CN113723556B - 基于熵加权-多模态域对抗神经网络的调制方式识别方法 - Google Patents

基于熵加权-多模态域对抗神经网络的调制方式识别方法 Download PDF

Info

Publication number
CN113723556B
CN113723556B CN202111047399.5A CN202111047399A CN113723556B CN 113723556 B CN113723556 B CN 113723556B CN 202111047399 A CN202111047399 A CN 202111047399A CN 113723556 B CN113723556 B CN 113723556B
Authority
CN
China
Prior art keywords
domain
component
modal
modulation
label
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
CN202111047399.5A
Other languages
English (en)
Other versions
CN113723556A (zh
Inventor
李保国
徐强
王翔
黄知涛
邓文
张澄安
刘毅远
姚怡舟
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111047399.5A priority Critical patent/CN113723556B/zh
Publication of CN113723556A publication Critical patent/CN113723556A/zh
Application granted granted Critical
Publication of CN113723556B publication Critical patent/CN113723556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/045—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
    • G06F2218/08—Feature extraction
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明涉及调制方式识别方法，特别涉及一种基于熵加权‑多模态域对抗神经网络的调制方式识别方法。本发明在域对抗神经网络的基础上引入时、频域的多模态信息，利用多模态的互补增益加强调制训练数据和测试数据的分布对齐程度，同时对所有样本施加熵权重以减小难以预测的样本在域对抗中的贡献度以提升调制方式识别性能，构建了异分布的调制信号数据集，并对源域调制数据集和神经网络模型的输入提出相应的选取原则，本发明提出的调制方式识别方法相较于传统的智能调制识别方法具有更强的泛化能力，同时构建的异分布调制信号数据集和源域调制数据集和神经网络模型的输入具有更强的实用性。

