CN114422310A - 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 - Google Patents
一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 Download PDFInfo
- Publication number
- CN114422310A CN114422310A CN202210069179.0A CN202210069179A CN114422310A CN 114422310 A CN114422310 A CN 114422310A CN 202210069179 A CN202210069179 A CN 202210069179A CN 114422310 A CN114422310 A CN 114422310A
- Authority
- CN
- China
- Prior art keywords
- phase
- distribution matrix
- neural network
- joint distribution
- amplitude
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 135
- 238000009826 distribution Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010183 spectrum analysis 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明涉及一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,包括:步骤1:数据获取与预处理:是指:采集信号,并分段加噪;步骤2:数据集搭建;包括:对信号进行切割处理;获取相位与幅度;构建同相‑正交联合分布矩阵和相位‑幅度联合分布矩阵;步骤3:数据集搭建;包括:神经网络搭建与微调,以及训练;步骤4:将待识别的数字正交调制信号依次通过预处理、步骤2,得到待识别的数字正交调制信号的同相‑正交联合分布矩阵和相位‑幅度联合分布矩阵,输入至训练好的神经网络,得到数字正交调制信号的识别结果。本发明减少特征间的相互影响,识别结果更准确。
Description
技术领域
本发明涉及一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,属于人工智能与通信系统的技术领域。
背景技术
时代发展日新月异,无线通信技术在促进人类文明进步中功不可没,它使人们可以摆脱空间束缚随时随地的进行信息传递与交换,极大地促进了社会生产力的发展。随着电磁环境的日益复杂和人们对信息传输效率的要求越来越高,各式各样的调制方式应运而生,各种调制方式以其独特的优点克服电磁环境中噪声影响,并提高信息传输速率,但旧问题解决的同时也带来了新的问题:在非协作通信中,保证发收双方的调制解调方式一致是有效通信的前提,因此,信号调制方式自动分类(Automatic Modulation Classification,AMC)成为信号解调前的必须解决的问题。
传统的AMC算法包括基于最大似然理论判决和基于信号特征参数判决两种,前者要求接收方知道信号的码元速率等先验参数,后者则要求研究人员对信号的各种参数提取算法具有一定的理论基础,然后输入人工设计好的判决器进行分类;随着机器学习算法的快速发展,尤其是深度学习在图像分类领域大有所为,将智能的深度学习算法应用到调制方式分类中已是大势所趋。目前已有许多研究人员进行了此方面的工作,如在“Automaticmodulation recognition using deep learning architectures”一文中作者提出了一种信号预处理方法且同时利用IQ信号样本和高阶累积量特征作为神经网络的输入;论文“Spectrum Analysis and Convolution Neural Network for Automatic ModulationRecognition”中使用短时傅里叶时频图来代替原始信号作为输入样本;论文“Data-DrivenDeep Learning for Automatic Modulation Recognition in Cognitive Radios”中作者同时利用IQ调制信号以及星座图数据集实现对调制信号的识别;论文《基于轻量级深度神经网络的电磁信号调制识别技术》中作者根据归一化密度对星座图上色实现特征增强,在仿真信号下取得良好的识别效果。
目前,应用于调制识别的深度学习模型较难投入应用,主要有以下两点原因:第一,泛化能力较低,以IQ信号作为主要输入的网络由于样本维度较低通常会产生过拟合现象,譬如PN9随机序列产生的调制信号作为样本训练出的网络难以在PN16等高阶随机序列产生的调制信号上取得很好的识别结果;第二,泛化特征受噪声影响较大,以星座图为主要输入的网络多基于仿真信号构建,而真实信号多使用根升余弦滤波器以消除码间干扰,在码元跳变处会使星座图相互连接从而产生较大的影响。因此,如何提取更稳定并包含丰富信息的泛化特征并用以进行神经网络的训练是本发明致力于解决的问题。
