CN111464468A - 信号调制模式识别方法、装置、设备和可读存储介质 - Google Patents

信号调制模式识别方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN111464468A
CN111464468A CN202010135562.2A CN202010135562A CN111464468A CN 111464468 A CN111464468 A CN 111464468A CN 202010135562 A CN202010135562 A CN 202010135562A CN 111464468 A CN111464468 A CN 111464468A
Authority
CN
China
Prior art keywords
signal
convolutional
pattern recognition
modulation pattern
identified
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.)
Pending
Application number
CN202010135562.2A
Other languages
English (en)
Inventor
贡毅
曾媛
张猛
韩菲
韩子栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Southern University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202010135562.2A priority Critical patent/CN111464468A/zh
Publication of CN111464468A publication Critical patent/CN111464468A/zh
Pending legal-status Critical Current

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
    • G06N3/045—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)

Abstract

本发明公开了一种信号调制模式识别方法、装置、设备和可读存储介质。方法包括：对接收到的待识别信号进行短时傅里叶变换得到所述待识别信号的时频图；将所述时频图输入训练好的卷积神经网络模型中，输出所述待识别信号的调制模式识别结果。本发明能够有效地对信号进行调制模式识别。

Description

信号调制模式识别方法、装置、设备和可读存储介质
技术领域
本发明涉及通信技术领域，尤其是涉及一种信号调制模式识别方法、装置、设备和可读存储介质。
背景技术
信号调制模式识别是信号检测和信号解调之间的重要步骤，其目的在于，在没有其他先验知识的情况下，通过对接收信号的处理，判断出信号的调制方式，在信号检测、诈骗评估及频谱检测领域中有重要作用。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种信号调制模式识别方法，能够有效地对信号进行调制模式识别。
本发明还提出一种信号调制模式识别装置。
本发明还提出一种信号调制模式识别设备。
本发明还提出一种计算机可读存储介质。
第一方面，本发明的一个实施例提供了一种信号调制模式识别方法：包括：
对接收到的待识别信号进行短时傅里叶变换得到所述待识别信号的时频图；
将所述时频图输入训练好的卷积神经网络模型中，输出所述待识别信号的调制模式识别结果。
本发明实施例的种信号调制模式识别方法至少具有如下有益效果：通过短时傅里叶变换对信号进行时频分析，将信号在二维时频维度上表征，并通过卷积神经网络进行调制模式识别，提高了调制识别的准确度。
根据本发明的另一些实施例的信号调制模式识别方法，，还包括对所述待识别信号进行降噪处理，所述降噪处理包括对所述待识别信号进行高斯滤波。
进一步地，所述卷积神经网络模型包括第一卷积层、第二卷积层、第三卷积层和第四卷积层，所述第一卷积层滤波器的数量为64，卷积核的大小为3*3，所述第二卷积层滤波器的大小为32，卷积核的大小为3*3，所述第三卷积层滤波器的大小为12，卷积核的大小为3*3、所述第四卷积层滤波器的大小为8，卷积核的大小为3*3。
进一步地，所述第一卷积层、所述第二卷积层和所述第三卷积层后为最大池化层。
进一步地，所述卷积神经网络模型还包括全连接层。
进一步地，所述卷积神经网络模型的激活函数为ReLU函数。
进一步地，所述卷积神经网络模型训练中包括使用随机梯度下降法网络最小化交叉熵损失函数。
第二方面，本发明的一个实施例提供了一种信号调制模式识别装置:包括：
信号表征模块，用于输出待识别信号的时频图；
卷积神经网络模式识别模块，用于将所述时频图输入训练好的卷积神经网络模型中，输出所述信号的调制模式识别结果。
第三方面，本发明的一个实施例提供了一种信号调制模式识别设备:包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的信号调制模式识别方法。
第四方面，本发明的一个实施例提供了一种信号调制模式识别设备:所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的信号调制模式识别方法。
附图说明
图1是本发明实施例中一种信号调制模式识别方法的一具体实施例流程示意图；
图2是是本发明实施例中一种信号调制模式识别方法的又一具体实施例流程示意图；
图3是本发明实施例中一种信号调制模式识别方法中卷积神经网络模型的示意图；
图4是本发明实施例中信号调制模式识别装置的一具体实施例模块框图；
图5是本发明实施例中信号调制模式识别装置的又一具体实施例模块框图。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。
在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1，示出了本发明实施例中一种信号调制模式识别方法的流程示意图。其具体包括步骤：
S1，对接收到的待识别信号进行短时傅里叶变换得到所述待识别信号的时频图；
S2，将所述时频图输入训练好的卷积神经网络模型中，输出所述待识别信号的调制模式识别结果。
通过短时傅里叶变换将待识别信号表征为时频图，将一维的调制信号转换为二维的频谱图像，能够提取信号频率随时间的变化特征，提供丰富的空间表征。卷积神经网络能够有效提取数据的空间特征，通过卷积神经网络模型对信号进行调制模式识别，准确率高。
在另一个实施例中，短时傅里叶变换选定的窗函数的帧长为40个样本，Hann窗口重叠率为90％。
参照图2，在另一个实施例中还包括步骤S0，所述待识别信号进行降噪处理，所述降噪处理包括对所述待识别信号进行高斯滤波，通过对信号进行降噪处理有助于增强信号在频域范围内的表征，提高调制模式识别的成功率。
参照图3，图3是本发明实施例中一种信号调制模式识别方法中卷积神经网络模型的示意图，本实施例中卷积神经网络包含一个输入层和四个卷积层，前三层的卷积层后为最大池化层、最大池化层后为全连接层和softmax层，softmax层后输出估计的信号调制模式方法。
激活函数为ReLU函数，输入时频图尺寸为100*100*3，第一卷积层102～第四卷积层108滤波器的数量分别为64、32、12、8，卷积核的大小均为3*3，最大池化层的池的大小为(2*2)，全连接层有128个神经元构成，使用随机梯度下降训练网络以最小化交叉熵损失函数。
训练中，学习率从0：0005开始，每100次迭代除以10，当验证损失在15次迭代中没有减少时，停止训练过程，并以最小的验证损失保存训练后的模型，作为最终的卷积神经网络模型。
参照图4，本发明实施例中还提出了一种信号调制模式识别装置，包括：
信号表征模块，用于输出待识别信号的时频图；
卷积神经网络模式识别模块，用于将所述时频图输入训练好的卷积神经网络模型中，输出所述信号的调制模式识别结果。
如图5所示，在另一个实施例中，还包括降噪模块，用于对所述待识别信号进行降噪处理，所述降噪处理包括对所述待识别信号进行高斯滤波。
本发明实施例中还包括一种信号调制模式识别设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的信号调制模式识别方法。
本发明实施例中还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的信号调制模式识别方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (10)

