CN111490853A - 一种基于深度卷积神经网络的信道编码参数识别方法 - Google Patents
一种基于深度卷积神经网络的信道编码参数识别方法 Download PDFInfo
- Publication number
- CN111490853A CN111490853A CN202010293872.7A CN202010293872A CN111490853A CN 111490853 A CN111490853 A CN 111490853A CN 202010293872 A CN202010293872 A CN 202010293872A CN 111490853 A CN111490853 A CN 111490853A
- Authority
- CN
- China
- Prior art keywords
- channel coding
- layer
- neural network
- coding parameter
- convolutional neural
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000009897 systematic effect Effects 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 abstract 1
- 230000006870 function Effects 0.000 description 45
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0076—Distributed coding, e.g. network coding, involving channel coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的信道编码参数识别方法，包括以下步骤：S1、模拟通信链路结构，生成信道编码参数识别数据集；S2、对信道编码参数识别数据集的数据进行归一化，并将信道编码参数识别数据集划分为训练样本集、验证样本集与测试样本集；S3、构建基于深度卷积神经网络的信道编码参数识别模型；S4、训练深度卷积神经网络模型；S5、用测试样本集获得信道编码参数识别的识别准确率。本发明使用基于深度卷积神经的信道编码参数识别网络模型，可以自动提取不同信道编码的通信信号特征，简化了通信信号特征提取的步骤，提高了无线电信号识别的效率，能够快速解决复杂通信环境下信道编码参数识别问题。
Description
技术领域
本发明属于无线通信技术领域，特别涉及一种基于深度卷积神经网络的信道编码参数识别方法。
背景技术
目前，信道编码在各个领域都被广泛的研究，不管在公共交换电话网、因特网、航空航天和数据存储系统，还是在数据传输系统中，信息的传输都存在以下问题，数据是在有线或者无线信道上传输的，信道存在于现实环境中，或多或少受着环境变化的影响，且信道受到的噪声和干扰是随机变化的，信道的质量受到不可控制因素的影响，而带宽资源也是有限且是随时间而变化的，在进行无线通信时，为确保可靠通信，信道编码都是根据信道最差情况进行设计的，但是基于这种原则无法充分利用信道容量，传输效率较低。在主流的移动通信中，多采用自适应调制编码AMC(Adaptive Modulation and Coding)技术，通过判断信道的质量实时改变调制编码参数来提高信道利用率，为了支持自适应调制编码，通常在控制信道传递相关参数信息，但这又会增加控制信道的开销。信道编码识别技术就是指在没有控制信道辅助的情况下，接收端根据收到的数据快速地分析出信号的编码参数，为进一步数据分析处理提供可靠保障。
随着数字通信技术的不断发展和通信技术的广泛应用，信道编码参数识别技术在许多通信领域都体现了重要的应用价值：(1)信息对抗领域：当捕获到对方信息数据后，只有快速有效地识别出其编码参数，才能准确恢复对方原始信息，以便为通信侦察方提供可靠情报。(2)协作通信领域：鉴于发送端信号在传输过程中会受到信道、时延等不确定干扰因素的影响，可能导致接收方不能及时有效地接收信息，对接收方来说，为准确获取信息，对信道编码体制进行深入研究也是十分必要的。(3)智能移动通信领域：为了获得高效的通信效率和最佳的服务质量，在此领域需要随时间及通信环境的改变实时调整信道编码体制，此种情况下，通信者之间通常无法通过事前约定通信协议的方式进行同步联络，这里就需要信息接收方能够根据接收到的少量信息快速识别出编码结构及相关参数，从而进行有效的通信。(4)网络对抗领域：当对方网络信源、通信协议加密时，可选择从信道编码结构上攻击对方网络，此时识别出信道编码结构也是非常关键的。鉴于具有纠错功能的分组码在数字通信领域的广泛应用以及信道编码参数识别技术的需求，研究信道编码参数识别的实现技术具有重要的应用价值和现实意义。
天津大学在其申请的专利文献“一种基于最大似然译码的快速信道编码盲识别方法”(申请号201910467744.7，申请公布号CN 110233703A)公开了一种基于最大似然译码的快速信道编码盲识别算法。本发明将信道译码和信道编码识别性结合，以信道最大似然译码中参数最大欧式距离作为识别特征量。利用NP准则推导出满足系统可靠性需求的最佳检测阈值，对每个可能的编码候选进行识别。该方法虽然提出了一种信道编码参数识别算法，但是过度依赖专家先验，并且依赖译码的准确率，不适用于低信噪比数值的情况。
