CN113537025A - 一种基于自监督学习的电磁调制信号深度去噪方法及系统 - Google Patents

Abstract

一种基于自监督学习的电磁调制信号深度去噪方法及系统，包括：S1，使用GNU Radio软件生成数据集；S2，使用了下采样方法将一个信号数据分为两个短信号数据；S3，构建深度去噪网络模型，并定义损失函数，利用生成的两组数据作为输入信号和目标信号进行训练；S4，输出去噪信号。方法中提及的下采样方法将一个信号分为了两个相似信号，保留了信号本身的特征，又区分了其中的噪声分布，使得仅含有噪声信号就可以训练去噪网络。本发明还包括一种基于自监督学习的电磁调制信号去噪系统，由依次连接的数据发送模块、数据接收模块和去噪模块组成。本发明不需要干净信号就能进行去噪，能够自适应学习信号特性，且具有较好的普适性。

Description

一种基于自监督学习的电磁调制信号深度去噪方法及系统

技术领域

本发明涉及电磁信号的自监督学习领域，具体涉及一种基于自监督学习的电磁调制信号深度去噪方法及系统。

背景技术

信号去噪就是把接收到的信号中的噪声通过一些技术方法降低甚至去除，从而得到原始的有用信号的过程。信号去噪是一种常用的信号处理手段，在实际工程中，比如在地震信号、心电图和运动信号、引力波信号上，都有所应用。减少信号中的噪声，有利于获取信号的真实特征使得后续的信号分析与处理更可靠。通常，接收到电磁调制信号后都会对其进行预处理，此时就有必要应用去噪技术，从而使得有用信号能够最大程度上被单独获取，在后续的信号调制识别过程中也能降低调制方式的识别错误率。

传统的信号去噪技术，虽然能够实现去噪，但是泛化能力较弱，而且需要利用一些噪声的先验信息，才能将接收到的信号映射到可分离的变换域进行分离。但是在缺乏噪声先验信息时，需要一种泛化能力强的信号去噪方法可以实现时变系统的信号去噪。而近年来，深度学习发展迅猛，在图像、语音、信号等领域遍地开花，这为基于深度学习的电磁调制信号去噪技术研究奠定了基础。目前基于深度学习的电磁调制信号去噪技术研究主要是在知道发送信号的原始数据的情况下，进行设计去噪模型与去噪算法。针对不知道发送信号的原始数据时，在地震去噪领域有结合noise2noise、noise2void的研究，但是本专利发明了一个更简单的方法，不用进行两次独立的观测，也不用采用盲点网络。

已有论文：在2021年CVPR(Computer Vision and Pattern Recognition)上接受的论文《Neighbor2Neighbor:Self-Supervised Denoising from Single Noisy Images》，提出了一种Neighbor2Neighbor的方法，在不需要干净图像的情况下便可以训练去噪网络，其用一种随机邻域子采样器生成用于训练的图像对，并提出一种针对该去噪模型的正则化方法作为额外损失，使得去噪模型在训练过程中能更好地获得有用信息。在一定条件下，该Neighbor2Neighbor框架能够实现目前最先进的去噪网络的效果。但是该方法是针对图像领域的，没有对调制信号进行研究。

已有专利：申请号为CN202110138136.9的专利所公开的技术方案，一种地震数据信噪比提升方法，该方法采集带有噪声的地震数据的多张数据记录，利用noise2noise去噪法或noise2void去噪法对神经网络进行训练，利用训练好的神经网络对多张数据记录进行去噪，完成地震数据信噪比提升。此方法利用noise2noise及noise2void去噪方法进行去噪，noise2noise需要有两次独立的观测，实现要求较为苛刻，而noise2void采用盲点网络，训练较为复杂。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种基于自监督学习的电磁调制信号深度去噪方法，能在不知道干净信号的情况下，对电磁调制信号进行去噪。

为实现上述目的，本发明提供了如下方案：

一种基于自监督学习的电磁调制信号深度去噪方法，包括以下步骤：

S1，利用电磁信号公开数据集的生成源码和GNU Radio软件，生成含高斯噪声的信号和干净的信号；

S2，利用下采样，将S1中含噪声的信号进行预处理，得到两组新数据，并对应组成数据对，按设定比例，分成训练集和测试集；

S3，构建深度去噪网络模型，并定义损失函数，将S2中训练集中数据对分别作为深度去噪网络的输入信号和目标信号进行训练；

S4，利用S3中训练好的深度去噪网络模型，对测试集中含噪声的信号进行去噪。

进一步地，所述步骤S1包括以下子步骤：

S1.1，利用电磁信号生成公开数据集的源码和GNU Radio软件，调整相应参数，生成信噪比为12dB的含高斯噪声的信号和干净信号；

S1.2，经过数据切片后，得到8PSK、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM这9种调制类别的数据各1000个，共9000个数据。

