CN113536955B - 一种可持续学习的信号调制类型识别方法 - Google Patents

一种可持续学习的信号调制类型识别方法 Download PDF

Info

Publication number
CN113536955B
CN113536955B CN202110697219.1A CN202110697219A CN113536955B CN 113536955 B CN113536955 B CN 113536955B CN 202110697219 A CN202110697219 A CN 202110697219A CN 113536955 B CN113536955 B CN 113536955B
Authority
CN
China
Prior art keywords
signal
type
strange
classifier
modulation
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.)
Active
Application number
CN202110697219.1A
Other languages
English (en)
Other versions
CN113536955A (zh
Inventor
刘德鹏
许建华
向长波
李晓军
台鑫
韩连龙
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.)
CLP Kesiyi Technology Co Ltd
Original Assignee
CLP Kesiyi Technology Co Ltd
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 CLP Kesiyi Technology Co Ltd filed Critical CLP Kesiyi Technology Co Ltd
Priority to CN202110697219.1A priority Critical patent/CN113536955B/zh
Publication of CN113536955A publication Critical patent/CN113536955A/zh
Application granted granted Critical
Publication of CN113536955B publication Critical patent/CN113536955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种可持续学习的信号调制类型识别方法，属于频谱监测分析领域，包括陌生信号判断方案和持续学习方案，通过将陌生信号加入陌生类型信号样本库以完成对陌生信号的识别，同时在某一陌生信号样本库超过阈值时，将该样本库训练成新的分类器，以完成不断的学习过程。本发明可以区分当前信号属于陌生类型还是已知类型，对于已知类型，可直接给出信号的调制类型分类结果，对陌生调制类型也可以给出准确的识别结果并进行扩展，解决了现有方法所面临的识别难题，而且随着使用经验的增加，能识别的调制方式类型越来越多，具有学习能力。

