CN114818785A - 基于多模型融合的信号调制方式识别方法 - Google Patents

基于多模型融合的信号调制方式识别方法 Download PDF

Info

Publication number
CN114818785A
CN114818785A CN202210348296.0A CN202210348296A CN114818785A CN 114818785 A CN114818785 A CN 114818785A CN 202210348296 A CN202210348296 A CN 202210348296A CN 114818785 A CN114818785 A CN 114818785A
Authority
CN
China
Prior art keywords
signal
constellation
classifier model
model
layer
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
Application number
CN202210348296.0A
Other languages
English (en)
Inventor
陈惠芳
唐照华
谢磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210348296.0A priority Critical patent/CN114818785A/zh
Publication of CN114818785A publication Critical patent/CN114818785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了基于多模型融合的信号调制方式识别方法。当前自动调制识别方法存在着需要大量信号的先验信息，提取特征组合不完备，无法应对含有较多调制方式的识别任务。本发明方法从多模型角度出发，对已知调制方式的接收信号进行预处理，形成有标签的原始数据集，并提取其中每一个样本的累积量和星座图特征，再将原始数据集馈入复合神经网络、累积量和星座图特征集馈入卷积神经网络，并将两个模型进行融合、训练得到最后分类器模型。对于所接收到的未知调制方式的接收信号，对其进行预处理和特征提取操作后，即可通过已训练好的分类器模型进行调制识别。本发明方法不需要信号的先验信息，且能应对较多调制方式识别任务，提升调制识别的准确度。

Description

基于多模型融合的信号调制方式识别方法
技术领域
本发明属于通信信号处理技术领域，特别是通信信号调制方式识别领域，具体设计一种基于多模型融合的信号调制方式识别方法。
背景技术
自动调制识别指接收方在接收到调制方式未知的信号时，自主识别接收信号所用调制方式的技术，是信号检测与解调之间的重要环节，也是认知无线电的关键技术。
无论是在军用还是民用中，自动调制方式识别技术都有着广泛的应用。军用场景里，随着军队信息化程度的加深，战争对通信技术的依赖越来越深，通信信息的实时性和安全性也需要更多的保障，电子对抗已经成为各个国家之间重要的战争，同时也让自动调制方式识别技术越来越受重视。在民用场景里，信号调制方式识别技术主要用于无线电管理中，如频谱监测等。
在现有的调制方式识别技术中，基于似然函数的调制方式识别方法依赖于信号和信道的先验知识，且对不同任务的泛化能力较差，较难适应日渐复杂的通信环境；基于统计特征的调制方式识别方法需要针对特定的识别任务选取合适的特征，当任务集或者环境发生改变时，基于既定的特征组合的识别效果会变差，且随着调制阶数的不断增加，不同阶数调制方式间的特征差异不断减小，无法达到期望的识别效果；基于机器学习的调制方式识别方法由于其自适应性，取得了一定成效，但由于调试识别任务集的增大以及信道环境的日益复杂，机器学习提取的自适应特征合理性下降，模型的识别性能与泛化能力有待提升。
申请号202011556395.5的中国发明专利申请了一种基于高阶累积量实现信号调制方式识别的方法，其局限在于仅提取了信号的高阶累积量作为特征，缺乏表征信号时频特性的特征表示，对与频率相关的调制方式识别效果较差。
申请号202011182208.1的中国发明专利申请了一种基于卷积神经网络的调制识别方法，其局限在于仅使用了卷积神经网络进行自适应特征提取，特征的表征能力不够，导致在调制方式候选集不大且信噪比较高时，仍无法有效地区分所有调制方式。
申请号202110071360.0的中国发明专利申请了一种基于BP(Back Propagation)神经网络的通信信号调制方式识别方法，其局限在于仅使用了信号的瞬时特征，特征的表征能力不全面，且只对6种调试方式进行识别，所能有效区分的调制方式数目较少，泛化能力较差。
申请号202110068851.X的中国发明专利申请了一种基于自适应特征提取与融合的信号调制分类方法，其局限在于分类器模型的两个支路中均只使用了结构较为相似的卷积神经网络，其表征能力不够全面，在信噪比较低时识别效果有待提升。
综上可知，现有的信号调制方式识别方法仍存在诸多问题：识别算法需要大量信号的先验信息，无法应对复杂的实际通信场景；所提取的特征组合不完备，表征能力不够，不能有效地区分多种调制方式；信号在传输过程中受到的噪声与干扰会影响特征提取以及迭代拟合过程，导致识别效果不佳；识别算法泛化能力较差，无法应对含有较多调制方式的识别任务。因此，亟需设计一种应对较多调制方式识别任务、抗噪声和干扰能力强、识别准确度高的信号调制方式识别方法，准确地识别出接收信号的调制方式，为后续的信号解调工作打下基础。
发明内容
本发明的目的是在复杂的无线通信环境中，针对候选调制方式繁多、先验知识缺乏的情况，现有的调制方式识别方法的分类性能与泛化能力不足等问题，提出一种基于多模型融合的信号调制方式识别方法，高效、准确地识别接收信号所使用的调制方式。
本发明方法具体步骤是：
步骤(1)利用接收到的调制信号，构建有标签的训练数据集
Figure BDA0003577862160000021
具体如下：
在无线通信系统中，接收方t时刻接收到的信号y(t)＝x(t)+n(t)，x(t)表示发送方t时刻发送的信号，n(t)表示t时刻的噪声；
接收信号的调制方式候选集
Figure BDA0003577862160000022
S表示候选集中调制方式的数量，MS表示候选集中第s种调制方式，s＝1,2,…,S；
对接收到的N段已知调制方式的信号y(t)进行采样、功率归一化、IQ分量提取操作，并打上标签l，形成包含N个信号样本的有标签数据集
Figure BDA0003577862160000023
其标签集为
Figure BDA0003577862160000024
采样：对y(t)进行间隔为TS的采样，对信号进行的第n点采样得到的离散信号序列y(n)＝[y1 y2 … yH]，第n点采样即t＝(n-1)TS时刻的信号，H表示离散信号序列的长度；
功率归一化：对y(n)的每个点进行功率归一化，得到其归一化值
Figure BDA0003577862160000025
其中y为离散信号序列y(n)的简写，上标H表示序列的共轭转置，则归一化的接收离散信号序列为
Figure BDA0003577862160000031
IQ分量提取：对
Figure BDA0003577862160000032
的每个点进行复数表示为
Figure BDA0003577862160000033
j为虚数单位，In和Qn分别表示采样点复数形式的实部和虚部，即采样点的同相和正交分量，则归一化的接收离散信号序列
Figure BDA0003577862160000034
的IQ形式为
Figure BDA0003577862160000035
步骤(2)对训练数据集
Figure BDA0003577862160000036
中的样本分别进行特征提取，得到其累积量特征fcum和星座图特征fcons，并组成累积量特征集
Figure BDA0003577862160000037
和星座图特征集
Figure BDA0003577862160000038
具体如下：
(2-1)对归一化后的接收信号离散序列
Figure BDA0003577862160000039
计算其高阶累积量，并拼接成累积量特征fcum；
高阶累积量计算：根据
Figure BDA00035778621600000310
计算
Figure BDA00035778621600000311
的k阶累积量Ckr，其中k为正偶数，共轭序列的数目r＝0,1,…,k/2，cum[·]表示求多个序列的累积量，Yi表示第i个序列，
Figure BDA00035778621600000312
Figure BDA00035778621600000313
为归一化后的接收信号离散序列
Figure BDA00035778621600000314
的简写，
Figure BDA00035778621600000315
表示
Figure BDA00035778621600000316
的共轭，∑(·)表示在所有的互不连通的有序分割合集{Y1,Y2,…,Yk}内求和，q为分割的子集数，
Figure BDA00035778621600000317
