CN113792852B - 基于并行神经网络的信号调制方式识别系统及识别方法 - Google Patents
基于并行神经网络的信号调制方式识别系统及识别方法 Download PDFInfo
- Publication number
- CN113792852B CN113792852B CN202111057101.9A CN202111057101A CN113792852B CN 113792852 B CN113792852 B CN 113792852B CN 202111057101 A CN202111057101 A CN 202111057101A CN 113792852 B CN113792852 B CN 113792852B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network structure
- identification
- parallel
- module
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Small-Scale Networks (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于并行神经网络的信号调制方式识别系统及识别方法,该系统包括依次连接的输入模块、并行子网模块以及输出模块,并行子网模块包括多个并联连接的神经网络结构,每个神经网络结构对应为一个子网,各神经网络结构分别对应进行不同类型调制方式的识别,输入模块接收待识别信号,并进行编码后形成待处理数据帧分别分发给各神经网络结构,由输出模块根据各神经网络结构的识别结果得到最终的识别结果输出。本发明具有结构简单、识别效率高、灵活性强且精度高等优点。
Description
技术领域
本发明涉及自动调制方式识别技术领域,尤其涉及一种基于并行神经网络的信号调制方式识别系统及识别方法。
背景技术
信号调制方式识别是信号接收解调等应用中的关键步骤,其广泛应用在各类的应用场景中,如电子侦查、信息接收、非合作性的信息干扰、电子对抗和电子进攻等,在频谱管理、电台监测等方面也发挥了重要作用。随着无线通信的快速发展,无线通信信道环境日益复杂,同时当前对于信号的传输质量、传输速度以及传输带宽也提出了越来越高的要求,各类应用中所使用的信号调制方式类型可能多种多样,如ASK(振幅键控)以及MASK(多进制数字振幅调制)、QAM(正交振幅调制)、QPSK(正交相移键控)等等,而并非特定的几种,这使得信号调制类型识别变的愈发复杂。因此在有限的频谱资源的情况下,如何实现各类型信号调制方式类型更高效的识别依然是当前亟待解决的问题。
传统的自动调制方式识别方法主要分为两类:一类基于决策理论调制方式识别,另外一类为基于统计机器学习理论的调制方式识别。其中基于决策理论的调制识别,可以看作是一个多重假设检验的问题,其是通过设计假设空间,检验统计量进行理论推导,寻找合适的判决门限,然后基于贝叶斯代价最小准则进行判决。基于决策理论的调制识别方法具有完备的理论依据,并保证了在贝叶斯最小代价准则下调制识别具有最佳的效果,因而其可以作为理论性能上界来检验其他识别算法的性能。但是在实际工程中,由于通信环境非常复杂,并且待识别的信号调制模式众多,使用基于决策理论调制方式识别所得到的调制模式正确识别率并不高,尤其是该类方法的抗干扰性差,在信噪比较低的条件下,识别性能会存在极大的不稳定,并且基于决策理论的调制识别算法需要复杂的理论推导,因而算法通用性差,不便于工程实现,其在实际应用中会受到极大的限制。
基于统计机器学习理论的调制方式模式识别,是利用统计机器学习理论来自动实现调制类型的识别,通用的实现流程通常包括通信信号的预处理和特征提取、信号分类器的训练学习,以及待分类信号的识别三个流程,该三个流程都可以快速有效的实现。上述基于统计机器学习的调制识别方式实现简单、性能优良可观,且具有很好的鲁棒性,可以自适应通信环境的变化,调制识别器在较低信噪比条件下仍然可以很好的完成通信信号调制识别任务,因而是当前主流的调制方式模式识别方法。
在基于统计机器学习理论的调制方式模式识别方式中,常用的一种即为基于深度神经网络的调制方式识别方法,神经网络是一种运算模型,其是由大量的节点(神经元)之间的相互联接构成,其中每一个节点代表一种特定的输出函数(激励函数),每两个节点之间的连接都代表着一个对于通过该连接信号的加权。基于深度神经网络实现信号调制方式识别中,大多是采用深层神经网络对信号的特征进行提取,然后通过分类器对调制方式进行识别,能够获得良好的识别精度以及鲁棒性。但是由于当神经网络层数越多时,相应所需的训练周期也会越长,要对模型进行调整也会更为复杂、不便,因而基于深度神经网络实现信号调制方式识别会存在以下问题:
