CN111935043A

CN111935043A - 基于相位统计图的调相信号调制方式的识别方法

Info

Publication number: CN111935043A
Application number: CN202010779213.4A
Authority: CN
Inventors: 李智; 王宇阳; 王昌蓉; 代华建; 李健
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2020-08-05
Filing date: 2020-08-05
Publication date: 2020-11-13

Abstract

本发明公开了一种基于相位统计图的调相信号调制方式的识别方法，属于图像识别领域与通信领域。其特征在于包括以下步骤：1）产生调相信号，生成相位统计图并构建数据集；2）将构建的数据集输入卷积神经网络进行训练；3）将训练好的模型用于调相信号的识别并测试性能。本发明利用相位统计图抓住了调相的本质特征，并且结合卷积神经网络的自学习能力和特征提取能力，无需人工提取特征，在信噪比‑20dB到20dB的范围内，生成五种常用相位调制信号，并以相位统计图的形式保存，再将图片输入到卷积神经网络模型中，最后结果表明，在信噪比等于‑6dB时，调制分类识别率仍能够达到95%以上，故能够在低信噪比下具有较高的调制方式识别的精确率。

Description

基于相位统计图的调相信号调制方式的识别方法

技术领域

本发明涉及一种基于相位统计图的调相信号调制方式的识别方法，属于图像识别领域与通信领域，可用于调相信号调制方式的识别。

背景技术

在无线通信信号处理领域，特别是在通信对抗中，调制方式识别为后续信号进行盲解调提供了保障和条件。该领域中，专家特征和决策标准已经得到了广泛的发展，但是依然存在精确率低、效率低等问题。近年来，应用于图像处理和语音识别的机器学习，大多数是数据的特征学习，而不是制作专家特征，这表明把机器学习应用于无线通信信号处理领域，将为该领域带来新的机遇。

随着硬件设备的发展，卷积神经网络训练模型在图像处理和自然语言处理领域已经取得了阶段性的进展和广泛应用。相移键控信号的相位统计图从本质上体现了调相信号的特点，而卷积神经网络又具有较强的特征学习能力，因此利用相位统计图结合卷积神经网络模型能够在低信噪比下提高调制识别的精确率。国内外的专家已经开始研究把机器学习应用于信号处理领域。如图6所示，国外学者Timothy J.O’Sheal等人利用原始信号去训练卷积神经网络，并进行了11种调制方式的识别。但是低信噪比时，调制方式分类精确率严重下降。原因在于原始信号不能把调频、调幅和调相的特征都展现出来。于是本发明提出了一种卷积神经网络结合相位统计图的智能调制识别方法，利用相位统计图训练，并结合机器学习在图像和语音识别领域的成功策略，把卷积神经网络（CNN）应用到了无线信号处理领域，对调相有关的调制信号在低信噪比下进行了精确分类。

发明内容

本发明为了解决低信噪比下调相信号的调制方式识别问题，提出了基于相位统计图的调相信号调制方式的识别方法，利用卷积神经网络（CNN）较强的图像识别能力，作为相位统计图识别分类器。经过实验验证，该方法能够对BPSK、QPSK、8PSK、QAM、16QAM等5种调制方式精确分类，并且实现了自动调制识别。

本发明是通过以下技术方案实现的，在低信噪比条件下基于相位统计图的调相信号调制方式的识别方法，其特征在于以下3个大步骤：

（1）产生调相信号，生成相位统计图并构建数据集；

（2）将构建的数据集输入卷积神经网络进行训练；

（3）将训练好的模型用于调相信号的识别并测试性能。

有益效果：本发明提出的基于相位统计图的调相信号调制方式的识别，通过仿真实验结果验证该方法能够高效准确实现信号调制方式智能识别。对于信噪比大于0dB的信号，模型分类精确率接近99％。对于信噪比-6dB以上的信号，也有95%以上的精确率。这样的结果表明，本发明提出的分类识别方法不但增大了噪声的容忍度，而且具有较高的精确率。

附图说明

图1是本发明基于相位统计图的调相信号调制方式的识别方法的系统原理图；

图2是SNR=10dB时BPSK、QPSK、8PSK、QAM、16QAM调制信号的相位统计图

(x轴为phase/rad，y轴为对应相位出现的次数)；

图3是CNN网络模型结构图；

图4是模型训练性能示意图

(x轴为CNN的迭代次数，y轴为精确率)；

图5是不同信噪比下的精确率示意图；

图6是不同信噪比下与原始信号数据对比图

(CNN+Phase Statistical Diagram为本发明得到的识别精确率，CNN+ConstellationDiagram 为Timothy J.O’Sheal等人利用原始信号数据得到的识别精确率)；