中国人民解放军理工大学在其申请的专利文献“基于高斯迭代列消元的信道编码盲识别方法”(申请号201610788085.3，申请公布号CN 106712898A)公开了一种基于高斯迭代列消元的信道编码盲识别方法。本发明的目的在于提供一种在有误码和广义盲识别情况下的，利用码长遍历下采用迭代高斯列消元的方式识别出其正确的码长，再通过置换迭代，实现对编码的监督矩阵的识别，整个过程能够达到一个较高的编码识别概率。该方法虽然提出了一种信道编码参数识别方法，但是该方法仍然存在的不足之处是：基于矩阵分析以及秩准则的方法并不适应噪声环境，由于噪声的影响，截获数据会出现误码，导致矩阵在求秩时不一定会出现秩亏现象，因此码字矩阵中隐藏的线性相关性不一定会呈现。
发明内容
本发明的目的在于克服现有技术的不足，提供一种使用基于深度卷积神经的信道编码参数识别网络模型，可以自动提取不同信道编码的通信信号特征，简化了通信信号特征提取的步骤，提高了无线电信号识别的效率，能够快速解决复杂通信环境下信道编码参数识别问题的基于深度卷积神经网络的信道编码参数识别方法。
本发明的目的是通过以下技术方案来实现的：一种基于深度卷积神经网络的信道编码参数识别方法，包括以下步骤：
S1、模拟通信链路结构，生成信道编码参数识别数据集；
S2、对信道编码参数识别数据集的数据进行归一化，并将信道编码参数识别数据集划分为训练样本集、验证样本集与测试样本集；
S3、构建基于深度卷积神经网络的信道编码参数识别模型；
S4、训练深度卷积神经网络模型；
S5、用测试样本集获得信道编码参数识别的识别准确率。
进一步地，所述步骤S1包括以下子步骤：
S11、采用MATLAB仿真软件模拟一般的通信链路结构，用于模拟生成信道编码参数识别的样本集；
S12、根据一般通信链路结构生成7种信道编码参数的编码信号，每种编码参数包含的信噪比为-10dB-20dB，每种编码参数均生成20000个信号样本，得到140000个编码信号样本。
进一步地，所述步骤S11具体实现方法为：设信道编码前的随机信息序列长度为K，并表示为b＝[b1，b2，…，bK]，经过码率为K/N的编码后得到码长为N的编码序列c＝[c1，c2，…，cN]；若信号调制序列为s，经过AWGN信道后，在接收端的接收序列为r＝s+w，其中w为噪声序列；信噪比SNR定义为调制序列的平均功率与噪声功率之比，单位是dB；软解调之后输出的软信息序列为l＝[l1，l2，…，lN]；
第i比特的软信息li表示为编码比特ci的后验概率对数似然比，即
p(ci＝0|r)、p(ci＝1|r)均表示后验概率；
将软解调后的信息序列作为信道编码参数识别的信号样本。
进一步地，步骤S12中所述的7种信道编码参数的编码信号为码率为二分之一的非系统卷积码，具体为生成矩阵为[75]的213非系统卷积码，生成矩阵为[1715]的214非系统卷积码，生成矩阵为[3523]的215非系统卷积码，生成矩阵为[7553]的216非系统卷积码，生成矩阵为[133171]的217非系统卷积码，生成矩阵为[371247]的218非系统卷积码，生成矩阵为[753561]的219非系统卷积码。
进一步地，所述步骤S2包括以下子步骤：
S21、根据归一化公式，分别对七种信道编码参数的每一个编码信号样本进行归一化处理，将所有归一化处理后的信道编码样本组合成样本集合；归一化公式如下：
Yi表示第i个信号样本Xi归一化处理后的样本数值，Max为单个样本数据的最大值，Min为单个样本数据的最小值；
S22、从生成的信号样本集中随机抽取80％的样本，组成训练样本集；从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集；将整个信号样本集最后余下的10％作为测试样本集。
进一步地，所述步骤S3包括以下步骤：
S31、构建基于深度卷积神经网络的信道编码参数识别网络模型；
S32、设置基于深度卷积神经网络的信道编码参数识别网络的超参数，优化算法采用误差逆传播算法，激活函数设置为修正线性单元激活函数；
S33、选择基于深度卷积神经网络的信道编码参数识别网络模型损失函数L。
进一步地，所述步骤S31中基于深度卷积神经网络的信道编码参数识别网络模型的结构关系如下：
第一层为输入层，接收的输入大小设置为(5000,1)；
第二层为第一卷积层，有64个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第三层为第一批规范化层；
第四层为第一池化层，池化方式为最大池化，池化步长为2；
第五层为第二卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第六层为第二批规范化层；
第七层为第二池化层，池化方式为最大池化，池化步长为2；
第八层为第三卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第九层为第三批规范化层；
第十层为第三池化层，池化方式为最大池化，池化步长为2；
第十一层为第四卷积层，有256个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第十二层为第四批规范化层；
第十三层为全局平均池化层，将每个特征图所有值相加求平局，得到一个数值，即用该数值表示对应特征图；
第十四层为第一全连接层，神经元个数设置为256，激活函数为线性整流函数Relu；
第十五层为第一失活层Dropout，概率取0.3；
