CN111612130B - 一种频移键控通信信号调制方式识别方法 - Google Patents

一种频移键控通信信号调制方式识别方法 Download PDF

Info

Publication number
CN111612130B
CN111612130B CN202010417940.6A CN202010417940A CN111612130B CN 111612130 B CN111612130 B CN 111612130B CN 202010417940 A CN202010417940 A CN 202010417940A CN 111612130 B CN111612130 B CN 111612130B
Authority
CN
China
Prior art keywords
frequency
signal
time
neural network
instantaneous
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
Application number
CN202010417940.6A
Other languages
English (en)
Other versions
CN111612130A (zh
Inventor
孙晓东
魏久晰
苗顺程
王莹
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202010417940.6A priority Critical patent/CN111612130B/zh
Publication of CN111612130A publication Critical patent/CN111612130A/zh
Application granted granted Critical
Publication of CN111612130B publication Critical patent/CN111612130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Noise Elimination (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种频移键控通信信号调制方式识别方法，涉及通信技术领域，通过提升信号时频图的信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频移键控通信信号类内调制模式的识别，提出一种高斯白噪声背景下基于时频图信噪比提升和卷积神经网络相结合的频移键控信号调制方式识别方法。

Description

一种频移键控通信信号调制方式识别方法
技术领域
本发明涉及通信技术领域，特别涉及一种频移键控通信信号调制方式识别方法。
背景技术
目前通信技术快速发展，作为接受信号与信号解调之间的中间环节，通信信号的调制识别技术在电子对抗、频谱管理、认知无线电等领域发挥着重要作用。频移键控信号由于调制简单、成本便利等优点，在军事及民用领域有着广泛的应用，因此对频移键控信号调制方式识别的研究具有重要意义。
现有信号调制方式识别主要分为两类：基于决策理论的最大似然假设检验方法和基于特征提取的模式识别方法。对于频移键控信号的调制识别，基于决策理论的最大似然假设检验方法所需先验知识较多，并且判决运算复杂，不具有工程实时应用性。基于特征提取的模式识别方法首先需要提取信号特征，再根据特征设计分类器做出决策分类。常用的基于瞬时特征以及高阶累积量等特征的识别方法，存在受信噪比影响较大以及阈值难以确定的问题，导致基于特征提取的模式识别方法调制识别效果较差。因此如何在低信噪比下简便、有效地识别频移键控通信信号调制方式是通信信号识别领域亟需解决的问题。
本申请提供了一种频移键控通信信号调制方式识别方法，通过提升信号时频图的信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频移键控通信信号类内调制模式的识别，提出一种高斯白噪声背景下基于时频图信噪比提升和卷积神经网络相结合的频移键控信号调制方式识别方法。
发明内容
本发明的目的在于提供一种频移键控通信信号调制方式识别方法，通过提升信号时频图的信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频移键控通信信号类内调制模式的识别。