Description

基于熵加权-多模态域对抗神经网络的调制方式识别方法
技术领域
本发明涉及调制方式识别方法，特别涉及一种基于熵加权-多模态域对抗神经网络的调制方式识别方法。
背景技术
调制方式识别作为认知无线电需要完成的关键任务之一，位于信号检测和信号解调之间，它的目的是在有限或者没有先验信息的条件下，识别接收到的未知信号的调制方式，为后续信号解调打下基础。
传统调制方式识别方法主要使用基于最大似然和基于特征的方法，但这些方法主要存在难以适应不断发展的复杂信号调制方式和严重依赖于人工设置门限的问题。为应对这些问题和挑战，研究人员将深度学习引入调制方式识别方法中，赋予调制方式识别方法以机器智能，深度学习的优势在于无需人工设计、提取信号特征，深度神经网络可自动化进行信号特征提取及信号分类，其提取到的信号特征具有更强的鲁棒性和泛化能力，各式各样的深度学习技术包括卷积神经网络、递归神经网络和一些混合模型被应用于调制方式识别方法中，已被证明优于传统调制方式识别方法性能。
然而目前的智能调制方式识别方法主要存在两个问题，一是假设调制信号的训练和测试数据来自相同的数据分布，然而这种假设对于实际应用场景来说太过理想，调制信号数据分布随着时间、空间而变化，发射端信号的脉冲成型滤波器类型、滚降系数、码速率，信道的多径时延、增益，接收端的采样率不同等也都会使调制信号的分布不同，因此将预先训练好的模型直接用于测试数据识别性能会急剧下降；二是大量的无标签调制信号数据没有利用，接收机截获的信号都是无标注的，目前的智能调制识别算法大多都没有利用这些无标注数据，可以利用这些无标注的数据参与训练来提高其自身的识别准确率。解决以上两个问题有助于推进智能调制识别算法在实际电子侦察场景下的应用。
在图像处理和自然语言处理领域，域适应技术已被广泛用于训练数据和实际测试数据分布不一致的场景，其利用无标签目标域数据参与训练，充分挖掘源域和目标域的相关性，使得从源域数据获得的知识能有效转移至目标域，从而提升目标域识别性能。将域适应技术引入调制方式识别方法已有相关应用，但是这些方法大多数只基于单一的时域、频域或者时频域模态信息与域对抗方法结合来进行调制方式识别，忽略了多模态特征之间的互补增益，从而导致源域和目标域的特征对齐程度不高，影响调制方式识别性能；同时这些方法默认所有的源域、目标域样本都平等地进行域对抗，忽略了难以分类的样本对于域对抗的消极影响；同时现有调制信号数据集都是同分布的，且现有方法没有对源域调制数据集和神经网络模型的输入提出相应的选取原则。
发明内容
本发明要解决的技术问题是，调制信号训练数据和测试数据来自不同数据分布导致预先训练的深度神经网络模型失配，系统性能急剧恶化。本发明在域对抗神经网络的基础上引入时、频域的多模态信息，利用多模态的互补增益加强调制训练数据和测试数据的分布对齐程度，同时对所有样本施加熵权重以减小难以预测的样本在域对抗中的贡献度以提升调制方式识别性能，构建了异分布的调制信号数据集，并对源域调制数据集和神经网络模型的输入提出相应的选取原则。
本发明采用的技术方案为：一种基于熵加权-多模态域对抗神经网络的调制方式识别方法，该方法包括以下步骤：
S1建立神经网络模型
S1.1建立模态特征提取器模块，模态特征提取器模块包含三个模态特征提取器，每个模态特征提取器包含五个卷积层，一个二元自适应均值汇聚层，一个全连接层，第一个卷积层的卷积核尺寸为m×n，m＝1或2，n∈[2,10]且n∈Z，后四个卷积层的卷积核尺寸均为1×q，q∈[2,10]且q∈Z，输入特征维度为2×NN维，NN∈Z，输出特征维度为128维，随机初始化三个模态特征提取器的网络权重参数θf1,θf2,θf3；
S1.2建立域鉴别器模块，域鉴别器模块包含三个域鉴别器，每个域鉴别器包含一个梯度反转层，三个全连接层和一个sigmoid层，输入维度为128维，输出维度为1维；第一域鉴别器连接在第一模态特征提取器后，第二域鉴别器连接在第二模态特征提取器后，第三域鉴别器连接在第三模态特征提取器后，随机初始化三个域鉴别器的网络权重参数θd1,θd2,θd3；
S1.3建立标签预测器，标签预测器包含两个全连接层和一个softmax层，输入特征维度为384维(对S1.2中三个域鉴别器的三个128维输出进行特征融合得到)，输出维度为P维，P为源域调制数据的种类，随机初始化标签预测器的网络权重参数θy；
S2提取同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量
S2.1：从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure GDA0003588516270000021
中提取同向正交分量Fiq,j，n＝1,2...,N，N为每个复基带信号样本的长度；源域样本数为Ns，目标域样本数为Nt，j＝1,2，...,Ns+Nt，有标签源域调制信号训练数据的类别标签为yi,i＝1,2,...,Ns，有标签源域调制信号训练数据和无标签目标域调制信号训练数据的域标签为dj；
同向正交分量Fiq,j由同向分量Ij(n)和正交分量Qj(n)组成，同向分量Ij(n)为
Figure GDA0003588516270000022
的实部，
Figure GDA0003588516270000023
正交分量Qj(n)为
Figure GDA0003588516270000024
的虚部，
Figure GDA0003588516270000025
则有：
Fiq,j＝[Ij(n)；Qj(n)]；
S2.2从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure GDA0003588516270000026
中提取谱特征分量Fspc,j：
谱特征分量Fspc,j由频谱幅度Xj(k)和平方谱幅度Xj,2(k)组成，频谱幅度
Figure GDA0003588516270000027
平方谱幅度为
Figure GDA0003588516270000028
则有：
Fspc,j＝[Xj(n)；Xj,2(n)]；
