CN114006798A - 一种信号处理方法、装置、电子设备及存储介质 - Google Patents
一种信号处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114006798A CN114006798A CN202111242975.1A CN202111242975A CN114006798A CN 114006798 A CN114006798 A CN 114006798A CN 202111242975 A CN202111242975 A CN 202111242975A CN 114006798 A CN114006798 A CN 114006798A
- Authority
- CN
- China
- Prior art keywords
- signal
- preset
- network model
- characteristic value
- determining
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000000926 separation method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 15
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 88
- 238000004891 communication Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 238000009825 accumulation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 108091034117 Oligonucleotide Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2626—Arrangements specific to the transmitter only
- H04L27/2627—Modulators
- H04L27/2628—Inverse Fourier transform modulators, e.g. inverse fast Fourier transform [IFFT] or inverse discrete Fourier transform [IDFT] modulators
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Discrete Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明实施例公开了一种信号处理方法、装置、电子设备及存储介质。所述方法包括：根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；确定所述第二信号对应的特征值；将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。利用上述方法，能够识别出待处理信号的相关参数，在此基础上根据参数能够实现对待处理信号的精确分离。此外，还通过所确定的特征值能够实现对分离信号的数字调制方式的识别，从而提高信号处理的准确性和可靠性。
Description
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种信号处理方法、装置、电子设备及存储介质。
背景技术
随着通信技术的快速发展和人们对通信需求的增加，实际通信信道中的宽带信号日益密集，自然干扰和人为干扰日益严重，且宽带信号接收端通常对通信信道以及所接收信号的先验信息所知甚少，故宽带信号接收端需要对所接收的信号进行相应的处理，以获知所接收信号中的具体信息。
目前，一般是采用能量检测法、匹配滤波法等方法来进行宽带信号的处理，但是利用上述方法只能探测宽带信号中一个特定频率的信号，即只能确定在某个频段内有信号存在，而无法识别出信号的相关参数(如带宽、频点和幅度)以及调制方式。此外，现有的利用累积量方法以实现信号调制方式识别的方法，由于部分的信号调制方式的各阶累积量完全一样，因此仅根据累积量无法区分信号的调制方式。故，如何对所接收的宽带信号进行精确的处理是一个丞待解决的问题。
发明内容
本发明实施例提供了一种信号处理方法、装置、电子设备及存储介质，以实现对信号的分离以及信号相关参数和数字调制方式的识别，提高信号处理的准确性和可靠性。
第一方面，本发明实施例提供了一种信号处理方法，包括：
根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；
确定所述第二信号对应的特征值；
将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
第二方面，本发明实施例还提供了一种信号处理装置，包括：
第一确定模块，用于根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；
第二确定模块，用于确定所述第二信号对应的特征值；
识别模块，用于将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
第三方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的信号处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的信号处理方法。
本发明实施例提供了一种信号处理方法、装置、电子设备及存储介质，首先根据第一预设函数，确定第一信号的估计参数，并根据估计参数对第一信号进行信号分离，以得到第二信号，其中，第一信号为待处理信号经过快速傅里叶变换得到的信号；然后确定第二信号对应的特征值；最后将特征值输入至预设网络模型，以通过预设网络模型分别对第二信号的数字调制方式进行识别，得到识别结果。利用上述技术方案，能够识别出待处理信号的相关参数，在此基础上根据参数能够实现对待处理信号的精确分离。此外，还通过所确定的特征值能够实现对分离信号的数字调制方式的识别，从而提高信号处理的准确性和可靠性。
附图说明
图1为本发明实施例一提供的一种信号处理方法的流程示意图；
图2为本发明实施例一提供的一种基于XGBoot网络模型识别信号数字调制方式的实现示意图；
图3为本发明实施例一提供的一种信号处理方法的实现流程示意图；
图4为本发明实施例一提供的一种在信道信噪比为10dB下所得到的混淆矩阵的示意图；