本发明提供了一种频移键控通信信号调制方式识别方法，包括以下步骤：
S1：对频移键控信号进行采样，对采样的频移键控信号进行平滑伪Wigner-Ville分布SPWVD变换时频分析；
S2：利用SPWVD时频分布的能量沿瞬时频率集中的特性，估计调制信号的瞬时频率；
S3：利用估计得到的信号瞬时频率重构解析信号，利用SPWVD生成信号时频图，把信号时频分布图处理为灰度图，作为卷积神经网络的输入；
S4：利用卷积神经网络对含有信号时频特征的灰度图进行分类识别。
进一步地，对步骤S1中的采样的频移键控信号做分段处理，对长度为L的信号进行分段，共分为N段，每段长度为2048个采样点，N的取值为50或100。
进一步地，在较低信噪比的情况下实现步骤S2中迭代的瞬时频率的估计，其步骤为：
S21：对原始信号z0(t)进行SPWVD变换，得到信号时频分布图，检测SPWVD时频分布每个时刻对应的能量峰值点，得到该时刻能量峰值点对应频率，并作为初次估计的瞬时频率
Figure GDA0003950977660000021
S22：根据初次估计的瞬时频率在时间上的积分求出估计信号的瞬时相位，进而重构信号时间序列
Figure GDA0003950977660000022
该时间序列为原始信号的估计值；
S23：对重构信号进行下一次的SPWVD时频分布峰值检测，得到下一次的瞬时频率估计值
Figure GDA0003950977660000023
重构信号
Figure GDA0003950977660000024
S24：若第n次迭代得到频率和第n-1次瞬时频率估计的误差小于预设阈值，则此时瞬时频率估计值
Figure GDA0003950977660000031
为含噪信号的精确瞬时频率估计值，否则继续迭代。
进一步地，如步骤S3中所述生成信号时频图的步骤为：
S31：采用瞬时频率估计值
Figure GDA0003950977660000032
重构时域信号
Figure GDA0003950977660000033
然后对其进行SPWVD时频变换得到待检信号三维时频图SPWVD(t,f)，在所述S2迭代信噪比提升方法的基础上分别得到三种频移键控信号各N幅三维时频图像；
S32：对所有三维时频图进行灰度变换，读取每段信号时频图的俯视图，通过matlab中的灰度变换函数对三维时频图的俯视图进行灰度变换，每类调制类型信号都生成N幅二维灰度图片，所述二维灰度图片含有信号的调制类型特征；
S33：对二维灰度图像进行标记，标记后的二维时频灰度图像集合作为后续卷积神经网络的训练集和验证集。
进一步地，所述S4中的卷积神经网络的训练步骤为：
S41：设置神经网络结构及参数，选用的神经网络为多层卷积神经网络，首先设置卷积层和池化层的个数，然后设置每个卷积层和池化层中卷积核以及池化核的个数和大小，最后设置全连接层的神经元个数以及输出层神经元的个数；
S42：训练设置好的卷积神经网络，将作为训练数据的已知调制类型的频移键控信号信噪比提升后生成的二维时频灰度图像作为输入，设置训练参数，对设置好的卷积神经网络进行训练；
S43：调整卷积神经网络参数，根据卷积神经网络输出的分类结果与真实标签的比较，通过反向传播算法调整更新模型参数，达到最优的网络参数；
S44：保存训练好的神经网络，将训练并调整好参数的卷积神经网络模型保存，用于后续对待识别数据的信号调制识别。
与现有技术相比，本发明具有如下显著优点：
第一，本发明以信号时频分布图中能量极值点作为信号瞬时频率估计值，提取频移键控信号的瞬时频率特征，通过迭代操作减少噪声引起的伪能量峰值点的影响，得到较为准确的信号瞬时频率估计，由其构造的信号时频图信噪比明显提升，更能清晰显示出信号的时变特征。
第二，本发明采用SPWVD时频分布作为产生信号时频分布图方法，以其作为迭代瞬时频率估计的输入，可显著提高单次信号瞬时估计精度。SPWVD相较传统WVD时频分析方法增加了时间和频率两个方向上的窗函数，不仅对高斯白噪声起到了抑制作用，还具有较高时频聚集性和抑制交叉项干扰的能力，因此以SPWVD二维时频图为基础的瞬时频率估计准确度更高。
第三，与现有调制识别方法相比，本发明采用时频图信噪比提升和容错能力较好的卷积神经网络相结合的方法，有效地解决了在低信噪比下频移键控信号调制识别识别率低的问题。
附图说明
图1为本发明提供的基于时频图信噪比提升和卷积神经网络的调制识别方法流程图；
图2为本发明提供的训练数据处理流程图；
