CN112132007B - 一种基于ResNet-SVM的调制方式识别方法及系统 - Google Patents

一种基于ResNet-SVM的调制方式识别方法及系统 Download PDF

Info

Publication number
CN112132007B
CN112132007B CN202010997434.9A CN202010997434A CN112132007B CN 112132007 B CN112132007 B CN 112132007B CN 202010997434 A CN202010997434 A CN 202010997434A CN 112132007 B CN112132007 B CN 112132007B
Authority
CN
China
Prior art keywords
resnet
cyclic
cyclic spectrum
plane
svm
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
CN202010997434.9A
Other languages
English (en)
Other versions
CN112132007A (zh
Inventor
郭里婷
念茂
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202010997434.9A priority Critical patent/CN112132007B/zh
Publication of CN112132007A publication Critical patent/CN112132007A/zh
Application granted granted Critical
Publication of CN112132007B publication Critical patent/CN112132007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于ResNet‑SVM的调制方式识别方法及系统，包括步骤：对已调信号进行FAM循环谱估计，得到循环谱平面特征图；利用ResNet和PCA来提取循环谱特征；结合非线性SVM分类算法，得到分类结果。本发明对于提高低信噪比下的分类识别率有很大的帮助。

Description

一种基于ResNet-SVM的调制方式识别方法及系统
技术领域
本发明涉及无线通信技术领域，特别是一种基于ResNet-SVM的调制方式识别方法及系统。
背景技术
随着通信技术的发展，无线通信环境日益复杂，通信信号在很宽的频带上采用不同调制参数的各种调制样式。如何有效的监视和识别这些信号，军事和民用领域都是十分重要的研究课题。早期的调制识别主要依靠人力的方式，技术人员可以通过观察频谱情况、结合自身经验来判断信号的调制方式，但是这种方式得到的识别结果准确率得不到保障，这是由于不同的技术人员的经验的差异就对识别结果影响较大，而且人工的方式往往需要较长时间的观察才能进行判断，因此识别的实时性较差，并且算法计算较为复杂。并且由于复杂的信道环境，使得调制识别技术在低信噪比下的有效识别成为了一个技术难点。
发明内容
有鉴于此，本发明的目的是提出一种基于ResNet-SVM的调制方式识别方法及系统，对于提高低信噪比下的分类识别率有很大的帮助。
本发明采用以下方案实现：一种基于ResNet-SVM的调制方式识别方法，具体包括以下步骤：
对已调信号进行FAM循环谱估计，得到循环谱平面特征图；
利用ResNet和PCA来提取循环谱特征；
结合非线性SVM分类算法，得到分类结果。
进一步地，所述对已调信号进行FAM循环谱估计，得到循环谱平面特征图具体为：对输入的已调信号做循环谱估计，生成三维循环谱图，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图。
进一步地，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图具体为：分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将平面图裁剪为48*48尺寸的图像，与ResNet网络的输入层相匹配，通过二值化形态学操作去除冗余信息，得到循环谱平面特征图。
进一步地，所述利用ResNet和PCA来提取循环谱特征具体为：使用带有残差单元的残差网络ResNet来提取循环谱平面特征图的多维特征值；采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维，进一步提取特征值，得到低维的循环谱特征。
进一步地，所述采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维具体包括以下步骤：
步骤S11：计算协方差矩阵：
Figure BDA0002693059820000021
式中，X为由ResNet提取到的多维特征值经标准化处理后的结果，m为特征矩阵X的行数；
步骤S12：对计算后的协方差矩阵做SVD分解，计算特征值和特征向量；
步骤S13：经SVD分解后得到的对角矩阵形式的奇异值对角线上的数值相加记录总和，计算前k个对角矩阵上的值的和，直至累积到预设的值，将其对应的k个特征向量分别作为列向量组成特征向量矩阵；k即为降维后的维度；
步骤S14：将数据转换到k个特征向量构建的新空间中，得到PCA降维后的特征值。
进一步地，将利用ResNet和PCA提取到的循环谱特征数据分为训练集与测试集，采用训练集来训练SVM模型，并采用测试集来测试SVM模型，将训练好的SVM模型用于实际的分类预测。