1、由于信号调制方式众多,需要采用神经网络来实现复杂的多分类问题,要使用神经网络来实现复杂的多分类则需要提取大量的特征,形成非常复杂的网络,以满足众多不同类型信号调试方式的识别,不仅实现复杂、成本高,而且模型所需的训练周期较长,致使识别效率低。
2、由于对训练好的神经网络进行修改、调整较为复杂,而信号调制方式类型在不同的场景下可能出现的情况是不同的,因而实际上传统基于深度神经网络的信号调制方式识别方法通常只能实现一种或几种确定的类型,当需要增加其他类型的识别功能时,需要重新构建神经网络模型来实现,灵活性较差。
3、为满足众多信号调制方式识别的需求,需要采用复杂的神经网络,而复杂的神经网络的可控性比较差,一方面在训练过程中易出现梯度消失和梯度爆炸等问题,另一方面在分类效果上还易出现泛化能力不足和欠拟等问题。为了解决上述问题,需要大量重复的训练以及采用复杂的优化算法,而这又会进一步提高模型训练的复杂程度、延长模型所需的训练周期,同时降低识别效率。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种结构简单、识别效率高、灵活性强且精度高的为解决上述技术问题,本发明提出的技术方案为:
一种基于并行神经网络的信号调制方式识别系统,包括依次连接的输入模块、并行子网模块以及输出模块,所述并行子网模块包括多个并行连接的神经网络结构,每个所述神经网络结构对应为一个子网,各所述神经网络结构分别对应进行不同类型调制方式的识别,所述输入模块接收待识别信号,并进行编码后形成待处理数据帧分别分发给各所述神经网络结构,由所述输出模块根据各所述神经网络结构的识别结果得到最终的识别结果输出。
进一步的,所述神经网络结构的输入端设置有数据接收层,以及所述神经网络结构的输出端设置有数据发送层。
进一步的,还包括与所述输入模块连接的存储模块,所述存储模块中存储有各所述神经网络结构的注册表信息,以供所述输入模块进行调用,所述注册表信息包括编号、识别调制类型、工作使能、所在设备IP地址以及执行复杂度中任意一种或多种。
进一步的,所述存储模块还与所述输出模块连接,所述输出模块根据接收到各所述神经网络结构的输出结果以及所述存储模块中各所述神经网络结构的注册表信息,判定各所述神经网络结构的故障状态。
进一步的,还包括与各所述神经网络结构连接的判决控制模块,用于当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的所述神经网络结构未完成识别时,则控制所有未完成识别的神经网络结构停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出。
一种基于并行神经网络的信号调制方式识别方法,步骤包括:
S01.接收待识别信号,将待识别信号编码形成待处理数据帧后分别分发给两个以上的神经网络结构,其中各所述神经网络结构并行连接;
S02.各所述神经网络结构分别接收所述待处理数据帧进行不同类型调制方式的识别,输出识别结果;
S03.根据各所述神经网络结构的识别结果得到最终的识别结果输出。
进一步的,所述步骤S01中,具体根据调制方式类型的先验信息以及各所述神经网络结构预先存储的注册表信息,将待识别信号分发给部分的所述神经网络结构,所述注册表信息包括编号、识别调制类型、工作使能、所在设备IP地址以及执行复杂度中任意一种或多种。
进一步的,还包括根据接收到各所述神经网络结构的输出结果以及所述存储模块中各所述神经网络结构的注册表信息,判定各所述神经网络结构的故障状态。
进一步的,所述步骤S03中,具体当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的所述神经网络结构未完成识别时,则控制所有未完成识别的神经网络结构停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出。
进一步的,所述步骤S03中,若存在超过预设数量的目标神经网络结构输出的识别概率大于预设阈值,根据历史数据库记录结果判断各目标神经网络结构是否存在错判风险,对于判断存在错判风险的神经网络结构重新单独进行训练。
与现有技术相比,本发明的优点在于:
1、本发明由多个作为子网络的神经网络结构形成并行系统,每个神经网络结构的功能相互独立,每个神经网络结构只需进行特定一种或几种调制方式的判别,使得每个神经网络结构中仅需要使用简单的识别模以及少量的特征即能够满足识别需求,可以大大降低所使用的神经网络的复杂程度以及模型的训练周期,利于进行分布式部署,且能够快速、高效的完成各类型信号调试方式类型的识别。
