CN113902095A - 一种无线通信自动调制识别方法、装置与系统 - Google Patents

一种无线通信自动调制识别方法、装置与系统 Download PDF

Info

Publication number
CN113902095A
CN113902095A CN202111141243.3A CN202111141243A CN113902095A CN 113902095 A CN113902095 A CN 113902095A CN 202111141243 A CN202111141243 A CN 202111141243A CN 113902095 A CN113902095 A CN 113902095A
Authority
CN
China
Prior art keywords
signal
noise ratio
layer
layers
matrix
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.)
Pending
Application number
CN202111141243.3A
Other languages
English (en)
Inventor
杨静雅
周一青
刘玲
彭燕
石晶林
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.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
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 Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN202111141243.3A priority Critical patent/CN113902095A/zh
Publication of CN113902095A publication Critical patent/CN113902095A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。本发明在高信噪比下，与现有的深度学习模型相比，所提的GuResNet的调制识别精度好于其他的DL模型；在低信噪比下，所提出的信噪比感知机制，可以显著提升识别性能。

Description

一种无线通信自动调制识别方法、装置与系统
技术领域
本发明涉及无线通信技术领域、尤其涉及低信噪比环境中高精度智能调制识别的方法和系统。
背景技术
自动调制识别(automatic modulation recognition，AMR)技术在军事和民事中都有广泛的应用，例如电子对抗，信号侦查和频谱检测。现有的自动调制识别方法通常分为基于似然(likelihood-based，LB)的方法和基于特征(feature-based，FB)的方法。具体而言，基于似然的方法在假设已知信道信息(例如，信道衰落模型)的条件下构造似然函数。然后，最大化似然函数获得接收信号可能的调制类别。然而，在实际环境中很难获得精确的信道信息，从而导致LB方法难以广泛应用。基于特征的方法可以显著解决以上问题。传统基于特征的方法包含两步，分别为特征提取和模式识别。对于特征提取，人工提取信号特征，例如高阶累积量、循环谱特征和星座图特征等。对于模式识别，基于提取的特征构造合适的分类器(例如决策树，支持向量机)识别该特征，从而区分信号不同的调制方式。然而，传统的FB方法严重依赖于人工提取的信号特征，而这些特征可能是低质量的，从而导致较低的调制识别精度。
近年来，深度学习(deep learning，DL)成功应用于各种领域，例如计算机视觉和语音分析。深度学习依赖多层神经网络自动抽象和提取高质量的特征，展示出强有力的分类和预测能力。因此，基于深度学习的FB方法已经开始应用于AMR任务以解决传统FB方法存在的问题。现有研究普遍基于成熟的用于图像分类任务的DL架构(例如，卷积神经网络)，在高斯白噪声(additive white gaussian noise，AWGN)和多径信道中表现很好。然而，在实际的通信信道中通常还包含一些其他的自然和人工的损伤，例如载波频率偏移、时钟漂移和相位偏移。并且这些损伤导致信号出现未知的缩放、平移和翻转，从而增加了AMR难度。现有研究由于直接采用DL模型，没有结合信号自身的特性(例如，时域信号包络特征)进行针对性设计，在包含损伤的信道环境中，难以保障高的识别精度。因此，有必要探索更加有效的DL架构，并结合信号特性提升AMR性能。
深度残差网络(deep residual network，ResNet)，主要包含输入模块、残差单元和输出模块，在图像分类任务中取得的性能好于一些其他的DL模型(例如，GoogLeNet模型，VGG模型)。一些研究开始在更加实际的通信场景中应用残差网络进行AMR，然而在低信噪比下(信噪比低于0dB)也无法提供很好的性能。存在的问题如下：对于输入模块，首先采用7×7的大尺寸卷积核，难以学习信号特征细节。卷积操作之后紧接着是池化层，其包含一些下采样操作，损失部分信号特征。对于残差单元，残差网络通常简单堆叠多个残差单元(例如，16个残差单元)，基于低层特征(例如边缘，梯度特征)抽象高层特征图(例如，信号包络特征)，导致网络更加复杂，容易过拟合。对于输出模块，通常采用全连接层将特征图转换为类别，极大增加了网络训练参数，使得网络泛化能力差。
