CN115499278B - 基于轻量级神经网络的mimo信号调制识别方法 - Google Patents
基于轻量级神经网络的mimo信号调制识别方法 Download PDFInfo
- Publication number
- CN115499278B CN115499278B CN202211058165.5A CN202211058165A CN115499278B CN 115499278 B CN115499278 B CN 115499278B CN 202211058165 A CN202211058165 A CN 202211058165A CN 115499278 B CN115499278 B CN 115499278B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- signal
- convolution
- mimo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 108091006146 Channels Proteins 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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)
- Signal Processing (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)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于数字信号调制技术领域,具体涉及基于轻量级神经网络的MIMO信号调制识别方法。本发明为了解决传统方法识别MIMO系统信号时,出现先验条件限制以及特征识别准确度低、分类器模型复杂等问题,设计了一种轻量级网络,并进而提供了基于轻量级神经网络的MIMO信号调制识别方法。本发明提出的轻量级网络在获得基带信号,无需对信号做额外处理,不依赖先验条件,通过多维度权重卷积在保证特征多维度选择提取的基础上,大幅度减少了卷积过程所需的参数和计算量,并通过注意力模块取代部分卷积过程,从而进一步提升网络训练结果的准确性,在保证MIMO系统信号精确识别的基础上为轻量级网络在工程实践中的应用提供了新的可行性方案。
Description
技术领域
本发明属于数字信号调制技术领域,具体涉及基于轻量级神经网络的MIMO信号调制识 别方法。
背景技术
无论是非合作通信中对盲信号的截获与破解,还是对于非法无线电的监管,关键是能够 准确识别通信信号的调制方式。MIMO系统(多天线发射多天线接收)被广泛应用于民用5G 通信领域,因此对于MIMO系统中涉及的通信信号准确识别也是当前急需解决的实际问题。 在解决这项实际问题的过程中有很多科研人员做出了杰出的贡献,主要分为两个流派,一种 是通过独立分量分析和接收信号的盲均衡处理,降低信号在随机发射和接收过程中因天线数 目产生的相互干扰,从而将MIMO系统信号的转换为传统的SISO系统信号(天线一对一发 射接收)进行处理。但是这些办法过于依赖对天线数目等其它先验条件估计的准确性,在实 际应用中效果不理想且较难实现。
文献[1]中完成发射端天线估计后对接收端信号进行独立分析,并在此基础上对信号进行 发端恢复。但是这种方法依赖对发端天线数目的准确估计,这就对发端天线和接收端天线的 数量关系,信噪比环境,信号调制方式有额外的要求。因此这种方法的局限性很明显。
文献[2]中提出的使用不同均衡方法处理接收端信号,对于发射天线数目,信道估计,以 及编码类型都有着额外的要求。并且后续的识别依靠的是多层卷积神经网络,运算量也会大 幅度提升。因此这种方法也存在固有的局限性。
另外一种是不考虑先验条件,对多根天线接收的信号采用特征提取结合分类器的方法进 行识别,包括基于决策树,支持向量机方法对人工提取的特征识别,以及通过多种新兴的深 度神经网络自动提取特征进行识别。但是识别效果差,特征提取算法计算量大,分类器模型 过于复杂的弊端也十分明显。
文献[3]中提出采用深度神经网络结合统计策略识别MIMO系统信号,但很明显的问题是 准确度在发端和收端天线数目相近时,低信噪比提升较弱,高信噪比无法达到100%可靠识别。
[1]张天骐,范聪聪,葛宛营,张天.基于ICA和特征提取的MIMO信号调制识别算法[J].电子 与信息学报,2020,42(09):2208-2215.
[2]安泽亮,张天骐,马宝泽,邓盼,徐雨晴.基于一维CNN的多入多出OSTBC信号协作调制 识别[J].通信学报,2021,42(07):84-94.
[3]Y.Wang,J.Wang,W.Zhang,J.Yang and G.Gui,"Deep Learning-BasedCooperative Automatic Modulation Classification Method for MIMO Systems,"inIEEE Transactions on Vehicular Technology,vol.69,no.4,pp.4575-4579,April2020,doi:10.1109/TVT.2020.2976942.
发明内容
本发明的目的在于解决传统方法识别MIMO系统信号时,出现上述概括的先验条件限制, 以及特征识别准确度低,分类器模型复杂等问题,提供基于轻量级神经网络的MIMO信号调 制识别方法。
基于轻量级神经网络的MIMO信号调制识别方法,包括以下步骤:
步骤1:通过接受机获取MIMO系统产生的信号,得到基带信号;
所述MIMO系统涉及的信号集为{2PSK,4PSK,8PSK,16QAM};MIMO系统拥有Nt个 发射天线和Nr个接收天线,Nt≤Nr;MIMO系统产生一个用于调制的随机序列,将调制信 号功率归一化处理,长度为1×N的序列被重塑为信号调制序列,通过天线发射经过 MIMO信道后被接收机接收,获取基带信号;
步骤2:将基带信号数据集划分为训练集和测试集;
步骤3:采用训练集训练轻量级神经网络;
所述轻量级神经网络包括输入层、1个降采样层、4个特征提取层、1个平均池化层、1 个全连接分类层;
所述输入层要求输入单个样本规格为输入的单个样本经过降采样层处理,经 过降采样层处理后单个样本规格为/>降采样处理后的单个样本信号输入至特征提 取层,单个特征提取层中首先经过多维度权重卷积提取信号特征,通过不同大小的卷积核充 分对采样点间的相互关系进行挖掘,提取多维度特征,再通过1×1卷积对提取的多维度特征 映射到多通道并给出对应特征权重,此时多通道特征向量充分发挥出每一个子特征的效果; 单样本第一层特征提取多维度权重卷积输出规格为/>第二层输出规格为/> 第三层输出规格为/>第四层输出规格为
多维度权重卷积对信号多维度特征提取后,输入ECA注意力模块;ECA注意力模块将 特征的空间信息通过平均池化的方式压缩为[C,1,1],通过一维卷积的方式对通道维卷积获取 该通道的K个近邻通道之间的交互信息;将交互信息与多维度权重卷积提取特征对应通道相 乘获得具有K范围交互特性的输出特征;
将最后一层输出的带有通道注意力的交互性特征输入进平均池化层和全连接层进行特征 分类,全连接层将每种分类的预测结果输出,并通过softmax函数获得预测概率,使用损失 函数统计一次训练输出结果与标签的损失值;
步骤4:将测试集中单个基带信号样本输入至训练好的轻量级神经网络中,得到分类结 果。
进一步地,步骤1中所述MIMO系统的MIMO信道为平坦衰落且时不变信道,接收机接收时遵循奈奎斯特采样定律,载波没有发生频率偏移和相位偏移;在k时刻接收到的信号的向量表示为:
yk=Hxk+nk
其中,H代表的是MIMO信道,服从复高斯分布;yk=[yk(1),yk(2),yk(3),...,yk(Nr),]T代表的是接收端Nr×1维的符号码元向量;xk=[xk(1),xk(2),xk(3),...,xk(Nt),]T代表的是发射 端应用信号集中的调制方式调制的Nt路信号。
进一步地,步骤3中所述轻量级神经网络的ECA注意力模块的原理为:
设定组合特征x∈RC×W×H,C代表输入特征通道数,H和W分别代表宽度和高度,通道的注意力表示为:
λ=σ(C1Dk(x))
其中,λ代表通道权重;σ代表Sigmoid函数;C1Dk代表卷积核大小为K的一维快速卷积。
进一步地,步骤3中所述轻量级神经网络的损失函数为:
将输出结果的交叉熵作为损失值进行统计,并以此为标准训练轻量级神经网络使其快速 收敛;softmax函数将轻量级神经网络的输出转换为概率分布:
其中,Pni′为对第n个样本的预测;Pni为第n个样本属于i类的概率;
损失函数为:
其中,N代表样本数量;I代表全部分类类别;yni代表属于当前标签的可能性。
本发明的有益效果在于:
本发明为了解决传统方法识别MIMO系统信号时,出现先验条件限制以及特征识别准确 度低、分类器模型复杂等问题,设计了一种轻量级网络,并进而提供了基于轻量级神经网络 的MIMO信号调制识别方法。本发明提出的轻量级网络在获得基带信号,无需对信号做额外 处理,不依赖先验条件,在2dB信噪比环境下对MIMO系统信号总体识别率在发端天线与收 端天线数目相近时也可以达到99.63%,参数量比较残差网络有效减少了95.01%,较 MobilenetV2轻量级网络减少68.58%。本发明通过多维度权重卷积在保证特征多维度选择提 取的基础上,大幅度减少了卷积过程所需的参数和计算量,并通过注意力模块(ECA)取代 部分卷积过程,从而进一步提升网络训练结果的准确性,在保证MIMO系统信号精确识别的 基础上为轻量级网络在工程实践中的应用提供了新的可行性方案。
