CN112910811A - 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 - Google Patents

Abstract

本发明实施例提供了一种基于联合学习的噪声水平未知条件下的盲调制识别方法和装置，所述方法包括：步骤1，获取用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；步骤2，构建联合学习调制识别网络JDMC‑Net；步骤3，训练所述联合学习调制识别网络JDMC‑Net；步骤4，使用训练好的所述联合学习调制识别网络JDMC‑Net，预测接收信号的调制类型。

Description

基于联合学习的噪声水平未知条件下的盲调制识别方法和 装置

技术领域

本发明涉及信号处理领域，尤其涉及一种基于联合学习的噪声水平未知条件下的盲调制识别方法和装置。

背景技术

盲调制识别(Blind Modulation Classification，BMC)作为SDR(software-defined radio，软件定义无线电)的热点研究问题，主要特点是非协作通信下的接收机需要在没有接收到关于信号调制方式的显式信息情况下，只凭借接收到的在信道中传输过的已调信号波形来判断信号的调制方式。

传统的盲调制识别方法主要是基于特征类的方法，这类方法首先将数据进行预处理，之后设计一系列特征来对数据进行特征提取，最后将数据的特征输入分类器进行分类。而近年来出现大量基于深度学习的调制识别方法，这些方法无需人工设计特征，避免了繁杂的数据预处理步骤，因此得到广泛的应用。然而这些基于特征类尤其是基于深度学习的调制识别方法大多都忽视了噪声的影响，且各类特征以及基于深度学习的深度神经网络(DNN)很容易受到噪声干扰，从而导致这些方法在低信噪比下性能下降明显。而当前已有的去噪预处理技术包括高阶统计量(High-Order Statistics，HOS)抑制噪声以及分离式去噪子网络，前者需要计算并存储已调信号复杂的高阶统计量、需要设计较为复杂的判决准则和判决门限，且高阶统计量种类繁多人为设计困难。后者在预测信号调制方式时需要明确信号噪声水平、需要在每个信噪比条件下分别训练去噪网络和分类网络、分离的网络训练开销巨大且部署困难。且这两种方法在低信噪比下性能依旧下降依旧明显。

发明内容

本发明的实施例提供了一种基于联合学习的噪声水平未知条件下的盲调制识别方法和装置，提高了在各个噪声水平下的识别。

一种基于联合学习的噪声水平未知条件下的盲调制识别方法，包括：

步骤1，获取用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

步骤2，构建联合学习调制识别网络JDMC-Net；

步骤3，训练所述联合学习调制识别网络JDMC-Net；

步骤4，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

一种基于联合学习的噪声水平未知条件下的盲调制识别装置，包括：

获取单元，准备用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

构建单元，构建联合学习调制识别网络JDMC-Net；

训练单元，训练所述联合学习调制识别网络JDMC-Net；

预测单元，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过将去噪自编码器网络和深度神经分类子网络CDNN联合，构建联合学习网络JDMC-Net并联合优化。在不同的信噪比的条件下，经过本发明实施例的基于联合学习的盲调制识别方法与传统调制识别算法相比较，在各个噪声水平下的识别明显提升。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的所述的一种基于联合学习的噪声水平未知条件下的盲调制识别方法的流程示意图；

图2为本发明实施例提供的一种盲调制识别的原理示意图；

图3为本发明实施例提供的联合学习调制识别网络JDMC-Net的示意图；

图4为本发明实施例提供的去噪自编码器网络意图；

图5、6为本发明实施例提供的一种不同的调制识别算法在加入联合学习前后性能对比示意图；

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

如图1所示，为本发明所述的一种基于联合学习的噪声水平未知条件下的盲调制识别方法，包括：

步骤11，获取用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

所述步骤11包括:

根据通信系统实际所采用的调制方案集合M，随机选取第i种调制方式M_i；并根据所述调制方式的星座点分布确定已调信号x(t)；

由信道引入信道效应h(t)，包括：随机相位抖动

载波偏移Δf、发射器和接收器之间的时间偏移ε，从而得到包含信道效应的信号s(t)＝h(t)*x(t)；

由AWGN噪声特性，在信号中加入随机功率的噪声，得到加噪后信号y(t)＝h(t)*x(t)+n(t)；

将所述s(t)、y(t)经过抽样，得到一定长度的信号向量

为训练模型的输入数据；

确定训练集的标签为未加噪声的数据

以及当前数据对应调制类别M_i，将调制识别问题进一步模型化为给定信号的多标签分类问题；以输入数据和标签的格式按照预定比例产生深度神经网络模型的训练集、验证集和测试集。

步骤12，构建联合学习调制识别网络JDMC-Net；

所述步骤12包括:

构建去噪自编码器网络，抑制输入信号的噪声干扰，其输入数据是加噪信号，输出数据为去噪后的数据，维度保持不变，监督学习的标签是未加噪声信号，最后一层的损失函数为MSE均方误差损失函数，该部分网络结构由卷积层、池化层和激活函数层实现；

构建深度神经分类网络CDNN，其输入数据为去噪后数据，输出数据为对应类别标签向量，维度等于预选调制方式种类数量，监督学习的标签是信号对应的调制种类，最后一层的损失函数为交叉熵损失函数Cross entropy loss function；

将上述两个网络联合构建以及将所述MSE均方误差损失函数与所述交叉熵损失函数进行线性联合，形成联合学习网络JDMC-Net；数据的连接层均为全连接层，并加入批归一化层来防止梯度消失和梯度弥散，激活函数层选用relu激活函数，对输入进行点对点的阈值判断限制。

所述MSE函数为：

y_i是网络的预测值，

是标签值；

所述叉熵损失函数层的损失函数为：f(x)＝∑_i∈lp_i；其中，f(x)表示标签集合，p_i表示正确类别的概率；

所述relu激活函数定义为relu(x)＝max{0,x}，x表示函数的输入值，max{}表示输出{}集合中的最大元素。

步骤13，训练所述联合学习调制识别网络JDMC-Net；

所述步骤13包括：

所述模型的优化算法为带动量的BGD批量梯度下降，设置模型的相关参数；

在每个周期训练结束，在测试集上测试模型的验证准确率，并保存模型参数。

步骤14，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

所述步骤14包括：

依照所述步骤1的方法，使用与训练集和验证集相同的信道条件和调制方式，生成添加不同信噪比的测试数据集，使用保存好的模型在测试集上做测试，得到对应的数据的准确率。

本发明还提供一种基于联合学习的噪声水平未知条件下的盲调制识别装置，包括：

获取单元，准备用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

构建单元，构建联合学习调制识别网络JDMC-Net；

训练单元，训练所述联合学习调制识别网络JDMC-Net；

预测单元，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

以下描述本发明的第一实施例。

一种基于联合学习的噪声水平未知条件下的盲调制识别方法，包括以下步骤：

步骤一，数据集准备。准备用于训练神经网络的训练集和验证集以及用于测试模型性能的测试集，本方法整体流程如图2所示。考虑在非协作通信下的多种调制方式盲调制识别。此时接收机没有关于调制方式的信息，只凭借接收到在信道中传输过的已调信号来判断调制方式。而在实际通信场景中，各类调制信号混杂在一起，接收机在同一时间可能会接收到多种调制方式的已调信号。因此，盲调制识别问题被抽象为多类别分类问题。本方法基于联合学习进行调制识别，需要生成大量模拟数据进行训练以便于实际部署。由于已调信号经过信道会加入采样时钟随机偏移、载波相位和频率误差、多径干扰、多普勒频偏以及AWGN噪声等的干扰，因此在生成训练数据集时需要尽可能地模拟真实通信场景。根据通信系统采用的调制方案的星座点集合，确定已调信号，进一步的得到在在各个噪声水平下的实际信道中传输后的信号，将未加噪声传输以及加噪的信号输出并作为训练数据，标记活调制方式以及噪声水平作为训练标签，进一步的，未知水平噪声条件下的盲调制识别问题被抽象为多标签的分类问题。

所述步骤一中所述的数据集的准备，包括：

根据实际通信系统所采用的调制方案集合M，随机选取第i种调制方式M_i并根据该调制方式的星座点分布确定已调信号x(t)。

由信道引入信道效应h(t)：包括随机相位抖动

载波偏移Δf、发射器和接收器之间的时间偏移ε，从而得到了包含信道效应的信号s(t)＝h(t)*x(t)。

由AWGN噪声特性，在信号中加入随机功率的噪声，得到加噪后信号y(t)＝s(t)+n(t)＝h(t)*x(t)+n(t)。s(t)、y(t)经过抽样得到一定长度的信号向量

