CN113361569A - 基于时频融合信息的电磁信号调制类型识别模型构建方法 - Google Patents
基于时频融合信息的电磁信号调制类型识别模型构建方法 Download PDFInfo
- Publication number
- CN113361569A CN113361569A CN202110550536.0A CN202110550536A CN113361569A CN 113361569 A CN113361569 A CN 113361569A CN 202110550536 A CN202110550536 A CN 202110550536A CN 113361569 A CN113361569 A CN 113361569A
- Authority
- CN
- China
- Prior art keywords
- signal
- path
- size
- signals
- electromagnetic
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
Abstract
一种基于时频融合信息的电磁信号调制类型识别模型的构建方法,包括以下步骤:(1)信号处理:提取电磁信号的I路和Q路信号;(2)分段傅里叶变换处理:对I路和Q路信号分别进行分段傅里叶变换处理,分时间段提取信号的频谱,得到I路和Q路信号的语谱图;(3)信号结合处理:将处理后的I路和Q路信号结合起来,再将原始信号和处理后的信号结合起来;(4)搭建神经网络模型:加入卷积层,最大池化层和全连接层,加入softmax分类器,设置交叉熵为损失函数;(5)训练电磁信号分类模型:结合好的信号通过搭建好的神经网络模型训练出一个电磁信号分类模型,根据分类的准确率来评估模型的性能。本发明提升对电磁信号的分类精度。
Description
技术领域
本发明涉及一种基于时频融合信息的电磁信号调制类型识别模型构建方法,本发明属于信号领域。
背景技术
电磁信号在生活中随处可见,在生活当中具有重要意义。因此对电磁信号的研究是必不可少的。在对电磁信号的研究当中,分类问题是一个非常重要的研究方向,如何将不同调制类型的电磁信号识别出来是一个关键的技术问题,神经网络模型的兴起为电磁信号调制类型的识别提供了新的思路。由于电磁信号直观来说都是定义在时域上的,很多利用神经网络来训练电磁信号调制类型识别模型的技术方案都是直接对时域信号进行处理。
发明内容
为了克服现有技术的不足,本发明提供一种基于时频融合信息的电磁信号调制类型识别模型构建方法,提升了对电磁信号的分类精度。
本发明解决其技术问题所采用的技术方案是:
一种基于时频融合信息的电磁信号调制类型识别模型的构建方法,包括以下步骤:
(1)信号处理:提取电磁信号的I路和Q路信号;
(2)分段傅里叶变换处理:对I路和Q路信号分别进行分段傅里叶变换处理,分时间段提取信号的频谱,得到I路和Q路信号的语谱图;
(3)信号结合处理:将处理后的I路和Q路信号结合起来,再将原始信号和处理后的信号结合起来;
(4)搭建神经网络模型:加入卷积层,最大池化层和全连接层,加入softmax分类器,设置交叉熵为损失函数;
(5)训练电磁信号分类模型:结合好的信号通过搭建好的神经网络模型训练出一个电磁信号分类模型,根据分类的准确率来评估模型的性能。
本发明采用傅里叶变换,与一般的傅里叶变换不同的是,本发明采取的是短时傅里叶变换,也就是对时域信号分段进行傅里叶变换,这样处理的好处是由于进行了分段处理,所以最终得到的信号既包含时间信息又包含了频率的信息,相比于简单的傅里叶变换,得到的信号具有更加丰富的信息,再将该信号和原时域信号结合起来利用神经网络模型来训练一个电磁信号调制类型识别模型。该方法训练出来的电磁信号分类模型具有更高的分类精度。
本发明的有益效果为:提升了对电磁信号的分类精度。
附图说明
图1是整体技术方案框图。
图2是分段傅里叶变换的结果图。
图3是神经网络模型示意图。
图4是神经网络模型结构图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图4,一种基于时频融合信息的电磁信号调制类型识别模型构建方法,包括以下步骤:
(1)信号处理:
首先选取电磁信号数据集X,将其分为训练集S和测试集T,S的数据量P(S)与T的数据量P(T)之比
数据集X表示为矩阵:
X=[XI,XQ] (2)
XI是一个列向量:
XI=[a1,a2,...,am]T (3)
表示电磁信号的I路,p是某个时间采样点,1≤p≤m,ap表示电磁信号在p点的能量;
XQ也是一个列向量
XQ=[b1,b2,...,bm]T (4)
表示电磁信号的Q路,p是某个时间采样点,1≤p≤m,bp表示电磁信号在p点的能量;
(2)分段傅里叶变换:
对I路信号分段进行傅里叶变换
AIi=[a(i-1)k+1,a(i-1)k+2,...,a(i-1)k+n]T (5)
n表示从第一个元素开始每段取前n个元素,k表示每间隔k个元素取一段,1≤i≤g,k(g-1)+n≤m
对AIi做傅里叶变换,得到:
n表示取前n行,k表示每间隔k个元素取一段,1≤i≤g,k(g-1)+n≤m;
于是得到分段的频谱图:
YI(ω)=[YI1(ω),YI2(ω),...,YIg(ω)]T (7)
取ω=[ω1,ω2,...,ωr],于是得到
YI即为I路信号经过分段傅里叶变换处理后的信号;
同理对于Q路信号XQ同样采取如上操作,得到
YQ即Q路信号经过分段傅里叶变换后的信号;
(3)信号结合处理,过程如下:
(3.1)将YI和YQ补零,得到:
其中,YI的大小为g×r,B为零矩阵,大小为(m-g)×r,YI′的大小为m×r
使得YQ的大小为g×r,B为零矩阵,大小为(m-g)×r,Y′Q的大小为m×r;
(3.2):将YI′和XI,Y′Q和XQ结合起来,最终得到:
R就是结合之后的电磁信号,大小为m×(r+1)×2;
(4)构建神经网络模型,步骤如下:
(4.1):添加卷积层Cd1,R作为输入信号,输出信号用U表示,它的尺寸用公式表示:
其中Size(U)表示输出矩阵的尺寸,Nc表示卷积核的大小,Size(R)表示输入信号矩阵尺寸,Padc表示Padding填充大小,strc表示移动步长;