发明内容
针对现有技术的不足,本发明提供了一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法;
术语解释:
ResNet34:34层深度残差网络(Deep residual network),其网络架构示意图如图1所示。
本发明的技术方案为:
一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,包括步骤如下:
步骤1:数据获取与预处理:是指:采集信号,并分段加噪;
步骤2:数据集搭建;包括:
步骤2.1:对步骤1得到的信号进行切割处理;
步骤2.2:获取相位与幅度;
步骤2.3:根据步骤2.1获得的结果构建同相-正交联合分布矩阵,根据步骤2.2获得的结果构建相位-幅度联合分布矩阵;
步骤3:神经网络模型搭建与训练;包括:
步骤3.1:神经网络模型搭建与微调;
步骤3.2:训练神经网络模型;
步骤4:将待识别的数字正交调制信号依次通过步骤1的所述预处理、步骤2,得到待识别的数字正交调制信号的同相-正交联合分布矩阵和相位-幅度联合分布矩阵,输入至步骤3.2训练好的神经网络模型,得到与调制方式按序对应的输出向量,其中,最大值所对应的调制方式即为神经网络模型的识别结果。
根据本发明优选的,步骤1的具体实现过程是指:
使用信号源发射若干中心频率、码元速率不等的数字正交调制信号,信号的类型包括2ASK、BPSK、QPSK、OQPSK、8PSK、PI/4DQPSK、16PSK、16QAM、32QAM、64QAM、128QAM共11种;
设置频谱分析仪或信号接收机中心频率与信号源对应相同,调整采样带宽为码元速率的2-6倍;
采集每种中心频率、码元速率下的同相I(n)和正交Q(n)信号;
使用matlab加入5-20dB信噪比不同的高斯白噪声;
根据本发明优选的,步骤2.1中,对步骤1得到的信号进行切割处理,是指:对步骤1中的信号进行切割,每条信号以同相信号I(n)与正交信号Q(n)构成的2*L矩阵形式表示,L>2000。
根据本发明优选的,步骤2.2中,预处理并提取各帧信号的幅度与相位,具体包括如下:
首先,将各帧信号的同相信号I(n)与正交信号Q(n)中的各点进行归一化,得到Inormal(n)与Qnormal(n),分别如式(Ⅰ)、式(Ⅱ)所示:
式(Ⅰ)、式(Ⅱ)中,n=1,2…,L;
然后,分别通过式(Ⅲ)、式(Ⅳ)做3点的中值滤波得到II(n)与QQ(n);
式(Ⅲ)、式(Ⅳ)中,n=1,2,3,…,L;
最后,分别通过式(Ⅴ)、式(Ⅵ)提取幅度A(n)与相位P(n),
式(Ⅴ)、式(Ⅵ)中,n=1,2,3,…,L。
根据本发明优选的,利用步骤2.2中的A(n)、Q(n)构建相位-幅度联合分布矩阵,具体方法如下:
(1)构建初始值均为0的80*80矩阵;
(4)将相位-幅度联合分布矩阵对应于(locphase,locamplitude)所在元素加1;
(5)遍历所有n后,将矩阵中所有元素除L形成了最终的相位-幅度联合分布矩阵。
根据本发明优选的,利用步骤2.2中的II(n)、QQ(n)构建同相-正交联合分布矩阵,具体方法如下:
(6)构建初始值均为0的80*80矩阵;
(9)将同相-正交联合分布矩阵对应于(locII,locQQ)所在元素加1;
(10)遍历所有n后,将矩阵中所有元素除L形成了最终的同相-正交联合分布矩阵。
根据本发明优选的,步骤2.3中,将构建的相位-幅度联合分布矩阵和同相-正交联合分布矩阵保存到同一个.mat数据文件,同时用信号类型对数据文件名称进行标定,作为标签,构成数据集,并对数据集进行分割,分别作为训练集和验证集。
根据本发明优选的,步骤3.1中,神经网络模型搭建与微调,具体是指:
在ResNet34模型基础上,将第一层卷积层输入通道数由3改为1,输出池化层大小设置为5*5,输出全连接层的输出设置为11,中间卷积层与残差块保持不变,数据输入时,读取步骤2.3中的.mat文件,并分离相位-幅度联合分布矩阵和同相-正交联合分布矩阵,神经网络模型输出设置为11类。
根据本发明优选的,步骤3.2中,训练神经网络模型,具体是指:
在微调后的ResNet34模型的前向传播中,依次将同相-正交联合分布矩阵和相位-幅度联合分布矩阵送入,使微调后的ResNet34模型的权重参数分别独立作用于同相-正交联合分布矩阵和相位-幅度联合分布矩阵,微调后的ResNet34模型的末端分别将同相-正交联合分布矩阵和相位-幅度联合分布矩阵的特征层进行池化后,加权送入最后的全连接层;
将微调后的ResNet34模型的全连接层输出与信号标签做交叉熵后,进行微调后的ResNet34模型反向传播并迭代进行参数优化,寻找使验证集识别准确率最佳的微调后的ResNet34模型的参数,完成微调后的ResNet34模型的训练。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
本发明的有益效果是:
本发明使用频谱分析仪/信号接收机采集到的真实调制信号训练深度学习模型,相较于一般使用仿真信号进行训练的模型更具有应用价值;在使用同相-正交联合分布矩阵代替密度星座图以减少网络通道的基础上,构建相位-幅度联合分布矩阵更直观地表示调制信号的参数特征;基于两种联合分布矩阵使用同一个多输入的神经网络进行训练,使二者独立作用网络权重参数,减少特征间的相互影响。
附图说明
图1为ResNet34网络结构示意图;
图2为基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的流程示意图;
图3(a)为QPSK信号同相-正交分布矩阵等势图;
图3(b)为QPSK信号相位-幅度分布矩阵等势图;
图4为两种联合分布矩阵输入到ResNet34中的数据走向示意图;
图5(a)为应用本方法识别信号的混淆矩阵示意图;
图5(b)为应用本方法识别信号的准确率曲线示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,如图2所示,包括步骤如下:
步骤1:数据获取与预处理:是指:采集信号,并分段加噪;
步骤2:数据集搭建;包括:
步骤2.1:对步骤1得到的信号进行切割处理;
步骤2.2:获取相位与幅度;
步骤2.3:根据步骤2.1获得的结果构建同相-正交联合分布矩阵,根据步骤2.2获得的结果构建相位-幅度联合分布矩阵;
步骤3:神经网络模型搭建与训练;包括:
步骤3.1:神经网络模型搭建与微调;
步骤3.2:训练神经网络模型;
步骤4:将待识别的数字正交调制信号依次通过步骤1的所述预处理、步骤2,得到待识别的数字正交调制信号的同相-正交联合分布矩阵和相位-幅度联合分布矩阵,输入至步骤3.2训练好的神经网络模型,得到与调制方式按序对应的输出向量,其中,最大值所对应的调制方式即为神经网络模型的识别结果。
实施例2
根据实施例1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其区别在于:
步骤1的具体实现过程是指:
使用信号源发射若干中心频率、码元速率不等的数字正交调制信号,信号的类型包括2ASK、BPSK、QPSK、OQPSK、8PSK、PI/4DQPSK、16PSK、16QAM、32QAM、64QAM、128QAM共11种;
设置频谱分析仪或信号接收机中心频率与信号源对应相同,调整采样带宽为码元速率的2-6倍;
采集每种中心频率、码元速率下的同相I(n)和正交Q(n)信号;
使用matlab加入5-20dB信噪比不同的高斯白噪声;以提升数据集多样性;
本发明使用同轴电缆将矢量信号源与频谱分析仪/信号接收机连接(底噪较低可以忽略),采集伪随机序列作为信源产生的真实信号作为标准样本。相比于仿真信号,真实信号在码元变化处更加复杂,因此训练出的模型更具应用价值。
步骤2.1中,对步骤1得到的信号进行切割处理,是指:对步骤1中的信号进行切割,每条信号以同相信号I(n)与正交信号Q(n)构成的2*L矩阵形式表示,L>2000。
步骤2.2中,预处理并提取各帧信号的幅度与相位,具体包括如下:
首先,将各帧信号的同相信号I(n)与正交信号Q(n)中的各点进行归一化,得到Inormal(n)与Qnormal(n),分别如式(Ⅰ)、式(Ⅱ)所示:
式(Ⅰ)、式(Ⅱ)中,n=1,2…,L;
然后,分别通过式(Ⅲ)、式(Ⅳ)做3点的中值滤波得到II(n)与QQ(n);
式(Ⅲ)、式(Ⅳ)中,n=1,2,3,…,L;
最后,分别通过式(Ⅴ)、式(Ⅵ)提取幅度A(n)与相位P(n),
式(Ⅴ)、式(Ⅵ)中,n=1,2,3,…,L。
利用步骤2.2中的A(n)、Q(n)构建相位-幅度联合分布矩阵,具体方法如下:
(1)构建初始值均为0的80*80矩阵;
(4)将相位-幅度联合分布矩阵对应于(locphase,locamplitude)所在元素加1;
(5)遍历所有n后,将矩阵中所有元素除L形成了最终的相位-幅度联合分布矩阵。图3(a)为QPSK信号同相-正交分布矩阵等势图;其中,横坐标指同相-正交分布矩阵行标,纵坐标指同相-正交分布矩阵列标;图3(b)为QPSK信号相位-幅度分布矩阵等势图;其中,横坐标指相位-幅度分布矩阵行标,纵坐标指相位-幅度分布矩阵列标。
利用步骤2.2中的II(n)、QQ(n)构建同相-正交联合分布矩阵,具体方法如下:
(6)构建初始值均为0的80*80矩阵;
(9)将同相-正交联合分布矩阵对应于(locII,locQQ)所在元素加1;
(10)遍历所有n后,将矩阵中所有元素除L形成了最终的同相-正交联合分布矩阵。
步骤2.3中,将构建的相位-幅度联合分布矩阵和同相-正交联合分布矩阵保存到同一个.mat数据文件,同时用信号类型对数据文件名称进行标定,作为标签,构成数据集,并对数据集以7:3的比例进行分割,分别作为训练集和验证集。标定样例以QPSK为例:“QPSK-100M-400K-200K-5db-40”以此构成数据集。
步骤3.1中,神经网络模型搭建与微调,具体是指:
在现有的ResNet34模型基础上,将第一层卷积层输入通道数由3改为1,输出池化层大小设置为5*5,输出全连接层的输出设置为11,中间卷积层与残差块保持不变,数据输入时,读取步骤2.3中的.mat文件,并分离相位-幅度联合分布矩阵和同相-正交联合分布矩阵,神经网络模型输出设置为11类。