此外，在低信噪比场景下信号容易淹没在噪声中，导致深度学习模型难以有效的抽象信号特征，并且现有的模型训练机制通常不区分信噪比训练深度学习模型，增加了模型识别的复杂度。
发明内容
本发明针对上述问题，根据本发明的第一方面，提出一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。
在本发明的一个实施例中，其中残差单元包括1个ConvBlackA单元和5个ConvBlackB单元。
在本发明的一个实施例中，其中输入模块包括：5×5卷积层、BN层和PReLU层。
在本发明的一个实施例中，其中输出模块包括：PReLU层、Gaussian Dropout层、GAP层和Softmax层。
根据本发明的第二方面，提供一种无线通信系统的自动调制识别模型的训练方法，包括
步骤200：利用信噪比小于等于低信噪比阈值的信号，使用二阶勒让德多项式提取所述信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，获取对应于不同的低信噪比信号的多个训练样本；
步骤300：使用所述对应于不同的低信噪比信号的多个训练样本训练本发明的用于无线通信自动调制识别的神经网络系统，以得到对应于不同的低信噪比的多个神经网络模型，其中每个低信噪比神经网络模型对应于一个低信噪比范围。
在本发明的一个实施例中，在步骤200之前，还包括使用所有信噪比下的信号样本训练本发明的用于无线通信自动调制识别的神经网络系统，以得到一个通用的网络模型以及超参数，包括：采用信号的多个连续采样点的同向分量和正交分量特征形成行数为2的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，使用多个训练样本进行训练。
根据本发明的第三方面，提供一种无线通信系统的自动调制识别方法，
包括：
步骤1000：对于接收到的基带复信号，采用信噪比估计算法，利用信号的时域和频域特性，估计该信号的信噪比值；
步骤2000：提取信号特征，当信噪比小于或等于预定的低信噪比阈值时，使用二阶勒让德多项式提取信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经本发明的无线通信系统的自动调制识别模型的训练方法训练的适用于该信号的对应低信噪比范围的低信噪比神经网络模型，识别所述信号的调制方式。
在本发明的一个实施例中，其中步骤2000还包括：
步骤2100：如果该信号的信噪比大于低信噪比阈值，采用多个连续采样点的同向分量和正交分量特征以形成行数为2的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经本发明的无线通信系统的自动调制识别模型的训练方法训练的通用模型，识别所述信号的调制方式。
根据本发明的第四方面，提供一种计算机可读存储介质，其中存储有一个或者多个计算机程序，所述计算机程序在被执行时用于实现本发明的无线通信系统的自动调制识别方法或无线通信系统的自动调制识别模型的训练方法。
根据本发明的第五方面，提供一种计算系统，包括：
存储装置、以及一个或者多个处理器；
其中，所述存储装置用于存储一个或者多个计算机程序，所述计算机程序在被所述处理器执行时用于实现本发明的无线通信系统的自动调制识别方法或无线通信系统的自动调制识别模型的训练方法。
本发明在高信噪比下，与现有的深度学习模型相比，所提的GuResNet的调制识别精度好于其他的DL模型；在低信噪比下，所提出的信噪比感知机制，可以显著提升识别性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。在附图中：
图1示出了本发明实施例的自动调制识别流程图；
图2示出了本发明的通用无线通信系统模型；
图3示出了本发明实施例的深度残差神经网络结构图；
图4(a)示出了本发明的深度残差神经网络残差块ConvBlackA的结构图；
图4(b)示出了本发明的深度残差神经网络残差块ConvBlackB的结构图；
图5示出了展示了所提方法SG-NET和基线方法的分类精度与SNR的关系；
图6示出了所提方法SG-NET和基线方法的分类精度与信噪比估计误差的关系。
具体实施方式
针对背景技术中提出的问题，发明人进行了研究，以提高调制识别精度为目标，提出了一种无线通信自动调制识别方法、装置与系统。图1示出了本发明的自动调制识别流程图。无线通信系统发送端将信号调制后发出，接收端收到大量调制后的基带复信号数据，信号预处理从复信号中提取信号特征，再由训练后的深度残差网络根据信号特征，识别调制信号类型。由于信号受到AWGN、多径效应、载波频率偏移和时钟漂移等各种噪音的干扰，导致信号出现未知的缩放、平移和翻转。因此，需要对信号进行预处理，提取信号特征，降低噪音的影响。当信噪比超过0dB时，考虑信号受噪音干扰比较小，对该信号不做任何处理；当信噪比低于0dB时，考虑信号受噪音干扰比较大，使用二阶勒让德多项式方法提取信号交互特征。本发明还设计了新颖的鲁棒深度残差网络模型，提升调制信号类型识别效率。