2、本发明通过采用神经网络并行方式,每个神经网络结构相互独立,通过增加或减少子网的接入即可以方便、灵活的调整所需识别的调制方式种类,而无需重新训练整个的神经网络模型,可以大大提高系统的灵活性。
3、本发明通过采用神经网络并行方式,每个神经网络结构仅需使用简单的识别模型,因而还能够提高识别模型的可控性,使得无需设计复杂的优化算法就能有效的防止过拟合欠拟合等问题,还能够在训练中有效的减少梯度消失、梯度爆炸、陷入局部最优等问题。
4、本发明通过采用分布式部署方式,能够极大的降低网络对硬件的要求,同时提高网络部署的灵活性,还能够有效的降低硬件成本。
附图说明
图1是本实施例基于并行神经网络的信号调制方式识别系统的结构示意图。
图2是本实施例中子网络模型结构原理示意图。
图3是本实施例中网络与子网之间的数据
图4是本实施例中网络数据流向原理示意图。
图5是本发明具体应用实施例中基于并行神经网络实现信号调制方式识别的流程示意图。
图例说明:1、输入模块;2、并行子网模块;21、神经网络结构;3、输出模块。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于并行神经网络的信号调制方式识别系统包括依次连接的输入模块1、并行子网模块2以及输出模块3,并行子网模块2包括多个并行连接的神经网络结构21,每个神经网络结构21对应为一个子网,各神经网络结构21分别用于对应进行不同类型调制方式的识别,输入模块1接收待识别信号,并进行编码后分别分发给各神经网络结构21,由输出模块3根据各神经网络结构21的识别结果得到最终的识别结果输出,即识别出待识别信号的具体信号调试方式属于哪种类型。上述每个神经网络结构21具体通过配置使得对应进行一种调试方式的识别,各个神经网络结构21对应可实现N(神经网络结构21的数量)种调试方式的识别。
本实施例通过将多个神经网络结构21并行连接形成多个子网络,各神经网络结构21分别对应实现不同类型调制方式的识别,由输入模块1统一接入待识别信号,分发给各神经网络结构21进行识别,一个神经网络结构21实现一种调试方式的识别,由输出模块3根据各神经网络结构21的识别结果得到最终的识别结果,实现信号调制方式类型的识别。由于整个识别系统是由多个作为子网络的神经网络结构21组成,每个神经网络结构21的功能相互独立,每个神经网络结构21只需进行一种调制方式的判别,可以大大降低所使用的神经网络的复杂程度以及模型的训练周期,利于进行分布式部署,使得每个神经网络结构21中仅需要使用简单的识别模型、少量的特征,即可快速、高效的完成各类型信号调试方式类型的识别。同时由于每个神经网络结构2相互独立,通过增加或减少神经网络结构2的接入即可以方便、灵活的调整所需识别的调制方式种类,而无需重新训练整个的神经网络模型,具有很强的可拓展性。且由于每个神经网络结构21仅需使用简单的识别模型,因而还能够提高识别模型的可控性,使得无需设计复杂的优化算法就能有效的防止过拟合欠拟合等问题,还能够在训练中有效的减少梯度消失、梯度爆炸、陷入局部最优等问题。
在具体应用实施例中,可以根据不同应用场景下的需求,配置各神经网络结构21以形成不同的子网络模型,如配置多个神经网络结构以分别对应实现ASK(振幅键控)以及MASK(多进制数字振幅调制)、QAM(正交振幅调制)、QPSK等的识别,每个神经网络结构21对应的子网络具备完整的神经网络组件(包含输入层、隐藏层以及输出层等),各神经网络结构21预先分别进行独立的训练,以使得实现对应的调制方式类型的识别,结合各神经网络结构21的并行执行使得可以获得更好的分类性能。子网络模型配置的数量以及识别类型具体可以根据实际需求确定。由于各个神经网络结构21是独立训练以及独立进行识别的,因而当单个子网训练失败也无需重新训练整个网络,可以极大的提高了整体的训练的效率,单个子网发生故障也不会影响整体网络的识别功能,具有极大的容错能力。
为匹配实现多个神经网络的并行运行,本实施例中神经网络结构21的输入端设置有数据接收层,以及神经网络结构21的输出端设置有数据发送层,输入模块1通过数据发送单元连接各神经网络结构21的数据接收层,以建立网络连接进行数据传输,输出模块3通过数据接收单元连接各神经网络结构21的数据发送层,以建立网络连接进行数据传输。由输入模块1统一接入待识别信号进行预处理,并传输到与其连接的每一个子网络对应的神经网络结构21中;输出模块3则统一对每一个子网络对应的神经网络结构21输出结果进行收集和处理,综合得出最终的分类结果,输出最终的分类结果。
在具体应用实施例中,输入模块1、输出模块3以及N个子网(神经网络结构21)可灵活的部署在不同的M+2(M≤N)个计算单元中,实现分布式部署,这种分布式部署方式能够极大的降低网络对硬件的要求,同时提高网络部署的灵活性,还能够有效的降低硬件成本。