附图说明
图1为MIMO系统信号产生原理图。
图2为多维度权重卷积原理图。
图3为ECA模块原理图。
图4为轻量级网络结构图。
图5为Nt=4,Nr=4时不同分类器总体识别率随信噪比变化图。
图6为Nt=2,Nr=4时不同分类器总体识别率随信噪比变化图。
图7为Nt=4,Nr=4各信噪比内五种调制信号的识别率。
图8为Nt=2,Nr=4各信噪比内五种调制信号的识别率。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明为了解决传统方法识别MIMO系统信号时,出现先验条件限制以及特征识别准确 度低、分类器模型复杂等问题,设计了一种用于MIMO系统信号识别的轻量级网络。本发明 提出的轻量级网络在获得基带信号后,无需对信号做额外处理,不依赖先验条件。在2dB信 噪比环境下对MIMO系统信号总体识别率在发端天线与收端天线数目相近时也可以达到 99.63%。并且模型大小相比于同类模型大幅度下降,参数量比较残差网络有效减少了95.01%, 较MobilenetV2轻量级网络减少68.58%。其中轻量级网络主要依赖于定义的多维度权重卷积 和有效通道注意力模块(ECA)。通过多维度权重卷积在保证特征多维度选择提取的基础上, 大幅度减少了卷积过程所需的参数和计算量。并通过注意力模块(ECA)取代部分卷积过程, 从而进一步提升网络训练结果的准确性。在保证MIMO系统信号精确识别的基础上为轻量级 网络在工程实践中的应用提供了新的可行性方案。
本发明针对目前MIMO系统信号识别中存在诸多明显弊端的现状,提出了轻量级网络来 解决问题,使用本网络在2dB时就可以高精度识别,且所需的参数仅为同结构残差网络的 4.99%。实现了MIMO系统信号的精确识别,并可以在工程实践中广泛应用。
实现本发明的技术方案是:
S1:确定MIMO系统涉及的信号集{2PSK,4PSK,8PSK,16QAM}。
S2:MIMO系统信号产生
典型的MIMO系统拥有Nt个发射天线和Nr个接收天线(Nt≤Nr)。MIMO信道设定为 平坦衰落且时不变信道,接收机接收时完全遵循奈奎斯特采样定律,载波没有发生频率偏移和相位偏移。在k时刻接收到的信号的向量可以表示为:
yk=Hxk+nk (1)
其中,H代表的是MIMO信道,服从复高斯分布,yk=[yk(1),yk(2),yk)3),...,yk(Nr(,]T代表的是接收端Nr×1维的符号码元向量,xk=[xk)1),xk(2),xk(3),...,xk)Nt),]T代表的是发射 端应用信号集中的调制方式调制的Nt路信号。
S3:数据集创建:
码元速率:500Baud;
载频:2kHz;
采样率:16倍;
符号数:128个;
调制方式:4种(2PSK,4PSK,8PSK,16QAM);
如图1所示,产生一个用于调制的随机序列,将调制信号功率归一化处理,长度为1×N 的序列被重塑为信号调制序列。通过天线发射经过MIMO信道后被接收机接收,获 取基带信号。数据集中包含[-10dB,10dB]步长为2dB的11个信噪比环境下的信号。每个信噪 比中单种调制方式的信号数量为10000个,并将信号的实部和虚部分开作为I/Q两路输入, 单个信噪比下的数据集的格式为/>将数据集按照4:1的比例划分为训练集 和测试集。
如图4所示,本发明中轻量级神经网络结构包括输入层,1个降采样层,4个特征提取层, 和1个平均池化层,一个全连接分类层。特征提取层内由多维度权重卷积层、批量归一化BN 层、Relu激活函数和有效通道注意力模块层组成。
输入层要求输入单个样本规格为Nr代表接收天线数目,不同天线接收信号 对应不同的通道维度。为了适应需要,除第一层降采样处理外其余卷积均设置为1×3.目的是 在保证特征充分提取的前提下,减少计算量。
输入的单个样本经过降采样层处理,其中降采样层卷积核大小为7×7,卷积核个数为16, 步长为2,经过降采样层处理后单个样本规格为获得的单个样本信号在保持特 性的基础上实现了降采样处理。