以下对本发明进行详细介绍。
1.接收基带复信号
图2示出了本发明中的通用无线通信系统模型。信号bn∈{0,1}通过发射机的信源编码(包含信道编码)被映射为一个新的二进制序列，该序列经过信号调制被映射为符号sn。通过数模转换器，sn被映射为模拟连续的基带信号
Figure BDA0003284024850000051
其中gT(t)是信号脉冲。通过上变频，可以获得带通信号s(t)
Figure BDA0003284024850000052
其中，fc是发射端产生的载波频率，Tb是符号周期。
考虑多径衰落信道h(t,τ)，其包含一些实际信道损伤，例如载波频率偏移ΔLo(t)和采样率偏移Δclk(t)，则通用的接收信号r(t)被表示为
Figure BDA0003284024850000061
其中，nadd(t)表示均值为0，方差为
Figure BDA0003284024850000062
的高斯白噪音，τ是时间t的多径时延，τ0是最大时延扩展。
对于接收信号r(t)，以频率
Figure BDA0003284024850000063
进行采样，生成离散序列rn＝r(nTs),其中n∈{1,2,…,M}是采样点的采样序数，M为采样数量，Ts是采样周期。其中，接收信号r(t)包含两部分，同向分量rI和正交分量rQ，离散序列rn也包括同向分量rI(n)和正交分量rQ(n)
rn＝rI(n)+jrQ(n)， (3)
其中rI(n)和rQ(n)构成IQ序列。M个采样点的数据组成r
r＝{r1,r2,...,rM} (4)
2.信号预处理
本发明采用低信噪比阈值区分高信噪比和低信噪比，低信噪比阈值可以为0dB或5dB，也可根据需要设置为其它值，低于低信噪比阈值的为低信噪比，高于低信噪比阈值的为高信噪比。在高信噪比场景中，信号受噪音干扰比较小，为了不增加整个系统的复杂度，本发明对该信号直接采用信号的同向分量和正交分量作为特征，将第n采样点的同向分量和正交分量分别作为矩阵第n列的两个元素，M个采样点的同向分量和正交分量形成2×M的矩阵，作为深度残差神经网络的一个训练样本,优选地，M为128。
在低信噪比场景中，信号受噪音干扰比较大导致信号特征易被淹没在噪声中，增大调制识别难度。因此，本发明创新性的采用勒让德多项式对信号进行预处理，提取信号同向和正交分量的交互特征，增强低信噪比下的AMR性能。其中，勒让德多项式可以表示为
Figure BDA0003284024850000064
其中，m是勒让德多项式阶数，x＝[xI,xQ]是接收的IQ信号数据。如果勒让德多项式有偶数阶，q∈[0,m/2]，否则，q∈[0,(m-1)/2]。为了提取交互特征而不会使得整个方法更加复杂，本发明采用二阶勒让德多项式
Figure BDA0003284024850000071
因此，提取出的二阶勒让德多项式特征为xI，xQ，
Figure BDA0003284024850000072
Figure BDA0003284024850000073
共五维。其中，
Figure BDA0003284024850000074
为提取的IQ信号的交互特征，在第n采样点，公式(3)中，rI(n)为xI，rQ(n)为xQ。将第n采样点的上述五个特征作为矩阵的第n列，形成5×M的矩阵，作为深度残差神经网络的一个训练样本,优选地，M为128。
相较于原有的IQ数据，使用二阶勒让德多项式进行特征增广，增加了数据的多样性，也进一步提高了模型训练的鲁棒性，从而增加低信噪比下的识别率。
本发明为低信噪比和高信噪比分别训练模型，并且对于低信噪比情况，为使训练的模型更准确，对不同信噪比范围训练不同模型，例如为0dB至-10dB信噪比训练一个模型，为-10dB至-20dB训练一个模型，为低于-20dB信噪比训练一个模型。
3.训练CNN深度残差网络
针对调制识别任务，直接使用传统的CNN深度残差网络的识别率较低，本发明提出了一种新颖的深度残差网络模型显著提高了识别率。下面先介绍一下传统的CNN深度残差网络。
3.1传统CNN深度残差网络
传统的CNN的基本结构由输入层、卷积层、池化层、全连接层及输出层构成。输入层用于数据预处理，例如归一化、数据增强(例如，当训练数据有限的时候，可以通过一些变换来从已有的训练数据集中生成一些新的数据)、随机裁剪等等。CNN一般采用多个卷积层和池化层，且卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推，卷积层用于提取图像的特征，每层卷积层提取不同特征，而池化层用于对特征进行抽样，如均值池化和最大值池化，通常卷积层的神经元只与前一层的部分神经元节点相连，而全连接层也使用卷积操作，但其与前一层的部分神经元节点相连，用于把提取的特征图连接起来。输出层用于输出分类结果。
随着计算能力增强，神经网络的层数越来越多，但是层数过多会出现过拟合等现象，并非层数越多，训练效果越好。为了解决这个问题，提出了CNN深度残差神经网络，对于给定的一层网络(第n层)，其输入不再仅是上一层(第n-1层)的输出，而是上一层(第n-1层)的输出和上上一层(第n-2层)输出的和，即第n-2层的输出跨过了第n-1层这一层，到达了第n层。进一步地，跨越可以不限于一层，也可以跨过多层。
3.2本发明的CNN深度残差神经网络GuResNet结构
本发明对信号调制方式识别，提出了一种新颖的深度残差网络模型，并命名为GuResNet。与传统CNN深度残差神经网络一样，GuResNet包含输入模块、残差单元和输出模块，图3示出了GuResNet的结构。相对于传统的CNN深度残差神经网络，本发明的输入模块特别采用了尺寸为5×5的卷积核和PReLU提取信号低层特征(边缘和梯度信息)。本发明的残差单元中创新性的引入Gaussian Dropout层以防止模型出现过拟合。对于输出模块，本发明采用GAP代替传统残差网络中的全连接层，提高模型泛化性。
⑴输入模块：该模块主要包含三层，分别为二维卷积Conv2D层，BN层和激活函数层。具体而言，对于Conv2D层，本发明采用5×5的卷积核代替传统残差网络中7×7的卷积核学习样本局部相关性，并从输入信号中初步抽象出低层特征，例如边缘和梯度信息等。采用5×5的卷积核可以减少网络参数量，并且能增强网络的非线性表达能力，从而抽象更加有用的信号低层特征，优选的其核数为32核。BN层在一定程度上可以提升模型的泛化性。此外，本发明采用PReLU代替传统残差网络中的激活函数ReLU，以防止模型丢失一些信号特征，该层可以被表示为
Figure BDA0003284024850000081
其中，ci是激活函数的输入特征，pi是训练参数。
⑵残差单元：该模块包含六个残差单元，一个ConvBlackA单元和五个ConvBlackB单元。如图4(a)所示，ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，优选地，三个Conv2D层卷积核从上到下分别为1x1、3x3、1x1，卷积核数从上到下分别为32、64、32。如图4(b)所示ConvBlackB相较于ConvBlackA增加了一个BN层、一个Gaussian Dropout层和一个PReLU层，以进一步提升模型的学习能力。本发明中包含的ConvBlackB单元数量为5，深度网络并非层数越多越好，本发明选择的一个ConvBlackA单元和五个ConvBlackB单元残差单元包含了多层网络，从层数上为最优实施例。
BN层和PReLU层与输入模块中对应层的功能相同,Conv2D层从输入层初步抽象的低层特征中进一步学习信号的高层特征，例如，信号包络特征。
接下来详细展示Gaussian Dropout层。本发明考虑信道是时变的，存在一些乘性噪音的干扰。因此，本发明在传统残差单元中创新性的引入Gaussian Dropout层以降低噪音的干扰。通过乘以一个高斯分布的随机变量，残差单元中的神经元对噪声更加不敏感，从而提升模型的AMR性能。其中，添加Gaussian Dropout之后，前向传播操作可以表示为
Figure BDA0003284024850000091
Figure BDA0003284024850000092
Figure BDA0003284024850000093
其中，*表示向量s(v)和y(v)对应元素的相乘，v∈{1,...,V}是隐藏层索引，y(v)是第v层的输出向量，s(v)是一个向量，其中第j个元素
Figure BDA0003284024850000094
是均值为1，方差为
Figure BDA0003284024850000095
的高斯随机变量，其中e是训练参数，z(v+1)是v+1层的输出向量，
Figure BDA0003284024850000096
是z(v+1)的第i个元素，
Figure BDA0003284024850000097
是第v+1层的输入，
Figure BDA0003284024850000098
是是v+1层的权重矩阵w(v+1)的第i个权重向量，bi (v+1)是v+1层的偏置向量b(v+1)的第i个元素。
⑶输出模块：如图3所示，该模块包含一个PReLU层、一个Gaussian Dropout层、一个GAP层和一个Softmax层。其中，本发明采用GAP层代替传统残差网络中的全连接层，降低模型的训练参数，使得GuResNet架构更加鲁棒，从而有一个更加优异的预测精度，而Softmax则为输出层Dense层的激活函数层。
4.自动调制识别模型训练方法
对于深度残差网络模型的训练，首先使用所有信噪比下的原始信号样本训练一个通用的GuResNet网络模型以及超参数，即采用多个连续采样点的同向分量和正交分量特征以形成行数为2的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，使用多个训练样本进行训练，训练所得网络模型超参数包含批处理大小，优化函数，初始学习速率和最大训练次数，如表1所示。这些超参数用于指导网络学习，调整网络参数以获得一个好的预测精度。
表1GuResNet的超参数
超参数 值
批处理大小 64
优化函数 Adam
初始学习速率 2×10<sup>-4</sup>
最大训练次数 500
当信噪比大于低信噪比阈值时，由于信号受噪音干扰比较小，本发明直接采用通用的GuResNet架构、超参数和参数在原始的信号样本上执行AMR，就可以获得满意的识别性能，为了不增加整个方法的复杂度，因此不再对模型进行训练。
而当信噪比小于等于低信噪比阈值时，信号容易淹没在噪声中，导致DL模型不能有效的抽象信号特征，识别调制类型。因此，为了进一步提升低信噪比场景下的调制识别性能，基于感知到的不同信噪比，重新训练GuResNet的不同网络参数。在训练前，需要确定训练的模型个数以及各模型适用的信噪比范围，然后获取一定数量的基带复信号，再按以下步骤训练：
步骤A1：对于接收到的基带复信号，采用信噪比估计算法，利用信号的时域和频域特性，估计该信号的信噪比值；
步骤A2：使用二阶勒让德多项式提取信号五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本；获取多个训练样本；
步骤A3：根据步骤A1中所估计的信号的信噪比，使用该信号在步骤A2中获得的训练样本训练适用于该信号信噪比的模型。
5.自动调制识别方法
上述训练好的模型可以用于自动调制识别，识比方法如下：
步骤B1：同步骤A1；
步骤B2：提取信号特征，如果该信号的信噪比大于低信噪比阈值，采用多个连续采样点的同向分量和正交分量特征以形成行数为2的矩阵，将其作为一个特征矩阵；如果信噪比小于等于低信噪比阈值，使用二阶勒让德多项式提取信号五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵，将其作为一个特征矩阵；
步骤B3：将特征矩阵输入适用于该信号信噪比的模型，进行调制方式识别，其中，当信噪比大于低信噪比阈值时，采用通用模型进行调制方式识别。
以下为本发明所作的测试以及与其它方法进行的对比。
本发明使用RML2016.10b_dict数据集获得时域复基带信号，其包含十种调制方式，分别为：
·数字调制:BPSK,QPSK,8PSK,16QAM,64QAM,CPFSK,GFSK,PAM4
·模拟调制:AM-DSB,WBFM
该数据集包含1200000个样本，SNR变化范围为-20dB到+18dB。信噪比间隔为2dB。每个样本包含128个样本点。此外，该数据集中的信号数据包含一些实际的信号损伤，例如AWGN，多径衰落，载波频率偏移和相位偏移。
本发明将所提方法(SG-NET)与其他一些基线算法(MaxConvNet和DrCNN)进行了比较。其中，MaxConvNet包含八层，两个卷积层，两个最大池化层和四个全连接层，DrCNN包含六层，两个卷积层和四个全连接层。
图5展示了本发明所提出的方法SG-NET(SG-NET由深度残差网络模型GuResNet与其信噪比感知机制组成)和基线方法(MaxConvNet和DrCNN)的分类精度随SNR变化的关系。从图中可以看出，当SNR超过0dB时，GuResNet的识别精度可以达到90％以上，相比于DrCNN和MaxConvNet方法，提高近6％和10％。其中，由于模拟信号在静默期间仅具有一个载波音，导致高信噪比时WBFM与AM-DSB间也会造成混淆，识别率不再显著增长。此外，在低信噪比场景下，所提出的信噪比感知机制平均可以获得30％的精度增益。特别地，当SNR在-14～-8dB，本发明所提方法相比于其他方法可以获得37％的性能增益。这意味着本发明提出的SG-NET在低信噪比下具有显著优势。
为了评估本发明提出的SG-NET的鲁棒性，SNR估计误差被定义为真实SNR与估计SNR之差，分类精度作为信噪比估计误差的函数，如图6所示。其中，高信噪比和低信噪比下的数据被选择测试这些方法。从图中可以看出，与MaxConvNet和DrCNN相比，本发明提出的SG-NET在高信噪比时始终具有较高的噪声容忍度。此外，当SNR估计误差在2dB和-2dB内时，SG-NET在低信噪比下仍然比基线方法性能更好。然而，当SNR估计误差的绝对值超过2dB时，与基线方法相比，本发明提出的SG-NET更加难以准确识别信号调制方式。原因在于在不同的SNR处，信号特征存在一些差异，并且SG-NET需要在不同的SNR下重新训练才能获得出色的性能。目前，SNR估计误差的绝对值可以减小到1dB以内，因此，本发明提出的SG-NET可以以较高的鲁棒性应用于实际场景。
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
为使本领域任何普通技术人员能够实现或者使用本公开内容，上面围绕本公开内容进行了描述。对于本领域普通技术人员来说，对本公开内容进行各种修改是显而易见的，并且，本文定义的通用原理也可以在不脱离本公开内容的精神或保护范围的基础上适用于其它变型。此外，除非另外说明，否则任何方面和/或实施例的所有部分或一部分可以与任何其它方面和/或实施例的所有部分或一部分一起使用。因此，本公开内容并不限于本文所描述的例子和设计方案，而是与本文公开的原理和新颖性特征的最广范围相一致。