进一步地，所述步骤S2的过程如下：

对数据结构为(None，2，128)的训练集中的含噪声的信号数据y，分别进行两次下采样操作得到两组数据结构都为(None，2，64)的数据g₁(y)和g₂(y)，并按设定比例，分成训练集和测试集。

进一步地，所述步骤S3包括以下子步骤：

S3.1，定义深度去噪网络模型，该模型由6层卷积层和6层逆卷积层构成；

S3.2，定义深度去噪网络模型的损失函数(G_loss)，具体为L2损失、连续性差值损失(tv_loss)的组合；

S3.3，定义模型优化器，采用Adam优化器和衰减学习率进行模型优化；

S3.4，使用S2中得到的数据对进行训练，其中可以将训练集中数据对中任意一组数据作为输入信号，另外一组作为目标信号。

进一步地，所述步骤S4包括以下子步骤：

S4.1，取出S3.1定义的深度去噪网络模型，载入训练好的参数；

S4.2，将测试集中的含噪声的信号输入到深度去噪网络模型中，输出去噪信号。

一种基于自监督学习的电磁调制信号深度去噪系统，包括数据发送模块、数据接收模块和去噪模块：

所述数据发送模块，在发射端上，利用GNU Radio软件和USRP E320硬件设备实现数据的发送；

所述数据接收模块，在接收端上，利用GNU Radio软件和USRP N310硬件设备实现数据的接收；

所述去噪模块，在接收端上的GNU Radio软件中添加去噪模块，将切片后的接收数据输入到去噪模块中，输出去噪数据；

所述数据发送模块、数据接收模块、去噪模块依次连接。

本发明的技术构思：一种利用信号自身特征，无需干净信号的自监督学习信号去噪方法，首先本发明使用Neighbor2Neighbor的改进方法对信号数据进行了预处理，将一个信号分为了两个相似信号，保留了信号本身的特征，又区分了其中的噪声分布，为后续深度学习去噪奠定了基础。其次，我们考虑了信号的特点，为了更好的保留信号的连续性，重新定义了损失函数，额外增加了连续性差值作为正则化参数。实验结果证实了本方法的可行性和有效性。

本发明的有益效果：

1.本方法不需要使用有关信号数据的先验知识，在信号去噪上具有较好的普适性。

2.本方法使用了结合信号特征的Neighbor2Neighbor改进方法，在只有含噪声的信号而无干净信号的情况下，仍能实现信号去噪。

3.本方法结合使用了L2损失函数和连续性差值损失函数，使得输出的信号数据在连续性上有着更优秀的表现，更加符合真实信号的连续性特征。

附图说明

图1为实现本发明方法的流程图；

图2为数据处理流程图；

图3为系统模块框图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细描述。

参照图1至图3，一种基于自监督学习的电磁调制信号深度去噪方法，包括以下步骤：

S1，利用电磁信号公开数据集的生成源码和GNU Radio软件，生成含高斯噪声的信号和干净的信号，步骤如下：

S1.1，利用电磁信号公开数据集的生成源码和GNU Radio软件，调整相应参数，生成信噪比为12dB的含高斯噪声的信号和干净信号；

S1.2，经过数据切片后，得到8PSK、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM这9种调制类别的数据各1000个，共9000个数据。

S2，将S1中含噪声的信号进行预处理，得到两组新数据，对应组成数据对，并按设定比例，分成训练集和测试集，步骤如下：

对数据结构为(None，2，128)的含噪声的信号数据y，分别进行两次下采样操作得到两组数据结构都为(None，2，64)的数据g₁(y)和g₂(y)，具体操作如图2所示，并按设定比例，分成训练集和测试集。

S3，构建深度去噪网络模型，并定义损失函数，将S2中训练集中数据对分别作为深度去噪网络的输入信号和目标信号进行训练，步骤如下：

S3.1，定义深度去噪网络模型，该模型由6层卷积层和6层逆卷积层构成；

S3.2，定义深度去噪网络模型的损失函数，具体包括L2损失、连续性差值；L2损失即输出信号f(g₁(y))与目标信号g₂(y)的差值的2范数的平方：

连续性差值(tv_loss)是输出信号的I路信号(Q路信号)的前127个数据减去后127个数据的差值p范数的p次方：

深度去噪网络模型的损失函数(G_loss)最终为：

S3.3，定义模型优化器，采用Adam优化器和衰减学习率进行模型优化；

S3.4，使用S2中得到的训练集中的数据对进行训练，其中可以将数据对中任意一组数据作为输入信号，另外一组作为目标信号。

S4，利用S3中训练好的深度去噪网络模型，对测试集中含噪声的信号进行去噪，步骤如下：

S4.1，取出S3.1定义的深度去噪网络模型，载入训练好的参数；

S4.2，将测试集中的含噪声的信号输入到深度去噪网络模型中，输出去噪信号。

一种基于自监督学习的电磁调制信号深度去噪系统，包括数据发送模块、数据接收模块和去噪模块；

所述数据发送模块，利用GNU Radio软件和USRP E320硬件设备实现数据的发送，过程为：

在作为发射端的一台电脑上，使用GNU Radio中File Source模块作为发送的信息源，此处为一个5.6MB的文本文件，Packed to Unpacked模块将信息转换为了二进制数据，Bit to Symbol Mapper模块对数据进行了映射处理，Polyphase Arbitrary Resampler模块将数据变换为能被硬件设备处理的数据流，最后UHD:USRP Sink模块则是连接USRP设备，使得信号能够通过USRP设备进行发送。

所述数据接收模块，利用GNU Radio软件和USRP N310硬件设备实现数据的接收，过程为：

在作为接收端的一台电脑上，在GNU Radio软件中，使用UHD:USRP Source模块连接USRP设备，其输出端将输出接收到的IQ数据，可利用File Sink模块保存数据。

所述去噪模块，利用训练好的深度去噪网络模型，输入接收到的IQ数据，输出去噪信号，过程为：

在接收器上，添加去噪模块(嵌入训练好的深度去噪网络模型程序)，将数据接收模块接收到的IQ数据切片，将切片后的数据输入到训练好的深度去噪网络模型中，最后再经过数据连接输出去噪数据。

所述数据发送模块、数据接收模块、去噪模块依次连接。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于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技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述方法包括以下步骤：

S1，利用电磁信号公开数据集的生成源码和GNU Radio软件，生成含高斯噪声的信号和干净的信号；

S2，利用下采样，将S1中含噪声的信号进行预处理，得到两组新数据，并对应组成数据对，按设定比例，分成训练集和测试集；

S3，构建深度去噪网络模型，并定义损失函数，将S2中训练集中数据对分别作为深度去噪网络的输入信号和目标信号进行训练；

S4，利用S3中训练好的深度去噪网络模型，对测试集中含噪声的信号进行去噪。

2.如权利要求1所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤S1包括以下子步骤：

S1.1，利用电磁信号生成公开数据集的源码和GNU Radio软件，调整相应参数，生成信噪比为12dB的含高斯噪声的信号和干净信号；S1.2，经过数据切片后，得到8PSK、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM这9种调制类别的数据各1000个，共9000个数据。

3.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤S2过程如下：

对数据结构为(None，2，128)的训练集中的含噪声的信号数据y，分别进行两次下采样操作得到两组数据结构都为(None，2，64)的数据g₁(y)和g₂(y)，并按设定比例，分成训练集和测试集。

4.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤S3包括以下子步骤：

S3.1，定义深度去噪网络模型，该模型由6层卷积层和6层逆卷积层构成；

S3.2，定义深度去噪网络模型的损失函数(G_loss)，具体为L2损失、连续性差值损失(tv_loss)的组合；

S3.3，定义模型优化器，采用Adam优化器和衰减学习率进行模型优化；

S3.4，使用S2中得到的数据对进行训练，其中可以将训练集中数据对中任意一组数据作为输入信号，另外一组作为目标信号。

5.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤S4包括以下子步骤：

S4.1，取出S3.1定义的深度去噪网络模型，载入训练好的参数；S4.2，将测试集中的含噪声的信号输入到深度去噪网络模型中，输出去噪信号。

6.一种如权利要求1所述的基于自监督学习的电磁调制信号深度去噪方法实现的系统，其特征在于，所述系统包括数据发送模块、数据接收模块和去噪模块；

所述数据发送模块，在发射端上，利用GNU Radio软件和USRP E320硬件设备实现数据的发送；

所述数据接收模块，在接收端上，利用GNU Radio软件和USRP N310硬件设备实现数据的接收；

所述去噪模块，在接收端上的GNU Radio软件中添加去噪模块，将切片后的接收数据输入到去噪模块中，输出去噪数据；

所述数据发送模块、数据接收模块、去噪模块依次连接。

Images