如图2所示,本实施例中每一个神经网络结构21与传统神经网络结构大致一致,相同之处在于同样包含输入层、K个隐含层和一个输出层,K值根据具体需要识别的调制方式决定。与传统神经网络结构不同之处在于,由于各神经网络结构21需要统一通过输入模块1输入数据、统一通过输出模块3输出数据,即各神经网络结构21需要与输入网络(输入模块1)的输出层直连、输出网络(输出模块3)的输入层直连,本实施例中每一个神经网络结构21在每一个子网(神经网络结构21)的输入层、输出层以及网络的输入输出层(输入模块1的输出端、输出模块3的输入端)增加数据接收或者发送的功能,以使得网络以及各子网能够建立直连的网络连接,如图3所示。由于每一个子网是一个独立的神经网络且相互独立,因此可单独对每一个神经网络进行单独训练,且由于每个子网只需对一种调制方式进行识别,可极大的减少每一个子网的复杂度,提高单个子网的训练训练速度,降低优化算法的复杂度。
由于待识别信号可能是持续的数据流,即需要持续的实现连续信号的识别,而各神经网络结构21与输入模块1、输出模块3之间是按照分布方式部署的,各神经网络结构21需要同步执行同一信号的识别,以确保最终识别的准确性,因而需要确保各神经网络结构21数据接收、数据发送的同步。本实施例中输入模块1、输出模块3与各子网之间的数据接收和数据发送具体采用TCP通信的方式进行,以确保数据准确无误的交互,且每一次数据都使用唯一编码区分,以便于各分布部署的各单元之间同步运行。数据段中具体包括帧头、帧识别码、网络输出层IP、数据长度、数据以及帧尾等字段,由帧识别码作为数据的唯一区分编码,由网络输出层IP存储当前子网的分类结果发送到网络输出层(输出模块3)中的IP地址,数据传输帧格式如下表1所示:
表1:数据传输帧格式。
数据段含义 | 字节数 |
帧头 | 8 |
帧识别码 | 8 |
网络输出层IP | 4 |
数据长度(Len) | 4 |
数据 | 4*Len |
帧尾 | 8 |
上述数据传输帧格式各个字段类型的配置、各字段字节数的配置均可以根据实际需求确定。各神经网络结构21通过输入层发送的数据帧,对数据帧解析后即可知道输出层的IP地址,从而各子网可以同步将分类结果统一发送到输出层。
本实施例中,还包括与输入模块1连接的存储模块,存储模块中存储有各神经网络结构21的注册表信息,以供输入模块1进行调用。为了提高网络部署的灵活性,本实施例中子网加入网络采用注册的方式,即一个子网(神经网络结构21)通过先完成注册表添加进网络,如表2所示,注册表信息包括子网编号、识别调制类型、子网工作使能、子网所在设备IP地址以及子网执行复杂度(如使用执行时间衡量)等,子网编号为预先为各神经网络结构21配置的唯一识别码,识别调制类型即为当前子网能够识别哪种类型的信号调试方式类型,子网工作使能为当前子网是否开启,依据注册表信息即可以直接获取各子网的信息,可以便于对各子网进行智能、灵活的管理,进一步提高识别的效率以及灵活性。
表2:子网注册表信息
编号 | 内容 |
1 | 子网编号(唯一识别码8位数字表示) |
2 | 识别调制类型 |
3 | 子网工作使能 |
4 | 子网所在设备IP |
5 | 子网复杂度(执行时间衡量) |
在具体应用实施例中,可通过实际的应用需求,修改子网工作使能标识位来灵活的改变网络网络组织,从而实现不同的分类分组,提高网络的效率;还可以根据子网的复杂度衡量子网运行所需时间,以作为判断子网是否正常运行的标准。
本实施例中,输入模块1接收到待识别信号后,根据调制方式类型的先验信息以及存储模块中各神经网络结构21的注册表信息,将待识别信号分发给部分的神经网络结构21。如果在识别前即能够获取一定的先验信息,如能够明确不会存在某些识别类型,则如果此时仍然并行启动所有的子网,则会造成不必要的开销,本实施例每次根据调制方式类型的先验信息以及注册表信息,确定出需要启动的部分神经网络结构21,通过发送工作使能信号使能各神经网络结构21,避免启动不必要的子网运行。
本实施例中,存储模块还与输出模块3连接,输出模块3根据接收到各神经网络结构21的输出结果以及存储模块中各神经网络结构21的注册表信息,判定各神经网络结构21的故障状态。如图4所示,输入层(输入模块1)通过访问注册表,明确网络中的子网(神经网络结构)个数以及各子网所在设备的IP,同时由于数据是按照从输入层(输入模块1)——子网(并行子网模块2)——输出层(输出模块3)单向传递,因此输出层(输出模块3)通过注册表,可以依据各子网的输出结果判断各子网的故障状态,如在一定时间内是否收到子网的输出结果,以确保每一个子网能够保持正常工作。