第十六层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu；
第十七层为分类层，多分类函数取Softmax函数。
进一步地，所述步骤S33中的损失函数L为交叉熵损失函数，表示如下：
其中，M为信道编码参数识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1，如果该类别c和样本的类别相同，则yc为1，否则为0；pc表示对于观测样本属于类别c的预测概率。
进一步地，所述步骤S4包括以下步骤：
S41、打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到深度卷积神经网络模型中；
S42、通过Adam优化算法对损失函数L进行迭代优化，为了防止过拟合，设置早停机制，当达到深度卷积神经网络设置的训练次数或验证集的Loss值在10个周期内都不下降时，完成对神经网络的训练，得到训练好的深度卷积神经网络模型。
进一步地，所述步骤S5包括以下步骤：
S51、将测试样本集输入到训练好的深度卷积神经网络模型中，得到识别结果；
S52、将识别结果与测试集的真实类别对比，统计识别正确率。
本发明的有益效果是：
1、本发明使用了基于深度卷积神经的信道编码参数识别网络模型，克服了现有技术的传统方法中人工提取信号特征过程繁琐、需要大量专家先验才能完成对信号的识别的缺点，使得本发明中深度卷积神经网络可以自动提取不同信道编码的通信信号特征，简化了通信信号特征提取的步骤，提高了无线电信号识别的效率，能够快速解决复杂通信环境下信道编码参数识别问题；
2、本发明使用了深度卷积神经网络模型来对编码序列识别，不仅解决了传统方法难以进行全盲识别的编码，为了考虑一般性，不要求输入序列的起始点为一个码字的起始点，所以对通信侦察领域有一定的贡献。
附图说明
图1为本发明的信道编码参数识别方法的流程图；
图2为一般通信链路结构；
图3为本实施例的仿真实验结果图；
图4为本实施例每种信道编码参数的识别准确率曲线图。
具体实施方式
实现本发明目的的具体思路是，利用深度卷积神经网络进行通信信号信道编码参数识别。该算法在通信信号参数识别中能够达到较高的识别准确率，同时又能降低传统信道编码参数识别方法对人工特征提取和先验知识的高度依赖性，可以识别多种类型编码方式的无线电信号，并简化了识别步骤。从而使无线电信号编码识别更加灵活、高效。下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种基于深度卷积神经网络的信道编码参数识别方法，包括以下步骤：
S1、模拟通信链路结构，生成信道编码参数识别数据集；一般的通信链路结构如图2所示，包括信道编码、信号调制、信道传输、信号解调和信道编码参数识别过程；
本步骤包括以下子步骤：
S11、采用MATLAB仿真软件模拟一般通信链路结构，用于模拟生成信道编码参数识别的样本集；具体实现方法为：设信道编码前的随机信息序列长度为K，并表示为b＝[b1，b2，…，bK]，经过码率为K/N的编码后得到码长为N的编码序列c＝[c1，c2，…，cN]；若信号调制序列为s，经过AWGN信道后，在接收端的接收序列为r＝s+w，其中w为噪声序列；信噪比SNR定义为调制序列的平均功率与噪声功率之比，单位是dB；软解调之后输出的软信息序列为l＝[l1，l2，…，lN]；
第i比特的软信息li表示为编码比特ci的后验概率对数似然比，即
p(ci＝0|r)、p(ci＝1|r)均表示后验概率；
将软解调后的信息序列作为信道编码参数识别的信号样本。
S12、根据一般通信链路结构生成7种信道编码参数的编码信号，每种编码参数包含的信噪比为-10dB-20dB，每种编码参数均生成20000个信号样本(每个信号样本的信噪比选取-10dB-20dB之间的随机值)，得到140000个编码信号样本；
所述7种信道编码参数的编码信号为码率为二分之一的非系统卷积码，具体为生成矩阵为[75]的213非系统卷积码，生成矩阵为[1715]的214非系统卷积码，生成矩阵为[3523]的215非系统卷积码，生成矩阵为[7553]的216非系统卷积码，生成矩阵为[133171]的217非系统卷积码，生成矩阵为[371247]的218非系统卷积码，生成矩阵为[753561]的219非系统卷积码。
S2、对信道编码参数识别数据集的数据进行归一化，并将信道编码参数识别数据集划分为训练样本集、验证样本集与测试样本集；包括以下子步骤：
S21、根据归一化公式，分别对七种信道编码参数的每一个编码信号样本进行归一化处理，将所有归一化处理后的信道编码样本组合成样本集合；归一化公式如下：
Yi表示第i个信号样本Xi归一化处理后的样本数值，Max为单个样本数据的最大值，Min为单个样本数据的最小值；
S22、从生成的信号样本集中随机抽取80％的样本，组成训练样本集；从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集；将整个信号样本集最后余下的10％作为测试样本集。
S3、构建基于深度卷积神经网络的信道编码参数识别模型；包括以下步骤：
S31、构建基于深度卷积神经网络的信道编码参数识别网络模型；
基于深度卷积神经网络的信道编码参数识别网络模型的结构关系如下：
第一层为输入层，接收的输入大小设置为(5000,1)；
第二层为第一卷积层，有64个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第三层为第一批规范化层；
