CN111507299A - 一种频域上使用卷积神经网络识别stbc信号的方法 - Google Patents
一种频域上使用卷积神经网络识别stbc信号的方法 Download PDFInfo
- Publication number
- CN111507299A CN111507299A CN202010334648.8A CN202010334648A CN111507299A CN 111507299 A CN111507299 A CN 111507299A CN 202010334648 A CN202010334648 A CN 202010334648A CN 111507299 A CN111507299 A CN 111507299A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- convolutional neural
- stbc
- identifying
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000021615 conjugation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 101100277835 Caulobacter vibrioides (strain ATCC 19089 / CB15) divL gene Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
Abstract
基于深度学习的通信信号识别是当前研究的热点,本发明公开了一种频域上使用卷积神经网络识别STBC信号的方法,在使用卷积神经网路对STBC进行识别时,通过进行傅里叶变换或求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法,提取信号特征,再输入卷积神经网络进行识别。通过本发明处理过的信号能够更好的提取接收信号特征,提高利用卷积神经网络识别的效果。
Description
技术领域
本发明属于信号处理领域中非协作通信信号处理技术,具体是指一种频域上使用卷积神经网络识别 STBC信号的方法。
背景技术
通信信号盲识别技术是当今学术界和工程界研究的热点,无论是在军事通信领域还是民用通信领域,通信盲识别技术都得到广泛应用。空时分组码识别是指在接收端不知道信道状态信息的情况下,只利用接收端识别发射端所采用的空时编码方式。目前关于STBC编码类型识别都是传统算法,主要分为基于特征提取和基于最大似然算法,其中基于特征提取算法不需要对信道等先验信息进行预估,因此适合应用非合作通信场合。近几年,机器学习在调制识别已经取得一定进展,文献中采用卷积神经网络识别11种调制信号,包括数字调制信号和模拟调制信号,且识别正确率在90%以上。目前CNN主要用于信号调制识别,尚未应用于信道编码识别。本发明的算法是针对信道编码中6种不同的STBC信号进行识别,包括两种码长相同的STBC信号。
发明内容
本发明的内容是在全盲条件下,对6种STBC信号进行识别。
为解决上述技术问题,本发明是通过以下技术方案实现的:首先构建包含6种STBC数据集,以长度为128构成新的数据集r(n),然后采用一种频域预处理算法对数据进行预处理,通过STBCCNN网络识别信号类型。
本发明考虑的6种STBC信号编码方式详细的方案如下:SM(nt=2,Ns=2,L=1), AL(nt=2,Ns=2,L=2),STBC3-1(nt=3,Ns=3,L=4),STBC3-2(nt=3,Ns=3,L=4), STBC3-3(nt=3,Ns=4,L=8),STBC4(nt=4,Ns=4,L=8),其中nt代表发射天线个数,Ns代表编码矩阵传输符号个数,L代表码长,相应的编码矩阵为:
不失一般性,假定r(0)截获的是第b个传输块的(n1+1)个信号,接收信号r(n)可以表示为:
r(n)=HS(n)+w(n) (7)
所述的构造一种频域预处理,具体为:将数据集r(n)进行FFT变换,然后实部虚部分开构建新的数据集。具体为:首先将长度为128的信号r(n)进行FFT运算,计算公式如下:
由于卷积神经网络只能处理二维数据,因此分开X(k)信号实部和虚部构建一个二维的数据集,具体操作如下:
所述的构造了一种频域预处理,具体为:将数据集r(n)计算自相关函数E[r(n)r(n)],然后在进行FFT 变换,最后实部和虚部分开构建新的数据集。
首先计算r(n)的自相关函数:
mr,2,0(n)=E{r(n)r(n)} (10)
然后对mr,2,0(n)进行FFT运算:
由于卷积神经网络只能处理二维数据,执行式(9)的计算。
所述的构造了一种频域预处理,具体为:将数据集r(n)计算自相关函数E[r(n)r*(n)],然后在进行FFT变换,最后实部和虚部分开构建新的数据集。
首先计算r(n)的自相关函数:
mr,2,0(n)=E[r(n)r*(n)] (12)
其中()*为共轭,然后执行式(11)计算和式(9)计算。
本发明所提的算法主要依据是数据集的频域形式,采用STBCCNN识别文中所提的6种STBC信号。算法流程为:预处理原始数据,训练构建的卷积神经网络参数,识别目标信号。
(1)预处理数据
将原始的样本以长度为128构建数据,采用文中提到的三种频域处理算法中一种对原始样本进行预处理。
(2)训练网络参数
将预处理后得到的二维标签数据输入STBCCNN,对网络进行训练,当代价函数值取得最小值搭建模型参数为最优参数。
(3)识别目标信号
识别时,将未知信号经过预处理后,输入STBCCNN,识别出不同的STBC信号。
本发明方法能识别在全盲条件下6种STBC信号,其中包括两种码长相同的STBC信号,且在低信噪比下识别效果较好。
本发明方法能识别在全盲条件下6种STBC信号,其中包括两种码长相同的STBC信号,且在低信噪比下识别效果较好。
附图说明
图1 是本发明所述方法的总体流程图。
图2 训练过程代价函数。
图3 6种STBC信号的识别概率。
图4 在不同信噪比下混淆矩阵。
图5 不同频域预处理算法对比。
具体实施方式
本实施方式的总体流程图如图1所示,并采用的STBCCNN网络。
本实施例所述方法实现过程如下:
1)采样,初始化数据;
2)预处理数据;
3)搭建STBCCNN,并利用训练集训练网络参数;
4)识别信号。
实例中无特殊说明,仿真参数如下设置:数据集中包含6种STBC信号,分别为SM、AL、STBC3-1、 STBC3-2、STBC3-3、STBC4,采用QPSK调制方式,信道采用Nakagami信道,信噪比定义为其中为每根发射天线的功率,为高斯噪声功率。正确识别概率pc(λ|λ)衡量算法性能。
训练过程中代价函数变化如图2所示,整个训练和测试过程大约为1分钟,代价函数大概在epochs=25 时收敛。
图3为6种不同STBC信号的识别概率,当SNR=0dB时信号识别概率约为0.9,当SNR=5dB时信号识别概率约为0.95,识别性能理想。
图4为不同信噪比下混淆矩阵的情况,从图中可以发现,在SNR值高时,混淆矩阵呈现对角特征,在SNR值低时,会出现信号错判的现象,也侧面印证了图4的识别概率。
图5为三种不同频域预处理的识别算法性能对比,从图中可以发现,两种自相关函数的预处理算法性能基本相同,优于直接采用FFT运算,主要是由于采用自相关函数后数据集的特征更明显,有利于后期数据识别。
Claims (5)
1.一种频域上使用卷积神经网络识别STBC信号的方法,其特征在于:通过进行傅里叶变换或求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法,再输入卷积神经网络对STBC信号进行识别。
2.根据权利要求1所述的一种频域上使用卷积神经网络识别STBC信号的方法,其特征在于,所述的通过进行傅里叶变换的方式对接收信号进行预处理的方法,具体为:将数据集r(n)进行FFT变换,得到用于卷积神经网络训练的信号数据。
3.根据权利要求1所述的一种频域上使用卷积神经网络识别STBC信号的方法,其特征是,所述的通过求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法,具体为:将数据集r(n)计算自相关函数E[r(n)r(n)],得到用于卷积神经网络训练的信号数据。
