CN114301747B - 一种基于svm-srnn的调制信号识别方法 - Google Patents

Abstract

本发明公开了一种基于SVM‑SRNN的调制信号识别方法首先准备数据集，进行数据预处理，然后搭建SVM模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号；最后搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；相比于使用RNN模型进行分类，SRNN的速度显著快于标准的RNN，而且不需要改变循环单元，并且SRNN具有提取序列高级信息的能力，具有更快的计算速度。本发明通过SVM‑SRNN模型组合进行调制信号分类，比传统的分类器具有更好的分类效果。

Description

一种基于SVM-SRNN的调制信号识别方法

技术领域

本发明属于通信调制信号识别领域，具体的讲，涉及一种基于SVM-SRNN的调制信号识别方法。

背景技术

近几年无线通信技术正在高速地发展，使用范围越来越广泛，特别是随着5G标准在6GHz以下范围的部署和物联网的蓬勃发展，无线电波已成为世界当中不可缺少的一部分。识别信号的调制方式是非常重要的一个部分，不法分子常常会理由漏洞来进行可疑的活动，比如入侵和干扰，从而影响正常通信系统的工作，甚至可能会威胁到社会的安全。因此，无线电信号监测与识别成为重要场合的紧要任务，具有十分重要意义。

调制识别算法主要有两类，一类是基于特征的识别方法，另一类是基于似然的方法。基于似然的方法主要取决于接收信号的似然函数，对于每个调制类型，需计算出接收信号的似然函数，再根据最大似然比测试做出决定。虽然这种方法准确性很高，但同时也存在高延迟和需要完整的先验知识的缺点，所以在实际上应用基于此种方法的算法很少。基与特征的方法可在时域中从瞬时振幅、频率和相位中提取特征，再通过分类器分类。而传统的分类器如决策树、SVM(支持向量机)、K-近邻、人工神经网络等方法虽然研究较多，但是同样存在分类准确度较低的缺陷。

发明内容

为了解决上述问题，本发明提出了一种基于SVM-SRNN的调制信号识别方法，能够提取基带上的同相(I)和正交(Q)成分的特征，对13种不同的调制技术进行分类，具有较快的分类速度和教高的分类精度。该方法首先将得到的原始数据进行预处理整理得到多维的向量；然后将向量作为输入通过SVM模型将除规定的13种调制信号外的信号分离出去；再将SVM分类器的输出通过SRNN(切片双向循环神经网络)提取特征，最后将SRNN的输出通过softmax分类器输出最终结果。

为实现上述目的，一种基于SVM-SRNN的调制信号识别方法，包括以下步骤：

S1：准备数据集：

数据集采用由GNUradio软件无线电平台产生的通信调制信号，包括训练数据和测试数据，其类型包括AM(幅度调制)、FM(频率调制)、2ASK(二进制幅度键控)、4ASK(四进制幅度键控)、2FSK(二进制移频键控)、4FSK(二进制移频键控)、MSK(最小频移键控)、PSK(相位偏移调制)、QPSK(正交相移键控)、PI/4DQPSK(偏移八相相移键控)、OQPSK(偏移四相相移键控)、QAM16(正交幅度调制)、QAM64(相正交振幅调制)调制信号，除上述13种信号，还加入了噪声信号，噪声信号由上述13种信号随机选取2-3种信号混合而成，其长度等同于待分类信号，共14种待分信号。

S2：数据预处理：

调制信号是一种I/Q信号，由I路和Q路两组序列组成，每个信号的长度为2×128000。数据预处理将原始I/Q采样数据变为更好的特征提取和识别的表达形式。为了降低计算的复杂度，通过DFT(离散傅里叶变换)对I/Q信号进行无损转换。将所有的训练数据和测试数据通过DFT采样后再通过abs函数取实后，每个信号的格式变为1000×128的向量数据。

S3：搭建SVM(支持向量机)模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号。

S4：搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；

切片双向循环神经能够更好的依赖数据的上下文逐步抽象出高层的结构特征，具有提取序列高级信息的能力，并且通过参数共享可以减少计算量，其速度快于RNN(循环神经网络)模型。切片双向循环神经网络总共分为三层：第一层由100个双向循环神经网络组成，第二层由10个双向循环神经网络组成，第三层由1个双向循环神经网络组成，每个双向循环神经网络的格式为10输入1输出。首先将每个通过SVM分类器后的信号向量数据切分成100×10×128的向量，输入第一层的双向循环神经网络中，第一层网络的输出结果为100×1×128的向量；再把第一层的输出结果切分成10×10×128输入至第二层双向循环神经网络中，第二层的输出结果为10×1×128的向量；最后把第二层的输出结果组成10×128输入至第三层双向循环神经网络中，输出的结果再通过softmax分类器分类。

