CN111917674A - 一种基于深度学习的调制识别方法 - Google Patents
一种基于深度学习的调制识别方法 Download PDFInfo
- Publication number
- CN111917674A CN111917674A CN202010405360.5A CN202010405360A CN111917674A CN 111917674 A CN111917674 A CN 111917674A CN 202010405360 A CN202010405360 A CN 202010405360A CN 111917674 A CN111917674 A CN 111917674A
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- signal
- modulation
- neural network
- 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.)
- Withdrawn
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于深度学习的调制识别方法。本发明中,通过预先训练好的卷积神经网络模型对待识别的无线通信信号进行识别,加快了对待识别无线通信信号识别的效率,且降低了对无线通信信号识别的错误率,此外,由于本发明采用深度卷积神经网络对无线通信调制信号进行识别,采用深度卷积神经网络降低了网络模型的复杂度,减少了权值的数量,而且卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程,且还可以在信噪比很低的情况下获得很高的识别正确率。
Description
技术领域
本发明涉及通信信号处理相关领域,尤其涉及一种基于深度学习的调制识别方法。
背景技术
调制信号识别是信号检测和信号解调之间的重要步骤,它的目的就是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,并估计出相应的调制参数。其主要在两方面得到了应用:一方面是软件无线电系统,保证不同体制通信系统之间实现互通互联;二是电子战系统,为截获信息和选择最佳干扰样式提供依据。
随着用户对移动通信需求的不断提升,更高速更宽频的第五代移动通信技术应运而生。随着第五代移动通信技术的发展,通信环境的变化更加复杂,为了提高频带的利用率以及保证传输可靠性,需要采用多种不同的调制方式。调制识别的目的就是,要在多种调制信号同时传输的背景下,以及先验条件不足的环境下能够对接收到的通信信号的调制模式进行正确的识别,为接下来的分析信号、处理信号提供依据。
为此,我们提出了一种基于深度学习的调制识别方法。
发明内容
本发明的目的在于提供一种基于深度学习的调制识别方法,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种基于深度学习的调制识别方法,包括以下步骤:
S1、获取无线通信调制信号;
S2、对获取到的无线通信调制信号进行分时段采样;
S3、对采样的无线通信调制信号进行信号预处理;
S4、将信号预处理后的无线通信调节信号进行特征提取处理;
S5、将经过特征提取处理的无线通信调制信号入到卷积神经网络模型中进行训练;
S6、对卷积神经网络模型进行多次训练,得到训练完毕的卷积神经网络模型;
S7、将有待识别的无线通信信号输入到已经训练好的卷积神经网络模型中;
S8、识别无线通信信号。
优选地,所述对无线通信信号预处理的目的是为后续处理提供合适的数据。
优选地,所述预处理包括频率下变频处理、载频估计处理和同向正交分量分解处理等。
优选地,所述特征提取处理是从数据中提取信号的时域特征或变化域特征;
所述时域特征包括信号的瞬时幅度、瞬时相位或瞬时频率的特征参数等;
所述变化域特征包括功能谱、谱相关函数、时频分布及其他统计参数。
优选地,所述采用反向迭代算法识别无线通信信号。
与现有技术相比,本发明的有益效果是:
本发明中,通过预先训练好的卷积神经网络模型对待识别的无线通信信号进行识别,加快了对待识别无线通信信号识别的效率,且降低了对无线通信信号识别的错误率,此外,由于本发明采用深度卷积神经网络对无线通信调制信号进行识别,采用深度卷积神经网络降低了网络模型的复杂度,减少了权值的数量,而且卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程,且还可以在信噪比很低的情况下获得很高的识别正确率。
附图说明
图1为本发明提出的一种基于深度学习的调制识别方法的流程示意图;
图2为本发明提出的一种基于深度学习的调制识别方法中简单三层卷积神经网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-图2,本发明还提出了一种基于深度学习的调制识别方法,包括以下步骤:
S1、获取无线通信调制信号;
S2、对获取到的无线通信调制信号进行分时段采样;
S3、对采样的无线通信调制信号进行信号预处理;
S4、将信号预处理后的无线通信调节信号进行特征提取处理;
S5、将经过特征提取处理的无线通信调制信号入到卷积神经网络模型中进行训练;
S6、对卷积神经网络模型进行多次训练,得到训练完毕的卷积神经网络模型;
S7、将有待识别的无线通信信号输入到已经训练好的卷积神经网络模型中;
S8、识别无线通信信号。
进一步地,所述对无线通信信号预处理的目的是为后续处理提供合适的数据。
进一步地,所述预处理包括频率下变频处理、载频估计处理和同向正交分量分解处理等。
进一步地,所述特征提取处理是从数据中提取信号的时域特征或变化域特征;
所述时域特征包括信号的瞬时幅度、瞬时相位或瞬时频率的特征参数等;
所述变化域特征包括功能谱、谱相关函数、时频分布及其他统计参数。
进一步地,所述采用反向迭代算法识别无线通信信号。
本发明中,通过预先训练好的卷积神经网络模型对待识别的无线通信信号进行识别,加快了对待识别无线通信信号识别的效率,且降低了对无线通信信号识别的错误率,此外,由于本发明采用深度卷积神经网络对无线通信调制信号进行识别,采用深度卷积神经网络降低了网络模型的复杂度,减少了权值的数量,而且卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程,且还可以在信噪比很低的情况下获得很高的识别正确率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的调制识别方法,其特征在于,包括以下步骤:
S1、获取无线通信调制信号;
S2、对获取到的无线通信调制信号进行分时段采样;
S3、对采样的无线通信调制信号进行信号预处理;
S4、将信号预处理后的无线通信调节信号进行特征提取处理;
S5、将经过特征提取处理的无线通信调制信号入到卷积神经网络模型中进行训练;
S6、对卷积神经网络模型进行多次训练,得到训练完毕的卷积神经网络模型;
S7、将有待识别的无线通信信号输入到已经训练好的卷积神经网络模型中;
S8、识别无线通信信号。
2.根据权利要求1所述的一种基于深度学习的调制识别方法,其特征在于,所述对无线通信信号预处理的目的是为后续处理提供合适的数据。
3.根据权利要求1所述的一种基于深度学习的调制识别方法,其特征在于,所述预处理包括频率下变频处理、载频估计处理和同向正交分量分解处理等。
4.根据权利要求1所述的一种基于深度学习的调制识别方法,其特征在于,所述特征提取处理是从数据中提取信号的时域特征或变化域特征;
所述时域特征包括信号的瞬时幅度、瞬时相位或瞬时频率的特征参数等;
所述变化域特征包括功能谱、谱相关函数、时频分布及其他统计参数。
5.根据权利要求1所述的一种基于深度学习的调制识别方法,其特征在于,所述采用反向迭代算法识别无线通信信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405360.5A CN111917674A (zh) | 2020-05-14 | 2020-05-14 | 一种基于深度学习的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405360.5A CN111917674A (zh) | 2020-05-14 | 2020-05-14 | 一种基于深度学习的调制识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111917674A true CN111917674A (zh) | 2020-11-10 |
Family
ID=73237991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010405360.5A Withdrawn CN111917674A (zh) | 2020-05-14 | 2020-05-14 | 一种基于深度学习的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111917674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910812A (zh) * | 2021-02-25 | 2021-06-04 | 电子科技大学 | 一种基于时空特征提取深度学习的调制模式识别方法 |
-
2020
- 2020-05-14 CN CN202010405360.5A patent/CN111917674A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910812A (zh) * | 2021-02-25 | 2021-06-04 | 电子科技大学 | 一种基于时空特征提取深度学习的调制模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Zeng et al. | Spectrum analysis and convolutional neural network for automatic modulation recognition | |
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 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
CN107392123B (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
CN110690931B (zh) | 一种基于多小波基联合的数字信号自适应码率估计方法和装置 | |
CN101764786A (zh) | 基于聚类算法的mqam信号识别方法 | |
CN106357575A (zh) | 一种多参数联合估计的干扰类型识别方法 | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN111027614B (zh) | 一种噪声增强射频指纹识别方法及装置 | |
CN117056708A (zh) | 一种基于多尺度特征融合和cnn-lstm的ais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 | |
An et al. | Robust automatic modulation classification in low signal to noise ratio | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201110 |