CN113947151A - 一种海上复杂环境下的无线通信信号自动调制识别方法 - Google Patents
一种海上复杂环境下的无线通信信号自动调制识别方法 Download PDFInfo
- Publication number
- CN113947151A CN113947151A CN202111220076.1A CN202111220076A CN113947151A CN 113947151 A CN113947151 A CN 113947151A CN 202111220076 A CN202111220076 A CN 202111220076A CN 113947151 A CN113947151 A CN 113947151A
- Authority
- CN
- China
- Prior art keywords
- model
- signal
- training
- amr
- cme
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000002902 bimodal effect Effects 0.000 claims abstract description 5
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001210 attenuated total reflectance infrared spectroscopy Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008034 disappearance Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 claims 19
- 230000015654 memory Effects 0.000 claims 1
- 239000002356 single layer Substances 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000005562 fading Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 102100033591 Calponin-2 Human genes 0.000 description 5
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 101150068906 snr-6 gene Proteins 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0014—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the source coding
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)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种海上复杂环境下的无线通信信号自动调制识别方法,该方法将接收到的海上无线通信信号由笛卡尔坐标转换为极坐标,丰富特征维度;以跳跃连接改进残差网络保持更多初始残差信息,通过与长短期记忆网络并行连接构建自动调制识别模型;将转换前后的特征用于模型训练得到低开销、高效用识别模型;利用该模型高效识别新接收信号的调制类型;通过改善高阶调制间的混淆现象提升无线通信信号调制方式的识别准确率;以双模态数据输入丰富特征提取维度,通过并行连接减少网络深度,加速模型收敛,提高识别准确率,降低时间开销和空间复杂度;采用公开数据集对该模型进行仿真实验验证,结果表明本发明识别精度高,抗噪能力强,性能稳定,可实现海上复杂信道环境下多种调制信号的准确识别。
Description
技术领域
本发明涉及海上无线通信技术领域,具体是一种海上复杂环境下的无线通信信号自动调制识别方法。
背景技术
随着5G网络的大规模部署和物联网的出现,无线通信已经成为人类社会交流信息不可或缺的方式。虽然移动无线网络已经覆盖了地球上的大部分陆地,但在海洋作业区仍然缺乏网络覆盖,海事通信技术严重落后于陆地通信技术。伴随着5G和蓝色经济的快速发展,海上通信需求急剧增加,为海上用户提供低成本、高速的信息服务已势在必行。自动调制识别作为信号检测和解调之间的中间步骤,在海上通信中起着重要的作用。