步骤3.2中,训练神经网络模型,具体是指:
如图4所示,在微调后的ResNet34模型的前向传播中,依次将同相-正交联合分布矩阵和相位-幅度联合分布矩阵送入,使微调后的ResNet34模型的权重参数分别独立作用于同相-正交联合分布矩阵和相位-幅度联合分布矩阵,微调后的ResNet34模型的末端分别将同相-正交联合分布矩阵和相位-幅度联合分布矩阵的特征层进行池化后,加权送入最后的全连接层;
由于单次前向传播没有进行反向传播与梯度优化,因此两次送入网络时权重参数并没有发生改变,等效于两种分布矩阵同时独立对权重参数产生影响。区别于输入矩阵的多通道组合方式,传统卷积层操作会将各通道层的特征进行融合,从而使不同通道的特征之间相互影响降低模型泛化能力。
将微调后的ResNet34模型的全连接层输出与信号标签做交叉熵后,进行微调后的ResNet34模型反向传播并迭代进行参数优化,寻找使验证集识别准确率最佳的微调后的ResNet34模型的参数,完成微调后的ResNet34模型的训练。训练后模型在验证集上的混淆矩阵与准确分别如图5(a)、图5(b)所示。图5(a)中,横坐标指神经网络预测的调制类型,纵坐标指真实的调制类型;图5(b)中,横坐标指神经网络训练的迭代次数,纵坐标指验证集准确率。验证集由采集到的真实信号和5-20dB(间隔为5)加噪信号共同的30%构成,由曲线可知准确率可达90.43%。
本发明使用同相-正交联合分布矩阵代替密度星座图作为输入,将三通道的图像用单通道的分布矩阵表示,同时将同相-正交联合分布矩阵进行在极坐标下进行表示—构建相位-幅度联合分布矩阵,从信号调制最根本的相位-幅度参数入手直观体现样本的特征。
本发明构建基于Resnet34的双输入网络,将同相-正交联合分布矩阵和相位-幅度联合分布矩阵均输入到网络中,将二者经过公共卷积层后输出的特征进行加权后输入到网络最后的全连接层,由全连接层进行分类预测后与实际标签做交叉熵求得损失,通过这种方法可以使两种联合分布矩阵在一次迭代中都作用于网络的权重参数上,使网络同时学习到二者的特征并进行权重参数的迭代寻优。
实施例3
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现实施例1或2基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
实施例4
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实施例1或2基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
Claims (10)
1.一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,包括步骤如下:
步骤1:数据获取与预处理:是指:采集信号,并分段加噪;
步骤2:数据集搭建;包括:
步骤2.1:对步骤1得到的信号进行切割处理;
步骤2.2:获取相位与幅度;
步骤2.3:根据步骤2.1获得的结果构建同相-正交联合分布矩阵,根据步骤2.2获得的结果构建相位-幅度联合分布矩阵;
步骤3:神经网络模型搭建与训练;包括:
步骤3.1:神经网络模型搭建与微调;
步骤3.2:训练神经网络模型;
步骤4:将待识别的数字正交调制信号依次通过步骤1的所述预处理、步骤2,得到待识别的数字正交调制信号的同相-正交联合分布矩阵和相位-幅度联合分布矩阵,输入至步骤3.2训练好的神经网络模型,得到与调制方式按序对应的输出向量,其中,最大值所对应的调制方式即为神经网络模型的识别结果。
2.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,步骤1的具体实现过程是指:
使用信号源发射若干中心频率、码元速率不等的数字正交调制信号,信号的类型包括2ASK、BPSK、QPSK、OQPSK、8PSK、PI/4DQPSK、16PSK、16QAM、32QAM、64QAM、128QAM共11种;
设置频谱分析仪或信号接收机中心频率与信号源对应相同,调整采样带宽为码元速率的2-6倍;
采集每种中心频率、码元速率下的同相I(n)和正交Q(n)信号;
使用matlab加入5-20dB信噪比不同的高斯白噪声。
3.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,步骤2.1中,对步骤1得到的信号进行切割处理,是指:对步骤1中的信号进行切割,每条信号以同相信号I(n)与正交信号Q(n)构成的2*L矩阵形式表示,L>2000;
步骤2.2中,预处理并提取各帧信号的幅度与相位,具体包括如下:
首先,将各帧信号的同相信号I(n)与正交信号Q(n)中的各点进行归一化,得到Inormal(n)与Qnormal(n),分别如式(Ⅰ)、式(Ⅱ)所示:
式(Ⅰ)、式(Ⅱ)中,n=1,2…,L;
然后,分别通过式(Ⅲ)、式(Ⅳ)做3点的中值滤波得到II(n)与QQ(n);
式(Ⅲ)、式(Ⅳ)中,n=1,2,3,…,L;