第四层为第一池化层，池化方式为最大池化，池化步长为2；
第五层为第二卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第六层为第二批规范化层；
第七层为第二池化层，池化方式为最大池化，池化步长为2；
第八层为第三卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第九层为第三批规范化层；
第十层为第三池化层，池化方式为最大池化，池化步长为2；
第十一层为第四卷积层，有256个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第十二层为第四批规范化层；
第十三层为全局平均池化层，将每个特征图所有值相加求平局，得到一个数值，即用该数值表示对应特征图；
第十四层为第一全连接层，神经元个数设置为256，激活函数为线性整流函数Relu；
第十五层为第一失活层Dropout，概率取0.3；
第十六层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu；
第十七层为分类层，多分类函数取Softmax函数。
S32、设置基于深度卷积神经网络的信道编码参数识别网络的超参数(包括学习率，迭代次数)，优化算法采用误差逆传播算法，激活函数设置为修正线性单元激活函数；
S33、选择基于深度卷积神经网络的信道编码参数识别网络模型损失函数L；损失函数L为交叉熵损失函数，表示如下：
其中，M为信道编码参数识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1，如果该类别c和样本的类别相同，则yc为1，否则为0；pc表示对于观测样本属于类别c的预测概率。
S4、训练深度卷积神经网络模型；包括以下步骤：
S41、打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到深度卷积神经网络模型中；
S42、通过Adam优化算法对损失函数L进行迭代优化，为了防止过拟合，设置早停机制，当达到深度卷积神经网络设置的训练次数或验证集的Loss值在10个周期内都不下降时，完成对神经网络的训练，得到训练好的深度卷积神经网络模型。
S5、用测试样本集获得信道编码参数识别的识别准确率；包括以下步骤：
S51、将测试样本集输入到训练好的深度卷积神经网络模型中，得到识别结果；
S52、将识别结果与测试集的真实类别对比，统计识别正确率。
下面通过仿真进一步验证本发明的效果。
1.仿真条件：本发明的仿真实验在Intel i7-6800k CPU、64G RAM、NVIDIA GTX-1080Ti GPU、Ubuntu16.04LTS系统下，Keras2.0.6与MATLAB2015b运行平台上，完成本发明中信道编码参数识别样本集和基于深度卷积神经网络的信道编码参数识别的仿真实验。
2.仿真实验内容
本发明的仿真实验所用的编码类型为二分之一的卷积码。所述的7种信道编码参数的编码信号为码率为二分之一的非系统卷积码，具体为生成矩阵为[7 5]的213非系统卷积码，生成矩阵为[17 15]的214非系统卷积码，生成矩阵为[35 23]的215非系统卷积码，生成矩阵为[75 53]的216非系统卷积码，生成矩阵为[133 171]的217非系统卷积码，生成矩阵为[371247]的218非系统卷积码，生成矩阵为[753 561]的219非系统卷积码。
3.仿真实验结果：
本发明的仿真实验结果如图3所示。图3中的横轴代表迭代次数，纵轴代表训练样本集每次训练的损失函数值train loss。在对深度卷积神经网络模型训练的过程中，统计每次训练结果的损失函数值，损失函数值越小代表模型的训练效果越好。由图3可见，随着迭代次数的增加损失函数值递减并最终收敛至稳定，说明本仿真实验的训练效果随着训练次数的增多而提高。
将测试样本输入训练好的深度卷积神经网络模型，得到本仿真实验在信噪比-10dB-20dB范围内的识别准确率为71.5％，如图4所示的折线图。图4中的横轴代表不同的信噪比数值，纵轴代表每种信道编码参数的识别准确率，识别准确率越高代表深度卷积神经网络对信道编码参数识别的效果越好。由图4的结果可以看出，当信噪比大于4dB时，所有的卷积码参数都能达到99％的识别准确率，并在0dB-20dB的信噪比范围内达到94.3％的平均识别准确率，说明基于深度卷积神经网络的方法对信道编码参数识别有效可行。
以上的仿真实验说明，针对信道编码的参数识别，本发明可以完成不同信道编码参数的盲识别任务，方法有效可行。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，包括以下步骤：
S1、模拟通信链路结构，生成信道编码参数识别数据集；
S2、对信道编码参数识别数据集的数据进行归一化，并将信道编码参数识别数据集划分为训练样本集、验证样本集与测试样本集；
S3、构建基于深度卷积神经网络的信道编码参数识别模型；
S4、训练深度卷积神经网络模型；
S5、用测试样本集获得信道编码参数识别的识别准确率。
2.根据权利要求1所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S1包括以下子步骤：
S11、采用MATLAB仿真软件模拟通信链路结构，用于模拟生成信道编码参数识别的样本集；
