CN112861927B - 基于自适应特征提取与融合的信号调制分类方法 - Google Patents

基于自适应特征提取与融合的信号调制分类方法 Download PDF

Info

Publication number
CN112861927B
CN112861927B CN202110068851.XA CN202110068851A CN112861927B CN 112861927 B CN112861927 B CN 112861927B CN 202110068851 A CN202110068851 A CN 202110068851A CN 112861927 B CN112861927 B CN 112861927B
Authority
CN
China
Prior art keywords
modulation
model
sample
signal
constellation
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
CN202110068851.XA
Other languages
English (en)
Other versions
CN112861927A (zh
Inventor
谢磊
王景
陈惠芳
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110068851.XA priority Critical patent/CN112861927B/zh
Publication of CN112861927A publication Critical patent/CN112861927A/zh
Application granted granted Critical
Publication of CN112861927B publication Critical patent/CN112861927B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明涉及基于自适应特征提取与融合的信号调制分类方法。当前自动调制分类方法中仍然存在诸多问题。本发明方法包括模型训练模式和调制识别模式。模型训练模式用于训练分类器模型，首先处理已知调制的接收信号，构建有标签数据集并进行分割，然后对训练集和验证集中的每一个样本分别进行操作，得到对应的星座图特征集和循环谱特征集，最后构建并训练分类器模型。调制识别模式用于识别某段接收信号的调制方式，首先处理调制方式未知的接收信号，然后对待识别样本操作，得到对应的星座图特征集和循环谱特征集，构建分类器模型，载入模型训练模式获得的最佳模型参数。本发明方法能规避大量假设条件，有效处理多候选调制的分类问题，提高分类正确率。