Cd1中的激活函数采用ReLU函数,ReLU函数即:
ReLU(U)=max(0,U) (14)
(4.2):添加最大池化层Mp1,Mp1的输出信号用V表示,它的尺寸用公式表示:
其中Size(U)表示输出矩阵的尺寸,Size(U)表示输入信号的尺寸,strp表示移动步长,Padc表示Padding填充大小,Fp表示池化层尺寸;
(4.3):反复添加卷积层和池化层之后得到输出矩阵Z加入全连接层,则输出矩阵为
Z′=W′Z+b′ (16)
Z′表示输出信号矩阵,W′表示权重向量,Z表示输入信号矩阵,b′表示偏向矩阵;
(4.4):最后激活函数采用softmax,其公式为:
Z′i表示Z′矩阵中的第i个数据,Ji表示该元素的指数与所有元素指数和的比值,它起到的作用就是越大的数出现的概率越大;
(4.5):定义损失函数,损失函数采用交叉熵,损失函数如下:
这里的y表示期望的输出,d表示神经元实际的输出,total表示神经元的个数;
(5)训练电磁信号分类模型,步骤如下:
(5.1):利用构建好的神经网络模型对结合好的电磁信号进行训练,得到一个电磁信号的分类模型;
(5.2):根据分类的准确率评估模型的性能。
实例:实际实验中的数据
(1)选取实验数据
本次实验信号数据集为data.mat,具体情况:它包含相移键控调制、频移键控调制、正交幅度调制、脉冲振幅调制共12个小类别:BPSK、QPSK、8PSK、OQPSK、2FSK、4FSK、8FSK、16QAM、32QAM、64QAM、4PAM和8PAM。每个调制类别的信噪比从-20dB均匀分布到30dB。每个数据样本都是IQ信号,包含64个符号,每个符号的采样点数为8,因此每个样本的采样点数为512。本次实验采用了电磁信号的高信噪比部分,训练集和测试集的大小分别为120000和60000。
(2)模型及参数选择:
选择的模型采用了4层卷积层,4层池化层,1层全连接层,卷积的个数分别为32,64,128,256。
(3)实验结果
分类的精度可以达到训练集99.57%,测试集95.20%,仅仅只是原始信号分类的精度是训练集98.30%,测试集94.20%,如表1所示
处理后的信号 | 原始信号 | |
训练集精度 | 99.57% | 98.30% |
测试集精度 | 95.20% | 94.20% |
表1
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (6)
1.一种基于时频融合信息的电磁信号调制类型识别模型的构建方法,其特征在于,所述方法包括以下步骤:
(1)信号处理:提取电磁信号的I路和Q路信号;
(2)分段傅里叶变换处理:对I路和Q路信号分别进行分段傅里叶变换处理,分时间段提取信号的频谱,得到I路和Q路信号的语谱图;
(3)信号结合处理:将处理后的I路和Q路信号结合起来,再将原始信号和处理后的信号结合起来;
(4)搭建神经网络模型:加入卷积层,最大池化层和全连接层,加入softmax分类器,设置交叉熵为损失函数;
(5)训练电磁信号分类模型:结合好的信号通过搭建好的神经网络模型训练出一个电磁信号分类模型,根据分类的准确率来评估模型的性能。
3.如权利要求1或2所述的基于时频融合信息的电磁信号调制类型识别模型的构建方法,其特征在于,所述步骤(3)中,对I路信号分段进行傅里叶变换
AIi=[a(i-1)k+1,a(i-1)k+2,...,a(i-1)k+n]T (5)
n表示从第一个元素开始每段取前n个元素,k表示每间隔k个元素取一段,1≤i≤g,k(g-1)+n≤m
对AIi做傅里叶变换,得到:
n表示取前n行,k表示每间隔k个元素取一段,1≤i≤g,k(g-1)+n≤m;
于是得到分段的频谱图:
YI(ω)=[YI1(ω),YI2(ω),...,YIg(ω)]T (7)
取ω=[ω1,ω2,...,ωr],于是得到
YI即为I路信号经过分段傅里叶变换处理后的信号;
同理对于Q路信号XQ同样采取如上操作,得到
YQ即Q路信号经过分段傅里叶变换后的信号。
5.如权利要求1或2所述的基于时频融合信息的电磁信号调制类型识别模型的构建方法,其特征在于,所述步骤(4)的步骤如下:
(4.1):添加卷积层Cd1,R作为输入信号,输出信号用U表示,它的尺寸用公式表示:
其中Size(U)表示输出矩阵的尺寸,Nc表示卷积核的大小,Size(R)表示输入信号矩阵尺寸,Padc表示Padding填充大小,strc表示移动步长;
Cd1中的激活函数采用ReLU函数,ReLU函数即:
ReLU(U)=max(0,U) (14)
(4.2):添加最大池化层Mp1,Mp1的输出信号用V表示,它的尺寸用公式表示:
其中Size(U)表示输出矩阵的尺寸,Size(U)表示输入信号的尺寸,strp表示移动步长,Padc表示Padding填充大小,Fp表示池化层尺寸;
(4.3):反复添加卷积层和池化层之后得到输出矩阵Z加入全连接层,则输出矩阵为
Z′=W′Z+b′ (16)
Z′表示输出信号矩阵,W′表示权重向量,Z表示输入信号矩阵,b′表示偏向矩阵;
(4.4):最后激活函数采用softmax,其公式为:
Z′i表示Z′矩阵中的第i个数据,Ji表示该元素的指数与所有元素指数和的比值,它起到的作用就是越大的数出现的概率越大;
(4.5):定义损失函数,损失函数采用交叉熵,损失函数如下:
这里的y表示期望的输出,d表示神经元实际的输出,total表示神经元的个数。
6.如权利要求1或2所述的基于时频融合信息的电磁信号调制类型识别模型的构建方法,其特征在于,所述步骤(5)的步骤如下:
(5.1):利用构建好的神经网络模型对结合好的电磁信号进行训练,得到一个电磁信号的分类模型;
(5.2):根据分类的准确率评估模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550536.0A CN113361569A (zh) | 2021-05-20 | 2021-05-20 | 基于时频融合信息的电磁信号调制类型识别模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550536.0A CN113361569A (zh) | 2021-05-20 | 2021-05-20 | 基于时频融合信息的电磁信号调制类型识别模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361569A true CN113361569A (zh) | 2021-09-07 |
