CN111464469B - 基于神经网络的混合数字调制方式识别方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的混合数字调制方式识别方法，通过四个建模步骤，分别实现了数据集的制作和预处理、网络模型的构建、网络模型参数的选择和训练、混合数字调制信号的仿真方法和预测。本发明所提及的这种基于神经网络的混合数字调制方式识别算法特殊性在于，其考虑了数字信号在时域上采用多种调制方式，并且采用目前应用广泛的神经网络算法。这种混合调制方式能够对信号起到加密效果，使得信号更不易被破译，而且神经网络算法识别效果更准确且无需任何先验信息。

Description

基于神经网络的混合数字调制方式识别方法

技术领域：

本发明涉及调制信号类型识别问题，特别涉及一种基于神经网络的混合数字调制方式识别方法。

背景技术：

调制方式识别是指对于接收到的信号的调制类型是不可获知的，需要采用特定算法来进行判断的一种技术，从而为后续的信号解调提供基础，在无线电信号监测、电子对抗、智能通信等领域有着广泛的应用。混合调制信号是指该信号的调制类型随着时间快速的改变，其对于信息的加密有着重要的作用，使得截获装置对于截获的信号更加难以判别，在军事通信中占有重要的地位。当前，制电磁权已经在军事战争中占有越来越重要的作用，信号的加密以及对信号的破译速度对战争的胜负有着至关重要的作用。

目前以神经网络为主的人工智能技术在计算机视觉、自然语言处理、推荐系统等有着广泛的应用，超越了许多传统的算法。RNN等神经网络考虑到了数据之间的时序相关性，对于时序数据的建模、处理及预测有着良好的效果，通信信号则是一种典型的时序数据，选用由RNN改进的LSTM和GRU网络结构能够得到比传统方法更好的结果。

混合调制类型信号是一种信号的加密方式，它需要通信双方知道信号跳变的规则才能将信号解调出来，然而在电子对抗等领域是无法得到这种先验信息的，因此本发明提出的基于神经网络的混合数字调制方式识别方法具有重要的意义。

发明内容：

本发明是为了解决上述现有技术存在的问题而提供一种基于神经网络的混合数字调制方式识别方法，其能够快速、准确、完整的预测出盲信号的调制类型，从而为信号的破译提供基础。

本发明所采用的技术方案有：一种基于神经网络的混合数字调制方式识别方法，包括如下步骤：

步骤1.仿真产生2ASK、4ASK、2FSK、MSK、2PSK、QPSK、16QAM和64QAM八种调制类型信号，构建网络训练数据集并进行数据的预处理；

步骤2.构建四种神经网络算法分别为全连接网络(FCN)，循环神经网络(RNN)，长短时记忆神经网络(LSTM)和门控循环单元网络(GRU)；

步骤3.网络模型参数的选择以及网络的训练，包括网络层数的选择，网络每层神经元的数量以及对于RNN类网络时间步的设置，在网络训练时学习率的选择和优化器算法以及损失函数的选择；

步骤4.将八种调制信号在时域上进行混合，每隔20ms信号的调制类型则转变一次，信号调制类型变化规则由随机序列控制，进而得到混合数字调制信号，采用步骤3保存的网络模型进行预测，最终得到混合调制信号的预测结果。

本发明具有如下有益效果：

(1)本发明涉及混合数字调制方式的识别，不同于单一调制信号的识别，需要对混合数字调制信号加窗处理，得到调制类型随时间变化的关系；

(2)使用LSTM和GRU神经网络对混合调制类型信号进行建模，得到比传统方法更高的准确率；

(3)直接采用接受到的时序信号作为输入数据，无需任何先验信息也无需对数据进行提取特征等操作，使得适用范围更广。

附图说明：

图1为本发明基于神经网络的混合数字调制方式识别方法的流程图。

图2为FCN网络结构框图。

图3为sigmoid函数图像。

图4为tanh函数图像。

图5为RNN网络结构示意图。

具体实施方式：

下面结合附图对本发明作进一步的说明。

本发明所要解决的技术问题是如何对混合调制信号建模并采用神经网络算法对其调制类型进行预测。本发明为了解决上述技术问题采用以下建模步骤，并通过每个步骤下的具体方式实施。

步骤1.仿真产生2ASK、4ASK、2FSK、MSK、2PSK、QPSK、16QAM和64QAM八种调制类型信号，构建网络训练数据集并进行数据的预处理；

常用的数字调制方式主要为以上提到的八种调制方式，其中ASK是一种应用最早的基本调制方式，其优点是设备简单，缺点是抗噪声性能差；FSK是数字通信中不可或缺的一种调制方式，优点是抗干扰能力强，不受信道参数的变化，适用于衰落信道，缺点是频带利用率低；PSK的抗噪声能力优于ASK和FSK，且不易受信道特性的影响，QAM是幅度、相位联合调制的技术，它同时利用载波的幅度和相位来传输信息比特，因此具有更高的频带利用率，且传输速率更快。

