CN113052081B - 一种基于柯西Score星座图的调制方式识别方法 - Google Patents
一种基于柯西Score星座图的调制方式识别方法 Download PDFInfo
- Publication number
- CN113052081B CN113052081B CN202110324184.7A CN202110324184A CN113052081B CN 113052081 B CN113052081 B CN 113052081B CN 202110324184 A CN202110324184 A CN 202110324184A CN 113052081 B CN113052081 B CN 113052081B
- Authority
- CN
- China
- Prior art keywords
- score
- cauchy
- constellation
- network
- convolutional neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 title claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims 2
- 238000013461 design Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G06F18/214—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Abstract
一种基于柯西Score星座图的调制方式识别方法，属于图像识别与通信技术领域，该方法主要包括：通过仿真获得被脉冲性噪声污染的各类调制信号；计算并获得信号的柯西Score星座图；设计轻量化的卷积神经网络；将柯西Score星座图做成数据集，并用其训练卷积神经网络；选取性能较好的网络模型对调制信号进行分类。实验证明本发明的算法能够在脉冲性噪声条件下对信号进行调制方式识别，取得了较好的效果，同时轻量化网络明显降低了训练过程中软硬件资源的占用率。
Description
技术领域
本发明属于图像识别与通信技术领域，涉及到无线电信号的调制方式识别方法，特别涉及到一种基于柯西Score星座图的调制方式识别方法。
背景技术
调制方式识别是无线电信号检测和解调之间的重要步骤，被广泛应用于认知无线电、频谱管理、智能通信和电子战等领域。现有的调制方式识别方法主要分为两类，第一类基于最大似然估计，该方法通常可以获得较好的结果，但是计算的复杂度较高；第二类基于信号特征，该类方法则较好地解决了计算量过大的问题，同时也能取得较好的分类效果。近来，随着人工智能的快速发展，越来越多的研究人员尝试将深度学习应用到信号处理领域，提出了许多基于不同特征和神经网络的调制方式识别方法，并且取得了很好的效果。但是，现阶段的调制方式识别方法通常假设噪声是服从高斯分布的，该类方法在非高斯噪声，如脉冲性噪声条件下会出现性能退化。
发明内容
针对现有技术中存在的技术问题，本发明提出一种基于柯西Score星座图和卷积神经网络的调制方式识别方法，为解决脉冲性噪声条件下的调制方式识别问题提供了一种切实可行的方法。
本发明采用的技术方案是：
A：通过仿真获得被脉冲性噪声污染的各类调制信号。
A1：仿真生成各类调制信号。
A2：为上述调制信号添加脉冲性噪声。
B：计算并获得信号的柯西Score星座图。
B1：将信号离散化、标准化，获得复序列。
B2：使用柯西Score函数对复序列进行非线性映射。
B3：计算信号的柯西Score星座图。
C：设计轻量化的卷积神经网络。
D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。
D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集。
D2：利用训练集训练该卷积神经网络。
E：选取性能较好的网络模型对调制信号进行分类。
E1：利用测试集测试训练好的网络模型。
E2：将测试结果绘制成混淆矩阵和准确率曲线。
本发明的有益效果为：
本发明算法在解决脉冲性噪声条件下的调制方式识别问题时，取得了良好的效果，并且轻量化网络明显降低了训练过程中软硬件资源的占用率，为该技术的推广降低了门槛。
附图说明
图1是本发明所涉及的一种基于柯西Score星座图的调制方式识别方法的总体流程图。
图2是本发明所涉及的Score函数的曲线图。其中，α＝1所对应的曲线即为本发明使用的柯西Score函数的曲线。
图3是本发明所涉及的调制信号的柯西Score星座图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。
图4是本发明所涉及的轻量化卷积神经网络的结构图。
图5是本发明所涉及的不同调制方式的混淆矩阵图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM、64QAM、2FSK和AM为例。
图6是本发明所涉及的不同调制方式的识别准确率曲线图。
图7是本发明所涉及的不同方法的识别准确率曲线图。对比方法采用传统的星座图作为特征。
具体实施方式
为了便于理解，下面将结合本发明的附图，对本发明实施过程中的技术方案进行详细描述。
一种基于柯西Score星座图的调制方式识别方法，其总体流程图如图1所示，主要包括以下步骤：
A：通过仿真获得被脉冲性噪声污染的各类调制信号。
所述步骤A具体包含以下步骤：
A1：仿真生成各类调制信号。可以调用仿真软件中的函数或者根据不同调制方式的原理生成所需的调制信号。
A2：为上述调制信号添加脉冲性噪声。信号模型为：
y(t)＝x(t)+v(t)
式中，x(t)和y(t)分别为连续时域中传输和接收的复信号，v(t)为服从Alpha稳定分布的脉冲性噪声。本文采用广义信噪比(generalized signal-to-noise ratio，GSNR)衡量信号和Alpha稳定分布噪声的强度之比，广义信噪比GSNR的定义式为：
式中，Ps表示信号的功率，γ表示Alpha稳定分布噪声的分散系数。
B：计算并获得信号的柯西Score星座图。
所述步骤B具体包含以下步骤：
B1：将信号离散化、标准化，获得复序列。即对y(t)进行离散化、标准化，获得复序列[0041]y(n)。
B2：使用柯西Score函数对复序列进行非线性映射。具体公式如下：
ySC(n)＝ρ1(y(n))＝aSC(n)+jbSC(n)
式中，aSC和bSC分别为信号的实部和虚部，ρα(·)为Score函数，其表达式如下：
式中，fα(x)为Alpha稳定分布的概率密度函数。当α＝1时，Alpha稳定分布退化为柯西分布，此时有f1(x)＝1/[π(1+x2)]和ρ1(x)＝(2x)/(1+x2)。
B3：计算信号的柯西Score星座图。以aSC(n)为横坐标，以bSC(n)为纵坐标计算柯西Score星座图。
本发明所涉及的Score函数曲线图如图2所示。其中，α＝1所对应的曲线即为本发明使用的柯西Score函数的曲线。
本发明所涉及的柯西Score星座图如图3所示。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。
C：设计轻量化的卷积神经网络。该轻量化的卷积神经网络以残差结构为核心，缩减了网络层数，在维持网络性能的前提下，降低了对软硬件等资源的需求。该网络的详细结构如图4所示。
D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。
所述步骤D具体包含以下步骤：
D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集。通常，该比例可以设置为6：2：2。
D2：利用训练集训练该卷积神经网络。训练过程中使用BatchNorm2d进行批归一化处理，ReLU激活函数，交叉熵损失函数以及RMSprop优化算法，学习率设置为0.01。首先，使用随机数据初始化网络的权重；其次，将训练样本及标签输入卷积神经网络，通过前向传播过程计算各层的输出值；然后，通过反向传播过程最小化各层的误差并更新网络的权重；最后，保存更新完权重的网络模型。
E：选取性能较好的网络模型对调制信号进行分类。
所述步骤E具体包含以下步骤：
E1：利用测试集测试训练好的网络模型。根据训练准确率选取性能最佳的网络模型用于测试集，将未知调制方式的信号的柯西Score星座图输入到C中的轻量化卷积神经网络中，进行调制方式识别。
E2：将测试结果绘制成混淆矩阵和准确率曲线。以此来衡量该轻量化卷积神经网络对于脉冲性噪声条件下各调制信号的分类效果。
本发明所涉及的不同调制方式的混淆矩阵图如图5所示。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM、64QAM、2FSK和AM为例，Alpha稳定分布噪声的特征指数取值为α＝1.2，广义信噪比的取值范围为GSNR∈[-5,15]dB，真实标签表示该信号真实的调试方式，预测标签表示该信号被预测成的调制方式。
本发明所涉及的不同调制方式的识别准确率曲线图如图6所示。
本发明所涉及的不同方法的识别准确率曲线图如图7所示。对比方法采用传统的星座图作为特征。
Claims (4)
1.一种基于柯西Score星座图的调制方式识别方法，其特征在于，包括以下步骤：
A：通过仿真获得被脉冲性噪声污染的各类调制信号；
B：计算并获得信号的柯西Score星座图；
C：设计轻量化的卷积神经网络；
D：将柯西Score星座图做成数据集，并用其训练卷积神经网络；
E：选取性能较好的网络模型对调制信号进行分类；
所述步骤B具体包含以下步骤：
B1：将信号离散化、标准化，获得复序列；
B2：使用柯西Score函数对复序列进行非线性映射；具体公式如下：
ySC(n)＝ρ1(y(n))＝aSC(n)+jbSC(n)
式中，aSC和bSC分别为信号的实部和虚部，ρα(·)为Score函数，其表达式如下：
式中，fα(x)为Alpha稳定分布的概率密度函数；当α＝1时，Alpha稳定分布退化为柯西分布，此时有f1(x)＝1/[π(1+x2)]和ρ1(x)＝(2x)/(1+x2)；
B3：计算信号的柯西Score星座图；以aSC(n)为横坐标，以bSC(n)为纵坐标计算柯西Score星座图；
所述步骤D具体包含以下步骤：
D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集，该比例设置为6：2：2；
D2：利用训练集训练该卷积神经网络；训练过程中使用BatchNorm2d进行批归一化处理，使用ReLU激活函数，交叉熵损失函数以及RMSprop优化算法，学习率设置为0.01；首先，使用随机数据初始化网络的权重；其次，将训练样本及标签输入卷积神经网络，通过前向传播过程计算各层的输出值；然后，通过反向传播过程最小化各层的误差并更新网络的权重；最后，保存更新完权重的网络模型。
2.根据权利要求1所述的一种基于柯西Score星座图的调制方式识别方法，其特征在于，所述通过仿真获得被脉冲性噪声污染的各类调制信号具体为：将仿真生成的各类调制信号添加上实验条件下的脉冲性噪声，以模拟真实环境中的无线电信号。
3.根据权利要求1所述的一种基于柯西Score星座图的调制方式识别方法，其特征在于，所述设计轻量化的卷积神经网络具体为：以残差结构为核心，设计层数更少，结构更为紧凑的轻量化网络，网络包括卷积层、最大池化层、平均池化层和全连接层。
4.根据权利要求1所述的一种基于柯西Score星座图的调制方式识别方法，其特征在于，所述选取性能较好的网络模型对调制信号进行分类具体为：根据训练准确率选取性能最佳的网络模型用于测试集，将测试结果绘制成混淆矩阵和准确率曲线，以此来衡量该轻量化卷积神经网络对于脉冲性噪声条件下各调制信号的分类效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324184.7A CN113052081B (zh) | 2021-03-26 | 2021-03-26 | 一种基于柯西Score星座图的调制方式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324184.7A CN113052081B (zh) | 2021-03-26 | 2021-03-26 | 一种基于柯西Score星座图的调制方式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052081A CN113052081A (zh) | 2021-06-29 |
| CN113052081B true CN113052081B (zh) | 2024-03-15 |
Family
ID=76515345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110324184.7A Active CN113052081B (zh) | 2021-03-26 | 2021-03-26 | 一种基于柯西Score星座图的调制方式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052081B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003021859A1 (en) * | 2001-08-31 | 2003-03-13 | Broadband Physics, Inc. | Compensation for non-linear distortion in a modem receiver |
| KR20090058735A (ko) * | 2007-12-05 | 2009-06-10 | 한국전자통신연구원 | 직교 부호를 이용한 디지털 데이터 전송 장치 및 방법 |
| CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
| CN111464469A (zh) * | 2020-03-12 | 2020-07-28 | 南京航空航天大学 | 基于神经网络的混合数字调制方式识别方法 |
| CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
| CN112003811A (zh) * | 2020-07-29 | 2020-11-27 | 北京大学 | 一种对任意形状星座图比特映射关系的优化方法 |
| CN112346004A (zh) * | 2020-11-20 | 2021-02-09 | 江苏师范大学 | 一种基于score函数的广义协方差的多信号分类算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9413584B2 (en) * | 2014-04-07 | 2016-08-09 | University Of Utah Research Foundation | Blind phase-shift keying (PSK) and quadrature amplitude modulation (QAM) identification |
| EP3619656A4 (en) * | 2017-05-03 | 2021-01-20 | Virginia Tech Intellectual Properties, Inc. | LEARNING AND DEPLOYING ADAPTIVE WIRELESS COMMUNICATIONS |
-
2021
- 2021-03-26 CN CN202110324184.7A patent/CN113052081B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003021859A1 (en) * | 2001-08-31 | 2003-03-13 | Broadband Physics, Inc. | Compensation for non-linear distortion in a modem receiver |
| KR20090058735A (ko) * | 2007-12-05 | 2009-06-10 | 한국전자통신연구원 | 직교 부호를 이용한 디지털 데이터 전송 장치 및 방법 |
| CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
| CN111464469A (zh) * | 2020-03-12 | 2020-07-28 | 南京航空航天大学 | 基于神经网络的混合数字调制方式识别方法 |
| CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
| CN112003811A (zh) * | 2020-07-29 | 2020-11-27 | 北京大学 | 一种对任意形状星座图比特映射关系的优化方法 |
| CN112346004A (zh) * | 2020-11-20 | 2021-02-09 | 江苏师范大学 | 一种基于score函数的广义协方差的多信号分类算法 |
Non-Patent Citations (5)
| Title |
|---|
| Alpha稳定分布噪声中的韧性投影近似子空间跟踪算法;李森;邱天爽;;电子学报(03);全文 * |
| Automatic Modulation Classification and SNR Estimation Based on CNN in Physical-layer Network Coding;Xuesong Wang;《IEEE Xplore》;全文 * |
| 基于深度学习的数字调制信号识别算法研究;王咏实;《CNKI中国知网》;全文 * |
| 基于深度学习的通信信号调制识别研究;罗兵兵;《CNKI中国知网》;全文 * |
| 混合噪声下基于深度学习的无线通信信号接收技术研究;王希;《CNKI中国知网》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052081A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
| 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 | |
| CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
| Wang et al. | Deep convolutional neural network-based detector for index modulation | |
| CN114567528A (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
| Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
| CN114513394B (zh) | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 | |
| 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 | |
| CN113052081B (zh) | 一种基于柯西Score星座图的调制方式识别方法 | |
| Li et al. | Smart detection using the cascaded artificial neural network for OFDM with subcarrier number modulation | |
| WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
| CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
| CN113037778B (zh) | 针对连续变量量子密钥分发系统的攻击检测方法 | |
| Lu et al. | Dual-channel hybrid neural network for modulation recognition | |
| CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
| Du et al. | D-GF-CNN algorithm for modulation recognition | |
| 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 | |
| CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
| CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
| Jiao et al. | Joint modulation and coding recognition using deep learning | |
| CN115955375A (zh) | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 | |
| CN111865849B (zh) | 一种信号调制的方法、装置和服务器 | |
| CN113205000A (zh) | 一种基于柯西Score极坐标图调制方式识别方法 | |
| Aer et al. | Modulation Recognition of MIMO Systems Based on Dimensional Interactive Lightweight Network. | |
| CN114978313B (zh) | 一种基于贝叶斯神经元的可见光cap系统的补偿方法 |
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 |