CN113361433A - 一种基于神经网络的调制信号识别方法及其应用 - Google Patents
一种基于神经网络的调制信号识别方法及其应用 Download PDFInfo
- Publication number
- CN113361433A CN113361433A CN202110664880.2A CN202110664880A CN113361433A CN 113361433 A CN113361433 A CN 113361433A CN 202110664880 A CN202110664880 A CN 202110664880A CN 113361433 A CN113361433 A CN 113361433A
- Authority
- CN
- China
- Prior art keywords
- modulation signal
- image data
- neural network
- signal
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 99
- 230000004927 fusion Effects 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的调制信号识别方法及其应用。该方法包括步骤:将调制信号转换为至少两种图像数据,所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系分布特性中的至少两种;将所述至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。本发明同时考虑调制信号的多种特性,将调制信号转换为至少两种图像数据输入到识别模型中,从而使得本发明更适用于复杂信号环境下的调制信号识别,对于多种类型的调制信号,都具有较好的识别精确度。
Description
技术领域
本发明属于人工智能与通信系统交叉技术领域,更具体地,涉及一种基于神经网络的调制信号识别方法及其应用。
背景技术
深度学习在图像、语音、自然语言游戏等领域具有广泛且成功的应用,随着技术的发展,以深度神经网络取代传统的模块式设计模式已经在众多科研领域逐渐成为研究主流。现代通信系统具有数据量大、传输速率高、响应速度快等性能需求,这对现有的通信技术提出了挑战。特别是在海量数据的处理和数据挖掘方面,现有的理论架构存在根本的局限性。因此,诸多研究者将目光投向了深度学习技术,并且基于深度学习的通信技术在端到端的通信系统、信道估计、信号检测、调制识别等方面已经展现了巨大的潜力。在通信领域,比如等,传统的方法均是采用模块化的设计,而随着深度学习技术的兴起,采用深度神经网络代替信号检测、智能通信系统、信号分类、通信收发机算法中各个模块成为可能。
调制信号分类是一个典型的模式分类问题,传统的调制识别系统基本架构由三部分组成:信号预处理、特征提取和信号分类。而基于深度学习的算法具有对数据的适应能力强、随着数据量的增加性能提升显著、算法落地条件成熟等特点。现有的基于深度学习的方法分为两大类:一类是端到端的方法,另一类是先提取专家特征,然后构建模型的方法。其中,基于端到端的方法,能够完全实现自动化的特征提取,无需提取专家特征,而基于专家特征的模型则对于特殊复杂的调制类型具有更好的分类性能。端到端的方法将特征提取完全交由网络完成,而忽略了数据本身的特性,特别是在调制信号分类领域,信号本身具有非常多的物理意义,如果能够将这些物理特征都体现到网络的输入端,对于算法的性能将会有更大的提升。其中,另一类提取专家特征后构建模型的方法中,现有技术多采用将信号转换为星座图,将星座图输入到模型中进行识别。这种方法的缺点在于:由于信道环境的复杂性,调制信号具有多样性,该方法忽略了调制信号的多样性,对于某些调制信号的识别精确度不高。例如, OQPSK和QPSK两种调制信号的星座图是相同的,现有技术无法很好地区分这两种调制信号。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于神经网络的调制信号识别方法及其应用,同时考虑调制信号的多种特性,适用于复杂信号环境下的调制信号识别,对于多种类型的调制信号,都具有较好的识别精度。
为实现上述目的,按照本发明的第一方面,提供了一种基于神经网络的调制信号识别方法,包括步骤:
将调制信号转换为至少两种图像数据,所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种;
将所述至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
优选的,所述至少两种图像数据为眼图、或矢量图、或极坐标图、或星座图中的至少两种。
优选的,调制信号识别方法还包括步骤:从所述调制信号中提取统计特征;
所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图;
将所述统计特征和所述特征图输入到所述特征融合层进行特征融合,获得融合特征;
将所述融合特征输入到所述全连接层。
优选的,所述统计特征包括高阶累积量、幅度统计、相位统计、高阶统计、信号同相分量与正交分量的比值、信号峰值与信号均值的比值中的任意一种或多种的组合。
优选的,所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图;
所述识别模型还包括一维卷积神经网络或LSTM网络构成的时序特征提取层,所述时序特征提取层用于从所述调制信号中提取时序特征;
将所述时序特征和所述特征图输入到所述特征融合层进行特征融合,获得融合特征;
将所述融合特征输入到所述全连接层。
优选的,所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络包括多个输入通道和对应的特征输出通道,用于从输入的图像数据中分别提取每种图像数据的特征图;
将每种图像数据的特征图输入到所述特征融合层进行融合,获得融合特征;
将所述融合特征输入到所述全连接层。
优选的,所述识别模型包括至少两个子识别模型,每个子识别模型单独训练,其中一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的一种,其中另一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的另一种。
按照本发明的第二方面,提供了一种基于神经网络的调制信号识别系统,包括:
数据转换模块,用于将调制信号转换为至少两种图像数据,所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种;
识别模块,用于将所述至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
按照本发明的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
按照本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法的步骤。
总体而言,本发明与现有技术相比,具有有益效果:同时考虑调制信号的多种特性,例如幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性,将调制信号转换为至少两种图像数据输入到识别模型中,从而使得本发明更适用于复杂信号环境下的调制信号识别,对于多种类型的调制信号,都具有较好的识别精确度。例如,对OQPSK和QPSK这两种调制信号,具有较好的识别精度。
附图说明
图1是本发明实施例的调制信号识别方法的流程图;
图2是本发明实施例的调制信号识别方法原理及识别模型示意图;
图3是本发明另一实施例的调制信号识别方法原理及识别模型示意图;
图4是本发明另一实施例的调制信号识别方法原理及识别模型示意图;
图5是本发明实施例的不同调制信号的星座图;
图6是本发明实施例的不同调制信号的眼图;
图7是本发明实施例的不同调制信号的矢量图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例的一种基于神经网络的调制信号识别方法,包括步骤:
S101,将调制信号转换为至少两种图像数据,该至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种。
进一步地,在转换前,还包括数据预处理步骤:对调制信号进行数据的采集、清洗和采样,获取尺寸为N*2的IQ数据。
完成数据预处理后,将IQ数据转换为至少两种图像数据,使得可以同时考虑调制信号的多种特性,从而使得本申请适用于复杂信号环境下的调制信号识别,对于多种类型的调制信号,都具有较好的识别精确度。
进一步地,至少两种图像数据为眼图、或矢量图、或极坐标图、或星座图中的至少两种。
对调制信号进行数据转换,具有如下优势:一是网络架构选择上会更加灵活,现有的IQ数据的格式是N*2的窄带型数据,这对于网络的使用是有限制的,而将其转换之后,比如转换成图像数据,那么卷积神经网络的选择将会更多。二是数据转换之后,特征提取的方式会更加多样化,从而使得深度神经网络提取的特征会更具有代表性,对于难以区分的调制方式会起到互补的作用。比如,OQPSK和QPSK的星座图是相同的,如果采用矢量图的形式,就可以非常好地对其进行区分。三是多种数据类型便于进行集成学习和多模型融合,从而提升识别模型的泛化能力。
S102,将至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
在一个实施例中,调制信号的识别过程与识别模型如图2所示。识别模型包括特征提取网络、特征融合层和全连接层,特征提取网络由卷积网络构成,特征提取网络包括多个输入通道和对应的特征输出通道。识别模型的输入为:步骤S101获得的至少两种图像数据。将至少两种图像数据作为特征提取网络的多个分支输入,分别提取每个输入图像的特征图。将每个输入图像的特征图输入到特征融合层进行融合,获得融合特征;将融合特征输入到全连接层,输出分类标签,即调制信号类别。
在一个实施例中,调制信号的识别过程与识别模型如图3所示。识别模型包括特征提取网络、特征融合层和全连接层。识别模型包括两类输入:(1)从 IQ数据中提取的统计特征;(2)原始IQ数据。统计特征和IQ数据作为网络的两个输入分支,原始IQ数据输入到主干网络的特征提取网络中,在输入到全连接层进行分类之前,统计特征和主干网络的特征图进行融合。
在一个实施例中,调制信号的识别过程与识别模型如图4所示。识别模型包括特征提取网络、特征融合层和全连接层。识别模型包括两类输入:(1)步骤S101获得的至少两种图像数据;(2)从IQ数据中提取的统计特征。特征提取网络用于从输入图像数据中分别提取每种图像的特征图;将统计特征和每种图像的特征图输入到特征融合层进行特征融合,获得融合特征;将融合特征输入到全连接层。
在一个实施例中。识别模型包括特征提取网络、特征融合层和全连接层。识别模型还包括一维卷积神经网络或LSTM网络构成的时序特征提取层。识别模型包括两类输入:(1)特征提取网络的输入为:步骤S101获得的至少两种图像数据;(2)时序特征提取层的输入为原始IQ数据。特征提取网络用于从输入图像数据中分别提取每种图像的特征图。时序特征提取层用于从调制信号中提取时序特征;特征提取网络用于从输入图像数据中分别提取每种图像的特征图;将时序特征和每种图像的特征图输入到特征融合层进行特征融合,获得融合特征;将融合特征输入到全连接层。
在一个实施例中,识别模型包括至少两个子识别模型,每个子识别模型单独训练,将所有子识别模型预测样本为某一类别的概率的平均值作为标准,概率最高的对应的类型为最终的预测结果。子识别模型分别用不同类型的图像数据的训练集来训练,例如子识别模型1用矢量图来训练,子识别模型2用极坐标图来训练,然后将步骤S101获得图像输入到子识别模型1,得到分类结果1,将步骤S101获得图像输入到子识别模型2,得到分类结果2,将子识别模型1 和子识别模型2预测样本为某一类别的概率的平均值作为标准,概率最高的对应的类型为最终的预测结果。
下面具体说明其中数据处理的优选实现方法。
(一)IQ数据转图像数据
第一类是将调制信号序列数据转换成图像数据。转换成图像数据的动机是卷积神经网络更加擅长于处理图像数据,而且,针对图像数据的处理技术更加成熟。图像数据转换的类型包括以下几种:星座图、眼图、矢量图、极坐标图。
信号处理领域眼图和星座图常用于调制信号可解调性能的判据,显然星座图和眼图携带了明显的调制“特征”,因此将单一的复信号生成眼图和星座图后,共同输入至深度学习网络用以训练和识别,可提取的特征增多,识别精度便可有效提高,且信号图和眼图相对于传统的高维统计特征而言更易获得,不会损失过多的信号原有信息。
进一步推论,星座图展现的仅为信号的幅频分布统计特性,无法展现信号随时间变化的相位转移关系,而许多调制方式的区别仅为相位转移方式不同,如连续相位调制与非连续相位调制的调制方式。因此将星座图推广为信号矢量图,即将随复平面上随时间变化的信号轨迹使用线连接起来构成信号矢量图,则可提取更多调制特征。本申请可以将复信号数据转换为眼图、星座图和矢量图后和原有复信号数据共同输入模型进行训练,实验表明,其识别精度较单一复信号有明显提升。
(1)星座图
信号调制是通过载波的不同参数传递信息,载波可用于调制的参数有:幅度、相位或频率。其中,相位和频率仅仅是从不同的角度去观察或测量同一信号的变化,因此实际所有的调制方式都可以认为是对相位和幅度的调制。人们可以同时进行幅度和相位的调制,信号可以分解为一组相对独立的分量:同相 (I)和正交(Q)分量。这两个分量是正交的,且互不相干的,这便是数字通信中常见的复信号调制,也是本发明采取的调制实现方式,显然同相与正交分量可以表征信号的幅度-频率或幅度-相位关系。
星座图有两根轴,水平X轴与同相载波相关,垂直Y轴与正交载波相关。图中每个点,可以包含4条信息,点在X轴的投影定义了同相成分的峰值振幅,点在Y轴的投影定义了正交成分的峰值振幅。点到原点的连线(向量)长度是该信号元素的峰值振幅(X成分和Y成分的组合),连线和X轴之间的角度是信号元素的相位。所有需要的信息都可以从星座图中轻易得到,显然不同的调制方式星座图具有显著的不同特征。
将原始复信号首先经过降采样,再分别作为X、Y轴的坐标,通过一定的尺度变换,便可得到不同分辨率大小的星座图,为增强星座图显示效果,本发明实施例中采用的尺度变换公式为:
Im2=α×log2(Im1+1)
其中fz为图像大小,α、β为缩放因子,Im0为原始星座图,Im3为变换后的星座图,Im1,Im2为中间变换参数,生成的星座图如图5所示,其中图5(a) 为BPSK调制信号的星座图,图5(b)为QPSK调制信号的星座图,图5(c)为 64QAM调制信号的星座图,图5(d)为128QAM调制信号的星座图。
(2)眼图
眼图是指利用实验的方法估计和改善(通过调整)传输系统性能时在示波器上观察到的一种图形,当示波器水平扫描周期和接收信号的符号周期一致时示波器便可呈现眼图,根据眼图张开的情况便可判断传输系统的相关性能。眼图实际表征的是多个整数周期的信号落于同一张图的现象,物理上表明了解调时可供判决的门限,显然眼图带有明显的时频特征,不同的调制方式对应的眼图也显著不同,将复信号的两路分别转换成眼图,则可明显看出不同调制方式眼图的不同。
本发明实施例使用原始复数信号的同相与正交分量首先通过尺度变化,方法与星座图相似,后将1024个采样点分成整数个采样周期,分别将两路信号按时间序列画于坐标图中,便可得到眼图,通过复数信号的两路眼图,辅助识别信号调制特征,转换后的眼图如图6所示,其中图6(a)为BPSK调制信号的眼图,图6(b)为8PSK调制信号的星座图,图6(c)为16QAM调制信号的星座图,图6(d)为64QAM调制信号的星座图。
(3)矢量图
定义矢量图为将信号I路和Q路波形以成对的形式按时间顺序落于复平面得到的信号轨迹。显然矢量图是变化形式的星座图,相比于星座图,信号矢量图增加了信号星座随时间变化的转移特征,即增加了信号的相位变化信息。 OQPSK和QPSK可展示为完全相同的星座图,但OQPSK信号不存在180°的相位转移,因此其矢量图将会不同,这对于调制识别将会有重大帮助。矢量图如图 7所示,其中图7(a)为BPSK调制信号的眼图,图7(b)为QPASK调制信号的星座图,图7(c)为OPQSK调制信号的星座图,图7(d)为64QAM调制信号的星座图。
(4)极坐标图
极坐标图就是将I-Q域的数据转换到r-θ域,采用极坐标图的优势除了能够更加充分发挥卷积神经网络的作用以外,更重要的是,它能够在r-θ域,我们能够直接处理信道衰落。而通过信道脉冲响应,星座图会发生畸变,这些畸变包括振幅缩放和相位旋转。而在极坐标域,振幅可以映射到r轴上,相位可以用θ轴表示。在r-θ域内,通过学习修正后的参数(Δr,Δθ)来消除信道衰落是比较容易的。
将I-Q域的数据转换到r-θ域的公式如下:
其中,N表示信号的IQ数据的长度,I和Q分别表示同相分量和正交分量。在转换过程中,半径范围设置为[0,3],θ范围设置为[-π,π]。
为了提升极坐标图的可识别性,本发明实施例添加了另一个时间轴来积累这个维度中符号的历史信息。因此,网格状的图像从二进制转换为彩色,不同的颜色表示符号在该点出现的概率不同。虽然加性高斯白噪声可以看作是一个随机过程,降低了分类精度,但带噪符号仍然有较高的概率出现在原点附近。使用这种方法,出现的概率越高,颜色越深,这使得分类更容易。
(二)IQ数据提取统计特征
从原始数据种提取统计特征然后直接采用分类器对调制方式进行分类是传统的机器学习领域常用的方法。而在深度学习方法中,统计特征常用于辅助主干网络,提升模型的识别性能。特别是在语音分类任务中最为常用。
统计特征和IQ数据作为网络的两个输入分支,原始IQ数据输入到主干网络中,在全连接网络之前,统计特征和主干网络的特征图融合,通过全连接网络之后,进行分类输出。统计特征能够直接增加调制识别分类特征的维度。
在调制识别任务中,常用的统计特征主要包括:高阶累积量、幅度统计、相位统计、高阶统计、IQ比以及峰均比。其中,高阶累计量是传统的基于特征的调制识别方法中最常用的专家特征,高阶累积量可以直接输入分类器实现对调制方式的识别,但是统计特征相当于是对原始特征的一个降维,原始数据的绝大多数有用信息在统计过程中丢失,这对于识别来说无疑会降低其性能。因此,将这些特征作为主干网络的辅助特征,将对提升识别性能有重要的意义。
为了获得高阶累积量,首先需要计算高阶矩(HOM),HOM的表达式如下:
M(p,q)=E[xp-q(x*)q]
其中,M表示高阶矩,x表示输入信号。
从这些HOM中,可以得到一些高阶累积量(HOC),这些高阶累积量已被证明是多种调制类型的有效分类特征。HOCs可以使用HOMs组合计算,每个表达式略有变化。下面举例说明其中一个的表达式:
其中,M表示高阶矩,C表示高阶累积量。
常用的高阶累计量包括:[c20,c21,c40,c41,c42,c60,c61,c62,c63]。
幅度统计主要是计算IQ数据的幅度均值和方差;相位统计主要是计算相位的均值和方差;高阶统计主要包括skew和kurtosis的I和Q分量;IQ比主要是计算IQ分量求和之后的比值;峰均比主要是峰值和均值的比值。
本发明实施例的一种基于神经网络的调制信号识别系统,包括数据转换模块和识别模块。
数据转换模块,用于将调制信号转换为至少两种图像数据,至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种。
识别模块,用于将至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
系统的实现原理、技术效果与上述方法类似,此处不再赘述。
本实施例还提供了一种电子设备,其包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述实施例中基于神经网络的调制信号识别方法的步骤,具体步骤参见实施例一,此处不再赘述;本实施例中,处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述任一调制信号识别方法实施例的技术方案。其实现原理、技术效果与上述方法类似,此处不再赘述。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的调制信号识别方法,其特征在于,包括步骤:
将调制信号转换为至少两种图像数据,所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种;
将所述至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
2.如权利要求1所述的一种基于神经网络的调制信号识别方法,其特征在于,所述至少两种图像数据为眼图、或矢量图、或极坐标图、或星座图中的至少两种。
3.如权利要求1所述的一种基于神经网络的调制信号识别方法,其特征在于,还包括步骤:从所述调制信号中提取统计特征;
所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图;
将所述统计特征和所述特征图输入到所述特征融合层进行特征融合,获得融合特征;
将所述融合特征输入到所述全连接层。
4.如权利要求3所述的一种基于神经网络的调制信号识别方法,其特征在于,所述统计特征包括高阶累积量、幅度统计、相位统计、高阶统计、信号同相分量与正交分量的比值、信号峰值与信号均值的比值中的任意一种或多种的组合。
5.如权利要求1所述的一种基于神经网络的调制信号识别方法,其特征在于,所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图;
所述识别模型还包括一维卷积神经网络或LSTM网络构成的时序特征提取层,所述时序特征提取层用于从所述调制信号中提取时序特征;
将所述时序特征和所述特征图输入到所述特征融合层进行特征融合,获得融合特征;
将所述融合特征输入到所述全连接层。
6.如权利要求1所述的一种基于神经网络的调制信号识别方法,其特征在于,所述识别模型包括特征提取网络、特征融合层和全连接层,所述特征提取网络包括多个输入通道和对应的特征输出通道,用于从输入的图像数据中分别提取每种图像数据的特征图;
将每种图像数据的特征图输入到所述特征融合层进行融合,获得融合特征;
将所述融合特征输入到所述全连接层。
7.如权利要求1所述的一种基于神经网络的调制信号识别方法,其特征在于,所述识别模型包括至少两个子识别模型,每个子识别模型单独训练,其中一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的一种,其中另一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的另一种。
8.一种基于神经网络的调制信号识别系统,其特征在于,包括:
数据转换模块,用于将调制信号转换为至少两种图像数据,所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种;
识别模块,用于将所述至少两种图像数据输入到基于神经网络的识别模型,输出调制信号类别。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664880.2A CN113361433A (zh) | 2021-06-16 | 2021-06-16 | 一种基于神经网络的调制信号识别方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664880.2A CN113361433A (zh) | 2021-06-16 | 2021-06-16 | 一种基于神经网络的调制信号识别方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361433A true CN113361433A (zh) | 2021-09-07 |
Family
ID=77534594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110664880.2A Pending CN113361433A (zh) | 2021-06-16 | 2021-06-16 | 一种基于神经网络的调制信号识别方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173936A (zh) * | 2022-06-30 | 2022-10-11 | 烽火通信科技股份有限公司 | 一种光模块识别标记方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
US20200327397A1 (en) * | 2019-04-12 | 2020-10-15 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples |
AU2021101336A4 (en) * | 2021-03-15 | 2021-05-13 | Shandong University | A Classification System Of Modulation Signal Time-Frequency Image Based On Generative Adversarial Network And Its Operation Method |
CN112861927A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 基于自适应特征提取与融合的信号调制分类方法 |
-
2021
- 2021-06-16 CN CN202110664880.2A patent/CN113361433A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