图3为本发明提供的待识别数据处理流程图；
图4为本发明提供的基于时频峰值检测的迭代瞬时频率估计方法流程图；
图5为本发明提供的-5dB训练数据信号时域图；
图6为本发明提供的-5dB训练数据信号频率估计结果图；
图7为本发明提供的-5dB训练数据信号时频图；
图8为本发明提供的-5dB训练数据信号信噪比提升时频图；
图9为本发明提供的-5dB待识别数据信号时域波形图；
图10为本发明提供的-5dB待识别数据信号迭代时频峰值检测频率估计结果图；
图11为本发明提供的-5dB待识别数据信号时频图；
图12为本发明提供的-5dB待识别数据信号信噪比提升时频图；
图13为本发明提供的多层深度卷积神经网络结构图；
图14为本发明提供的最大池化算法示意图；
图15为本发明提供的调制识别方法性能曲线图。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
为了便于理解和说明，如附图1-15所示，本发明提供了一种频移键控通信信号调制方式识别方法，包括以下步骤：
S1：对频移键控信号进行采样，对采样的频移键控信号进行平滑伪Wigner-Ville分布SPWVD变换时频分析，抑制高斯白噪声以及时间和频率两个方向的交叉项带来的干扰；
S2：利用SPWVD时频分布的能量沿瞬时频率集中的特性，估计调制信号的瞬时频率，并多次迭代估计提高瞬时频率估计准确度；
S3：利用估计得到的信号瞬时频率重构解析信号，利用SPWVD生成信号时频图，把信号时频分布图处理为灰度图，作为卷积神经网络的输入；
S4：利用卷积神经网络对信号时频特征的灰度图进行分类识别，同时对卷积神经网络的模型结构以及参数的调整和优化，进一步提高识别准确率。
进一步地，为了提高算法的计算速度和效率，对步骤S1中的采样的频移键控信号做分段处理，对长度为L的信号进行分段，共分为N段，每段长度为2048个采样点，N的取值为50或100。本发明实例采用的2FSK、4FSK和8FSK三种调制方式信号仅为对应多进制频移键控(MFSK)信号的特例，其他频移键控通信信号同样有效识别。
进一步地，通过迭代的时频峰值检测方法估计训练数据信号瞬时频率：SPWVD是一种二次型时频分布分析方法，其信号能量沿瞬时频率集聚性好，具有一定的噪声抑制能力，因此信号时频分布中每个时刻频率轴上能量峰值点对应的频率可以作为信号的瞬时频率估计值。当信号受到噪声干扰，特别是低信噪比时，时频图存在模糊现象，某些时刻信号频率点对应的能量值可能不为最大值，仅通过一次检测时频图峰值来估计信号瞬时频率误差较大。为了减少噪声对信号时频图的影响，提高待测信号信噪比，提出基于时频峰值检测的迭代瞬时频率估计方法，提升瞬时频率估计精度。该精确估计的瞬时频率可用于后续步骤重构新的信号，重构的信号时频分布信噪比大大提高，凸显信号瞬时特征，有利于提高卷积神经网络对信号调制类型的识别率。在较低信噪比的情况下实现步骤S2中迭代的瞬时频率的估计，其步骤为：
S21：对原始信号z0(t)(含有高斯白噪声)进行SPWVD变换，得到信号时频分布图，检测SPWVD时频分布每个时刻对应的能量峰值点，得到该时刻能量峰值点对应频率，并作为初次估计的瞬时频率
Figure GDA0003950977660000061
S22：根据初次估计的瞬时频率在时间上的积分求出估计信号的瞬时相位，进而重构信号时间序列
Figure GDA0003950977660000062
该时间序列为原始信号的估计值，与原始信号相比，该估计信号信噪比有所提升；
S23：对重构信号进行下一次的SPWVD时频分布峰值检测，得到下一次的瞬时频率估计值
Figure GDA0003950977660000063
重构信号
Figure GDA0003950977660000064
S24：若第n次迭代得到频率和第n-1次瞬时频率估计的误差小于预设阈值，则此时瞬时频率估计值
Figure GDA0003950977660000065
为含噪信号的精确瞬时频率估计值，否则继续迭代。
进一步地，如步骤S3中所述生成信号时频图的步骤为：
S31：采用瞬时频率估计值
Figure GDA0003950977660000066
重构时域信号
Figure GDA0003950977660000067
(
Figure GDA0003950977660000068
相对于z0(t)信噪比大大提升)，然后对其进行SPWVD时频变换得到待检信号三维时频图SPWVD(t,f)，在所述S2迭代信噪比提升方法的基础上分别得到三种频移键控信号各N幅三维时频图像；
