CN113869227B - 一种信号调制方式识别方法、装置、设备及可读存储介质 - Google Patents

一种信号调制方式识别方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113869227B
CN113869227B CN202111151505.4A CN202111151505A CN113869227B CN 113869227 B CN113869227 B CN 113869227B CN 202111151505 A CN202111151505 A CN 202111151505A CN 113869227 B CN113869227 B CN 113869227B
Authority
CN
China
Prior art keywords
signal
modulation
training
identified
conversion
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
CN202111151505.4A
Other languages
English (en)
Other versions
CN113869227A (zh
Inventor
兰萍英
王平
王泽文
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202111151505.4A priority Critical patent/CN113869227B/zh
Publication of CN113869227A publication Critical patent/CN113869227A/zh
Application granted granted Critical
Publication of CN113869227B publication Critical patent/CN113869227B/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
    • 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
    • G06F2218/02—Preprocessing
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供了一种信号调制方式识别方法、装置、设备及可读存储介质，涉及无线通信技术领域，包括获取待识别信号和第一预设数量的训练信号；对待识别信号和训练信号数据集进行规则化处理后，使用训练深度学习模型；建立基于深度学习模型的调制识别数学模型，将待识别信号作为调制识别数学模型的输入信息，求解调制识别数学模型得到待识别信号的调制方式和识别概率，本发明通过将训练数据集做低通滤波处理，保留有效信号，可有效提升整个系统的识别性能；将待识别信号做低通滤波处理，可有效滤除干扰噪声，保留有效信号，提升信噪比，在非协作通信情况下，能够完成对多种调制信号的高精度识别。

Description

一种信号调制方式识别方法、装置、设备及可读存储介质
技术领域
本发明涉及无线通信技术领域，具体而言，涉及信号调制方式识别方法、装置、设备及可读存储介质。
背景技术
自动调制识别属于无线通信领域的一项重要技术，其在民用和军事领域都有着广泛的应用。而在传输数据以及发送端参数未知的前提下，对无线信号的调制方式进行盲识别是一个重大的挑战。在现有研究中所训练的网络，大多数只能适用于与训练信号数据集参数相同的仿真信号。但在非协作通信情况下，不可能已知信号源参数，所以，尽管模型训练和测试效果很好，在真实通信环境中，效果也是欠佳的，属于本领域亟待解决的问题。
发明内容
本发明的目的在于提供一种信号调制方式识别方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种信号调制方式识别方法，包括：获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；对所述待识别信号进行修复性转化得到修复后的所述待识别信号；将预设数量的训练信号转化得到训练信号数据集；建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率。
进一步地,所述对所述待识别信号进行修复性转化得到修复后的所述待识别信号，包括：对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；对第一转化信号进行低通滤波转化得到第二转化信号；获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；对所述第三转化信号进行归一化处理得到修复后的待识别信号。
进一步地,所述将预设数量的训练信号转化得到训练信号数据集，包括：逐个对每个所述训练信号进行低通滤波转化得到第一信号集；对所述第一信号集进行归一化处理得到所述训练信号集。
进一步地,所述将预设数量的训练信号转化得到训练信号数据集，之后包括：逐个将所述训练信号集中每个元素转化为IQ信号形式，并更新所述训练信号集中每个元素为IQ信号形式。
第二方面，本申请还提供了一种信号调制方式识别装置，包括：获取单元，用于获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；修复总单元，用于对所述待识别信号进行修复性转化得到修复后的所述待识别信号；转化总单元，用于将预设数量的训练信号转化得到训练信号数据集；学习单元，用于建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；识别单元，用于建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率。