US20200327397A1 (en) * | 2019-04-12 | 2020-10-15 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples |
CN112861927A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 基于自适应特征提取与融合的信号调制分类方法 |
AU2021101336A4 (en) * | 2021-03-15 | 2021-05-13 | Shandong University | A Classification System Of Modulation Signal Time-Frequency Image Based On Generative Adversarial Network And Its Operation Method |
Non-Patent Citations (3)
Title |
---|
查雄等: "基于多端卷积神经网络的调制识别方法", 《通信学报》 * |
王培章等: "《现代微波与天线测量技术》", 31 May 2018, 东南大学出版社 * |
谭晓衡等: "基于高阶累积量和星座图的调制识别算法", 《系统工程与电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173936A (zh) * | 2022-06-30 | 2022-10-11 | 烽火通信科技股份有限公司 | 一种光模块识别标记方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Xie et al. | Deep learning in digital modulation recognition using high order cumulants | |
CN109657604A (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
Jajoo et al. | Blind signal modulation recognition through clustering analysis of constellation signature | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN113315727B (zh) | 基于预处理降噪的数字通信信号调制识别方法 | |
Hou et al. | Electromagnetic signal feature fusion and recognition based on multi-modal deep learning | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN113361433A (zh) | 一种基于神经网络的调制信号识别方法及其应用 | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Lin et al. | A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN109981517A (zh) | 一种基于fpga的qpsk神经网络解调器及其控制方法 | |
CN113486724A (zh) | 基于cnn-lstm多支流结构和多种信号表示的调制识别模型 | |
CN116708104A (zh) | 基于储备池计算的水下可见光通信系统调制格式识别方法 | |
Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
Hou et al. | Implementation of a CNN identifing Modulation Signals on an Embedded SoC | |
Xu et al. | PSK/QAM modulation recognition by convolutional neural network | |
CN115589349A (zh) | 一种基于深度学习通道自注意力机制的qam信号调制识别方法 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
Zhou et al. | Automatic modulation classification with genetic backpropagation neural network | |
CN109768944A (zh) | 一种基于卷积神经网络的信号调制码型识别方法 | |
Song et al. | Modulation Recognition with Enhanced Constellation Based on Convolutional Neural Network | |
Shi et al. | STTMC: A Few-shot Spatial Temporal Transductive Modulation Classifier |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |