CN113271273A - 基于维纳滤波预处理的调制识别方法 - Google Patents
基于维纳滤波预处理的调制识别方法 Download PDFInfo
- Publication number
- CN113271273A CN113271273A CN202110512661.2A CN202110512661A CN113271273A CN 113271273 A CN113271273 A CN 113271273A CN 202110512661 A CN202110512661 A CN 202110512661A CN 113271273 A CN113271273 A CN 113271273A
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- modulation
- method based
- wiener
- 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.)
- Granted
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及一种基于维纳滤波预处理的调制识别方法通过无干扰的理想信号和有受干扰信号的接收信号生成维纳滤波器,对接收信号集中的受干扰信号经过维纳滤波器处理,得到对应受干扰信号对应的变频信号,再提取变频信号中的第一高阶累积量特征,将得到接收信号集中所有的第一高阶累积量特征作为训练集对神经网络进行训练,得到信号分类模型。该基于维纳滤波预处理的调制识别方法将需要识别的通信信号经过维纳滤波、特征提取得到第二高阶累积量特征作为测试集,将测试集输入信号分类模型中实现信号的调制方式识别,该方法对信号的识别简单,解决了现有通信信号的调制识别方法采用基于循环平稳理论算法,存在计算复杂度高、信号识别难的问题。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于维纳滤波预处理的调制识别方法。
背景技术
在通信系统中,发射机的原始电信号通常具有非常低的频谱成分,一般不适合直接在信道中传输,因此需要将原始信号转换成适合于信道传输的高频信号,这个过程称为调制。
在通信系统中,通信信号的调制识别是指在非合作通信条件下,对接收到的未知敌方信号的调制方式进行识别与判决,以供后续的解调分析和信息提取,在电子对抗、信号干扰与截获、无线电监控等领域都有着重要的应用。然而,在存在同频或邻道干扰条件下,要对信号进行调制识别,仍存在较大的困难。
目前对通信信号的调制识别主要是采用以下两种方法:一是基于决策论的识别方法,将调制识别问题看成多重假设检验问题,又可以称为似然比方法,但是该方法具有理论基础完备,但推导复杂,需要大量先验知识等特点;二是基于统计模式的调制识别方法,该方法由模式识别理论衍生而来,具有分析简单,识别性能好等优点,但识别框架没有完备的理论基础,识别效果受信道影响较大。
并且目前通信信号的调制识别方法大多数的算法是基于循环平稳理论,将目前通信信号的调制识别方法应用于共信道多信号或者干扰条件下的调制识别,存在难以实现调制信号的识别,主要是不同调制方式信号的循环谱差异较小,基于循环平稳理论的干扰条件下的调制识别可以识别的调制方式有限,并且基于循环平稳理论的调制识别算法复杂度高。
发明内容
本发明实施例提供了一种基于维纳滤波预处理的调制识别方法,用于解决现有通信信号的调制识别方法采用基于循环平稳理论算法,存在计算复杂度高、信号识别难的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于维纳滤波预处理的调制识别方法,包括以下步骤:
S1.获取多组理想信号,得到理想信号集;
S2.在所述理想信号集中各组理想信号加入不同重叠程度的干扰和/或噪声信号生成多组受干扰信号,得到接收信号集;
S3.从所述理想信号集中提取一组理想信号作为期望信号,从所述接收信号集中提取一组受干扰信号作为接收信号,对所述期望信号和所述接收信号通过维纳滤波原理计算,得到维纳滤波器;
S4.采用所述维纳滤波器对所述接收信号集中除所述接收信号之外的其它受干扰信号处理,得到多组变频信号,并提取每组所述变频信号中的第一高阶累积量特征;
S5.将所得的所有所述第一高阶累积量特征通过神经网络训练,得到信号分类模型;
S6.获取多组待识别通信信号作为测试集,通过步骤S3和步骤S4对所述测试集中的每组通信信号进行维纳滤波、特征提取处理,得到与所述测试集中每组通信信号对应的第二高阶累积量特征,将所述第二高阶累积量特征输入所述信号分类模型进行识别和分类,得到每组待识别通信信号的识别结果。
优选地,在步骤S3中,对所述期望信号和所述接收信号通过维纳滤波原理计算得到维纳滤波器的步骤包括:
S31.获取所述期望信号的信号长度,采用有偏估计对所述信号长度和所述接收信号进行计算,得到与所述接收信号对应的自相关函数;
S32.采用有偏估计对所述信号长度、所述接收信号和所述期望信号进行计算,得到所述期望信号和所述接收信号的互相关函数;
S33.采用时域分析方法对所述自相关函数和所述互相关函数计算,得到维纳滤波器。
优选地,在步骤S31中,所述自相关函数rxx(k)为:
在步骤S32中,所述互相关函数rxd(k)为:
式中,L为信号长度,n、k表示信号序列的自变量,x*(n+k)为接收信号x(n)取共轭并且序列移k个单位后的取值,d*(n+k)为期望信号d(n)取共轭并且序列移k个单位后的取值。
优选地,在步骤S5中,所得的所有第一高阶累积量特征通过BP神经网络进行训练,得到信号分类模型。
优选地,在步骤S1中,通过信号调制方式的种类、速率、载波频率得到多组理想信号。
优选地,在步骤S2中,在所述理想信号集中加入频谱重叠程度为20%~80%、信号干扰功率比为1:1的受干扰信号,得到接收信号集。
优选地,在步骤S6中,获取至少200组待识别通信信号作为测试集。
从以上技术方案可以看出,本发明实施例具有以下优点:
该基于维纳滤波预处理的调制识别方法通过无干扰的理想信号和有受干扰信号的接收信号生成维纳滤波器,对接收信号集中的受干扰信号经过维纳滤波器处理,得到对应受干扰信号对应的变频信号,再提取变频信号中的第一高阶累积量特征,将得到接收信号集中所有的第一高阶累积量特征作为训练集对神经网络进行训练,得到信号分类模型。该基于维纳滤波预处理的调制识别方法将需要识别的通信信号经过维纳滤波、特征提取得到第二高阶累积量特征作为测试集,将测试集输入信号分类模型中实现信号的调制方式识别,该方法对信号的识别简单,解决了现有通信信号的调制识别方法采用基于循环平稳理论算法,存在计算复杂度高、信号识别难的技术问题。
该基于维纳滤波预处理的调制识别方法仍可以对信号的调制方式有效识别,在六种通信信号调制识别在不同干扰重叠的条件下,经过该基于维纳滤波预处理的调制识别方法提取出的特征,在不同信噪比下的区分程度,可以看见即使在重叠率很高的条件下,各信号之间的特征也存在较大的区分,可以实现分离。因此该基于维纳滤波预处理的调制识别方法能够在信号与干扰的功率比为1:1的条件下,识别效果在噪声为-5dB时可以达到95%以上的识别率,信号识别准确率高
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它的附图。
图1为本发明实施例所述的基于维纳滤波预处理的调制识别方法的步骤流程图。
图2为本发明实施例所述的基于维纳滤波预处理的调制识别方法的框架图。
图3a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.25的识别波形图。
图3b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.25的识别效果图。
图4a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.5的识别波形图。
图4b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.5的识别效果图。
图5a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.75的识别波形图。
图5b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.75的识别效果图。
图6a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率1的识别波形图。
图6b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率1的识别效果图。
图7为本发明实施例所述的基于维纳滤波预处理的调制识别方法生成维纳滤波器的步骤流程图。
图8为本发明实施例所述的基于维纳滤波预处理的调制识别方法的特征识别顺序流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于维纳滤波预处理的调制识别方法,用于解决现有通信信号的调制识别方法采用基于循环平稳理论算法,存在计算复杂度高、信号识别难的技术问题。
实施例一:
图1为本发明实施例所述的基于维纳滤波预处理的调制识别方法的步骤流程图,图2为本发明实施例所述的基于维纳滤波预处理的调制识别方法的框架图。在本发明提供的基于维纳滤波预处理的调制识别方法以2ASK、4ASK、2FSK、4FSK、2PSK、4PSK这六个通信信号作为案例说明。
如图1和图2所示,本发明实施例提供了一种基于维纳滤波预处理的调制识别方法,包括以下步骤:
S1.获取多组理想信号,得到理想信号集。
需要说明的是,在步骤S1中主要是获取训练需要的训练数据。主要是通过信号调制方式的种类、速率、载波频率得到多组理想信号,记为A,其中,m代表理想信号集中第m组理想信号,mod代表具体的调制方式,代表某一个理想信号,A可以表示为m为整数,mod为理想信号的调制方式,n为信号的序列自变量。在本实施例中,采用频率fs=19200Hz、载波频率fc=1800Hz、码元速率fd=1200Hz,MFSK信号频率间隔为△f=400Hz获取至少500组调制后信号作为理想信号集。在本实施例中,理想信号指的是没有干扰、没有噪声的通信信号。
S2.在理想信号集中各组理想信号加入不同重叠程度的干扰和/或噪声信号生成多组受干扰信号,得到接收信号集。
需要说明的是,步骤S2主要是获取具有干扰的信号的训练数据,使得得到的信号分类模型能够精确识别有干扰信息的通信信号。主要是对理想信号集A中理想信号加入不同重叠程度的受干扰信号或噪声信号,生成受干扰信号并记为接收信号v(n)为噪声,为受干扰信号。在本实施例中,在理想信号集A中加入频谱重叠程度为20%~80%、信号干扰功率比为1:1的2ASK受干扰信号,得到接收信号集。其中,重叠程度指的是干扰在信号带宽内所占频谱宽度除以干扰的带宽的百分比。
S3.从理想信号集中提取一组理想信号作为期望信号,从接收信号集中提取一组理想信号作为接收信号,对期望信号和接收信号通过维纳滤波原理计算,得到维纳滤波器。