其中仿真信号2FSK和MSK载波的频率为50MHz和150MHz，其余调制信号载波频率为100MHz，采样频率为400MHz，信噪比范围为-20dB到20dB，其中

其中P_signal代表信号的功率，P_noise代表噪声的功率。

对仿真数据进行加窗，窗大小N＝1024，得到一条数据，最终得到的数据集为8000个，每条数据为1024个采样点，将其中的1/4作为验证数据集，即训练集与验证集的比例为3∶1。也就是用3/4的数据进行网络的训练，用1/4的数据进行网络性能的验证，避免过拟合现象的发生。如下表为数据集的参数：

由于2ASK和4ASK的采样点的值以及受噪声的影响使得数据集的取值范围不是在0-1之间，需要对以上数据集进行最小最大值(min-max)归一化处理，将特征值规约到0-1之间，对于一条数据X＝(x₁，x₂，x₃......x_n)，对其中每一维的变量的最大最小归一化计算公式为：

其中min＝min(X),max＝max(X)。通过对特征进行归一化能有效减少异常值的影响，并且加快模型的训练速度。

数据集的标签需要采用one-hot编码的方法，在这个one-hot向量中，信号对应的是哪种调制方式，那么对应的标签向量中第几个维度取1，其余的维度都为0。由于这里总共8个类别，故标签向量的维度为8维，例如对于2ASK和4ASK其标签表示分别为[1,0,0,0,0,0,0,0]和[0,1,0,0,0,0,0,0,0]。这样对于每个类别其欧式距离都为1，则不同类别对于损失函数的贡献相同。

步骤2.构建四种神经网络算法分别为全连接网络(FCN)，循环神经网络(RNN)，长短时记忆神经网络(LSTM)和门控循环单元网络(GRU)；

FCN的网络模型如图2所示，x作为整个神经网络的输入，w和b作为神经网络所需要更新的参数，f作为神经元的激活函数，选择sigmoid函数和tanh函数作为激活函数，其图形分别如图3和图4所示，FCN得到的输出可由下式所得：

RNN类网络考虑到输入数据X(x₁，x₂，x₃......x_t)的时序相关性，其网络结构如图5所示，其基本表达式为：

LSTM和GRU网络模型相似于RNN，但其表达式略有不同，LSTM网络模型表达式为：

GRU网络模型表达式为：

步骤3网络模型参数的选择以及网络的训练，主要涉及网络层数的选择，网络每层神经元的数量以及对于RNN类网络时间步的设置，在网络训练时学习率的选择和优化器算法以及损失函数的选择；

对于FCN网络我们总共设置5层神经网络，第一层含有1024个神经元，第二层含有512个神经元，第三层含有256个神经元，第四层含有64个神经元，第五层含有8个神经元，这是因为第一层为输入层，神经元的数量需要和输入数据的采样点相对应即1024，最后一层为输出层需要和标签的维度相对应。

对于RNN，LSTM和GRU网络设置64个时间步，每个时间步包含16个采样点。即将1024个采样点分为64*16。之后加两层全连接网络用于分类。如图5所示，每个输入数据共64个时间步即X＝(x₁，x₂，x₃......x₆₄)，对于每个x_t含有16个神经元即

时间步的长度影响网络的训练速度，这是因为该网络是每次计算一个时间步然后才能计算下一个时间步。若是时间步太短，则体现不出时序的关系。

构建好网络模型之后，将输入数据X(x₁，x₂，x₃......x_t)输入到神经网络得到网络输出值

与实际标签值y计算损失函数值，由于该问题为多分类问题故选择交叉熵损失函数，其损失函数表达式为：

其中Loss为W和b的函数，通过梯度下降法来更新w和b的值，并最终使得网络模型收敛。其中采用的优化器算法为RMSprop。RMSprop算法对权重w和偏差b的梯度使用了微分平方加权平均数。其中，在第t轮迭代过程中，各个公式如下所示：

在上面的公式中s_dw和s_db分别是损失函数在前t-1轮迭代过程中累积的梯度动量，β是梯度累积的一个指数，RMSprop算法对梯度计算了微分平方加权平均数，这样做有利于消除摆动幅度大的方向，用来修正摆动幅度，另一方面也使得网络函数收敛更快，为了防止分母为零，使用了一个很小的数值ε来进行平滑，一般取值为10^-8。

最后通过验证集验证在第n轮网络的预测性能最好，那么认为神经网络算法在第n轮收敛且效果最好，此时停止训练并且将网络模型保存下来用于预测。

步骤4.将八种调制信号在时域上进行混合，每隔20ms信号的调制类型则转变一次，信号调制类型变化规则由随机序列控制，进而得到混合数字调制信号，采用步骤3保存的网络模型进行预测，最终得到混合调制信号的预测结果；