表示在q个子集内第p个子集元素的下标集，E[·]为变量的数学期望；
累积量特征拼接：将信号的高阶累积量Ckr拼接为序列[C20 C21 C40 … Ckr]，即为信号的高阶累积量特征fcum；
(2-2)
Figure BDA00035778621600000318
映射成星座图Pcons，对Pcons进行降采样，取其灰度图，得到信号的星座图特征fcons；
星座图映射：以归一化后的接收信号离散序列
Figure BDA00035778621600000319
的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系，将
Figure BDA00035778621600000320
映射到坐标系中，得到大小为V1×V2的星座图Pcons，V1和V2分别为星座图像素点的行数和列数，每一点的像素值分别为R、G、B；
降采样：对星座图Pcons进行最近邻插值法降采样处理，得到大小为
Figure BDA0003577862160000041
降采样星座图
Figure BDA0003577862160000042
Figure BDA0003577862160000043
和
Figure BDA0003577862160000044
分别为降采样后星座图像素点的行数和列数，降采样后图中位置为
Figure BDA0003577862160000045
处点的像素值为降采样前星座图中位置为(v1,v2)处点的像素值，其中
Figure BDA0003577862160000046
取灰度图：采用Gamma校正算法(Poynton,C.A.SMPTE Tutorial:"Gamma"and itsDisguises:The Nonlinear Mappings of Intensity in Perception,CRTs,Film,andVideo[J].Smpte Journal,2015,102(12):1099-1108.)计算各像素点的灰度值，计算表达式为
Figure BDA0003577862160000047
其中Gray为灰度图像素点的值，R、G、B分别表示降采样星座图像素点值的三通道分量，γ为Gamma值，将像素点的灰度值拼接为星座图特征fcons；
步骤(3)构建分类器模型，具体如下：
建立左支路分类器模型：包含
Figure BDA0003577862160000048
层卷积层、
Figure BDA0003577862160000049
层长短时记忆层和
Figure BDA00035778621600000410
层全连接层的复合神经网络；每个卷积层的卷积核数目为
Figure BDA00035778621600000411
每个长短时记忆层的长短时记忆单元数目为
Figure BDA00035778621600000412
每个全连接层的神经元数目为
Figure BDA00035778621600000413
Figure BDA00035778621600000414
建立右支路分类器模型：包含
Figure BDA00035778621600000415
层卷积层和
Figure BDA00035778621600000416
层全连接层的卷积神经网络；每个卷积层的卷积核数目为
Figure BDA00035778621600000417
每个全连接层的神经元数目为
Figure BDA00035778621600000418
Figure BDA00035778621600000419
左、右支路分类器模型融合：建立一层包含
Figure BDA00035778621600000420
个神经元的全连接层，其输入为左、右支路模型的输出拼接而成；
步骤(4)训练分类器模型，具体如下：
(4-1)参数初始化：随机初始化分类器模型参数w；设置迭代轮数J、每批样本数目W和学习率η；初始化迭代次数j′＝0；
(4-2)数据分批：将训练数据集
Figure BDA00035778621600000421
及其累积量特征集
Figure BDA00035778621600000422
星座图特征集
Figure BDA00035778621600000423
与标签集
Figure BDA0003577862160000051
划分为A个批次，其中
Figure BDA0003577862160000052
若N能被W整除，则每个批次均包含W个样本，否则前A-1个批次中包含W个样本，最后一个批次中包含N-W(A-1)个样本；其中每个批次包括数据子集
Figure BDA0003577862160000053
及其累积量特征子集
Figure BDA0003577862160000054
星座图特征子集
Figure BDA0003577862160000055
与标签子集
Figure BDA0003577862160000056
(4-3)数据馈入：随机选取一个批次，包括该批次的数据子集
Figure BDA0003577862160000057
及其累积量特征子集
Figure BDA0003577862160000058
星座图特征子集
Figure BDA0003577862160000059
和标签子集
Figure BDA00035778621600000510
将该批次中的数据子集
Figure BDA00035778621600000511
馈入左支路分类器模型的复合神经网络中，将该批次中数据子集相应的累积量特征子集
Figure BDA00035778621600000512
与星座图特征子集
Figure BDA00035778621600000513
馈入右支路分类器模型的卷积神经网络中；将左支路分类器模型的输出Oleft和右支路分类器模型的输出Oright拼接为综合输出Ofusion，馈入分类器模型的最后一层全连接层中，得到该批次的预测标签集
Figure BDA00035778621600000514
(4-4)模型参数更新：根据该批次的标签子集
Figure BDA00035778621600000515
和预测标签子集
Figure BDA00035778621600000516
计算损失函数loss，并根据损失函数loss和学习率η更新分类器模型参数w；
(4-5)分类器模型单轮训练结束判断：若第j′轮的A个批次数据均已用于训练分类器，则该轮训练已结束，进入步骤(4-6)，否则返回步骤(4-3)；
(4-6)分类器模型训练结束判断：若损失函数loss在连续E轮内的减小幅度均小于σ，其中E为判断分类器是否收敛的最小收敛轮数，σ为设置的判断loss基本不再减小的阈值，表明分类器模型已收敛，执行步骤(4-8)；否则执行步骤(4-7)；