Description

一种可持续学习的信号调制类型识别方法
技术领域
本发明属于频谱监测分析领域，具体涉及一种可持续学习的信号调制类型识别方法。
背景技术
在电磁频谱监测任务中，经常需要识别出某个信号的调制方式类型，为后续的信号解调和分析提供基础。传统的信号调制方式识别方法主要分为两类，第一类采用人工设计的判断准则，根据信号的特征来识别调制方式类型，第二类方法采用机器学习的方法，从信号样本中学习到信号调制方式的分类准则，这两种方法都面临相同的缺点：(1)一旦完成设计，算法所能识别的调制方式类型便固定下来，其识别能力无法扩展；(2)在遇到陌生的信号时，识别准确性将会严重下降。
现有技术方案包括以下步骤：第一步，通过人工设计或者机器学习的方式提取信号的特征信息；第二步，通过机器学习的方法，训练得到一个分类器，使用分类器判别信号特征所对应的调制方式类型。其中分类器所能识别的调制类型的数量是固定的，当出现陌生调制类型的信号时，将无法给出正确的识别结果。
综上所述，现有信号调制方式识别方法存在两大缺点：(1)识别能力固化，只能识别固定数量的调制方式类型，当在工作过程中遇到陌生的新型信号时，将无法进行识别；(2)识别准确性不足：采用单一的调制方式分类器，在遇到陌生信号的情况下，识别准确率会下降。上述两大缺点共同导致了现有信号调制方式识别方法难以很好满足现实场景下的识别需求。
发明内容
为了克服现有技术识别能力固化、识别准确性不足的两大缺陷，提升信号调制方式识别的有效性，本发明提出一种可持续学习的信号调制类型识别方法，包括陌生信号判断方案和陌生信号的持续学习方案，该方法可以区分当前信号属于陌生类型还是已知类型，对于已知类型，可给出信号的调制类型分类结果，对陌生调制类型可不断扩展识别能力。
本发明的技术方案如下：
一种可持续学习的信号调制类型识别方法，基于多分类器协同的信号调制方式对陌生信号进行判断识别，同时持续不断学习陌生信号并训练对应调制类型分类器，扩展对陌生信号的识别能力；具体步骤如下：
S1.根据已知的多种调制类型分别训练分类器，得到多个已知调制类型分类器；
S2.输入采集的电磁频谱监测目标信号，若所有分类器输出结果皆为非负数，则直接输出目标信号的调制类型；若所有分类器输出结果为负数，则判定该信号为陌生新类型的信号，执行步骤S3；
S3.若当前无陌生类型信号样本库，新建一个新的陌生类型信号样本库并加入该信号，同时输出目标信号的调制类型；若当前已有陌生类型信号样本库，将该信号与已建立的陌生类型信号样本库进行相似度比对，执行步骤S4；
S4.若相似度高于阈值，则将该信号放入陌生类型信号样本库，并输出对该陌生信号的分类结果；若相似度低于阈值，则再新建一个另外的陌生类型信号样本库，并把该信号放入新库中，同时输出目标信号的调制类型；
S5.若陌生类型信号样本库规模大于阈值，针对该陌生类型信号样本库训练新的分类器，该类陌生信号的分类器训练完成后，该陌生类型信号的分类处理方式与已知信号类型完全相同，视为已知信号类型；否则，进入下一次目标信号的类型识别与学习。
优选地，步骤S1中，分类器采用的算法包括神经网络、支持向量机。
优选地，步骤S2中，每个分类器只用于判断输入信号属于调制类型的可能性，分类器输出结果的范围为-1至1的实数。
优选地，当分类器输出结果为负数时，代表该信号不属于当前分类器所属的调制类型；当分类器输出结果非负时，其取值越大，代表其属于当前分类器所属调制类型的可能性越大；在工作过程中，对于输入信号，若存在多个分类器的输出结果非负，则根据输出值最大的分类器判定该信号的调制类型。
本发明所带来的有益技术效果：
在出现陌生信号的情况下，本发明方法可以给出准确的识别结果，解决了现有方法所面临的识别难题，识别能力明显优于现有方法，在信号调制方式识别领域有非常大的价值和创新性；基于多分类器协同的信号调制方式识别方法可解决现有方法面临未知信号时识别准确率下降的问题，具有重要的实用意义；本发明方法具有信号识别能力扩展能力，随着使用经验的增加，能识别的调制方式类型越来越多；现有仪器并不具备识别能力扩展能力和陌生信号准确识别能力，本发明适应性和识别稳定性更强。
附图说明
图1为本发明可持续学习的信号调制类型识别方法的流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明提出一种可持续学习的信号调制类型识别方法，可以在任务过程中区分出前所未见的新型信号，对于新型信号我们称之为陌生信号；同时，该方法还能够随着工作经验的积累，不断提升对陌生信号的识别能力。
如图1所示，一种可持续学习的信号调制类型识别方法的具体流程如下：
(1)首先根据已知的k种调制类型分别训练分类器，得到k个已知调制类型分类器Ck。分类器可以采用神经网络或者支持向量机等，每个分类器i(i＝1,2,...,k)只用于判断输入信号属于调制类型i的可能性，分类器的输出结果ri为范围从-1至1的实数。当ri为负数时，代表该信号不属于调制类型i；当ri非负时，其取值越大，代表其属于类型i的可能性越大。在工作过程中，对于输入信号，若存在多个分类器的结果非负，则根据输出值最大的分类器判定该信号的调制类型。
(2)对于某个输入信号，若所有的已知类型分类器的输出结果为负，则判定该信号为陌生新类型的信号(即陌生信号)，将其加入陌生类型信号样本库k+1。对于每次新增加的陌生类型信号，计算其与当前陌生类型信号样本库的相似度，若相似度高于阈值，则放入该陌生类型信号样本库，并给出对陌生信号的分类结果；若相似度低于阈值，则扩充新的陌生类型信号样本库k+2，并把信号放入新库中。
(3)当某个陌生类型信号样本库中的样本数量超过一定阈值时，采用相似性比对的方式判断陌生信号将面临效率过低的问题，此时针对该陌生类型信号样本库训练新的分类器。针对该类陌生信号的分类器训练完成后，该陌生类型信号的分类处理方式与已知信号类型完全相同，可视为已知信号类型。
(4)通过重复工作(1)～(3)，对陌生类型信号的识别能力不断扩展和提升。
下面为本发明方法在实际应用时的一个代表性实例：
首先，在训练阶段，针对已知的N种调制方式，训练N个独立的调制方式分类器，分别命名为分类器1、分类器2、…、分类器N。
然后，在识别阶段，当接收到的信号调制类型为i(1≤i≤N)时，分类器i输出的数值最大，此时可识别出该信号的调制方式为调制方式i。
当接收到的信号属于陌生调制方式时，分类器1～分类器N全部为负值，此时将该信号识别为陌生调制方式信号。将该信号与之前发现的陌生调制信号进行比较，如果发现有足够数量的陌生调制信号非常近似(相似性度量方式、阈值大小需要根据具体任务和使用场景进行调整，以求达到最优识别效果)，则将该类陌生调制信号单独分成一类，并训练其对应的分类器，记为分类器N+1，此时，整个调制方式识别算法具有了该类信号的识别能力，当下一次遇到这种信号时，也能将其识别出来。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种可持续学习的信号调制类型识别方法，其特征在于，基于多分类器协同的信号调制方式对陌生信号进行判断识别，同时持续不断学习该陌生信号并训练对应调制类型分类器，扩展对陌生信号的识别能力；具体步骤如下：
S1.根据已知的多种调制类型分别训练分类器，得到多个已知调制类型分类器；
S2.输入采集的电磁频谱监测目标信号，若所有分类器输出结果皆为非负数，则直接输出目标信号的调制类型；若所有分类器输出结果为负数，则判定该信号为陌生新类型的信号，执行步骤S3；
S3.若当前无陌生类型信号样本库，新建一个新的陌生类型信号样本库并将该信号加入，同时输出目标信号的调制类型；若当前已有陌生类型信号样本库，将该信号与已建立的陌生类型信号样本库进行相似度比对，执行步骤S4；
S4.若相似度高于阈值，则将该信号放入陌生类型信号样本库，并输出对该陌生信号的分类结果；若相似度低于阈值，则再新建一个另外的陌生类型信号样本库，并把该信号放入新库中，同时输出目标信号的调制类型；
S5.若陌生类型信号样本库规模大于阈值，针对该陌生类型信号样本库训练新的分类器，该类陌生信号的分类器训练完成后，该陌生类型信号的分类处理方式与已知信号类型完全相同，视为已知信号类型；否则，进入下一次目标信号的类型识别与学习。
2.根据权利要求1所述的可持续学习的信号调制类型识别方法，其特征在于，所述步骤S1中，分类器采用的算法包括神经网络、支持向量机。
3.根据权利要求1所述的可持续学习的信号调制类型识别方法，其特征在于，所述步骤S2中，每个分类器只用于判断输入信号属于调制类型的可能性，分类器输出结果的范围为-1至1的实数。
4.根据权利要求3所述的可持续学习的信号调制类型识别方法，其特征在于，当分类器输出结果为负数时，代表该信号不属于当前分类器所属的调制类型；当分类器输出结果非负时，其取值越大，代表其属于当前分类器所属调制类型的可能性越大；在工作过程中，对于输入信号，若存在多个分类器的输出结果非负，则根据输出值最大的分类器判定该信号的调制类型。
CN202110697219.1A 2021-06-23 2021-06-23 一种可持续学习的信号调制类型识别方法 Active CN113536955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110697219.1A CN113536955B (zh) 2021-06-23 2021-06-23 一种可持续学习的信号调制类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110697219.1A CN113536955B (zh) 2021-06-23 2021-06-23 一种可持续学习的信号调制类型识别方法