S2.3从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure GDA00035885162700000314
中提取归一化瞬时幅度相位特征分量Fap,j：
归一化瞬时幅度相位特征分量Fap,j由归一化瞬时幅度ampj(n)和瞬时相位phasej(n)组成，归一化瞬时幅度
Figure GDA0003588516270000031
瞬时相位为
Figure GDA0003588516270000032
的虚部，
Figure GDA0003588516270000033
为
Figure GDA0003588516270000034
的实部，则有：
Fap,j＝[ampj(n)；phasej(n)]；
S3模态特征提取
S3.1从S2.1中提取的同向正交分量Fiq,j中提取模态特征Gf1(Fiq,j)，其中Gf1表示第一模态特征提取器；
S3.2从S2.2中提取的谱特征分量Fspc,j中提取模态特征Gf2(Fspc,j)，其中Gf2表示第二模态特征提取器；
S3.3从S2.3中提取的归一化瞬时幅度相位特征分量Fap,j中提取模态特征Gf3(Fap,j)，其中Gf3表示第三模态特征提取器；
S4计算域对抗损失
S4.1将第一模态特征提取器提取的模态特征Gf1(Fiq,j)输入第一域鉴别器，用第一域鉴别器的输出
Figure GDA0003588516270000035
与域标签dj进行比对，计算出同相正交分量域对抗损失
Figure GDA0003588516270000036
λ1为同相正交分量域对抗损失的权重参数，L(·，·)是二元交叉熵损失函数，dj为源域和目标域调制信号样本的域标签，
Figure GDA0003588516270000037
表示第一域鉴别器；
S4.2将第二模态特征提取器提取的模态特征Gf2(Fspc,j)输入第二域鉴别器，用第二域鉴别器的输出
Figure GDA0003588516270000038
与域标签dj进行比对，计算出谱特征分量域对抗损失
Figure GDA0003588516270000039
λ2为谱特征分量域对抗损失的权重参数，
Figure GDA00035885162700000310
表示第二域鉴别器；
S4.3将第三模态特征提取器提取的模态特征Gf3(Fap,j)输入第三域鉴别器，用第三域鉴别器的输出
Figure GDA00035885162700000311
与域标签dj进行比对，计算出归一化瞬时幅度相位特征分量域对抗损失
Figure GDA00035885162700000312
λ3为归一化瞬时幅度相位特征分量域对抗的权重参数，
Figure GDA00035885162700000313
表示第三域鉴别器；
S5特征融合
对Gf1(Fiq,j)，Gf2(Fspc,j)，Gf3(Fap,j)进行concat串行拼接(例如维数为x和y的特征a与b，其输出特征c的维数为x+y)，形成拼接融合后的特征Fj：Fj＝[Gf1(Fiq,j),Gf2(Fspc,j),Gf3(Fap,j)]，输出维度为384维；
S6计算源域标签预测损失
用S5拼接融合后的特征Fj输入标签预测器，得到输出Gy(Fj)，使用Gy(Fj)中的Gy(Fi)与源域类别标签yi进行比对，计算源域调制数据的标签预测损失
Figure GDA0003588516270000041
Gy是标签预测器；
S7对域对抗损失施加熵权重
S7.1用S6得到的Gy(Fj)直接计算源域和目标域调制数据每个样本的熵权重w(xj)：
Figure GDA0003588516270000042
xj表示源域和目标域的所有样本，Gy(Fj)p是每个样本被标签预测器分成p类的softmax输出，p＝1,2,...,P；
S7.2用熵权重w(xj)对同相正交分量域对抗损失
Figure GDA0003588516270000043
进行加权处理，得到熵加权后的同相正交分量域对抗损失
Figure GDA0003588516270000044
S7.3用熵权重w(xj)对谱特征分量域对抗损失
Figure GDA0003588516270000045
进行加权处理，得到熵加权后的同相正交分量域对抗损失
Figure GDA0003588516270000046
S7.4用熵权重w(xj)对归一化瞬时幅度相位特征分量域对抗损失
Figure GDA0003588516270000047
进行加权处理，得到熵加权后的归一化瞬时幅度相位特征分量域对抗损失
Figure GDA0003588516270000048
S8梯度下降和网络权重更新
S8.1最终优化目标损失函数L为：
Figure GDA0003588516270000049
Figure GDA00035885162700000410
其中权重参数λ1,λ2,λ3∈(0,1]；
S8.2利用Adam算法(Kingma D P,Ba J.Adam:A method for stochasticoptimization[J].arXiv preprint arXiv:1412.6980,2014.)进行模态特征提取器，域鉴别器和标签预测器的梯度下降，并更新三个模态特征提取器、三个域鉴别器、标签预测器的网络权重参数θf1,θf2,θf3,θd1,θd2,θd3,θy，初始的学习率为2e-3，每一个epoch结束之后使用带重启的余弦退火算法(Loshchilov I,Hutter F.Sgdr:Stochastic gradient descentwith warm restarts[J].arXiv preprint arXiv:1608.03983,2016.)进行学习率的更新，重启周期设置为2；当最终优化目标损失函数L不再减少时，保存三个模态特征提取器、标签预测器的最优网络权重参数θf1_op,θf2_op,θf3_op,θy_op(这四个参数是θf1,θf2,θf3,θy在训练过程中不断更新优化后得到的最优值)用于目标域测试数据的调制方式识别；
S9识别目标域的调制方式
网络训练完毕后，下次使用该网络模型时，执行以下操作(此时仅需要对目标域调制方式进行预测识别，无需进行域对抗操作，因此无需重新建立域鉴别器模块)：