本实施例中,进一步配置输出层(输出模块3)还与输入层(输入模块1)反馈连接,形成环路连接,输出层(输出模块3)监测到的状态结果通过反馈支路反馈给输入层(输入模块1),若输出层(输出模块3)监测发现异常,若超时无结果输出,如远超过注册表中由子网的复杂度衡量对对应的子网运行所需时间,通过反馈支路向输入层反馈(输入模块1)以及上报子网异常情况,以及时对存在异常的子网进行处理,达到网络异常自检功能。在具体应用实施例中,可将注册表配置为只有网络的输入层(输入模块1)和输出层(输出模块)有访问权限,但是均没有修改权限,只有具有修改权限的管理员账户才能进行修改,以便增强网络的安全性。
本实施例中,还包括与各神经网络结构21连接的判决控制模块4,用于当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的神经网络结构21未完成识别时,则控制所有未完成识别的神经网络结构21停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出。由于不同神经网络结构21的复杂程度是不同的,相应的所需的执行时间也是不同的,如果已经有子网完成了识别,且从该子网的识别结果可以明确得出待识别信号大概率就是属于该识别类型,则实际上此时即可以得出最终的识别结果,而不必等到所有子网都完成识别,本实施例通过实时监测上述状况,当监测到上述状况时(已经有子网完成识别且能够得出最终识别结果)即时中断其余子网的运行,能够在确保识别精度的前提下,减少不必要的识别工作,进一步提高识别效率,同时降低硬件开销。
本实施例进一步基于并行神经网络的信号调制方式识别方法,步骤包括:
S01.接收待识别信号,将待识别信号编码形成待处理数据帧后分别分发给两个以上的神经网络结构21,其中各神经网络结构21并行连接;
S02.各神经网络结构21分别接收待处理数据帧进行不同类型调制方式的识别,输出识别结果,待处理数据帧中携带有识别结果的输出存储地址,即输出识别结果在输出模块3的输出层的IP地址;
S03.根据各神经网络结构21的识别结果得到最终的识别结果输出。
本实施例步骤S01中,具体根据调制方式类型的先验信息以及各神经网络结构21预先存储的注册表信息,将待识别信号分发给部分的神经网络结构21,以使能所需的子网运行而避免不必要的运行开销。注册表信息具体包括编号、识别调制类型、工作使能、所在设备IP地址以及执行复杂度等,如表2所示。
本实施例还包括根据接收到各神经网络结构21的输出结果以及各神经网络结构21的注册表信息,判定各神经网络结构21的故障状态,可以依据各子网的输出结果判断各子网的故障状态,如在一定时间内是否收到子网的输出结果,以确保每一个子网能够保持正常工作。
本实施例步骤S03中,具体当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的所述神经网络结构21未完成识别时,则控制所有未完成识别的神经网络结构21停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出,能够在确保识别精度的前提下,减少不必要的识别工作,进一步提高识别效率,同时降低硬件开销。
本实施例步骤S03中,若存在超过预设数量的目标神经网络结构输出的识别概率大于预设阈值,根据历史数据库记录结果判断各目标神经网络结构是否存在错判风险,对于判断存在错判风险的神经网络结构重新单独进行训练。在具体应用实施例中,若子网分类结果中存在多个概率较高(如大于80%)的分类结果,则记录并存储到数据库中,需要进一步判别是否存在有错判风险的子网。例如实际数据调制方式为16QAM,而子网1输入QPSK为91%,子网2输出16QAM为95%,则可根据数据库记录结果,判定子网1存在错判风险,再根据实际情况确定是否需重新对子网1进行单独训练,以实时监测出存在错判风险的子网,确保系统实时的识别可靠性。
本实施例基于并行神经网络的信号调制方式识别方法与上述基于并行神经网络的信号调制方式识别系统对应,两者具有相同的实现原理,在此不再一一赘述。
如图5所示,在具体应用实施例中采用如图1所示系统实现信号调制方式识别的步骤包括:
步骤1:设备将采集的IQ数据发送到网络的输入层(输入模块1);
步骤2:输入层(输入模块1)将数据打包发送到所有注册的子网;
步骤3:子网输入层接收到IQ调制数据后,往后端网络发送,后端网络根据自身需要的特征对数据进行处理,如进行短时傅里叶变换,小波变换等;
步骤4:子网不同维度的数据进行特征提取和分类,并将分类结果进行打包发送;
步骤5:输出层(输出模块3)收到各子网分类结果后,对分类结果进行综合处理判决,输出最终调制方式。