Description

基于自适应特征提取与融合的信号调制分类方法
技术领域
本发明属于无线通信信号处理技术领域，特别是无线通信信号调制分类领域，具体涉及一种基于自适应特征提取与融合的信号调制分类方法。
背景技术
自动调制分类是指信号接收方在对接收信号采用的调制方式未知的情况下，确定发射机所用调制格式的技术，是无线通信系统中介于信号检测与解调间的一项重要工作。合理的自动调制分类方法可以通过对信号的幅度、相位、频率等特性的分析，根据不同调制方案对接收信号概率分布、统计量等特征的影响，准确获取接收信号采用的调制方式。
但由于无线通信系统的高速发展，通信网络用户的数量持续增加，用户需求日益广泛，无线通信环境愈加恶劣，信号间的干扰愈加严重，导致接收信号的检测、识别、参数估计困难，无法正确完成调制识别和信号解调。此外，为增大信道容量，提高传输速率，更多的调制种类、更复杂的调制方法被应用于无线通信系统中，致使调制识别问题的难度急剧增加。
现有的自动调制分类方法主要分为两类：基于最大似然的分类法、基于信号特征的分类法。最大似然法要求对接收信号与信道条件进行大量假设，以获取概率密度函数，计算复杂度高，逐渐无法适应愈加复杂的通信环境。基于信号特征的方法也包括两类：基于统计特征的分类方法、基于深度学习的自适应特征分类方法。基于统计特征的分类方法对选取的特征要求较高，当候选调制集发生改变时，通常要求重新选择新的特征，针对不同的应用场景也需要进行调整和改进。
申请号201910748250.6的中国发明专利申请公开了一种基于K-means的信号自动调制分类方法及系统，其局限在于信号特征的稳定性不足，且仅用于6种调制方式的分类，能区分的调制种类少。而基于深度学习的自适应特征性能则更加稳定，能有效提高分类正确率，但是随着候选调制种类和复杂度的增加，自适应特征受到噪声等影响因素的干扰，使得提取的特征合理性不足，易产生分类错误。
申请号202011011055.4和申请号202010960299.0的中国发明专利申请分别公开了一种基于卷积循环网络的信号调制识别系统及调制识别方法和一种基于模糊密集卷积网络的无线电自动调制识别方法，其局限在于以接收信号的I/Q分量为输入，未做特征的预提取，最终提取出的信号特征有效性不足，即使在高信噪比下依然不能有效分辨所有调制类别。
申请号201810462767.4的中国发明专利申请公开了一种基于卷积神经网络的数字信号调制分类方法，其局限性在于仅对信号的时频特征进行了预提取，忽略了相位信息，对与相位有关的调制方式分类效果差。
综上可知，当前自动调制分类方法中仍然存在诸多问题：算法受大量前提假设的约束，无法应对复杂的实际通信场景；信号中混杂的噪声容易干扰特征提取或概率密度函数拟合过程，致使分类结果错误；难以适应多样的调制种类和调制方法，尤其难以区分同种调制的不同阶数调制；对信号的特征提取不充分，不能有效区分各种调制方式。因此亟需设计一种含多种候选调制集、抗噪能力强、分类效果良好的自动调制分类算法，准确识别出信号所用的调制方式，便于后续信号的解调和译码工作。
发明内容
本发明的目的是针对无线通信环境复杂、候选调制种类多、先验知识有限的情况下，目前技术中的调制分类方法分类性能差甚至无法工作的问题，提出一种基于自适应特征提取与融合的信号调制分类方法，用于准确高效地识别出接收信号采用的调制方式。
本发明方法包括模型训练模式和调制识别模式。
模型训练模式用于训练分类器模型，获得性能良好的分类器；具体方法是：
步骤(1)处理已知调制的接收信号，构建有标签数据集D，具体如下：
无线通信系统中，接收方的接收信号y(t)＝x(t)+n(t)，x(t)表示无噪声发送信号，n(t)表示噪声，t表示t时刻。
接收信号的候选调制集M＝{M1,M2,…,MK}，Mk表示第k种调制，k＝1,2,…,K，K表示调制类别的个数。
分别对Nsamp段调制方式已知的y(t)信号执行采样、归一化、分量提取操作，并添加对应的标签llabel，组成具有Nsamp个样本、标签集为L的有标签数据集D，样本长度为Nlen。
其中，采样操作具体是：对接收信号y(t)的某一段使用符号间隔Ts采样，获取长度为Nlen的离散接收序列
Figure BDA0002905262310000021
T表示转置操作。第n个采样点的接收序列值
Figure BDA0002905262310000022
归一化操作具体是：对接收序列进行单位功率归一化处理，获取归一化接收序列
Figure BDA0002905262310000031
第n个采样点的归一化值
Figure BDA0002905262310000032
H表示矩阵转置操作。
分量提取操作具体是：将归一化接收序列中的点表示为复数的形式y′n＝In+jQn，j表示虚数单位。提取每个采样点实部和虚部，即为该采样点的同相、正交分量。数据集中每一个样本的表达式为
Figure BDA0002905262310000033
其中,In和Qn分别表示第n个采样点的同相、正交分量。
步骤(2)分割有标签数据集，具体是：