进一步地，所述修复总单元包括：估计单元，用于对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；偏移修复单元，用于将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；滤波修复单元，用于对第一转化信号进行低通滤波转化得到第二转化信号；采样修复单元，用于获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；第一归一化单元，用于对所述第三转化信号进行归一化处理得到修复后的待识别信号。
进一步地，所述转化总单元包括：滤波转化单元，用于逐个对每个所述训练信号进行低通滤波转化得到第一信号集；第二归一化单元，用于对所述第一信号集进行归一化处理得到所述训练信号集。
进一步地，所述信号调制方式识别装置，还包括：IQ转化单元，用于逐个将所述训练信号集中每个元素转化为IQ信号形式，并更新所述训练信号集中每个元素为IQ信号形式。
第三方面，本申请还提供了一种信号调制方式识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述信号调制方式识别方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于信号调制方式识别方法的步骤。
本发明的有益效果为：
本发明通过将训练数据集做低通滤波处理，保留有效信号，可有效提升整个系统的识别性能；将待识别信号做低通滤波处理，可有效滤除干扰噪声，保留有效信号，提升信噪比，在非协作通信情况下，能够完成对多种调制信号的高精度识别。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的信号调制方式识别方法流程示意图；
图2为本发明实施例中所述的信号调制方式识别装置结构示意图；
图3为本发明实施例中所述的信号调制方式识别设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
自动调制识别属于无线通信领域的一项重要技术，其在民用和军事领域都有着广泛的应用。而在传输数据以及发送端参数未知的前提下，对无线信号的调制方式进行盲识别是一个重大的挑战。总体来说，调制识别一般分为两类：基于似然比的调制识别方法和基于特征的调制识别方法。基于似然比的调制识别方法是将待识别信号的似然函数与贝叶斯准则确定的阈值进行比较来做出决定的。似然比算法提供的解决方案在贝叶斯意义上是最佳解决方案，即它将错误分类的可能性降至最小。然而，当未知参数偏多时，分类精度会严重下降，当调制信号类型较多时，似然比算法的计算复杂度较高。
在现有研究中所训练的网络，大多数只能适用于与训练信号数据集参数相同的仿真信号。但在非协作通信情况下，不可能已知信号源参数，所以，尽管模型训练和测试效果很好，在真实通信环境中，效果也是欠佳的。
实施例1：
本实施例提供了一种信号调制方式识别方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。
S100、获取第一信息，第一信息包括待识别信号和第一预设数量的训练信号，训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号。并且训练信号参数特性的相同。
需要说明的是，在本步骤中所提及的第一预设数量为14万，其中对于本领域的技术人员而言，第一预设数量可以选择其他数量，本申请中不做出具体限制。对于待识别信号其为通信接收器接收到的信号。
同时，在本方法中所提及的模拟调制方式包括：AM(幅度调制)和FM(频率调制)方式，而数字调制方式包括：BPSK(二进制相移键控调制)、QPSK(正交相移键控调制)、OQPSK(偏移四相相移键控)、pi/4QPSK(pi/4四相移键控)、2FSK(二进制频移键控调制)、4FSK(四元频移键控调制)、8PSK(8移相键控调制)、8QAM(8相正交振幅调制)、16QAM(16相正交振幅调制)、32QAM(32相正交振幅调制)、16APSK(16相振幅键控调制)和32APSK(32相振幅键控调制)。
S200、对待识别信号进行修复性转化得到修复后的待识别信号。
在本方法中考虑到信号在传输的过程中，可能会受到环境干扰，使得信号因噪声、频偏、衰落而受损。对待识别信号进行修复性转化一方面可以修复受损信号，增强网络结构的适应性，提高对信号进行调制方式识别的准确度，另一方面也便于后续深度学习算法进行特征识别。
进一步而言，在本申请中修复性转化包括低通滤波转化处理。其具体处理过程见下文。
S300、将预设数量的训练信号转化得到训练信号数据集。
需要说明的是，在本方法中为了提升深度学习算法的适应性，提升最后识别的准确性，在本步骤中转化过程还包括低通滤波转化处理，通过上述方式可以使待识别信号的参数特性与训练信号的参数特性基本一致，从而提高在非协作通信低信噪比信道情况下信号调制方式识别准确率，系统的适应性也进一步得以提升。
S400、逐个将训练信号集中每个元素转化为IQ信号形式，并更新训练信号集中每个元素为IQ信号形式。
需要说明的是，在本方法中为进一步提升本方法的鲁棒性，克服多种环境影响，本方法中通过利用I/Q信号形式，其包含I正交分量和Q同相分量，两者结合组成了一个完整的样本点，可以便于确定信号的多种特征信息。随后通过IQ信号进行卷积网络训练，实现了多种调制方式的较高的识别率。
S500、建立基于二维卷积神经网络算法的深度学习模型，利用训练信号数据集训练深度学习模型，得到训练后的深度学习模型。
S600、建立基于训练后的深度学习模型的调制识别数学模型，将修复后的待识别信号作为调制识别数学模型的输入信息，求解调制识别数学模型得到待识别信号的调制方式和识别概率。