S32：对所有三维时频图进行灰度变换，读取每段信号时频图的俯视图，通过matlab中的灰度变换函数对三维时频图的俯视图进行灰度变换，每类调制类型信号都生成N幅二维灰度图片，所述二维灰度图片含有信号的调制类型特征；
S33：对二维灰度图像进行标记，标记方法以三类调制类型为例，2FSK信号对应生成的二维时频图标记为1-i，其中1表示调制方式为二进制数字频移键控，i表示对应为2FSK的第i幅二维时频图；将4FSK信号对应生成的二维时频图标记为2-i，其中2表示调制方式为四进制数字频移键控，i表示对应为4FSK的第i幅二维时频图；将8FSK信号对应生成的二维时频图标记为3-i，其中3表示调制方式为二进制数字频移键控，i表示对应为8FSK的第i幅二维时频图。标记后的二维时频灰度图像集合作为后续卷积神经网络的训练集和验证集。
进一步地，所述S4中的卷积神经网络的训练步骤为：
S41：设置神经网络结构及参数，选用的神经网络为多层卷积神经网络，首先设置卷积层和池化层的个数，然后设置每个卷积层和池化层中卷积核以及池化核的个数和大小，最后设置全连接层的神经元个数以及输出层神经元的个数；
S42：训练设置好的卷积神经网络，将作为训练数据的已知调制类型的频移键控信号信噪比提升后生成的二维时频灰度图像作为输入，设置训练参数，对设置好的卷积神经网络进行训练；
S43：调整卷积神经网络参数，根据卷积神经网络输出的分类结果与真实标签的比较，通过反向传播算法调整更新模型参数，达到最优的网络参数；
S44：保存训练好的神经网络，将训练并调整好参数的卷积神经网络模型保存，用于后续对待识别数据的信号调制识别。
其中，对待识别数据的处理步骤为：
一、信号分段：与作为训练数据的已知调制方式的频移键控信号一样，对待识别的未知调制类型的频移键控信号做分段处理。假设采样数据长度为h，对长度为h的信号进行分段，共分为M段，每段长度为2048个采样点，为便于计算识别率M的取值一般采用50或100。
二、通过迭代的时频峰值检测方法估计待识别数据信号瞬时频率：估计M段待识别数据信号的瞬时频率方法与对训练数据信号的瞬时频率估计方法相同。基于时频峰值检测的迭代瞬时频率估计方法提升了瞬时频率估计精度，通过估计的瞬时频率重构估计信号，该信号对应的时频分布图信噪比显著提升，减少了噪声对信号瞬时特征提取带来的影响，有利于提高卷积神经网络对信号调制类型的识别率。首先对待识别数据信号z0′(t)进行SPWVD变换，检测SPWVD时频分布每个时刻对应的能量峰值点对应频率，得到初次瞬时频率估计值
Figure GDA0003950977660000081
根据初次瞬时频率估计值在时间上的积分求出估计信号的瞬时相位，进而重构对应初次估计瞬时频率值的估计信号
Figure GDA0003950977660000082
与原始信号相比，该估计信号信噪比有所提升。然后对重构信号进行下一次的SPWVD时频分布峰值检测，得到下一次的瞬时频率估计值
Figure GDA0003950977660000083
重构信号
Figure GDA0003950977660000084
多次迭代直到连续两次估计的误差小于预设阈值，认为得到的瞬时频率估计值
Figure GDA0003950977660000085
为最终的瞬时频率估计值。
三、根据瞬时频率最终估计值
Figure GDA0003950977660000086
重构信号
Figure GDA0003950977660000087
并对其进行SPWVD时频变换得到待检信号三维时频图SPWVD(t,f)：根据M段待识别数据信号的瞬时频率估计值在时间上的积分求出估计信号的瞬时相位，进而重构待识别数据信号时间序列，该时间序列为待识别数据信号的估计值
Figure GDA0003950977660000088
并进行SPWVD变换，生成三种频移键控信号各M幅三维时频图像。
四、对时频图像进行灰度变换：读取M幅三维时频图的俯视图，通过Matlab中的灰度变换函数对三维时频图的俯视图进行灰度变换，得到M幅二维时频图灰度图像，作为下面卷积神经网络调制识别待识别数据信号的输入。
其中，待识别数据信号调制方式识别方法为：利用此前保存的已经训练好的卷积神经网络，将对应待识别数据信号M幅的二维时频图灰度图像输入到卷积神经网络中，识别待识别数据信号的调制方式。
实施例1