降采样处理后的单个样本信号输入特征提取层,单个特征提取层中首先经过多维度权重 卷积提取信号特征。其中卷积核大小为1×[1,3,5],通过不同大小的卷积核充分对采样点间 的相互关系进行挖掘,提取多维度特征。然后再通过1×1卷积对提取的多维度特征映射到多 通道并给出对应特征权重。此时多通道特征向量充分发挥出每一个子特征的效果。单样本第 一层特征提取多维度权重卷积输出规格为第二层输出规格为/>第三层输出规格为/>第四层输出规格为/>
多维度权重卷积对信号多维度特征提取后,输入ECA注意力模块。由于本网络通道扩张 量较大因此ECA模块的作用是帮助网络提取不同通道的交互信息。如图3所示ECA模块将 特征的空间信息通过平均池化的方式压缩为[C,1,1],通过一维卷积的方式对通道维卷积获取 该通道的K近邻个通道之间的相互信息。经过测试验证本发明将一维卷积核大小设定为3, 既有利于卷积过程中算力的高效利用,又保证了特征交互效果。将交互信息与多维度权重卷 积提取特征对应通道相乘获得具有K范围交互特性的输出特征。
将最后一层输出的带有通道注意力的交互性特征输入进平均池化层和全连接层进行特征 分类,fc=4代表全连接层输出的分类总类别。全连接层将每种分类的预测结果输出。并通过 softmax函数获得预测概率,使用损失函数统计一次训练输出结果与标签的损失值。通过循环 训练将损失降低至稳定,此时获得分类模型。测试过程将测试集单个样本输入训练好的网络 中获取分类结果即可。
S4:多维度权重卷积
接收的基带信号是由一个个采样点序列构成,数字信号调制方式主要是通过多个采样点 之间的联系来体现,因此采样点间的相互关系需要得到充分挖掘。如图2所示对采样序列使 用不同大小的卷积核进行多维度的特征提取,并将提取的多个卷积特征匹配长度后得到的特 征向量相加获得组合特征。组合特征此时反应的是多维度特征的特性,并通过1×1卷积核对 特征向量中的每一个子特征进行加权,充分发挥组合特征中每一个特征值的作用,进一步提 升模型识别精度。通过这种多维度权重卷积的方法在保证模型精度的基础上也明显减少了因 为多维度特征提取带来的额外运算。
公式(2)中P代表多维度权重卷积和多维度普通卷积需要训练的参数量之比,CI代表输入 通道数,CO代表输出通道数,KN为网络设定卷积核大小,Kn其他维度卷积核大小,图2中 代表不同卷积输出特征求和。公式(3)中F代表多维度权重卷积和多维度普通卷积训练过程 所需运算量之比,DOx和DOy代表输出特征维度。由公式(2)和公式(3)可以得出结论,多维度 权重卷积相较于多维度标准卷积大大减少了训练参数和计算量。
S5:有效通道注意力模块(ECA)
ECA模块原理如图3所示,设定组合特征x∈RC×W×H,C代表输入特征通道数,H和W分别代表宽度和高度。通道的注意力可以表示为:
λ=σ(C1Dk(x)) (4)
式中λ代表通道权重,σ代表Sigmoid函数,C1Dk代表卷积核大小为K的一维快速卷积。其 中卷积核的选择经过多次实验最终确定为K=3,既有利于卷积过程中算力的高效利用,又保 证了特征提取效果。
S6:损失函数
本发明将网络输出结果的交叉熵作为损失值进行统计,并以此为标准训练网络使其快速 收敛。交叉熵主要用于测量两个概率分布之间的差异。有必要将模型的输出转换为概率分布,这项工作通常有Softmax函数完成,经过处理后的结果:
其中Pni′为对第n个样本的预测,Pni为第n个样本属于i类的概率。所以损失函数可以定义为:
其中N代表样本数量,I代表全部分类类别,yni代表属于当前标签的可能性。通过上式 可以计算出损失值,以此为评价标准完成对网络的训练,将测试集输入训练好的模型完成对 信号的分类。
与现有技术相比,本发明的有益效果主要在对信号分类的精确度和分类网络的轻量化两 个方面:通过以下仿真实验来分析所提特征的优越性能。
如图5和图6是当发射天线为Nt=2,接收天线为Nr=4(Nr>Nt),发射天线Nt=4, 接收天线Nr=4(Nr=Nt)两种不同情况下不同分类器针对MIMO系统信号集的总体识别 率。
其中传统机器学习方法是通过SVM(支持向量机)对信号的高阶累计量特征进行分类, 用到的高阶累积量特征及各调制信号对应的特征值如表(1)所示。
表(1)五种调制信号对应高阶累积量特征值