S12、根据一般通信链路结构生成7种信道编码参数的编码信号，每种编码参数包含的信噪比为-10dB-20dB，每种编码参数均生成20000个信号样本，得到140000个编码信号样本。
3.根据权利要求2所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S11具体实现方法为：设信道编码前的随机信息序列长度为K，并表示为b＝[b1，b2，…，bK]，经过码率为K/N的编码后得到码长为N的编码序列c＝[c1，c2，…，cN]；若信号调制序列为s，经过AWGN信道后，在接收端的接收序列为r＝s+w，其中w为噪声序列；信噪比SNR定义为调制序列的平均功率与噪声功率之比，单位是dB；软解调之后输出的软信息序列为l＝[l1，l2，…，lN]；
第i比特的软信息li表示为编码比特ci的后验概率对数似然比，即
p(ci＝0|r)、p(ci＝1|r)均表示后验概率；
将软解调后的信息序列作为信道编码参数识别的信号样本。
4.根据权利要求2所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，步骤S12中所述的7种信道编码参数的编码信号为码率为二分之一的非系统卷积码，具体为生成矩阵为[7 5]的213非系统卷积码，生成矩阵为[17 15]的214非系统卷积码，生成矩阵为[35 23]的215非系统卷积码，生成矩阵为[75 53]的216非系统卷积码，生成矩阵为[133 171]的217非系统卷积码，生成矩阵为[371 247]的218非系统卷积码，生成矩阵为[753 561]的219非系统卷积码。
5.根据权利要求1所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S2包括以下子步骤：
S21、根据归一化公式，分别对七种信道编码参数的每一个编码信号样本进行归一化处理，将所有归一化处理后的信道编码样本组合成样本集合；归一化公式如下：
Yi表示第i个信号样本Xi归一化处理后的样本数值，Max为单个样本数据的最大值，Min为单个样本数据的最小值；
S22、从生成的信号样本集中随机抽取80％的样本，组成训练样本集；从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集；将整个信号样本集最后余下的10％作为测试样本集。
6.根据权利要求1所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S3包括以下步骤：
S31、构建基于深度卷积神经网络的信道编码参数识别网络模型；
S32、设置基于深度卷积神经网络的信道编码参数识别网络的超参数，优化算法采用误差逆传播算法，激活函数设置为修正线性单元激活函数；
S33、选择基于深度卷积神经网络的信道编码参数识别网络模型损失函数L。
7.根据权利要求6所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S31中基于深度卷积神经网络的信道编码参数识别网络模型的结构关系如下：
第一层为输入层，接收的输入大小设置为(5000,1)；
第二层为第一卷积层，有64个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第三层为第一批规范化层；
第四层为第一池化层，池化方式为最大池化，池化步长为2；
第五层为第二卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第六层为第二批规范化层；
第七层为第二池化层，池化方式为最大池化，池化步长为2；
第八层为第三卷积层，有128个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第九层为第三批规范化层；
第十层为第三池化层，池化方式为最大池化，池化步长为2；
第十一层为第四卷积层，有256个卷积核，每个卷积核的大小为1x3，卷积步长为1，采用打补丁的方式保证卷积之后的长度与输入长度一致，激活函数为线性整流函数Relu；
第十二层为第四批规范化层；
第十三层为全局平均池化层，将每个特征图所有值相加求平局，得到一个数值，即用该数值表示对应特征图；
第十四层为第一全连接层，神经元个数设置为256，激活函数为线性整流函数Relu；
第十五层为第一失活层Dropout，概率取0.3；
第十六层为第二全连接层，神经元个数设置为128，激活函数为线性整流函数Relu；
第十七层为分类层，多分类函数取Softmax函数。
8.根据权利要求6所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S33中的损失函数L为交叉熵损失函数，表示如下：
其中，M为信道编码参数识别信号类别总数，c表示具体某一类别；yc为指示变量，为0或1，如果该类别c和样本的类别相同，则yc为1，否则为0；pc表示对于观测样本属于类别c的预测概率。
9.根据权利要求1所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S4包括以下步骤：
S41、打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到深度卷积神经网络模型中；
S42、通过Adam优化算法对损失函数L进行迭代优化，为了防止过拟合，设置早停机制，当达到深度卷积神经网络设置的训练次数或验证集的Loss值在10个周期内都不下降时，完成对神经网络的训练，得到训练好的深度卷积神经网络模型。