如图1所示，目前对于信号调制方式识别在低信噪比下对频移键控信号类内调制方式识别方法还存在不足，噪声的存在对瞬时特征提取带来了误差，进而影响信号调制方式的识别效果。针对以上存在的问题，本发明提出一种高斯白噪声下基于时频分布信噪比提升和卷积神经网络相结合的调频信号调制方式识别方法，将对已知调制类型信号处理得到的二维时频图灰度图片输入到卷积神经网络中进行训练，训练完成后将待识别数据信号输入到训练好的卷积神经网络即可进行调制方式的识别。
实施例2
选取不同信噪比下的2FSK、4FSK、8FSK三种频移键控信号作为训练数据。对训练数据的处理如图2所示。首先仿真生成三种频移键控信号，然后通过分段处理得到三种频移键控信号各N段数据，每段数据长度为2048个采样点。通过基于时频峰值检测的迭代瞬时频率估计方法估计已知调制类型的频移键控信号的瞬时频率。由于二次型时频分布分析方法信号能量沿瞬时频率集聚性好，具有一定的噪声抑制能力，因此通过检测信号时频分布中每个时刻频率轴上能量峰值点对应的频率可以得到信号的瞬时频率估计值。
基于时频峰值检测的迭代频率估计方法中使用的二次型时频分布为SPWVD，SPWVD的核函数在时间和频率上采用独立的平滑窗函数，在保留了较强的时频聚集性的同时也抑制了频率和时间两个方向上的交叉项。定义式为：
Figure GDA0003950977660000091
式中h和g分别为时域和频域上的平滑窗函数。
在低信噪比下，由于信号中存在干扰，当信号受到噪声干扰，特别是低信噪比时，时频图存在模糊现象，某时刻信号频率点对应的能量值可能不为最大值，因此通过一次检测SPWVD峰值来估计信号瞬时频率会带来大量的误差。为了消除噪声对频率估计带来的干扰，提升瞬时频率估计精度，提出基于时频峰值检测的迭代瞬时频率估计方法，步骤如下：
(1)对待估计信号x(t)做Hilbert变换，变为解析信号z(t)，变换式如下(如信号为正交信号则跳过此步骤)：
Figure GDA0003950977660000101
(2)对z(t)做SPWVD变换，检测SPWVD时频分布的峰值，得到初次估计的瞬时频率
Figure GDA0003950977660000102
估计式表示为：
Figure GDA0003950977660000103
(3)根据初次估计的瞬时频率
Figure GDA0003950977660000104
在时间上的积分求出估计信号的瞬时相位：
Figure GDA0003950977660000105
(4)根据瞬时相位重构信号，重构信号的解析形式表示为：
Figure GDA0003950977660000106
(5)对重构信号
Figure GDA0003950977660000107
进行第二次的SPWVD峰值检测，得到第二次的瞬时频率估计值
Figure GDA0003950977660000108
(6)计算前后两次瞬时频率估计值的最小均方根误差，如果计算得到的最小均方根误差大于预设的阈值，则重复执行步骤c、d、e。一直到连续两次估计的均方根误差小于预设阈值，则认为得到的瞬时频率估计值
Figure GDA0003950977660000109
为最终的瞬时频率估计值。
本发明所采用的基于时频峰值检测的迭代瞬时频率估计方法可以显著地提升瞬时频率估计精度。该精确估计的瞬时频率可用于后续步骤重构新的信号，重构的信号时频分布信噪比大大提高，凸显信号瞬时特征，有利于提高卷积神经网络对信号调制类型的识别率。按照上述的步骤，对作为训练数据的已知调制类型的N段频移键控信号进行了瞬时频率估计，部分训练数据信号的时域波形图以及对应的瞬时频率估计结果如图5和图6所示。
实施例3
根据得到的训练数据信号瞬时频率估计值，重构得到作为训练数据信号估计值的估计信号，重构方法与迭代瞬时频率估计中方法相同。接下来对重构得到的估计信号进行SPWVD变换，生成的部分SPWVD三维时频图的俯视图如图8所示。为了简化数据便于神经网络训练学习，将得到的SPWVD三维时频图的俯视图做灰度变换处理，得到训练数据信号二维时频图灰度图像，部分图像如图8所示。最后对2FSK、4FSK、8FSK三种频率信号对应生成的二维时频图灰度图像做标记，将2FSK信号对应生成的二维时频图标记为1-i；将4FSK信号对应生成的二维时频图标记为2-i；将8FSK信号对应生成的二维时频图标记为3-i。标记后的二维时频灰度图像集合作为卷积神经网络的训练集和验证集。