步骤6:当判断到存在目标子网输出的识别概率大于预设阈值,且此时还存在其他的子网未完成识别时,则控制所有未完成识别的子网停止识别,并将子网输出的识别结果作为最终的识别结果输出;若子网分类结果中存在多个概率较高的分类结果,则进一步判断对应子网是否存在错判风险,如果依据历史数据库判断存在错判风险,则对该子网重新对子网1进行单独训练。
本实施例中神经网络结构21设置有多个,神经网络结构21当然也可以根据实际需求只设置关键的两个,以降低复杂程度。本实施例中每个神经网络结构21只识别一种类型调制方式类型,实际上还可以配置为每个神经网络结构21识别两种以上的类型,相比于由一个神经网同时实现所有类型的识别,一个神经网络识别特定的两种或者更多类型的识别,仍然可以在一定程度上降低模型的复杂程度,同时所需要的神经网络数量可以大大减少,具体可以依据实际需求确定。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (9)
1.一种基于并行神经网络的信号调制方式识别系统,其特征在于:包括依次连接的输入模块(1)、并行子网模块(2)以及输出模块(3),所述并行子网模块(2)包括多个并行连接的神经网络结构(21),每个所述神经网络结构(21)对应为一个子网,各所述神经网络结构(21)分别对应进行不同类型调制方式的识别,所述输入模块(1)接收待识别信号,并进行编码后形成待处理数据帧分别分发给各所述神经网络结构(21),由所述输出模块(3)根据各所述神经网络结构(21)的识别结果得到最终的识别结果输出,若存在超过预设数量的目标神经网络结构输出的识别概率大于预设阈值,根据历史数据库记录结果判断各目标神经网络结构是否存在错判风险,对于判断存在错判风险的神经网络结构重新单独进行训练。
2.根据权利要求1所述的基于并行神经网络的信号调制方式识别系统,其特征在于:所述神经网络结构(21)的输入端设置有数据接收层,以及所述神经网络结构(21)的输出端设置有数据发送层。
3.根据权利要求1所述的基于并行神经网络的信号调制方式识别系统,其特征在于:还包括与所述输入模块(1)连接的存储模块,所述存储模块中存储有各所述神经网络结构(21)的注册表信息,以供所述输入模块(1)进行调用,所述注册表信息包括编号、识别调制类型、工作使能、所在设备IP地址以及执行复杂度中任意一种或多种。
4.根据权利要求3所述的基于并行神经网络的信号调制方式识别系统,其特征在于:所述存储模块还与所述输出模块(3)连接,所述输出模块(3)根据接收到各所述神经网络结构(21)的输出结果以及所述存储模块中各所述神经网络结构(21)的注册表信息,判定各所述神经网络结构(21)的故障状态。
5.根据权利要求1~4中任意一项所述的基于并行神经网络的信号调制方式识别系统,其特征在于:还包括与各所述神经网络结构(21)连接的判决控制模块(4),用于当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的所述神经网络结构(21)未完成识别时,则控制所有未完成识别的神经网络结构(21)停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出。
6.一种基于并行神经网络的信号调制方式识别方法,其特征在于,步骤包括:
S01.接收待识别信号,将待识别信号编码形成待处理数据帧后分别分发给两个以上的神经网络结构(21),其中各所述神经网络结构(21)并行连接,每个所述神经网络结构(21)对应为一个子网;
S02.各所述神经网络结构(21)分别接收所述待处理数据帧进行不同类型调制方式的识别,输出识别结果;
S03.根据各所述神经网络结构(21)的识别结果得到最终的识别结果输出;
所述步骤S03中,若存在超过预设数量的目标神经网络结构输出的识别概率大于预设阈值,根据历史数据库记录结果判断各目标神经网络结构是否存在错判风险,对于判断存在错判风险的神经网络结构重新单独进行训练。
7.根据权利要求6所述的基于并行神经网络的信号调制方式识别方法,其特征在于,所述步骤S01中,具体根据调制方式类型的先验信息以及各所述神经网络结构(21)预先存储的注册表信息,将待识别信号分发给部分的所述神经网络结构(21),所述注册表信息包括编号、识别调制类型、工作使能、所在设备IP地址以及执行复杂度中任意一种或多种。
8.根据权利要求6所述的基于并行神经网络的信号调制方式识别方法,其特征在于,还包括根据接收到各所述神经网络结构(21)的输出结果以及存储模块中各所述神经网络结构(21)的注册表信息,判定各所述神经网络结构(21)的故障状态。