图7是SNR=-6dB的分类混淆矩阵图。

具体实施方式

下面结合附图和具体实施示例，对本发明涉及的技术方案做进一步的详细说明，图1是本实施示例中的系统原理图，具体包括以下三大步骤：

1. 产生调相信号，生成相位统计图并构建数据集

1.1产生调相信号

数字调相信号的原理：由码元信息序列控制载波的相位，从而实现调制的目的。进行与调相有关信号的调制识别，而相位充分体现了调相信号之间的差别。因此，相位统计图充分的展现了调相有关信号的特点。

数字信号通过正交变换可以获得瞬时相位参数。一般情况,调相信号的解析式可表示为:

（1）

其解析信号为:

（2）

其中，

为

的 Hilbert变换;

为信号瞬时包络;

为信号的瞬时相位;

为信号的瞬时角频率；包络、相位、角频率完全涵盖了信号的全部信息。式（2）可重写为:

（3）

式中,

称为信号的载波部分,作为信息载体没有有用信息。

表示信号瞬时包络。

称为信号的幅角,包含数字信号的相位信息,是区分数字调相信号调制方式的最明显的特征信息。

将公式（3）乘

,转换为基带信号:

（4）

其中,

和

称为数字基带信号的同相部分和正交部分。

对信号进行数字化采样处理,推导出信号相位:

（5）

其中，tg^-1为反正切函数

最后，通过上面理论公式仿真生成5种调制方式（BPSK、QPSK、8PSK、QAM、16QAM）、信噪比范围-20dB到20dB的带有标签的信号数据

1.2生成相位统计图

本发明中生成相位统计图需要获取多种调相有关、宽信噪比范围、带有标签的调制信号数据，而这些调制信号数据采用仿真产生。首先，本发明通过前文的理论公式仿真生成5种调制方式（BPSK、QPSK、8PSK、QAM、16QAM）、信噪比范围-20dB到20dB的带有标签的信号数据。然后，统计仿真生成的复信号的相位，并构造信号相位统计图，生成的调相有关的调制信号的相位统计图如图2所示。选取2000张作为训练集，进行模型训练学习，3000张作为测试集和验证集，进行测试验证。

从图2可以看出，BPSK信号相位统计图分布在x=0轴两端，有两个相位；QPSK信号统计图有4个相位；8PSK统计图有8个相位；QAM统计有8个相位，但和8PSK有明显的区别；16QAM统计有12个相位。综上所述，不同数字调制信号的相位统计图的相位分布不同，实际工程中，通讯工程师也会依据相位统计图来判断信号的调制方式

1.3构建数据集

本发明仿真了无线通讯系统中常用的五种相移键控调制方式（BPSK、QPSK、8PSK、QAM、16QAM）。在同一信噪比下每一种调制方式生成1000张相位统计图，则在同一信噪比下五种相移键控调制方式共生成5000张图片；其中2000张用来进行训练、2000张用来进行测试、1000张用来进行验证。图像作为训练模型输入，如果图片尺寸太大，模型计算量也就会较大；图像尺寸太小又会看不清图像几何轮廓，影响分类识别。经过多次实验，最终确定输入的相位统计图大小为150*120像素

2.将构建的数据集输入卷积神经网络进行训练

2.1卷积神经网络（CNN）工作原理

卷积神经网络通常包含输入层、若干个卷积池化层、全连接输出层。输入层的数据类型或信号不同的特征对调制识别的结果有较大影响。因为针对的是调相有关信号，所以选择的是信号的相位统计图。输入层数据的大小（即图像的尺寸）也会影响计算量和分类效果。输入图像太小描绘不出信号的细微特征信息，输入图像太大整个识别系统的计算量就会增加，影响实时性。最终确定的输入层图像尺寸为 150*120。卷积神经网络的调制方式识别模型结构如图3所示，数据经三个卷积层、三个池化层后到达扁平层。卷积神经网络模型具体包含3层卷积，每层核大小为3*3，池化核为2*2。扁平层输出后经过SoftMax分类函数按照5类输出，相互对应5种调制方式。把生成的相位统计图数据分为训练集、测试集和验证集。首先把带有标签的训练集输入模型，使模型不断学习图片对应的调制类型。其实这就是最优化过程，通过不断学习，使系统损失函数达到最优。这就是整个模型的学习过程。

CNN的功能是从数据不断学习，提取特征，然后根据特征进行分类、预测或做出决策。CNN训练过程中，特别关键的地方在于特征提取，即如何提取到最好区分事物的特征。如果提取的特征不能区分事物，那么卷积神经网络模型将不能进行分类。卷积层越多，可以提取图像中更细微的特征，但是容易造成过拟合；卷积层越少，提取不到区分事物的特征，容易造成欠拟合。因此网络模型设计需要平衡网络结构的宽度和深度。

