CN114997213A - 信号识别方法、装置、电子设备及存储介质 - Google Patents
信号识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114997213A CN114997213A CN202210474219.XA CN202210474219A CN114997213A CN 114997213 A CN114997213 A CN 114997213A CN 202210474219 A CN202210474219 A CN 202210474219A CN 114997213 A CN114997213 A CN 114997213A
- Authority
- CN
- China
- Prior art keywords
- signal
- phase difference
- training
- dimensional
- signal data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 230000008447 perception Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101150095095 TIMELESS gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种信号识别方法、装置、电子设备及存储介质。该方法包括:采集实际信号数据;根据实际信号数据提取第一多维相位差统计特征;利用预训练得到的频谱感知模型根据第一多维相位差统计特征确定是否检测到信号存在;响应于检测到信号存在,则根据实际信号数据提取多维特征;利用预训练得到的信号识别模型根据多维特征确定实际信号数据对应的调制方式。选择多个维度的特征作为信号感知和识别的判决条件,并且是对通过频谱感知模型感知到的信号进行识别,基于多维输入的深度学习框架进行学习,实现不依赖于先验信息和专家知识的自动调制方式识别,提高了信号识别的鲁棒性和准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种信号识别方法、装置、电子设备及存储介质。
背景技术
相关技术中,通常利用能量检测和循环平稳特征检测提取特征,与阈值相比较判断,因此不能充分利用信号的有效信息。或者仅仅通过频谱感知去检测信号是否存在,并且以信号能量作为判决指标,严重受到噪声影响,造成鲁棒性低的问题,而且无法对于感知到的信号进行进一步识别。
发明内容
有鉴于此,本申请的目的在于提出一种信号识别方法、装置、电子设备及存储介质。
基于所述目的,在第一方面,本申请提供了一种信号识别方法,包括:
采集实际信号数据;
根据所述实际信号数据提取第一多维相位差统计特征;
利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在;
响应于检测到信号存在,则根据所述实际信号数据提取多维特征;
利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
在一种可能的实现方式中,所述方法,还包括:
获取第一训练信号数据;
根据所述第一训练信号数据提取第二多维相位差统计特征;
利用所述第二多维相位差统计特征训练基于XGBoost算法构建的所述频谱感知模型。
在一种可能的实现方式中,所述根据所述训练信号数据提取第二多维相位差统计特征,进一步包括:
获取调相信号;
以固定频率对所述调相信号进行采样以得到采样信号;
根据所述采样信号确定相位差分布;其中,所述相位差分布表示为
其中,C1表示仅与信噪比大小相关的第一参数,C2表示仅与信噪比大小相关的第二参数,C3表示仅与信噪比大小相关的第三参数,ΔΦ表示未受噪声和衰落影响的信号的相位差,Δφ表示两个采样信号之间的相位差;
提取所述相位差分布的相对熵、均值、方差、极值和起始终止点作为所述第二多维相位差统计特征。
在一种可能的实现方式中,所述利用所述第二多维相位差统计特征训练基于XGBoost算法构建的所述频谱感知模型,进一步包括:
基于XGBoots算法构建的所述频谱感知模型的训练过程,包括:
在一种可能的实现方式中,所述频谱感知模型的目标函数表示为
其中,gi表示损失函数的一阶导数,i表示损失函数的二阶导数,Ω(ft)表示树的结构化风险。
在一种可能的实现方式中,所述方法,还包括:
获取第二训练信号数据;
对所述第二训练信号数据进行采样以提取I/Q路、幅度特征和相位特征;
利用卷积神经网络根据所述I/Q路、幅度特征和相位特征提取高维特征;
利用长短期记忆网络根据所述高维特征捕获时序关联信息;
根据所述时序关联信息训练所述信号识别模型。
在一种可能的实现方式中,所述利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在,之后还包括:
响应于检测到信号不存在,则重新采集所述实际信号数据。
在第二方面,本申请提供了一种信号识别装置,包括:
采集模块,被配置为采集实际信号数据;
第一提取模块,被配置为根据所述实际信号数据提取第一多维相位差统计特征;
第一确定模块,被配置为利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在;
第二提取模块,被配置为响应于检测到信号存在,则根据所述实际信号数据提取多维特征;
第二确定模块,被配置为利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
在第三方面,本申请提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的信号识别方法。
在第四方面,本申请提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如第一方面所述的信号识别方法。
从上面所述可以看出,本申请提供的一种信号识别方法、装置、电子设备及存储介质,采集实际需要识别的信号数据,根据实际信号数据提取到多维相位差统计特征,利用预先训练好的频谱感知模型,根据提取到的多维相位差统计特征确定是否能够感知到信号,也即是否能够通过频谱感知模型检测到信号的存在。进一步地,如果能够感知到信号的存在,则可以根据实际信号数据提取多维特征,利用预先训练好的信号识别模型,根据提取到的多维特征确定与实际信号数据对应的调制方式,从而实现信号的识别。本申请选择多个维度的特征作为信号感知和识别的判决条件,并且是对通过频谱感知模型感知到的信号进行识别,基于多维输入的深度学习框架进行学习,实现不依赖于先验信息和专家知识的自动调制方式识别,提高了信号识别的鲁棒性和准确性。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例所提供的一种信号识别方法的示例性流程示意图。
图2示出了根据本申请实施例的一种信号感知和识别过程的示例性流程示意图。
图3示出了根据本申请实施例的信号识别模型的训练过程的示意图。
图4示出了根据本申请实施例的频谱感知性能对比示意图。
图5示出了根据本申请实施例的信号调制方式识别性能对比示意图。
图6示出了本申请实施例所提供的一种信号识别装置的示例性结构示意图。
图7示出了本申请实施例所提供的一种电子设备的示例性结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
频谱感知是一种常用的提高频谱资源利用率的技术,深度学习是一类模式分析方法的统称。认知无线电中将用户分为主用户和次用户,主用户优先级高于次用户,主用户发送数据期间,次用户不能对其产生干扰次用户采用特定参数阈值对主用户占用情况进行感知。深度学习通过学习样本数据的内在规律和表示层次,实现了对于样本的预测或分类。
如背景技术部分所述,其中一种相关技术,主用户使用相应频段发送信号,不管信道衰落与否,高斯噪声和受高斯噪声影响的信号的相位差分布具有明显差异。高斯噪声的相位差在[0,2π]内呈均匀分布,而受噪声影响的信号相位差围绕着无噪声信号的相位差分布。通过提取信号相位差的方差特征,与阈值相比较判断,是否存在主用户。其时间复杂度低且不受噪声不确定性的影响。
但申请人通过研究发现,上述相关技术是特征量量过少,仅仅采用方差作为判决阈值,不能充分利用信号的有效信息,并且系统判决条件为硬判决,对于误差情况缺乏一定的容忍度,泛化性能较弱。
另一种相关技术中,提出了一种基于XGBoost算法在认知无线网络环境下的合作频谱感知方法。每个次级用户将信道中的能量收集后发送到融合中心,融合中心将所有次用户发来的能量值作为特征向量,而主用户间断性地将自身工作状态发送到融合中心,两者结合构建训练所用的数据集。通过 XGBoost算法对数据集进行训练,从而得到最终的机器学习模型。然后将次级用户发送的能量数据构建测试数据集,从而实现基于XGBoost的认知无线网络环境下的频谱感知方法。
但是申请人通过研究发现,上述相关技术是以信号能量作为判决指标,严重受到噪声影响,对于噪声不确定性不具有鲁棒性,该场景下性能严重下降,并且方案方法单一,仅仅提供频谱感知功能,无法对于感知到的信号进行进一步的识别,以便后续信息提取。
另一种相关技术中,提出了一种三路输入深度学习框架,用于从调制数据的单个和组合的同相/正交(I/Q)符号中提取特征。该框架具有有效的收敛速度和提高的识别精度,特别是对于16-QAM和64-QAM等高维调制方式调制的信号。相关技术所提方案充分利用信号的整体特征和局部特征,提高了自动调制方式识别的准确率。
但是申请人通过研究发现,上述相关技术是将采样信号整体输入深度学习模型,为对于信号进行特征提取等预处理操作,不利于模型训练,并且缺乏前置过程,仅仅针对信号进行调制方式识别,未提供频谱感知方案,不能构成一个完整的系统。
对于相关技术中的能量检测,属于盲检测方法,不需要信号任何先验知识。在时域或者频域上通过特定的操作进行能量求和,与判决阈值作比较以确定主用户是否存在。当噪声不确定性比较大时,无法准确的进行判别。
对于循环平稳特征检测,是通过利用循环平稳信号与噪声的谱密度函数在循环频率处体现出的不同特征来将其从噪声中检测出来。相较于能量检测,该方法能在低信噪比场景下取得较好的性能。但其时间复杂度较高且存在频率失配问题,影响了频谱感知的实时性。
综上所述,相关技术中,通常通过提取信号相位差的方差特征,与阈值相比较判断,因此不能充分利用信号的有效信息。或者仅仅通过频谱感知去检测信号是否存在,并且以信号能量作为判决指标,严重受到噪声影响,造成鲁棒性低的问题,而且无法对于感知到的信号进行进一步识别。
正因如此,本申请提供的一种信号识别方法、装置、电子设备及存储介质,采集实际需要识别的信号数据,根据实际信号数据提取到多维相位差统计特征,利用预先训练好的频谱感知模型,根据提取到的多维相位差统计特征确定是否能够感知到信号,也即是否能够通过频谱感知模型检测到信号的存在。进一步地,如果能够感知到信号的存在,则可以根据实际信号数据提取多维特征,利用预先训练好的信号识别模型,根据提取到的多维特征确定与实际信号数据对应的调制方式,从而实现信号的识别。本申请选择多个维度的特征作为信号感知和识别的判决条件,并且是对通过频谱感知模型感知到的信号进行识别,基于多维输入的深度学习框架进行学习,实现不依赖于先验信息和专家知识的自动调制方式识别,提高了信号识别的鲁棒性和准确性。
下面通过具体的实施例来对本申请实施例所提供的信号识别方法进行具体说明。
图1示出了本申请实施例所提供的一种信号识别方法的示例性流程示意图。
参考图1,本申请实施例所提供的一种信号识别方法具体包括以下步骤:
S102:采集实际信号数据。
S104:根据所述实际信号数据提取第一多维相位差统计特征。
S106:利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在。
S108:响应于检测到信号存在,则根据所述实际信号数据提取多维特征。
S110:利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
图2示出了根据本申请实施例的一种信号感知和识别过程的示例性流程示意图。
参考图2,与预先训练得到的频谱感知模型的训练过程,包括:
获取第一训练信号数据;
根据所述第一训练信号数据提取第二多维相位差统计特征;
利用所述第二多维相位差统计特征训练基于XGBoost算法构建的所述频谱感知模型。
具体地,获取调相信号;
以固定频率对所述调相信号进行采样以得到采样信号;
根据所述采样信号确定相位差分布;其中,所述相位差分布表示为
其中,C1表示仅与信噪比大小相关的第一参数,C2表示仅与信噪比大小相关的第二参数,C3表示仅与信噪比大小相关的第三参数,ΔΦ表示未受噪声和衰落影响的信号的相位差,Δφ表示两个采样信号之间的相位差;
提取所述相位差分布的相对熵、均值、方差、极值和起始终止点作为所述第二多维相位差统计特征。
在一些实施例中,假设调相信号为z(t)=A exp(jωct+jφ(t))+n(t),以固定频率fs进行采样可得到采样信号 其中A(k)、φ(k)、n(k)分别表示信号的幅度、相位以及高斯噪声。相位差的定义为两采样点之间的相位差Δφ=(φ(n+1)-φ(n))mod2π。根据相位差的定义,噪声的相位分布满足[0,2π]均匀分布:
而受噪声扰动后的信号的相位差分布为:
因此根据上述分析,本申请提取信号相位差分布的相对熵、均值、方差、极值、起始终止点作为多维相位差统计特征,进行机器学习训练,后续通过 XGBoost训练过程的特征重要性排序,验证了以上参数的有效性。
在一些实施例中,XGBoost算法是由k个基模型(树模型)组成的一个加法模型,其训练过程如下:
其中,表示前t棵树的预测结果,ft(xi)表示第t棵树的预测结果。通过多个基模型逼近最终的结果,从而训练得到相应的模型。相较于GBDT, XGBoost算法的目标函数更能充分利用现有信息。其目标函数为:
其中,gi表示损失函数的一阶导数,i表示损失函数的二阶导数,Ω(ft)表示树的结构化风险。与此同时,结合可并行的近似算法,使XGBoost具有高效快速等特点。
本申请利用提取的多维相位差统计特征构建训练数据集,基于XGBoost 算法构建机器学习模型进行训练测试,从而输出具有频谱感知能力的频谱感知模型。
传统的自动调制方式识别分为两种:一种是基于似然论,另一种是基于信号特征。似然论需要足够的先验知识来支撑,可以达到理论上的最优;而基于信号特征的方法主要通过特征提取与优化分类方法来实现调制方式识别,通过提取瞬时时域特征、统计特征,结合一些机器学习方法,来提高识别准确度。本申请利用深度学习模型对于采集的信号进行训练,从而实现自动调制方式识别。
图3示出了根据本申请实施例的信号识别模型的训练过程的示意图。
参考图3,通过输入I/Q路、幅度、相位等特征,利用CNN的局部感知野和权重共享的方法来降低网络的复杂度,将局部特征通过局部感知野捕获,然后到更高层合并,避免了每一次都需要进行全局感知。同时,输入LSTM 层保证了对于时序信息的捕获,从而实现了对于信息的充分有效的利用。
具体地,训练过程包括:
获取第二训练信号数据;
对所述第二训练信号数据进行采样以提取I/Q路、幅度特征和相位特征;
利用卷积神经网络根据所述I/Q路、幅度特征和相位特征提取高维特征;
利用长短期记忆网络根据所述高维特征捕获时序关联信息;
根据所述时序关联信息训练所述信号识别模型。
在一些实施例中,对于离线训练过程,首先,构建信号数据集,提取信号的相位差特征,特征包括相对熵、极大值、极小值、均值、方差等;其次,构建XGBoost模型,确定树的数量、优化函数等;最后将数据集分为训练集、验证集和测试集,利用XGBoost模型进行训练,得到性能优异且稳定的模型,并将模型参数注入到图2所示的在线信号感知识别过程中的机器学习模型 M1(也即频谱感知模型)中。
在一些实施例中,在另一个离线训练过程中,首先生成信号数据集,信号集采样只能得到I路、Q路信息,但深度学习模型需要多路输入,因此借助已有信息构造信号的幅度、相位信息,并对幅度、相位信息进行数据预处理,使得数据集的数据处于同一尺度范围内,便于模型收敛。其次,针对信号特点构建深度学习框架,信号具有一定的周期特性,因此利用CNN能实现局部感知和全局感知的特点,实现高维特征的提取;信号属于时序信息,前后存在着关联性,因此采用LSTM来捕获信号之间的关联性。最后,将处理后的数据输入构建好的深度学习模型,从而得到一个收敛的具有优异性能的模型,将模型参数注入到深度学习模型D1(也即信号识别模型)中。