本方法中将训练信号做低通滤波处理，保留有效信号，可有效提升整个系统的识别性能；将待识别信号做低通滤波处理，可有效滤除干扰噪声，保留有效信号，提升信噪比。在非协作通信情况下，能够完成对多种调制信号的高精度识别。
具体而言，在一些其他的实施例中，步骤S200中还包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。
S210、对修复后的待识别信号进行频偏估计得到频率偏移估计值。
需要说明的是在本步骤的频率偏移估计值计算方式为，首先将修复后的待识别信号进行FFT变换，将其转化为频域信号，然后在频域信号中估计信号中心f0和中心频率对应的频域幅值V0。其具体的估算方式为本领域的本领域的公知常识本申请中不再赘述。其中f0即作为频率偏移估计值。
S220、将修复后的待识别信号和频率偏移估计值作为第一预设公式的输入信息，求解第一预设公式得到第一转化信号。
其中在本实施中，第一预设公式具体如下：
Figure BDA0003287292520000081
其中,r1(t)为第一转化信号，r(t)为修复后的待识别信号，foffset为频率偏移估计值。
S230、对第一转化信号进行低通滤波转化得到第二转化信号。
需要说明的是，在本申请中的信号低通滤波为根据S210步骤中得到的频域幅值选择低通滤波的带宽。在本实施中优选为巴特沃斯低通滤波器。对于本领域的技术人员，也可以选择其余的低通滤波器，本申请中不作出具体的限制。通过本步骤对于待识别信号做低通滤波处理，可有效滤除干扰噪声，保留有效信号，提升信噪比。
S240、获取训练信号的采样率与带宽比，根据采样率与带宽比对第二转化信号进行重采样得到第三转化信号。
在本步骤中通过根据训练信号的参数特性，对第二转化信号进行重采样，才能够提高调制识别数学模型对于待识别信号判断正确率。
S250、对第三转化信号进行归一化处理得到修复后的待识别信号。
在本发明对待识别信号进行频偏估计、符号速率估计、信号滤波、信号重采样等一系列预处理，使得因噪声、频偏、衰落而受损的信号得以修复，从而提高对信号进行调制方式识别的准确度。
具体而言，在一些其他的实施例中，步骤S300中还包括步骤S310和步骤S320。
S310、逐个对每个训练信号进行低通滤波转化得到第一信号集。
S320、对第一信号集进行归一化处理得到训练信号集。
在本方法中，通过将训练信号和待识别信号同时也做低通滤波处理，通过上述步骤，在本实施例中，可以使待识别信号的参数特性与训练信号的参数特性基本一致，从而提高在非协作通信低信噪比信道情况下信号调制方式识别准确率，系统的适应性也进一步得以提升。同时训练信号和待识别信号均进行规则化处理，解决了准确率严重依赖信号源的参数问题，一种适用于复杂场景的调制方式识别方法得以运用。
具体而言，在一些其他的实施例中，步骤S500中包括步骤S510。
S510、建立深度学习模型，深度学习模型自输入层至输出层之间包含至少两个二维卷层、与二维卷层数量的相同的池化层、与二维卷层数量的相同的激活层、一个全连接层和softmax归一化层，二维卷层、池化层和激活层依次级联，全连接层级联在最后一个激活层后面，全连接层之后级联softmax归一化层，最后一级池化层为平均池化层，其余池化层为最大池化层。
需要说明的是，在本步骤中共计有5个卷积层，其中卷积核数分别为依次为16、24、32、48和64。其中激活层为使用ReLU激活函数。其中，池化层提取输入数据特征，归一化层被用来加速网络训练，能解决复杂模型的训练难度，还能防止梯度的消失和内部数据分布的偏移现象。使用ReLU激活函数，能够提升其非线性映射能力，其中全连接层的神经元个数由信号种类数决定。
具体而言，在一些其他的实施例中，步骤S600中包括步骤S610、步骤S620、步骤S630和步骤S640。
S610、将修复后的待识别信号分为第二预设数量的小段，每个小段包括第三预设数量的点。为了便于理解，即第二预设数量简称为K。
需要说明的是，在本步骤中所提及的第三预设数量为卷积神经网络算法中神经元的数目，而对应的第二预设数量为根据实际情况而进行划分，本申请中选择为1024。对于本领域技术人员而言其可根据实际情况选择其他数量，本申请中不作出具体的限制。
S620、逐一将每个小段作为训练后的深度学习模型的输入信息，求解训练后的深度学习模型得到第二信息，第二信息包括每个小段对应的调制方式和子识别概率。
S630、将概率值最大的调制类型作为待识别信号的调制方式。即若第i段的识别类型为Mi，则这K段中将识别概率最高的调制类型作为信号识别类型输出
S640、将第二信息作为第二预设公式的输入信息，求解第二预设公式得到识别概率。
需要说明的是，在本步骤中第二预设公式具体如下：
Figure BDA0003287292520000101
其中，P为识别概率，K为第二预设数量，M为识别类型。
通过上述步骤，仅经过划分信号进行使得每个神经网络均进行一次识别，选取调制方式被识别次数最多的一个，能有效提升本方法的识别准备率。
实施例2：
如图2所示，本实施例提供了一种信号调制方式识别装置，装置包括：
获取单元1，用于获取第一信息，第一信息包括待识别信号和第一预设数量的训练信号，训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号。
修复总单元2，用于对待识别信号进行修复性转化得到修复后的待识别信号。
转化总单元3，用于将预设数量的训练信号转化得到训练信号数据集。
学习单元5，用于建立基于二维卷积神经网络算法的深度学习模型，利用训练信号数据集训练深度学习模型，得到训练后的深度学习模型。
识别单元6，用于建立基于训练后的深度学习模型的调制识别数学模型，将修复后的待识别信号作为调制识别数学模型的输入信息，求解调制识别数学模型得到待识别信号的调制方式和识别概率。
在一些具体的实施例中，其中修复总单元2包括：