图7为部分训练数据信号的时频图以及对应的时频图灰度图像。通过对比图7和图8可以看出，时频信噪比提升后的信号信噪比显著升高，信噪比提升后的时频图瞬时特征明显，有利于卷积神经网络对信号调制类型的识别率的提高。
实施例4
本发明中的待识别数据信号是由Matlab仿真产生的，包括2FSK、4FSK、8FSK三种频移键控调制方式的频移键控信号，并加入高斯白噪声，部分待识别数据的信号时域波形图如图9所示。对于待识别数据的处理与对训练数据的处理类似，流程图如图3所示。首先将待识别数据信号分成M段，对M段信号做SPWVD变换，通过检测SPWVD时频图的峰值来估计待识别信号的瞬时频率，多次迭代估计直到噪声影响最小，得到最终的瞬时频率估计值，部分瞬时频率估计结果如图10所示。然后根据估计的瞬时频率重构得到待识别数据信号的估计信号。估计信号是待识别数据信号的估计值，相比原待识别数据信号信噪比显著提升。对估计信号进行SPWVD变换，得到待识别数据信号三维时频图。然后通过Matlab中自带的灰度变换函数将得到的SPWVD三维时频图的俯视图做灰度变换处理，得到待识别数据信号二维时频图灰度图像。
图11为在-5dB高斯白噪声下的部分待识别数据信号的SPWVD三维时频图的俯视图以及时频图对应的时频灰度图像，图12为-5dB高斯白噪声下的部分待识别数据信号信噪比提升后的SPWVD三维时频图的俯视图以及时频图对应的时频灰度图像。通过对比图11和图12可以看出，待识别数据信号通过迭代时频峰值检测得到的瞬时频率估计值重构得到的估计信号的时频图相比原待识别数据信号时频图信噪比明显提升，特征更加易于区分，并且保留了较高的时频聚集性，降低了低信噪比下噪声对调制识别效果带来的影响，有利于进行调制方式识别。
实施例5
本发明中使用的卷积神经网络结构如图13所示。本发明中搭建的卷积神经网络包括一个输入层、两个卷积层、两个池化层、一个Flatten层、一个全连接层以及一个输出层。输出层是一个64*64的单通道灰度图片矩阵，第一个卷积层采用6个卷积核，尺寸大小为13*13，步长为1，经过第一个卷积层提取原图特征后，得到6个52*52大小的特征图。接下来通过第一个池化层，池化方式选择最大池化，池化运算过程如图14所示，大小为2*2，通过池化操作可以保留特征图的主要特征，减少计算量，池化后得到6个大小为26*26的特征图。第二个卷积层和池化层与第一个卷积层和池化层相同，第二个卷积层采用6个大小为13*13的卷积核，经过第二次卷积操作后得到36个大小为14*14的特征图；第二个池化层选用大小为2*2的池化核，池化方式选用最大池化，经过此二次池化操作后得到36个大小为7*7的特征图。将第二次池化后的输出连接到Flatten层，将多维的输入压平变成一维。接下来连接到一个长度为150维的全连接层，得到150维的向量。为了防止模型过拟合化，采用Dropout正则化方法，增强模型泛化能力，然后选用Softmax作为激活函数，输出3分类的结果。
设置好神经网络的结构及参数后，将训练数据信号的二维时频图灰度图像作为训练集和测试集输入到卷积神经网络中训练，根据训练集和测试集的损失函数及准确率调整，通过反向传播算法调整更新，达到最优的网络参数，得到训练好的卷积神经网络。
实施例6
基于时频图信噪比提升和卷积神经网络的调制识别方法同实施例1-5。
1.仿真条件
对训练数据信号和待识别信号的分段处理、迭代时频峰值瞬时频率估计以及二维时频图灰度图像的生成等部分在MatlabR2014b仿真软件中完成，卷积神经网络的搭建、调参、以及识别等部分在Python中完成。训练数据信号和待识别数据信号的信噪比选为-5db～+5db。卷积神经网络中训练集为1000张训练数据信号的二维时频图灰度图像，测试集为300张待识别数据信号的二维时频图灰度图像。
2.仿真内容
对本发明提出的方法进行调制方式识别性能仿真，并计算三种频移键控信号的平均识别率。
3.仿真结果
本发明所提出方法识别三种频移键控信号的分类性能仿真曲线如图15所示，横轴表示待调制识别信号的信噪比，纵轴表示平均识别正确率。对比时频信噪比提升前后的识别率曲线,时频信噪比提升后在-5dB时的平均识别率由73.75％升至87.35％，然后随着信噪比的增加，时频信噪比提升后识别率几乎稳定在98％以上。由此可见本发明在低信噪比下可以对2FSK、4FSK和8FSK三种调制方式的信号进行识别，对于其他的多进制频移键控信号同样适用，所提出的基于时频图信噪比提升和卷积神经网络的频移键控通信信号调制识别方法能够克服低信噪比下噪声造成的影响，有效识别频移键控信号的调制方式。