4.根据权利要求1所述的一种频域上使用卷积神经网络识别STBC信号的方法,其特征是,所述的通过求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法,具体为:将数据集r(n)计算自相关函数E[r(n)r*(n)],()*为共轭,然后再进行FFT变换,得到用于卷积神经网络训练的信号数据。
5.根据权利要求1所属的一种频域上使用卷积神经网络识别STBC信号的方法,其特征是,所述的输入卷积神经网络对STBC信号进行识别,具体为,将经过预处理后的一维数据的实部和虚部按行排列,构成二维输入信号,将包含标签的二维信号输入卷积神经网络中进行训练,网络收敛后得到训练后的网络,需要识别时,将未知接收信号经过预处理和一维信号变二维信号的操作后输入网络即可得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334648.8A CN111507299A (zh) | 2020-04-24 | 2020-04-24 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334648.8A CN111507299A (zh) | 2020-04-24 | 2020-04-24 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507299A true CN111507299A (zh) | 2020-08-07 |
Family
ID=71864268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010334648.8A Pending CN111507299A (zh) | 2020-04-24 | 2020-04-24 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507299A (zh) |
Cited By (3)
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 |
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120121002A1 (en) * | 2010-11-15 | 2012-05-17 | Industrial Technology Research Institute | Receiver and Signal Receiving Method Thereof |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110659684A (zh) * | 2019-09-23 | 2020-01-07 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络stbc信号识别方法 |
CN110688959A (zh) * | 2019-09-27 | 2020-01-14 | 上海特金信息科技有限公司 | 无人机信号识别方法、装置、电子设备与存储介质 |
-
2020
- 2020-04-24 CN CN202010334648.8A patent/CN111507299A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120121002A1 (en) * | 2010-11-15 | 2012-05-17 | Industrial Technology Research Institute | Receiver and Signal Receiving Method Thereof |
CN108764013A (zh) * | 2018-03-28 | 2018-11-06 | 中国科学院软件研究所 | 一种基于端到端卷积神经网络的无线电信号识别方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110659684A (zh) * | 2019-09-23 | 2020-01-07 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络stbc信号识别方法 |
CN110688959A (zh) * | 2019-09-27 | 2020-01-14 | 上海特金信息科技有限公司 | 无人机信号识别方法、装置、电子设备与存储介质 |
Non-Patent Citations (1)
Title |
---|
闫文君: "《空时分组码盲识别技术综述》", 《计算机与现代化》 * |
Cited By (4)
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 |
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
CN113098664B (zh) * | 2021-03-31 | 2022-10-11 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN110300078B (zh) | 基于课程学习的调制信号识别方法 | |
CN111507299A (zh) | 一种频域上使用卷积神经网络识别stbc信号的方法 | |
Wang et al. | Radar emitter recognition based on the short time Fourier transform and convolutional neural networks | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN114157539B (zh) | 一种数据知识双驱动的调制智能识别方法 | |
CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
Kong et al. | A transformer-based CTDNN structure for automatic modulation recognition | |
Juan-ping et al. | Automatic modulation recognition of digital communication signals | |
Ying et al. | A convolutional and transformer based deep neural network for automatic modulation classification | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
CN108600137B (zh) | 一种基于反向传播神经网络的新型多载波识别方法 | |
Nkechinyere et al. | Automatic radar waveform recognition using the Wigner-Ville distribution and AlexNet-SVM | |
CN116383656A (zh) | 用于大规模mimo定位的半监督表征对比学习方法 | |
Lin et al. | Features fusion based automatic modulation classification using convolutional neural network | |
Yin et al. | Short-time modulation classification of complex wireless communication signal based on deep neural network | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |