CN113076925A - 基于cnn和elm的m-qam信号调制模式识别方法 - Google Patents

Abstract

本发明公开了信号处理技术领域的一种基于CNN和ELM的M‑QAM信号调制模式识别方法，将待识别的6类QAM信号使用小波变换得到信号的时频图像数据集；然后基于预训练的VGG‑16神经网络模型提取信号时频图像特征；图像时频特征经过PCA降维后得到新的特征矩阵；最后，使用ELM分类器对特征矩阵进行分类识别，利用多信噪比下6类QAM信号组成的数据集验证VGG‑16+ELM分类器的识别准确率，本发明降低了全连接层间神经元数量骤减对系统识别准确率的影响，提高了系统的抗噪声能力。

Description

基于CNN和ELM的M-QAM信号调制模式识别方法

技术领域

本发明涉及信号处理技术领域，特别涉及一种信号调制模式识别方法和系统。

背景技术

自动调制识别作为信号检测和信号解调的中间过程，对接收到的信号调制类型进行有效识后，可以进一步估计与信号有关的通信参数，作为下一代无线通信技术的核心，广泛应用于国民生活众多领域，尤其是军事、国家安全和民用方面。

多进制正交幅相(M-QAM)调制信号具有较高的频谱利用率和较强的抗噪声能力，在卫星和微波通信中得到了广泛应用。起初对信号的调制识别，依赖于人工观察信号的时域波形、频域波形、星座图等特征，但是这种方式忽略了人为因素和外界因素的影响。后来，随着通信技术的进步，诸多自动调制识别分类方法相继被提出。

最大似然假设检验方法将接收信号的似然比与其理论阈值进行比较来确定信号可能的调制方式，该方法对信号参数的透明性要求高，需要信号的载波相位、信噪比、信道容量等先验知识，似然比的计算难度大以及难以确定合适的阈值等不足。统计模式识别方法以特征选择和提取为核心，把经过预处理后的信号进行特征选择和提取，最后选择合适的分类器对信号分类，特征的表达和分类器的选取直接决定着识别结果的好坏。

统计模式识别方法以特征选择和提取为核心，把经过预处理后的信号进行特征选择和提取，最后选择合适的分类器对信号分类，特征的表达和分类器的选取直接决定着识别结果的好坏。

相比较上述两种方法，基于深度学习中卷积神经网络(Convolutional NeuralNetworks,CNN)的信号调制识别方法在对M-QAM信号进行信号调制识别时，依赖卷积神经网络强大的特征提取能力，自动化提取信号时频图特征，借助超限学习机(Exterme LearningMachine,ELM)的出色的分类能力，取代原卷积神经网络的Softmax分类器，降低全连接层间神经元数量骤减对系统识别准确率的影响，提高系统的抗噪声能力。

发明内容

本发明的目的是提供一种基于CNN和ELM的M-QAM信号调制模式识别方法，利用小波变换得到信号的时频图数据集，借助CNN自动提取信号时频图特征，应用主成成分析(PCA)对卷积输出特征图降维提高系统有效性，且应用ELM解决深度网络小样本训练精度不高，Softmax分类器分类能力弱等问题，最终实现对M-QAM信号的快速识别。

本发明的目的是这样实现的：一种基于CNN和ELM的M-QAM信号调制模式识别方法，包括以下步骤：

步骤一：使用信号仿真平台生成M-QAM信号，即多种调制模式的QAM信号，并使用发射机进行发射；

步骤二：接收步骤一产生的M-QAM信号进行标准化处理，模拟信号在高斯信道中传输；

步骤三：对步骤二接收到的M-QAM信号进行时频分析，应用DWT算法将待识别的QAM信号进行时频变换得到信号的时频图像：

步骤四：使用预训练的VGG-16卷积神经网络模型，将图片转换成图像，即信号时频图；使用的VGG-16预训练神经网络的主要参数保持不变，保留输入层至全连接层fc6的主干特征提取模块；

步骤五：将步骤四转换尺寸过后的信号时频图送入主干特征提取模块，提取M-QAM信号的时频图特征；

步骤六：使用PCA降维保留具有显著区分度的特征；

步骤七：使用ELM分类器对新的信号时频图特征矩阵进行回归分类，求得最后的识别结果；

步骤八：针对M-QAM信号，选取每类信号在设定信噪比下的时频图像，将时频图像数据集随机划分训练集和数据集，对主干特征提取网络进行训练，利用ELM分类器对时频图像的训练集进行识别，并验证VGG-16+ELM分类器的识别率。

与现有技术相比，本发明的有益效果在于：

1、本发明提出了利用CNN提取信号时频图特征，使用ELM分类器代替分类任务中常用的Softmax分类器对M-QAM信号进行调制模式识别，克服了CNN和ELM各自的局限性，相较于目前识别算法其识别速度更快、识别准确率更高、有效性更好以及系统鲁棒性性更高；

2、CNN能够获得更具有代表性的信息，从而使调制识别特征更加全面有效，解决人工提取特征工作量大，速度慢和特征提取不全面的问题，自动化提取信号的时频图特征，且能提高系统稳定性：

3、时频图像输入VGG-16卷积神经网络构建的特征提取模块，模块提取输出特征维度大，应用PCA降维可以有效地找出最主要的信号特征，去除冗余以及无效信息，使得识别系统的有效性超过单纯的CNN调制识别系统：

4、利用ELM可以快速高效地得到分类模式的结果，有效避免了卷积神经网络由于样本类别少导致的全连接层间神经元数量骤减的问题，提高系统的泛化性能和鲁棒性：

5、网络参数配置好的VGG-16+ELM分类器在面对小样本时，只需要对VGG-16主干特征提取模块进行训练即可，无需对超限学习机分类器进行额外的训练，面对较大的数据集时，可以采用迁移学习的方式，使得M-QAM信号数据集可以利用大型数据集训练整个网络，通过这种方式得到更具与区分度和鲁棒性的特征

作为本发明的进一步限定，步骤一中M-QAM信号包括4-QAM，8-QAM，16-QAM，32-QAM，64-QAM，128-QAM共六类QAM信号。

作为本发明的进一步限定，步骤二中接收机接收的M-QAM信号一般表达式为：

S_M-QAM(t)＝∑_nA_ng(t-nT_s)exp[j(2πf_c+φ]+n(t)，

式中，A_n＝a_n+ib_n表示为第n个符号周期发射的符号，i为虚数单位，g(t)表示为脉冲滤波器的冲击响应，T_s表示为符号周期或码元宽度，f_c和φ分别表示载波频率和相位，n(t)为窄带高斯白噪声。

作为本发明的进一步限定，步骤三中的对应的DWT算法如下：

设f(x)为一维输入M-QAM信号，记

α_jk(x)＝2^-j/2α(2^-jx-k)，β_jk(x)＝2^-j/2β(2^-j/2x-k)，其中α(x)，β(x)分别称为定标函数和子函数，j为级数，k为距离；

{α_jk(x)}与{β_jk(x)}为二个正交基函数的集合；

记P₀f＝f，在第j级上的一维离散小波变换DWT通过正交投影P_jf与Q_jf将P_j-1f分解为：

式中，

其中，{h(n)}与{g(n)}分别表示低通和高通权系数，其由基函数{α_jk(x)}与{β_jk(x)}来确定，p为权系数的长度；

为信号的输入数据，N为输入信号的长度，L为所需的级数。虽然经典的傅里叶变换可以反映出信号的整体内涵，但其表现形式往往不够直观，并且噪声会使得信号频谱复杂化；使用DWT算法的意义是能够在不同尺度上对信号进行分解，根据信号的特征来选择合适的分解层数。

作为本发明的进一步限定，步骤六具体为：PCA将时频图像作为原始样本构成一个数据矩阵：

其中协方差矩阵为R＝AA^T，对该方差矩阵作特征值分解：

R_m×m＝P∧P^T

式中，T表示转置，∧为协方差矩阵的特征值对角阵，P为对应的特征矩阵，对时频图特征图作如下变换：

W_m×m＝P^TA＝[w₁，w₂，w₃，...,w_m]^T

式中，W为时频图特征的二值矩阵的主要成分，w₁是第一主成分，w_i为第i主成分，选取前k的主成分，构成新的信号时频图特征矩阵。使用PCA将时频图像作为原始样本构成一个数据矩阵，降低算法的计算开销、使得数据矩阵更容易被理解，解除部分参数对结果的限制。

作为本发明的进一步限定，步骤七的具体过程如下：

给定输入样本W_m×m＝P^TA＝[w₁，w₂，w₃，...,w_m]^T和激活函数f(*)，则可获得输入向量经非线性映射后的输出矩阵H

式中，l表示为隐含层神经元的个数；

ELM分类器的激活函数f(*)采用在回归和分类任务中常用的高斯核函数，高斯核函数表达式如下：

式中，参数b为高斯核函数的作用宽度因子，λ为核函数的中心；在此基础上再确定隐含层与输出层之间的输出矩阵β，则求出最后的识别结果。使用高斯核函数将数据集映射到高维空间，可以解决数据集不是线性可分问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明方法实施例的流程图。

图2为本发明方法实施例中的神经网络示意图。

图3为本发明的VGG-16+ELM分类器的测试结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

图1-2是本发明一种基于CNN和ELM的M-QAM信号调制模式识别方法，包括以下步骤：

步骤一：信号预处理，即使用信号仿真平台生成M-QAM信号，并使用发射机进行发射。

步骤二：信号采集处理，即接收步骤一产生的多种调制模式的信号，信号进一步标准化处理，采集窄带高斯白噪声的M-QAM信号。

步骤三：对M-QAM信号这类非平稳信号的处理，不能简单依赖于傅里叶变换和拉普拉斯变换，只关注信号的时域或频域特性，需要对信号进行时频域的分析，而DWT算法可以较好地信号时频图上获得信号的不同时刻频率分辨率的信息，应用DWT算法将待识别的M-QAM信号进行时频转换得到信号的时频图，对应的DWT公式如下：

设f(x)为一维输入信号，记

α_jk(x)＝2^-j/2α(2^-jx-k)，β_jk(x)＝2^-j/2β(2^-j/2x-k)，这里α(x)，β(x)分别称为定标函数和子函数。

{α_jk(x)}与{β_jk(x)}为二个正交基函数的集合。

记P₀f＝f，在第j级上的一维离散小波变换DWT通过正交投影P_jf与Q_jf将P_j-1f分解为：

式中，

这里，{h(n)}与{g(n)}分别表示低通和高通权系数，它们由基函数{α_jk(x)}与{β_jk(x)}来确定，p为权系数的长度。

为信号的输入数据，N为输入信号的长度，L为所需的级数。

步骤四：使用预训练的VGG-16卷积神经网络模型，将图片转换成224×224×3大小的图像；使用的VGG-16预训练神经网络的主要参数保持不变，保留输入层至全连接层FC6的主干特征提取模块。

步骤五：将步骤四转换尺寸过后的信号时频图送入主干特征提取模块，提取M-QAM信号的时频图特征，使用该模块可得到6×4096个信号时频图特征。

步骤六：主干特征提取模块输出的特征过多，存在信息冗余，进而导致训练速度和系统识别有效性的下降，使用PCA降维保留具有显著区分度的特征；

PCA将时频图像作为原始样本构成一个数据矩阵：

其中协方差矩阵为R＝AA^T，对该方差矩阵作特征值分解：

R_m×m＝P∧P^T

式中，m表示行数和列数，T表示转置，∧为协方差矩阵的特征值对角阵，P为对应的特征矩阵，对时频图特征图作如下变换：

W_m×m＝P^TA＝[w₁，w₂，w₃，...,w_m]^T

式中，W为时频图特征的二值矩阵的主要成分，w₁是第一主成分，w_i为第i主成分，选取前k的主成分，构成新的信号时频图特征矩阵。

步骤七：使用超限学习机(ELM)分类器代替原卷积神经网络常用的Softmax分类器，对新的信号时频图特征矩阵进行回归分类，求得最后的识别结果，具体过程如下：

给定输入样本W_m×m＝P^TA＝[w₁，w₂，w₃，...,w_m]^T和激活函数f(*)，则可获得输入向量经非线性映射后的输出矩阵H

式中，l表示为隐含层神经元的个数：

激活函数f(*)采用在回归和分类任务中常用的高斯函数，高斯核函数表达式如下：

式中，参数b为高斯核函数的作用宽度因子，λ为核函数的中心；在此基础上再确定隐含层与输出层之间的输出矩阵β，则求出最后的识别结果，本实施例中高斯核函数的作用宽度因子b＝0.1，核函数的中心λ＝0.25。

步骤八：针对6种QAM信号，选取每类信号在信噪比为-3dB～8dB情况下的时频图像共计7200张图片，其中每类QAM信号在单一信噪比下的时频图像各100张，将时频图像数据集随机按7:3的比例随机划分训练集和数据集，对主干特征提取网络进行训练，利用超限学习机分类器对时频图像的训练集进行识别，并验证VGG-16+ELM分类器的识别率。

图2给出了VGG-16+ELM分类器的测试结果，其识别准确率随着信噪比的增加呈上升趋势，在9dB之后逐渐平滑，在10dB时取得89.6％的识别准确率，表明本发明对M-QAM信号调制类型的识别准确率较高。此外，本发明让网络自动提取信号的时频图特征，测试稳定，识别准确率未随信噪比的变化出现波动，表明了本发明稳定性与鲁棒性较好，具有很好的实用性。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，包括以下步骤：

步骤一：使用信号仿真平台生成M-QAM信号，即多种调制模式的QAM信号，并使用发射机进行发射；

步骤二：接收步骤一产生的M-QAM信号进行标准化处理，模拟信号在高斯信道中传输；

步骤三：对步骤二接收到的M-QAM信号进行时频分析，应用DWT算法将待识别的QAM信号进行时频变换得到信号的时频图像：

步骤四：使用预训练的VGG-16卷积神经网络模型，将图片转换成图像，即信号时频图；使用的VGG-16预训练神经网络的主要参数保持不变，保留输入层至全连接层fc6的主干特征提取模块；

步骤五：将步骤四转换尺寸过后的信号时频图送入主干特征提取模块，提取M-QAM信号的时频图特征；

步骤六：使用PCA降维保留具有显著区分度的特征；

步骤七：使用ELM分类器对新的信号时频图特征矩阵进行回归分类，求得最后的识别结果；

步骤八：针对M-QAM信号，选取每类信号在设定信噪比下的时频图像，将时频图像数据集随机划分训练集和数据集，对主干特征提取网络进行训练，利用ELM分类器对时频图像的训练集进行识别，并验证VGG-16+ELM分类器的识别率。

2.根据权利要求1所述的基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，步骤一中M-QAM信号包括4-QAM，8-QAM，16-QAM，32-QAM，64-QAM，128-QAM共六类QAM信号。

3.根据权利要求1或2所述的基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，步骤二中接收机接收的M-QAM信号一般表达式为：

S_M-QAM(t)＝∑_nA_ng(t-nT_s)exp[j(2πf_c+φ]+n(t)，

式中，A_n＝a_n+ib_n表示为第n个符号周期发射的符号，i为虚数单位，g(t)表示为脉冲滤波器的冲击响应，j为级数，T_s表示为符号周期或码元宽度，f_c和φ分别表示载波频率和相位，n(t)为窄带高斯白噪声。

4.根据权利要求3所述的基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，步骤三中的对应的DWT算法如下：

设f(x)为一维输入M-QAM信号，记

α_jk(x)＝2^-j/2α(2^-jx-k)，β_jk(x)＝2^-j/2β(2^-j/2x-k)，其中α(x)，β(x)分别称为定标函数和子函数，j为级数，k为距离；

{α_jk(x)}与{β_jk(x)}为二个正交基函数的集合；

记P₀f＝f，在第j级上的一维离散小波变换DWT通过正交投影P_jf与Q_jf将P_j-1f分解为：

式中，

其中，{h(n)}与{g(n)}分别表示低通和高通权系数，其由基函数{α_jk(x)}与{β_jk(x)}来确定，p为权系数的长度；

为信号的输入数据，N为输入信号的长度，L为所需的级数。

5.根据权利要求4所述的基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，步骤六具体为：PCA将时频图像作为原始样本构成一个数据矩阵：

其中协方差矩阵为R＝AA^T，对该方差矩阵作特征值分解：

R_m×m＝P∧P^T

式中，T表示转置，∧为协方差矩阵的特征值对角阵，P为对应的特征矩阵，对时频图特征图作如下变换：

W_m×m＝P^TA＝[w₁，w₂，w₃，...，w_m]^T

式中，W为时频图特征的二值矩阵的主要成分，w₁是第一主成分，w_i为第i主成分，选取前k的主成分，构成新的信号时频图特征矩阵。

6.根据权利要求5所述的基于CNN和ELM的M-QAM信号调制模式识别方法，其特征在于，步骤七的具体过程如下：

给定输入样本W_m×m＝P^TA＝[w₁，w₂，w₃，...，w_m]^T和激活函数f(*)，则可获得输入向量经非线性映射后的输出矩阵H

式中，l表示为隐含层神经元的个数；

ELM分类器的激活函数f(*)采用在回归和分类任务中常用的高斯核函数，高斯核函数表达式如下：

式中，参数b为高斯核函数的作用宽度因子，λ为核函数的中心；在此基础上再确定隐含层与输出层之间的输出矩阵β，则求出最后的识别结果。

Images