S5：训练模型，将预处理后训练数据输入S3、S4中的SVM分类器和切片双向循环神经网络练参数，模型训练完毕后，再通过测试数据，对模型进行测试训练效果。

优选地，所述S3详细步骤为：

S3.1：将所有S2数据预处理后的所有训练数据合并在训练样本集D＝{{(x₁,y₁),(x₂,y₂)},…,(x_i,y_i),…,(x_m,y_m)},其中x_i表示第i个训练数据，为S2预处理后的向量数据，y_i表示第i个训练数据的标签，m表示训练样本的总长度，13种待分类的调制信号为正类，噪声信为负类。

S3.2：确定SVM模型参数：SVM分类器的核函数选择高斯核，超平面集为f(x)＝wx+b；w为法向量，b为位移项。

S3.3：求解SVM分类器的凸二次规划问题：

其中α是拉格朗日乘子，α_i是训练样本(x_i,y_i)的拉格朗日乘子，α_j是第j个训练样本(x_j,y_j)的拉格朗日乘子,K()为高斯核函数。

S3.4：求解S3.3的问题后得到参数w、b，并得到分类决策函数f(x)。

S3.5：将数据通过f(x)函数后划分为13种待分信号和噪声信号，将噪声信号剔除并将13种待分信号输入后续网络中。

优选地，所述S4详细步骤为：

S4.1：构建切片双向循环神经网络，定义每层网络并随机初始化参数，X_o是网络的第o个输入数据，是第c层第o个神经元的的隐藏状态，/>是第c层第o个神经元的输出，是第c层第o个神经元的参数，U是输入到隐藏层的权重矩阵，W是前一个隐藏状态到下一个隐藏状态的权重矩阵，V是隐藏层到输出层的权重矩阵。

S4.2：前向传播计算；切片双向循环神经网络的前向传播有两个传播方向：向前和向后。每一层的计算方式相同，以下省略各层的层标c。

向前方向的隐藏状态由它的输入X_o以及上个一隐藏状态/>决定，其计算为：

向后方向的隐藏状态由它的输入X_o以及后一个隐藏状态/>决定，其计算为：

输出结果C_o为：

C_o＝sigmoid(V_o*[h_o；h'_o])

S4.3：反向传播：采用均方差作为损失函数E：

其中N为训练的批量大小，为C_ot的均值。

每一个神经元参数的计算方式相同，以下省略c和o。反向传递计算，根据梯度下降算法进行参数的梯度更新：

对参数进行更新。根据链式求导法则，以可以得到第t个输入时的偏导数为：

其中的计算为:

同样对h₁、h₂…h_t-1展开，最后合并可得：

参数W的更新计算为：

同理可得参数U的更新计算为：

参数V的更新计算为：

其中η为自适应学习率。

S4.4：构建softmax层，将切片双向循环神经网络最后一层的输出F作为softmax分类器的输入特征，对类标进行分类，则最后的分类结果O为：

O＝softmax(W_F*F+b_F)

其中W_F为最后一个隐藏状态到输出的权重矩阵、b_F为输出的偏置参数。

与现有技术相比，本发明具有以下优点：

1.相比于使用RNN模型进行分类，SRNN的速度显著快于标准的RNN，而且不需要改变循环单元，并且SRNN具有提取序列高级信息的能力，具有更快的计算速度。

2.通过SVM-SRNN模型组合进行调制信号分类，比传统的分类器如决策树、SVM(支持向量机)、K-近邻、人工神经网络具有更好的分类效果。

附图说明

图1为本发明实施例双向循环神经网络模型。

图2为本发明实施例切片双向循环神经网络模型。

图3为本发明实施例方法流程图。

具体实施方式

以下结合附图与实施例对本发明方法进行进一步描述。

如图3所示，一种基于SVM-SRNN的调制信号识别方法，具体实施步骤如下：

S1：准备数据集：数据集采用由GNUradio软件无线电平台产生的通信调制信号，其类型包括AM(幅度调制)、FM(频率调制)、2ASK(二进制幅度键控)、4ASK(四进制幅度键控)、2FSK(二进制移频键控)、4FSK(二进制移频键控)、MSK(最小频移键控)、PSK(相位偏移调制)、QPSK(正交相移键控)、PI/4DQPSK(偏移八相相移键控)、OQPSK(偏移四相相移键控)、QAM16(正交幅度调制)、QAM64(相正交振幅调制)调制信号，除了这13种信号，在数据集中还加入了一些混合信号作为噪声，混合信号由上述13信号随机取三个混合得出，其长度等同于待分类信号。每种调制信号各取1000个训练数据和1000个测试数据，共28000个样本。