本发明还提供了一种基于ResNet-SVM的调制方式识别系统，包括存储器，处理器以及存储于存储器上并能够被处理器运行的计算机程序，当处理器运行该计算机程序时实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器所运行的计算机程序，当处理器运行该计算机程序时实现如上文所述的方法步骤。
与现有技术相比，本发明有以下有益效果：本发明的方法及系统抗噪声性能好，分类识别准确率高，系统鲁棒性较强，计算速度快，分类器泛化效果好，能够在低信噪比环境下保证较高的分类准确率，实现已调信号的自动识别。
附图说明
图1为本发明实施例的已调信号分类识别流程图。
图2为本发明实施例的ResNet网络结构图。
图3为本发明实施例的residual block1结构图。
图4为本发明实施例的residual block2-4结构图。
图5为本发明实施例的ResNet+PCA特征提取模块结构图。
图6为本发明实施例的已调信号整体识别率的仿真结果图。
图7为本发明实施例的不同已调信号的识别率的仿真结果图。
图8为本发明实施例的系统鲁棒性的仿真测试结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于ResNet-SVM的调制方式识别方法，具体包括以下步骤：
步骤S1：对已调信号进行FAM循环谱估计，得到循环谱平面特征图；输入已调信号，对其做循环谱估计，生成三维循环谱图，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图；
步骤S2：利用ResNet和PCA来提取循环谱特征；利用所述循环谱预处理生成的循环谱平面特征图来训练并测试卷积神经网络(CNN)，通过输入循环谱平面特征图，与卷积层进行卷积计算，以及在池化层做下采样实现特征提取，输出提取到的特征值；
步骤S3：结合非线性SVM分类算法，得到分类结果。利用logistic回归模型在多分类问题上推广而来的softmax模型、利用概率统计知识进行分类的贝叶斯分类准则，依托于策略抉择而建立起来的决策树，模拟人的大脑神经突触联接的结构进行信息处理的人工神经网络，基于实例分类的K-近邻，以及建立一个最优决策超平面使得两类样本之间距离最大化的支持向量机(SVM)分类算法，输入由特征提取模块提取到的特征值，经计算分类，输出分类识别结果。
在本实施例中，所述对已调信号进行FAM循环谱估计，得到循环谱平面特征图具体为：对输入的已调信号做循环谱估计，生成三维循环谱图，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图。
在本实施例中，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图具体为：分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将平面图裁剪为48*48尺寸的图像，与ResNet网络的输入层相匹配，通过二值化形态学操作去除冗余信息，得到循环谱平面特征图。
在本实施例中，所述利用ResNet和PCA来提取循环谱特征具体为：使用带有残差单元的残差网络ResNet来提取循环谱平面特征图的多维特征值；采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维，进一步提取特征值，得到低维的循环谱特征。
在本实施例中，所述采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维具体包括以下步骤：
步骤S11：计算协方差矩阵：
Figure BDA0002693059820000061
式中，X为由ResNet提取到的多维特征值经标准化处理后的结果，m为特征矩阵X的行数；
步骤S12：对计算后的协方差矩阵做SVD分解，计算特征值和特征向量；
步骤S13：经SVD分解后得到的对角矩阵形式的奇异值对角线上的数值相加记录总和，计算前k个对角矩阵上的值的和，直至累积到预设的值，将其对应的k个特征向量分别作为列向量组成特征向量矩阵；k即为降维后的维度；
步骤S14：将数据转换到k个特征向量构建的新空间中，得到PCA降维后的特征值。
在本实施例中，将利用ResNet和PCA提取到的循环谱特征数据分为训练集与测试集，采用训练集来训练SVM模型，并采用测试集来测试SVM模型，将训练好的SVM模型用于实际的分类预测。
本实施例还提供了一种基于ResNet-SVM的调制方式识别系统，包括存储器，处理器以及存储于存储器上并能够被处理器运行的计算机程序，当处理器运行该计算机程序时实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器所运行的计算机程序，当处理器运行该计算机程序时实现如上文所述的方法步骤。
较佳的，在功能模块上划分，本实施例包括循环谱预处理模块，特征提取模块以及分类器模块。本实施例输入需要识别六类已调信号BPSK、QPSK、2FSK、4FSK、16QAM、64QAM；对已调信号做循环谱估计，采用快速傅里叶累加算法(FAM)，生成三维循环谱图，截取等高平面图，做裁剪、二值化操作，生成二维平面特征图；将二维循环谱特征图输入到ResNet网络训练，提取多维特征；将多维特征采用PCA降维，生成低维特征值；将经过ResNet+PCA处理后得到的特征值分为训练集和测试集，训练集用于训练SVM，测试集用于SVM测试；最终输出分类识别结果。
其中，在循环谱预处理模块中，对已调信号做循环谱分析。其循环自相关函数
Figure BDA0002693059820000071
如下：
Figure BDA0002693059820000072