在一些实施例中,在线信号感知识别过程中,首先对实际信号进行采样,提取信号相位差的相对熵、极大值、极小值、均值、方差等特征,并提取IQ 路和信号相位、幅度特征。其次,将相位差特征输训练好的XGBoost模型。若输出为信号不存在,则输出结果。若信号存在,则将提取的IQ路和信号相位、幅度特征输入训练好的深度学习框架中,最终输出信号的调制方式,结合已有信息确定信号的来源。本方案在整体上构建一种相位特征赋能的无线网络信号感知及识别系统,提高频谱的利用效率,为后续信息提取提供保障。
图4示出了根据本申请实施例的频谱感知性能对比示意图。
参考图4,从结果上来看,本申请的所提出的基于XGBoost的频谱感知方案性能上优于相关技术中所提PDVD方案,也优于传统的循环平稳特征检测方案。其性能对比图如下,在SNR=-15dbPf=0.1的情况下,本申请相比于传统方案准确率上具有显著提高。相比于相关技术,本申请的性能提升主要源于使用多维特征和采取XGBoost算法。多维特征保证了对于信息的充分利用,机器学习算法保障该方案对于噪声扰动、频率失配及异常点的出现具有一定的容忍性。
图5示出了根据本申请实施例的数据集分类精度对比示意图。
参考图5,本申请的方案加深了深度学习模型的深度,扩展了输入特征的维度,并采取了相应的防止过拟合的手段。本申请所提的深度学习框架鲁棒性更强,在采样点减半情况下,性能更优。
从上面所述可以看出,本申请提供的一种信号识别方法、装置、电子设备及存储介质,采集实际需要识别的信号数据,根据实际信号数据提取到多维相位差统计特征,利用预先训练好的频谱感知模型,根据提取到的多维相位差统计特征确定是否能够感知到信号,也即是否能够通过频谱感知模型检测到信号的存在。进一步地,如果能够感知到信号的存在,则可以根据实际信号数据提取幅度相位特征,利用预先训练好的信号识别模型,根据提取到的幅度相位特征确定与实际信号数据对应的调制方式,从而实现信号的识别。本申请选择多个维度的特征作为信号感知和识别的判决条件,并且是对通过频谱感知模型感知到的信号进行识别,基于多维输入的深度学习框架进行学习,实现不依赖于先验信息和专家知识的自动调制方式识别,提高了信号识别的鲁棒性和准确性。
本申请设计了从频谱感知到调制方式识别的智能无线网络信号认知系统,结合机器学习和深度学习模型,构建一种相位特征赋能的无线网络信号感知及识别系统。提出了基于相位差特征和XGBoost结合的频谱感知方法。此方案相较于现有的能量检测、循环平稳特征检测,具有更强的鲁棒性和检测准确率。提出了基于多维输入的深度学习模型进行自动调制方式识别。采用I/Q 路、相位、幅度多维输入,利用CNN进行特征提取,利用LSTM进行时序关联性的捕获,实现自动调制方式识别。利用XGBoost算法进行频谱感知,在识别出信号存在之后,通过深度学习框架进行调制方式识别,构建了一种相位特征赋能的无线网络信号感知及识别系统,从而提高频谱的利用效率,为后续信息提取提供保障。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,所述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于所述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图6示出了本申请实施例所提供的一种信号识别装置的示例性结构示意图。
基于同一发明构思,与所述任意实施例方法相对应的,本申请还提供了一种信号识别装置。
参考图6,所述信号识别装置,包括:采集模块、第一提取模块、第一确定模块、第二提取模块以及第二确定模块;其中,
采集模块,被配置为采集实际信号数据;
第一提取模块,被配置为根据所述实际信号数据提取第一多维相位差统计特征;
第一确定模块,被配置为利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在;
第二提取模块,被配置为响应于检测到信号存在,则根据所述实际信号数据提取多维特征;
第二确定模块,被配置为利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
在一种可能的实现方式中,所述装置,还包括:第一训练模块;
所述第一训练模块进一步被配置为:
获取第一训练信号数据;
根据所述第一训练信号数据提取第二多维相位差统计特征;
利用所述第二多维相位差统计特征训练基于XGBoost算法构建的所述频谱感知模型。
在一种可能的实现方式中,所述第一提取模块进一步被配置为:
获取调相信号;
以固定频率对所述调相信号进行采样以得到采样信号;
根据所述采样信号确定相位差分布;其中,所述相位差分布表示为
其中,C1表示仅与信噪比大小相关的第一参数,C2表示仅与信噪比大小相关的第二参数,C3表示仅与信噪比大小相关的第三参数,ΔΦ表示未受噪声和衰落影响的信号的相位差,Δφ表示两个采样信号之间的相位差;
提取所述相位差分布的相对熵、均值、方差、极值和起始终止点作为所述第二多维相位差统计特征。
在一种可能的实现方式中,所述第一训练模块进一步被配置为:
基于XGBoots算法构建的所述频谱感知模型的训练过程,包括:
在一种可能的实现方式中,所述装置,还包括第二训练模块;
所述第二训练模块进一步被配置为:
获取第二训练信号数据;
对所述第二训练信号数据进行采样以提取I/Q路、幅度特征和相位特征;
利用卷积神经网络根据所述I/Q路、幅度特征和相位特征提取高维特征;
利用长短期记忆网络根据所述高维特征捕获时序关联信息;
根据所述时序关联信息训练所述信号识别模型。
在一种可能的实现方式中,所述采集模块进一步被配置为:
响应于检测到信号不存在,则重新采集所述实际信号数据。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
所述实施例的装置用于实现前述任一实施例中相应的信号识别方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图7示出了本申请实施例所提供的一种电子设备的示例性结构示意图。
基于同一发明构思,与所述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的信号识别方法。图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器710、存储器720、输入/输出接口730、通信接口740和总线750。其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
处理器710可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器720可以采用ROM(Read Only Memory,只读存储器)、RAM (Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器720可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器720中,并由处理器710来调用执行。
输入/输出接口730用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口740用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线750包括一通路,在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息。
需要说明的是,尽管所述设备仅示出了处理器710、存储器720、输入/ 输出接口730、通信接口740以及总线750,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,所述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
所述实施例的电子设备用于实现前述任一实施例中相应的信号识别方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与所述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的信号识别方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的信号识别方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM)) 可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种信号识别方法,其特征在于,包括:
采集实际信号数据;
根据所述实际信号数据提取第一多维相位差统计特征;
利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在;
响应于检测到信号存在,则根据所述实际信号数据提取多维特征;
利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
2.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
获取第一训练信号数据;
根据所述第一训练信号数据提取第二多维相位差统计特征;
利用所述第二多维相位差统计特征训练基于XGBoost算法构建的所述频谱感知模型。
6.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
获取第二训练信号数据;
对所述第二训练信号数据进行采样以提取I/Q路、幅度特征和相位特征;
利用卷积神经网络根据所述I/Q路、幅度特征和相位特征提取高维特征;
利用长短期记忆网络根据所述高维特征捕获时序关联信息;
根据所述时序关联信息训练所述信号识别模型。
7.根据权利要求1所述的方法,其特征在于,所述利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在,之后还包括:
响应于检测到信号不存在,则重新采集所述实际信号数据。
8.一种信号识别装置,其特征在于,包括:
采集模块,被配置为采集实际信号数据;
第一提取模块,被配置为根据所述实际信号数据提取第一多维相位差统计特征;
第一确定模块,被配置为利用预训练得到的频谱感知模型根据所述第一多维相位差统计特征确定是否检测到信号存在;
第二提取模块,被配置为响应于检测到信号存在,则根据所述实际信号数据提取多维特征;