S9.1建立神经网络模型
建立特征提取器模块，一共有三个模态特征提取模块，每个模态特征提取模块包含五个卷积层，一个二元自适应均值汇聚层，一个全连接层，第一个卷积层的卷积核尺寸为m×n，m＝1或2，n∈[2,10]且n∈Z，具体数值与S1相同，后四个卷积层的卷积核尺寸均为1×q，q∈[2,10]且q∈Z，具体数值与S1相同；输入特征维度为2×NN维，输出特征维度为128维，三个特征提取器分别加载S8.2保存的三个特征提取器模块的网络权重θf1_op,θf2_op,θf3_op；
建立标签预测器模块，标签预测器模块包含两个全连接层和一个softmax层，输入特征维度为384维，输出维度为P维，P为源域调制数据的种类，标签预测器加载S8.2保存的标签预测器模块的网络权重θy_op；
S9.2从无标签目标域调制信号测试数据集的复基带信号
Figure GDA0003588516270000051
中提取同向正交分量Fiq,l，谱特征分量Fspc,l，归一化瞬时幅度相位特征分量Fap,l,l＝1,2，...,Nt-test；具体过程参考S2；
S9.3从输入的同向正交分量Fiq,l，谱特征分量Fspc,l，归一化瞬时幅度相位特征分量Fap,l中提取模态特征Gf1(Fiq,l)，Gf2(Fspc,l)，Gf3(Fap,l)；具体过程参考S3；
S9.4对Gf1(Fiq,l)，Gf2(Fspc,l)，Gf3(Fap,l)进行拼接，形成拼接融合后的特征Fl：Fl＝[Gf1(Fiq,l),Gf2(Fspc,l),Gf3(Fap,l)]，输出维度为384维；具体过程参考S6；
S9.5用拼接融合后的特征Fl的特征输入标签预测器，得到目标域的调制方式识别结果。
本发明的有益效果是：在域对抗神经网络的基础上引入时、频域的多模态信息，利用多模态的互补增益加强调制训练数据和测试数据的分布对齐程度，同时对所有样本施加熵权重以减小难以预测的样本在域对抗中的贡献度以提升调制方式识别性能，构建了异分布的调制信号数据集，并对源域调制数据集和神经网络模型的输入提出相应的选取原则，本发明提出的调制方式识别方法相较于传统的智能调制识别方法具有更强的泛化能力，同时构建的异分布调制信号数据集和源域调制数据集和神经网络模型的输入具有更强的实用性。
附图说明
图1是本发明方法的总流程(s1-s9)；
图2是本发明方法的训练中的正向传播流程(s2-s7)；
图3是本发明方法的测试流程(S9)；
图4数据集制作流程图；
图5复杂信道模型；
图6是本发明方法和其他算法的性能对比。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
图1是本发明方法的总流程，本发明提出一种基于熵加权—多模态域对抗神经网络的调制方式识别方法，分为以下步骤：
S1，建立神经网络模型；
S2，提取同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量；
S3，模态特征提取；
S4，计算域对抗损失；
S5，特征融合；
S6，计算源域标签预测损失；
S7，对域对抗损失施加熵权重；
S8，梯度下降和网络权重更新；
S9，识别目标域的调制方式。
图2是本发明方法的训练中的正向传播流程(s2-s8)，即沿着从输入层到输出层的顺序,依次计算并存储深度神经网络模型的中间变量。
图3是本发明方法的测试流程(S9)，即模型训练完毕后，加载保存好的深度神经网络模型权重参数并用于新样本的预测分类。
目前调制信号数据集的训练和测试数据都是来自同一分布的，尚未有不同分布的调制数据集，本发明进一步构建了信噪比、sps和信道参数组合成不同的12个数据集分别作为源域和目标域来进行源域和目标域分布不同时的调制方式识别。数据集制作流程如图4所示。制作流程依次分别为数据源，调制，通过信道，归一化，存储5个部分：
1)数据源
数字调制的数据源为随机比特生成器。
2)调制
随机比特序列依照相应的调制方式进行基带星座映射，再进行上采样和脉冲成型，脉冲成型滤波器使用根升余弦滤波器，脉冲成型滤波器的滚降系数为0.35。调制类型包含9种常见的数字调制信号，类别为8PSK，BPSK，2FSK，4FSK，2ASK，GFSK，PAM4，QAM16，QPSK，样本尺寸为2*128，其中2代表IQ两路信号，128代表样本长度。
3)通过信道
数据集采用两种信道，一种是复杂的莱斯信道，一种是简单的高斯白噪声信道。复杂信道模型如图5所示，包括采样率偏移、中心频率偏移、莱斯多径衰落、高斯白噪声，下面具体阐述信号通过复杂信道模型的流程：
Step1：首先设置一个时钟偏移因子C，
Figure GDA0003588516270000071
Δclock是时钟偏移，其中每一帧信号的Δclock都是随机取值于[-maxΔclock,maxΔcloack]中；
Step2：对经过星座映射后的信号施加采样率偏移，采样率偏移通过对信号帧进行C×fs的重采样实现，其中fs为原始采样率；
Step3：对施加采样率偏移后的信号施加中心频率偏移，中心频率偏移通过对复信号进行频谱搬移实现，搬移距离为-(C-1)*fc，其中fc为中心频率；
Step4：让施加中心频率偏移后的信号通过莱斯信道；
Step5：对通过莱斯信道的信号添加高斯白噪声。
复杂信道相关设置如
表1所示。信号通过高斯白噪声信道只需执行Step5。
表1复杂信道相关参数设置
参数 数值
采样率 200e3
中心频率 70e6
Δ<sub>clock</sub> 5
衰落模型 莱斯信道
莱斯K系数 4
多径延迟 [0 1.8 3.4]
平均路径增益 [0 -2 -10]
4)归一化
对通过信道后的复信号进行功率归一化使得数据更加规范。设通过信道的信号为
Figure GDA0003588516270000072
最终得到的复信号为
Figure GDA0003588516270000073
则功率归一化的计算公式为：
5)存储