Family
ID=77526642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550536.0A Pending CN113361569A (zh) | 2021-05-20 | 2021-05-20 | 基于时频融合信息的电磁信号调制类型识别模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065822A (zh) * | 2021-11-30 | 2022-02-18 | 中国海洋大学 | 海洋潮流涨落的电磁识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
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 |
CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
-
2021
- 2021-05-20 CN CN202110550536.0A patent/CN113361569A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065822A (zh) * | 2021-11-30 | 2022-02-18 | 中国海洋大学 | 海洋潮流涨落的电磁识别方法及系统 |
CN114065822B (zh) * | 2021-11-30 | 2024-04-26 | 中国海洋大学 | 海洋潮流涨落的电磁识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098957A (zh) | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 | |
CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN110728230A (zh) | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 | |
CN109617845B (zh) | 一种基于深度学习的无线通信解调器的设计及解调方法 | |
Daldal et al. | Deep long short-term memory networks-based automatic recognition of six different digital modulation types under varying noise conditions | |
CN109729035A (zh) | 一种正交频分复用技术通信系统中的脉冲噪声抑制方法 | |
CN115270872A (zh) | 雷达辐射源个体小样本学习识别方法、系统、装置及介质 | |
CN113361569A (zh) | 基于时频融合信息的电磁信号调制类型识别模型构建方法 | |
CN114912486A (zh) | 一种基于轻量化网络的调制方式智能识别方法 | |
CN113726711B (zh) | Ofdm接收方法和装置、信道估计模型训练方法和装置 | |
Kadhim et al. | Digital filters windowing for data transmission enhancement in communication channel | |
CN113537306A (zh) | 一种基于渐进式成长元学习的图像分类方法 | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
CN108600137B (zh) | 一种基于反向传播神经网络的新型多载波识别方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN104504181B (zh) | 一种基于稀疏复原的信号包络线提取方法 | |
Kalade et al. | Using sequence to sequence learning for digital bpsk and qpsk demodulation | |
Yin et al. | Short-time modulation classification of complex wireless communication signal based on deep neural network | |
Jariwala et al. | Automatic modulation classification: a novel convolutional neural network based approach | |
CN111935043A (zh) | 基于相位统计图的调相信号调制方式的识别方法 | |
Shah et al. | Automatic Modulation Classification Using Deep Learning Polar Feature | |
Hasini et al. | Channel estimation and signal detection in OFDM systems using deep learning | |
Bomberger et al. | Bayesian program learning for modeling and classification of RF emitters | |
CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 |
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 |