估计单元21，用于对修复后的待识别信号进行频偏估计得到频率偏移估计值。
偏移修复单元22，用于将修复后的待识别信号和频率偏移估计值作为第一预设公式的输入信息，求解第一预设公式得到第一转化信号。
滤波修复单元23，用于对第一转化信号进行低通滤波转化得到第二转化信号。
采样修复单元24，用于获取训练信号的采样率与带宽比，根据采样率与带宽比对第二转化信号进行重采样得到第三转化信号。
第一归一化单元25，用于对第三转化信号进行归一化处理得到修复后的待识别信号。
在一些具体的实施例中，其中转化总单元3包括：
滤波转化单元31，用于逐个对每个训练信号进行低通滤波转化得到第一信号集。
第二归一化单元32，用于对第一信号集进行归一化处理得到训练信号集。
在一些具体的实施例中，其中装置还包括：
IQ转化单元4，用于逐个将训练信号集中每个元素转化为IQ信号形式，并更新训练信号集中每个元素为IQ信号形式。
在一些具体的实施例中，其中学习单元5还包括：
建模单元51，用于建立深度学习模型，深度学习模型自输入层至输出层之间包含至少两个二维卷层、与二维卷层数量的相同的池化层、与二维卷层数量的相同的激活层、一个全连接层和softmax归一化层，二维卷层、池化层和激活层依次级联，全连接层级联在最后一个激活层后面，全连接层之后级联softmax归一化层，最后一级池化层为平均池化层，其余池化层为最大池化层。
在一些具体的实施例中，其中识别单元6还包括：
拆分单元61，用于将修复后的待识别信号分为第二预设数量的小段，每个小段包括第三预设数量的点。
识别子单元62，用于逐一将每个小段作为训练后的深度学习模型的输入信息，求解训练后的深度学习模型得到第二信息，第二信息包括每个小段对应的调制方式和子识别概率。
调制确认单元63，用于将概率值最大的调制类型作为待识别信号的调制方式。
概率计算单元64，用于将第二信息作为第二预设公式的输入信息，求解第二预设公式得到识别概率。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种信号调制方式识别设备，下文描述的一种信号调制方式识别设备与上文描述的一种信号调制方式识别方法可相互对应参照。
图3是根据示例性实施例示出的一种信号调制方式识别设备800的框图。如图3所示，该信号调制方式识别设备800可以包括：处理器801，存储器802。该信号调制方式识别设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该信号调制方式识别设备800的整体操作，以完成上述的信号调制方式识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该信号调制方式识别设备800的操作，这些数据例如可以包括用于在该信号调制方式识别设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该信号调制方式识别设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，信号调制方式识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的信号调制方式识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的信号调制方式识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由信号调制方式识别设备800的处理器801执行以完成上述的信号调制方式识别方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种信号调制方式识别方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的信号调制方式识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种信号调制方式识别方法，其特征在于，包括：
获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；
对所述待识别信号进行修复性转化得到修复后的所述待识别信号；
将预设数量的训练信号转化得到训练信号数据集；
建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；
建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率；
其中,所述对所述待识别信号进行修复性转化得到修复后的所述待识别信号，包括：
对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；
将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；
其中，第一预设公式为：
Figure FDA0004199965170000011
其中,r1(t)为第一转化信号，r(t)为修复后的待识别信号，foffset为频率偏移估计值；
对第一转化信号进行低通滤波转化得到第二转化信号；
获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；
对所述第三转化信号进行归一化处理得到修复后的待识别信号；
其中，建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率，包括：
将修复后的待识别信号分为第二预设数量的小段，每个小段包括第三预设数量的点；
逐一将每个小段作为训练后的深度学习模型的输入信息，求解训练后的深度学习模型得到第二信息，第二信息包括每个小段对应的调制方式和子识别概率；
将概率值最大的调制类型作为待识别信号的调制方式；