10.根据权利要求1所述的一种基于深度卷积神经网络的信道编码参数识别方法，其特征在于，所述步骤S5包括以下步骤：
S51、将测试样本集输入到训练好的深度卷积神经网络模型中，得到识别结果；
S52、将识别结果与测试集的真实类别对比，统计识别正确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293872.7A CN111490853A (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293872.7A CN111490853A (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111490853A true CN111490853A (zh) | 2020-08-04 |
Family
ID=71798240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010293872.7A Pending CN111490853A (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111490853A (zh) |
Cited By (14)
| 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 |
| CN112187413A (zh) * | 2020-08-28 | 2021-01-05 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于cnn-lstm的识别sfbc的方法及装置 |
| CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
| CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN113011107A (zh) * | 2021-04-23 | 2021-06-22 | 南京理工大学 | 基于深度卷积神经网络的一维光纤传感信号相位恢复方法 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN113111772A (zh) * | 2021-04-12 | 2021-07-13 | 电子科技大学 | 基于一维多核并行结构的信道编码结构识别方法 |
| CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN115001916A (zh) * | 2022-06-06 | 2022-09-02 | 北京理工大学 | 一种基于深度学习及盲识别的mcs识别方法 |
| CN115314158A (zh) * | 2022-08-01 | 2022-11-08 | 福州大学 | 基于长短期记忆神经网络的编码特征识别方法 |
| CN115499103A (zh) * | 2022-09-20 | 2022-12-20 | 中国人民解放军32802部队 | 一种卷积码盲识别方法 |
| WO2023051741A1 (zh) * | 2021-09-30 | 2023-04-06 | 华为技术有限公司 | 通信方法及装置 |
| CN117375770A (zh) * | 2023-11-08 | 2024-01-09 | 中国人民解放军军事科学院系统工程研究院 | 一种信道编码识别方法和装置 |
| CN117593610A (zh) * | 2024-01-17 | 2024-02-23 | 上海秋葵扩视仪器有限公司 | 图像识别网络训练及部署、识别方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
| CN108282426A (zh) * | 2017-12-08 | 2018-07-13 | 西安电子科技大学 | 基于轻量级深度网络的无线电信号认知识别方法 |
| CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
| CN109495214A (zh) * | 2018-11-26 | 2019-03-19 | 电子科技大学 | 基于一维Inception结构的信道编码类型识别方法 |
| CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
| CN110233703A (zh) * | 2019-05-31 | 2019-09-13 | 天津大学 | 一种基于最大似然译码的快速信道编码盲识别方法 |
-
2020
- 2020-04-15 CN CN202010293872.7A patent/CN111490853A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108282426A (zh) * | 2017-12-08 | 2018-07-13 | 西安电子科技大学 | 基于轻量级深度网络的无线电信号认知识别方法 |
| CN108282263A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于一维深度残差轻量网络的编码调制联合识别方法 |
| CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
| CN109495214A (zh) * | 2018-11-26 | 2019-03-19 | 电子科技大学 | 基于一维Inception结构的信道编码类型识别方法 |
| CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
| CN110233703A (zh) * | 2019-05-31 | 2019-09-13 | 天津大学 | 一种基于最大似然译码的快速信道编码盲识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| EIRINA BOURTSOULATZE;DAVID BURTH KURKA;DENIZ GÜNDÜZ: ""Deep Joint Source-Channel Coding for Wireless Image Transmission "", 《IEEE TRANSACTIONS ON COGNITIVE COMMUNICATIONS AND NETWORKING》 * |
| TOBIAS GRUBER; SEBASTIAN CAMMERER; JAKOB HOYDIS; STEPHAN TEN BRI: ""On Deep Learning-Based Channel Decoding"", 《2017 51ST ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS (CISS)》 * |
| ZHONGYAO ZHAO;CHENGYU LIU;YAOWEI LI;YIXUAN LI;JINGYU WANG;BOR-SH: ""Noise Rejection for Wearable ECGs Using Modified Frequency Slice Wavelet Transform and Convolutional Neural Networks"", 《 IEEE ACCESS ( VOLUME: 7)》 * |
| 杨观赐 等: ""基于Dopout与ADAM优化器的改进CNN算法"", 《华中科技大学学报（自然科学版）》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112187413A (zh) * | 2020-08-28 | 2021-01-05 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于cnn-lstm的识别sfbc的方法及装置 |
| CN112054979B (zh) * | 2020-09-14 | 2022-02-25 | 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 |
| 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 |
| CN112202696A (zh) * | 2020-10-12 | 2021-01-08 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
| CN112202696B (zh) * | 2020-10-12 | 2022-03-29 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
| CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN112332866B (zh) * | 2020-10-28 | 2024-04-30 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN113111772A (zh) * | 2021-04-12 | 2021-07-13 | 电子科技大学 | 基于一维多核并行结构的信道编码结构识别方法 |
| CN113094993B (zh) * | 2021-04-12 | 2022-03-29 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN113011107A (zh) * | 2021-04-23 | 2021-06-22 | 南京理工大学 | 基于深度卷积神经网络的一维光纤传感信号相位恢复方法 |
| WO2023051741A1 (zh) * | 2021-09-30 | 2023-04-06 | 华为技术有限公司 | 通信方法及装置 |
| CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN114548201B (zh) * | 2021-11-15 | 2023-04-07 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN115001916B (zh) * | 2022-06-06 | 2023-08-01 | 北京理工大学 | 一种基于深度学习及盲识别的mcs识别方法 |
| CN115001916A (zh) * | 2022-06-06 | 2022-09-02 | 北京理工大学 | 一种基于深度学习及盲识别的mcs识别方法 |
