CN112565128A - 基于混合神经网络的无线电信号调制识别网络及实现方法 - Google Patents

基于混合神经网络的无线电信号调制识别网络及实现方法 Download PDF

Info

Publication number
CN112565128A
CN112565128A CN202011368021.0A CN202011368021A CN112565128A CN 112565128 A CN112565128 A CN 112565128A CN 202011368021 A CN202011368021 A CN 202011368021A CN 112565128 A CN112565128 A CN 112565128A
Authority
CN
China
Prior art keywords
layer
modulation
signal
capsule
characteristic information
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
Application number
CN202011368021.0A
Other languages
English (en)
Inventor
李立欣
倪涛
黄俊生
狄慧
赵艳彬
李旭
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.)
Northwestern Polytechnical University
Shanghai Institute of Satellite Engineering
Original Assignee
Northwestern Polytechnical University
Shanghai Institute of Satellite Engineering
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 Northwestern Polytechnical University, Shanghai Institute of Satellite Engineering filed Critical Northwestern Polytechnical University
Priority to CN202011368021.0A priority Critical patent/CN112565128A/zh
Publication of CN112565128A publication Critical patent/CN112565128A/zh
Pending legal-status Critical Current

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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供了一种基于混合神经网络的无线电信号调制识别网络及实现方法，利用卷积层提取调制信号的特征信息，对卷积层提取的特征信息进行维度的划分，将标量特征转化为矢量特征，从而使所提出混合神经网络模型充分抽取调制信号的空间特征，再利用门控循环单元层提取与时间相关的特征信息，所提出的混合网络模型充分结合信号在时间和空间状态的特征信息。本发明使得该模型能更加全面的抽取调制信号的空间特征，提升调制信号的分类性能；使得该模型能更加全面的抽取调制信号的空间和时间特征，进而提升调制信号的分类性能。

Description

基于混合神经网络的无线电信号调制识别网络及实现方法
技术领域
本发明无线通信技术领域，具体涉及一种调制识别网络及实现方法。
背景技术
近年来，随着通信技术的不断更新，为了满足不同的客户需要，信号以不同的调制方式进行传输。自动调制识别可以在调制信息未知的情况下，准确地确定信号的调制类型。
信号的自动调制识别方法主要分为两种，其一为基于似然比判决理论方法。根据已知的信号概率分布，选择合适的似然函数作为调制信号的分类依据。据信号的统计特性，依据代价函数最小化原则，通过理论分析与推导得到检验统计量，再将其与一个合适的门限进行比较，形成判决准则。最后由判决准则确定输出结果，完成通信信号调制方式的分类识别。然而，基于似然的方法虽然可以获得较高的分类精度，但是需要大量的分析和推导，在缺乏部分参数特征时，基于似然的方法往往无法获得较高的分类精度。