则循环谱为：
Figure BDA0002693059820000073
式中，T表示周期，r(t)表示接收到的含噪已调信号，r*(t-τ)表示r(t)延时τ后的信号的共轭，a表示循环频率，f表示频谱频率；
采用FAM算法做循环谱估计，计算方法如下：
Figure BDA0002693059820000074
其中，XT(n,f)为循环周期图，表达式为：
Figure BDA0002693059820000075
式中，q＝-P/2,...,P/2-1，p表示滑动次数，a(n)和g(n)分别为数据衰减窗和平滑窗，L为抽取因子，表示每次滑动的数据点数，总的采样点数为N，取L＝N'/4。fj表示表示第j个谱频率，α0表示第1个循环频率，Δα表示循环频率的分辨率，X* T(rL,fl)表示XT(rL,fl)的共轭；本实施例中，采样点数N＝2048，平滑窗M＝64，输入信道数N'＝N/M，N＝LP，截取N点加噪已调信号，取NP＝(P-1)*L+N'，将信号延伸至NP点，超过N的部分取0，构造N'行，NP/N'列的矩阵X0，将NP点的数据中1到N'存入X0的第一列，L+1到L+N'的值存入X0的第二列，每次偏移L，每段N'点，以此类推直至存满N'行，NP/N'列。最后对X0加长度为N'的kaiser窗，减少频率泄漏。并对加窗后的矩阵做傅里叶变换，将傅里叶变换后的矩阵上半块和和下半块互换，左半块和右半块互换。将变换后的结果做下变频，得到X1，降低载波频率。然后将X1转置、取共轭得到X2，取X2的每一列分别与其共轭的每一列做乘积计算，得到X3，
Figure BDA0002693059820000081
得到P行，N'*N'列的矩阵X4，接着对X4做傅里叶变换，并互换上半块和下半块，左半块和右半块，得到X5，取出X5的P/4到3*P/4行，所有列，得到的矩阵再取绝对值，得到X6即为循环谱，并分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将该平面图裁剪为48*48尺寸的图像，与本实施例搭建的57层ResNet网络(如图2)输入层相匹配，通过二值化形态学操作去除冗余信息，突显主要特征，最终，输出循环谱平面特征图。
其中，在特征提取模块中，如图2所示，搭建57层ResNet卷积网络模型，本实施例中每信噪比下每种已调信号生成300张循环谱平面特征图，六种已调信号共生成1800个输入循环谱平面特征图。通过卷积层来提取输入的循环谱平面特征图的特征，利用池化层来降低特征矩阵维度，并进一步提取特征。残差模块的设计防止结构过深带来的梯度爆炸和过拟合问题，并加快计算。其中，图3为ResNet中的residual block1结构图，图4为ResNet中的residualblock2-4结构图。图2中，输入层input：输入大小为48*48*1；卷积层conv1：64个卷积核大小为3*3，步长为1，无填0填充，bn：标准化层，relu：激励层；pool1-pool3：最大池化层，大小为2*2，步长为2，填0填值为1；residual block：残差模块，具体结构如图3-图4；global avgpool：全局平均池化层；fc：全连接层；output：输出层；图3为图2中第一个残差单元residual block1结构图。其中卷积层conv1共32个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv2共32个卷积核，大小为3*3，步长为1，填0填充值为1；卷积层conv3共64个卷积核，大小为1*1，步长为1，无填0填充；bn和relu分别为标准化层和激层，addition为相加运算。图4为图2中第二到第四个残差单元residual block2-residual block4结构图。其中，在residual block2中，卷积层conv1共64个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv2共64个卷积核，大小为3*3，步长为1，填0填充值为1；卷积层conv3共128个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv4共128个卷积核，大小为1*1，步长为1，无填0填充。其中，在residual block3中，卷积层conv1共128个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv2共128个卷积核，大小为3*3，步长为1，填0填充值为1；卷积层conv3共256个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv4共256个卷积核，大小为1*1，步长为1，无填0填充。其中，在residual block4中，卷积层conv1共256个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv2共256个卷积核，大小为3*3，步长为1，填0填充值为1；卷积层conv3共512个卷积核，大小为1*1，步长为1，无填0填充；卷积层conv4共512个卷积核，大小为1*1，步长为1，无填0填充；bn和relu分别为标准化层和激层，addition为相加运算。