1.一种信号调制模式识别方法，其特征在于，包括：
对接收到的待识别信号进行短时傅里叶变换得到所述待识别信号的时频图；
将所述时频图输入训练好的卷积神经网络模型中，输出所述待识别信号的调制模式识别结果。
2.根据权利要求1所述的一种信号调制模式识别方法，其特征在于，还包括对所述待识别信号进行降噪处理，所述降噪处理包括对所述待识别信号进行高斯滤波。
3.根据权利要求1所述的一种信号调制模式识别方法，其特征在于，所述卷积神经网络模型包括第一卷积层、第二卷积层、第三卷积层和第四卷积层，所述第一卷积层滤波器的数量为64，卷积核的大小为3*3，所述第二卷积层滤波器的大小为32，卷积核的大小为3*3，所述第三卷积层滤波器的大小为12，卷积核的大小为3*3、所述第四卷积层滤波器的大小为8，卷积核的大小为3*3。
4.根据权利要求3所述的一种信号调制模式识别方法，其特征在于，所述第一卷积层、所述第二卷积层和所述第三卷积层后为最大池化层。
5.根据权利要求3所述的一种信号调制模式识别方法，其特征在于，所述卷积神经网络模型还包括全连接层和softmax层。
6.根据权利要求1至5任一项所述的一种信号调制模式识别方法，其特征在于，所述卷积神经网络模型的激活函数为ReLU函数。
7.根据权利要求1至5任一项所述的一种信号调制模式识别方法，其特征在于，所述卷积神经网络模型训练中包括使用随机梯度下降法网络最小化交叉熵损失函数。
8.一种信号调制模式识别装置，其特征在于，包括：
信号表征模块，用于输出待识别信号的时频图；
卷积神经网络模式识别模块，用于将所述时频图输入训练好的卷积神经网络模型中，输出所述信号的调制模式识别结果。
9.一种信号调制模式识别设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的信号调制模式识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的信号调制模式识别方法。
CN202010135562.2A 2020-03-02 2020-03-02 信号调制模式识别方法、装置、设备和可读存储介质 Pending CN111464468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010135562.2A CN111464468A (zh) 2020-03-02 2020-03-02 信号调制模式识别方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010135562.2A CN111464468A (zh) 2020-03-02 2020-03-02 信号调制模式识别方法、装置、设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN111464468A true CN111464468A (zh) 2020-07-28