其二为基于统计模式的识别方法，例如：基于瞬时幅度、频率和相位的调制识别方法；基于码元序列的高阶统计量的调制识别方法；基于时频分析的调制识别方法。基于特征提取的调制识别算法的核心在于提取合适的用于分类的特征量。但是由于收到噪声的影响，即使使用统计模式，仅使用阈值对不同的调制信号进行划分仍然存在偏差。
随着深度学习的进一步发展，开始尝试使用深度学习的方法对调制信号进行。与传统方法相比，使用深度学习方法可以减少人为的干预，降低算法的复杂度。其中卷积神经网络通过提取信号的特征信息，对调制信号进行区分。卷积神经网络需要大量的训练样本，卷积神经网络在池化过程中会丢失一些特征，所以当数据量小的时候训练出来的效果较差。随着胶囊网络在图像分类中取得出色的性能，胶囊网络相对于卷积神经网络，可以学习到更多的位置信息，旋转信息，姿态信息。因此，探究胶囊网络在信号自动调制识别中的应用将具有重要现实意义。
如在文献1“Spectrum Analysis and Convolutional Neural Network forAutomatic Modulation Recognition[IEEE Wireless Communications Letters,vol.8,no.3,pp.929-932,Jun.2019.]”中将卷积神经网络应用于调制信号的频谱分析，通过从信号的频谱中提取相关的特征信息，实现对调制信号的分类。
专利公开号为CN 109802905A中，本发明提出了一种基于卷积神经网络的数字信号自动调制识别方法。该发明通过对接收的数字信号进行循环谱分析，获得低维特征向量，再利用卷积神经网络提取信号的特征信息，从而实现对调制信号的分类。该发明训练样本数量较大，为进一步分析在样本数量较少时，卷积神经网络的分类性能。
专利公开号为CN 108282428A中，发明人设计了一种无需先验知识的常用通信信号调制方式的自动识别方法，提取信号瞬时特征参数信息对信号进行自动识别,该方法中的信号既有数字调制信号、又有模拟调制信号，算法包含的调制信号种类丰富，其中处理数据和算法的判决规则简单并且收敛，能够快速得到信号的识别结果。其研究通过基于统计模式的通信信号调制方式，事先需要大量的参数信息，未考虑现实意义中未知参数下调制信号的分类情况。
发明内容
为了克服现有技术的不足，本发明提供一种基于混合神经网络的无线电信号调制识别网络及实现方法，以解决单独使用神经网络提取特征信息时，无法充分提取信号特征信息，从而导致分类精度存在偏差的问题。
本发明解决其技术问题所采用的技术方案是：
一种基于混合神经网络的无线电信号调制识别网络，其中包括卷积层模块、胶囊层模块、门控循环单元层模块以及输出层模块，卷积层提取调制信号的标量特征信息，胶囊层对卷积层提取的标量特征信息进行维度的划分，将标量特征转化为矢量特征，从而使由卷积层，胶囊层与门控循环单元层相结合的混合神经网络模型充分抽取调制信号的矢量空间特征，门控循环单元不仅能记忆过去的信息，同时还能选择性地忘记一些不重要的信息实现长期记忆，因此在胶囊网络提取信号矢量特征的基础上，再利用门控循环单元层提取调制信号中与时间相关的特征信息。
基于Keras深度学习框架，搭建图1所示混合网络结构；利用数据集训练所提出的混合网络模型，通过测试集验证训练效果，完成信号自动调制识别，调制信号通过胶囊层后输送到门控循环单元层，在门控循环单元层中，利用门控循环单元提取调制信号中与时间相关的特征信息，最后，通过输出层完成调制信号的分类。
调制信号的IQ分量作为输入层的输入数据先通过卷积层，胶囊层与门控循环单元层相结合的混合神经网络模型中的卷积层；在卷积层中，通过卷积神经网络将调制信号对应的IQ分量和滤波器进行卷积，其中每个神经元的输入连接到上一层的局部接收域，提取局部特征信息，卷积操作后利用激活函数进行非线性映射，激活函数为线性整流函数(Relu)，实现从低级特征到高级特征的非线性映射；
利用胶囊层卷积层提取的特征信息进行维度的划分，在维度上进行了扩展，将标量特征转化为矢量特征，学习到更多的位置信息(如旋转信息，姿态信息)，从而使得所提出的混合网络模型能更加全面的抽取调制信号的空间特征；若调制信号有移位、旋转、改变大小的变化，胶囊层将输出相同长度但方向略有不同的向量，从而提升调制信号的分类性能。
本发明还提供涉及基于混合神经网络的无线电信号调制识别网络的实现方法，具体按照以下步骤实施：
步骤一、构建数据集，用于训练和测试所提出的网络结构；选取RML2016.04C作为基准数据集用于验证调制信号的分类精度，通过“留出法”将数据集按照7：3的比例分为训练集和测试集；