图5所示结构是将图2中的ResNet全局平均池化层global average pooling的输出连接PCA模块，代替ResNet原有的全连接层及以下几层而构建的ResNet+PCA特征提取模块。训练ResNet网络，提取全局平均池化层的输出，即为所要提取的多维特征。将该层后面的全连接层用PCA+SVM来代替。经过ResNet提取特征后，输出1800*512特征矩阵，每一行对应一种已调信号的特征值。将特征矩阵按行变换的形式随机打乱，按相应的变换得到1800*1的已调信号标识数组。在本实施例中，共有6种已调信号，构造1800*6新的已调信号标识数组，根据原已调信号的标识数组每一行代表的已调信号，则在新已调新信号标识数组中相同信号的位置取1，其他5列取0，如在1800*1的原已调信号标识数组中，第一行标签为‘BPSK’，则在1800*6的新已调信号标识数组中第一行‘BPSK’信号所在的列取1，其他5个位置取0，以此类推，对1800个标签都进行分类，得到新的1800*6行的已调信号标识数组。
在做PCA处理之前，先对ResNet网络全局平均池化层提取到的多维特征做标准化处理，从多维特征矩阵中对应列的元素减去列均值，然后按标准差进行归一化。经PCA处理，降低特征值维度，并且在计算过程中去除由噪声产生的最小特征值，一定程度上起到抗噪的作用。该技术采用SVD分解协方差矩阵来实现。具体步骤如下：
S1：计算协方差矩阵：
Figure BDA0002693059820000101
其中，X为由ResNet提取到的多维特征值经标准化处理后的结果，m为特征矩阵X的行数。
S2：对计算后的协方差矩阵做SVD分解计算特征值和特征向量。
S3：经SVD分解后得到的对角矩阵形式的奇异值对角线上的数值相加记录总和，计算前k个对角矩阵上的值的和，直至累积到一定的值(本实施例中取总和的0.99倍)，因此将其对应的k个特征向量分别作为列向量组成特征向量矩阵。k即降维后的维度。
S4：将数据转换到k个特征向量构建的新空间中，输入为X(m,n)，得到输出X'(m,k)。
经上述步骤，即得到PCA降维后的特征值。
其中，在分类器模块中，将ResNet+PCA提取到的特征取70％作为训练集，训练SVM分类器，取30％作为测试集，测试分类结果。多分类SVM的算法问题可以由多个二分类SVM转化而来，二分类SVM实现过程：
S1：输入训练数据集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，其中xi∈Rn，yi∈{+1,-1},i＝1,2,...,N；
S2：选择高斯核函数
Figure BDA0002693059820000111
惩罚参数C＞0，先矢量化内核，具体操作过程如下，设输入X(m,n)，
Figure BDA0002693059820000112
i＝1,2,...,m，得到m行1列的矩阵X1，将X1转置成1行m列，并生成m行m列矩阵X2，其中每一行的值都与第一行相等，X3＝X2-2·X·XT，做m行m列矩阵X4，其中每一列的值都与X1第一列的值相等，得到X5＝X4+X3，令高斯核函数x＝1，z＝0，因此得到径向基核函数K＝K(1,0)·X5。构造并求解二次规划问题
Figure BDA0002693059820000113
其中
Figure BDA0002693059820000114
0≤αi≤C,i＝1,2,...,N，求得最优解
Figure BDA0002693059820000115
本实施例中δ＝0.1，C＝1。
S3：选择α*的一个分量
Figure BDA0002693059820000121
有
Figure BDA0002693059820000122
计算
Figure BDA0002693059820000123
S4：求分离超平面：w*·x+b*＝0；
S5：求分类决策函数：
Figure BDA0002693059820000124
S6：选取70％由ResNet+PCA特征提取模块提取到的特征值作为训练集，根据上述训练SVM的方法，来训练SVM分类器。每一组已调信号记录输入值X，对应的标签Y，最优解α，偏置bias，核函数，权重w，得到SVM模型，本实施例有六种已调信号，故记录六组已调信号的数据，得到六分类SVM模型。
S7：选取ResNet+PCA特征提取模块提取到的特征值剩下的30％来作为测试集测试SVM分类器。利用步骤S2的高斯核函数
Figure BDA0002693059820000125
令测试集的数据为x，训练集的数据为z，取δ＝0.1，带入计算得到新的特征，将新的特征分别与每一组训练好的SVM分类器的α值相乘，得到每一个SVM的置信度。找到最大的置信度的值即为预测的信号的标签。将预测值与真实的标签比对，相同就代表预测正确，记录正确的个数总和除以真实标签的总数，即得到分类识别的准确率。
图6是本发明具体实施例采用本发明所述方法得到的整体识别准确率测试结果，图7是不同已调信号的识别准确率测试结果，具体参数为针对2FSK，4FSK，BPSK，QPSK，16QAM，64QAM六种已调信号，抽样频率取fs＝10kHz，载波频率取fc＝2kHz，信噪比取-10dB到10dB，间隔为2dB。可以看出在信噪比为-10dB，识别率保持在80％以上，在信噪比为-4dB，有90％的正确识别率，当信噪比大于0dB，识别率接近100％，并且每种已调信号的识别率都随着信噪比的增加稳定升高，证实了本发明在低信噪比下有很好的识别效果。
图8是本发明具体实施例采用本发明所述方法得到的鲁棒性测试结果，具体测试过程为，取0dB信噪比下，每种已调信号分别取50，100，150，200，250，300，350共七组不同数量的样本，即6种已调信号总样本数分别为300，600，900，1200，1500，1800，2100，测试不同输入样本下的准确率。从实验结果可以看出，当总输入样本为300时有90％以上的识别准确率，当总输入样本大于1800，识别准确率基本稳定，接近100％，证实了本发明的方法具有较好的鲁棒性。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (4)