9.根据权利要求6或7或8所述的基于并行神经网络的信号调制方式识别方法,其特征在于,所述步骤S03中,具体当判断到存在目标神经网络结构输出的识别概率大于预设阈值,且此时还存在其他的所述神经网络结构(21)未完成识别时,则控制所有未完成识别的神经网络结构(21)停止识别,并将目标神经网络结构输出的识别结果作为最终的识别结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057101.9A CN113792852B (zh) | 2021-09-09 | 2021-09-09 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057101.9A CN113792852B (zh) | 2021-09-09 | 2021-09-09 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792852A CN113792852A (zh) | 2021-12-14 |
CN113792852B true CN113792852B (zh) | 2024-03-19 |
Family
ID=78879805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111057101.9A Active CN113792852B (zh) | 2021-09-09 | 2021-09-09 | 基于并行神经网络的信号调制方式识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792852B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
CN109120563A (zh) * | 2018-08-06 | 2019-01-01 | 电子科技大学 | 一种基于神经网络集成的调制识别方法 |
CN109215631A (zh) * | 2017-07-05 | 2019-01-15 | 松下知识产权经营株式会社 | 语音识别方法、程序、语音识别装置和机器人 |
CN109657604A (zh) * | 2018-12-17 | 2019-04-19 | 中国人民解放军战略支援部队信息工程大学 | 基于循环神经网络的卫星幅相信号识别解调方法及装置 |
CN109802868A (zh) * | 2019-01-10 | 2019-05-24 | 中山大学 | 一种基于云计算的移动应用实时识别方法 |
CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN112149812A (zh) * | 2019-06-28 | 2020-12-29 | 英特尔公司 | 与硬件无关的深度神经网络编译器 |
CN112307927A (zh) * | 2020-10-26 | 2021-02-02 | 重庆邮电大学 | 基于bp网络针对非合作通信中mpsk信号的识别研究 |
CN113269299A (zh) * | 2020-02-14 | 2021-08-17 | 辉达公司 | 使用深度学习的机器人控制 |
WO2021169384A1 (zh) * | 2020-02-28 | 2021-09-02 | 北京市商汤科技开发有限公司 | 信息识别方法及装置、系统、电子设备、存储介质和计算机程序 |
-
2021
- 2021-09-09 CN CN202111057101.9A patent/CN113792852B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
CN109215631A (zh) * | 2017-07-05 | 2019-01-15 | 松下知识产权经营株式会社 | 语音识别方法、程序、语音识别装置和机器人 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
CN109120563A (zh) * | 2018-08-06 | 2019-01-01 | 电子科技大学 | 一种基于神经网络集成的调制识别方法 |
CN109657604A (zh) * | 2018-12-17 | 2019-04-19 | 中国人民解放军战略支援部队信息工程大学 | 基于循环神经网络的卫星幅相信号识别解调方法及装置 |
CN109802868A (zh) * | 2019-01-10 | 2019-05-24 | 中山大学 | 一种基于云计算的移动应用实时识别方法 |