Claims (4)

1.一种频移键控通信信号调制方式识别方法，其特征在于，包括以下步骤：
S1：对频移键控信号进行采样，对采样的频移键控信号进行平滑伪Wigner-Ville分布SPWVD变换时频分析；
S2：利用SPWVD时频分布的能量沿瞬时频率集中的特性，估计调制信号的瞬时频率；
S3：利用估计得到的信号瞬时频率重构解析信号，利用SPWVD生成信号时频图，把信号时频分布图处理为灰度图，作为卷积神经网络的输入；
S4：利用卷积神经网络对信号时频特征的灰度图进行分类识别；
在较低信噪比的情况下实现步骤S2中迭代的瞬时频率的估计，其步骤为：
S21：对原始信号z0(t)进行SPWVD变换，得到信号时频分布图，检测SPWVD时频分布每个时刻对应的能量峰值点，得到该时刻能量峰值点对应频率，并作为初次估计的瞬时频率
Figure FDA0003950977650000011
S22：根据初次估计的瞬时频率在时间上的积分求出估计信号的瞬时相位，进而重构信号时间序列
Figure FDA0003950977650000012
该时间序列为原始信号的估计值；
S23：对重构信号进行下一次的SPWVD时频分布峰值检测，得到下一次的瞬时频率估计值
Figure FDA0003950977650000013
重构信号
Figure FDA0003950977650000014
S24：若第n次迭代得到频率和第n-1次瞬时频率估计的误差小于预设阈值，则此时瞬时频率估计值
Figure FDA0003950977650000015
为含噪信号的精确瞬时频率估计值，否则继续迭代。
2.如权利要求1所述的一种频移键控通信信号调制方式识别方法，其特征在于，对步骤S1中的采样的频移键控信号做分段处理，对长度为L的信号进行分段，共分为N段，每段长度为2048个采样点，N的取值为50或100。
3.如权利要求1所述的一种频移键控通信信号调制方式识别方法，其特征在于，如步骤S3中所述生成信号时频图的步骤为：
S31：采用瞬时频率估计值
Figure FDA0003950977650000021
重构时域信号
Figure FDA0003950977650000022
然后对其进行SPWVD时频变换得到待检信号三维时频图SPWVD(t,f)，在所述S2迭代信噪比提升方法的基础上分别得到三种频移键控信号各N幅三维时频图像；
S32：对所有三维时频图进行灰度变换，读取每段信号时频图的俯视图，通过matlab中的灰度变换函数对三维时频图的俯视图进行灰度变换，每类调制类型信号都生成N幅二维灰度图片，所述二维灰度图片含有信号的调制类型特征；
S33：对二维灰度图像进行标记，标记后的二维时频灰度图像集合作为后续卷积神经网络的训练集和验证集。
4.如权利要求1所述的一种频移键控通信信号调制方式识别方法，其特征在于，所述S4中的卷积神经网络的训练步骤为：
S41：设置神经网络结构及参数，选用的神经网络为多层卷积神经网络，首先设置卷积层和池化层的个数，然后设置每个卷积层和池化层中卷积核以及池化核的个数和大小，最后设置全连接层的神经元个数以及输出层神经元的个数；
S42：训练设置好的卷积神经网络，将作为训练数据的已知调制类型的频移键控信号信噪比提升后生成的二维时频灰度图像作为输入，设置训练参数，对设置好的卷积神经网络进行训练；
S43：调整卷积神经网络参数，根据卷积神经网络输出的分类结果与真实标签的比较，通过反向传播算法调整更新模型参数，达到最优的网络参数；
S44：保存训练好的神经网络，将训练并调整好参数的卷积神经网络模型保存，用于后续对待识别数据的信号调制识别。
CN202010417940.6A 2020-05-18 2020-05-18 一种频移键控通信信号调制方式识别方法 Active CN111612130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010417940.6A CN111612130B (zh) 2020-05-18 2020-05-18 一种频移键控通信信号调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010417940.6A CN111612130B (zh) 2020-05-18 2020-05-18 一种频移键控通信信号调制方式识别方法