最后,分别通过式(Ⅴ)、式(Ⅵ)提取幅度A(n)与相位P(n),
式(Ⅴ)、式(Ⅵ)中,n=1,2,3,…,L。
6.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,步骤2.3中,将构建的相位-幅度联合分布矩阵和同相-正交联合分布矩阵保存到同一个.mat数据文件,同时用信号类型对数据文件名称进行标定,作为标签,构成数据集,并对数据集进行分割,分别作为训练集和验证集。
7.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,步骤3.1中,神经网络模型搭建与微调,具体是指:
在ResNet34模型基础上,将第一层卷积层输入通道数由3改为1,输出池化层大小设置为5*5,输出全连接层的输出设置为11,中间卷积层与残差块保持不变,数据输入时,读取步骤2.3中的.mat文件,并分离相位-幅度联合分布矩阵和同相-正交联合分布矩阵,神经网络模型输出设置为11类。
8.根据权利要求1-7任一所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法,其特征在于,步骤3.2中,训练神经网络模型,具体是指:
在微调后的ResNet34模型的前向传播中,依次将同相-正交联合分布矩阵和相位-幅度联合分布矩阵送入,使微调后的ResNet34模型的权重参数分别独立作用于同相-正交联合分布矩阵和相位-幅度联合分布矩阵,微调后的ResNet34模型的末端分别将同相-正交联合分布矩阵和相位-幅度联合分布矩阵的特征层进行池化后,加权送入最后的全连接层;
将微调后的ResNet34模型的全连接层输出与信号标签做交叉熵后,进行微调后的ResNet34模型反向传播并迭代进行参数优化,寻找使验证集识别准确率最佳的微调后的ResNet34模型的参数,完成微调后的ResNet34模型的训练。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一所述的基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一所述的基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069179.0A CN114422310B (zh) | 2022-01-21 | 2022-01-21 | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069179.0A CN114422310B (zh) | 2022-01-21 | 2022-01-21 | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114422310A true CN114422310A (zh) | 2022-04-29 |
CN114422310B CN114422310B (zh) | 2023-12-22 |
Family
ID=81274755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210069179.0A Active CN114422310B (zh) | 2022-01-21 | 2022-01-21 | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114422310B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081895A (zh) * | 2023-10-16 | 2023-11-17 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347776A (zh) * | 2018-11-26 | 2019-02-15 | 北京理工大学 | 一种差分相位幅度比的光通信信号调制格式识别方法 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111835670A (zh) * | 2020-06-09 | 2020-10-27 | 华中科技大学 | 一种n维幅度相位联合调制方法及调制器 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112861927A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 基于自适应特征提取与融合的信号调制分类方法 |
CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
-
2022