CN110163282A (zh) * | 2019-05-22 | 2019-08-23 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN112149812A (zh) * | 2019-06-28 | 2020-12-29 | 英特尔公司 | 与硬件无关的深度神经网络编译器 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN113269299A (zh) * | 2020-02-14 | 2021-08-17 | 辉达公司 | 使用深度学习的机器人控制 |
WO2021169384A1 (zh) * | 2020-02-28 | 2021-09-02 | 北京市商汤科技开发有限公司 | 信息识别方法及装置、系统、电子设备、存储介质和计算机程序 |
CN112307927A (zh) * | 2020-10-26 | 2021-02-02 | 重庆邮电大学 | 基于bp网络针对非合作通信中mpsk信号的识别研究 |
Also Published As
Publication number | Publication date |
---|---|
CN113792852A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Braga et al. | Lightweight DDoS flooding attack detection using NOX/OpenFlow | |
CN113812126B (zh) | 报文传输方法、装置及系统,可读存储介质 | |
KR102028093B1 (ko) | 네트워크에 대한 이상행위 탐지 방법 및 이를 이용한 장치 | |
US11374944B2 (en) | Instant network threat detection system | |
CN114389940A (zh) | 故障恢复预案确定方法、装置及系统、计算机存储介质 | |
CN109768981B (zh) | 一种在sdn架构下基于机器学习的网络攻击防御方法和系统 | |
CN113259168B (zh) | 一种故障根因分析方法及装置 | |
KR20150037285A (ko) | 침입 탐지 장치 및 방법 | |
Tan et al. | A packet loss monitoring system for in-band network telemetry: Detection, localization, diagnosis and recovery | |
KR102083028B1 (ko) | 네트워크 침입탐지 시스템 | |
CN107210927A (zh) | 协议处理中的异常检测 | |
US7835641B2 (en) | Light emitter controlling | |
CN111988170A (zh) | 一种终端故障定位方法及装置 | |
CN113792852B (zh) | 基于并行神经网络的信号调制方式识别系统及识别方法 | |
CN101741745A (zh) | 识别对等网络应用流量的方法及其系统 | |
CN116723136B (zh) | 应用fcm聚类算法的网络检测数据的方法 | |
CN101753456B (zh) | 一种对等网络流量检测方法及其系统 | |
CN105024863A (zh) | 网络告警的处理方法、告警服务器和网络告警处理系统 | |
CN112003816A (zh) | 数据传输方法、装置、设备及存储介质 | |
Xu et al. | Entropy-driven adaptive INT and its applications in network automation of IP-over-EONs | |
CN114189834B (zh) | 一种轨道交通车地通信监管系统及方法 | |
US11916972B2 (en) | Traffic capture mechanisms for industrial network security | |
US20170132055A1 (en) | Determining Physical Layer Error Signatures of a Communications Link | |
CN117896237B (zh) | 一种针对网络组网的多设备互通场景监管系统 | |
Mendoza et al. | Detecting network soft-failures with the network link outlier factor (NLOF) |
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 |