数据样本被存为HDF5格式，包含/OriData，/ModType，/Snr3个Groups。/OriData存储原始数据样本，其大小为N×2×spf，其中N为样本数量，spf为每个样本的长度，数据类型为Double；/ModType存储样本的标签独热码，其大小为N×numModulationTypes，其中N为样本数量，numModulationTypes为调制类型的数量，数据类型为Int8；/Snr存储样本的信噪比，其大小为N×1，其中N为样本数量，数据类型为Int8。
共设计了12个数据集，这12个数据集主要的差异体现在信噪比，信道模型和sps(采样率相同时，该参数可控制调制信号的码速率)的其中一个参数或者多个参数组合上，通过使用不同的参数组合设置以形成12个不同的域。其中每个数据集中每种调制方式在每种信噪比下包含1200个训练样本，400个测试样本。将这12个数据集分别命名为Di,i＝1,2,...12，其中每个数据集对应的参数设置如表2所示，除了表格中的提到的参数，其他的参数和设置保持完全一致，不同的数据集因为参数的不同形成不同的域。
表2各个数据集的参数设置
数据集名称 信噪比 信道模型 sps
D<sub>1</sub> [20,30]dB，步进为2 高斯白噪声信道 8
D<sub>2</sub> [20,30]dB，步进为2 高斯白噪声信道 4
D<sub>3</sub> [20,30]dB，步进为2 高斯白噪声信道 16
D<sub>4</sub> [20,30]dB，步进为2 复杂信道 8
D<sub>5</sub> [20,30]dB，步进为2 复杂信道 4
D<sub>6</sub> [20,30]dB，步进为2 复杂信道 16
D<sub>7</sub> [-4,6]dB，步进为2 高斯白噪声信道 8
D<sub>8</sub> [-4,6]dB，步进为2 高斯白噪声信道 4
D<sub>9</sub> [-4,6]dB，步进为2 高斯白噪声信道 16
D<sub>10</sub> [-4,6]dB，步进为2 复杂信道 8
D<sub>11</sub> [-4,6]dB，步进为2 复杂信道 4
D<sub>12</sub> [-4,6]dB，步进为2 复杂信道 16
本发明使用前面构建的异分布数据集进行调制方式识别，设计12×11＝132个域适应任务并在其上评估识别性能，即：
其中→的左侧表示有标签的源域数据集，→的右侧表示无标签的目标域数据集。得到使用低信噪比、复杂信道和sps＝8的调制数据集作为源域，调制方式识别性能最佳；使用同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量时频域组合作为输入，调制方式识别性能最佳。
本发明的效果可以通过以下仿真实验进一步说明：
1.仿真条件
本发明的仿真实验条件是：软件：Python 3.8.0，Pytorch 1.6.0，cuda10.2.89，系统为Windows Server 2012R2 Standard版本，硬件：CPU为双路Intel(R)Xeon(R)Gold6230R，显卡为NVIDIA Tesla V100，内存为128GB。
2.仿真内容
为了验证本发明的有效性，构建了信噪比、sps(sample per symbol)和信道参数组合不同的12个数据集分别作为源域和目标域来进行源域和目标域分布不同时的调制方式识别。这12个数据集命名为Di,i＝1,2,...,12。每个数据集的调制类别包括8PSK，BPSK，2FSK，4FSK，2ASK，GFSK，PAM4，QAM16，QPSK，每个调制信号的样本尺寸为2*128，其中2代表IQ两路信号，128代表样本长度，每个数据集中每种调制方式在每种信噪比下包含1200个训练样本，400个测试样本。基于这12个数据集，对于本发明提出的方法和其他对比方法，将设计12×11＝132个域适应任务评估识别性能，即：
→的左侧表示有标签的源域数据集，→的右侧表示无标签的目标域数据集。
3.仿真结果分析
表3不同的Source-Only算法、3种不同的DA算法和本发明方法在不同的数据集上的识别效果
仿真方法 均值(％)
同向正交分量+Source-Only 25.69
同向正交分量+DA 34.32
归一化瞬时幅度相位特征分量+Source-Only 31.83
归一化瞬时幅度相位特征分量+DA 41.24
谱特征分量+Source-Only 34.70
谱特征分量+DA 50.95
同向正交分量+归一化瞬时幅度相位特征分量+谱特征分量+Source-Only 35.17
本发明方法 53.87
Source-Only算法：Source-Only算法的网络结构由特征提取器和标签预测器组成，使用1种或多种特征融合输入对源域调制数据训练集进行充分训练后，在不同分布的目标域调制数据测试集上直接进行测试，其优化目标为源域标签预测损失。
DA算法：DA算法的网络结构由特征提取器、标签预测器、域鉴别器组成，使用1种特征输入对源域和目标域进行域对抗和源域标签预测训练，其优化目标为源域标签预测损失和域分类损失之和。
表中的平均值表示不同的算法在不同数据集下不同任务(每个数值包含12×11＝132组任务)下的平均识别效果，使用该数值表征算法的识别性能。
表4 3种不同的DA算法和本发明方法在不同的数据集上的识别效果
Figure GDA0003588516270000091
Figure GDA0003588516270000101
综上所述，本发明提出了一种适用于二维调制信号数据的多模态域对抗神经网络模型，在域对抗神经网络的基础上引入时、频域的多模态信息，利用多模态的互补增益加强调制训练数据和测试数据的分布对齐程度以提升深度神经网络模型识别性能，提出的算法相较于Source-Only算法的平均识别准确率最高提升28.18％，相较于DA算法的平均识别准确率最高提升19.55％。构建了异分布的调制信号数据集，同时对源域调制数据集和神经网络模型的输入提出相应的选取原则：使用低信噪比、复杂信道和sps＝8的调制数据集作为源域，调制方式识别性能最佳；使用同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量时频域组合作为输入，调制方式识别性能最佳。