首先构建一个(0，1，2，3，4，5，6，7)等概率分布的随机序列，每个值对应于一种调制类型，然后按照随机序列的排列将调制类型应用于基带信号，得到混合调制信号，其中调制类型变化周期为20ms，由于混合调制信号无法直接对其进行预测，故采用N＝1024的矩形窗函数对其加窗处理，将每个加窗的信号视为同一种调制类型，得到神经网络的输入数据X(x₁，x₂，x₃......x_t)，将训练好的神经网络模型可以看作一个函数F_NN，那么得到的预测输出则为：

其中

代表每一种调制类型。

这样，经过如上4个步骤，即可获得基于神经网络的混合数字调制方式识别方法，该方法可用于对快变混合调制信号的分析，尤其是在电子对抗中快速、准确的识别通信信号的调制类型，为后面的信号的解调提供基础。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种基于神经网络的混合数字调制方式识别方法，其特征在于：包括如下步骤：

步骤1.仿真产生2ASK、4ASK、2FSK、MSK、2PSK、QPSK、16QAM和64QAM八种调制类型信号，构建网络训练数据集并进行数据的预处理；

步骤2.构建四种神经网络算法分别为全连接网络(FCN)，循环神经网络(RNN)，长短时记忆神经网络(LSTM)和门控循环单元网络(GRU)；

步骤3.网络模型参数的选择以及网络的训练，包括网络层数的选择，网络每层神经元的数量以及对于RNN类网络时间步的设置，在网络训练时学习率的选择和优化器算法以及损失函数的选择；

步骤4.将八种调制信号在时域上进行混合，每隔20ms信号的调制类型则转变一次，信号调制类型变化规则由随机序列控制，进而得到混合数字调制信号，采用步骤3保存的网络模型进行预测，最终得到混合调制信号的预测结果；

步骤1具体如下：

仿真信号2FSK和MSK载波的频率为50MHz和150MHz，其余调制信号载波频率为100MHz，采样频率为400MHz，信噪比范围为-20dB到20dB，其中

其中P_signal代表信号的功率，P_noise代表噪声的功率；

对仿真数据进行加窗，得到数据集，对数据集进行最小最大值(min-max)归一化处理，将特征值规约到0-1之间，对于一条数据X＝(x₁,x₂,x₃......x_n)，对其中每一维的变量的最大最小归一化计算公式为

其中min＝min(X),max＝max(X)；

步骤2具体如下：

选择sigmoid和tanh作为激活函数，x作为整个神经网络的输入，w和b作为神经网络所需要更新的参数，f作为神经元的激活函数，FCN得到的输出可由下式所得：

RNN类网络考虑到输入数据X(x₁,x₂,x₃......x_t)的时序相关性，其基本表达式为：

LSTM网络模型表达式为：

GRU网络模型表达式为：

2.如权利要求1所述的基于神经网络的混合数字调制方式识别方法，其特征在于：步骤3具体如下：

对于FCN网络设置5层神经网络，RNN，LSTM和GRU网络设置64个时间步，每个时间步包含16个采样点，每个输入数据共64个时间步，即X＝(x₁,x₂,x₃.....x₆₄)，对于每个x_t含有16个神经元即

构建好网络模型之后，将输入数据X(x₁,x₂,x₃......x_t)输入到神经网络得到网络输出值y，与实际标签值y计算损失函数值，其损失函数表达式为：

其中Loss为w和b的函数，通过梯度下降法来更新w和b的值，并最终使得网络模型收敛；

采用RMSprop算法对权重w和偏差b的梯度使用微分平方加权平均数，其中，在第t轮迭代过程中，各个公式如下所示：

s_dw＝βs_dw+(1-β)dw²

s_db＝βs_db+(1-β)db²

其中：s_dw和s_db分别是损失函数在前t-1轮迭代过程中累积的梯度动量，β是梯度累积的一个指数，ε取值为10^-8。

3.如权利要求2所述的基于神经网络的混合数字调制方式识别方法，其特征在于：步骤4具体如下：

构建一个(0,1,2,3,4,5,6,7)等概率分布的随机序列，每个值对应于一种调制类型，然后按照随机序列的排列将调制类型应用于基带信号，得到混合调制信号，采用N＝1024的矩形窗函数对其加窗处理，将每个加窗的信号视为同一种调制类型，得到神经网络的输入数据X(x₁,x₂,x₃......x_t)，将训练好的神经网络模型可以看作一个函数F_NN，得到的预测输出则为：

Y(y₁,y₂,y₃.....y_t)＝F_NN(X(x₁,x₂,x₃....x_t)) (9)

其中(y₁,y₂,y₃.....y_t)代表每一种调制类型。

Images