将有标签数据集D中Nsamp个样本分成训练集Dtrain和验证集Dtest，Ntrain+Ntest＝Nsamp；Ntrain为Dtrain的样本数，Ntest为Dtest的样本数。
步骤(3)对训练集Dtrain中的每一个样本分别进行操作，得到对应的星座图特征集
Figure BDA0002905262310000034
和循环谱特征集
Figure BDA0002905262310000035
对验证集Dtest中的每一个样本分别进行操作，得到对应的星座图特征集
Figure BDA0002905262310000036
和循环谱特征集
Figure BDA0002905262310000037
具体操作方式是：
(3-1)将第i个样本映射为星座图，并做降采样和灰度处理，得到对应的星座图特征Fi cons；其中，
映射：分别以样本中同相、正交分量的值作为直角坐标系中横坐标与纵坐标的值，绘制分辨率为P1×P2的星座图；
降采样：使用最近邻插值法对星座图做降采样处理，得到分辨率为P1′×P2′的降采样图；最近邻插值法中，降采样图中像素位置为(p1′,p2′)处的值为原星座图像素位置为(p1,p2)处的值，像素位置的对应关系为：p1＝p1′×(p1/p1′)，p2＝p2′×(p2/p2′)，按四舍五入法取值。
灰度处理：将降采样图绘制成灰度图，灰度图中各像素点的值pgray＝0.2989×R+0.5870×G+0.1140×B；(R,G,B)表示降采样图中该像素位置的R、G、B分量；
(3-2)计算第i个样的循环谱特征Fi cyclic，具体是：
使用基于时域平滑抽取的循环周期图算法估计样本ysamp对应的归一化接收序列y′的循环谱特征
Figure BDA0002905262310000041
α为循环频率，L为抽取因子，g(n)为平滑窗；
循环周期图
Figure BDA0002905262310000042
α(n)表示数据衰减窗，j表示虚数单位，
Figure BDA0002905262310000043
为XT的共轭。
步骤(4)构建分类器模型，模型输入为ysamp、星座图特征Fcons、循环谱特征Fcyclic，输出为ll′abel；构建方法具体如下：
将ysamp馈入有
Figure BDA0002905262310000044
层卷积层、
Figure BDA0002905262310000045
层全连接层的第一卷积神经网络中；每个卷积层的卷积核个数集合
Figure BDA0002905262310000046
每个全连接层的神经元个数集合
Figure BDA0002905262310000047
采用拼接法将星座图特征Fcons、循环谱特征Fcyclic做特征融合，馈入有
Figure BDA0002905262310000048
层卷积层、
Figure BDA0002905262310000049
层全连接层的第二卷积神经网络中；每个卷积层的卷积核个数集合
Figure BDA00029052623100000410
每个全连接层的神经元个数集合
Figure BDA00029052623100000411
将第一卷积神经网络的输出
Figure BDA00029052623100000412
和第二卷积神经网络的输出
Figure BDA00029052623100000413
拼接为
Figure BDA00029052623100000414
馈入一层有K个神经元、激活函数为softmax的全连接层，输出即为模型预测分类结果ll′abel。
步骤(5).训练分类器模型，具体是：
(5-1)初始化：设置迭代轮数Nepoch，当前迭代轮数epoch＝1，随机初始化模型参数w；
(5-2)分批：将训练集Dtrain样本及其星座图特征
Figure BDA00029052623100000415
循环谱特征
Figure BDA00029052623100000416
均匀分成Nbatch个小批；
(5-3)前向传播：随机选取一个小批，将该小批中的所有样本输入分类器模型中，得到计算输出值ll′abel；
(5-4)后向传播：根据真实标签llabel和计算输出值ll′abel计算损失函数
Figure BDA0002905262310000051
Figure BDA0002905262310000052
表示该小批中第i个样本的理论输出值，
Figure BDA0002905262310000053
表示该小批中第i个样本的计算输出值；根据梯度下降法更新模型参数
Figure BDA0002905262310000054
η为学习率；
(5-5)验证：若所有小批均已选取过，则将验证集Dtest及其星座图特征
Figure BDA0002905262310000055
循环谱特征
Figure BDA0002905262310000056
输入模型中，观察模型的分类能力和泛化能力；否则返回步骤(5-3)；
(5-6)迭代：若迭代轮数epoch＜Nepoch，则返回步骤(5-2)进行下一轮迭代；否则结束训练，保存最佳模型参数wbest。
调制识别模式用于识别某段接收信号的调制方式；具体方法是：