每个信号由128个I/Q样本组成，选取信噪比范围从-6dB到12dB，间隔为2dB；数据集包括11种调制信号，其中，8种数字信号由二进制相移键控(BPSK)、8相移键控(8PSK)、正交幅度调制16(QAM16)、正交幅度调制64(QAM64)、正交相移键控(QPSK)、高斯频移键控(GFSK)、连续相频移键控(CPFSK)、脉冲幅度调制4(PAM4)组成，3种模拟信号由宽带调频(WBFM)、调幅单侧频带(AM-SSB)、调幅双侧频带(AM-DSB)组成)；
为了保证训练集和测试集中调制信号分布的一致性，通过“留出法”将数据集按照7：3的比例分为训练集和测试集。在训练集上训练出所提出的混合网络模型后，用测试集来评估所提出网络的分类性能。(注：如图3至12所示，通过混淆矩阵中预测标签对应的值来反映分类性能)
步骤二、卷积层提取标量特征；
通过使用两个2维卷积神经网络提取输入信号的特征信息，得到信号的标量空间特征；
步骤三、胶囊层抽取矢量空间特征；
对卷积层提取的标量空间特征进行维度的扩展，卷积后的维度64×1×128，64层中每4层为1组，分为16组，即16个胶囊，每个胶囊的维度为4×1×128，将标量空间特征转化为矢量空间特征；胶囊网络是由胶囊组成，而不是神经元。胶囊是一组神经元，它会学习检测给定区域图像的特定目标,它输出一个向量，向量的长度代表目标存在的概率。如果调制信号有轻微的变化(例如移位、旋转、改变大小)，那么胶囊将输出相同长度但方向略有不同的向量。因此，胶囊是等变化的。
步骤四、门控循环单元层提取时间特征；
将胶囊层提取的矢量空间特征输入门控循环单元层，门控循环单元通过重置门和更新门实现长期记忆，用于提取信号中与时间相关的特征信息；
步骤五、输出层进行分类；
根据数据集中调制信号的种类，建立全连接层，全连接层的每一个结点都与上一层的所有结点相连，用来将提取到的特征综合起来进行分类。完成调制信号进行分类。
所述步骤二中，卷积层提取标量特征的具体步骤为：
卷积层的核心是权值共享和局部感受野，局部感受野提取信号的局部特征信息，权值共享将调制信号对应的IQ分量在进行卷积时使用相同的的局部感受野，其中，局部感受野由于图像的空间联系是局部的，每个神经元不需要对全部的图像做感受，只需要感受局部特征即可，然后将不同的局部特征信息累计相加得到全局特征信息；如输入信号的维度为2×128，通过64个2×9的卷积核进行卷积操作，将局部信息综合起来得到的维度为64×1×60；权值共享中，不同神经元之间的参数共享减少需要求解的参数，使用多种滤波器卷积图像得到多种特征映射；权值共享是对图像用同样的卷积核进行卷积操作，即第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征。
调制信号的IQ信息和滤波器进行卷积之后，提取调制信号IQ信息的局部特征信息，局部特征信息被提取之后，局部特征与其他特征的位置关系也随之确定；网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数；为了有效避免梯度爆炸和梯度消失，采用整流线性函数(Relu)作为激活函数。
所述步骤三中，胶囊层模块的具体实现过程如下：
对卷积层提取的特征信息进行维度的划分，将m层特征信息分为n份，每份包含k层，m＝n*k，将每份看作是一个胶囊，即共n个胶囊，k表示每个胶囊内的层数，利用转换矩阵wij计算预测向量
Figure BDA0002805246170000051
将ui转换成
Figure BDA0002805246170000052
Figure BDA0002805246170000053
将所有得到的预测向量进行加权求和：
Figure BDA0002805246170000054
其中sj为高层胶囊j的总输入,cij为权重系数；
用胶囊的向量的模表示由胶囊所代表的实体存在的概率，使用非线性函数squashing替代神经网络的激活函数Relu，激活函数加入了非线性因素，把“激活的神经元的特征”通过函数保留并映射到下一层。将向量模压缩至0到1之间，并且保持向量的方向不变，最终胶囊的向量输出vj：
Figure BDA0002805246170000055
所述步骤四中，门控循环单元层模块的具体实现步骤如下：
门控循环单元内部采用更新门和重置门；更新门控制前一时刻的状态信息被代入到当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多；通过更新门和重置门提取信号中与时间相关的特征信息，实现长期记忆。
通过t-1时刻的输出状态ht-1和t时刻的输入xt获取两个门控状态，如图2所示：
Zt＝σ(WZ·[yt-1,xt]) (4)
rt＝σ(Wr·[yt-1,xt]) (5)