表(1)中提取了4种调制方式的三个四阶累积量特征,其中C41用来区分2PSK调制信号, C42用来区分{2PSK,16QAM},C40用来区分{2PSK,4PSK,8PSK,16QAM}。本发明设定接收端天线为4。因此,每根天线接收的调制信号提取特征后组成的特征向量可以表示为 以/>为例,代表的是在第一根天线接收到 的信号序列,按照C40特征提取算法提取的特征。
通过图5中不同分类器识别率曲线对比,当Nt=4,Nr=4(Nr=Nt)时总体识别率随信 噪比的增加而增加,传统的人工特征提取结合机器学习方法(SVM)很难满足识别需求,在10dB 的条件下识别精度仅为87.2%,相比之下神经网络提取特征识别拥有着明显的优势,Resnet(10) 网络的识别率不小于2dB时可以达到99%以上。但是缺点也很明显,由于残差结构的固有特 性,网络的模型复杂运算量较大,因此很难在工程实践中应用。MobilenetV2网络是目前广为 流行的轻量级网络,但是从图中可以看出,MobilenetV2网络对于MIMO系统涉及信号的识 别准确率要低于Resnet(10)网络10%-30%,证明当前的轻量级网络针对MIMO系统信号识别 效果较差。本发明改变残差结构中的卷积方式为多维度权重卷积并引入注意力模块取代残差 结构中的一层非通道扩张卷积层来进行识别。首先本网络加入CBAM模块这种典型的通道空 间双维度的注意力模块,经过多维度权重卷积和CBAM模块改良的残差网络,相较于 MobilenetV2网络的识别率提升效果十分明显,但是相较于Resnet(10)这种复杂网络在识别率 上低5%-10%。原因是在替换过后由于网络结构变简单了无法提取高效的通道交互特征,因 此本发明提出将CBAM模块替换为ECA模块的Lightnet网络在保证轻量级的基础上,相较 于CBAM网络有着2%-15%的明显提升,相较于Resnet(10)网络也有着2%-8%的明显提升提 升。
为了进一步对比,本发明将Nt=2,Nr=4(Nr>Nt)的总体识别情况给出了实验分析, 如图6所示。
从图6中可以看出有5种分类器对比,当Nt=2,Nr=4时,分类器的识别率相较于Nt=4, Nr=4在各个信噪比条件下有了明显提升,证明当收端天线大于发端天线时有助于准确识别。 除此之外,Lightnet仍然拥有着最为出色的识别效果,验证了本发明设计的轻量级网络在识别 准确率方面所拥有的明显优势。
图7中(a)-(k)为Nt=4,Nr=4时使用Lightnet网络对各个信噪比内四种调制信号的识别 率,图8中(a)-(k)为Nt=2,Nr=4时使用Lightnet网络对各个信噪比内四种调制信号的识别 率,可以看出四种调制信号的识别率在相邻信噪比的某一种调制方式回出现回落现象,这与训 练网络模型的过程中损失函数是计算整个网络的总损失,并通过减少总损失的方式来提高模 型的准确率有关,这就造成了总体识别率随信噪比增大而升高,但是信噪比内可能会出现单 一调制方式准确率回落的现象,这种现象通常发生在低信噪比信号易混叠的情况下。
除上述的精准识别外,本发明设计的轻量级网络另一个特点是模型的轻量化。如表(2)是 针对五种模型的训练时间,测试时间,模型参数,模型运算量来进行对比。
表(2)四种分类器训练模型复杂度
如表(2)所示,Train time代表的是训练时长,Test time代表的是测试时长,P代表的是训 练模型参数大小,F代表的是训练过程单个样本的浮点运算数量。4/2代表的是Nr=4时发射 天线数量分别为4和2的两种情况。可以观察到训练时间和测试时间最长的是Resnet(10)网络, 模型参数占用内存模型运算量最大的也是Resnet(10)网络,但是经过对比发现Resnet(10)网络 拥有着相较其它现有网络最好的识别准确率。因此Lightnet网络也是以Resnet(10)网络中的残 差结构为基础,在保证准确识别的基础上降低并优化网络复杂度。仿真验证Lightnet在训练 时间,测试时间,模型参数,模型运算量四个方面都拥有着最好的表现,模型复杂度较 Resnet(10)网络下降了95.01%,较MobilenetV2下降了68.58%。相较于同类型CBAM注意力 模块取代结构在拥有更低模型复杂度的同时保持着明显的高识别精度。结合上文提到的识别 效果来看,本发明提出的轻量级网络较当前MIMO系统调制信号识别常见的分类方式有着显 著的优势。