图5为本发明实施例一提供的一种在信道信噪比为3dB下所得到的混淆矩阵的示意图；
图6为本发明实施例二提供的一种信号处理方法的流程示意图；
图7为本发明实施例三提供的一种信号处理装置的结构示意图；
图8为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对相应内容进行区分，并非用于限定顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本发明实施例一提供的一种信号处理方法的流程示意图，该方法可适用于对宽带信号进行分离处理以及对信号相关参数和调制方式进行识别的情况，该方法可以由信号处理装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：台式计算机、笔记本电脑和服务器等设备。
如图1所示，本发明实施例一提供的一种信号处理方法，该方法包括如下步骤：
S110、根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号。
在本实施例中，第一预设函数可以指预先设定的一维辛格(sinc)函数，sinc函数可以是正弦函数与单调递减函数1/x的乘积。待处理信号可以指宽带信号接收端所接收的等待进行信号处理的宽带信号。第一信号可以指将待处理信号经过快速傅里叶变换(FastFourier Transform，FFT)后所得到的信号，第一信号也是一种宽带信号。
估计参数可以指根据第一预设函数，通过相应估计算法所估计得到的可以用于表征第一信号特征信息的相关参数，例如，估计参数可以包括通过估计得到的幅度、中心频率和带宽等。其中，估计算法可以认为是通过调整第一预设函数的相关参数，使得第一预设函数逐渐逼近第一信号，并在此基础上，将逼近第一信号的第一预设函数的相关参数作为第一信号估计参数的算法。
信号分离可以指从第一信号中分离出相应的窄带信号。第二信号可以指从第一信号中所分离出的窄带信号。窄带信号与宽带信号可以认为是相对的，例如窄带信号的带宽较窄，想对于窄带信号而言，宽带信号的带宽较宽，宽带信号中可以包含至少一个窄带信号。在本步骤中，根据估计参数对第一信号进行信号分离时，可以得到至少一个第二信号。
可选的，根据估计参数对第一信号进行信号分离，以得到第二信号，包括：根据估计参数确定第一信号的起始频率和终止频率；根据起始频率和终止频率从第一信号中分离出一个第二信号；若检测到第一信号除去已得到的第二信号的剩余部分中，存在另一个第二信号，则从剩余部分中分离得到另一个第二信号；返回执行上述对第一信号除去已得到的第二信号的剩余部分的检测操作，直至剩余部分中不存在第二信号。
其中，起始频率和终止频率可以分别指第一信号在自身带宽范围内的最小频率和最大频率。根据估计参数中的估计带宽和估计中心频率可以确定第一信号的起始频率和终止频率。在此基础上，根据起始频率和终止频率可以从第一信号中分离出一个第二信号；具体的，可以根据起始频率和终止频率，利用带通滤波器从第一信号中将第二信号的带宽所占频率分离出来，得到一个第二信号。
在根据估计参数对第一信号进行信号分离的过程中，不断的对第一信号中除去已得到的第二信号的剩余部分进行另一个第二信号的检测操作，若不存在，则检测操作结束，对第一信号的信号分离完毕；若存在另一个第二信号，则从剩余部分中将该第二信号分离出来，并继续进行检测操作，直至剩余部分中不存在第二信号。
S120、确定所述第二信号对应的特征值。
在本实施例中，特征值可以指用于表征信号的数字调制方式的特征信息的值。数字调制方式可以指对信号进行数字调制的方式。每个第二信号都可以存在一个对应的数字调制方式，一个数字调制方式都可以对应一组特征值，即每个第二信号都可以对应一组特征值，用于表征各自对应的数字调制方式的特征信息。
一般情况下，通信信道不能直接传输由信源产生的原始信号，此时需要将信源产生的原始信号进行相应的变换以形成适合在通信信道中传输的信号。其中，可以将信源产生的原始信号变换成适合于通信信道传输的信号的过程称为信号的调制，经过数字调制后的信号可以称为数字调制信号；在此基础上，数字调制信号可以通过通信信道传输至宽带信号接收端。
对信号的数字调制方式可以包括：幅移键控调制(Amplitude Shift Keying，ASK)、频移键控调制(Frequency Shift Keying，FSK)、相移键控调制(Phase ShiftKeying，PSK)和正交幅度调制(Quadrature Amplitude Modulation，QAM)等。其中每个数字调制方式都可以包括不同进制下的多种调制方式，可以分别表示为M-ASK、M-FSK、M-PSK和M-QAM，M可以表示不同的进制，如若M为2则表示二进制、M为4则表示四进制、M为6则表示六进制等。示例性的，针对于M-PSK，2-PSK表示二进制下的相移键控调制方式，4-PSK表示四进制下的相移键控调制方式，依此类推。
可选的，每个第二信号对应一组特征值，特征值包括第一特征值和第二特征值；其中，第一特征值根据第二信号的累积量确定；第二特征值根据第二信号的循环谱确定。
其中，每个第二信号对应于一组特征值，根据每个第二信号对应的特征值，可以用于识别其所对应的数字调制方式。
每组特征值中可以包括第一特征值和第二特征值。其中第一特征值可以根据第二信号的累积量确定。累积量可以指在概率论和统计学中，能够提供和矩一样的信息的量。
在本步骤中，根据第二信号的累积量确定第一特征值的具体过程如下：
首先，为了降低信号的载波频率或是直接去除载波频率，可以对第二信号进行预处理，如下变频处理，得到处理后的第二信号对应的数字基带信号，其表达式可以表示为：
其中，t可以表示时间；s(t)可以表示在模拟域下，处理后的第二信号对应的数字基带信号时域序列；k可以表示码元序列的序号，k＝1、2、……、N，N可以表示码元序列的长度；T可以表示码元宽度；q(t)可以表示基带码元波形；E可以表示基带码元波形的能量；o(t)可以表示通信信道的噪声；
可以表示载波的初始相位；ak可以表示码元序列。
不同的数字调制方式，对应于不同的ak。以下针对于不同数字调制方式对应的ak进行示例性说明。
示例性的，对于M-ASK信号(即数字调制方式为M-ASK的信号)，ak表达式可表示为：ak∈{(2m-1-M)d1，m＝1，2，…，M}，其中
M可以表示进制数。
对于M-PSK信号，ak表达式可表示为：ak∈{ej2π(m-1)/M，m＝1，2，…,M}。
对于M-FSK信号，ak表达式可表示为：
其中，fk可表示M-FSK信号的真实频率，其表达式为
fΔ可以表示M-FSK信号相对载波的频偏。
对于M-QAM信号，ak表达式可表示为：
其中，