Claims (10)

1.一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。
2.根据权利要求1所述的神经网络系统，其中残差单元包括5个ConvBlackB单元。
3.根据权利要求1-2之一所述的神经网络系统，其中输入模块包括：5×5卷积层、BN层和PReLU层。
4.根据权利要求1-2之一所述的神经网络系统，其中输出模块包括：PReLU层、GaussianDropout层、GAP层和Softmax层。
5.一种无线通信系统的自动调制识别模型的训练方法，包括
步骤200：利用信噪比小于等于低信噪比阈值的信号，使用二阶勒让德多项式提取所述信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，获取对应于不同的低信噪比信号的多个训练样本；
步骤300：使用所述对应于不同的低信噪比信号的多个训练样本训练权利要求1-4任意一项的系统，以得到对应于不同的低信噪比的多个神经网络模型，其中每个低信噪比神经网络模型对应于一个低信噪比范围。
6.根据权利要求5所述的方法，在步骤200之前，还包括使用所有信噪比下的信号样本训练权利要求1-4任意一项的系统，以得到一个通用的网络模型以及超参数，包括：采用信号的多个连续采样点的同向分量和正交分量特征形成行数为2的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，使用多个训练样本进行训练。
7.一种无线通信系统的自动调制识别方法，包括：
步骤1000：对于接收到的基带复信号，采用信噪比估计算法，利用信号的时域和频域特性，估计该信号的信噪比值；
步骤2000：提取信号特征，当信噪比小于或等于预定的低信噪比阈值时，使用二阶勒让德多项式提取信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经权利要求5-6任意一项所述方法训练的适用于该信号的对应低信噪比范围的低信噪比神经网络模型，识别所述信号的调制方式。
8.根据权利要求7所述的方法，其中步骤2000还包括：
步骤2100：如果该信号的信噪比大于低信噪比阈值，采用多个连续采样点的同向分量和正交分量特征以形成行数为2的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经权利要求6所述方法训练的通用模型，识别所述信号的调制方式。
9.一种计算机可读存储介质，其中存储有一个或者多个计算机程序，所述计算机程序在被执行时用于实现如权利要求5-8任意一项所述的方法。
10.一种计算系统，包括：
存储装置、以及一个或者多个处理器；
其中，所述存储装置用于存储一个或者多个计算机程序，所述计算机程序在被所述处理器执行时用于实现如权利要求5-8任意一项所述的方法。
CN202111141243.3A 2021-09-28 2021-09-28 一种无线通信自动调制识别方法、装置与系统 Pending CN113902095A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111141243.3A CN113902095A (zh) 2021-09-28 2021-09-28 一种无线通信自动调制识别方法、装置与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111141243.3A CN113902095A (zh) 2021-09-28 2021-09-28 一种无线通信自动调制识别方法、装置与系统