S2：数据预处理：调制信号是一种I/Q信号，每个信号的长度为1×4096000。数据预处理将原始I/Q采样数据变为更好的特征提取和识别的表达形式。为了降低计算的复杂度，通过DFT对I/Q信号进行无损变化。每个信号通过DFT采样后再通过abs函数取实后，得到1000×128的向量数据。

S3：搭建SVM(支持向量机)模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号。具体包括：

S3.1：将所有S2数据预处理后的所有训练数据合并在训练样本集D＝{{(x₁,y₁),(x₂,y₂)},…,(x_i,y_i),…,(x_m,y_m)},其中x_i表示第i个训练数据，为S2预处理后的向量数据，y_i表示第i个训练数据的标签，m表示训练样本的总长度，13种待分类的调制信号为正类，噪声信为负类。

S3.2：确定SVM模型参数：SVM分类器的核函数选择高斯核，超平面集为f(x)＝wx+b；w为法向量，b为位移项。

S3.3：求解SVM分类器的凸二次规划问题：

其中α是拉格朗日乘子，α_i是训练样本(x_i,y_i)的拉格朗日乘子，α_j是第j个训练样本(x_j,y_j)的拉格朗日乘子,K()为高斯核函数。

S3.4：求解S3.3的问题后得到参数w、b，并得到分类决策函数f(x)。

S3.5：将数据通过f(x)函数后划分为13种待分信号和噪声信号，将噪声信号剔除并将13种待分信号输入后续网络中。

S4：搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；

切片双向循环神经能够更好的依赖数据的上下文逐步抽象出高层的结构特征，具有提取序列高级信息的能力，并且通过参数共享可以减少计算量，其速度快于RNN(循环神经网络)模型。切片双向循环神经网络总共分为三层：第一层由100个双向循环神经网络组成，第二层由10个双向循环神经网络组成，第三层由1个双向循环神经网络组成，每个双向循环神经网络的格式为10输入1输出。首先将每个通过SVM分类器后的信号向量数据切分成100×10×128的向量，输入第一层的双向循环神经网络中，第一层网络的输出结果为100×1×128的向量；再把第一层的输出结果切分成10×10×128输入至第二层双向循环神经网络中，第二层的输出结果为10×1×128的向量；最后把第二层的输出结果组成10×128输入至第三层双向循环神经网络中，输出的结果再通过softmax分类器分类。双向循环神经网络模型参照图1，切片双向循环神经网络结构参照图2。

S4.1：构建切片双向循环神经网络，定义每层网络并随机初始化参数，X_o是网络的第o个输入数据，是第c层第o个神经元的的隐藏状态，/>是第c层第o个神经元的输出，是第c层第o个神经元的参数，U是输入到隐藏层的权重矩阵，W是前一个隐藏状态到下一个隐藏状态的权重矩阵，V是隐藏层到输出层的权重矩阵。

S4.2：前向传播计算；切片双向循环神经网络的前向传播有两个传播方向：向前和向后。每一层的计算方式相同，以下省略各层的层标c。

向前方向的隐藏状态由它的输入X_o以及上个一隐藏状态/>决定，其计算为：

向后方向的隐藏状态由它的输入X_o以及后一个隐藏状态/>决定，其计算为：

输出结果C_o为：

C_o＝sigmoid(V_o*[h_o；h'_o])

S4.3：反向传播：采用均方差作为损失函数E：

其中N为训练的批量大小，为C_ot的均值。

每一个神经元参数的计算方式相同，以下省略c和o。反向传递计算，根据梯度下降算法进行参数的梯度更新：

对参数进行更新。根据链式求导法则，以可以得到第t个输入时的偏导数为：

其中的计算为:

同样对h₁、h₂…h_t-1展开，最后合并可得：

参数W的更新计算为：

同理可得参数U的更新计算为：

参数V的更新计算为：

其中η为自适应学习率。

S4.4：构建softmax层，将切片双向循环神经网络最后一层的输出F作为softmax分类器的输入特征，对类标进行分类，则最后的分类结果O为：

O＝softmax(W_F*F+b_F)

其中W_F为最后一个隐藏状态到输出的权重矩阵、b_F为输出的偏置参数。

S5：训练模型，将预处理后训练数据输入S3、S4中的SVM分类器和切片双向循环神经网络练参数，模型训练完毕后，再通过测试数据，对模型进行测试训练效果。

经过上述5个步骤，即可得到本发明所提出的一种基于SVM-SRNN的调制信号识别模型，模型对调制信号的识别分类具有很好的效果。

Claims (1)

