CN114915526B - 通信信号调制识别方法、装置及系统 - Google Patents

通信信号调制识别方法、装置及系统 Download PDF

Info

Publication number
CN114915526B
CN114915526B CN202210411754.0A CN202210411754A CN114915526B CN 114915526 B CN114915526 B CN 114915526B CN 202210411754 A CN202210411754 A CN 202210411754A CN 114915526 B CN114915526 B CN 114915526B
Authority
CN
China
Prior art keywords
signal
signal modulation
feature
network
communication signal
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.)
Active
Application number
CN202210411754.0A
Other languages
English (en)
Other versions
CN114915526A (zh
Inventor
王彬
王海旺
张连海
裴喜龙
孙明磊
孟钰婷
曲晶
郭艺
武鲁鲁
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202210411754.0A priority Critical patent/CN114915526B/zh
Publication of CN114915526A publication Critical patent/CN114915526A/zh
Application granted granted Critical
Publication of CN114915526B publication Critical patent/CN114915526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明属于通信信号识别技术领域，特别涉及一种通信信号调制识别方法、装置及系统，用于多传感器接收场景下的通信信号调制识别，首先，构建信号调制识别网络并利用带标签的样本数据对信号调制识别网络进行训练优化，其中，信号调制识别网络包含：用于对多传感器收集的多通道输入数据进行特征提取的特征提取单元，及用于特征提取单元提取的多通道特征数据进行融合并分类的融合分类单元；然后，利用目标区域不同位置中布设的多个传感器来收集待识别目标信号，通过训练优化后的信号调制识别网络来识别并输出待识别目标信号的所属调制方式。本发明将神经网络引入多传感器信号调制识别，通过融合多路信号特征并针对融合特征的差异性进行信号分类，提升信号调制识别性能，便于实际场景应用。

Description

通信信号调制识别方法、装置及系统
技术领域
本发明属于通信信号识别技术领域，特别涉及一种通信信号调制识别方法、装置及系统。
背景技术
通信信号调制识别方法是指对信号调制方式进行正确分类的过程，是非合作通信中信息获取的关键环节。多传感器接收场景如传感器网络、天线阵列、拖曳阵、水下阵列、水下传感器网络等，随着多传感器网络的广泛应用，，基于传感器网络的调制识别方法成为了通信中较为常见手段。在无线电调制识别领域，研究者一致认为传感器网络调制识别的性能优于单一传感器。基于传感器网络的调制识别方法可分为信号融合和决策融合。信号融合方法对不同节点的时延差、同步误差较为敏感。特征融合方法分为特征提取和融合判决两个阶段。这类方法证明了多传感器节点融合识别的优势，但是存在信号特征提取过程依赖专家知识、适用的信号集有限等问题。决策融合方法采用子节点预分类和主节点融合分类的方式。首先，子节点预分类方法主要有基于似然比和基于信号高阶统计特征的方法。其中，似然比方法在可获得序列无限大的条件下，识别性能达到理论上限。但存在贝叶斯阈值计算复杂，需要先验信息等问题。基于高阶统计量的分类方法存在特征泛化性差、需要较长的信号序列等问题。其次，主节点融合方法可分为基于信噪比的权值分配和投票法。但存在算法流程复杂、信噪比估计不准确、融合机制不灵活等问题。
发明内容
为此，针对多传感器接收场景下的信号调制识别问题，本发明提供一种通信信号调制识别方法、装置及系统，将神经网络引入通信信号调制识别，通过融合多路信号特征并针对融合特征的差异性进行信号分类，提升信号调制识别性能，便于实际场景应用。
按照本发明所提供的设计方案，提供一种通信信号调制识别方法，用于多传感器接收场景下的通信信号调制识别，包含：
构建信号调制识别网络并利用带标签的样本数据对信号调制识别网络进行训练优化，其中，信号调制识别网络包含：用于对多传感器收集的多通道输入数据进行特征提取的特征提取单元，及用于特征提取单元提取的多通道特征数据融合并分类的融合分类单元；
利用目标区域不同位置中布设的多个传感器来收集待识别目标通信信号，并通过训练优化后的信号调制识别网络来识别输出待识别目标通信信号所属的调制方式。
作为本发明通信信号调制识别方法，进一步地，信号调制识别网络训练优化的目标损失函数表示为：
Figure BDA0003604292350000021
其中，/>
Figure BDA0003604292350000022
φ分别标识特征提取单元和融合分类单元的网络参数，T表示单个传感器接收信号样本数量，yi表示信号真实标签，yj表示信号预测标签，C为通信信号调制识别类别总数，pj表示对应传感器接收信号预测标签概率。
作为本发明通信信号调制识别方法，进一步地，特征提取单元利用卷积神经网络中的卷积块和池化层来获取输入的多传感器收集的特征数据，且在每个卷积块中利用二维卷积对输入信号进行特征提取，并对提取的特征数据依次进行归一化和激活处理。
作为本发明通信信号调制识别方法，进一步地，特征提取单元中设置有四个卷积块和两个池化层，两个池化层分别部设在前两个卷积块输出端，以利用卷积层分别对第一个卷积块和第二个卷积块的输出进行特征压缩。
作为本发明通信信号调制识别方法，进一步地，融合分类单元包含：用于对特征提取单元提取的多通道特征数据进行融合处理的特征融合单元，及用于对融合后特征进行分类输出的分类器。
作为本发明通信信号调制识别方法，进一步地，特征融合单元中，利用卷积神经网络自学习能力及计算能力对特征提取单元输出的多通道信号特征进行融合，通过评估各传感器接收信号的质量，为每个传感器特征通道分配不同权重。
作为本发明通信信号调制识别方法，进一步地，融合分类单元中设置有两个卷积块、两个最大池化层、两个全连接层及分类输出层，利用卷积块、最大池化层、全连接层及分类输出层依次对特征数据进行卷积操作、特征压缩、特征融合及分类处理，其中，卷积块和最大池化层交错设置，其中一个最大池化层设置在两个卷积块之间，另一个最大池化层串接两个全连接层，并在两个全连接层之间设置有用于对特征数据进行激活处理的ReLU激活层。
进一步地，本发明还提供一种通信信号调制识别装置，包含：用于信号源数据采集的若干传感器，及与若干传感器连接并对采集的多通道信号源数据进行特征提取和融合分类的处理器，其中，若干传感器分设在目标区域检测点上，利用该若干传感器采集同一时段目标信号源，并将传感器采集到的多通道信号数据传输至处理器，处理器通过指令执行上述的方法步骤来识别目标信号源所属的调制方式。
作为本发明通信信号调制识别装置，进一步地，所述传感器采用异构厂家和/或异构型号和/或布设在不同检测点的信号采集器。
进一步地，本发明还提供一种通信信号调制识别系统，用于多传感器接收场景下的通信信号调制识别，包含：信号采集模块，和信号识别模块，其中，
信号采集模块，用于利用目标区域内在不同位置检测点上布设的多个传感器来采集目标信号源数据；
信号识别模块，用于利用上述方法中已训练优化的信号调制识别网络来识别采集的多通道目标信号源数据所属的调制方式。
本发明的有益效果：
本发明通过特征提取单元提取多路传感器接收信号的特征，并利用神经网络构建的特征融合单元对多路信号特征进行融合，利用分类器对融合特征的差异性进行信号分类，充分利用神经网络和多传感器接收的优势来对信号特征进行有效地融合，使得信号调制方式识别性能更优。相比于传统识别方法，本发明的特征提取单元无需人工专业知识提取信号特征，智能化水平更高。相比于传统融合方法，本发明的特征融合单元更加智能化。相比于投票和置信度融合方法，能够评估不同传感器接收信号的质量，智能地分配权重，克服了传统融合方法权重分配不灵活、信噪比估计不准确以及复杂的流程等问题。并进一步通过仿真和实验数据验证本案方案的识别性能要优于传统融合策略，比如，当符号信噪比为10dB时，本案中MSFNet的识别率优于直接平均法DA，且识别率相比DA能够提升约16％，具有较好的应用前景。
附图说明：
图1为实施例中通信信号调制识别方法流程示意；
图2为实施例中基于深度学习的调制识别方法流程示意；
图3为实施例中多传感器接收系统模型示意；
图4为实施例中通信信号调制识别算法原理示意；
图5为实施例中信号调制识别模型原理示意；
图6为实施例中算法识别性能示意；
图7为实施例中多个传感器下不同融合算法识别性能对比示意；
图8为实施例中三个传感器下不同融合算法识别性能对比示意。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
近年来，深度学习凭借其强大的特征提取能力和计算能力在无线电和水声通信信号调制识别领域取得了重大的突破，现阶段的研究可分为两大类。一类是单接收机场景下的调制识别方法。另一类是多接收机场景下的调制识别方法。而大部分研究者仅针对单接收机调制识别问题设计了不同的网络结构实现了对信号的有效识别。本发明实施例，参见图1、图3和图4所示，提供一种通信信号调制识别方法，用于多传感器接收场景下的通信信号调制识别，包含：
S101、构建信号调制识别网络并利用带标签的样本数据对信号调制识别网络进行训练优化，其中，信号调制识别网络包含：用于对多传感器收集的多通道输入数据进行特征提取的特征提取单元，及用于特征提取单元提取的多通道特征数据融合并分类的融合分类单元；
S102、利用目标区域不同位置中布设的多个传感器来收集待识别目标通信信号，并通过训练优化后的信号调制识别网络来识别并输出待识别目标通信信号所属的调制方式。
现阶段基于深度学习的水声通信信号调制识别方法大都适用于接收系统。针对多传感器系统，利用端到端的多传感器融合网络(Multi-SensorNetwork,MSFNet)，通过特征提取单元提取多通道传感器信号的特征，利用神经网络构建的融合分类单元对多路信号特征进行融合并完成信号的分类，充分利用神经网络和多通道传感器收集信号的优势来对信号特征有效地融合，以提升信号调制识别的性能，可用于传感器网络、天线阵列、拖曳阵、水下阵列、水下传感器网络等多传感器接收场景下的信号识别。
单接收机场景下基于深度学习的调制识别方法如图2所示，首先对接收信号进行预处理，然后采用不同的网络结构完成对信号的特征提取和分类。常用的预处理包括对信号质量的提升和浅层特征的选择。比如降噪处理、滤波等。浅层特征是指在专家知识的指引下，将接收到的信号序列转化为适合网络分类识别的形式。比如信号的功率谱图、IQ序列、时频图、多模态特征等。针对不同的浅层特征可选用不同的深度学习网络，常用的深度学习网络例如：长短时记忆网络、卷积神经网络、胶囊网络、生成对抗神经网络、自编码网络、残差网络等。不同的深度学习网络和浅层特征的组合，便于深度学习方法在调制识别问题中的应用。
深度学习方法在调制识别问题中，应用于多入多出(Multiple-Input Multiple-Output,MIMO)系统的深度学习调制识别中，可利用卷积神经网络提取不同接收源的信号特征，然后采用投票法(Direct Voting,DV)、直接平均法(Direct Averaging,DA)、权重投票法(Weighty Voting,WV)和权重平均法(Weighty Averaging,WA)对不同接收源的识别结果进行融合分类。其中，WV和WA方法需要利用接收天线的先验信息，而在非合作调制识别问题中该条件无法满足。同样地，基于一维CNN的多入多出OSTBC信号协作调制识别中，可根据接收天线的数量训练不同的神经网络模型，网络结构复杂，并且投票融合和置信度决策融合方法智能化水平低、权重分配单一。整体来看，针对无线电MIMO系统，传统的信息融合机制忽略接收源布放位置的差异、权重分配不灵活，这使得调制识别方法的性能受到影响。
如图3所示，为了获取未知通信源的信号，可在目标环境下的不同位置布放多个传感器。然后通过多个传感器对通信声源信号进行接收。最后，可利用本案实施例中的识别方案对不同位置接收到的信号进行特征提取、特征融合以及分类识别。
在信号接收过程中，由于未知通信过程的先验信息，布设无规律且相对声源的距离和周围的水域环境等条件均未知，因此假设不同传输信道之间相互独立。不同传感器接收的信号模型可建模为：
R＝H*s(n)+W (1)
其中，R＝[r1(n),r2(n),...,rM(n)]T表示不同传感器接收到的信号，M表示传感器的数量。H＝[h1(n),h2(n),...,hM(n)]T表示M个相互独立的信道冲激响应。s(n)为发送信号，调制类型集合可为：2FSK、4FSK、8FSK、BPSK、LFM、OFDM，但不限于上述几类信号，可根据实际情况对多种调制类型的信号进行识别。W＝[w1(n),w2(n),...,wM(n)]T表示环境噪声，本案实施例中，可将环境噪声建模为高斯分布噪声。
如图4所示，识别算法在设计过程中可两部分，分别是特征提取单元
Figure BDA0003604292350000051
和特征融合分类模块gφ，将特征融合单元和分类器在算法里作为一部分实现。首先将不同传感器接收到的信号输入至特征提取单元，获取不同位置传感器的信号特征。然后通过特征融合分类模块对特征提取单元输出的高维特征向量进行融合，最后通过融合特征的差异性完成对信号调制方式的识别。