1.一种基于ResNet-SVM的调制方式识别方法，其特征在于，包括以下步骤：
对已调信号进行FAM循环谱估计，得到循环谱平面特征图；
利用ResNet和PCA来提取循环谱特征；
结合非线性SVM分类算法，得到分类结果；
所述对已调信号进行FAM循环谱估计，得到循环谱平面特征图具体为：对输入的已调信号做循环谱估计，生成三维循环谱图，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图；
截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图具体为：分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将平面图裁剪为48*48尺寸的图像，与ResNet网络的输入层相匹配，通过二值化形态学操作去除冗余信息，得到循环谱平面特征图；
其中，在循环谱预处理模块中，对已调信号做循环谱分析；其循环自相关函数
Figure FDA0003769297580000011
如下：
Figure FDA0003769297580000012
则循环谱为：
Figure FDA0003769297580000013
式中，T表示周期，r(t)表示接收到的含噪已调信号，r*(t-τ)表示r(t)延时τ后的信号的共轭，a表示循环频率，f表示频谱频率；
采用FAM算法做循环谱估计，计算方法如下：
Figure FDA0003769297580000021
其中，XT(n,f)为循环周期图，表达式为：
Figure FDA0003769297580000022
式中，q＝-P/2,...,P/2-1，p表示滑动次数，a(n)和g(n)分别为数据衰减窗和平滑窗，L为抽取因子，表示每次滑动的数据点数，总的采样点数为N，取L＝N'/4； fj表示第j个谱频率，α0表示第1个循环频率，Δα表示循环频率的分辨率，X*T(rL,fl)表示XT(rL,fl)的共轭；采样点数N＝2048，平滑窗M＝64，输入信道数N'＝N/M，N＝LP，截取N点加噪已调信号，取NP＝(P-1)*L+N'，将信号延伸至NP点，超过N的部分取0，构造N'行，NP/N'列的矩阵X0，将NP点的数据中1到N'存入X0的第一列，L+1到L+N'的值存入X0的第二列，每次偏移L，每段N'点，以此类推直至存满N'行，NP/N'列； 最后对X0加长度为N'的kaiser窗，减少频率泄漏； 并对加窗后的矩阵做傅里叶变换，将傅里叶变换后的矩阵上半块和下半块互换，左半块和右半块互换； 将变换后的结果做下变频，得到X1，降低载波频率；然后将X1转置、取共轭得到X2，取X2的每一列分别与其共轭的每一列做乘积计算，得到X3，
Figure FDA0003769297580000023
得到P行，N'*N'列的矩阵X4，接着对X4做傅里叶变换，并互换上半块和下半块，左半块和右半块，得到X5，取出X5的P/4到3*P/4行，所有列，得到的矩阵再取绝对值，得到X6即为循环谱，并分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将该平面图裁剪为48*48尺寸的图像，与搭建的57层ResNet网络输入层相匹配，通过二值化形态学操作去除冗余信息，突显主要特征，最终，输出循环谱平面特征图；
所述利用ResNet和PCA来提取循环谱特征具体为：使用带有残差单元的残差网络ResNet来提取循环谱平面特征图的多维特征值；采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维，进一步提取特征值，得到低维的循环谱特征；
所述采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维具体包括以下步骤：
步骤S11：计算协方差矩阵：
Figure FDA0003769297580000031
式中，X为由ResNet提取到的多维特征值经标准化处理后的结果，m为特征矩阵X的行数；
步骤S12：对计算后的协方差矩阵做SVD分解，计算特征值和特征向量；
步骤S13：经SVD分解后得到的对角矩阵形式的奇异值对角线上的数值相加记录总和，计算前k个对角矩阵上的值的和，直至累积到预设的值，将其对应的k个特征向量分别作为列向量组成特征向量矩阵；k即为降维后的维度；
步骤S14：将数据转换到k个特征向量构建的新空间中，得到PCA降维后的特征值。
2.根据权利要求1所述的一种基于ResNet-SVM的调制方式识别方法，其特征在于，将利用ResNet和PCA提取到的循环谱特征数据分为训练集与测试集，采用训练集来训练SVM模型，并采用测试集来测试SVM模型，将训练好的SVM模型用于实际的分类预测。
3.一种基于ResNet-SVM的调制方式识别系统，其特征在于，包括存储器，处理器以及存储于存储器上并能够被处理器运行的计算机程序，当处理器运行该计算机程序时实现如权利要求1-2任一项所述的方法步骤。
4.一种计算机可读存储介质，其特征在于，其上存储有能够被处理器所运行的计算机程序，当处理器运行该计算机程序时实现如权利要求1-2任一项所述的方法步骤。
CN202010997434.9A 2020-09-21 2020-09-21 一种基于ResNet-SVM的调制方式识别方法及系统 Active CN112132007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010997434.9A CN112132007B (zh) 2020-09-21 2020-09-21 一种基于ResNet-SVM的调制方式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010997434.9A CN112132007B (zh) 2020-09-21 2020-09-21 一种基于ResNet-SVM的调制方式识别方法及系统