将第二信息作为第二预设公式的输入信息，求解第二预设公式得到识别概率；
需要说明的是，第二预设公式具体如下：
Figure FDA0004199965170000021
其中，P为识别概率，K为第二预设数量，M为识别类型。
2.根据权利要求1所述的信号调制方式识别方法，其特征在于,所述将预设数量的训练信号转化得到训练信号数据集，包括：
逐个对每个所述训练信号进行低通滤波转化得到第一信号集；
对所述第一信号集进行归一化处理得到所述训练信号集。
3.根据权利要求1所述的信号调制方式识别方法，其特征在于,所述将预设数量的训练信号转化得到训练信号数据集，之后包括：
逐个将所述训练信号集中每个元素转化为IQ信号形式，并更新所述训练信号集中每个元素为IQ信号形式。
4.一种信号调制方式识别装置，其特征在于，包括：
获取单元，用于获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；
修复总单元，用于对所述待识别信号进行修复性转化得到修复后的所述待识别信号；
转化总单元，用于将预设数量的训练信号转化得到训练信号数据集；
学习单元，用于建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；
识别单元，用于建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率；
其中，所述修复总单元包括：
估计单元，用于对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；
偏移修复单元，用于将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；其中，第一预设公式为：
Figure FDA0004199965170000031
其中,r1(t)为第一转化信号，r(t)为修复后的待识别信号，foffset为频率偏移估计值；
滤波修复单元，用于对第一转化信号进行低通滤波转化得到第二转化信号；
采样修复单元，用于获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；
第一归一化单元，用于对所述第三转化信号进行归一化处理得到修复后的待识别信号；
其中，识别单元还包括：
拆分单元，用于将修复后的待识别信号分为第二预设数量的小段，每个小段包括第三预设数量的点；
识别子单元，用于逐一将每个小段作为训练后的深度学习模型的输入信息，求解训练后的深度学习模型得到第二信息，第二信息包括每个小段对应的调制方式和子识别概率；
调制确认单元，用于将概率值最大的调制类型作为待识别信号的调制方式；
概率计算单元，用于将第二信息作为第二预设公式的输入信息，求解第二预设公式得到识别概率。
5.根据权利要求4所述的信号调制方式识别装置，其特征在于，所述转化总单元包括：
滤波转化单元，用于逐个对每个所述训练信号进行低通滤波转化得到第一信号集；
第二归一化单元，用于对所述第一信号集进行归一化处理得到所述训练信号集。
6.根据权利要求4所述的信号调制方式识别装置，其特征在于，所述信号调制方式识别装置，还包括：
IQ转化单元，用于逐个将所述训练信号集中每个元素转化为IQ信号形式，并更新所述训练信号集中每个元素为IQ信号形式。
7.一种信号调制方式识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述信号调制方式识别方法的步骤。
8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述信号调制方式识别方法的步骤。
CN202111151505.4A 2021-09-29 2021-09-29 一种信号调制方式识别方法、装置、设备及可读存储介质 Active CN113869227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111151505.4A CN113869227B (zh) 2021-09-29 2021-09-29 一种信号调制方式识别方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111151505.4A CN113869227B (zh) 2021-09-29 2021-09-29 一种信号调制方式识别方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113869227A CN113869227A (zh) 2021-12-31
CN113869227B true CN113869227B (zh) 2023-06-09

Family

ID=78992766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111151505.4A Active CN113869227B (zh) 2021-09-29 2021-09-29 一种信号调制方式识别方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113869227B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173936B (zh) * 2022-06-30 2023-07-21 烽火通信科技股份有限公司 一种光模块识别标记方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699777A (zh) * 2020-12-29 2021-04-23 成都信息工程大学 一种基于卷积神经网络的盲信号调制类型识别方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124381B (zh) * 2017-03-27 2020-05-22 华南理工大学 一种数字通信信号调制方式自动识别方法
