CN114070684A - 一种基于二维卷积神经网络的调制信号识别方法 - Google Patents

Abstract

本发明公开了一种基于二维卷积神经网络的调制信号识别方法，包括：将维度是L*1的时域信号输入神经网络，使用一维卷积进行特征提取，得到L*1*C的特征向量；改变得到的一维特征向量的维度为L*C*1；采用二维卷积神经网络对变形后的维度为L*C*1的特征向量进行二维卷积，提取二维特征向量后经过分类器得到调制方式信号的类别。本发明同时于各种一维时域信号的分类情况，可以取得较高的分类准确率。

Description

一种基于二维卷积神经网络的调制信号识别方法

技术领域

本发明涉及一种信号调制分类的方法，尤其涉及一种基于二维卷积神经网络用于信号扩充增强的信号调制方式识别方法，属于信号处理技术领域。

背景技术

目前，通信技术快速发展，新的调制方式不断涌现。民用领域和军用领域在进行解调等信号处理的过程中，急需调制识别技术的有力保障。因此，对调制识别技术展开研究具有十分重要的意义。传统的调制识别算法，运算复杂度高，需要很强的人工先验知识。尤其对于在非合作通信来说，先验知识少以并且信道环境恶劣，加大了正确识别调制方式的难度。当下深度学习技术迅速发展，在无线通信领域，神经网络算法被应用于通信信号调制方式识别技术中，并且取得了较好的效果。

近年来，神经网络技术发展迅速，在图像处理和语音识别方面取得了成功，相继涌现将神经网络和调制格式识别结合的研究，可以采用深度学习技术自动学习信号的本质特征完成调制格式识别，结果证明，基于深度学习网络架构的调制格式识别可在较低信噪比环境下得到较好的识别结果。面对信号调制，这些研究大多采用的是一维卷积模型或者循环神经网络模型，少有借鉴在图像处理领域大方异彩的二维卷积模型，而采用二维卷积模型往往可以挖掘不同调制模式信号更深层次的本质特征，寻找调制模式信号的更优低维表示。

发明内容

发明目的：鉴于以上陈述的已有技术的不足，本发明旨在提供一种基于二维卷积神经网络的调制信号识别方法，该方法在RML2016.10a调制信号数据集上表现出了优异的分类准确率，尤其在低信噪比条件下对几类调制模式信号仍保持了相当的分类准确率，可视化结果表明神经网络有效的对原始信号进行了数据扩充和增强。

技术方案：本发明的目的是通过如下手段来实现的。

一种基于二维卷积神经网络的调制信号识别方法，包括以下步骤：

(1)对待分类识别的调制模式信号数据(如：RML2016.10a)进行归一化，得到一个更适应于神经网络特性的数据集合。

(2)根据调制模式信号的特征建立神经网络模型，对神经网络模型使用随机初始化，得到待训练的神经网络模型；同时确定训练的目标函数。

(3)利用随机梯度下降算法来更新神经网络的参数，通过多轮迭代训练后得到一个高性能的调制模式信号识别模型

进一步的，步骤(1)中，为了得到更适应于神经网络模型特性的数据集合，需要把所有调制模式信号的幅值归一化到0到1之间。通常为了把调制模式信号的幅值归一化到0到1之间，需要得到调制模式信号的最大值与最小值，然后将调制模式信号的每一个值减去最小值比上最大值与最小值之差得到归一化之后的信号，这时得到的信号更适应于神经网络模型的训练与测试。

进一步的，步骤(2)中需要建立调制模式信号类别识别的神经网络模型与训练的目标函数。由于调制模式信号最初是维度为L*1的一维信号，为了建立神经网络模型，首先需要通过一维卷积对其进行数据增强与扩充，得到维度为L*1*C的特征信号；为了对增强与扩充后的特征信号进行二维卷积操作，需要将特征信号维度变形为L*C*1。得到变形之后的特征信号，采用图像处理中的二维卷积操作提取调制模式信号的特征，后通过添加全连接层完成对调制模式信号的分类。由于调制模式信号识别为典型的分类问题，故采用交叉熵函数作为神经网络模型的目标函数。

进一步的，步骤(3)中需要对基于二维卷积神经网络的调制信号识别模型进行反向传播更新模型参数，得到性能优异的识别模型，采用随机梯度下降算法来更新模型参数。

基于二维卷积神经网络的调制信号识别模型的预测过程如下：

将待预测的调制模式信号进行归一化预处理，然后输入神经网络模型；神经网络模型前向传播运算得到信号类别的预测结果。

有益结果：和传统信号调制模式识别技术相比，本发明无需手工设计特征，不需要丰富的先验知识，避免了在特征提取工程上浪费很多时间和精力；并且在识别准确率，尤其是低信噪比识别准确率上有较大的提升；和相关研究相比，本发明针对时域调制信号不再使用一维卷积神经网络，而是通过首先使用一维卷积神经网络对原始时域信号进行数据扩充与增强，而后通过二维卷积神经网络更深层次的挖掘信号调制的深层次特征，以达到更优的识别效果。经过实验论证，使用本发明的方法使用二维卷积神经网络对调制模式信号进行识别可以在RML2016.10a数据集上达到十分优异的分类准确率，尤其是在低信噪比情况下。通过特征可视化可以发现，网络模型实现了端到端的对数据进行增强与扩充，结果表明模型对信号实现了减少噪声、增强噪声，整体幅值压缩、信号上下翻转等操作。

附图说明如下：

图1.本发明方法的流程示意图。

图2.本发明方法中二维卷积神经网络模型的网络结构图。

图3.本发明方法中基于RML2016.10a信号数据扩充与增强结果及不同信噪比请款下的分类准确率。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案实施进行详细描述。

本发明的发明思路是针对现有的基于一维神经网络的调制信号识别技术加以改进，引入图像处理中的二维卷积网络更深层次的挖掘信号的隐藏特征，以对调制信号，尤其是低信噪比下的调制信号进行更准确的预测。

本发明的一种基于二维卷积神经网络的调制识别方法，将二维卷积神经网络应用到调制信号识别中，通过二维神经网络进行特征提取和抽象；方法流程如图1所示，包括以下步骤：

步骤1：对输入的时域调制信号进行幅值归一化，归一化公式如下：

其中x为输入调制信号，min()和max()分别代表取调制信号的幅度最小值与幅度最大值，通过上述公式可以将不同的调制信号归一化到0到1之间，从而更适用于神经网络的训练与测试。

实验中使用的数据是RML2016.10a，这是由Tim O’Shea在2016年所提出的，共包含11类不同的调制模式信号，分别包括BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和PAM4用于数字调制，WB-FM、AM-SSB和AM-DSB用于模拟调制。

步骤2：建立基于二维卷积神经网络的调制信号识别模型。模型主要由3部分组成，如图2所示。第一部分是一维卷积神经网络，模型的输入是L*1的时域信号，通过一维卷积神经网络从通道维度来对信号进行数据扩充以及增强；可以看到经过一维卷积操作后，特征向量即经过扩充和增强后的信号维度变成了L*1*C；C表示一维卷积操作的通道维度，经过变形后表示将原来的一个时域信号变成了C个经过增强后的信号，该操作极大的丰富了样本的多样性，同时通过端到端的训练发现对信号起到了一定的降噪作用。第二部分是二维卷积神经网络，二维卷积神经网络用于提取进行扩充与增强之后的信号集的隐藏特征，相比于一维卷积，二维卷积能更好的提取出信号的隐藏特征，便于模型进行端到端的训练，同时提升训练准确率。第三部分是基于全连接神经网络的分类器，通过分类器可以进一步提取二维卷积神经网络所输出的特征，最终完成对调制信号的分类识别。

调制信号的识别是典型的分类问题，使用交叉熵函数作为模型的目标函数，交叉熵是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息，模型中使用交叉熵来衡量预测结果与真实标签之间的差距。交叉熵损失函数如下式所示：

模型通过随机梯度下降算法来进行反向传播更新参数，通过多轮迭代后可以得到性能优异的调制信号识别模型。对于模型对调制信号进行识别只需要对信号进行幅值归一化后输入神经网络。

如图3所示为部分实验结果，通过对信号分析可知，通过端到端的训练，基于二维神经网络的调制信号识别模型能够自主学会信号数据扩充与增强，模型自主学会了减少噪声、增强噪声，整体幅值压缩、信号上下翻转等数据扩充与增强操作，通过这些扩充与增强方式，在一定程度上提升了模型的泛化性能与识别准确率。如图3所示为模型在不同信噪比下的识别准确率，可以发现在信噪比较高的情况下模型具备优异的识别效果，能达到98％的识别准确率；而在低信噪比的情况下，模型对少数几类调制信号仍能保持很高的识别准确率，因而整体识别准确率仍维持在45％左右，效果良好。

根据以上实验结果可知，本发明方法通过神经网络端到端的对调制信号进行了数据增强，因而对各个信噪比条件下的调制信号均取得了优异的识别效果，尤其在低信噪比下对部分调制信号仍能保持很高的识别准确率，具有广泛的应用价值。

Claims (2)

1.一种基于二维卷积神经网络的调制信号识别方法，其特征在于，包括以下步骤：

(1)将维度是L*1的时域信号输入神经网络，首先进行一维卷积，得到L*1*C的特征向量。

(2)改变(1)中特征向量的维度为L*C*1。

(3)采用二维卷积神经网络对(2)中维度为L*C*1的特征向量进行二维卷积，提取二维特征向量后经过分类器得到调制方式信号的类别。

2.实现权利要求1所述的一种基于二维卷积神经网络的调制信号识别方法，其特征在于，步骤(2)中，通过对一维卷积操作生成的特征向量进行由通道维度到宽度维度的变形实际等效于对输入信号进行数据扩充及增强，并可通过神经网络的反向传播对其扩充及增强方式进行端到端的训练。

Images