然后，根据不同的ak得到对应的数字基带信号的时域序列s(t)之后，计算数字基带信号的各阶累积量。其中各阶累积量可以由各阶混合矩决定，混合矩的公式可表示为：
其中，其中
表示s(t)的共轭，a和b可以分别表示混合矩的行数和列数。
根据混合矩Mab得到的高阶累积量计算公式(各阶累积量中大于等于二阶的累积量可以认为是高阶累积量)如下：
C20＝M20，C21＝M21；
其中，C20和C21可以表示二阶累积量；C40、C41和C42可以表示四阶累积量；C60和C63可以表示六阶累积量；C80可以表示八阶累积量。需要说明的是，此处对高阶累积量的计算不作限定，可根据实际情况获取多个相应的高阶累积量，在本步骤中以二阶、四阶、六阶和八阶累积量为例进行说明。
最后，确定第一特征值。以通信信道是高斯信道为例，则信道噪声n(t)为高斯加性白噪声。由高阶累积量计算公式可知，高斯信道的n(t)的四阶及更高阶的累积量理论值为0，因此可以理解的是，为了避免受到高斯加性白噪声的影响，可以采用四阶及更高阶的累积量(如四阶、六阶和八阶累积量)作为识别数字调制方式的第一特征值。需要说明的是，可以根据通信信道对应的噪声类型确定相应的高阶累积量以作为第一特征值，此处对此不作限定。又因为累积量随数字基带信号的平均功率变化而变化，因此可以对其累积量进行功率归一化以去除信号功率变化所造成的影响。在此基础上，可以采用功率归一化的四阶、六阶和八阶累积量作为识别数字调制方式的第一特征值。
功率归一化的四阶累积量的计算公式可表示为：
和
功率归一化后的六阶累积量可表示为：
和
功率归一化后的六阶累积量可表示为：
T1、T2、T3、T4、T5和T6可以作为第一特征值。
表1示出了一种数字调制方式与第一特征值的理论值之间的对应关系。如表1所示，理论值可以是根据上述功率归一化的四阶累积量的计算公式所计算得到的理论实际值。从表1中可以看出，各个进制下的FSK(即2-FSK、4-FSK和8-FSK)对应的第一特征值没有显著差异，其他的数字调制方式的各个进制对应的第一特征值存在明显差异。因此，针对M-FSK，仅依据第一特征值无法实现不同进制的数字调制方式的识别。故，本发明可以在第一特征值的基础上加入第二特征值，以实现对不同数字调制方式的准确识别。
表1数字调制方式与第一特征值的理论值之间的对应关系
| T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | |
| 2-ASK | 1 | 1 | 32 | 32 | 32 | 68 |
| 2-FSK | 0 | 0 | 0 | 0 | 16 | 0 |
| 4-ASK | 1 | 1 | 27.52 | 27.52 | 27.52 | 60.47 |
| 4-FSK | 0 | 0 | 0 | 0 | 16 | 0 |
| 4-PSK | 1 | 0 | 0 | 16 | 16 | 34 |
| 8-FSK | 0 | 0 | 0 | 0 | 16 | 0 |
| 8-PSK | 0 | 0 | 0 | 0 | 16 | 1 |
| 64-QAM | 1 | 0 | 0 | 13.62 | 13.62 | 30.01 |
第二特征值可以根据第二信号的循环谱确定。在本步骤中，根据第二信号的循环谱确定第二特征值的具体过程如下：
首先，需要说明的是，以下出现的公式中的参量可以参见上述实施例。根据采样频率、时间t和频率n之间的关系，s(n)可以表示s(t)的数字域，可以根据采样频率fs得到s(n)的表达式为
在此基础上，对s(n)进行频谱计算，其计算公式可表示为：
其中，n可以表示频率。
然后，根据s(n)频谱计算公式计算s(n)的循环谱，s(n)的循环谱计算公式可表示为：
其中，CS(α,k)可以表示循环谱；α可以表示循环谱的循环频率，
可以表示
的共轭。
当循环频率α＝0时，循环谱CS(Α,K)在循环频率α＝0的截面的计算公式为：
可以理解的是，为去除信号长度、信道噪声强度和信号平均功率带来的影响，在本实施例中可以将所得到的循环谱CS(α,k)在循环频率α＝0的截面进行归一化，其归一化截面值的计算公式可表示为：
其中，
可以表示E的平均值，其计算公式可以为
最后，确定第二特征值。可以将循环谱CS(α,k)在循环频率α＝0的归一化截面值的最大值作为第二特征值T7，其对应的计算公式可以表示为：
T7＝max(CSnormalized(0,k))；
表2示出了一种M-FSK与第二特征值的理论值之间的对应关系。如表2所示，第二特征值的理论值可以是根据上述循环谱CS(α,k)在循环频率α＝0的归一化截面值计算公式和归一化截面值的最大值计算公式所计算得到的理论实际值。从表2中可以看出，不同进制下的FSK对应不同的第二特征值T7，在此基础上，可以通过第二特征值T7实现对不同进制的FSK的识别。
表2M-FSK与第二特征值的理论值之间的对应关系
| M-FSK | T<sub>7</sub> |
| 2-FSK | 0.25 |
| 4-FSK | 0.0625 |
| 8-FSK | 0.0156 |
在上述实施例的基础上，在第一特征值(即第二信号对应的高阶累积量)的基础上增加第二特征值(即第二信号对应的循环谱在循环频率为0时的截面最大值)作为第二信号对应的特征值，根据该特征值可以识别第二信号对应的数字调制方式，且该特征值理论上不受通信信道噪声强度、信号平均功率、信号序列长度等因素的影响，据此可以提高信号数字调制方式的识别准确性。
S130、将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
在本实施例中，预设网络模型可以指所预先训练好的一个可进行信号数字调制方式识别的学习网络模型。预设网络模型可以是分布式梯度提升库(eXtreme GradientBoosting，XGBoot)网络模型，也可以是其他具备信号数字调制方式识别功能的机器学习网络模型，此处对此不做限定。
识别结果可以指通过预设网络模型对输入的特征值对应的数字调制方式进行识别所得到的结果。
图2为本发明实施例一提供的一种基于XGBoot网络模型识别信号数字调制方式的实现示意图。如图2所示，XGBoot网络模型的输入端为特征值T1、T2、T3、T4、T5、T6和T7，其中T1、T2、T3、T4、T5和T6为第一特征值，T7为第二特征值；XGBoot网络模型的输出端为特征值对应的某种数字调制方式。
在一实施例中，可以将第一信号中所有的第二信号全部分离出来之后，再通过预设网络模型对所分离出的各第二信号依次进行数字调制方式的识别。也可以是从第一信号中分离出一个第二信号之后，就进行一次数字调制方式的识别。此处对此不作限定。
图3为本发明实施例一提供的一种信号处理方法的实现流程示意图。如图3所示，宽带信号处理的具体实现过程如下：首先在宽带信号接收端接收到待处理信号(即宽带信号)后进行相应的信号预处理；然后利用相应的方法检测是否存在窄带信号，若存在，则进行参数的估计(即带宽、中心频率和幅度)，并根据估计参数从待处理信号中分离出对应的窄带信号，若不存在则返回宽带信号接收端继续接收新的待处理信号；之后对分离出的窄带信号进行相应的数字调制方式识别(如M-ASK、M-FSK、M-PSK以及M-QAM等数字调制方式)；最后检测当前待处理信号的剩余部分中是否还存在窄带信号，若是则返回继续进行信号分离，若不是则返回宽带信号接收端继续接收新的待处理信号。
本发明实施例一提供的一种信号处理方法，首先根据第一预设函数，确定第一信号的估计参数，并根据估计参数对第一信号进行信号分离，以得到第二信号，其中，第一信号为待处理信号经过快速傅里叶变换得到的信号；然后确定第二信号对应的特征值；最后将特征值输入至预设网络模型，以通过预设网络模型分别对第二信号的数字调制方式进行识别，得到识别结果。利用上述方法，能够识别出待处理信号的相关参数，在此基础上根据参数能够实现对待处理信号的精确分离。此外，还通过所确定的特征值能够实现对分离信号的数字调制方式的识别，从而提高信号处理的准确性和可靠性。
在上述实施例的基础上，以下对预设网络模型的训练和测试过程进行了具体描述。在此需要说明的是，为了使描述简要，在以下实施例中仅描述与上述实施例的不同之处。
可选的，预设网络模型基于第一样本特征值、第二样本特征值以及样本标签训练得到，其中，样本标签包括第一样本特征值和第二样本特征值所对应的数字调制方式标签；
其中，第一样本特征值可以指包含第一样本特征值的样本数据，第二样本特征值可以指包含第二样本特征值的样本数据。第一样本特征值和第二样本特征值可以从预设样本数据库中获取，预设样本数据库中的样本数据可以是根据上述实施例中第一特征值和第二特征值的计算方式所得到的。
在训练预设网络模型的过程中，训练数据可以为多组，其中每组训练数据可以包括第一样本特征值、第二样本特征值和样本标签。样本标签可以指表征第一样本特征值和第二样本特征值所对应的信号数字调制方式的标签。
可选的，预设网络模型的训练过程包括：将第一样本特征值、第二样本特征值以及样本标签输入至预设网络模型；通过预设网络模型生成第一样本特征值和第二样本特征值对应的预测样本标签；根据预测样本标签和样本标签计算损失值，直至损失值达到训练停止条件。
其中，预测样本标签可以指预设网络模型根据第一样本特征值和第二样本特征值所生成的预测数字调制方式。可以理解的是，样本标签可以认为是第一样本特征值和第二样本特征值对应的真实数字调制方式，预测样本标签可以认为是预设网络模型所生成的第一样本特征值和第二样本特征值对应的预测数字调制方式。
损失值可以指表征预测样本标签(即预测数字调制方式)和样本标签(即真实数字调制方式)之间的差距程度。例如，损失值越大，则表明预测样本标签和样本标签之间的差距程度越大；损失值越小，则表明预测样本标签与样本标签之间的差距程度越小，越接近真实数字调制方式。
训练停止条件可以指表征预设网络模型训练完成的停止条件。训练停止条件可以为在所有训练数据所得到的损失值中，满足预设损失阈值条件的损失值所占比例满足预设比例阈值；例如，若在预设损失阈值范围内的损失值所占比例大于等于预设比例阈值，则可以认为满足训练停止条件，若在预设损失阈值范围内的损失值所占比例小于预设比例阈值，则继续进行预设网络模型训练，直至得到的损失值满足训练停止条件，训练完成。
需要说明的是，预设损失阈值和预设比例阈值可以根据实际情况进行设定，此处对此不作限定。例如预设损失阈值可以设定为5％或者10％等；预设比例阈值可以设定为90％或者95％等。
表3示出了一种窄带信号的实验仿真参数。如表3所示，2-ASK，4-ASK，2-FSK，4-FSK，8-FSK，4-PSK，8-PSK和64-QAM为8种不同的数字调制方式。码元序列长度、数字基带频率、数字载波频率、数字频率偏移(数字频偏)、采样频率、基带码元波形能量以及信道信噪比等参数，可以作为计算特征值的基础参数；在此基础上，基于上述参数进行实验仿真以生成不用数字调制方式下的窄带信号，并将其作为样本窄带信号生成样本特征值，用于预设网络模型的训练。其中，上述参数的设置可以根据实际需求灵活设定，对此不做限定。
表3M-FSK与第二特征值的理论值之间的对应关系
示例性的，以XGBoot网络模型作为预设网络模型为例。可以采用8000组特征值作为训练数据，训练XGBoot网络模型。其中每组特征值可以包括根据上述实施例提供的方法所计算得到的第一样本特征值和第二样本特征值，以及对应的样本标签。假设预设损失阈值为5％，预设比例阈值为95％。在训练过程中，若在8000组特征值中，小于5％的损失值对应的特征值组数所占比例大于95％，则表明XGBoot网络模型训练完成；反之，则表明损失值不满足训练停止条件，需要继续对XGBoot网络模型进行训练。
可选的，基于多组测试数据对预设网络模型进行测试，其中，每组测试数据包括第一样本特征值、第二样本特征值以及样本标签。
其中，测试数据可以为从训练数据中所获取的部分数据，也可以为根据上述实施例提供的方法所计算得到的新的第一样本特征值和第二样本特征值，以及对应的样本标签，此处对此不做限定。
测试可以指对训练完成的预设网络模型进行测试，根据测试结果可以判定训练完成的预设网络模型的质量。
可选的，基于多组测试数据对所述预设网络模型进行测试，包括：将所述多组测试数据输入至所述预设网络模型，得到各组测试数据对应的混淆矩阵；根据各组测试数据对应的混淆矩阵确定所述预设网络模型的识别准确率。
可以理解的是，样本标签为特征值对应的数字调制方式真实值，预设网络模型根据输入特征值生成的数字调制方式为预测值。混淆矩阵可以指对真实值和预测值进行匹配后所得到的矩阵，混淆矩阵中包括真实值和预测值之间的匹配结果。
识别准确率可以指根据各组测试数据对应的混淆矩阵中的匹配结果所确定的正确识别数字调制方式的概率。例如，将根据匹配结果中匹配成功的测试数据组数在所有测试数据组数中的所占比例确定为预设网络模型的识别准确率。
以下以XGBoot网络模型作为预设网络模型，以表3所示的8种数字调制方式为例进行测试过程的说明。可以从上述8000组训练数据中选取1600组作为测试数据，其中，每种数字调制方式对应200组测试数据。
图4为本发明实施例一提供的一种在信道信噪比为10dB下所得到的混淆矩阵的示意图。如图4所示，横坐标表示预测值，纵坐标表示真实值；每个数字调制方式对应的预测值与真实值间相交形成一个坐标点，该坐标点所对应的数值可以表示匹配结果。图4中每个数字调制方式对应的匹配结果均为200，表明每个数字调制方式对应的200组特征值均匹配成功。
表4示出了一种在信道信噪比为10dB下各种数字调制方式与识别准确率之间的对应关系。如表4所示，根据图4所示的混淆矩阵，可以得到每种数字调制方式对应的识别准确率均为100％。在此基础上，可以确定在信道信噪比为10dB的情况下，预设网络模型测试的识别准确率为
图5为本发明实施例一提供的一种在信道信噪比为3dB下所得到的混淆矩阵的示意图。如图5所示，图5中2-ASK、2-FSK、4-ASK、8-PSK和64-QAM所对应的匹配结果为200；4-FSK对应的匹配结果为186；4-PSK对应的匹配结果为198；8-FSK对应的匹配结果为188。
表5示出了一种在信道信噪比为3dB下各种数字调制方式与识别准确率之间的对应关系。如表5所示，根据图5所示的混淆矩阵，可以得到2-ASK、2-FSK、4-ASK、8-PSK和64-QAM对应的识别准确率均为100％；4-FSK对应的识别准确率为186/200＝93％；4-PSK对应的识别准确率为198/200＝99％；8-FSK对应的识别准确率为188/200＝94％。
在此基础上，可以确定在信道信噪比为3dB的情况下，预设网络模型测试识别准确率为
根据表4和表5的识别准确率结果，可以看出，本发明提供根据第一特征值和第二特征值实现对信号数字调制方式识别的方法，对于不同优劣的信道(即不同信噪比的信道，如信噪比高为优，信噪比低为劣)，均具有较高的识别准确率。
此外，本发明采用已训练完成的预设网络模型的方法对特征值进行对应数字调制方式的识别，若在后续应用过程中，需要增减识别的数字调制方式，只需对应增减预设网络模型训练数据中包含的样本标签即可，利用上述方法，有效提高了数字调制方式识别的灵活性和可扩展性。
实施例二
图6为本发明实施例二提供的一种信号处理方法的流程示意图，本实施例二在上述各实施例的基础上进行细化。在本实施例中，对根据第一预设函数，确定第一信号的估计参数的具体过程进行了描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
如图6所示，本发明实施例二提供的一种信号处理方法，包括如下步骤：
S210、计算所述第一预设函数和所述第一信号的均方误差结果。
在本实施例中，均方误差结果可以指反映第一预设函数和第一信号之间差异程度的度量结果。假设第一预设函数可表示为Sl，第一信号可表示为Vl，其中l可表示第一信号中的当前窄带信号，则第一预设函数和第一信号间的均方误差结果E的表达式可表示为：
E＝∑l∈L[Vl-ΔASl(xl)]2；
其中，L可表示第一信号中所有窄带信号的集合；ΔA可表示第一预设函数的幅度参数，其表达式为
需要说明的是，在本实施例中，仅使用第一预设函数主瓣对应的波形数据。主瓣可以指第一预设函数对应的波形中波形最大的区域。
S220、通过调整所述第一预设函数的幅度参数，迭代更新所述均方误差结果，直至所述均方误差结果达到最小值，得到第二预设函数。
在本实施例中，具体的，通过对第一预设函数的幅度参数进行调整，以不断迭代更新第一预设函数和第一信号间的均方误差结果，在此基础上，将均方误差结果达到最小值时所对应的调整后的第一预设函数作为第二预设函数。
其中，均方误差结果最小值的计算公式可表示为：min(E)＝min(∑l∈L[Vl-ΔASl(xl)]2)。在本步骤中，求均方误差结果最小值的过程可以认为是通过调整第一预设函数的幅度参数，以使得变化的第一预设函数逼近第一信号的拟合过程，即使得变化后的第一预设函数拟合成与第一信号类似的一个波形函数，该变化后的第一预设函数即可以认为是第二预设函数。
S230、将所述第二预设函数的幅度确定为所述第一信号的估计幅度。
在本实施例中，将第二预设函数的幅度确定为第一信号估计参数中的估计幅度。
S240、确定所述第一信号的初始频率估计参数。
在本实施例中，初始频率估计参数可以指第一信号中估计幅度最大的位置所对应的初始频率。初始频率估计参数可以认为是指第一信号的中心频率。其中，初始频率估计参数xoffset的计算公式可表示为xoffset＝argmax(Vl)。
S250、根据所述初始频率估计参数确定所述第二预设函数的第一频率范围和第二频率范围。
在本实施例中，可以将初始频率估计参数作为第二预设函数的中心频率，在此基础上，在第二预设函数的主瓣中，以中心频率为中点分为左和右两部分区域。其中，左部分区域对应的频率范围(即小于等于中心频率的频率范围)可以为第一频率范围，右部分区域对应的频率范围(即大于中心频率的频率范围)可以为第二频率范围。
S260、将所述第一频率范围对应的第一函数和所述第二频率范围对应的第二函数分别与所述第一信号进行比较，得到对应的第一偏移量和第二偏移量。
在本实施例中，第一函数可以指第二预设函数中第一频率范围所对应的波形函数；第二函数可以指第二预设函数中第二频率范围所对应的波形函数。
第一偏移量可以指在第一频率范围内，表征第一函数与第一信号之间波形偏移的量；第二偏移量可以指在第二频率范围内，表征第二函数与第一信号之间波形偏移的量。
第一偏移量Ml和第二偏移量MR的计算公式可表示为：
其中，LR＝{l:l∈L,l>xoffset}，其可以表示在L中大于xoffset部分的窄带信号的集合；Ll＝{l:l∈L,l≤xoffset}，其可以表示在L中小于等于xoffset部分的窄带信号集合。
S270、通过调整所述第二预设函数的中心频率，以使得所述第一偏移量和所述第二偏移量达到预设值，得到第三预设函数。
在本实施例中，预设值可以指预先设定的一个阈值，此处对此不作限定，可根据实际需求进行灵活设定，例如，预设值可以为0.005、或者0.001等。中心频率可以认为是指初始频率估计参数xoffset。利用所设定的预设值，通过调整第二预设函数的中心频率，可以使得第一偏移量和第二偏移量按照预设值进行变化，从而使得第二预设函数中的第一函数和的第二函数分别与第一信号之间进行相应的自适应平衡校正。
通过调整第二预设函数的中心频率，使得第二预设函数进行相应的波形偏移，以使得对应的第一偏移量和第二偏移量达到预设值，此时可以将调整后的第二预设函数作为第三预设函数。所得到的第三预设函数与第一信号之间达到了自适应的平衡校正。
S280、将所述第三预设函数的中心频率确定为所述第一信号的估计中心频率。
在本实施例中，可以将第三预设函数的中心频率确定为第一信号估计参数中的估计中心频率。
S290、将所述第三预设函数的主瓣带宽确定为所述第一信号的估计带宽。
在本实施例中，主瓣带宽可以指第三预设函数主瓣区域波形对应的带宽。在第一信号的估计幅度和估计中心频率与第三预设函数相关联的情况下，第三预设函数无限逼近第一信号，因此可以将第三预设函数的主瓣带宽确定为第一信号的估计带宽。
本发明实施例二提供的一种信号处理方法，具体化了根据对第一信号的估计参数进行确定的过程。利用该方法，通过所设定的一个第一预设函数，通过拟合无限逼近第一信号，以使得逼近处理后的第一预设函数的参数作为第一信号的估计参数，从而实现了对宽带信号中相关参数的识别，且该方法可适用于处理极大部分的宽带信号，具有一定的普适性和实用性。
实施例三
图7为本发明实施例三提供的一种信号处理装置的结构示意图，该装置可由软件和/或硬件实现。如图7所示，该装置包括：第一确定模块310、第二确定模块320以及识别模块330；
其中，第一确定模块310，用于根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；
第二确定模块320，用于确定所述第二信号对应的特征值；
识别模块330，用于将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
在本实施例中，该装置首先通过第一确定模块，根据第一预设函数，确定第一信号的估计参数，并根据估计参数对所述第一信号进行信号分离，以得到第二信号，其中，第一信号为待处理信号经过快速傅里叶变换得到的信号；然后通过第二确定模块，确定第二信号对应的特征值；最后通过识别模块，将特征值输入至预设网络模型，以通过预设网络模型分别对第二信号的调制方式进行识别，得到识别结果。利用上述装置，能够识别出待处理信号的相关参数，在此基础上根据参数能够实现对待处理信号的精确分离。此外，还通过所确定的特征值能够实现对分离信号的数字调制方式的识别，从而提高信号处理的准确性和可靠性。
可选的，在所述装置中，所述估计参数包括估计幅度；
在第一确定模块310中，执行“根据第一预设函数，确定所述第一信号的估计参数”操作时，包括：
计算单元，用于计算所述第一预设函数和所述第一信号的均方误差结果；
第二预设函数确定单元，用于通过调整所述第一预设函数的幅度参数，迭代更新所述均方误差结果，直至所述均方误差结果达到最小值，得到第二预设函数；
幅度确定单元，用于将所述第二预设函数的幅度确定为所述第一信号的估计幅度。
可选的，在所述装置中，所述估计参数还包括估计中心频率以及估计带宽；
在上述实施例的基础上，所述装置还包括：
初始频率确定模块，用于确定所述第一信号的初始频率估计参数；
范围确定模块，用于根据所述初始频率估计参数确定所述第二预设函数的第一频率范围和第二频率范围；
偏移量确定模块，用于将所述第一频率范围对应的第一函数和所述第二频率范围对应的第二函数分别与所述第一信号进行比较，得到对应的第一偏移量和第二偏移量；
第三预设函数确定模块，用于通过调整所述第二预设函数的中心频率，以使得所述第一偏移量和所述第二偏移量达到预设值，得到第三预设函数；
中心频点确定模块，用于将所述第三预设函数的中心频率确定为所述第一信号的估计中心频率；
带宽确定模块，用于将所述第三预设函数的主瓣带宽确定为所述第一信号的估计带宽。
可选的，在第一确定模块310中，执行“根据所述估计参数对所述第一信号进行信号分离，以得到第二信号”操作时，包括：
频率确定单元，用于根据所述估计参数确定所述第一信号的起始频率和终止频率；
第一分离单元，用于根据所述起始频率和所述终止频率从所述第一信号中分离出一个第二信号；
第二分离单元，用于若检测到所述第一信号除去已得到的第二信号的剩余部分中，存在另一个第二信号，则从所述剩余部分中分离得到所述另一个第二信号；
检测单元，用于返回执行上述对所述第一信号除去已得到的第二信号的剩余部分的检测操作，直至所述剩余部分中不存在第二信号。
可选的，在所述装置中，每个第二信号对应一组特征值，所述特征值包括第一特征值和第二特征值；
其中，所述第一特征值根据所述第二信号的累积量确定；所述第二特征值根据所述第二信号的循环谱确定。
可选的，所述装置包括模型训练模块，所述预设网络模型基于第一样本特征值、第二样本特征值以及样本标签训练得到，其中，所述样本标签包括所述第一样本特征值和所述第二样本特征值所对应的数字调制方式标签；
在模型训练模块中，所述预设网络模型的训练过程包括：
输入单元，用于将所述第一样本特征值、所述第二样本特征值以及所述样本标签输入至所述预设网络模型；
生成单元，用于通过所述预设网络模型生成所述第一样本特征值和所述第二样本特征值对应的预测样本标签；
计算单元，用于根据所述预测样本标签和所述样本标签计算损失值，直至所述损失值达到训练停止条件。
可选的，在所述装置中，还包括：模型测试模块，用于基于多组测试数据对所述预设网络模型进行测试，其中，每组测试数据包括第一样本特征值、第二样本特征值以及样本标签；
在模型测试模块中，所述基于多组测试数据对所述预设网络模型进行测试，包括：
混淆矩阵确定单元，用于将所述多组测试数据输入至所述预设网络模型，得到各组测试数据对应的混淆矩阵；
识别准确率确定单元，用于根据各组测试数据对应的混淆矩阵确定所述预设网络模型的识别准确率。
上述信号处理装置可执行本发明任意实施例所提供的信号处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图8为本发明实施例四提供的一种电子设备的结构示意图。如图8所示，本发明实施例四提供的电子设备包括：存储装置42和一个或多个处理器41；该电子设备中的处理器41可以是一个或多个，图8中以一个处理器41为例；存储装置42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本发明实施例中任一项所述的信号处理方法。
所述电子设备还可以包括：通信装置43、输入装置44和输出装置45。
电子设备中的处理器41、存储装置42、通信装置43、输入装置44和输出装置45可以通过总线或其他方式连接，图8中以通过总线连接为例。
该电子设备中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例一或二所提供信号处理方法对应的程序指令/模块(例如，附图7所示的信号处理装置中的模块，包括：第一确定模块310、第二确定模块320以及识别模块330)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中信号处理方法。
存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信装置43可以包括接收器和发送器。通信装置43设置为根据处理器41的控制进行信息收发通信。
输入装置44可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置45可包括显示屏等显示设备。
并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；确定所述第二信号对应的特征值；将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行信号处理方法，该方法包括：根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；确定所述第二信号对应的特征值；将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
可选的，该程序被处理器执行时还可以用于执行本发明任意实施例所提供的信号处理方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆或无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种信号处理方法，其特征在于，所述方法包括：
根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；
确定所述第二信号对应的特征值；
将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
2.根据权利要求1所述的方法，其特征在于，所述估计参数包括估计幅度；
所述根据第一预设函数，确定所述第一信号的估计参数，包括：
计算所述第一预设函数和所述第一信号的均方误差结果；
通过调整所述第一预设函数的幅度参数，迭代更新所述均方误差结果，直至所述均方误差结果达到最小值，得到第二预设函数；
将所述第二预设函数的幅度确定为所述第一信号的估计幅度。
3.根据权利要求2所述的方法，其特征在于，所述估计参数还包括估计中心频率以及估计带宽；
所述方法还包括：
确定所述第一信号的初始频率估计参数；
根据所述初始频率估计参数确定所述第二预设函数的第一频率范围和第二频率范围；
将所述第一频率范围对应的第一函数和所述第二频率范围对应的第二函数分别与所述第一信号进行比较，得到对应的第一偏移量和第二偏移量；
通过调整所述第二预设函数的中心频率，以使得所述第一偏移量和所述第二偏移量达到预设值，得到第三预设函数；
将所述第三预设函数的中心频率确定为所述第一信号的估计中心频率；
将所述第三预设函数的主瓣带宽确定为所述第一信号的估计带宽。
4.根据权利要求1所述的方法，其特征在于，所述根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，包括：
根据所述估计参数确定所述第一信号的起始频率和终止频率；
根据所述起始频率和所述终止频率从所述第一信号中分离出一个第二信号；
若检测到所述第一信号除去已得到的第二信号的剩余部分中，存在另一个第二信号，则从所述剩余部分中分离得到所述另一个第二信号；
返回执行上述对所述第一信号除去已得到的第二信号的剩余部分的检测操作，直至所述剩余部分中不存在第二信号。
5.根据权利要求1所述的方法，其特征在于，每个第二信号对应一组特征值，所述特征值包括第一特征值和第二特征值；
其中，所述第一特征值根据所述第二信号的累积量确定；所述第二特征值根据所述第二信号的循环谱确定。
6.根据权利要求1所述的方法，其特征在于，所述预设网络模型基于第一样本特征值、第二样本特征值以及样本标签训练得到，其中，所述样本标签包括所述第一样本特征值和所述第二样本特征值所对应的数字调制方式标签；
所述预设网络模型的训练过程包括：
将所述第一样本特征值、所述第二样本特征值以及所述样本标签输入至所述预设网络模型；
通过所述预设网络模型生成所述第一样本特征值和所述第二样本特征值对应的预测样本标签；
根据所述预测样本标签和所述样本标签计算损失值，直至所述损失值达到训练停止条件。
7.根据权利要求1所述的方法，其特征在于，还包括：
基于多组测试数据对所述预设网络模型进行测试，其中，每组测试数据包括第一样本特征值、第二样本特征值以及样本标签；
所述基于多组测试数据对所述预设网络模型进行测试，包括：
将所述多组测试数据输入至所述预设网络模型，得到各组测试数据对应的混淆矩阵；
根据各组测试数据对应的混淆矩阵确定所述预设网络模型的识别准确率。
8.一种信号处理装置，其特征在于，包括：
第一确定模块，用于根据第一预设函数，确定第一信号的估计参数，并根据所述估计参数对所述第一信号进行信号分离，以得到第二信号，其中，所述第一信号为待处理信号经过快速傅里叶变换得到的信号；
第二确定模块，用于确定所述第二信号对应的特征值；
识别模块，用于将所述特征值输入至预设网络模型，以通过所述预设网络模型分别对所述第二信号的数字调制方式进行识别，得到识别结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的信号处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的信号处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111242975.1A CN114006798A (zh) | 2021-10-25 | 2021-10-25 | 一种信号处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111242975.1A CN114006798A (zh) | 2021-10-25 | 2021-10-25 | 一种信号处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114006798A true CN114006798A (zh) | 2022-02-01 |
Family
ID=79923992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111242975.1A Pending CN114006798A (zh) | 2021-10-25 | 2021-10-25 | 一种信号处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114006798A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115242985A (zh) * | 2022-07-08 | 2022-10-25 | 苏州华星光电技术有限公司 | 摄像装置校正方法和摄像装置校正装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103905348A (zh) * | 2014-03-04 | 2014-07-02 | 哈尔滨工程大学 | 基于相关函数线性预测和泰勒分解的双阶段频率估计方法 |
| CN106712720A (zh) * | 2016-12-14 | 2017-05-24 | 中国人民解放军空军工程大学 | 一种基于lfbt的多分量sfm信号参数估计方法 |
| US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
| CN111464470A (zh) * | 2020-03-26 | 2020-07-28 | 国网江苏省电力有限公司电力科学研究院 | 一种面向电力无线专网的授权用户调制信号识别方法及其系统、存储介质 |
-
2021
- 2021-10-25 CN CN202111242975.1A patent/CN114006798A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103905348A (zh) * | 2014-03-04 | 2014-07-02 | 哈尔滨工程大学 | 基于相关函数线性预测和泰勒分解的双阶段频率估计方法 |
| CN106712720A (zh) * | 2016-12-14 | 2017-05-24 | 中国人民解放军空军工程大学 | 一种基于lfbt的多分量sfm信号参数估计方法 |
| US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
| CN111464470A (zh) * | 2020-03-26 | 2020-07-28 | 国网江苏省电力有限公司电力科学研究院 | 一种面向电力无线专网的授权用户调制信号识别方法及其系统、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 何继爱;张文启;: "通信信号调制识别技术及其发展", 高技术通讯, no. 02, pages 157 - 165 * |
| 黄光星;赵碧峰;: "利用神经网络进行调制识别", 中国无线电, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115242985A (zh) * | 2022-07-08 | 2022-10-25 | 苏州华星光电技术有限公司 | 摄像装置校正方法和摄像装置校正装置 |
| CN115242985B (zh) * | 2022-07-08 | 2024-05-03 | 苏州华星光电技术有限公司 | 摄像装置校正方法和摄像装置校正装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
| CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
| 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 | |
| WO2016082562A1 (zh) | 基于无线电信号频谱特征模板的信号识别方法及系统 | |
| CN112861927B (zh) | 基于自适应特征提取与融合的信号调制分类方法 | |
| CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
| CN106330805B (zh) | 一种信号调制方式自动识别方法及系统 | |
| CN100521670C (zh) | 一种多进制频移键控信号的检测和分析方法 | |
| Alharbi et al. | Automatic modulation classification of digital modulations in presence of HF noise | |
| US11184783B1 (en) | Real-time channel-resilient optimization of radio fingerprinting | |
| Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
| CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
| WO2021143126A1 (zh) | 一种调制方式确定方法及装置 | |
| Essai et al. | Automatic Modulation Classification: Convolutional Deep Learning Neural Networks Approaches | |
| CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
| Jajoo et al. | Blind signal modulation recognition through density spread of constellation signature | |
| CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
| Wong et al. | An analysis of RF transfer learning behavior using synthetic data | |
| Feng et al. | An accurate modulation recognition method of QPSK signal | |
| Ponnaluru et al. | A software‐defined radio testbed for deep learning‐based automatic modulation classification | |
| CN110943952B (zh) | 调幅信号的检测方法及装置 | |
| US10116475B1 (en) | Automatic electrical signal decoding discovery and electrical signal coding between a device and its remote controller | |
| CN111865849A (zh) | 一种信号调制的方法、装置和服务器 | |
| JP2003244263A (ja) | 信号処理装置 | |
| CN111461007A (zh) | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
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 |