1.一种基于SVM-SRNN的调制信号识别方法，其特征在于，包括以下步骤：

S1：准备数据集：

S2：数据预处理：

S3：搭建支持向量机SVM模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号；

S4：搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；

S5：训练模型，将预处理后训练数据输入S3、S4中的SVM分类器和切片双向循环神经网络练参数，模型训练完毕后，再通过测试数据，对模型进行测试训练效果；

-S1具体方法如下：

数据集采用由GNUradio软件无线电平台产生的通信调制信号，包括训练数据和测试数据，其类型包括AM、FM、2ASK、4ASK、2FSK、4FSK、MSK、PSK、QPSK、PI/4DQPSK、OQPSK、QAM16、QAM64调制信号，除上述13种信号，还加入了噪声信号，噪声信号由上述13种信号随机选取2-3种信号混合而成，其长度等同于待分类信号，共14种待分信号；

S2具体方法如下：

调制信号是一种I/Q信号，由I路和Q路两组序列组成，每个信号的长度为2×128000；将所有的训练数据和测试数据通过DFT采样后再通过abs函数取实后，每个信号的格式变为1000×128的向量数据；

所述S3详细步骤为：

S3.1：将所有S2数据预处理后的所有训练数据合并在训练样本集D＝{{(x₁,y₁),(x₂,y₂)},…,(x_i,y_i),…,(x_m,y_m)},其中x_i表示第i个训练数据，为S2预处理后的向量数据，y_i表示第i个训练数据的标签，m表示训练样本的总长度，13种待分类的调制信号为正类，噪声信号为负类；

S3.2：确定SVM模型参数：SVM分类器的核函数选择高斯核，超平面集为f(x)＝wx+b；w为法向量，b为位移项；

S3.3：求解SVM分类器的凸二次规划问题：

其中α是拉格朗日乘子，α_i是训练样本(x_i,y_i)的拉格朗日乘子，α_j是第j个训练样本(x_j,y_j)的拉格朗日乘子,K()为高斯核函数；

S3.4：求解S3.3的问题后得到参数w、b，并得到分类决策函数f(x)；

S3.5：将数据通过f(x)函数后划分为13种待分信号和噪声信号，将噪声信号剔除并将13种待分信号输入后续网络中；

切片双向循环神经网络总共分为三层：第一层由100个双向循环神经网络组成，第二层由10个双向循环神经网络组成，第三层由1个双向循环神经网络组成，每个双向循环神经网络的格式为10输入1输出；首先将每个通过SVM分类器后的信号向量数据切分成100×10×128的向量，输入第一层的双向循环神经网络中，第一层网络的输出结果为100×1×128的向量；再把第一层的输出结果切分成10×10×128输入至第二层双向循环神经网络中，第二层的输出结果为10×1×128的向量；最后把第二层的输出结果组成10×128输入至第三层双向循环神经网络中，输出的结果再通过softmax分类器分类；

所述S4详细步骤为：

S4.1：构建切片双向循环神经网络，定义每层网络并随机初始化参数，X_o是网络的第o个输入数据，是第c层第o个神经元的隐藏状态，/>是第c层第o个神经元的输出，/>是第c层第o个神经元的参数，U是输入到隐藏层的权重矩阵，W是前一个隐藏状态到下一个隐藏状态的权重矩阵，V是隐藏层到输出层的权重矩阵；

S4.2：前向传播计算；切片双向循环神经网络的前向传播有两个传播方向：向前和向后；每一层的计算方式相同，以下省略各层的层标c；

向前方向的隐藏状态由它的输入X_o以及上个一隐藏状态/>决定，其计算为：

向后方向的隐藏状态由它的输入X_o以及后一个隐藏状态/>决定，其计算为：

输出结果C_o为：

C_o＝sigmoid(V_o*[h_o；h′_o])

S4.3：反向传播：采用均方差作为损失函数E：

其中N为训练的批量大小，为C_ot的均值；

每一个神经元参数的计算方式相同，以下省略c和o；反向传递计算，根据梯度下降算法进行参数的梯度更新：

对参数进行更新；根据链式求导法则，以可以得到第t个输入时的偏导数为：

其中的计算为：

同样对h₁、h₂…h_t-1展开，最后合并可得：

参数W的更新计算为：

同理可得参数U的更新计算为：

参数V的更新计算为：

其中η₁、η₂、η₃为自适应学习率；

S4.4：构建softmax层，将切片双向循环神经网络最后一层的输出F作为softmax分类器的输入特征，对类标进行分类，则最后的分类结果O为：

O＝softmax(W_F*F+b_F)

其中W_F为最后一个隐藏状态到输出的权重矩阵，b_F为输出的偏置参数。