为训练模型的输入数据。

确定训练集的标签为未加噪声的数据

以及当前数据对应调制类别M_i，将调制识别问题进一步模型化为给定信号的多标签分类问题。以输入数据和标签的格式按照一定的比例产生深度神经网络模型的训练集、验证集和测试集。

步骤二，构建联合学习调制识别网络JDMC-Net，联合学习调制识别网络JDMC-Net如图3所示，去噪自编码器网络结构如图4所示。模型构建，基于去噪自编码器编码-解码原理，构建去噪自编码器网络，抑制输入信号的噪声干扰，使输出数据尽量不含AWGN噪声，其输入数据由步骤一所形成的输入数据(加噪信号)，输出数据为去噪后的数据，维度保持不变。监督学习的标签是未加噪声信号，最后一层的损失函数为MSE函数，该部分网络结构由卷积层、池化层和激活函数层实现。所述MSE函数为：

y_i是网络的预测值，

是标签值。

构建深度神经分类子网络CDNN，其输入数据为去噪后数据，输出数据为对应类别标签向量，维度等于预选调制方式种类数量。

监督学习的标签是信号对应的调制种类，最后一层的损失函数为交叉熵损失函数(Cross entropy loss function，CE)。在一个具体的实施例中，所述叉熵损失函数层的损失函数为：

其中，表示标签集合，表示正确类别的概率。

将上述两个网络联合构建以及将损失函数线性联合，形成联合学习网络JDMC-Net。数据的连接层均为全连接层，并加入批归一化层来防止梯度消失和梯度弥散，激活函数层选用relu激活函数，对输入进行点对点的阈值判断限制，relu定义为relu(x)＝max{0,x}。

所述步骤二中的去噪自编码器网络，输入是加噪后信号，输出数据为去噪后的数据，监督学习的标签是未加噪声信号，最后一层的损失函数为MSE函数(Mean-SquaredLoss，MSE)，该部分网络结构由卷积层、池化层和激活函数层实现。深度神经分类子网络CDNN可以是任意结构的分类网络(CNN/LSTM/SVM)，监督学习的标签是信号对应的调制种类，最后一层的损失函数为交叉熵损失函数(Cross entropy loss function，CE)。

步骤三，联合训练去噪识别网络，将通信系统中的接收端的接收数据输入联合学习网络JDMC-Net，使用未加噪声的数据以及当前数据对应调制类别作为标签，使用梯度下降算法对模型进行有监督训练，获得识别调制方式的神经网络模型并保存相关参数。所述步骤三中联合训练期间无需分步骤训练存储，只需将所有参数统一存储即可完成下一步骤的预测。具体为：训练联合学习调制识别网络JDMC-Net。确定模型的优化算法为带动量的BGD(Batch Gradient Descent,批量梯度下降，是随机梯度下降算法的一种)，设置模型的相关参数。在每个周期训练结束，在测试集上测试模型的验证准确率，并保存模型参数。

步骤四，调制识别，将以相同信道矩阵产生的另一批接收数据输入步骤四中保存的模型，进行数据验证，得到调制识别的准确率。也就是说，预测接收信号的调制类型。依照步骤1的方法使用与训练集和验证集相同的信道条件和调制方式生成添加不同信噪比的测试数据集，使用保存好的模型在测试集上做测试，得到对应的数据的准确率。

以下描述本发明的第二实施例。

本发明的实例提供了一种基于联合学习的噪声水平未知条件下的盲调制识别方法，以极大地提高未知噪声环境尤其是低信噪比下调制识别的精度。

一种基于联合学习的噪声水平未知条件下的盲调制识别方法，包括准备阶段，训练阶段，调制识别阶段。

步骤1：准备阶段:具体为，数据集的准备和深度学习模型构建。

根据实际通信系统所采用的调制方案集合M，随机选取第i种调制方式M_i并根据该调制方式的星座点分布确定已调信号x(t)，由信道引入信道效应h(t)：包括随机相位抖动

载波偏移Δf、发射器和接收器之间的时间偏移ε，从而得到了包含信道效应的信号s(t)＝h(t)*x(t)。由AWGN噪声特性，在信号中加入随机功率的噪声，得到加噪后信号y(t)＝h(t)*x(t)+n(t)。s(t)、y(t)经过抽样得到一定长度的信号向量

为训练模型的输入数据。

确定训练集的标签为未加噪声的数据

以及当前数据对应调制类别M_i，将调制识别问题进一步模型化为给定信号的多标签分类问题。以输入数据和标签的格式按照一定的比例产生深度神经网络模型的训练集、验证集和测试集。

构建去噪自编码器网络，抑制输入信号的噪声干扰，使输出数据尽量不含AWGN噪声，其输入数据是加噪信号，输出数据为去噪后的数据，维度保持不变，监督学习的标签是未加噪声信号，最后一层的损失函数为MSE函数，该部分网络结构由卷积层、池化层和激活函数层实现。构建深度神经分类子网络CDNN，其输入数据为去噪后数据，输出数据为对应类别标签向量，维度等于预选调制方式种类数量，监督学习的标签是信号对应的调制种类，最后一层的损失函数为交叉熵损失函数(Cross entropy loss function，CE)。将上述两个网络联合构建以及将损失函数线性联合，形成联合学习网络JDMC-Net。数据的连接层均为全连接层，并加入批归一化层来防止梯度消失和梯度弥散，激活函数层选用relu激活函数。

步骤2：训练阶段:具体为：JDMC-Net的训练和模型保存。

确定模型的优化算法为带动量的BGD(Batch Gradient Descent,批量梯度下降，是随机梯度下降算法的一种)，设置模型的相关参数。

在每个周期训练结束，在测试集上测试模型的验证准确率，并保存模型参数。

步骤3：调制识别阶段:

依照步骤一的方法使用与训练集和验证集相同的信道条件和调制方式生成添加不同信噪比的测试数据集，使用保存好的模型在测试集上做测试，得到对应的数据的准确率。

本发明实施例提供的一种基于联合学习的调制识别网络的示意图如图2所示，输入在信道中传输过的已调信号

在经过去噪自编码器之后输入分类网络CDNN，从而形成联合学习网络JDMC-Net。将去噪自编码器网络的均方误差损失函数与分类网络的交叉熵损失函数联合起来形成联合损失函数，使用此目标函数优化训练联合学习网络JDMC-Net，并将所有参数统一存储。训练完成后，加载参数即可对信号进行调制识别。在经过去噪自编码器之后信号被映射为维度相同的信号空间之中

由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过将去噪自编码器网络和深度神经分类子网络CDNN联合构建联合学习网络JDMC-Net并联合优化。在不同的信噪比的条件下，经过本发明实施例的基于联合学习的盲调制识别方法与传统调制识别算法相比较，在各个噪声水平下的识别明显提升，且在低信噪比下识别精度提升更高。

综上所述，本发明实施例提出了一种基于联合学习的噪声水平未知条件下的盲调制识别方法，从图5、6可以看出，在不同信噪比下，本发明的方法的准确率均高于传统方法，包括SVM、CNN、LSTM。

本发明中，考虑将去噪以及调制识别视作两个高度相关的任务(信号去噪后再进行识别能大幅提升识别性能)。利用联合学习(Joint-Learning)理论构建统一的端到端的去噪识别网络，并使用梯度下降算法统一进行训练。由于考虑了噪声影响，从而本方法大幅提升了低信噪比下的识别性能。由于去噪子网络是基于去噪自编码器网络(DenoisingAutoencoder)，从而无需进行人为设计高阶统计量特征和与之对应的判决准则和判决门限。由于端到端训练无需分离训练去噪和识别网络，从而避免了分离训练带来的计算开销且便于端到端部署。

联合学习(Joint-Learning)涉及针对多个目标优化模型的问题，它在许多深度学习问题中都很普遍。联合学习对每个任务的损失函数进行加权线性求和，通过使用随机梯度下降算法(Stochastic gradient descent algorithm，SGD)优化目标。从而提升主要任务的性能或者将多个任务的性能同时提升。

去噪自编码器网络(Denoising Autoencoder)通过将包含噪声的输入信号经过加权映射之后得到输出信号，使用无噪声信号作为标签，通过反复迭代训练使得输出信号与无噪声信号之间的误差最小，即尽可能保证输出信号近似于无噪声信号。