| CN115314158A (zh) * | 2022-08-01 | 2022-11-08 | 福州大学 | 基于长短期记忆神经网络的编码特征识别方法 |
| CN115499103A (zh) * | 2022-09-20 | 2022-12-20 | 中国人民解放军32802部队 | 一种卷积码盲识别方法 |
| CN115499103B (zh) * | 2022-09-20 | 2023-05-12 | 中国人民解放军32802部队 | 一种卷积码盲识别方法 |
| CN117375770A (zh) * | 2023-11-08 | 2024-01-09 | 中国人民解放军军事科学院系统工程研究院 | 一种信道编码识别方法和装置 |
| CN117375770B (zh) * | 2023-11-08 | 2024-03-22 | 中国人民解放军军事科学院系统工程研究院 | 一种信道编码识别方法和装置 |
| CN117593610A (zh) * | 2024-01-17 | 2024-02-23 | 上海秋葵扩视仪器有限公司 | 图像识别网络训练及部署、识别方法、装置、设备及介质 |
| CN117593610B (zh) * | 2024-01-17 | 2024-04-26 | 上海秋葵扩视仪器有限公司 | 图像识别网络训练及部署、识别方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111490853A (zh) | 一种基于深度卷积神经网络的信道编码参数识别方法 | |
| Li et al. | Robust automated VHF modulation recognition based on deep convolutional neural networks | |
| Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
| CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
| CN110166387B (zh) | 一种基于卷积神经网络识别信号调制方式的方法及系统 | |
| CN110084126B (zh) | 一种基于Xgboost的卫星通信干扰样式识别方法 | |
| CN109586730A (zh) | 一种基于智能后处理的极化码bp译码算法 | |
| Ye et al. | Circular convolutional auto-encoder for channel coding | |
| CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
| CN113205140B (zh) | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 | |
| CN114157539B (zh) | 一种数据知识双驱动的调制智能识别方法 | |
| Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
| CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
| CN107240100B (zh) | 一种基于遗传算法的图像分割方法和系统 | |
| CN117081895B (zh) | 一种基于自适应降噪的自动调制识别方法 | |
| CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
| CN114513367A (zh) | 基于图神经网络的蜂窝网络异常检测方法 | |
| CN113570032A (zh) | 基于半监督深度神经网络的有限数据频谱感知方法 | |
| Valadão et al. | Mobilenetv3-based automatic modulation recognition for low-latency spectrum sensing | |
| Zhang et al. | Blind recognition of channel coding based on CNN-BLSTM | |
| CN116205135A (zh) | 基于数据分解和神经网络的so2排放预测方法及系统 | |
| CN113111772A (zh) | 基于一维多核并行结构的信道编码结构识别方法 | |
| Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
| Du et al. | Modulation Recognition Based on Denoising Bidirectional Recurrent Neural Network | |
| Xu et al. | Digital modulation recognition method based on self-organizing map neural networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |
|
| RJ01 | Rejection of invention patent application after publication |