步骤(a)处理调制方式未知的接收信号：
一段调制方式未知的接收信号通式为y(t)＝x(t)+n(t)；
对y(t)执行采样、归一化、分量提取操作，得到样本长度为Nlen的待识别样本
Figure BDA0002905262310000057
Im和Qm分别表示第m个采样点的同相、正交分量，m＝1,2,…,Nlen；操作方法与步骤(1)相同；
步骤(b)对ypre进行操作，得到ypre对应的星座图特征集
Figure BDA0002905262310000058
和循环谱特征集
Figure BDA0002905262310000059
操作方法与步骤(3)相同；
步骤(c)构建模型训练模式中的分类器模型，构建方法与步骤(4)相同；
步骤(d)分类器模型中载入模型训练模式获得的最佳模型参数wbest，将ypre、
Figure BDA00029052623100000510
输入分类器，得到的输出ll′abel，即为该接收信号所采用调制方式的预测结果。
本发明以接收信号的I、Q分量为原始数据，预提取了反映信号幅相信息的星座图特征和反映信号频率信息的循环谱特征，方便第二卷积神经网络有针对性地完成自适应特征提取，辅助第一卷积神经网络更好地完成分类工作。与已有的调制分类方法相比，本发明具有如下优点：
(1)现有非深度学习的方法需要对接收信号做大量假设，分类正确率严重受候选调制数量限制。而本发明所提方法能规避大量假设条件，有效处理多候选调制的分类问题。
(2)现有深度学习方法并没有针对性地对信号特征做预提取，或者预提取的特征不够完备，导致深度学习网络自适应提取出的特征针对性不足。而本发明所提方法预提取了调制信号的幅度、相位、频率特征，同时保留了网络自适应提取出的其他特征，可以提高分类正确率。
附图说明
图1为本发明方法中的模型训练模式流程图；
图2为本发明方法中的调制识别模式流程图；
图3为本发明方法整体框架的示意图；
图4为本发明实施例中卷积神经网络的示意图；
图5为本发明方法中分类器训练过程的流程图。
具体实施方式
以下结合附图并举实施例对本发明作进一步详细说明。
本实施例以一个候选调制集M中有K种(本实施例中K＝21)调制的有标签数据集为例，对基于自适应特征提取与融合的信号调制分类方法进行说明。发明方法包括模型训练模式和调制识别模式。
如图1，模型训练模式具体是：
步骤(1)分别对Nsamp段(本实施例中Nsamp＝451584)调制方式已知的接收信号执行采样、归一化、分量提取操作，并添加对应的标签llabel(本实施例中llabel∈{0,1,…,20}，分别代表一种调制)，组成具有Nsamp个样本、样本长度为Nlen(本实施例中Nlen＝1024)、标签集为L的有标签数据集D。数据集中单个样本的表达式为
Figure BDA0002905262310000061
步骤(2)分有标签数据集，将有标签数据集D中451584个样本分成训练集Dtrain和验证集Dtest，Dtrain的样本数Ntrain＝361267，Dtest的样本数Ntest＝90317。
步骤(3)如图3中特征提取部分所示，对训练集Dtrain中的每一个样本分别进行操作，得到对应的星座图特征集
Figure BDA0002905262310000062
和循环谱特征集
Figure BDA0002905262310000063
对验证集Dtest中的每一个样本分别进行操作，得到对应的星座图特征集
Figure BDA0002905262310000064
和循环谱特征集
Figure BDA0002905262310000065
(3-1)星座图特征集中每个星座图特征Fcons计算方法是：
分别以样本中同相、正交分量的值作为直角坐标系中横坐标与纵坐标的值，绘制分辨率为P1×P2(本实施例中P1＝875，P2＝656)的星座图；
使用最近邻插值法对星座图做降采样处理，得到分辨率为P1′×P2′(本实施例中P1′＝P2′＝64)的降采样图。降采样图中像素位置为(p1′,p2′)处的值为原星座图像素位置为(p1,p2)处的值，像素位置的对应关系为：p1＝p1′×(p1/p1′)，p2＝p2′×(p2/p2′)，由于像素位置应为整数，按四舍五入法取值。
将降采样图绘制成灰度图，灰度图中各像素点的值pgray＝0.2989×R+0.5870×G+0.1140×B。(R,G,B)表示降采样图中该像素位置的R、G、B分量。
(3-2)计算循环谱特征集中每个循环谱特征Fcyclic(本实施例中Fcyclic维度为64×32)，具体是：
使用基于时域平滑抽取的循环周期图算法估计样本ysamp对应的归一化接收序列y′的循环谱特征
Figure BDA0002905262310000071
α为循环频率，L为抽取因子(本实施例中L＝64)，满足L＜Nlen，g(n)为平滑窗(本实施例中g(n)为汉明窗)。
Figure BDA0002905262310000072
α(n)表示数据衰减窗。
步骤(4)如图3中构建分类器部分所示构建分类器模型，模型输入为ysamp、星座图特征Fcons、循环谱特征Fcyclic，输出为ll′abel。