Publications (2)

Publication Number Publication Date
CN111612130A CN111612130A (zh) 2020-09-01
CN111612130B true CN111612130B (zh) 2022-12-23

Family

ID=72196729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010417940.6A Active CN111612130B (zh) 2020-05-18 2020-05-18 一种频移键控通信信号调制方式识别方法

Country Status (1)

Country Link
CN (1) CN111612130B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110138699B (zh) * 2019-06-14 2022-03-18 哈尔滨工程大学 一种基于复数域滤波器的基带2fsk信号非相干解调方法
CN112906591A (zh) * 2021-03-02 2021-06-04 中国人民解放军海军航空大学航空作战勤务学院 基于多级跳线残差网络的雷达辐射源识别方法
CN113256743B (zh) * 2021-06-16 2022-09-02 图兮数字科技(北京)有限公司 一种图像处理方法、装置、电子设备以及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674001A (zh) * 2013-11-19 2014-03-26 南京航空航天大学 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN108764077A (zh) * 2018-05-15 2018-11-06 重庆邮电大学 一种基于卷积神经网络的数字信号调制分类方法
CN110417694A (zh) * 2019-06-07 2019-11-05 吉林大学 一种通信信号调制方式识别方法
CN111010356A (zh) * 2019-11-08 2020-04-14 西北工业大学 一种基于支持向量机的水声通信信号调制方式识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279390B (zh) * 2011-05-06 2013-04-10 西南交通大学 一种低信噪比雷达辐射源信号脉内调制识别方法
ES2755489T3 (es) * 2015-03-17 2020-04-22 Zynaptiq Gmbh Métodos de extensión de transformadas de frecuencia para resolver características en el dominio espaciotemporal
CN110110738A (zh) * 2019-03-20 2019-08-09 西安电子科技大学 一种基于多特征融合的雷达辐射源识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674001A (zh) * 2013-11-19 2014-03-26 南京航空航天大学 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法
CN108764077A (zh) * 2018-05-15 2018-11-06 重庆邮电大学 一种基于卷积神经网络的数字信号调制分类方法
CN108764331A (zh) * 2018-05-25 2018-11-06 哈尔滨工程大学 基于分数阶傅里叶变换的联合分类器多信号调制识别方法
CN110417694A (zh) * 2019-06-07 2019-11-05 吉林大学 一种通信信号调制方式识别方法
CN111010356A (zh) * 2019-11-08 2020-04-14 西北工业大学 一种基于支持向量机的水声通信信号调制方式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于时频分布的跳频信号检测方法的研究;赵宏伟、李勇;《通信技术》;20060630(第6期);第99页 *

Also Published As

Publication number Publication date
CN111612130A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111612130B (zh) 一种频移键控通信信号调制方式识别方法
CN106875395B (zh) 基于深度神经网络的超像素级sar图像变化检测方法
Ma et al. Automatic modulation classification under non-Gaussian noise: A deep residual learning approach
CN110865357A (zh) 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN111681197A (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN112287784B (zh) 一种基于深度卷积神经网络与特征融合的雷达信号分类方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN113050042A (zh) 基于改进UNet3+网络的雷达信号调制类型识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN110417694A (zh) 一种通信信号调制方式识别方法
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN109039503A (zh) 一种频谱感知方法、装置、设备及计算机可读存储介质
CN103020953A (zh) 一种指纹图像的分割方法
Huang et al. Radar waveform recognition based on multiple autocorrelation images
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN116628566A (zh) 一种基于聚合残差变换网络的通信信号调制分类方法
CN108986083A (zh) 基于阈值优化的sar图像变化检测方法
CN116304553A (zh) 一种多调制体制下基于深度学习的干扰类型识别方法
CN115955375A (zh) 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
CN114676721A (zh) 基于径向基神经网络的雷达有源压制干扰识别方法及系统
CN114282576A (zh) 基于时频分析及去噪的雷达信号调制格式识别方法及装置
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
CN114785649B (zh) 一种基于多端神经网络的卫星通信信号识别方法

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
GR01 Patent grant
GR01 Patent grant