlbaier et al. | Learn $^{++} $. NC: Combining Ensemble of Classifiers With Dynamically Weighted Consult-and-Vote for Efficient Incremental Learning of New Classes | |
CN109274625B (zh) | 一种信息调制方式确定方法、装置、电子设备及存储介质 | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
Li et al. | Research on modulation identification of digital signals based on deep learning | |
CN109086653B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
CN111343115B (zh) | 一种5g通信调制信号识别方法及系统 | |
Jdid et al. | Robust automatic modulation recognition through joint contribution of hand-crafted and contextual features | |
CN115546558A (zh) | 一种电气设备绝缘故障状态分类方法、装置及存储介质 | |
Si et al. | Dynamic topology representing networks | |
CN108985442B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
CN111224905A (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
Wei et al. | Automatic modulation recognition using neural architecture search | |
CN114841296A (zh) | 设备聚类方法、终端设备以及存储介质 | |
CN111291810A (zh) | 基于目标属性解耦的信息处理模型生成方法及相关设备 | |
Michalak et al. | Correlation-based feature selection strategy in neural classification | |
CN114417095A (zh) | 一种数据集划分方法及装置 | |
Lu et al. | Communication signal modulation mechanism based on artificial feature engineering deep neural network modulation identifier | |
CN111639680A (zh) | 一种基于专家反馈机制的身份识别方法 | |
CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
Koza et al. | Two Semi-supervised Approaches to Malware Detection with Neural Networks. | |
Kumar et al. | 2D-FFT based modulation classification using deep convolution neural network | |
Masuyama et al. | Multi-label classification based on adaptive resonance theory |
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 |