自动调制识别(Automatic Modulation Recognition,AMR)是指通过分析发射信号的电磁特性、频谱特性和统计特性来确定未知信号的调制方式的技术,在民用和军事领域都有广泛应用。在民用领域,它主要用于频谱管理的信号认证和干扰识别。在军事领域,它是争夺制电磁权的关键,是破坏、干扰和克制敌方通讯的前提和基础。
现有的AMR方法主要分为两类:基于似然估计(Likelihood-Based,LB)的方法和基于信号特征(Feature-Based,FB)的方法。LB方法将AMR视为一个多重复合假设检验问题,依赖于对未知量的正确建模,这在很大程度上依赖于先验知识和参数估计且计算复杂度高。此外,LB方法对诸如相位和频率偏移、信道变化和非高斯噪声分布等模型失配不具有鲁棒性。FB方法一般包括三个步骤:数据预处理、特征提取和分类。FB方法需要手工从大量的样本中提取专家特征,导致了很高的计算复杂度。此外,FB方法大多针对特定环境中的特定调制方式而设计的因而难以扩展。
近年来,深度学习(Deep Learning,DL)在信息检索、计算机视觉和自然语言处理等领域取得了巨大的成功,在很大程度上促进了研究人员将DL技术应用到信号处理领域。现有基于DL的AMR方法主要通过精心设计网络模型以从单一的信号中学习特征信息,以巨大的计算开销为代价完成无线通信调制信号的识别。
受海上复杂多变气象、不可预测的海浪和大气管道传播等影响,海上无线通信往往呈现一种典型未知的多径传播场景。相较于环境相对稳定的地面通信系统,海上通信可能会遇到更动态的多径传播和更大的路径时延,这严重影响了通信信号的质量,降低了信号特征的区分度,使得常见的调制识别方法不适用于海上无线通信场景。因此,设计研发一种在海上复杂环境下识别性能良好的自动调制识别方法是海上无线通信领域亟待解决的问题。
发明内容
本发明针对现有自动调制识别方法对高阶调制类型识别准确率低,计算开销大,抗干扰能力弱,对海上通信不适配等问题,而提供一种海上复杂环境下的无线通信信号自动调制识别方法(Automatic Modulation Recognition in Complicated MaritimeEnvironment,AMR-CME),该方法以坐标转换的形式,以极坐标的幅值A和相位值θ表示笛卡尔坐标的I/Q信号特征,丰富特征维度;以跳跃连接优化残差网络减缓特征消失,并通过与长短期记忆网络并行连接构建AMR-CME模型;将转换前后的特征用于模型训练得到AMR-CME模型并用该模型识别新接收到的信号的类型。本方法通过改善高阶调制间的混淆现象提升无线通信信号调制方式的识别准确率;以并行连接的方式减少网络深度,以双模态数据输入丰富特征提取维度,加速模型收敛,保证高识别准确率的同时保持了较低的时间和空间复杂度。仿真结果表明,本发明抗噪能力强,性能稳定,可实现海上复杂信道环境下多种调制信号的准确识别。
实现本发明目的的技术方案是:
一种海上复杂环境下的无线通信信号自动调制识别方法,该方法首先通过信号预处理扩展信号的特征维度,再分别通过卷积神经网络和循环神经网络分别提取信号的空间特征和时序特征,训练识别模型,最后将训练好的网络模型用于识别调制方式,该方法具体包括如下步骤:
1)获取海上无线通信信号样本,接收端对信号进行采样处理得到N条离散复数信号序列,分别提取信号的同向(实部)和正交(虚部)分量构成N个2×H的二维矩阵;应用one-hot编码法则将信号的调制方式编码,得到N个信号对应的标签;将获取的N个2×H的二维信号矩阵和N个标签组成样本,将样本分成训练样本、验证样本和测试样本;
2)信号预处理,通过坐标转换,将步骤1)提取的信号从笛卡尔坐标转换为极坐标,以幅值A和相位值θ表示I/Q信号特征,丰富特征维度;
3)构建AMR-CME模型,通过在一维卷积层之间增加跳跃连接的方式优化残差块(improved residual stack,IRS)结构如图1所示,以保持更多初始残差信息,减缓特征消失;串联两个IRS并与长短期记忆网络(long short-term memory,LSTM)并联减少网络深度,缩短训练时间,再串联全连接层、BatchNormalization层和Dropout层完成模型构建,如图2所示;
4)以I/Q信号、幅值A和相位值θ双模态训练样本数据作为AMR-CME模型的输入数据,分别提取空间和时序特征,加快模型训练收敛速度,采用Adam优化算法,辅以“早停”策略训练AMR-CME模型,每轮迭代训练完成后输入验证样本验证模型性能,训练完成后保存模型和参数;
5)训练完成后,将测试样本输入到步骤4)训练好的AMR-CME模型中,输出信号调制方式类型。
步骤2)中,将步骤1)提取的信号从笛卡尔坐标转换为极坐标,以幅值A和相位值θ表示I/Q信号特征,具体包括如下步骤:
步骤3)中,构建AMR-CME模型,包括步骤如下:
3-1)串行连接两个一维卷积层,并通过Add操作对第一个卷积层的输入和第二个卷积层的输出进行相加,构建残差单元(residual unit,RU),其中RU的输出v为:
其中x和u表示IRS和RU的输入,Wi和bi表示卷积层的权重和偏置,f(·)和g(·)表示激活函数,ξ表示跳跃连接的乘数系数;
3-2)依次串行连接一个一维卷积层和两个RU,并通过Add操作对第一个RU的输入和第二个RU的输出进行相加,再串行通过一个一维最大池化层,构建IRS,其中IRS的输出y为:
其中,v和w表示第一和第二个RU的输出,w'表示最大池化层的输入,Wi表示卷积层的权重,h(·)表示激活函数,λ表示跳跃连接的乘数系数,maxp(·)表示最大池化操作;
3-3)采用串行连接两个IRS设计构建识别模型支路U;
3-4)采用依次串行LSTM、Batch Normalization层和Dropout层设计构建识别模型支路V;
3-4)通过Concatenate操作并行连接支路U和支路V构建识别模块W;
3-5)串行连接模块W与两个全连接层构建自动调制识别模型AMR-CME,两个全连接层的神经元数量依次设置为M和N,其中N为信号的调制类型的数量,两个全连接层之间依次添加BatchNormalization层和Dropout层,即完成AMR-CME模型的构建。
步骤4)中,训练AMR-CME模型,并保存模型和参数,包括步骤如下:
4-1)将I/Q信号和特征转换后幅值A和相位值θ分别输入模型支路U和V,分别提取I/Q各分量信号之间的空间特征和幅值A和相位值θ之间的时序特征;
4-2)通过Flatten操作将空间特征和时序特征转换为一维特征;
4-3)通过Concatenate操作将两个一维的空间特征和时序特征进行拼接融合;
4-4)选取Adam优化算法加快训练速度,初始学习率设为0.001,交叉熵函数用于计算网络训练的损失,采取学习率衰减策略和“早停”策略,当验证损失在5个epoch没有下降,学习率乘以0.01的衰减因子,当验证损失在10个epoch没有下降,则停止训练并保存AMR-CME模型,完成AMR-CME模型的训练。
本发明提供的一种海上复杂环境下的无线通信信号自动调制识别方法,具有以下有益效果:
(1)通过将I/Q信号映射为相应的幅值和相位值,丰富特征维度;
(2)本发明提出的IRS结构能在训练过程中保留更多的初始残差信息,学习信号的深层和浅层特征,实现不同程度的特征提取;
(3)通过IRS和LSTM的集成,实现了I/Q信号的空间特征和幅值、相位值的时序特征之间的互补、融合;
仿真实验表明,本识别方法可以改善高阶调制间的混淆现象,提升无线通信信号调制方式的识别准确率,并以较低的时间和空间复杂度,实现了海上复杂环境下多种无线通信信号高准确率的自动调制识别识别。
附图说明
图1为IRS结构示意图;
图2为AMR-CME结构示意图;
图3为训练阶段的准确率对比图;
图4为训练阶段的损失对比图;
图5为不同信噪比下的识别准确度对比图;
图6为CNN2模型在信噪比SNR=18dB时的混淆矩阵;
图7为CNN4模型在信噪比SNR=18dB时的混淆矩阵;
图8为CLDNN模型在信噪比SNR=18dB时的混淆矩阵;
图9为Inception模型在信噪比SNR=18dB时的混淆矩阵;
图10为ResNet模型在信噪比SNR=18dB时的混淆矩阵;
图11为LSTM模型在信噪比SNR=18dB时的混淆矩阵;
图12为AMR-CME模型在信噪比SNR=18dB时的混淆矩阵;
图13为不同信道环境下的识别性能对比图;
图14为AMR-CME模型对RadioML 2018.01 A上各调制方式的识别性能图;
图15为AMR-CME模型对HisarMod 2019.1上各调制方式的识别性能图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定;
实施例:
在海上无线通信的传播环境中,由于基站和移动船只之间各种障碍物所发生的的反射、绕射和散射等现象,接收信号通常有复杂的多径分量组成。当发射-接收距离小于通信视距(Line of Sight,LOS),受海面反射,蒸发导管的折射等多因素的影响,海上信道衰落在统计建模的角度服从Rician衰落分布,当发射-接收距离超过通信视距(Beyond LOS,B-LOS),海上信道衰落总体上服从Rayleigh衰落分布。在短距离通信中,对于信道的快衰落效应,海上信道衰落相较于Rician和Rayleigh分布更接近于Nakagami分布。
在海上无线通信系统中,接收的信号一般表示
r(t)=s(t)*c(t)+n(t) (3)
其中s(t)为发射机调制后发射的信号,c(t)为无线信道的脉冲响应,n(t)为均值为0,方差为的加性高斯白噪声,r(t)为接收信号,通常用I/Q信号形式表示,由模数转换器以fs=1/Ts的速率采样n次获得。r(t)的实部和虚部分别表示I和Q分量。
其中α(t)表示海上衰落信道,f0和θ0(t)分别表示由不同的本地振荡器和多普勒效应引起的频率和相位偏移。
随着5G和蓝色经济的快速发展,海上通信需求急剧增加,频谱资源日益稀缺。高阶调制作为一种提高频谱有效性的实用方案,在移动通信系统中得到了广泛的应用,然而随着调制阶数的增加,通信信号变得更加复杂而难以识别。本实施例基于RadioML 2016.10B、RadioML 2018.01A和HisarMod 2019.1公开数据集公开数据,对海上三种衰落信道以及中心频率偏移、采样频率偏移等复杂环境,对常用的数十种调制方式进行仿真,三个数据集的参数如表1-3所示。
本实施例中的实验均采用Keras框架,以Tensorflow为后端。训练设备分别配备AMD Ryzen 7 3800X CPU,16GB RAM,NVIDIA GeForce RTX 2070SUPER(设备A)和Intel(R)Xeon(R)Gold 6230 CPU,256GB RAM,NVIDIA Quadro RTX 8000(设备B)。在训练过程中,batchsize设置为1024,初始学习率设为0.001,并引入学习率衰减策略,即当训练损失在五个epoch没有下降,学习率乘以0.01的衰减因子;引入“早停策略”,若验证损失在十个epoch没有下降则终止网络的训练;优化器选用Adam;数据集以7:3的比例划分训练集(包括验证集,验证集占25%)和测试集。
在该环境和实验设置下,针对现有自动调制识别方法对高阶调制类型识别准确率低,计算开销大,抗干扰能力弱,对海上通信不适配等问题,提出了一种海上复杂环境下的无线通信信号自动调制识别方法,该方法以坐标转换的形式,以极坐标的幅值A和相位值θ表示笛卡尔坐标的I/Q信号特征,丰富特征维度;以跳跃连接优化残差网络减缓特征消失,并通过与长短期记忆网络并行连接构建AMR-CME模型;将转换前后的特征用于模型训练得到AMR-CME模型并用该模型识别新接收到的信号的类型,具体实施包含如下步骤:
1)获取海上无线通信信号样本,接收端对信号进行采样处理得到N条离散复数信号序列,分别提取信号的同向(实部)和正交(虚部)分量构成N个2×H的二维矩阵;应用one-hot编码法则将信号的调制方式编码,得到N个信号对应的标签;将获取的N个2×H的二维信号矩阵和N个标签组成样本,将样本分成训练样本、验证样本和测试样本;
2)信号预处理,通过坐标转换,将步骤1)提取的信号从笛卡尔坐标转换为极坐标,以幅值A和相位值θ表示I/Q信号特征,丰富特征维度;
3)构建AMR-CME模型,通过在一维卷积层之间增加跳跃连接的方式优化残差块IRS结构如图1所示,以保持更多初始残差信息,减缓特征消失;串联两个IRS并与LSTM并联减少网络深度,缩短训练时间,再串联全连接层、BatchNormalization层和Dropout层完成模型构建,如图2所示;
4)以I/Q信号、幅值A和相位值θ双模态训练样本数据作为AMR-CME模型的输入数据,分别提取空间和时序特征,加快模型训练收敛速度,采用Adam优化算法,辅以“早停”策略训练AMR-CME模型,每轮迭代训练完成后输入验证样本验证模型性能,训练完成后保存模型和参数;
5)训练完成后,将测试样本输入到步骤4)训练好的AMR-CME模型中,输出信号调制方式类型。
6)基于RadioML 2016.10B数据集在设备A进行仿真实验,以训练表现、识别性能、计算复杂度为评价指标对模型的精度和运行效率进行评价。
7)基于RadioML 2018.01A和HisarMod 2019.1数据集在设备B进行仿真实验,通过在不同信道环境和不同调制集的通信场景下的识别精度对模型的鲁棒性进行评价。
步骤2)中,将步骤1)提取的信号从笛卡尔坐标转换为极坐标,以幅值A和相位值θ表示I/Q信号特征,具体包括如下步骤:
步骤3)中,构建AMR-CME模型,包括步骤如下:
3-1)串行连接两个一维卷积层,并通过Add操作对第一个卷积层的输入和第二个卷积层的输出进行相加,构建残差单元(residual unit,RU),其中RU的输出v为:
其中,x和u表示IRS和RU的输入,Wi和bi表示卷积层的权重和偏置,f(·)和g(·)表示激活函数,ξ表示跳跃连接的乘数系数;
3-2)依次串行连接一个一维卷积层和两个RU,并通过Add操作对第一个RU的输入和第二个RU的输出进行相加,再串行通过一个一维最大池化层,构建IRS,其中IRS的输出y为:
其中,v和w表示第一和第二个RU的输出,w'表示最大池化层的输入,Wi表示卷积层的权重,h(·)表示激活函数,λ表示跳跃连接的乘数系数,maxp(·)表示最大池化操作;
3-3)采用串行连接两个IRS设计构建识别模型支路U;
3-4)采用串行LSTM,BatchNormalization层,Dropout层设计构建识别模型支路V;
3-4)通过Concatenate操作并行连接支路U和支路V构建识别模块W;
3-5)串行连接模块W与两个全连接层构建自动调制识别模型AMR-CME,两个全连接层的神经元数量依次设置为M和N,其中N等于信号的调制类型的数量,两个全连接层之间依次添加BatchNormalization层,Dropout层;
步骤4)中,训练AMR-CME模型,并保存模型和参数,包括步骤如下:
4-1)将I/Q信号和特征转换后幅值A和相位值θ分别输入模型支路U和V,分别提取I/Q各分量信号之间的空间特征和幅值A和相位值θ之间的时序特征;
4-2)通过Flatten操作将空间特征和时序特征转换为一维特征;
4-3)通过Concatenate操作将两个一维的空间特征和时序特征进行拼接融合;
4-4)选取Adam优化算法加快训练速度,初始学习率设为0.001,交叉熵函数用于计算网络训练的损失,采取学习率衰减策略和“早停”策略,当验证损失在5个epoch没有下降,学习率乘以0.01的衰减因子,当验证损失在10个epoch没有下降则停止训练并保存AMR-CME模型。
步骤6)中,为了对比评估AMR-CME的精度和运行效率,与当前流行的算法进行对比,分别名为CNN2,CNN4,CLDNN,Inception,ResNet,LSTM。其中除LSTM以幅值和相位值为输入,其余5种算法均直接以I/Q信号作为输入。通过对训练过程和测试过程的对比,从模型训练过程中的表现,对各种调制类型信号的识别准确度,以及训练、测试过程中的时间和空间复杂度等角度进行了全面的对比分析。
6-1)训练表现
模型训练的表现的优劣主要体现在训练收敛的速度,最终能达到的训练结果,训练过程的稳定性以及损失等方面。训练阶段的准确率和损失分别如图3和图4所示。训练和验证结果表明,在训练早期,AMR-CME以最快的速度收敛到最好的训练效果,LSTM次之。ResNet在训练过程中存在明显的抖动。其他四种模型的训练效果并不理想,即使花费更多时间训练,也无法达到AMR-CME的效果。
6-2)识别性能
模型识别性能的优劣体现在推理阶段的识别准确度,七个模型在不同信噪比下的识别准确度如图5所示。除了LSTM模型外,AMR-CME的分类精度明显优于其他五种模型。当信噪比大于0dB时,AMR-CME的识别精度均超过90%,且在0dB-18dB范围内的平均识别精度比其他五种模型高出3%-13%。从图6到图12给出的七个混淆矩阵可以看出除AMR-CME和LSTM外,其余五个模型均难以准确识别高阶调制,即使在较高的信噪比(SNR=18dB)下识别16QAM和64QAM时也存在一定程度的混淆,有的甚至根本无法区分,这极大程度上影响了模型的性能。
6-3)计算复杂度
模型的计算复杂度包括空间复杂度和时间复杂度。空间复杂度为可训练参数数量,7个模型的比较结果如表4所示。由表可知,除CLDNN和ResNet外,AMR-CME的可训练参数最少。AMR-CME的参数较Inception、CNN4、CNN2和LSTM分别减少96.9%、90.2%、42.1%和12.2%。七种模型的训练时间和推理时间的对比如表5所示。AMR-CME模型完成训练需要1589秒,虽然略高于CNN2和ResNet,但相较于其他四个模型,训练时间大幅缩短。由于模型训练总是离线进行,一经部署便不再进行训练,因此模型部署后的在线推理时间更为关键。AMR-CME推断测试集中的36万个样本大约需要4.05秒,虽然较之CNN2的推断时间久(约相差2.6秒),但推断的准确度最高。LSTM能达到近似于AMR-CME的准确度但却需要约4倍的推断时间。
步骤7)中,基于RadioML 2018.01A和HisarMod 2019.1数据集,通过在不同信道环境和不同调制集的通信场景下将AMR-CME与步骤6)中表现较优的模型(LSTM)和数据集作者提出的模型(ResNet,CNN)进行了对比,验证了AMR-CME的鲁棒性。其中除LSTM以幅值和相位值为输入,ResNet和CNN算法均直接以I/Q信号作为输入。
7-1)不同信道环境
模型对信道变化的鲁棒性体现在不同信道环境下的推理准确度,AMR-CME在两个数据集上都表现出了较好的识别性能证明了其对海上信道变化的适应性。如图13所示,相较于LSTM模型,AMR-CME在低信噪比或高信噪比环境下方面都具有明显优势,其中LSTM模型在Nakagami衰落信道下几乎不具备调制识别能力。此外,相较于分别针对两个数据集设计的ResNet和CNN模型,AMR-CME依然具有明显优势。对于RadioML2018.01A中,当信噪比为10dB时,AMR-CME相较于ResNet识别准确率分别提高了29%。对于HisarMod2019.1,AMR-CME在-20dB-0dB信噪比范围内较之CNN的识别准确率提高了22%-60%。
7-2)不同调制集
相较于RadioML 2016.10B,RadioML 2018.01A和HisarMod 2019.1中包含了一些新的调制方式,其中包括容易混淆的高阶调制(例如,128QAM,256QAM)。图14和图15分别展示了AMR-CME对两数据集中每种调制方式的识别性能。
在RadioML 2018.01A中,相较与高阶调制方式,AMR-CME对低信息速率的调制方式具有更好的识别性能,并能更快地收敛到最大值。高阶调制受各种信道损伤的影响较大,其识别率随着阶数的增加而不断降低,尤其是高阶QAMs。如图14(b)所示,在相同信噪比(SNR=10dB)下,当QAM阶数从32分别增加到64、128和256时,识别精度分别下降20.05%、10.10%和23.33%。
在HisarMod 2019.1中,所有调制方式的识别准确度都在SNR=6dB左右达到100%。在非常低的信噪比(SNR=-20dB)下,一些调制方式(2FSK、4FSK、BPSK、8PSK、16PSK、4PAM、8PAM、8QAM、16QAM、256QAM、FM、AM-DSB-SC)的识别准确率都能达到50%以上,一些调制方式(32PSK、32QAM)的识别准确率甚至能达到100%。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
表1 RadioML 2016.10B参数
表2 RadioML2018.01A参数
表3 HisarMod2019.1参数
表4空间复杂度对比
表5时间复杂度对比
Claims (4)
1.一种海上复杂环境下的无线通信信号自动调制识别方法,其特征在于,该方法首先通过信号预处理扩展信号的特征维度,再分别通过卷积神经网络和循环神经网络分别提取信号的空间特征和时序特征,训练识别模型,最后将训练好的网络模型用于识别调制方式,该方法具体包括如下步骤:
1)获取海上无线通信信号样本,接收端对信号进行采样处理得到N条离散复数信号序列,分别提取信号的同向和正交分量构成N个2×H的二维矩阵;应用one-hot编码法则将信号的调制方式编码,得到N个信号对应的标签;将获取的N个2×H的二维信号矩阵和N个标签组成样本,将样本分成训练样本、验证样本和测试样本;
2)信号预处理,通过坐标转换,将步骤1)提取的信号从笛卡尔坐标转换为极坐标,以幅值A和相位值θ表示I/Q信号特征,丰富特征维度;
3)构建AMR-CME模型,通过在一维卷积层之间增加跳跃连接的方式优化残差块IRS结构以保持更多初始残差信息,减缓特征消失;串联两个IRS并与长短期记忆网络LSTM并联减少网络深度,缩短训练时间,再串联全连接层、BatchNormalization层和Dropout层完成模型构建;
4)以I/Q信号、幅值A和相位值θ双模态训练样本数据作为AMR-CME模型的输入数据,分别提取空间和时序特征,加快模型训练收敛速度,采用Adam优化算法,辅以“早停”策略训练AMR-CME模型,每轮迭代训练完成后输入验证样本验证模型性能,训练完成后保存模型和参数;
5)训练完成后,将测试样本输入到步骤4)训练好的AMR-CME模型中,输出信号调制方式类型。
3.根据权利要求1所述的一种海上复杂环境下的无线通信信号自动调制识别方法,其特征在于,步骤3)中,构建AMR-CME模型,包括步骤如下:
3-1)串行连接两个一维卷积层,并通过Add操作对第一个卷积层的输入和第二个卷积层的输出进行相加,构建残差单元RU,其中RU的输出v为:
其中x和u表示IRS和RU的输入,Wi和bi表示卷积层的权重和偏置,f(·)和g(·)表示激活函数,ξ表示跳跃连接的乘数系数;
3-2)依次串行连接一个一维卷积层和两个RU,并通过Add操作对第一个RU的输入和第二个RU的输出进行相加,再串行通过一个一维最大池化层,构建IRS,其中IRS的输出y为:
其中,v和w表示第一和第二个RU的输出,w'表示最大池化层的输入,Wi表示卷积层的权重,h(·)表示激活函数,λ表示跳跃连接的乘数系数,max p(·)表示最大池化操作;
3-3)采用串行连接两个IRS设计构建识别模型支路U;
3-4)采用依次串行连接单层长短期记忆网络LSTM、BatchNormalization层和Dropout层设计构建识别模型支路V;
3-4)通过Concatenate操作并行连接支路U和支路V构建识别模块W;
3-5)串行连接模块W与两个全连接层构建自动调制识别模型AMR-CME,两个全连接层的神经元数量依次设置为M和N,其中N为信号的调制类型的数量,两个全连接层之间依次添加BatchNormalization层和Dropout层,即完成AMR-CME模型的构建。
4.根据权利要求1所述的一种海上复杂环境下的无线通信信号自动调制识别方法,其特征在于,步骤4)中,训练AMR-CME模型,并保存模型和参数,包括步骤如下:
4-1)将I/Q信号和特征转换后幅值A和相位值θ分别输入模型支路U和V,分别提取I/Q各分量信号之间的空间特征和幅值A和相位值θ之间的时序特征;
4-2)通过Flatten操作将空间特征和时序特征转换为一维特征;
4-3)通过Concatenate操作将两个一维的空间特征和时序特征进行拼接融合;
4-4)选取Adam优化算法加快训练速度,初始学习率设为0.001,交叉熵函数用于计算网络训练的损失,采取学习率衰减策略和“早停”策略,当验证损失在5个epoch没有下降,学习率乘以0.01的衰减因子,当验证损失在10个epoch没有下降,则停止训练并保存AMR-CME模型,完成AMR-CME模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220076.1A CN113947151B (zh) | 2021-10-20 | 2021-10-20 | 一种海上复杂环境下的无线通信信号自动调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220076.1A CN113947151B (zh) | 2021-10-20 | 2021-10-20 | 一种海上复杂环境下的无线通信信号自动调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947151A true CN113947151A (zh) | 2022-01-18 |
CN113947151B CN113947151B (zh) | 2024-05-24 |
Family
ID=79331652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111220076.1A Active CN113947151B (zh) | 2021-10-20 | 2021-10-20 | 一种海上复杂环境下的无线通信信号自动调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947151B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611550A (zh) * | 2022-03-04 | 2022-06-10 | 李小平 | 基于复数卷积模块的多特征自动调制识别方法 |
CN117131416A (zh) * | 2023-08-21 | 2023-11-28 | 四川轻化工大学 | 一种小样本调制识别方法、系统、电子设备及存储介质 |
CN117376067A (zh) * | 2023-07-10 | 2024-01-09 | 电子科技大学 | 一种航天测控链路复合调制信号的自动调制识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN110503185A (zh) * | 2019-07-18 | 2019-11-26 | 电子科技大学 | 一种改进的深度调制识别网络模型 |
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别系统及调制识别方法 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN113050042A (zh) * | 2021-04-15 | 2021-06-29 | 中国人民解放军空军航空大学 | 基于改进UNet3+网络的雷达信号调制类型识别方法 |
-
2021
- 2021-10-20 CN CN202111220076.1A patent/CN113947151B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN110503185A (zh) * | 2019-07-18 | 2019-11-26 | 电子科技大学 | 一种改进的深度调制识别网络模型 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别系统及调制识别方法 |
CN113050042A (zh) * | 2021-04-15 | 2021-06-29 | 中国人民解放军空军航空大学 | 基于改进UNet3+网络的雷达信号调制类型识别方法 |
Non-Patent Citations (3)
Title |
---|
HANG ZHANG: "A deep learning based algorithm with multi-level feature extraction for automatic modulation recognition", 《WIRELESS NETWORKS 》, 26 August 2021 (2021-08-26), pages 4665, XP037579070, DOI: 10.1007/s11276-021-02758-0 * |
谭继远;张立民;钟兆根;: "基于卷积双向长短期神经网络的调制方式识别", 火力与指挥控制, no. 06, 15 June 2020 (2020-06-15) * |
高思丽: "基于ResNet_NSCS的通信信号调制识别", 《电讯技术》, 27 May 2020 (2020-05-27), pages 560 - 566 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611550A (zh) * | 2022-03-04 | 2022-06-10 | 李小平 | 基于复数卷积模块的多特征自动调制识别方法 |
CN117376067A (zh) * | 2023-07-10 | 2024-01-09 | 电子科技大学 | 一种航天测控链路复合调制信号的自动调制识别方法 |
CN117376067B (zh) * | 2023-07-10 | 2024-08-09 | 电子科技大学 | 一种航天测控链路复合调制信号的自动调制识别方法 |
CN117131416A (zh) * | 2023-08-21 | 2023-11-28 | 四川轻化工大学 | 一种小样本调制识别方法、系统、电子设备及存储介质 |
CN117131416B (zh) * | 2023-08-21 | 2024-06-04 | 四川轻化工大学 | 一种小样本调制识别方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113947151B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
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 | |
CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN109818892A (zh) | 构建循环谱特征参数提取模型及信号调制方式识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN109031196A (zh) | 基于运动观测站对多信号源的最大似然直接定位方法 | |
Wang et al. | IAFNet: Few-shot learning for modulation recognition in underwater impulsive noise | |
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 | |
CN114091541A (zh) | 一种海上复杂环境的多模态集成学习自动调制识别方法 | |
CN115081475A (zh) | 基于Transformer网络的干扰信号识别方法 | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
CN113378644A (zh) | 基于生成式对抗网络的信号调制类型识别攻击的防御方法 | |
Zheng et al. | Time-frequency feature-based underwater target detection with deep neural network in shallow sea | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN109347601B (zh) | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 | |
Wang et al. | Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set | |
CN116319210A (zh) | 基于深度学习的信号轻量级自动调制识别方法及系统 | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 |
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 |