(4-7)若j′＜J，则j′＝j′+1，继续迭代，返回步骤(4-2)；若j′＝J，表明分类器训练结束，进入步骤(4-8)；
(4-8)模型保存：保存当前分类器模型参数为最佳参数w*；
步骤(5)信号调制方式识别：对接收信号y(t)进行采样、功率归一化和IQ分量提取操作，得到接收信号的IQ形式
Figure BDA00035778621600000517
提取信号
Figure BDA00035778621600000518
的累积量特征fcum和星座图特征集fcons，操作方法与步骤(2)相同；
将信号
Figure BDA00035778621600000519
及其累积量特征fcum和星座图特征集fcons馈入训练好的分类器模型，得到预测标签输出l′，即为对接收信号y(t)调制方式的识别结果。
本发明利用复合神经网络从接收信号的IQ分量中提取自适应特征，同时从信号原始序列中提取累积量特征与星座图特征，利用卷积神经网络学习其深度特征，最后将两个模型融合起来，完成对接收信号调制方式的识别。与已有的调制方式识别方法相比，本发明具有以下有益效果：
(1)现有的基于似然函数的调制方式识别方法需要接收信号的大量先验信息，不适用于信道环境复杂多变、先验信息缺乏的场景，且其无法应对较多候选调制方式的识别任务。而本发明所提调制方式识别方法不需要信号的先验信息，并能有效完成多候选调制方式的识别任务；
(2)现有的基于特征和深度学习的调制方式识别方法所提取的信号特征不够有效和完备，所用深度学习模型对调制方式识别任务的针对性不够。而本发明所提调制方式识别方法提取的特征组合涵盖了信号的幅度、频率和相位等特性，同时使用了更有针对性的深度学习模型进行融合，实现更加准确的信号调制方式识别。
附图说明
图1为本发明方法整体框架的示意图；
图2为本发明实施例中左支路复合神经网络示意图；
图3为本发明实施例中右支路卷积神经网络示意图；
图4为本发明方法中分类器训练过程的流程图；
图5为本发明方法中识别接收信号调制方式示意图。
具体实施方式
以下结合附图并举实施例对本发明作进一步详细说明。
本实施例以一个候选调制集
Figure BDA0003577862160000061
中有K种(本实施例中K＝23)调制的有标签数据集为例，对基于多模型融合的信号调制分类方法进行说明，整体框架如图1所示。
步骤(1)对接收到的N(本实施例中N＝483000)段已知调制方式的接收信号y(t)进行采样、功率归一化和IQ分量提取操作，并打上标签l(本实施例中l∈{1,2,…,23}，分别代表一种不同的调制方式)，形成具有N个长度为H(本实施例中H＝1000)的信号样本的有标签数据集
Figure BDA0003577862160000062
其标签集为
Figure BDA0003577862160000063
每个信号样本可以表示为
Figure BDA0003577862160000064
步骤(2)对训练集
Figure BDA0003577862160000065
中的样本分别进行特征提取得到其累积量特征fcum和星座图特征fcons，并组成累积量特征集
Figure BDA0003577862160000071
和星座图特征集
Figure BDA0003577862160000072
(2-1)累积量特征集中每个累积量特征fcum提取方法具体是：
根据累积量计算公式
Figure BDA0003577862160000073
计算归一化后的接收信号离散序列
Figure BDA0003577862160000074
的k(本实施例中k＝2,4,6,8)阶累积量，r＝0,1,…,k/2，cum[·]表示求多个序列的累积量，Yi表示其中第i个序列，
Figure BDA0003577862160000075
Figure BDA0003577862160000076
Figure BDA0003577862160000077
为归一化后的接收信号离散序列
Figure BDA0003577862160000078
的简写，
Figure BDA0003577862160000079
表示
Figure BDA00035778621600000710
的共轭，E[·]为变量的数学期望，∑(·)表示在所有的互不连通的有序分割合集{Y1,Y2,…,Yk}内求和，q为分割的子集数，
Figure BDA00035778621600000711
表示在q个子集内第p个子集元素的下标集。
将信号的高阶累积量Ckr拼接为序列[C20 C21 C40 … C84]，即为信号的高阶累积量特征fcum。
(2-2)星座图特征集中每个星座图特征fcons提取操作具体是：
以归一化后的接收信号离散序列
Figure BDA00035778621600000712
的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系，将序列
Figure BDA00035778621600000713
映射到坐标系中，得到大小为V1×V2(本实施例中，V1＝960，V2＝960)的星座图Pcons，其每一点的像素值分别为R、G和B。
对星座图Pcons进行最近邻插值法降采样处理，得到大小为
Figure BDA00035778621600000714
(本实施例中，
Figure BDA00035778621600000715
Figure BDA00035778621600000716
)的降采样星座图
Figure BDA00035778621600000717
降采样后图中位置为
Figure BDA00035778621600000718
处点的像素值为降采样前星座图中位置为(v1,v2)处点的像素值，其中
Figure BDA00035778621600000719
计算各像素点的灰度值，计算表达式为
Figure BDA00035778621600000720
(本实施例中γ＝2.2)，其中Gray为灰度图像素点的值，R、G、B分别表示降采样星座图像素点值的三通道分量，将像素点的灰度值拼接为星座图特征fcons。
步骤(3)构建左、右两条支路分类器模型，并将其融合为最后的分类器模型。
(3-1)左支路分类器模型建立操作具体是：
如图2所示，建立包含
Figure BDA0003577862160000081
(本实施例中
Figure BDA0003577862160000082
)层卷积层、
Figure BDA0003577862160000083
(本实施例中
Figure BDA0003577862160000084
)层长短时记忆层和
Figure BDA0003577862160000085
(本实施例中
Figure BDA0003577862160000086
)层全连接层的左支路复合神经网络，每个卷积层的卷积核数目为
Figure BDA0003577862160000087
(本实施例中
Figure BDA0003577862160000088
)，每个长短时记忆层的长短时记忆单元数目为
Figure BDA0003577862160000089
(本实施例中
Figure BDA00035778621600000810
)，每个全连接层的神经元数目为
Figure BDA00035778621600000811
(本实施例中
Figure BDA00035778621600000812
)。
(3-2)右支路分类器模型建立操作具体是：
如图3所示，建立包含
Figure BDA00035778621600000813
(本实施例中
Figure BDA00035778621600000814
)层卷积层和
Figure BDA00035778621600000815
(本实施例中
Figure BDA00035778621600000816
)层全连接层的右支路卷积神经网络，每个卷积层的卷积核数目为
Figure BDA00035778621600000817
(本实施例中
Figure BDA00035778621600000818
)，每个全连接层的神经元数目为
Figure BDA00035778621600000819
(本实施例中
Figure BDA00035778621600000820
)。
(3-3)左、右支路分类器模型融合操作具体是：
建立一层包含
Figure BDA00035778621600000821
(本实施例中
Figure BDA00035778621600000822
)个神经元的全连接层，其输入为左、右支路模型的输出拼接而成。
步骤(4)训练分类器模型，如图4所示，包含参数初始化、数据分批、数据馈入、损失函数更新、分类器模型单轮训练结束判断、分类器模型训练结束判断和模型保存等步骤。
(4-1)参数初始化操作具体是：
初始化模型参数w为[0,1]内的随机数，且服从均值为0.5，方差为0.25的正态分布；设置迭代轮数J(本实施例中J＝100)、每批样本数目W(本实施例中W＝64)和学习率η(本实施例中η＝0.001)；初始化迭代次数j′＝0。
(4-2)数据分批操作具体是：
将数据集
Figure BDA00035778621600000823
及其累积量特征集
Figure BDA00035778621600000824
星座图特征集
Figure BDA00035778621600000825
与标签集
Figure BDA00035778621600000826
划分为A个批次(本实施例中A＝7547)，样本数目483000不能被64整除，则前7546个批次中包含64个样本，最后一个批次中包含56个样本，其中每个批次包括数据子集
Figure BDA00035778621600000827
及其累积量特征子集
Figure BDA0003577862160000091
星座图特征子集
Figure BDA0003577862160000092
与标签子集
Figure BDA0003577862160000093
(4-3)数据馈入操作具体是：
随机选取一个批次，包括该批次的数据子集
Figure BDA0003577862160000094
及其累积量特征子集
Figure BDA0003577862160000095
星座图特征子集
Figure BDA0003577862160000096
与标签子集
Figure BDA0003577862160000097
将该批次中的数据子集
Figure BDA0003577862160000098
馈入左支路的复合神经网络中，将该批次中数据子集相应的累积量特征子集
Figure BDA0003577862160000099
与星座图特征子集
Figure BDA00035778621600000910
馈入右支路的卷积神经网络中；将左支路的输出Oleft和右支路的输出Oright拼接为综合输出Ofusion，馈入分类器模型的最后一层全连接层中，并得到该批次的预测标签集
Figure BDA00035778621600000911
(4-4)模型参数更新操作具体是：
根据当前批次的标签子集
Figure BDA00035778621600000912
和预测标签子集
Figure BDA00035778621600000913
计算损失函数
Figure BDA00035778621600000914
其中li和li′为第i样本的真实标签和预测标签，分别在当前批次的标签子集
Figure BDA00035778621600000915
和预测标签子集
Figure BDA00035778621600000916
中，W′为当前批次中样本标签数目，若当前批次为前7546个批次，则W′＝64；否则W′＝56，再根据梯度下降法更新模型参数
Figure BDA00035778621600000917
其中
Figure BDA00035778621600000918
为变量的偏导数。
(4-5)分类器模型单轮训练结束判断操作具体是：
若第j′轮的A个批次数据均已用于训练分类器，则该轮训练已结束，进入步骤(4-6)；否则,返回步骤(4-3)。
(4-6)分类器模型训练结束判断操作具体是：
若损失函数loss在连续E(本实施例中E＝10)轮内的减小幅度均小于σ(本实施例中σ＝0.002)，其中E为判断分类器是否收敛的最小收敛轮数，σ为所设置的判断loss基本不再减小的阈值，表明分类器模型已收敛，进入步骤(4-8)；否则执行步骤(4-7)。
(4-7)若j′＜J，则j′＝j′+1，继续迭代，返回步骤(4-2)；若j′＝J，表明分类器训练结束，进入步骤(4-8)；
(4-8)保存当前分类器模型为最佳参数w*。
步骤(5)对接收信号的调制方式进行识别，如图5所示，操作具体是：
对接收信号y(t)进行采样、功率归一化和IQ分量提取操作，得到接收信号的IQ形式
Figure BDA0003577862160000101
提取信号
Figure BDA0003577862160000102
的累积量特征fcum和星座图特征集fcons，操作方法与步骤(2)相同；
将信号
Figure BDA0003577862160000103
及其累积量特征fcum和星座图特征集fcons馈入训练好的分类器模型，得到预测标签输出l′，即为接收信号y(t)调制方式的识别结果。
上述实例所述的内容仅仅是对本发明实现形式的列举，本发明的保护范围不应限于实施例所陈述的具体形式，本发明的保护范围也应包含在本发明基础上所构思的同类发明方法。