Family

ID=71682461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010135562.2A Pending CN111464468A (zh) 2020-03-02 2020-03-02 信号调制模式识别方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111464468A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112054979A (zh) * 2020-09-14 2020-12-08 四川大学 基于模糊密集卷积网络的无线电自动调制识别方法
CN113312996A (zh) * 2021-05-19 2021-08-27 哈尔滨工程大学 一种混叠短波通信信号检测与识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160034810A1 (en) * 2014-07-30 2016-02-04 Mitsubishi Electric Research Laboratories, Inc. Neural Networks for Transforming Signals
CN107122738A (zh) * 2017-04-26 2017-09-01 成都蓝色起源科技有限公司 基于深度学习模型的无线电信号识别方法及其实现系统
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置
CN110598677A (zh) * 2019-10-08 2019-12-20 电子科技大学 一种用于自动调制识别的时空多通道深度学习系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160034810A1 (en) * 2014-07-30 2016-02-04 Mitsubishi Electric Research Laboratories, Inc. Neural Networks for Transforming Signals
CN107122738A (zh) * 2017-04-26 2017-09-01 成都蓝色起源科技有限公司 基于深度学习模型的无线电信号识别方法及其实现系统
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置
CN110598677A (zh) * 2019-10-08 2019-12-20 电子科技大学 一种用于自动调制识别的时空多通道深度学习系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112054979A (zh) * 2020-09-14 2020-12-08 四川大学 基于模糊密集卷积网络的无线电自动调制识别方法
CN113312996A (zh) * 2021-05-19 2021-08-27 哈尔滨工程大学 一种混叠短波通信信号检测与识别方法

Similar Documents

Publication Publication Date Title
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
Qu et al. Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network
EP2905722B1 (en) Method and apparatus for detecting salient region of image
CN109034127B (zh) 一种频谱异常检测方法、装置和电子设备
CN111464468A (zh) 信号调制模式识别方法、装置、设备和可读存储介质
CN103208097A (zh) 图像多方向形态结构分组的主分量分析协同滤波方法
CN107590785A (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
CN114239657A (zh) 一种基于复值干涉神经网络的时序信号识别方法
CN109635637A (zh) 一种车牌识别方法、装置和计算设备
Aljarrah Effect of image degradation on performance of convolutional neural networks
CN114996489A (zh) 新闻数据的违规检测方法、装置、设备及存储介质
CN106940904A (zh) 基于人脸识别和语音识别的考勤系统
CN107334481B (zh) 一种驾驶分心检测方法及系统
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN116296243B (zh) 一种基于大尺寸核稠密块的气动识别方法
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN116430317A (zh) 一种辐射源调制样式与个体识别方法及系统
CN115691535A (zh) 基于rnn的高信噪比语音降噪方法、装置、设备及介质
CN110321883A (zh) 验证码识别方法及装置、可读存储介质
CN111639718B (zh) 分类器应用方法及装置
CN113221736A (zh) 基于多特征协同非负矩阵分解的心电身份识别方法及系统
CN113327633A (zh) 基于深度神经网络模型的带噪语音端点检测方法及装置
CN113239075A (zh) 一种施工数据自检方法及系统
CN110703058A (zh) 基于超声识别的局部放电检测方法、装置及终端
CN116994590B (zh) 一种深度伪造音频鉴别方法和系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200728

WD01 Invention patent application deemed withdrawn after publication