ht＝tanh(W·[rt*yt-1,xt]) (6)
yt＝(1-zt)*yt-1+zt*ht (7)
其中，ht-1为t-1时刻门控循环单元的输出，rt控制重置的门控，Zt为控制更新的门控，ht为候选隐藏层，如果重置门为0，上一个隐藏状态将被丢弃。因此，重置门可以丢弃与预测未来无关的信息。yt为t时刻门控循环单元的输出，WZ,Wr,W为对应权重，σ()为重置门和更新门的激活函数，输出值的范围在0到1之间，用于控制重置和更新的程度。tanh()将线性映射转化为非线性映射，提升非线性建模的模型容量。
所述步骤五中输出层的具体过程如下：
根据数据集中调制信号的种类，建立全连接层，根据调制信号特征的不同，完成调制信号进行分类，通过所提出的混合神经网络提取调制信号的特征信息，从而实现分类，混合神经网络通过学习判断调制信号的类型；全连接层的作用是实现分类，将各个调制信号的特征信息累计相加进行整合，通过softmax激活函数将输出值映射到0至1之间(满足概率的性质)，将输出值为概率，在最后选取输出结果的时候，选取概率最大的结果，作为预测目标。
本发明的有益效果在于：
1、本发明考虑了单独使用卷积神经网络提取特征信息时，无法充分提取信号特征信息的问题，提出了使用胶囊网络来学习到更多的位置信息，例如旋转信息，姿态信息等，从而使得该模型能更加全面的抽取调制信号的空间特征，提升调制信号的分类性能。
2、本发明提出使用两步法实现单独使用卷积神经网络提取特征信息时，无法充分提取信号特征信息的问题。首先通过胶囊网络提取调制信号的特征信息。再利用门控循环单元，学习与时间相关的特征信息，从而使得该模型能更加全面的抽取调制信号的空间和时间特征，进而提升调制信号的分类性能。
附图说明
图1为本发明基于混合神经网络的无线电信号调制识别方法模型；
图2为门控循环单元模型；
图3为本发明基于混合神经网络模型在信噪比为-6dB时，对不同调制信号分类精度的混淆矩阵；
图4为本发明基于混合神经网络模型在信噪比为-4dB时，对不同调制信号分类精度的混淆矩阵；
图5为本发明基于混合神经网络模型在信噪比为-2dB时，对不同调制信号分类精度的混淆矩阵；
图6为本发明基于混合神经网络模型在信噪比为0dB时，对不同调制信号分类精度的混淆矩阵；
图7为本发明基于混合神经网络模型在信噪比为2dB时，对不同调制信号分类精度的混淆矩阵；
图8为本发明基于混合神经网络模型在信噪比为4dB时，对不同调制信号分类精度的混淆矩阵；
图9为本发明基于胶囊网络算法在信噪比为6dB时，对不同调制信号分类精度的混淆矩阵；
图10为本发明基于混合神经网络模型在信噪比为8dB时，对不同调制信号分类精度的混淆矩阵；
图11为本发明基于混合神经网络模型在信噪比为10dB时，对不同调制信号分类精度的混淆矩阵；
图12为本发明基于混合神经网络模型在信噪比为12dB时，对不同调制信号分类精度的混淆矩阵。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供了一种基于混合神经网络的无线电信号调制识别方法，以解决单独使用神经网络提取特征信息时，无法充分提取信号特征信息的问题。首先通过卷积神经网络将调制信号的图像和滤波器进行卷积之后，每个神经元的输入连接到上一层的局部接收域，提取局部特征信息。通过选择合适的激活函数，实现了从低级特征到高级特征的非线性映射。其次通过胶囊网络对卷积层提取的特征信息进行维度的划分，学习到更多的位置信息，旋转信息，姿态信息等，从而使得该模型能更加全面的抽取调制信号的空间特征。再利用门控循环单元层提取与时间相关的特征信息，所提出的网络模型充分结合信号在时间和空间状态的特征信息。加深隐层与输出之间的映射关系，提升调制信号的分类性能。
本发明研究的系统模型如图1所示，网络模型由输入层，卷积层，胶囊层，门控循环单元层和输出层组成。
输入层：每个信号都由有128个复杂的浮点I/Q样本组成，信号的维度为2×128。输入层需要将输入信号传送到卷积层进行卷积操作。
卷积层：输入图像与滤波器进行卷积之后，提取该局部特征，一旦该局部特征被提取出来之后，它与其他特征的位置关系也随之确定下来了。网络的每个层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
输入信号的维度为2×128，首先使用64个大小为2×9的卷积核进行卷积操作，其中采用0填充并用整流线性函数作为激活函数，得到向量维度为64×1×60。再使用64个大小为1×5的卷积核进一步提取信号的特征信息，其中采用0填充，步长设置为2并用整流线性函数作为激活函数。最后输出向量的维度为64×1×28。