Claims (5)

1.基于多模型融合的信号调制方式识别方法，其特征在于，包括以下步骤：
步骤(1)利用接收到的调制信号，构建有标签的训练数据集
Figure FDA0003577862150000011
具体如下：
在无线通信系统中，接收方t时刻接收到的信号y(t)＝x(t)+n(t)，x(t)表示发送方t时刻发送的信号，n(t)表示t时刻的噪声；
接收信号的调制方式候选集
Figure FDA0003577862150000012
S表示候选集中调制方式的数量，MS表示候选集中第s种调制方式，s＝1,2,…,S；
对接收到的N段已知调制方式的信号y(t)进行采样、功率归一化、IQ分量提取操作，并打上标签l，形成包含N个信号样本的有标签数据集
Figure FDA0003577862150000013
其标签集为
Figure FDA0003577862150000014
步骤(2)对训练数据集
Figure FDA0003577862150000015
中的样本分别进行特征提取，得到其累积量特征fcum和星座图特征fcons，并组成累积量特征集
Figure FDA0003577862150000016
和星座图特征集
Figure FDA0003577862150000017
(2-1)对归一化后的接收信号离散序列
Figure FDA0003577862150000018
计算其高阶累积量，并拼接成累积量特征fcum；
(2-2)
Figure FDA0003577862150000019
映射成星座图Pcons，对Pcons进行降采样，取其灰度图，得到信号的星座图特征fcons；
步骤(3)构建分类器模型，包含左、右两条支路，左支路分类器模型为复合神经网络，右支路分类器模型为卷积神经网络，再将左、右支路融合，形成最终的分类器模型；
步骤(4)训练分类器模型，具体如下：
(4-1)参数初始化：随机初始化分类器模型参数w；设置迭代轮数J、每批样本数目W和学习率η；初始化迭代次数j′＝0；
(4-2)数据分批：将训练数据集
Figure FDA00035778621500000110
及其累积量特征集
Figure FDA00035778621500000111
星座图特征集
Figure FDA00035778621500000112
与标签集
Figure FDA00035778621500000113
划分为A个批次，其中
Figure FDA00035778621500000114
若N能被W整除，则每个批次均包含W个样本，否则前A-1个批次中包含W个样本，最后一个批次中包含N-W(A-1)个样本；其中每个批次包括数据子集
Figure FDA00035778621500000115
及其累积量特征子集
Figure FDA00035778621500000116
星座图特征子集
Figure FDA00035778621500000117
与标签子集
Figure FDA00035778621500000118
(4-3)数据馈入：随机选取一个批次，包括该批次的数据子集
Figure FDA0003577862150000021
及其累积量特征子集
Figure FDA0003577862150000022
星座图特征子集
Figure FDA0003577862150000023
和标签子集
Figure FDA0003577862150000024
将该批次中的数据子集
Figure FDA0003577862150000025
馈入左支路分类器模型的复合神经网络中，将该批次中数据子集相应的累积量特征子集
Figure FDA0003577862150000026
与星座图特征子集
Figure FDA0003577862150000027
馈入右支路分类器模型的卷积神经网络中；将左支路分类器模型的输出Oleft和右支路分类器模型的输出Oright拼接为综合输出Ofusion，馈入分类器模型的最后一层全连接层中，得到该批次的预测标签集
Figure FDA0003577862150000028
(4-4)模型参数更新：根据该批次的标签子集
Figure FDA0003577862150000029
和预测标签子集
Figure FDA00035778621500000210
计算损失函数loss，并根据损失函数loss和学习率η更新分类器模型参数w；
(4-5)分类器模型单轮训练结束判断：若第j′轮的A个批次数据均已用于训练分类器，则该轮训练已结束，进入步骤(4-6)，否则返回步骤(4-3)；
(4-6)分类器模型训练结束判断：若损失函数loss在连续E轮内的减小幅度均小于σ，其中E为判断分类器是否收敛的最小收敛轮数，σ为设置的判断loss基本不再减小的阈值，表明分类器模型已收敛，执行步骤(4-8)；否则执行步骤(4-7)；
(4-7)若j′＜J，则j′＝j′+1，继续迭代，返回步骤(4-2)；若j′＝J，表明分类器训练结束，进入步骤(4-8)；
(4-8)模型保存：保存当前分类器模型参数为最佳参数w*；
步骤(5)信号调制方式识别：对接收信号y(t)进行采样、功率归一化和IQ分量提取操作，得到接收信号的IQ形式
Figure FDA00035778621500000211
提取信号
Figure FDA00035778621500000212
的累积量特征fcum和星座图特征集fcons，操作方法与步骤(2)相同；
将信号
Figure FDA00035778621500000213
及其累积量特征fcum和星座图特征集fcons馈入训练好的分类器模型，得到预测标签输出l′，即为对接收信号y(t)调制方式的识别结果。
2.如权利要求1所述的基于多模型融合的信号调制方式识别方法，其特征在于，步骤(1)中：
所述的采样，对y(t)进行间隔为TS的采样，对信号进行的第n点采样得到的离散信号序列y(n)＝[y1 y2…yH]，第n点采样即t＝(n-1)TS时刻的信号，H表示离散信号序列的长度；