第二确定模块,被配置为利用预训练得到的信号识别模型根据所述多维特征确定所述实际信号数据对应的调制方式。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使所述计算机实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474219.XA CN114997213A (zh) | 2022-04-29 | 2022-04-29 | 信号识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474219.XA CN114997213A (zh) | 2022-04-29 | 2022-04-29 | 信号识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997213A true CN114997213A (zh) | 2022-09-02 |
Family
ID=83025598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210474219.XA Pending CN114997213A (zh) | 2022-04-29 | 2022-04-29 | 信号识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
CN117335912A (zh) * | 2023-09-28 | 2024-01-02 | 广东机电职业技术学院 | 一种频谱智能感知方法及系统 |
-
2022
- 2022-04-29 CN CN202210474219.XA patent/CN114997213A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335912A (zh) * | 2023-09-28 | 2024-01-02 | 广东机电职业技术学院 | 一种频谱智能感知方法及系统 |
CN117335912B (zh) * | 2023-09-28 | 2024-04-12 | 广东机电职业技术学院 | 一种频谱智能感知方法及系统 |
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Efficient salient region detection with soft image abstraction | |
CN114997213A (zh) | 信号识别方法、装置、电子设备及存储介质 | |
US9152882B2 (en) | Location-aided recognition | |
CN108924736B (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
CN112364851B (zh) | 一种自动调制识别方法、装置、电子设备及存储介质 | |
CN102772211A (zh) | 一种人体运动状态检测系统及检测方法 | |
EP3136293A1 (en) | Method and device for processing an image of pixels, corresponding computer program product and computer readable medium | |
KR20140046394A (ko) | 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들 | |
CN110109899B (zh) | 物联网数据填补方法、装置及系统 | |
CN110426037A (zh) | 一种封闭环境下的行人运动轨迹实时获取方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
US10585130B2 (en) | Noise spectrum analysis for electronic device | |
CN112751633B (zh) | 一种基于多尺度窗口滑动的宽带频谱检测方法 | |
CN101477688B (zh) | 一种提取对象边缘的方法和装置 | |
Yang et al. | Extraction and denoising of human signature on radio frequency spectrums | |
CN109598216B (zh) | 一种基于卷积的射频指纹特征提取方法 | |
Li et al. | Recovery of collided RFID tags with frequency drift on physical layer | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
CN115664814A (zh) | 网络入侵检测方法、装置、电子设备及存储介质 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN109359544B (zh) | 一种人像检索方法及装置 | |
CN110059272B (zh) | 一种页面特征识别方法和装置 |
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 |