综上，本发明提供一种基于联合学习的噪声水平未知条件下的盲调制识别(BlindModulation Classification，BMC)方法。该方法包括：对于噪声水平未知条件下的场景，将去噪以及识别过程视为相关任务，根据联合学习(Joint Learning)原理，设计基于联合学习的联合学习网络JDMC-Net，使网络能够同时从接收信号中恢复原始信号并识别出对应的调制方式，并大幅提升调制识别精度。本发明通过将去噪损失和分类损失联合优化，然后使用添加了发明的神经网络对大规模数据进行训练，结果显示，对于不同信噪比(Signal-to-Noise Ratio,SNR)的接收信号，新的神经网络与原有的神经网络(CNN、LSTM)及传统分类算法SVM相比，能够有更高的识别准确率。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

Claims (7)

1.一种基于联合学习的噪声水平未知条件下的盲调制识别方法，其特征在于，包括：

步骤1，获取用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

步骤2，构建联合学习调制识别网络JDMC-Net；

步骤3，训练所述联合学习调制识别网络JDMC-Net；

步骤4，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

根据通信系统实际所采用的调制方案集合M，随机选取第i种调制方式M_i；并根据所述调制方式的星座点分布确定已调信号x(t)；

由信道引入信道效应h(t)，包括：随机相位抖动

载波偏移Δf、发射器和接收器之间的时间偏移ε，从而得到包含信道效应的信号s(t)＝h(t)*x(t)；

由AWGN噪声特性，在信号中加入随机功率的噪声，得到加噪后信号y(t)＝h(t)*x(t)+n(t)；

将所述s(t)、y(t)经过抽样，得到一定长度的信号向量

为训练模型的输入数据；

确定训练集的标签为未加噪声的数据

以及当前数据对应调制类别M_i，将调制识别问题进一步模型化为给定信号的多标签分类问题；以输入数据和标签的格式按照预定比例产生深度神经网络模型的训练集、验证集和测试集。

3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

构建去噪自编码器网络，抑制输入信号的噪声干扰，其输入数据是加噪信号，输出数据为去噪后的数据，维度保持不变，监督学习的标签是未加噪声信号，最后一层的损失函数为MSE均方误差损失函数，该部分网络结构由卷积层、池化层和激活函数层实现；

构建深度神经分类网络CDNN，其输入数据为去噪后数据，输出数据为对应类别标签向量，维度等于预选调制方式种类数量，监督学习的标签是信号对应的调制种类，最后一层的损失函数为交叉熵损失函数Cross entropy loss function：

将上述两个网络联合构建以及将所述MSE均方误差损失函数与所述交叉熵损失函数进行线性联合，形成联合学习网络JDMC-Net；数据的连接层均为全连接层，并加入批归一化层来防止梯度消失和梯度弥散，激活函数层选用relu激活函数，对输入进行点对点的阈值判断限制。

4.根据权利要求3所述的方法，其特征在于，

所述MSE函数为：

y_i是网络的预测值，

是标签值；

所述叉熵损失函数层的损失函数为：f(x)＝∑_i∈lp_i；其中，f(x)表示标签集合，p_i表示正确类别的概率；

所述relu激活函数定义为relu(x)＝max{0，x}，x表示函数的输入值，max{}表示输出{}集合中的最大元素。

5.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

所述模型的优化算法为带动量的BGD批量梯度下降，设置模型的相关参数；

在每个周期训练结束，在测试集上测试模型的验证准确率，并保存模型参数。

6.根据权利要求1所述的方法，其特征在于，所述步骤5包括：

依照所述步骤1的方法，使用与训练集和验证集相同的信道条件和调制方式，生成添加不同信噪比的测试数据集，使用保存好的模型在测试集上做测试，得到对应的数据的准确率。

7.一种基于联合学习的噪声水平未知条件下的盲调制识别装置，其特征在于，包括：

获取单元，准备用于训练神经网络的训练集、验证集以及用于测试模型性能的测试集；

构建单元，构建联合学习调制识别网络JDMC-Net；

训练单元，训练所述联合学习调制识别网络JDMC-Net；

预测单元，使用训练好的所述联合学习调制识别网络JDMC-Net，预测接收信号的调制类型。

Images