Claims (4)

1.一种基于熵加权-多模态域对抗神经网络的调制方式识别方法，其特征在于，该方法包括以下步骤：
S1建立神经网络模型
S1.1建立模态特征提取器模块，模态特征提取器模块包含三个模态特征提取器，每个模态特征提取器包含五个卷积层，一个二元自适应均值汇聚层，一个全连接层，第一个卷积层的卷积核尺寸为m×n，m＝1或2，n∈[2,10]且n∈Z，后四个卷积层的卷积核尺寸均为1×q，q∈[2,10]且q∈Z，输入特征维度为2×NN维，NN∈Z，输出特征维度为128维，随机初始化三个模态特征提取器的网络权重参数θf1,θf2,θf3；
S1.2建立域鉴别器模块，域鉴别器模块包含三个域鉴别器，每个域鉴别器包含一个梯度反转层，三个全连接层和一个sigmoid层，输入维度为128维，输出维度为1维；第一域鉴别器连接在第一模态特征提取器后，第二域鉴别器连接在第二模态特征提取器后，第三域鉴别器连接在第三模态特征提取器后，随机初始化三个域鉴别器的网络权重参数θd1,θd2,θd3；
S1.3建立标签预测器，标签预测器包含两个全连接层和一个softmax层，输入特征维度为384维，输出维度为P维，P为源域调制数据的种类，随机初始化标签预测器的网络权重参数θy；
S2提取同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量
S2.1：从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure FDA0003588516260000011
中提取同向正交分量Fiq,j，n＝1,2...,N，N为每个复基带信号样本的长度；源域样本数为Ns，目标域样本数为Nt，j＝1,2，...,Ns+Nt，有标签源域调制信号训练数据的类别标签为yi,i＝1,2,...,Ns，有标签源域调制信号训练数据和无标签目标域调制信号训练数据的域标签为dj；
同向正交分量Fiq,j由同向分量Ij(n)和正交分量Qj(n)组成，同向分量Ij(n)为
Figure FDA0003588516260000012
的实部，
Figure FDA0003588516260000013
正交分量Qj(n)为
Figure FDA0003588516260000014
的虚部，
Figure FDA0003588516260000015
则有：
Fiq,j＝[Ij(n)；Qj(n)]；
S2.2从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure FDA0003588516260000016
中提取谱特征分量Fspc,j：
谱特征分量Fspc,j由频谱幅度Xj(k)和平方谱幅度Xj,2(k)组成，频谱幅度
Figure FDA0003588516260000017
平方谱幅度为
Figure FDA0003588516260000018
则有：
Fspc,j＝[Xj(n)；Xj,2(n)]；
S2.3从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本
Figure FDA0003588516260000019
中提取归一化瞬时幅度相位特征分量Fap,j：
归一化瞬时幅度相位特征分量Fap,j由归一化瞬时幅度ampj(n)和瞬时相位phasej(n)组成，归一化瞬时幅度
Figure FDA0003588516260000021
瞬时相位为
Figure FDA0003588516260000022
Figure FDA0003588516260000023
为
Figure FDA0003588516260000024
的虚部，
Figure FDA0003588516260000025
为
Figure FDA0003588516260000026
的实部，则有：
Fap,j＝[ampj(n)；phasej(n)]；
S3模态特征提取
S3.1从S2.1中提取的同向正交分量Fiq,j中提取模态特征Gf1(Fiq,j)，其中Gf1表示第一模态特征提取器；
S3.2从S2.2中提取的谱特征分量Fspc,j中提取模态特征Gf2(Fspc,j)，其中Gf2表示第二模态特征提取器；
S3.3从S2.3中提取的归一化瞬时幅度相位特征分量Fap,j中提取模态特征Gf3(Fap,j)，其中Gf3表示第三模态特征提取器；
S4计算域对抗损失
S4.1将第一模态特征提取器提取的模态特征Gf1(Fiq,j)输入第一域鉴别器，用第一域鉴别器的输出
Figure FDA0003588516260000027
与域标签dj进行比对，计算出同相正交分量域对抗损失
Figure FDA0003588516260000028
λ1为同相正交分量域对抗损失的权重参数，L(·，·)是二元交叉熵损失函数，dj为源域和目标域调制信号样本的域标签，
Figure FDA0003588516260000029
表示第一域鉴别器；
S4.2将第二模态特征提取器提取的模态特征Gf2(Fspc,j)输入第二域鉴别器，用第二域鉴别器的输出
Figure FDA00035885162600000210
与域标签dj进行比对，计算出谱特征分量域对抗损失
Figure FDA00035885162600000211
λ2为谱特征分量域对抗损失的权重参数，
Figure FDA00035885162600000212
表示第二域鉴别器；
S4.3将第三模态特征提取器提取的模态特征Gf3(Fap,j)输入第三域鉴别器，用第三域鉴别器的输出
Figure FDA00035885162600000213
与域标签dj进行比对，计算出归一化瞬时幅度相位特征分量域对抗损失
Figure FDA00035885162600000214
λ3为归一化瞬时幅度相位特征分量域对抗的权重参数，