将ysamp馈入如图4所示的第一卷积神经网络中，第一卷积神经网络中包含
Figure BDA0002905262310000073
层卷积层、
Figure BDA0002905262310000074
层全连接层。每个卷积层的卷积核个数集合
Figure BDA0002905262310000075
每个全连接层的神经元个数集合
Figure BDA0002905262310000076
本实施例中，
Figure BDA0002905262310000077
Figure BDA0002905262310000078
采用拼接法将星座图特征Fcons、循环谱特征Fcyclic做特征融合，馈入第二卷积神经网络中，第二卷积神经网络中包含
Figure BDA0002905262310000079
层卷积层、
Figure BDA00029052623100000710
层全连接层。每个卷积层的卷积核个数集合
Figure BDA0002905262310000081
每个全连接层的神经元个数集合
Figure BDA0002905262310000082
本实施例中，
Figure BDA0002905262310000083
Figure BDA0002905262310000084
将第一卷积神经网络的输出
Figure BDA0002905262310000085
和第二卷积神经网络的输出
Figure BDA0002905262310000086
拼接为
Figure BDA0002905262310000087
馈入一层有K个神经元、激活函数为softmax的全连接层，输出即为模型预测分类结果ll′abel(本实施例中ll′abel∈{0,1,…,20})。
步骤(5)如图5所示，训练分类器模型。
(5-1)初始化：设置迭代轮数Nepoch＝100，当前迭代轮数epoch＝1，随机初始化模型参数w；
(5-2)分批：将训练集Dtrain样本及其星座图特征
Figure BDA0002905262310000088
循环谱特征
Figure BDA0002905262310000089
均匀分成Nbatch个小批，
Figure BDA00029052623100000810
(5-3)前向传播：随机选取一个尚未被选取的小批(真实标签为llabel)，将该小批中的所有样本输入分类器模型中，得到计算输出值为ll′abel；
(5-4)后向传播：根据真实标签llabel和计算输出值ll′abel计算损失函数
Figure BDA00029052623100000811
Figure BDA00029052623100000812
表示该小批中第i个样本的理论输出值，
Figure BDA00029052623100000813
表示该小批中第i个样本的计算输出值；根据梯度下降法更新模型参数
Figure BDA00029052623100000814
η为学习率(本实施例中η＝0.001)；
(5-5)验证：若所有小批均已选取过，则将验证集Dtest及其星座图特征
Figure BDA00029052623100000815
循环谱特征
Figure BDA00029052623100000816
输入模型中，观察分类正确率；否则返回步骤(5-3)；
(5-6)迭代：若迭代轮数epoch＜100，则epoch＝epoch+1，返回步骤(5-2)；否则结束训练，保存最佳模型参数wbest。
如图2，模型训练模式具体是：
步骤(a)处理调制方式未知的接收信号：
一段调制方式未知的接收信号通式为y(t)＝x(t)+n(t)；
对y(t)执行采样、归一化、分量提取操作，得到样本长度为Nlen(本实施例中Nlen＝1024)的待识别样本
Figure BDA0002905262310000091
操作方法与步骤(1)相同。
步骤(b)将样本ypre映射成分辨率为P1×P2(本实施例中P1＝875，P2＝656)的星座图；再进行降采样和灰度处理，得到分辨率为P1′×P2′(本实施例中P1′＝P2′＝64)的星座图特征
Figure BDA0002905262310000092
计算样本ypre的循环谱特征
Figure BDA0002905262310000093
(本实施例中Fcyclic维度为64×32)。
步骤(c)构建模型训练模式中的分类器模型，输入为ypre、
Figure BDA0002905262310000094
构建方法与步骤(4)相同，如图3中构建分类器部分所示。
步骤(d)分类器模型中载入模型训练模式获得的最佳模型参数wbest，将ypre、
Figure BDA0002905262310000095
输入分类器，得到的输出ll′abel，即为该接收信号所采用调制方式的预测结果(本实施例中ll′abel∈{0,1,…,20})。
上述实例所述的内容仅仅是对本发明实现形式的列举，本发明的保护范围不应限于实施例所陈述的具体形式，本发明的保护范围也应包含在本发明基础上所构思的同类发明方法。