Publications (2)

Publication Number Publication Date
CN112132007A CN112132007A (zh) 2020-12-25
CN112132007B true CN112132007B (zh) 2022-10-21

Family

ID=73842100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010997434.9A Active CN112132007B (zh) 2020-09-21 2020-09-21 一种基于ResNet-SVM的调制方式识别方法及系统

Country Status (1)

Country Link
CN (1) CN112132007B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110303380B (zh) * 2019-07-05 2021-04-16 重庆邮电大学 一种数控机床刀具剩余寿命预测方法

Also Published As

Publication number Publication date
CN112132007A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
US10713563B2 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
Zhao et al. Band-subset-based clustering and fusion for hyperspectral imagery classification
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN109379153B (zh) 一种频谱感知方法
CN115563610B (zh) 入侵检测模型的训练方法、识别方法和装置
CN116127298B (zh) 基于三元组损失的小样本射频指纹识别方法
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
CN114972904B (zh) 一种基于对抗三元组损失的零样本知识蒸馏方法及系统
CN113343801B (zh) 基于轻量化卷积神经网络的无线信号自动调制识别方法
CN114255487A (zh) 一种半监督射频指纹提取的物联网设备身份认证方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN112132007B (zh) 一种基于ResNet-SVM的调制方式识别方法及系统
CN114998725B (zh) 基于自适应空谱注意力核生成网络的高光谱图像分类方法
CN116055270A (zh) 一种调制识别模型及其训练方法、信号调制处理方法
CN116028858A (zh) 基于预标签的自监督神经网络学习心拍分类方法及系统
Keesman et al. Nonlinear set-membership estimation: A support vector machine approach
CN112308151A (zh) 基于加权的旋转森林高光谱图像分类方法
Almola et al. Citrus diseases recognition by using CNN
CN118097313B (zh) 基于频域主动学习的高光谱图像分类方法
Jasim et al. Citrus Diseases Recognition by Using CNN Model.
CN118016149B (zh) 一种整合空间转录组多模态信息的空间域识别方法
CN110738243B (zh) 一种自适应无监督特征选择方法
Nishii et al. Robust supervised image classifiers by spatial AdaBoost based on robust loss functions
CN118300825A (zh) 一种基于改进原型网络的小样本威胁流检测方法

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