S4.采用维纳滤波器对接收信号集中除接收信号之外的其它受干扰信号处理,得到多组变频信号,并提取每组变频信号中的第一高阶累积量特征。
S5.将所得的所有第一高阶累积量特征通过神经网络训练,得到信号分类模型。
需要说明的是,主要是通过步骤S3和步骤S4得到理想信号集中所有受干扰信号的第一高阶累积量特征,基于所得的所有第一高阶累积量特征作为BP神经网络(即是反向传播神经网络)的输入进行训练,得到能够识别通信信号类型的信号分类模型,也称分类器。其中,反向传播神经网络,即BP神经网络是一种3层或3层以上的多层神经网络,每一层由几个神经元组成。神经元主要由两部分组成。第一部分是计算输入乘以权重和偏差的总和,第二部分是计算激活函数的输出值,将总和代入激活值。由于有4个特征,所以设BP神经网络中的神经网络分类器的输入神经元数为4个,神经网络包含2个隐含层,隐含层神经元数分别设为10和6个,输出层神经元数为6个,每种调制方式对应的输出向量分别为:2ASK(100000)、4ASK(010000)、2FSK(001000)、4FSK(000100)、2PSK(000010)、4PSK(000001)。
S6.获取多组待识别通信信号作为测试集,通过步骤S3和步骤S4对测试集中的每组通信信号进行维纳滤波、特征提取处理,得到与测试集中每组通信信号对应的第二高阶累积量特征,将第二高阶累积量特征输入信号分类模型进行识别和分类,得到每组待识别通信信号的识别结果。
需要说明的是,主要是获取测试集,对测试集中的每组待识别通信信号经过步骤S3和步骤S4的处理后得到与测试集对应的第二高阶累积量特征,在信号分类模型中对第二高阶累积量特征进行分类和识别,得到测试集的识别结果。在本实施例中,测试集中包含至少200组待识别通信信号。其中,待识别通信信号中含有噪声和/或受干扰信号。
本发明提供的一种基于维纳滤波预处理的调制识别方法通过无干扰的理想信号和有受干扰信号的接收信号生成维纳滤波器,对接收信号集中的受干扰信号经过维纳滤波器处理,得到对应受干扰信号对应的变频信号,再提取变频信号中的第一高阶累积量特征,将得到接收信号集中所有的第一高阶累积量特征作为训练集对神经网络进行训练,得到信号分类模型。该基于维纳滤波预处理的调制识别方法将需要识别的通信信号经过维纳滤波、特征提取得到第二高阶累积量特征作为测试集,将测试集输入信号分类模型中实现信号的调制方式识别,该方法对信号的识别简单,解决了现有通信信号的调制识别方法采用基于循环平稳理论算法,存在计算复杂度高、信号识别难的技术问题。
需要说明的是,该基于维纳滤波预处理的调制识别方法结合了维纳滤波和高阶累积量特征抗噪声抗干扰性能好等优点,实现了干扰条件下不同调制方式下通信信号的识别。该基于维纳滤波预处理的调制识别方法相对简单、识别性能好等特点,有效避免了对于干扰条件下调制识别采用循环平稳理论算法所存在的计算复杂度高、信号识别效果有限等的问题。
图3a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.25的识别波形图,图3b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.25的识别效果图,图4a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.5的识别波形图,图4b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.5的识别效果图,图5a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.75的识别波形图,图5b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率0.75的识别效果图,图6a为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率1的识别波形图,图6b为本发明实施例所述的基于维纳滤波预处理的调制识别方法识别受干扰信号重叠率1的识别效果图。
需要说明的是,在干扰的条件下,该基于维纳滤波预处理的调制识别方法仍可以对信号的调制方式有效识别,如图3a至图6b所示,在六种通信信号调制识别在不同干扰重叠的条件下,经过该基于维纳滤波预处理的调制识别方法提取出的特征,在不同信噪比下的区分程度,可以看见即使在重叠率很高的条件下,各信号之间的特征也存在较大的区分,可以实现分离。因此该基于维纳滤波预处理的调制识别方法能够在信号与干扰的功率比为1:1的条件下,识别效果在噪声为-5dB时可以达到95%以上的识别率,信号识别准确率高。
图7为本发明实施例所述的基于维纳滤波预处理的调制识别方法生成维纳滤波器的步骤流程图。
如图7所示,在步骤S3中,对期望信号和接收信号通过维纳滤波原理计算得到维纳滤波器的步骤包括:
S31.获取期望信号的信号长度,采用有偏估计对信号长度和接收信号进行计算,得到与接收信号对应的自相关函数;
S32.采用有偏估计对信号长度、接收信号和期望信号进行计算,得到期望信号和接收信号的互相关函数;
S33.采用时域分析方法对自相关函数和互相关函数计算,得到维纳滤波器。
在本发明实施例中,在步骤S31中,自相关函数rxx(k)为:
在步骤S32中,互相关函数rxd(k)为:
式中,L为信号长度,n、k表示信号序列的自变量,x*(n+k)为接收信号x(n)取共轭并且序列移k个单位后的取值,d*(n+k)为期望信号d(n)取共轭并且序列移k个单位后的取值。
需要说明的是,通过步骤S31、步骤S32中获得自相关函数和互相关函数,得到信号序列中不同自变量下的互相关向量矩阵Rxd、自相关向量矩阵Rxx分别为:
在本发明实施例中,该基于维纳滤波预处理的调制识别方法,若维纳滤波处理后中变频信号的高阶累积量特征定义为:C20mod,其中C20表示变频信号的二阶累积量,mod代表期望信号的调制类型,用于产生维纳滤波器。其中,获得高阶累积量特征C20mod的方式是:使用调制类型为mod的信号作为期望信号,然后按信噪比加入噪声,得到接收信号,生成维纳滤波器;对生成维纳滤波器的信号进行下变频,然后提取变频信号的两阶累积量。
需要说明的是,若以二进制和四进制的MASK、MPSK、MFSK信号作为案例说明变频,MASK、MPSK、MFSK这三类信号经变频后的离散表达式为:
式中,A是与发送码元波形能量相关的参数,g(n)是发送码元的波形(如矩形波),N为单位码元的采样点数,fs为采样速率,Δω为FSK信号的频偏,v(n)为零均值方差为的高斯白噪声;ai、bi、分别为码元符号映射到公式中的映射值,对应的二进制和四进制的具体映射值分别见表1与表2。
表1为二进制码元符号的具体映射值
表2为四进制码元符号的具体映射值
由上可知,各调制方式信号下的变频信号y(n)可以为:
因此接收信号和期望信号可以等效为:
x(n)=d(n)+v(n)
式中,f(i,n)为对应MASK、MPSK、MFSK调制方式的函数,记为:
在本发明实施例中,该基于维纳滤波预处理的调制识别方法从变频信号中提取高阶累积量特征以变频后的接收信号作为案例进行说明,如:对于一个复随机过程的变频后的x(n),其p阶混合矩的定义为:
Mpq=E[x(n)p-qx*(n)q]
式中,*表示取复共轭,p为阶数,q为取共轭的个数,E[.]表示对时域n取平均。根据x(n)的高阶数、共轭个数信息,x(n)的二阶和四阶累积量表达式为
C20=Cum(x,x)=M20
C21=Cum(x,z*)=M21
C41=Cum(x,x,x,x*)=M41-3M20M21
下文以C20也即M20为例对下变频后的变频信号y(n)的理论值进行推导:
M20=E[s(m)2]=E[(d(n)+v(n))2]=E[d2(n)]+2E[d(n)v(n)]+E[v2(n)]=E[d2(n)]+E[v2(n)]其中v(n)为零均值复随机过程,若过程足够长,可以证明:E[v2(n)]=0。则M20为:
其中,M为码元个数,对公式交换求和次序求得M20为:
由于g(n-iN)是矩形波,且在n∈[iN,iN+N-1]的范围内等于1,所以M20可以进一步化为:
若码元个数足够多,且各码元符号出现的几率相等时,便可求得各理想信号的M20理论值,即C20的理论值。具体的值如表3所示。
表3为各调制方式C20的理论值
2ASK | 4ASK | 2FSK | 4FSK | 2PSK | 4PSK | |
C<sub>20</sub> | A<sup>2</sup>/2 | 15A<sup>2</sup>/32 | 0 | 0 | A<sup>2</sup> | 0 |
同理可以计算得各调制方式的高阶累积量理论值。假设信噪比已通过估计得到,通过估计C21噪声的功率,σ2也可以通过估计得到,且可以将噪声功率从高阶累积量理论值中消去。在进行特征提取之前需要对信号的功率进行归一化处理,得到变频信号的高阶累积量理论值如表4所示。
表4为各调制方式高阶累积量理论值
调制方式 | C<sub>20</sub> | C<sub>21</sub> | C<sub>40</sub> | C<sub>41</sub> | C<sub>42</sub> |
2ASK | 1 | 1 | -1 | -1 | -1 |
4ASK | 1 | 1 | -1.427 | -1.427 | -1.427 |
2FSK | 0 | 1 | 0 | 0 | -1 |
4FSK | 0 | 1 | 0 | 0 | -1 |
2PSK | 1 | 1 | -2 | -2 | -2 |
4PSK | 0 | 1 | 1 | 0 | -1 |
图8为本发明实施例所述的基于维纳滤波预处理的调制识别方法的特征识别顺序流程图。
将不经过维纳滤波处理信号的特征参数称为传统的特征参数,而传统的二阶累积量,可以有效地将6种通信信号分为两类:{2ASK、4ASK、2PSK},{2FSK、4FSK、4PSK}。如图8所示,而本发明提供的基于维纳滤波预处理的调制识别方法可当利用2ASK信号作为期望信号生成维纳滤波器所提取的高阶累积量特征,以有效将{2ASK、4ASK、2PSK}分为:{2ASK}、{4ASK}、{2PSK};用2FSK信号作为期望信号生成维纳滤波器所提取的高阶累积量特征,可以有效将{2FSK、4FSK、4PSK}分为:{2FSK}、{4PSK、4FSK};而用4FSK信号作为期望信号生成维纳滤波器所提取的高阶累积量特征,可以有效将{4FSK、4PSK}理想信号分为:{4FSK}、{4PSK}。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于维纳滤波预处理的调制识别方法实施例中的步骤,或者,处理器执行计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于维纳滤波预处理的调制识别方法,其特征在于,包括以下步骤:
S1.获取多组理想信号,得到理想信号集;
S2.在所述理想信号集中各组理想信号加入不同重叠程度的干扰和/或噪声信号生成多组受干扰信号,得到接收信号集;
S3.从所述理想信号集中提取一组理想信号作为期望信号,从所述接收信号集中提取一组受干扰信号作为接收信号,对所述期望信号和所述接收信号通过维纳滤波原理计算,得到维纳滤波器;
S4.采用所述维纳滤波器对所述接收信号集中除所述接收信号之外的其它受干扰信号处理,得到多组变频信号,并提取每组所述变频信号中的第一高阶累积量特征;
S5.将所得的所有所述第一高阶累积量特征通过神经网络训练,得到信号分类模型;
S6.获取多组待识别通信信号作为测试集,通过步骤S3和步骤S4对所述测试集中的每组通信信号进行维纳滤波、特征提取处理,得到与所述测试集中每组通信信号对应的第二高阶累积量特征,将所述第二高阶累积量特征输入所述信号分类模型进行识别和分类,得到每组待识别通信信号的识别结果。
2.根据权利要求1所述的基于维纳滤波预处理的调制识别方法,其特征在于,在步骤S3中,对所述期望信号和所述接收信号通过维纳滤波原理计算得到维纳滤波器的步骤包括:
S31.获取所述期望信号的信号长度,采用有偏估计对所述信号长度和所述接收信号进行计算,得到与所述接收信号对应的自相关函数;
S32.采用有偏估计对所述信号长度、所述接收信号和所述期望信号进行计算,得到所述期望信号和所述接收信号的互相关函数;
S33.采用时域分析方法对所述自相关函数和所述互相关函数计算,得到维纳滤波器。
4.根据权利要求1所述的基于维纳滤波预处理的调制识别方法,其特征在于,在步骤S5中,所得的所有第一高阶累积量特征通过BP神经网络进行训练,得到信号分类模型。
5.根据权利要求1所述的基于维纳滤波预处理的调制识别方法,其特征在于,在步骤S1中,通过信号调制方式的种类、速率、载波频率得到多组理想信号。
6.根据权利要求1所述的基于维纳滤波预处理的调制识别方法,其特征在于,在步骤S2中,在所述理想信号集中加入频谱重叠程度为20%~80%、信号干扰功率比为1:1的受干扰信号,得到接收信号集。
7.根据权利要求1所述的基于维纳滤波预处理的调制识别方法,其特征在于,在步骤S6中,获取至少200组待识别通信信号作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512661.2A CN113271273B (zh) | 2021-05-11 | 2021-05-11 | 基于维纳滤波预处理的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512661.2A CN113271273B (zh) | 2021-05-11 | 2021-05-11 | 基于维纳滤波预处理的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113271273A true CN113271273A (zh) | 2021-08-17 |
CN113271273B CN113271273B (zh) | 2022-06-21 |
Family
ID=77230402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512661.2A Active CN113271273B (zh) | 2021-05-11 | 2021-05-11 | 基于维纳滤波预处理的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113271273B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114024808A (zh) * | 2021-09-22 | 2022-02-08 | 中山大学 | 基于深度学习的调制信号识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101473556A (zh) * | 2006-06-19 | 2009-07-01 | 五月花通讯股份有限公司 | 用于高保真高数据率无线通信的抗干扰滤波器系统和方法 |
CN102664850A (zh) * | 2012-04-13 | 2012-09-12 | 豪威科技(上海)有限公司 | 无线局域网多载波模式的低复杂度信道降噪方法及其装置 |
US20140169341A1 (en) * | 2010-09-24 | 2014-06-19 | Senjie Zhang | Uplink channel estimation for a software defined radio |
CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
-
2021
- 2021-05-11 CN CN202110512661.2A patent/CN113271273B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101473556A (zh) * | 2006-06-19 | 2009-07-01 | 五月花通讯股份有限公司 | 用于高保真高数据率无线通信的抗干扰滤波器系统和方法 |
US20140169341A1 (en) * | 2010-09-24 | 2014-06-19 | Senjie Zhang | Uplink channel estimation for a software defined radio |
CN102664850A (zh) * | 2012-04-13 | 2012-09-12 | 豪威科技(上海)有限公司 | 无线局域网多载波模式的低复杂度信道降噪方法及其装置 |
CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
Non-Patent Citations (1)
Title |
---|
YANG ZHANG ET AL: "Automatic Modulation Classification based on Wiener filter preprocessing and Cumulants", 《2020 IEEE 9TH JOINT INTERNATIONAL TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE(ITAIC)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114024808A (zh) * | 2021-09-22 | 2022-02-08 | 中山大学 | 基于深度学习的调制信号识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113271273B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Automatic modulation recognition of digital signals using wavelet features and SVM | |
Like et al. | Signal classification in fading channels using cyclic spectral analysis | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN104038296A (zh) | 一种认知无线电网络的协作频谱检测方法 | |
CN113271273B (zh) | 基于维纳滤波预处理的调制识别方法 | |
CN103199945A (zh) | 一种低信噪比条件下认知无线电信号调制方式的识别方法 | |
Hamdaoui et al. | Deep neural network feature designs for RF data-driven wireless device classification | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
Gaohui et al. | Research on modulation recognition of OFDM signal based on hierarchical iterative support vector machine | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及系统 | |
CN111371510A (zh) | 一种复杂电磁环境下的通信测试方法 | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Baris et al. | Modulation classification of MFSK modulated signals using spectral centroid | |
Wu et al. | Deep learning aided cyclostationary feature analysis for blind modulation recognition in massive MIMO systems | |
Xing et al. | Method to reduce the signal‐to‐noise ratio required for modulation recognition based on logarithmic properties | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN114884780A (zh) | 基于被动时间反转镜的水声通信信号调制识别方法及装置 | |
Abdelmutalab | Learning-based automatic modulation classification | |
CN113162879B (zh) | 一种联合特征提取的调制信号识别方法 | |
Freitas et al. | Automatic modulation classification for cognitive radio systems: Results for the symbol and waveform domains | |
Mejri | Deep Learning Based Automatic Modulation Classication for Wideband Access Using Cyclostationarity Analysis | |
Listova et al. | The communications channels models in wireless sensor networks, based on the structural-energetic interaction between signals and interferences | |
CN116032310B (zh) | 一种基于信道化滤波的信号自适应检测重构方法 |
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 |