Claims (7)

1.基于自适应特征提取与融合的信号调制分类方法，包括模型训练模式和调制识别模式，其特征在于：
所述的模型训练模式用于训练分类器模型，具体方法是：
步骤(1)处理已知调制的接收信号，构建有标签数据集D，具体如下：
无线通信系统中，接收方的接收信号y(t)＝x(t)+n(t)，x(t)表示无噪声发送信号，n(t)表示噪声，t表示t时刻；
接收信号的候选调制集M＝{M1,M2,…,MK}，Mk表示第k种调制，k＝1,2,…,K，K表示调制类别的个数；
分别对Nsamp段调制方式已知的y(t)信号执行采样、归一化、分量提取操作，并添加对应的标签llabel，组成具有Nsamp个样本、标签集为L的有标签数据集D，样本长度为Nlen；
步骤(2)分割有标签数据集，具体是：
将有标签数据集D中Nsamp个样本分成训练集Dtrain和验证集Dtest，Ntrain+Ntest＝Nsamp；Ntrain为Dtrain的样本数，Ntest为Dtest的样本数；
步骤(3)对训练集Dtrain中的每一个样本分别进行操作，得到对应的星座图特征集
Figure FDA0003567406320000011
和循环谱特征集
Figure FDA0003567406320000012
对验证集Dtest中的每一个样本分别进行操作，得到对应的星座图特征集
Figure FDA0003567406320000013
和循环谱特征集
Figure FDA0003567406320000014
具体操作方式是：
步骤(4)构建分类器模型，模型输入为ysamp、星座图特征Fcons、循环谱特征Fcyclic，输出为l′label；构建方法具体如下：
将ysamp馈入有
Figure FDA0003567406320000015
层卷积层、
Figure FDA0003567406320000016
层全连接层的第一卷积神经网络中；每个卷积层的卷积核个数集合
Figure FDA0003567406320000017
每个全连接层的神经元个数集合
Figure FDA0003567406320000018
采用拼接法将星座图特征Fcons、循环谱特征Fcyclic做特征融合，馈入有
Figure FDA0003567406320000019
层卷积层、
Figure FDA00035674063200000110
层全连接层的第二卷积神经网络中；每个卷积层的卷积核个数集合
Figure FDA0003567406320000021
每个全连接层的神经元个数集合
Figure FDA0003567406320000022
将第一卷积神经网络的输出
Figure FDA0003567406320000023
和第二卷积神经网络的输出
Figure FDA0003567406320000024
拼接为
Figure FDA0003567406320000025
馈入一层有K个神经元、激活函数为softmax的全连接层，输出即为模型预测分类结果l′label；
步骤(5).训练分类器模型，具体是：
(5-1)初始化：设置迭代轮数Nepoch，当前迭代轮数epoch＝1，随机初始化模型参数w；
(5-2)分批：将训练集Dtrain样本及其星座图特征
Figure FDA0003567406320000026
循环谱特征
Figure FDA0003567406320000027
均匀分成Nbatch个小批；
(5-3)前向传播：随机选取一个小批，将该小批中的所有样本输入分类器模型中，得到模型预测分类结果l′label；
(5-4)后向传播：根据真实标签llabel和模型预测分类结果l′label计算损失函数loss；
(5-5)验证：若所有小批均已选取过，则将验证集Dtest及其星座图特征
Figure FDA0003567406320000028
循环谱特征
Figure FDA0003567406320000029
输入模型中，观察模型的分类能力和泛化能力；否则返回步骤(5-3)；
(5-6)迭代：若迭代轮数epoch＜Nepoch，则返回步骤(5-3)进行下一轮迭代；否则结束训练，保存最佳模型参数wbest；
所述的调制识别模式用于识别某段接收信号的调制方式；具体方法是：
步骤(a)处理调制方式未知的接收信号：
一段调制方式未知的接收信号通式为y(t)＝x(t)+n(t)；
对y(t)执行采样、归一化、分量提取操作，得到样本长度为Nlen的待识别样本
Figure FDA00035674063200000210
Im和Qm分别表示第m个采样点的同相、正交分量，m＝1,2,…,Nlen；操作方法与步骤(1)相同；
步骤(b)对ypre进行操作，得到ypre对应的星座图特征集
Figure FDA00035674063200000211
和循环谱特征集