CN109787927A (zh) * 2019-01-03 2019-05-21 荆门博谦信息科技有限公司 基于深度学习的调制识别方法和装置
US11477060B2 (en) * 2019-04-16 2022-10-18 Motorola Solutions, Inc. Systems and methods for modulation classification of baseband signals using attention-based learned filters
US11996967B2 (en) * 2019-11-15 2024-05-28 Intel Corporation Low peak-to-average power ratio (PAPR) reference signal (RS) design for high frequency bands
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
CN111510408B (zh) * 2020-04-14 2021-05-07 北京邮电大学 信号调制方式识别方法、装置、电子设备及存储介质
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
CN112115821B (zh) * 2020-09-04 2022-03-11 西北工业大学 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN112910812B (zh) * 2021-02-25 2021-10-22 电子科技大学 一种基于时空特征提取深度学习的调制模式识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699777A (zh) * 2020-12-29 2021-04-23 成都信息工程大学 一种基于卷积神经网络的盲信号调制类型识别方法

Also Published As

Publication number Publication date
CN113869227A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
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
CN108234370B (zh) 基于卷积神经网络的通信信号调制方式识别方法
CN108718288B (zh) 基于卷积神经网络的数字信号调制模式识别方法
Lin et al. Learning of time-frequency attention mechanism for automatic modulation recognition
CN111614398B (zh) 基于异或神经网络的调制格式及信噪比识别方法及装置
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN113869227B (zh) 一种信号调制方式识别方法、装置、设备及可读存储介质
CN111431825B (zh) 一种基于深度多流神经网络的信号自动分类识别方法
Sun et al. Automatic modulation classification using techniques from image classification
Ali et al. Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels
Wong et al. Estimation of transmitter I/Q imbalance using convolutional neural networks
CN113726711B (zh) Ofdm接收方法和装置、信道估计模型训练方法和装置
Yin et al. The performance analysis of signal recognition using attention based cnn method
CN113239788A (zh) 一种基于Mask R-CNN的无线通信调制模式识别方法
CN116896492A (zh) 基于多通道注意力网络的调制编码联合识别方法及系统
CN111555990A (zh) 基于长短时记忆残差网络的信道插值估计方法
CN116132235A (zh) 一种基于深度学习的连续相位调制信号解调方法
CN115086123B (zh) 基于时频图和星座图融合的调制识别方法及系统
Kalade et al. Using sequence to sequence learning for digital bpsk and qpsk demodulation
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN113242201B (zh) 基于生成分类网络的无线信号增强解调方法及系统
CN114826850A (zh) 基于时频图和深度学习的调制识别方法、装置及设备
Wong et al. An analysis of RF transfer learning behavior using synthetic data
CN113472713A (zh) 一种基于神经网络的高阶调制信号解调方法和接收机
CN111917674A (zh) 一种基于深度学习的调制识别方法

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