Publications (1)

Publication Number Publication Date
CN113902095A true CN113902095A (zh) 2022-01-07

Family

ID=79029750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111141243.3A Pending CN113902095A (zh) 2021-09-28 2021-09-28 一种无线通信自动调制识别方法、装置与系统

Country Status (1)

Country Link
CN (1) CN113902095A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055270A (zh) * 2023-01-16 2023-05-02 中国科学院计算技术研究所 一种调制识别模型及其训练方法、信号调制处理方法
CN117807526A (zh) * 2023-12-29 2024-04-02 中国人民解放军军事科学院系统工程研究院 一种基于循环谱特征选择与融合机制的电磁信号识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055270A (zh) * 2023-01-16 2023-05-02 中国科学院计算技术研究所 一种调制识别模型及其训练方法、信号调制处理方法
CN116055270B (zh) * 2023-01-16 2024-06-11 中国科学院计算技术研究所 一种调制识别模型及其训练方法、信号调制处理方法
CN117807526A (zh) * 2023-12-29 2024-04-02 中国人民解放军军事科学院系统工程研究院 一种基于循环谱特征选择与融合机制的电磁信号识别方法
CN117807526B (zh) * 2023-12-29 2024-05-14 中国人民解放军军事科学院系统工程研究院 一种基于循环谱特征选择与融合机制的电磁信号识别方法

Similar Documents

Publication Publication Date Title
CN112418014B (zh) 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN111314257B (zh) 一种基于复值神经网络的调制方式识别方法
CN112308133A (zh) 基于卷积神经网络的调制识别方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN113014524B (zh) 一种基于深度学习的数字信号调制识别方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
Emam et al. A comparative study between CNN, LSTM, and CLDNN models in the context of radio modulation classification
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN110417694A (zh) 一种通信信号调制方式识别方法
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
CN112331232B (zh) 一种结合cgan谱图去噪和双边滤波谱图增强的语音情感识别方法
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
CN117614467B (zh) 基于降噪神经网络的水声信号智能接收方法
CN114595729A (zh) 基于残差神经网络与元学习融合的通信信号调制识别方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN113343801B (zh) 基于轻量化卷积神经网络的无线信号自动调制识别方法
CN118337576A (zh) 基于多通道融合的轻量级自动调制识别方法
CN117081895B (zh) 一种基于自适应降噪的自动调制识别方法
CN116132235B (zh) 一种基于深度学习的连续相位调制信号解调方法
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
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
CN115955375A (zh) 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统

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