Figure FDA00035674063200000212
操作方法与步骤(3)相同；
步骤(c)构建模型训练模式中的分类器模型，构建方法与步骤(4)相同；
步骤(d)分类器模型中载入模型训练模式获得的最佳模型参数wbest，将ypre、
Figure FDA0003567406320000031
输入分类器，得到的模型预测分类结果l′label，即为该接收信号所采用调制方式的预测结果。
2.如权利要求1所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：步骤(1)中所述的采样具体方法是：对接收信号y(t)的某一段使用符号间隔Ts采样，获取长度为Nlen的离散接收序列
Figure FDA0003567406320000032
T表示转置操作；第n个采样点的接收序列值
Figure FDA0003567406320000033
3.如权利要求2所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：步骤(1)中所述的归一化具体方法是：对接收序列进行单位功率归一化处理，获取归一化接收序列
Figure FDA0003567406320000034
第n个采样点的归一化值
Figure FDA0003567406320000035
H表示矩阵转置。
4.如权利要求3所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：步骤(1)中所述的分量提取具体方法是：将归一化接收序列中的点表示为复数的形式y′n＝In+jQn，j表示虚数单位；提取每个采样点实部和虚部，即为该采样点的同相、正交分量；数据集中每一个样本的表达式为
Figure FDA0003567406320000036
其中,In和Qn分别表示第n个采样点的同相、正交分量。
5.如权利要求1所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：步骤(3)中将第i个样本映射为星座图，并做降采样和灰度处理，得到对应的星座图特征Fi cons；其中，
映射：分别以样本中同相、正交分量的值作为直角坐标系中横坐标与纵坐标的值，绘制分辨率为P1×P2的星座图；
降采样：使用最近邻插值法对星座图做降采样处理，得到分辨率为P′1×P′2的降采样图；最近邻插值法中，降采样图中像素位置为(p′1,p′2)处的值为原星座图像素位置为(p1,p2)处的值，像素位置的对应关系为：p1＝p′1×(p1/p′1)，p2＝p′2×(p2/p′2)，按四舍五入法取值；
灰度处理：将降采样图绘制成灰度图，灰度图中各像素点的值pgray＝0.2989×R+0.5870×G+0.1140×B；(R,G,B)表示降采样图中该像素位置的R、G、B分量。
6.如权利要求1所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：步骤(3)中计算循环谱特征的具体方法是：
使用基于时域平滑抽取的循环周期图算法估计样本ysamp对应的归一化接收序列y′的循环谱特征
Figure FDA0003567406320000041
α为循环频率，L为抽取因子，g(n)为平滑窗；
循环周期图
Figure FDA0003567406320000042
α(n)表示数据衰减窗，j表示虚数单位，
Figure FDA0003567406320000043
为XT的共轭。
7.如权利要求1所述的基于自适应特征提取与融合的信号调制分类方法，其特征在于：(5-4)中计算损失函数loss方法是：
Figure FDA0003567406320000044
Figure FDA0003567406320000045
表示该小批中第i个样本的理论输出值，
Figure FDA0003567406320000046
表示该小批中第i个样本的计算输出值；根据梯度下降法更新模型参数
Figure FDA0003567406320000047
η为学习率。
CN202110068851.XA 2021-01-19 2021-01-19 基于自适应特征提取与融合的信号调制分类方法 Active CN112861927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110068851.XA CN112861927B (zh) 2021-01-19 2021-01-19 基于自适应特征提取与融合的信号调制分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110068851.XA CN112861927B (zh) 2021-01-19 2021-01-19 基于自适应特征提取与融合的信号调制分类方法

Publications (2)

Publication Number Publication Date
CN112861927A CN112861927A (zh) 2021-05-28
CN112861927B true CN112861927B (zh) 2022-07-08

Family

ID=76007269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110068851.XA Active CN112861927B (zh) 2021-01-19 2021-01-19 基于自适应特征提取与融合的信号调制分类方法

Country Status (1)

Country Link
CN (1) CN112861927B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361433A (zh) * 2021-06-16 2021-09-07 中国人民解放军国防科技大学 一种基于神经网络的调制信号识别方法及其应用
CN114422310B (zh) * 2022-01-21 2023-12-22 山东大学 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法
CN115086123B (zh) * 2022-05-07 2023-10-27 中国人民解放军国防科技大学 基于时频图和星座图融合的调制识别方法及系统
CN115622852A (zh) * 2022-10-21 2023-01-17 扬州大学 一种基于星座图KD树增强与神经网络GSENet的调制识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809874A (zh) * 2018-07-11 2018-11-13 河海大学 一种基于循环支持向量机的雷达与通信多信号分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10904050B1 (en) * 2019-07-12 2021-01-26 The Mitre Corporation Data processing for automatic modulation classification of wireless signals

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809874A (zh) * 2018-07-11 2018-11-13 河海大学 一种基于循环支持向量机的雷达与通信多信号分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Feature Fusion Convolutional Network Based Automatic Modulation Classification;Jiajie Mai et al.;《EAI MOBIMEDIA》;20200828;第1-17页 *
一种优化的卷积神经网络调制识别算法;陈雪等;《电讯技术》;20190528(第05期);全文 *
一种基于星座图恢复的多进制相位调制信号识别算法;吴佩军等;《电讯技术》;20190416(第05期);全文 *

Also Published As

Publication number Publication date
CN112861927A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112861927B (zh) 基于自适应特征提取与融合的信号调制分类方法
CN110163282B (zh) 基于深度学习的调制方式识别方法
US11477060B2 (en) Systems and methods for modulation classification of baseband signals using attention-based learned filters
CN110598530A (zh) 一种基于acgan的小样本无线电信号增强识别方法
CN113014524B (zh) 一种基于深度学习的数字信号调制识别方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
CN112910812A (zh) 一种基于时空特征提取深度学习的调制模式识别方法
CN112115821A (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN111612130B (zh) 一种频移键控通信信号调制方式识别方法
CN112787964A (zh) 基于极差中值图域特征的bpsk及qpsk信号调制识别方法
CN113872904B (zh) 一种基于集成学习的多分类通信信号自动调制识别方法
CN114943245A (zh) 一种基于数据增强和特征嵌入的自动调制识别方法和装置
CN114595729A (zh) 基于残差神经网络与元学习融合的通信信号调制识别方法
Ali et al. Modulation format identification using supervised learning and high-dimensional features
CN116760491A (zh) 一种基于深度学习的信噪比估计方法
CN112183300B (zh) 一种基于多层次稀疏表示的ais辐射源识别方法及系统
US20210028885A1 (en) Cnn-based demodulating and decoding systems and methods for universal receiver
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN115510905A (zh) 一种用于信道编码盲识别的多任务学习方法
CN114584441A (zh) 一种基于深度学习的数字信号调制识别方法
CN115243288A (zh) 基于多节点合作感知的干扰识别方法和装置
CN114006798A (zh) 一种信号处理方法、装置、电子设备及存储介质
CN115034255A (zh) 一种具有注意力机制时间卷积网络的信号调制识别算法
CN113239788A (zh) 一种基于Mask R-CNN的无线通信调制模式识别方法

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