胶囊层：首先使用64个大小为1×6的卷积核对卷积层的输出向量进行卷积操作。在卷积操作中，采用0填充。输出向量的维数为64×1×28。每4个维度分成1组，将64个维度分成16组。每组的向量维度为4×28。
利用转换矩阵wij计算预测向量
Figure BDA0002805246170000081
4维输入空间映射到16维输出空间：
Figure BDA0002805246170000082
将所有得到的预测向量
Figure BDA0002805246170000083
进行加权求和：
Figure BDA0002805246170000084
其中sj为高层胶囊j的总输入,cij为权重系数。
用胶囊的向量的模来表示由胶囊所代表的实体存在的概率。使用非线性函数squashing来替代传统的神经网络的激活函数Relu，确保向量模被压缩至0到1之间，并且保持向量的方向不变，因此最终胶囊的向量输出vj：
Figure BDA0002805246170000085
门控循环单元层：门控循环单元内部采用更新门和重置门。更新门用于控制前一时刻的状态信息被代入到当前状态的程，更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。通过更新门和重置门提取信号中与时间相关的特征信息，实现长期记忆。设置门控循环单元的数量为32。
通过t-1时刻的输出状态ht-1和t时刻的输入xt获取两个门控状态。如图2所示，其中rt控制重置的门控，Zt为控制更新的门控，ht为候选隐藏层，如果重置门为0，上一个隐藏状态将被丢弃。因此，重置门可以丢弃与预测未来无关的信息。yt为t时刻门控循环单元的输出，WZ,Wr,W为对应权重，σ()为重置门和更新门的激活函数，输出值的范围在0到1之间，用于控制重置和更新的程度。tanh()将线性映射转化为非线性映射，提升非线性建模的模型容量。
Zt＝σ(WZ·[yt-1,xt]) (11)
rt＝σ(Wr·[yt-1,xt]) (12)
ht＝tanh(W·[rt*yt-1,xt]) (13)
yt＝(1-zt)*yt-1+zt*ht (14)
输出层：根据数据集中调制信号的种类，建立全连接层，根据调制信号特征的不同，完成调制信号进行分类。全连接层的作用是实现分类，将调制信号的特征映射整合起来，通过softmax激活函数将输出值映射到0至1之间(满足概率的性质)，将输出值理解为概率，在最后选取输出结果的时候，选取概率最大(也就是值对应最大的)的结果，作为预测目标。
实施例
以下实例中所提供的图示以及模型中的具体参数值的设定主要是为了说明本发明的构想以及仿真验证，在具体的应用环境中，可视实际场景和需求进行适当调整。
本发明考虑单独使用神经网络提取特征信息时，无法充分提取信号特征信息的问题。其中有AM-SSB信号的数量为7050；WBFM信号的数量为7790；AM-DSB信号的数量为7050；CPFSK信号的数量为12470；GFSK信号的数量为12470；PAM4信号的数量为6220；QAM64信号的数量为2060；QAM16信号的数量为3100；8PSK信号的数量为4130；BPSK信号的数量为12470；QPSK信号的数量为6220。
首先分析在不同信噪比下所提出网络结构对11种不同调制信号的分类性能如图3至图12所示。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种基于混合神经网络的无线电信号调制识别网络，包括卷积层模块、胶囊层模块、门控循环单元层模块以及输出层模块，其特征在于：
卷积层提取调制信号的标量特征信息，胶囊层对卷积层提取的标量特征信息进行维度的划分，将标量特征转化为矢量特征，从而使由卷积层，胶囊层与门控循环单元层相结合的混合神经网络模型充分抽取调制信号的矢量空间特征，门控循环单元在胶囊网络提取信号矢量特征的基础上，再利用门控循环单元层提取调制信号中与时间相关的特征信息；
基于Keras深度学习框架，搭建混合网络结构；利用数据集训练所提出的混合网络模型，通过测试集验证训练效果，完成信号自动调制识别，调制信号通过胶囊层后输送到门控循环单元层，在门控循环单元层中，利用门控循环单元提取调制信号中与时间相关的特征信息，最后，通过输出层完成调制信号的分类；
调制信号的IQ分量作为输入层的输入数据先通过卷积层，胶囊层与门控循环单元层相结合的混合神经网络模型中的卷积层；在卷积层中，通过卷积神经网络将调制信号对应的IQ分量和滤波器进行卷积，其中每个神经元的输入连接到上一层的局部接收域，提取局部特征信息，卷积操作后利用激活函数进行非线性映射，激活函数为线性整流函数Relu，实现从低级特征到高级特征的非线性映射；
利用胶囊层卷积层提取的特征信息进行维度的划分，在维度上进行了扩展，将标量特征转化为矢量特征，学习到位置信息，；若调制信号有移位、旋转、改变大小的变化，胶囊层将输出相同长度但方向略有不同的向量，从而提升调制信号的分类性能。
2.一种利用权利要求1所述一种基于混合神经网络的无线电信号调制识别网络的实现方法，其特征在于包括下述步骤：
步骤一、构建数据集，用于训练和测试所提出的网络结构；选取RML2016.04C作为基准数据集用于验证调制信号的分类精度，通过“留出法”将数据集按照7：3的比例分为训练集和测试集；
每个信号由128个I/Q样本组成，选取信噪比范围从-6dB到12dB，间隔为2dB；数据集包括11种调制信号，其中，8种数字信号由二进制相移键控、8相移键控、正交幅度调制16、正交幅度调制64、正交相移键控、高斯频移键控、连续相频移键控、脉冲幅度调制4组成，3种模拟信号由宽带调频、调幅单侧频带、调幅双侧频带组成；
在训练集上训练出所提出的混合网络模型后，用测试集评估所提出网络的分类性能；
步骤二、卷积层提取标量特征；
通过使用两个2维卷积神经网络提取输入信号的特征信息，得到信号的标量空间特征；
步骤三、胶囊层抽取矢量空间特征；
对卷积层提取的标量空间特征进行维度的扩展，将标量空间特征转化为矢量空间特征；胶囊网络是由胶囊组成，胶囊是等变化；
步骤四、门控循环单元层提取时间特征；
将胶囊层提取的矢量空间特征输入门控循环单元层，门控循环单元通过重置门和更新门实现长期记忆，用于提取信号中与时间相关的特征信息；
步骤五、输出层进行分类；
根据数据集中调制信号的种类，建立全连接层，全连接层的每一个结点都与上一层的所有结点相连，用来将提取到的特征综合起来进行分类。完成调制信号进行分类。
3.根据权利要求2所述的一种基于混合神经网络的无线电信号调制识别网络的实现方法，其特征在于：
所述步骤二中，卷积层提取标量特征的具体步骤为：
卷积层的核心是权值共享和局部感受野，局部感受野提取信号的局部特征信息，权值共享将调制信号对应的IQ分量在进行卷积时使用相同的的局部感受野，其中，局部感受野只需要感受局部特征，然后将不同的局部特征信息累计相加得到全局特征信息；权值共享中，使用多种滤波器卷积图像得到多种特征映射；权值共享是对图像用同样的卷积核进行卷积操作，即第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征；
调制信号的IQ信息和滤波器进行卷积之后，提取调制信号IQ信息的局部特征信息，局部特征信息被提取之后，局部特征与其他特征的位置关系也随之确定；网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，特征映射结构采用sigmoid函数作为卷积网络的激活函数，由于一个映射面上的神经元共享权值，采用整流线性函数Relu作为激活函数。
4.根据权利要求2所述的一种基于混合神经网络的无线电信号调制识别网络的实现方法，其特征在于：
所述步骤三中，胶囊层模块的具体实现过程如下：
对卷积层提取的特征信息进行维度的划分，将m层特征信息分为n份，每份包含k层，m＝n*k，将每份看作是一个胶囊，即共n个胶囊，k表示每个胶囊内的层数，利用转换矩阵wij计算预测向量
Figure FDA0002805246160000031
将ui转换成
Figure FDA0002805246160000032
Figure FDA0002805246160000033
将所有得到的预测向量进行加权求和：
Figure FDA0002805246160000034
其中sj为高层胶囊j的总输入,cij为权重系数；
用胶囊的向量的模表示由胶囊所代表的实体存在的概率，使用非线性函数squashing替代神经网络的激活函数Relu，激活函数加入了非线性因素，把“激活的神经元的特征”通过函数保留并映射到下一层，将向量模压缩至0到1之间，并且保持向量的方向不变，最终胶囊的向量输出vj为：
Figure FDA0002805246160000035
5.根据权利要求2所述的一种基于混合神经网络的无线电信号调制识别网络的实现方法，其特征在于：
所述步骤四中，门控循环单元层模块的具体实现步骤如下：
门控循环单元内部采用更新门和重置门；更新门控制前一时刻的状态信息被代入到当前状态的程度，重置门控制忽略前一时刻的状态信息的程度，通过更新门和重置门提取信号中与时间相关的特征信息，实现长期记忆；
通过t-1时刻的输出状态ht-1和t时刻的输入xt获取两个门控状态：
Zt＝σ(WZ·[yt-1,xt]) (4)
rt＝σ(Wr·[yt-1,xt]) (5)
ht＝tanh(W·[rt*yt-1,xt]) (6)
yt＝(1-zt)*yt-1+zt*ht (7)
其中，ht-1为t-1时刻门控循环单元的输出，rt控制重置的门控，Zt为控制更新的门控，ht为候选隐藏层，如果重置门为0，上一个隐藏状态将被丢弃，yt为t时刻门控循环单元的输出，WZ,Wr,W为对应权重，σ()为重置门和更新门的激活函数，输出值的范围在0到1之间，用于控制重置和更新的程度；tanh()将线性映射转化为非线性映射，提升非线性建模的模型容量。
6.根据权利要求2所述的一种基于混合神经网络的无线电信号调制识别网络的实现方法，其特征在于：
所述步骤五中输出层的具体过程如下：
根据数据集中调制信号的种类，建立全连接层，根据调制信号特征的不同，完成调制信号进行分类，通过所提出的混合神经网络提取调制信号的特征信息，从而实现分类，混合神经网络通过学习判断调制信号的类型；全连接层的作用是实现分类，将各个调制信号的特征信息累计相加进行整合，通过softmax激活函数将输出值映射到0至1之间，将输出值为概率，在最后选取输出结果的时候，选取概率最大的结果，作为预测目标。
CN202011368021.0A 2020-11-28 2020-11-28 基于混合神经网络的无线电信号调制识别网络及实现方法 Pending CN112565128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011368021.0A CN112565128A (zh) 2020-11-28 2020-11-28 基于混合神经网络的无线电信号调制识别网络及实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011368021.0A CN112565128A (zh) 2020-11-28 2020-11-28 基于混合神经网络的无线电信号调制识别网络及实现方法

Publications (1)

Publication Number Publication Date
CN112565128A true CN112565128A (zh) 2021-03-26

Family

ID=75046605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011368021.0A Pending CN112565128A (zh) 2020-11-28 2020-11-28 基于混合神经网络的无线电信号调制识别网络及实现方法

Country Status (1)

Country Link
CN (1) CN112565128A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300788A (zh) * 2021-04-19 2021-08-24 嘉兴学院 一种基于CapsNet胶囊网络的盲接收机方法及装置
CN113783815A (zh) * 2021-09-10 2021-12-10 苏州大学 针对无线通信的自定义卷积神经网络调制识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282262A (zh) * 2018-04-16 2018-07-13 西安电子科技大学 基于门控循环单元深度网络的智能时序信号分类方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN110188637A (zh) * 2019-05-17 2019-08-30 西安电子科技大学 一种基于深度学习的行为识别技术方法
CN110826336A (zh) * 2019-09-18 2020-02-21 华南师范大学 一种情感分类方法、系统、存储介质及设备
CN111585925A (zh) * 2020-04-18 2020-08-25 西北工业大学 一种基于深度学习的稳健实时射频信号调制识别方法
CN111832663A (zh) * 2020-07-30 2020-10-27 上海电机学院 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN108282262A (zh) * 2018-04-16 2018-07-13 西安电子科技大学 基于门控循环单元深度网络的智能时序信号分类方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN110188637A (zh) * 2019-05-17 2019-08-30 西安电子科技大学 一种基于深度学习的行为识别技术方法