所述的功率归一化，对y(n)的每个点进行功率归一化，得到其归一化值
Figure FDA0003577862150000031
其中y为离散信号序列y(n)的简写，上标H表示序列的共轭转置，则归一化的接收离散信号序列为
Figure FDA0003577862150000032
所述的IQ分量提取，对
Figure FDA0003577862150000033
的每个点进行复数表示为
Figure FDA0003577862150000034
j为虚数单位，In和Qn分别表示采样点复数形式的实部和虚部，即采样点的同相和正交分量，则归一化的接收离散信号序列
Figure FDA0003577862150000035
的IQ形式为
Figure FDA0003577862150000036
3.如权利要求1所述的基于多模型融合的信号调制方式识别方法，其特征在于，步骤(2-1)中，高阶累积量计算方法：根据
Figure FDA0003577862150000037
计算
Figure FDA0003577862150000038
的k阶累积量Ckr，其中k为正偶数，共轭序列的数目r＝0,1,…,k/2，cum[·]表示求多个序列的累积量，Yi表示第i个序列，
Figure FDA0003577862150000039
Figure FDA00035778621500000310
为归一化后的接收信号离散序列
Figure FDA00035778621500000311
的简写，
Figure FDA00035778621500000312
表示
Figure FDA00035778621500000313
的共轭，∑(·)表示在所有的互不连通的有序分割合集{Y1,Y2,…,Yk}内求和，q为分割的子集数，
Figure FDA00035778621500000314
表示在q个子集内第p个子集元素的下标集，E[·]为变量的数学期望；
累积量特征拼接方法：将信号的高阶累积量Ckr拼接为序列[C20 C21 C40…Ckr]，即为信号的高阶累积量特征fcum。
4.如权利要求3所述的基于多模型融合的信号调制方式识别方法，其特征在于，步骤(2-2)中，星座图映射方法：以归一化后的接收信号离散序列
Figure FDA00035778621500000315
的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系，将
Figure FDA00035778621500000316
映射到坐标系中，得到大小为V1×V2的星座图Pcons，V1和V2分别为星座图像素点的行数和列数，每一点的像素值分别为R、G、B；
所述的降采样，对星座图Pcons进行最近邻插值法降采样处理，得到大小为
Figure FDA0003577862150000041
降采样星座图
Figure FDA0003577862150000042
Figure FDA0003577862150000043
和
Figure FDA0003577862150000044
分别为降采样后星座图像素点的行数和列数，降采样后图中位置为
Figure FDA0003577862150000045
处点的像素值为降采样前星座图中位置为(v1,v2)处点的像素值，其中
Figure FDA0003577862150000046
Figure FDA0003577862150000047
所述的取灰度图，采用Gamma校正算法计算各像素点的灰度值，计算表达式为
Figure FDA0003577862150000048
其中Gray为灰度图像素点的值，R、G、B分别表示降采样星座图像素点值的三通道分量，γ为Gamma值，将像素点的灰度值拼接为星座图特征fcons。
5.如权利要求1所述的基于多模型融合的信号调制方式识别方法，其特征在于，步骤(3)构建分类器模型具体方法如下：
建立左支路分类器模型：包含
Figure FDA0003577862150000049
层卷积层、
Figure FDA00035778621500000410
层长短时记忆层和
Figure FDA00035778621500000411
层全连接层的复合神经网络；每个卷积层的卷积核数目为
Figure FDA00035778621500000412
每个长短时记忆层的长短时记忆单元数目为
Figure FDA00035778621500000413
每个全连接层的神经元数目为
Figure FDA00035778621500000414
Figure FDA00035778621500000415
建立右支路分类器模型：包含
Figure FDA00035778621500000416
层卷积层和
Figure FDA00035778621500000417
层全连接层的卷积神经网络；每个卷积层的卷积核数目为
Figure FDA00035778621500000418
每个全连接层的神经元数目为
Figure FDA00035778621500000419
Figure FDA00035778621500000420
左、右支路分类器模型融合：建立一层包含
Figure FDA00035778621500000421
个神经元的全连接层，其输入为左、右支路模型的输出拼接而成。
CN202210348296.0A 2022-04-01 2022-04-01 基于多模型融合的信号调制方式识别方法 Pending CN114818785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210348296.0A CN114818785A (zh) 2022-04-01 2022-04-01 基于多模型融合的信号调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210348296.0A CN114818785A (zh) 2022-04-01 2022-04-01 基于多模型融合的信号调制方式识别方法