下面为本发明用到的CNN网络的具体参数：

输入层：像素大小为150*120的相位统计图图像；

卷积层1（Conv1）：由3*3内核生成的148*118个特征图；

汇集第1层（Pooling1）：从2*2区域进行二次采样后的74*59个像素图；

卷积层2（Conv2）：由3*3内核生成的72*57个特征映射；

汇集第2层（Pooling2）：从2*2区域进行二次采样后的36*28个特征映射；

卷积层3（Conv3）：由3*3内核生成的34*26个特征映射；

汇集第3层（Pooling3）：从2*2区域进行二次采样后的17*13个特征映射；

完全连接层（F1atten）：从Pooling 3的所有像素转换的14144个节点，即17*13*64=14144；

Dense1：64个节点，Dense2（输出层Output）5个结点，SoftMax分类器分类输出，代表五种不同的调制方法

2.2卷积神经网络模型的训练

在带有显卡GeForce GTX 1070的计算机上搭建Keras环境，并构建卷积神经网络。由于图像数据计算量比较大，于是利用NVIDIA Cuda的运算平台，采用GPU加速运算，大大提高了计算效率。把准备好的相位统计图数据输入训练，在部分信噪比下模型训练性能表现如图4所示。

如图4所示，不同信噪比下,随着训练迭代次数的加大，模型的损失值（loss）开始慢慢减小，模型验证的精确率（acc）越来越高。信号信噪比较低时，损失函数起始瞬时值较大，损失值下降较慢。可以明显看出，在信号信噪比4dB和10dB时，训练的模型精确率都达到了99%以上；在信号信噪比-6dB时模型的精确率95%，信噪比-18dB时，模型的精确率仅仅只有39%，可见随着信噪比的下降，训练模型的精确率越来越小

3.将训练好的模型用于调相信号的识别并测试性能

在每一种信噪比下，分别把五种调制方式组成的未带标签测试集2000张图片输入到已经训练好的神经网络模型中进行分类识别，实验结果如图5所示。从实验结果来看，利用相位统计图的特征，再结合卷积神经网络的识别模型识别精确率高。在-6dB以上，模型的分类精确率高于95%；即使-10dB,分类精确率也有75%；分类效果比传统专家特征分类识别方法，精确率提升明显。

由图6可知与Timothy J.O’Sheal等人训练CNN识别调制方式的方法相比，大大提高了分类精确度，并且对噪声的容忍度变得更高。

通过实验可以看出，信噪比低于-6dB时，分类精确度开始下降，可以通过分类混淆矩阵来分析原因。在信噪比为-6dB时混淆矩阵如图7所示。通过混淆矩阵了解到，此时的8PSK一部分被模型分类成16QAM,有一部分16QAM被模型分类成8PSK。这是由于噪声的影响，使模型错误的学习一些特征。

相移键控信号的相位统计图从本质上体现了调相信号的特点，而卷积神经网络又具有较强的特征学习能力，利用相位统计图结合卷积神经网络模型能够在低信噪比下提高调制识别的精确率。对于信噪比大于0dB的信号，模型分类精确率接近 99％。对于信噪比-6dB 以上，也有 95%以上的精确率。

Claims

1.基于相位统计图的调相信号调制方式的识别方法，包括以下步骤：

步骤1：产生调相信号，生成相位统计图并构建数据集；

步骤2：将构建的数据集输入卷积神经网络进行训练；

步骤3：将训练好的模型用于调相信号的识别并测试性能；

其特征在于：利用相位统计图来进行训练，并结合机器学习在图像识别领域的成功策略，把卷积神经网络（CNN）应用于调相信号调制方式的识别，从而实现在低信噪比下对调相信号调制方式的精确分类。

2.根据权利要求1所述的基于相位统计图的调相信号调制方式的识别方法，其特征在于：在步骤1中，由码元信息序列控制载波的相位，从而生成调相信号用以生成相位统计图，进而构建数据集。

3.根据权利要求1所述的基于相位统计图的调相信号调制方式的识别方法，其特征在于：在步骤2中，将调相信号的相位统计图特征用于卷积神经网络识别模型的训练。

4.根据权利要求1所述的基于相位统计图的调相信号调制方式的识别方法，其特征在于：在步骤3中，将相位统计图特征训练的识别模型用于调相信号调制方式的识别并利用混淆矩阵测试卷积神经网络识别模型的训练中出现的错误。