CN110826336A (zh) * 2019-09-18 2020-02-21 华南师范大学 一种情感分类方法、系统、存储介质及设备
CN111585925A (zh) * 2020-04-18 2020-08-25 西北工业大学 一种基于深度学习的稳健实时射频信号调制识别方法
CN111832663A (zh) * 2020-07-30 2020-10-27 上海电机学院 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIXIN LI ET AL.: "Automatic Modulation Recognition: A Few-Shot Learning Method Based on the Capsule Network", 《IEEE》 *
吴亚聪: "面向云计算环境的服务器资源管理系统的设计和实现", 《中国优秀硕士学位论文全文数据库•信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300788A (zh) * 2021-04-19 2021-08-24 嘉兴学院 一种基于CapsNet胶囊网络的盲接收机方法及装置
CN113300788B (zh) * 2021-04-19 2023-04-21 嘉兴学院 一种基于CapsNet胶囊网络的盲接收机方法及装置
CN113783815A (zh) * 2021-09-10 2021-12-10 苏州大学 针对无线通信的自定义卷积神经网络调制识别方法及系统

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
CN110086737B (zh) 一种基于图神经网络的通信信号调制方式的识别方法
Chen et al. Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism
CN107038421A (zh) 基于稀疏堆栈自编码的调制样式识别方法
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN111245673B (zh) 一种基于图神经网络的sdn时延感知方法
CN112039820B (zh) 量子象群机制演化bp神经网络的通信信号调制识别方法
CN112565128A (zh) 基于混合神经网络的无线电信号调制识别网络及实现方法
CN113114599B (zh) 基于轻量级神经网络的调制识别方法
CN113723556B (zh) 基于熵加权-多模态域对抗神经网络的调制方式识别方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN113676426B (zh) 面向动态传输的智能数字预失真系统及方法
CN112491442B (zh) 一种自干扰消除方法及装置
CN113269077A (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN111948622A (zh) 基于并联cnn-lstm的线性调频雷达信号toa估计算法
CN116866129A (zh) 一种无线通信信号检测方法
CN111431825B (zh) 一种基于深度多流神经网络的信号自动分类识别方法
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
CN114764577A (zh) 一种基于深度神经网络的轻量级调制识别模型及其方法
CN115186712A (zh) 一种调制信号识别方法和系统
Jiang et al. Modulation recognition method of satellite communication based on CLDNN model
CN117376066A (zh) 一种面向异步采样的数字信号调制方式识别方法
CN113542180A (zh) 一种无线电信号的频域识别方法
CN115883301A (zh) 基于样本回想增量学习的信号调制分类模型及学习方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210326

WD01 Invention patent application deemed withdrawn after publication