Publications (1)

Publication Number Publication Date
CN114818785A true CN114818785A (zh) 2022-07-29

Family

ID=82532698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210348296.0A Pending CN114818785A (zh) 2022-04-01 2022-04-01 基于多模型融合的信号调制方式识别方法

Country Status (1)

Country Link
CN (1) CN114818785A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842837A (zh) * 2022-07-04 2022-08-02 成都启英泰伦科技有限公司 一种快速声学模型训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842837A (zh) * 2022-07-04 2022-08-02 成都启英泰伦科技有限公司 一种快速声学模型训练方法
CN114842837B (zh) * 2022-07-04 2022-09-02 成都启英泰伦科技有限公司 一种快速声学模型训练方法

Similar Documents

Publication Publication Date Title
CN110059589B (zh) 一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法
CN107330731B (zh) 一种识别广告位点击异常的方法和装置
CN114492574A (zh) 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN111680702B (zh) 一种使用检测框实现弱监督图像显著性检测的方法
CN111510408B (zh) 信号调制方式识别方法、装置、电子设备及存储介质
CN112990316B (zh) 基于多显著性特征融合的高光谱遥感图像分类方法及系统
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
CN115147632A (zh) 基于密度峰值聚类算法的图像类别自动标注方法及装置
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN114818785A (zh) 基于多模型融合的信号调制方式识别方法
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
CN111598117A (zh) 图像识别方法及装置
Zhao Motion track enhancement method of sports video image based on otsu algorithm
CN110826563A (zh) 基于神经网络和概率图模型的手指静脉分割方法及装置
CN115294371B (zh) 基于深度学习的互补特征可靠描述与匹配方法
CN113033410B (zh) 基于自动数据增强的域泛化行人重识别方法、系统及介质
CN111815658B (zh) 一种图像识别方法及装置
CN113947195A (zh) 模型确定方法、装置、电子设备和存储器
CN113159082A (zh) 一种增量式学习目标检测网络模型构建及权重更新方法
CN115424250A (zh) 一种车牌识别方法及装置
Cao et al. A multi-label classification method for vehicle video
CN112926368A (zh) 一种识别障碍物的方法和装置
CN116030363B (zh) 遥感图像类激活映射图优化方法
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置

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