Publications (2)

Publication Number Publication Date
CN113536955A CN113536955A (zh) 2021-10-22
CN113536955B true CN113536955B (zh) 2023-08-25

Family

ID=78125670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110697219.1A Active CN113536955B (zh) 2021-06-23 2021-06-23 一种可持续学习的信号调制类型识别方法

Country Status (1)

Country Link
CN (1) CN113536955B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016070A (zh) * 2022-12-05 2023-04-25 天津光电通信技术有限公司 基于类别增量学习的数字信号盲解调系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154164A (zh) * 2017-11-15 2018-06-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于深度学习的通信信号调制分类系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200529A1 (en) * 2017-04-24 2018-11-01 Oshea Timothy James Radio signal identification, identification system learning, and identifier deployment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154164A (zh) * 2017-11-15 2018-06-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于深度学习的通信信号调制分类系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于信噪比分级的信号调制类型识别;陈晋音;蒋焘;郑海斌;;计算机科学(第S1期);全文 *

Also Published As

Publication number Publication date
CN113536955A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
US7783581B2 (en) Data learning system for identifying, learning apparatus, identifying apparatus and learning method
CN111181939A (zh) 一种基于集成学习的网络入侵检测方法及装置
CN112241762B (zh) 一种用于病虫害图像分类的细粒度识别方法
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN112069310A (zh) 基于主动学习策略的文本分类方法及系统
CN113742387A (zh) 数据处理方法、设备及计算机可读存储介质
CN111368920A (zh) 基于量子孪生神经网络的二分类方法及其人脸识别方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN111428733A (zh) 基于语义特征空间转换的零样本目标检测方法及系统
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN113536955B (zh) 一种可持续学习的信号调制类型识别方法
CN112036450B (zh) 一种基于迁移学习的高压电缆局放模式识别方法及系统
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN114444571A (zh) 一种自主学习的声纳目标个体识别方法
CN116561562B (zh) 一种基于波导奇异点的声源深度最优化获取方法
CN113283467A (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
CN105404682A (zh) 一种基于数字图像内容的图书检索方法
CN113688953B (zh) 基于多层gan网络的工控信号分类方法、装置和介质
CN105447511A (zh) 一种基于Adaboost Haar-Like特征的SVM目标检测方法
CN114580503A (zh) 一种基于dp-svm的大仪工时计算方法
CN110135516B (zh) 一种基于包络线及内积的高频数据模式识别方法
CN116079498A (zh) 一种刀具异常信号的识别方法
CN115984639A (zh) 一种零件疲劳状态智能检测方法
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法

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