信号调制识别网络训练优化的目标损失函数标识为：
Figure BDA0003604292350000052
其中，/>
Figure BDA0003604292350000053
φ分别标识特征提取单元和融合分类单元的网络参数，T表示单个传感器接收信号样本数量，yi表示信号真实标签，yj表示信号预测标签，C为通信信号调制识别类别总数，/>
Figure BDA0003604292350000061
表示对应传感器接收信号预测标签概率。通过损失函数的约束对网络参数/>
Figure BDA0003604292350000062
φ进行优化，最终获得最佳的调制识别网络。
接收信号构成矩阵输入至特征提取单元。信号样本矩阵R可表示为：
Figure BDA0003604292350000063
其中，M表示传感器个数，L表示信号的采样点个数。
特征提取单元可由4个卷积块和2个池化层构成，具体构成如图5中的(a)所示。在每个卷积块中，首先使用二维卷积对输入样本矩阵R的特征进行提取，每个卷积滤波器的大小为1×31，卷积核个数为64。然后采用BatchNormalization对数据进行归一化。最后采用Rule函数进行激活。另外，我们在前两个卷积块后采用1×2的max-pooling层对信号进行特征压缩。整体来看，通过卷积、池化等操作得到多路信号的高维特征
Figure BDA0003604292350000064
本实施例，仅利用附图5中所示的网络结构来说明特征提取单元的工作原理，但本案不对卷积神经网络的结构进行限定，根据实际应用，也可通过其他卷积神经网络随意组合来实现多通道特征提取的目的。
在非合作调制识别问题中，由于通信声源的位置信息不可知，不同传感器接收信号的质量存在差异性。DV和DA方法直接对不同的接收传感器赋予相同的权值，忽略了不同传感器接收信号质量的差异。因此，性能可提升空间较大。然而，本案实施例中，利用神经网络的自学习能力和计算能力自动地对不同传感器信号质量进行评估，并给每个传感器分配最佳权值。即接收信噪比高的分配大权值，相反则分配小权值。这使得融合后的信号特征更具有区分度。
特征融合单元的网络结构如图5的(b)所示，同时对分类器与特征融合单元的网络结构进行说明。首先，将多路信号的高维特征，输入至融合分类单元。然后，可采用2个卷积块、2个最大池化层和2个全连接层和Sigmoid激活函数对不同传感器信号的高维特征进行融合。最后输出的1×C的矩阵
Figure BDA0003604292350000065
C代表通信信号类别数量。在本实例中，C设置为6。矩阵元素/>
Figure BDA0003604292350000066
表示未知样本属于每个信号类别的概率。本实施例，仅利用附图5中所示的网络结构来说明特征融合单元的工作原理，但本案不对卷积结构及其组合方式进行限定，根据实际应用，也可通过其他网络层的组合来实现特征融合的目的。
进一步地，本发明实施例还提供一种通信信号调制识别装置，包含：用于信号源数据采集的若干传感器，及与若干传感器连接并对采集的多通道信号源数据进行特征提取和融合分类的处理器，其中，若干传感器分设在目标区域检测点上，利用该若干传感器采集同一时段目标信号源，并将传感器采集到的多通道信号数据传输至处理器，处理器通过指令执行上述的方法步骤来识别目标信号源所属的调制方式。
作为本发明通信信号调制识别装置，进一步地，所述传感器采用异构厂家和/或异构型号和/或布设在不同检测点的信号采集器。
进一步地，本发明实施例还提供一种通信信号调制识别系统，用于多传感器接收场景下的通信信号调制识别，包含：信号采集模块，和信号识别模块，其中，
信号采集模块，用于利用目标区域内在不同位置检测点上布设的多个传感器来采集目标信号源数据；
信号识别模块，用于利用上述方法中已训练优化的信号调制识别网络来识别采集的多通道目标信号源数据所属的调制方式。
为验证本案方案有效性，下面结合实验数据做进一步解释说明：
基于不同传感器接收的信号模型对网络训练和测试的数据进行生成。信号的采样率为48kHz，信号长度L为8192个采样点，约为171ms，OFDM子载波为BPSK或QPSK，其他信号参数见表1.
表1 信号参数
Figure BDA0003604292350000071
另外，在多传感器接收系统中，不同传感器由于接收位置、环境、距离的原因，使得发送信号经过不同的信道抵达接收端。为了能够贴近实际应用场景，可选用基于深度学习的水下声通信信号盲检测中的信道HA～HF作为不同传感器的接收信道。在训练阶段，根据传感器的数量随机选择信道生成信号样本。在不同的信噪比条件下，每个传感器每类信号生成100个样本。符号信噪比(ES/N0)范围为[0～24dB]，间隔2dB。
在测试阶段，选用基于深度学习的水下声通信信号盲检测中声源深度为200米并且具有不同接收深度和距离的信道HA、HC和HD作为测试信道生成测试数据，每个传感器每类信号生成200个测试样本，符号信噪比范围为[0～20dB]，间隔2dB。
实验在CPU为Intel(R)Xeon(R)Silver 4110、GPU为RTX2080Ti、内存为128GB的环境下基于PyTorch深度学习平台进行训练和测试。训练过程采用Adam优化器，网络的超参数设置为：学习率为0.0005，Batchsize为60×M，训练Epochs为4000次。
首先，对本案实施例中算法的整体识别性能进行分析。如图6所示，当传感器数量M＝3时，测试不同传感器在不同符号信噪比条件下的性能。为了能够直观的展示本案实施例中方案的识别率，固定一个传感器的符号信噪比分别为0dB或10dB，剩余两个传感器的测试信噪比范围为0～20dB，间隔2dB。可以看出当三个传感器的信噪比总和越大时，识别率越高。
其次，为了突出本案实施例中算法的优势，对比不同的融合策略，包括MIMO系统的基于深度学习的协同自动调制分类中提到的DV、DA、AMC。其中AMC方法是指每个传感器识别率的平均值。在保证公平对比的原则下，采用相同的数据集对不同的算法进行训练和测试。图7给出了不同传感器个数接收时的算法对比。从整体来看，本案方法的性能优于其他方法。具体来说，当传感器个数为3时，本案方法相比于DV和DA，具有更灵活的融合机制，在符号信噪比为10dB时，本案MSFNet的识别率优于DA约16％。当传感器个数增加至5时，不同融合方法的性能均提升。但本案方法仍具有优势，尤其在0～10dB测试区间内。
另外，图7仅给出了多个传感器在相同信噪比条件下的测试结果，然而在实际应用场景下，不同的传感器接收信号质量不一。为此，图8给出了三个传感器不同信噪比接收场景下对比结果，假设一个传感器的符号信噪比为10dB。从三维图可以看出，在不同接收场景下，本案MSFNet的性能均优于其他方法。尤其在不同传感器接收信号信噪比差异较大时，本案MSFNet的融合性能优势更加明显。
由以上实验数据进一步验证本案方案中的神经网络融合机制优于其他融合规则。另外，本案方案不仅应用于水声通信信号调制识别，还可为其他多传感器接收场景下的分类问题提供新思路，方案灵活，便于实施。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法和/或系统，本发明实施例还提供一种服务器，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上述的方法。
基于上述的方法和/或系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种通信信号调制识别方法，用于多传感器接收场景下的通信信号调制识别，其特征在于，包含如下内容：
构建信号调制识别网络并利用带标签的样本数据对信号调制识别网络进行训练优化，其中，信号调制识别网络包含：用于对多传感器收集的多通道输入数据进行特征提取的特征提取单元，及用于特征提取单元提取的多通道特征数据进行融合并分类的融合分类单元；信号调制识别网络训练优化的目标损失函数表示为：
Figure FDA0004152366110000011
其中，/>
Figure FDA0004152366110000012
φ分别标识特征提取单元和融合分类单元的网络参数，T表示单个传感器接收信号样本数量，yi表示信号真实标签，yj表示信号预测标签，C为通信信号调制识别类别总数，pj表示对应传感器接收信号预测标签概率；
利用目标区域在不同位置上布设的多个传感器收集待识别目标信号，通过训练优化后的信号调制识别网络来识别并输出待识别目标信号所属的调制方式。
2.根据权利要求1所述的通信信号调制识别方法，其特征在于，特征提取单元利用卷积神经网络提取输入的多传感器收集到的信号特征数据。
3.根据权利要求2所述的通信信号调制识别方法，其特征在于，特征提取单元中设置有四个卷积块和两个池化层，两个池化层分别部设在前两个卷积块输出端，以利用卷积层分别对第一个卷积块和第二个卷积块的输出进行特征压缩。
4.根据权利要求1所述的通信信号调制识别方法，其特征在于，融合分类单元包含：用于对特征提取单元提取的多通道特征数据进行融合处理的特征融合单元，及用于对融合后特征进行分类输出的分类器。
5.根据权利要求4所述的通信信号调制识别方法，其特征在于，特征融合单元中，利用卷积神经网络自学习能力及计算能力对特征提取单元输出的多通道信号特征进行融合，通过评估各传感器接收信号的质量，为每个传感器特征通道分配最优权重。
6.根据权利要求4所述的通信信号调制识别方法，其特征在于，融合分类单元中设置有两个卷积块、两个最大池化层、两个全连接层及分类输出层，利用卷积块、最大池化层、全连接层及分类输出层依次对特征数据进行卷积操作、特征压缩、特征融合及分类处理，其中，卷积块和最大池化层交错设置，其中一个最大池化层设置在两个卷积块之间，另一个最大池化层串接两个全连接层，并在两个全连接层之间设置有用于对特征数据进行激活处理的ReLU激活层。
7.一种通信信号调制识别装置，其特征在于，包含：用于信号源数据采集的若干传感器，及
与若干传感器连接并对采集的多通道信号源数据进行特征提取和融合分类的处理器，其中，若干传感器分设在目标区域检测点上，利用该若干传感器采集同一时段目标信号源，并将传感器采集到的多通道信号数据传输至处理器，处理器通过指令执行权利要求1所述的方法步骤来识别目标信号源所属的调制方式。
8.根据权利要求7所述的通信信号调制识别装置，其特征在于，所述传感器采用异构厂家和/或异构型号和/或布设在不同检测点的信号采集器。
9.一种通信信号调制识别系统，用于多传感器接收场景下的通信信号调制识别，其特征在于，包含：信号采集模块，和信号识别模块，其中，
信号采集模块，用于利用目标区域内在不同位置检测点上布设的多个传感器来采集目标信号源数据；
信号识别模块，用于利用权利要求1中已训练优化的信号调制识别网络来识别采集的多通道目标信号源数据所属的调制方式。
CN202210411754.0A 2022-04-19 2022-04-19 通信信号调制识别方法、装置及系统 Active CN114915526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210411754.0A CN114915526B (zh) 2022-04-19 2022-04-19 通信信号调制识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210411754.0A CN114915526B (zh) 2022-04-19 2022-04-19 通信信号调制识别方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114915526A CN114915526A (zh) 2022-08-16
CN114915526B true CN114915526B (zh) 2023-05-26

Family

ID=82765320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210411754.0A Active CN114915526B (zh) 2022-04-19 2022-04-19 通信信号调制识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114915526B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102869064A (zh) * 2012-07-27 2013-01-09 南京邮电大学 基于特征级与决策级联合融合的分簇调制识别方法
CN103684524A (zh) * 2013-12-13 2014-03-26 北京邮电大学 一种基于uwb通信信号的目标识别方法
JP2018129715A (ja) * 2017-02-09 2018-08-16 日本電気株式会社 無線通信システム、検知装置、無線通信端末、方法およびプログラム
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
WO2019203564A1 (ko) * 2018-04-20 2019-10-24 삼성전자주식회사 무선 통신 시스템에서 변조 신호를 송수신하기 위한 방법 및 장치
CN112464837A (zh) * 2020-12-03 2021-03-09 中国人民解放军战略支援部队信息工程大学 基于小数据样本的浅海水声通信信号调制识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102869064A (zh) * 2012-07-27 2013-01-09 南京邮电大学 基于特征级与决策级联合融合的分簇调制识别方法
CN103684524A (zh) * 2013-12-13 2014-03-26 北京邮电大学 一种基于uwb通信信号的目标识别方法
JP2018129715A (ja) * 2017-02-09 2018-08-16 日本電気株式会社 無線通信システム、検知装置、無線通信端末、方法およびプログラム
WO2019203564A1 (ko) * 2018-04-20 2019-10-24 삼성전자주식회사 무선 통신 시스템에서 변조 신호를 송수신하기 위한 방법 및 장치
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN112464837A (zh) * 2020-12-03 2021-03-09 中国人民解放军战略支援部队信息工程大学 基于小数据样本的浅海水声通信信号调制识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Haiwang Wang , Bin Wang *, Lulu Wu and Qiang Tang."Multihydrophone Fusion Network for Modulation Recognition".《SENSORS》.2022,全文. *
马万里."基于深度学习的信号调制方式识别研究".《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》.2022,全文. *

Also Published As

Publication number Publication date
CN114915526A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
Hu et al. Robust modulation classification under uncertain noise condition using recurrent neural network
CN105790813B (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN109379153B (zh) 一种频谱感知方法
CN112818891B (zh) 通信干扰信号类型智能识别方法
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN109450573B (zh) 一种基于深度神经网络的频谱感知方法
CN116866129A (zh) 一种无线通信信号检测方法
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质
KR102064301B1 (ko) Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법
CN114915526B (zh) 通信信号调制识别方法、装置及系统
CN114337883B (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
CN115276857A (zh) 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
CN115002703A (zh) 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法
CN114764577A (zh) 一种基于深度神经网络的轻量级调制识别模型及其方法
CN114724245A (zh) 基于csi的增量学习人体动作识别方法
Chen et al. Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning
Kansal et al. Long boosted memory algorithm for intelligent spectrum sensing in 5G and beyond systems
Kumaran et al. Ensemble of Deep Learning Enabled Modulation Signal Classification Model for Underwater Acoustic Communication
CN113705654B (zh) 一种基于ffpn模型的微地震初至智能拾取方法、系统、设备及存储介质
CN114866166B (zh) 基于CNN的Wi-Fi子载波跨协议干扰识别方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
CN113098664B (zh) 基于mdmsffn的空时分组码自动识别方法和装置
CN111835454B (zh) 一种用于蜂窝网络电磁干扰系统的环境识别方法及系统

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