Figure FDA00035885162600000215
表示第三域鉴别器；
S5特征融合
对Gf1(Fiq,j)，Gf2(Fspc,j)，Gf3(Fap,j)进行concat串行拼接，形成拼接融合后的特征Fj：Fj＝[Gf1(Fiq,j),Gf2(Fspc,j),Gf3(Fap,j)]，输出维度为384维；
S6计算源域标签预测损失
用S5拼接融合后的特征Fj输入标签预测器，得到输出Gy(Fj)，使用Gy(Fj)中的Gy(Fi)与源域类别标签yi进行比对，计算源域调制数据的标签预测损失
Figure FDA0003588516260000031
Gy是标签预测器；
S7对域对抗损失施加熵权重
S7.1用S6得到的Gy(Fj)直接计算源域和目标域调制数据每个样本的熵权重w(xj)：
Figure FDA0003588516260000032
xj表示源域和目标域的所有样本，Gy(Fj)p是每个样本被标签预测器分成p类的softmax输出，p＝1,2,...,P；
S7.2用熵权重w(xj)对同相正交分量域对抗损失
Figure FDA0003588516260000033
进行加权处理，得到熵加权后的同相正交分量域对抗损失
Figure FDA0003588516260000034
S7.3用熵权重w(xj)对谱特征分量域对抗损失
Figure FDA0003588516260000035
进行加权处理，得到熵加权后的同相正交分量域对抗损失
Figure FDA0003588516260000036
S7.4用熵权重w(xj)对归一化瞬时幅度相位特征分量域对抗损失
Figure FDA0003588516260000037
进行加权处理，得到熵加权后的归一化瞬时幅度相位特征分量域对抗损失
Figure FDA0003588516260000038
S8梯度下降和网络权重更新
S8.1最终优化目标损失函数L为：
Figure FDA0003588516260000039
其中权重参数λ1,λ2,λ3∈(0,1]；
S8.2利用Adam算法进行模态特征提取器，域鉴别器和标签预测器的梯度下降，并更新三个模态特征提取器、三个域鉴别器、标签预测器的网络权重参数θf1,θf2,θf3,θd1,θd2,θd3,θy，初始的学习率为2e-3，每一个epoch结束之后进行学习率的更新；当最终优化目标损失函数L不再减少时，保存三个模态特征提取器、标签预测器的最优网络权重参数θf1_op,θf2_op,θf3_op,θy_op用于目标域测试数据的调制方式识别；
S9识别目标域的调制方式
网络训练完毕后，下次使用该网络模型时，执行以下操作：
S9.1建立神经网络模型
建立特征提取器模块，一共有三个模态特征提取模块，每个模态特征提取模块包含五个卷积层，一个二元自适应均值汇聚层，一个全连接层，第一个卷积层的卷积核尺寸为m×n，m＝1或2，n∈[2,10]且n∈Z，具体数值与S1相同，后四个卷积层的卷积核尺寸均为1×q，q∈[2,10]且q∈Z，具体数值与S1相同；输入特征维度为2×NN维，输出特征维度为128维，三个特征提取器分别加载S8.2保存的三个特征提取器模块的网络权重θf1_op,θf2_op,θf3_op；
建立标签预测器模块，标签预测器模块包含两个全连接层和一个softmax层，输入特征维度为384维，输出维度为P维，P为源域调制数据的种类，标签预测器加载S8.2保存的标签预测器模块的网络权重θy_op；
S9.2从无标签目标域调制信号测试数据集的复基带信号
Figure FDA0003588516260000041
中提取同向正交分量Fiq,l，谱特征分量Fspc,l，归一化瞬时幅度相位特征分量Fap,l,l＝1,2，...,Nt-test；
S9.3从输入的同向正交分量Fiq,l，谱特征分量Fspc,l，归一化瞬时幅度相位特征分量Fap,l中提取模态特征Gf1(Fiq,l)，Gf2(Fspc,l)，Gf3(Fap,l)；
S9.4对Gf1(Fiq,l)，Gf2(Fspc,l)，Gf3(Fap,l)进行拼接，形成拼接融合后的特征Fl：Fl＝[Gf1(Fiq,l),Gf2(Fspc,l),Gf3(Fap,l)]，输出维度为384维；
S9.5用拼接融合后的特征Fl的特征输入标签预测器，得到目标域的调制方式识别结果。
2.一种根据权利要求1所述基于熵加权-多模态域对抗神经网络的调制方式识别方法，其特征在于：S1.1和S9.1中，每个模态特征提取器中的第一个卷积层的卷积核尺寸为2×7，后四个卷积层的卷积核尺寸为1×3。
3.一种根据权利要求1所述基于熵加权-多模态域对抗神经网络的调制方式识别方法，其特征在于：S8.2中，进行学习率更新时使用的是带重启的余弦退火算法，重启周期设置为2。
4.一种根据权利要求1所述基于熵加权-多模态域对抗神经网络的调制方式识别方法，其特征在于：S8.1中，将λ1,λ2,λ3均设置为1，优化目标损失函数为：
Figure FDA0003588516260000042
CN202111047399.5A 2021-09-08 2021-09-08 基于熵加权-多模态域对抗神经网络的调制方式识别方法 Active CN113723556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111047399.5A CN113723556B (zh) 2021-09-08 2021-09-08 基于熵加权-多模态域对抗神经网络的调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111047399.5A CN113723556B (zh) 2021-09-08 2021-09-08 基于熵加权-多模态域对抗神经网络的调制方式识别方法

Publications (2)

Publication Number Publication Date
CN113723556A CN113723556A (zh) 2021-11-30
CN113723556B true CN113723556B (zh) 2022-05-31

Family

ID=78682352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111047399.5A Active CN113723556B (zh) 2021-09-08 2021-09-08 基于熵加权-多模态域对抗神经网络的调制方式识别方法

Country Status (1)

Country Link
CN (1) CN113723556B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114598582A (zh) * 2022-02-17 2022-06-07 南京信息工程大学 一种基于迁移学习的超高阶信号调制格式快速识别方法
CN114900406B (zh) * 2022-04-22 2023-08-08 深圳市人工智能与机器人研究院 一种基于孪生网络的盲调制信号识别方法
CN115392326B (zh) * 2022-10-27 2024-03-19 中国人民解放军国防科技大学 基于联合多模态信息与域对抗神经网络的调制识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN111314257A (zh) * 2020-03-13 2020-06-19 电子科技大学 一种基于复值神经网络的调制方式识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3789922A1 (en) * 2019-09-06 2021-03-10 Imec VZW A neural network for identifying radio technologies
CN111092836B (zh) * 2019-12-13 2022-05-17 中国人民解放军空军工程大学 一种信号调制方式识别方法及装置
CN111178260B (zh) * 2019-12-30 2023-04-07 山东大学 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法
CN111695417B (zh) * 2020-04-30 2023-03-14 中国人民解放军空军工程大学 一种信号调制样式识别方法
CN111709496A (zh) * 2020-08-18 2020-09-25 北京邮电大学 基于神经网络的调制方式识别及模型训练方法和装置
CN112953871A (zh) * 2021-02-23 2021-06-11 北京邮电大学 一种基于神经网络的信号调制格式识别新方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN111314257A (zh) * 2020-03-13 2020-06-19 电子科技大学 一种基于复值神经网络的调制方式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈雪等.一种优化的卷积神经网络调制识别算法.《电讯技术》.2019,(第05期), *

Also Published As

Publication number Publication date
CN113723556A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113723556B (zh) 基于熵加权-多模态域对抗神经网络的调制方式识别方法
CN110855591B (zh) 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
CN110086737B (zh) 一种基于图神经网络的通信信号调制方式的识别方法
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
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN110569752A (zh) 基于卷积神经网络的雷达信号类别确定方法
CN115392326B (zh) 基于联合多模态信息与域对抗神经网络的调制识别方法
CN113014524B (zh) 一种基于深度学习的数字信号调制识别方法
CN112910812B (zh) 一种基于时空特征提取深度学习的调制模式识别方法
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN114422311B (zh) 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN114896887B (zh) 一种基于深度学习的用频设备射频指纹识别方法
WO2021088465A1 (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
Zhang et al. Open set recognition of communication signal modulation based on deep learning
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
Lin et al. A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network
An et al. Robust automatic modulation classification in low signal to noise ratio
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
CN110995631B (zh) 一种基于lstm和svm的通信信号调制模式识别方法及系统
CN112565128A (zh) 基于混合神经网络的无线电信号调制识别网络及实现方法
Cai et al. The performance evaluation of big data-driven modulation classification in complex environment
CN116680608A (zh) 一种基于复数图卷积神经网络的信号调制识别方法
CN114422310B (zh) 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法
CN116150603A (zh) 一种基于多尺度特征融合的复杂调制方式识别方法

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