CN113312996A - 一种混叠短波通信信号检测与识别方法 - Google Patents

一种混叠短波通信信号检测与识别方法 Download PDF

Info

Publication number
CN113312996A
CN113312996A CN202110545114.4A CN202110545114A CN113312996A CN 113312996 A CN113312996 A CN 113312996A CN 202110545114 A CN202110545114 A CN 202110545114A CN 113312996 A CN113312996 A CN 113312996A
Authority
CN
China
Prior art keywords
signal
detection
window
short
frequency
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
Application number
CN202110545114.4A
Other languages
English (en)
Other versions
CN113312996B (zh
Inventor
侯长波
周志超
刘国威
郭强
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110545114.4A priority Critical patent/CN113312996B/zh
Publication of CN113312996A publication Critical patent/CN113312996A/zh
Application granted granted Critical
Publication of CN113312996B publication Critical patent/CN113312996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种混叠短波通信信号检测与识别方法，包括：步骤1：对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化；步骤2：滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作，调整信号带宽；步骤3：保存滑窗内容：步骤4：基于深度学习模型进行分类识别：步骤5：绘制短波频段通信信号分布图。本发明不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。

Description

一种混叠短波通信信号检测与识别方法
技术领域
本发明属于通信信号检测与调制识别领域，本发明涉及一种混叠短波通信信号检测与识别方法
背景技术
在通信信号检测与调制识别领域，混叠通信信号的多信号检测与调制识别具有非常重要和广泛的应用。混叠通信信号的多信号检测与调制识别主要分为在时域分离出单一信号波形再进行调制识别以及在频域分离出单一信号频谱再进行调制识别，需要注意的是无论哪种方法多信号分离的效果都会影响调制识别准确率。近年来许多专家学者针对混叠通信信号的多信号检测与调制识别提出了更高效、可靠的方法。
2015年桂林电子科技大学及浙江宇视科技有限公司的肖海林等人公开了一种基于频谱感知与调制识别的联合干扰方法与系统(中国专利申请号：CN201510639826.7)，先把待检测的全频段分成若干个固定带宽的子频段，再控制中心通过改变射频接收机的直接数字频率合成器频率逐段处理各子频段信号，最后对每个子频段基带信号进行频谱感知和调制识别。该方法需要对信道频段有先验知识并人为划分子频段，还需要对不同子频段信号进行基带化处理，同时采用非深度学习算法的传统分类识别方法，对区分度小的多种调制方式通信信号分类识别准确率不高。2019年北京邮电大学冯志勇等人公开了一种混合信号的分类方法、装置及电子设备(中国专利申请号：CN201910328208.9)，通过预设的主成分分析法PCA对混合信号矩阵计算得到信号种类个数并根据信号种类个数确定分离矩阵，利用分离矩阵分离各类信号得到待识别信号，再输入分类模型得到调制识别结果。该方法需要先在时域分离多个信号，再对单个信号进行分类识别，且分离效果容易影响分类识别准确率。2020年海南大学陈真佳在其博士学位论文《海上电磁频谱感知与预测方法研究》中提出了基于射频I/Q分布特性的海上电磁频谱感知及调制识别方法，通过I/Q分量分布方法检测待检测频带信号，根据不同调制信号源具有不同I/Q分布的特点进行分类识别。该方法不能同时进行信号频谱检测及调制识别，需要在检测到频谱所有信号中心频率后滤波得到单一信号I/Q分量，再根据单一信号I/Q分布对其进行调制识别。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、调制识别准确率高、可同时进行信号检测与识别、可检测识别与深度学习模型训练集信号分布不同的通信信号的混叠短波通信信号检测与识别方法。
为解决上述技术问题，本发明的一种混叠短波通信信号检测与识别方法，包括以下步骤：
步骤1：对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化；
步骤2：滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作，调整信号带宽；
步骤3：保存滑窗内容：
步骤4：基于深度学习模型进行分类识别：
步骤5：绘制短波频段通信信号分布图。
本发明还包括：
1.步骤1中进行幅度归一化操作具体为：
通过滑动检测识别窗口检测信号存在，当通信信号频谱中心在检测识别窗口中间时，以频谱绝对值最大值为分母对频谱进行除分母操作实现频谱的幅度归一化；完成一个信号的幅度归一化后继续滑动检测识别窗口完成下个信号的幅度归一化直到滑窗结束，调整待检测识别通信信号频谱幅度使其与深度学习模型训练集信号频谱幅度匹配。
2.步骤2中进行基带不变性操作，调整信号带宽具体为：首先提取窗口内容极值点，计算极值点间隔平均值非零元素在向量中位置之差的平均值Interval2，取实际检测信号极值点间隔平均值Interval2与深度学习模型训练集极值点间隔平均值Interval1的比值A＝Interval2/Interval1，用A为参考以插值的方式调整实际信号基带宽度，调整完成后保留信号载波中心点数使之与基带不变性操作前窗口内容大小保持一致。
3.步骤3中保存滑窗内容具体为：
滑窗检测区感受到信号存在后保存窗口内容于变量signalSum(L,2,m)中，signalSum大小为(L，2,k)，L为窗口大小，m为检测到信号的个数，每检测到一个信号存在m加1。
4.步骤4中深度学习模型为复数卷积神经网络，复数卷积网络多个样本输入形式为3维张量大小(L，2，k)，多个样本输出形式为2维张量大小为(n，k)，所述2维张量即为通信信号频谱检测分类识别的频域分类识别结果分布矩阵。
5.步骤5中绘制短波频段通信信号分布图具体为：将分类识别结果分布矩阵(n，k)样本维度n沿水平方向，调制方式类型识别分类识别结果维度k沿竖直方向绘制，水平方向横轴刻度xaxis起始点设置为检测到第一个信号的载波中心频率f1，终点设置为检测到最后一个信号的载波中心f2，横轴刻度间隔为(f1―f2)/k，k为滑窗内容总个数。
和现有技术相比，本发明的有益效果是：1.采用在短波频段滑动检测识别窗口的方式实现对所有通信信号的检测，不受信道频段先验知识限制；2.无需将混合信号分离成多个单一信号再做调制识别，可直接根据频谱特征做调制识别；3.通过幅度归一化及信号带宽调整调整待检测识别信号幅度及带宽，使复数卷积神经网络可以识别与训练集分布不同的通信信号；4.采用可挖掘深层次特征的复数卷积神经网络直接对信号频谱进行分类识别，无需将原信号转换为如时频图、星座图等更为复杂的特征图；5.检测识别窗口检测到信号存在后即可将窗口内容输入复数卷积神经网络，可同时进行信号检测及调制识别。信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。
附图说明
图1是混叠短波通信信号检测与识别方法流程图；
图2是滑动检测识别窗口检测识别短波通信信号示意图；
图3是短波通信信号快速傅里叶变换及幅度归一化流程图；
图4是短波通信信号带宽调整流程图；
图5是短波通信信号调制识别流程图；
图6是短波频段通信信号分布图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1，本发明的一种混叠短波通信信号检测与识别方法，包括快速傅里叶变换及幅度归一化、信号带宽调整、保存滑窗内容、基于深度学习模型进行分类识别、绘制短波频段通信信号分布图。快速傅里叶变换得到混叠短波通信信号频谱然后基于频谱实现多信号检测与调制识别，幅度归一化与信号带宽调整分别调整待检测识别通信信号频谱幅度与带宽使其与深度学习模型训练集信号频谱幅度与带宽匹配、提升检测识别准确率，保存滑窗内容再统一输入深度学习模型输出所有滑窗内容的分类识别结果即行数为可分类调制方式个数列数为滑窗总个数、每一行记录当前调制方式在不同频点检测结果每一列记录当前频点不同调制方式检测结果的矩阵，绘制矩阵设置幅度刻度频率刻度得到短波频段通信信号分布图。
通过在短波频段滑动检测识别窗口的方式完成所有通信信号的检测，再进行幅度归一化、基带不变性调整以及调制识别。
当通信信号频谱中心在检测识别窗口中间时开始幅度归一化，以频谱绝对值最大值为分母，对检测识别窗口中频谱矩阵做除分母操作。
当通信信号频谱中心在检测识别窗口中间时开始信号带宽调整，提取频谱极值点计算极值点间隔平均值，根据极值点间隔平均值与测试时极值点间隔平均值比例关系进行插值及截取。
复数卷积神经网络的输入形式为：第一个维度大小为样本数、第二个维度大小为检测识别窗口长度、第三个维度大小为二的三维张量。
短波频段通信信号分布中信号中心频率精确度可调，短波频段检测识别窗口滑动步进越小、窗口总数越多，中心频率识别结果越精确。
(1)快速傅里叶变换及幅度归一化见附图3
首先对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化：通过滑动检测识别窗口检测信号存在，再以频谱绝对值最大值为分母对频谱进行除分母操作实现频谱的幅度归一化。完成一个信号的幅度归一化后继续滑动检测识别窗口完成下个信号的幅度归一化直到滑窗结束。已知窄带信号带宽△f，窗口大小为L＝(△f+10khz)/fs*N2(fs为采样频率，N2为快速傅里叶变换点数)保证窗口能包含完整的信号，窗口起始点flow/fs*N2，窗口滑窗次数k保证滑窗能覆盖所有信号存在的频段，窗口每次滑窗窗口左侧所在点数fleft/fs*N2，窗口右侧所在点数fright/fs*N2，fleft＝flow+i*L/10，fright＝fleft+L，变量i滑窗次数在滑窗未开始时初始值为0每次滑窗i加1，i大小为k时滑窗过程结束。信号的频谱是一个大小为(N2,2)的矩阵也可以理解为两路一维向量，频谱实部一路，虚部一路。其中窗口的点数变化是指窗口在频谱矩阵上的位置变化。
滑窗过程中窗口的检测区感受到信号存在开始进行幅度归一化操作。信号在窗口内有偏左、居中、偏右三个位置，分别是窗口0―9/20*L处，9/20*L―11/20*L处，11/20*L―L处。三个位置对信号进行识别的准确率accuracy是不同的accuracy1≠accuracy2≠accuracy3。由于训练深度学习模型时信号载波中心都在窗口中间范围9/20*L―11/20*L出现，因此通信信号滑窗检测时只有当信号进入滑窗的检测区再保存信号最终输入深度学习模型输出的分类识别结果[PASK,PBPSK...PFM](P为识别为每种调制方式概率)才是最准确的。
当信号检测区感受到有数值abs(signalcat(a,1))(signalcat表示保存窗口内容的变量，abs为取绝对值操作)大于阙值Ts时其中a为9/20*L―11/20*L之间一点，进入待幅度归一化状态，此时还需检测窗口入窗部分11/20*L―L是否还有比abs(signalcat(a,1))更大的数值abs(signalcat(b,1))(b为11/20*L―L之间一点)。如果没有则开始进行幅度归一化，如果有则继续滑窗让窗口检测区包含点signalcat(b,1)。
幅度归一化时取窗口内容signalcat实部一维向量绝对值最大值max(abs(signalcat(:,1)))(max为取最大值操作)为分母，对窗口内所有数值进行除以分母操作：signalcat(:,1)＝signalcat(:,1)/max(abs(signalcat(:,1)))；取窗口内容signalcat虚部一维向量绝对值最大值max(abs(signalcat(:,2)))为分母，对窗口内所有数值进行除以分母操作：signalcat(:,2)＝signalcat(:,2)/max(abs(signalcat(:,2)))。操作完成后i＝i+s2，s2为一整数，进行i＝i+s2是将信号从窗口检测区移动到窗口出窗区防止对同一信号多次幅度归一化使信号失真。
当i＝k时结束滑窗过程幅度归一化操作完成，由于待检测信号基带带宽可能与训练深度学习所用基带带宽不匹配，会导致识别准确率下降乃至误判，需要进行基带不变性操作自适应调制待检测信号基带宽带再输入深度学习模型进行调制方式识别。
(2)信号带宽调整见附图4
在基带不变性操作过程中同样是通过滑窗检测信号的存在再进行基带宽带调整。与幅度归一化操作中感受信号存在不同的是，由于进行过幅度归一化，待检测的信号幅度都为1，可以直接滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作。
进行基带不变性操作首先提取窗口内容signalcat(:,1)极值点signalextreme(:,1)，计算极值点间隔平均值即signalextreme(:,1)非零元素在向量signalextreme(:,1)中位置之差的平均值Interval2，取实际检测信号极值点间隔平均值Interval2与深度学习模型训练集极值点间隔平均值Interval1的比值A＝Interval2/Interval1用A为参考以插值的方式调整实际信号基带宽度。调整完成后保留信号载波中心前后L/2点数使之与基带不变性操作前窗口内容大小L保持一致。
(3)保存滑窗内容见附图5
具体方法可参照图5。
在对信号完成幅度归一化及基带不变性操作后正式开始滑窗检测检测通信多信号的存在及调制方式。由于经过前面幅度归一化及基带不变性预处理，滑窗感受到信号存在后不用进行其他操作滑窗检测过程会比前面步骤滑窗更快。滑窗检测区感受到信号存在后保存信号signalcat于signalSum(L,2,m)中，signalSu是大小为(L,2,k)的变量，m为检测到信号的个数，每检测到一个信号存在m加1，m可用于计算通信信号滑窗检测的漏检率。
(4)基于深度学习模型进行分类识别
深度学习模型采用复数卷积神经网络其单个样本输入形式为两路一维向量大小为(L,2)；复数卷积神经网络单个样本输为一维向量大小为(n,1)，n为分类识别种类个数，其中一维向量中的每个元素分别代表一种调制方式识别可能的分类识别结果。复数卷积网络多个样本输入形式为3维张量大小(L,2,k)，多个样本输出形式为2维张量大小为(n,k)，该2维张量即为通信信号频谱检测分类识别的频域分类识别结果分布矩阵。
(5)绘制短波频段通信信号分布图见附图6
将分类识别结果分布矩阵(n,k)样本维度n沿水平方向，调制方式类型识别分类识别结果维度k沿竖直方向绘制，水平方向横轴刻度xaxis起始点设置为检测到第一个信号的载波中心频率f1终点设置为检测到最后一个信号的载波中心f2，横轴刻度间隔为(f1―f2)/k，k为滑窗内容总个数。
下面结合具体参数给出实施例：
(1)具体参数设置如下：
1.深度学习模型采用复数卷积神经网络，输入形式为大小(None,2048，2)的三维张量，输出形式为大小(None，11)的二维张量，None表示网络输入样本个数可取任意值，网络具体结构见表1；
2.深度学习模型训练集短波通信信号用Matlab仿真生成，包含振幅键控ASK、二进制相移键控BPSK、正交相移键控QPSK、二进制频移键控2FSK、16进制正交振幅调制QAM16、正交频分复用多载波调制OFDM、幅度调制AM、单边带调制调制SSB、双边带调制DSB、频率调制FM共10种调制方式的短波通信信号。每种信号1600个训练集样本400个验证集样本，时域长度0.16μs，采样频率102.4MHz，载波频率范围0.95MHz±1.05MHz，信噪比范围―5dB―10dB，数字调制方式短波通信信号码元个数12―16，码元速率范围5.12kHz―7.68kHz，模拟调制方式短波通信信号的调制信号频率范围0-15kHz包括10个频率分量，uΩ(t)＝A1cosΩ1t+A2cosΩ2t+...+A10cosΩ10t；
3.待检测识别短波通信信号用Matlab仿真生成，时域长度0.16μs，采样频率102.4MHz，载波频率范围1.5MHz―30MHz，范围内500个频域非混叠的窄带通信信号，带宽40kHz保护频带10kHz，信噪比―5dB；
4.对信号做快速傅里叶变化点数为262144＝218；
5.滑窗窗口大小2048个频域采样点对应频率范围50kHz，滑窗步进3个频域采样点对应频率范围1.25kHz；
6.滑窗次数30000可覆盖整个短波频段；
(2)具体流程如下：
结合图3、图4和图5：
1.应用keras深度学习框架搭建复数卷积神经网络；
2.根据步骤100可知，待测信号经过快速傅里叶变化得到的频谱yfft数据形式为大小262144行2列的矩阵；
3.根据步骤101可知，窗口大小L＝2048，滑窗起始频率flow＝1.5MHZ，滑窗终止位置fhigh＝30MHZ；
4.根据步骤102可知由当前滑窗次数i和最终滑窗次数k＝30000比较结果决定是否继续滑窗；
5.根据步骤103可知，以窗口种第58个点和71个点之间为检测区；
6.根据步骤104以窗口检测结构决定是否进行步骤105对当前窗口内容进行幅度归一化；
7.根据步骤106可知，对单个信号进行幅度归一化操作后i＝i+52；
8.根据步骤107完成幅度归一化后准备对信号频谱进行信号带宽调整；
9.根据步骤203感受到信号存在后提取窗口极值点内容signalStreme，其大小同原窗口内容相同(2048，2)；
10.根据步骤204计算窗口极值内容间隔平均值Interval2假设某信号窗口内容中算得Interval2＝30；
11.根据步骤205计算训练集信号与实际信号极值间隔平均值比值
Figure BDA0003073326830000071
对窗口内容插值使信号由原来的2048个频率采样点组成变成由214个采样点组成。以信号的幅度绝对值最大值点为中心向前截取64个点向后截取64个点，以最终截取的2048个点为基带不变性调整后的窗口内容替换原2048个点的窗口内容；
12.根据步骤208完成信号带宽调整后准备进行多信号滑窗检测；
13.如附图4所示为信号频域上的滑窗示意图，3011部分为滑窗窗口示意，3010部分为滑窗检测区示意，1000为信号做快速傅里叶变换后的频谱示意；
14.根据步骤300初始化变量sum(大小(2048，2，30000)的三维张量)用于保存每次滑窗的内容；
15.检测识别窗口滑动的具体过程见附图2，检测识别窗口(标号3011对应内容)在幅度归一化后的混叠短波通信信号频谱上(标号1000对应内容)从1.00MHz以1kHz步进最终滑动到30.00MHz，当检测识别窗口中检测区(标号3010对应内容)检测到信号频谱能量最大值后对信号频谱进行信号带宽调整、调整识别；
16.根据步骤303将当前滑窗内容保存于变量sum(2048，2，i)当中i为当前第i次滑窗的标号；
17.根据步骤4将保存滑窗内容sum输入深度学习模输出分类识别结果矩阵matrix(11行30000列的矩阵)；
18.根据步骤5绘制分类识别结果矩阵得到短波频段通信信号分布图见附图6，用短波频段每个频点的调制识别结果即行数为可识别通信信号调制方式个数列数为1的概率矩阵表示每个频点的信号检测结果，因此在短波频段通信信号分布图中可以看出每个频点对应通信信号为每种调制方式的概率，同时以概率矩阵最大概率对应的调制方式作为频点对应通信信号的调制方式并在短波频段通信信号分布图中标注，其中标号0-10按顺序依次对应调制方式振幅键控ASK、二进制相移键控BPSK、正交相移键控QPSK、二进制频移键控2FSK、16进制正交振幅调制QAM16、正交频分复用多载波调制OFDM、幅度调制AM、单边带调制SSB、双边带调制DSB、频率调制FM。频点间隔△f由检测识别窗口总个数决定，
Figure BDA0003073326830000072
Figure BDA0003073326830000081
19.表2表3表4分别为短波频段存在100个通信信号、短波频段存在300个通信信号、短波频段存在500个通信信号时信号漏检率及误检率。
表1复数卷积神经网络结构
层序号 层类型 输出大小 参数个数
1 输入层 (None，2048,2) 0
2 复数卷积层 (None,64，32) 224
3 复数正则化层 (None,64，32) 160
4 激活层 (None,64,32) 0
5 池化层 (None,32,32) 0
6 复数卷积层 (None,16,64) 3136
7 复数正则化层 (None,16,64) 320
8 激活层 (None,16,64) 0
9 池化层 (None,8,64) 0
10 复数卷积层 (None,8,128) 12416
11 复数正则化层 (None,8,128) 640
12 激活层 (None,8,128) 0
13 池化层 (None,4,128) 0
14 复数卷积层 (None,4,128) 24704
15 复数正则化层 (None,4,128) 640
16 激活层 (None,4,128) 0
17 池化层 (None,2,128) 0
18 复数卷积层 (None,2,256) 49408
19 激活层 (None,2,256) 0
20 复数卷积层 (None,2,256) 98560
21 复数正则化层 (None,2，256) 20480
22 激活层 (None,2,256) 0
23 池化层 (None,1,256) 0
24 展开层 (None,256) 0
25 复数全连接层 (None，512) 5654
26 复数全连接层 (None，22) 66048
27 取实数层 (None，11) 0
表2短波频段存在100个通信信号时信号漏检率及误检率
Figure BDA0003073326830000082
Figure BDA0003073326830000091
由表2可知短波频段存在100个通信信号时：
振幅键控ASK漏检率0，误检率0；
二进制相移键控BPSK漏检率4％，误检率8％；
正交相移键控QPSK漏检率40％，误检率18％；
二进制频移键控2FSK漏检率0，误检率0；
16进制正交振幅调制键控QAM16漏检率26％，误检率44％；
振幅键控正交频分复用多载波OFDM漏检率0，误检率0；
幅度调制AM漏检率0，误检率0；
单边带调制SSB漏检率0，误检率0；
双边带调制DSB漏检率0，误检率0；
频率调制FM漏检率0，误检率0。
5次测试500个通信信号平均漏检率7％，平均误检率7％。
表3短波频段存在300个通信信号时信号漏检率及误检率
Figure BDA0003073326830000092
Figure BDA0003073326830000101
由表3可知短波频段存在300个通信信号时：
振幅键控ASK漏检率0.7％，误检率4.7％；
二进制相移键控BPSK漏检率5.3％，误检率16％；
正交相移键控QPSK漏检率30.7％，误检率36.7％；
二进制频移键控2FSK漏检率0，误检率0；
16进制正交振幅调制键控QAM16漏检率42％，误检率18.7％；
振幅键控正交频分复用多载波OFDM漏检率0，误检率0；
幅度调制AM漏检率0，误检率0.7％；
单边带调制SSB漏检率0，误检率0；
双边带调制DSB漏检率0，误检率0；
频率调制FM漏检率0，误检率0。
5次测试1500个通信信号平均漏检率7.9％，平均误检率7.7％。
表4短波频段存在500个通信信号时信号漏检率及误检率
Figure BDA0003073326830000102
Figure BDA0003073326830000111
由表4可知短波频段存在500个通信信号时：
振幅键控ASK漏检率13.2％，误检率1.2％；
二进制相移键控BPSK漏检率10.4％，误检率17.6％；
正交相移键控QPSK漏检率27.6％，误检率31.2％；
二进制频移键控2FSK漏检率7.2％，误检率0.8％；
16进制正交振幅调制键控QAM16漏检率52％，误检率13.6％；
振幅键控正交频分复用多载波OFDM漏检率10.4％，误检率0.4％；
幅度调制AM漏检率12.8％，误检率0；
单边带调制SSB漏检率7.6％，误检率0；
双边带调制DSB漏检率3.2％，误检率0；
频率调制FM漏检率8％，误检率0。
5次测试2500个通信信号平均漏检率15.2％，平均误检率6.5％。

Claims (6)

1.一种混叠短波通信信号检测与识别方法，其特征在于，包括以下步骤：
步骤1：对混叠短波通信信号做快速傅里叶变换得到其频谱，然后进行幅度归一化；
步骤2：滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区，然后进行基带不变性操作，调整信号带宽；
步骤3：保存滑窗内容：
步骤4：基于深度学习模型进行分类识别：
步骤5：绘制短波频段通信信号分布图。
2.根据权利要求1所述的一种混叠短波通信信号检测与识别方法，其特征在于：步骤1所述进行幅度归一化操作具体为：
通过滑动检测识别窗口检测信号存在，当通信信号频谱中心在检测识别窗口中间时，以频谱绝对值最大值为分母对频谱进行除分母操作实现频谱的幅度归一化；完成一个信号的幅度归一化后继续滑动检测识别窗口完成下个信号的幅度归一化直到滑窗结束，调整待检测识别通信信号频谱幅度使其与深度学习模型训练集信号频谱幅度匹配。
3.根据权利要求1或2所述的一种混叠短波通信信号检测与识别方法，其特征在于：步骤2所述进行基带不变性操作，调整信号带宽具体为：首先提取窗口内容极值点，计算极值点间隔平均值非零元素在向量中位置之差的平均值Interval2，取实际检测信号极值点间隔平均值Interval2与深度学习模型训练集极值点间隔平均值Interval1的比值A＝Interval2/Interval1，用A为参考以插值的方式调整实际信号基带宽度，调整完成后保留信号载波中心点数使之与基带不变性操作前窗口内容大小保持一致。
4.根据权利要求3所述的一种混叠短波通信信号检测与识别方法，其特征在于：步骤3所述保存滑窗内容具体为：
滑窗检测区感受到信号存在后保存窗口内容于变量signalSum(L，2，m)中，signalSum大小为(L，2，k)，L为窗口大小，m为检测到信号的个数，每检测到一个信号存在m加1。
5.根据权利要求4所述的一种混叠短波通信信号检测与识别方法，其特征在于：步骤4所述深度学习模型为复数卷积神经网络，复数卷积网络多个样本输入形式为3维张量大小(L，2，k)，多个样本输出形式为2维张量大小为(n，k)，所述2维张量即为通信信号频谱检测分类识别的频域分类识别结果分布矩阵。
6.根据权利要求5所述的一种混叠短波通信信号检测与识别方法，其特征在于：步骤5所述绘制短波频段通信信号分布图具体为：将分类识别结果分布矩阵(n，k)样本维度n沿水平方向，调制方式类型识别分类识别结果维度k沿竖直方向绘制，水平方向横轴刻度xaxis起始点设置为检测到第一个信号的载波中心频率f1，终点设置为检测到最后一个信号的载波中心f2，横轴刻度间隔为(f1-f2)/k，k为滑窗内容总个数。
CN202110545114.4A 2021-05-19 2021-05-19 一种混叠短波通信信号检测与识别方法 Active CN113312996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110545114.4A CN113312996B (zh) 2021-05-19 2021-05-19 一种混叠短波通信信号检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110545114.4A CN113312996B (zh) 2021-05-19 2021-05-19 一种混叠短波通信信号检测与识别方法

Publications (2)

Publication Number Publication Date
CN113312996A true CN113312996A (zh) 2021-08-27
CN113312996B CN113312996B (zh) 2023-04-18

Family

ID=77373884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110545114.4A Active CN113312996B (zh) 2021-05-19 2021-05-19 一种混叠短波通信信号检测与识别方法

Country Status (1)

Country Link
CN (1) CN113312996B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114799610A (zh) * 2022-06-24 2022-07-29 苏芯物联技术(南京)有限公司 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统
CN115169407A (zh) * 2022-07-18 2022-10-11 中国科学院国家空间科学中心 基于时域深度特征学习的微弱瞬态信号检测方法及系统
CN115795302A (zh) * 2023-01-03 2023-03-14 成都安则科技有限公司 一种无线电跳频信号识别方法、系统、终端及介质
CN117857270A (zh) * 2024-03-07 2024-04-09 四川广播电视监测中心 一种无线电通信信号调制识别方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049470A1 (en) * 2003-08-27 2005-03-03 Terry Alvin Mark Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets
CN1998171A (zh) * 2004-05-01 2007-07-11 桥扬科技有限公司 用于具有可变信道带宽的多载波通信的方法及装置
US20170243139A1 (en) * 2013-03-15 2017-08-24 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management
JP2017202183A (ja) * 2016-05-12 2017-11-16 株式会社国際電気通信基礎技術研究所 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム
CN108282263A (zh) * 2017-12-15 2018-07-13 西安电子科技大学 基于一维深度残差轻量网络的编码调制联合识别方法
CN108632850A (zh) * 2017-03-22 2018-10-09 电信科学技术研究院 一种功率谱估计值的调整方法及终端
US20190044767A1 (en) * 2016-02-05 2019-02-07 Zodiac Data Systems Method For Estimating Parameters Of Signals Contained In A Frequency Band
CN109344772A (zh) * 2018-09-30 2019-02-15 中国人民解放军战略支援部队信息工程大学 基于谱图和深度卷积网络的超短波特定信号侦察方法
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN110163282A (zh) * 2019-05-22 2019-08-23 西安电子科技大学 基于深度学习的调制方式识别方法
US20190274112A1 (en) * 2017-01-23 2019-09-05 DGS Global Systems, Inc. Systems, methods, and devices for automatic signal detection based on power distribution by frequency over time within an electromagnetic spectrum
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN110796047A (zh) * 2019-10-18 2020-02-14 哈尔滨工业大学 一种基于机器学习的自适应稀疏时频分析方法
CN110855591A (zh) * 2019-12-09 2020-02-28 山东大学 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法
CN111404852A (zh) * 2020-03-03 2020-07-10 西安电子科技大学 基于振幅和频谱幅度特征的调制方式识别方法
CN111464468A (zh) * 2020-03-02 2020-07-28 南方科技大学 信号调制模式识别方法、装置、设备和可读存储介质
CN112184849A (zh) * 2020-09-25 2021-01-05 中南大学 一种针对复杂动态多目标微动信号智能处理方法及系统
US20210014092A1 (en) * 2019-07-12 2021-01-14 The Mitre Corporation Data processing for automatic modulation classification of wireless signals
CN112272066A (zh) * 2020-09-15 2021-01-26 中国民用航空飞行学院 一种用于机场终端区甚高频通信中的频谱数据清洗方法
US20210045640A1 (en) * 2019-08-16 2021-02-18 Poltorak Technologies, LLC Device and method for medical diagnostics

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049470A1 (en) * 2003-08-27 2005-03-03 Terry Alvin Mark Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets
CN1998171A (zh) * 2004-05-01 2007-07-11 桥扬科技有限公司 用于具有可变信道带宽的多载波通信的方法及装置
US20170243139A1 (en) * 2013-03-15 2017-08-24 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management
US20190044767A1 (en) * 2016-02-05 2019-02-07 Zodiac Data Systems Method For Estimating Parameters Of Signals Contained In A Frequency Band
JP2017202183A (ja) * 2016-05-12 2017-11-16 株式会社国際電気通信基礎技術研究所 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム
US20190274112A1 (en) * 2017-01-23 2019-09-05 DGS Global Systems, Inc. Systems, methods, and devices for automatic signal detection based on power distribution by frequency over time within an electromagnetic spectrum
CN108632850A (zh) * 2017-03-22 2018-10-09 电信科学技术研究院 一种功率谱估计值的调整方法及终端
CN108282263A (zh) * 2017-12-15 2018-07-13 西安电子科技大学 基于一维深度残差轻量网络的编码调制联合识别方法
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN109344772A (zh) * 2018-09-30 2019-02-15 中国人民解放军战略支援部队信息工程大学 基于谱图和深度卷积网络的超短波特定信号侦察方法
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110163282A (zh) * 2019-05-22 2019-08-23 西安电子科技大学 基于深度学习的调制方式识别方法
US20210014092A1 (en) * 2019-07-12 2021-01-14 The Mitre Corporation Data processing for automatic modulation classification of wireless signals
US20210045640A1 (en) * 2019-08-16 2021-02-18 Poltorak Technologies, LLC Device and method for medical diagnostics
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN110796047A (zh) * 2019-10-18 2020-02-14 哈尔滨工业大学 一种基于机器学习的自适应稀疏时频分析方法
CN110855591A (zh) * 2019-12-09 2020-02-28 山东大学 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法
CN111464468A (zh) * 2020-03-02 2020-07-28 南方科技大学 信号调制模式识别方法、装置、设备和可读存储介质
CN111404852A (zh) * 2020-03-03 2020-07-10 西安电子科技大学 基于振幅和频谱幅度特征的调制方式识别方法
CN112272066A (zh) * 2020-09-15 2021-01-26 中国民用航空飞行学院 一种用于机场终端区甚高频通信中的频谱数据清洗方法
CN112184849A (zh) * 2020-09-25 2021-01-05 中南大学 一种针对复杂动态多目标微动信号智能处理方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHANGBOHOU 等: "Automatic modulation classification using KELM with joint features of CNN and LBP", 《PHYSICAL COMMUNICATION》 *
YA TU 等: "Complex-Valued Networks for Automatic Modulation Classification", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
ZHIPENG LIU 等: "A method for recognition and classification for hybrid signals based on Deep Convolutional Neural Network", 《2018 INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY (ICET)》 *
侯长波: "连续相位调制解调器的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
聂赟: "基于深度学习和机器学习的暂态与稳态信号识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114799610A (zh) * 2022-06-24 2022-07-29 苏芯物联技术(南京)有限公司 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统
CN114799610B (zh) * 2022-06-24 2022-10-04 苏芯物联技术(南京)有限公司 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统
CN115169407A (zh) * 2022-07-18 2022-10-11 中国科学院国家空间科学中心 基于时域深度特征学习的微弱瞬态信号检测方法及系统
CN115795302A (zh) * 2023-01-03 2023-03-14 成都安则科技有限公司 一种无线电跳频信号识别方法、系统、终端及介质
CN115795302B (zh) * 2023-01-03 2023-06-27 成都安则科技有限公司 一种无线电跳频信号识别方法、系统、终端及介质
CN117857270A (zh) * 2024-03-07 2024-04-09 四川广播电视监测中心 一种无线电通信信号调制识别方法
CN117857270B (zh) * 2024-03-07 2024-05-14 四川广播电视监测中心 一种无线电通信信号调制识别方法

Also Published As

Publication number Publication date
CN113312996B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113312996B (zh) 一种混叠短波通信信号检测与识别方法
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN110610717B (zh) 复杂频谱环境混合信号的分离方法
CN107301381A (zh) 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN110532932B (zh) 一种多分量雷达信号脉内调制方式识别方法
CN111832462B (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
CN110515096B (zh) 基于卷积神经网络的卫星导航干扰信号识别装置及其方法
CN107770108A (zh) 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法
CN109947238B (zh) 一种基于wifi的非合作式手势识别的方法
CN101764786A (zh) 基于聚类算法的mqam信号识别方法
CN110826425B (zh) 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法
CN114081508B (zh) 一种基于深度神经网络与cca特征融合的棘波检测方法
CN111310719A (zh) 一种未知辐射源个体识别及检测的方法
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
CN113300986B (zh) 无人机图传信号与热点信号识别方法、介质、计算机设备
CN113191224A (zh) 一种无人机信号提取和识别方法、系统
CN105403862B (zh) 一种基于证据c均值的雷达信号类别分选方法
CN113709661B (zh) 一种基于los识别的单站点室内混合定位方法及系统
CN107395540A (zh) 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
CN116359851A (zh) 一种基于融合网络的雷达有源干扰检测识别方法及装置
CN114781460B (zh) 面向与通信信号耦合的干扰信号检测与识别方法及装置
CN111404852A (zh) 基于振幅和频谱幅度特征的调制方式识别方法
CN114143874B (zh) 基于无线基站场强频度的精确定位方法

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