- 2022-01-21 CN CN202210069179.0A patent/CN114422310B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347776A (zh) * | 2018-11-26 | 2019-02-15 | 北京理工大学 | 一种差分相位幅度比的光通信信号调制格式识别方法 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111835670A (zh) * | 2020-06-09 | 2020-10-27 | 华中科技大学 | 一种n维幅度相位联合调制方法及调制器 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112861927A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 基于自适应特征提取与融合的信号调制分类方法 |
CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
Non-Patent Citations (3)
Title |
---|
杨洁;夏卉;: "基于卷积神经网络的通信信号调制识别研究", 计算机测量与控制, no. 07 * |
苟泽中;许华;郑万泽;冯磊;白?远;: "基于半监督联合神经网络的调制识别算法", 信号处理, no. 02 * |
陈筱倩;王宏远;: "基于联合特征向量的自动数字调制识别算法", 计算机应用研究, no. 07 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081895A (zh) * | 2023-10-16 | 2023-11-17 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
CN117081895B (zh) * | 2023-10-16 | 2023-12-19 | 电子科技大学 | 一种基于自适应降噪的自动调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114422310B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
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 | |
CN109657604A (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
Yang et al. | Deep learning aided method for automatic modulation recognition | |
CN110163282A (zh) | 基于深度学习的调制方式识别方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
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 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
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 | |
CN116257750A (zh) | 一种基于样本增强和深度学习的射频指纹识别方法 | |
Park et al. | Deep learning-based automatic modulation classification with blind OFDM parameter estimation | |
CN114422310B (zh) | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 | |
An et al. | Robust automatic modulation classification in low signal to noise ratio | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
Ying et al. | A convolutional and transformer based deep neural network for automatic modulation classification | |
CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
CN116150603A (zh) | 一种基于多尺度特征融合的复杂调制方式识别方法 | |
CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
CN109462429A (zh) | 用于大规模多输入多输出毫米波系统的波束域调制方法 | |
CN113518049B (zh) | 一种基于分数低阶极坐标和深度学习的调制识别方法 | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 |
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 |