本发明提出的轻量级神经网络识别MIMO系统信号的方法,计算简单、识别效果显著且 适应性强,非常适合工程实现,在非合作通信中为后续MIMO系统信号的参数估计和解调提 供丰富的先验条件。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员 来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等 同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于轻量级神经网络的MIMO信号调制识别方法,其特征在于,包括以下步骤:
步骤1:通过接收机获取MIMO系统产生的信号,得到基带信号;
所述MIMO系统涉及的信号集为{2PSK,4PSK,8PSK,16QAM};MIMO系统拥有Nt个发射天线和Nr个接收天线,Nt≤Nr;MIMO系统产生一个用于调制的随机序列,将调制信号功率归一化处理,长度为1×N的序列被重塑为信号调制序列,通过天线发射经过MIMO信道后被接收机接收,获取基带信号;
步骤2:将基带信号数据集划分为训练集和测试集;
步骤3:采用训练集训练轻量级神经网络;
所述轻量级神经网络包括输入层、1个降采样层、4个特征提取层、1个平均池化层、1个全连接分类层;
所述输入层要求输入单个样本规格为输入的单个样本经过降采样层处理,经过降采样层处理后单个样本规格为/>降采样处理后的单个样本信号输入至特征提取层,单个特征提取层中首先经过多维度权重卷积提取信号特征,通过不同大小的卷积核充分对采样点间的相互关系进行挖掘,提取多维度特征,再通过1×1卷积对提取的多维度特征映射到多通道并给出对应特征权重,此时多通道特征向量充分发挥出每一个子特征的效果;单样本第一层特征提取多维度权重卷积输出规格为/>第二层输出规格为/> 第三层输出规格为/>第四层输出规格为
多维度权重卷积对信号多维度特征提取后,输入ECA注意力模块;ECA注意力模块将特征的空间信息通过平均池化的方式压缩为[C,1,1],通过一维卷积的方式对通道维卷积获取该通道的K个近邻通道之间的交互信息;将交互信息与多维度权重卷积提取特征对应通道相乘获得具有K范围交互特性的输出特征;
将最后一层输出的带有通道注意力的交互性特征输入进平均池化层和全连接层进行特征分类,全连接层将每种分类的预测结果输出,并通过softmax函数获得预测概率,使用损失函数统计一次训练输出结果与标签的损失值;
步骤4:将测试集中单个基带信号样本输入至训练好的轻量级神经网络中,得到分类结果。
2.根据权利要求1所述的基于轻量级神经网络的MIMO信号调制识别方法,其特征在于:步骤1中所述MIMO系统的MIMO信道为平坦衰落且时不变信道,接收机接收时遵循奈奎斯特采样定律,载波没有发生频率偏移和相位偏移;在k时刻接收到的信号的向量表示为:
yk=Hxk+nk
其中,H代表的是MIMO信道,服从复高斯分布;yk=[yk(1),yk(2),yk(3),...,yk(Nr),]T代表的是接收端Nr×1维的符号码元向量;xk=[xk(1),xk(2),xk(3),...,xk(Nt),]T代表的是发射端应用信号集中的调制方式调制的Nt路信号。
3.根据权利要求1所述的基于轻量级神经网络的MIMO信号调制识别方法,其特征在于:步骤3中所述轻量级神经网络的ECA注意力模块的原理为:
设定组合特征x∈RC×W×H,C代表输入特征通道数,H和W分别代表宽度和高度,通道的注意力表示为:
λ=σ(C1Dk(x))
其中,λ代表通道权重;σ代表Sigmoid函数;C1Dk代表卷积核大小为K的一维快速卷积。
4.根据权利要求1所述的基于轻量级神经网络的MIMO信号调制识别方法,其特征在于:步骤3中所述轻量级神经网络的损失函数为:
将输出结果的交叉熵作为损失值进行统计,并以此为标准训练轻量级神经网络使其快速收敛;softmax函数将轻量级神经网络的输出转换为概率分布:
其中,Pni′为对第n个样本的预测;Pni为第n个样本属于i类的概率;
损失函数为:
其中,N代表样本数量;I代表全部分类类别;yni代表属于当前标签的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058165.5A CN115499278B (zh) | 2022-08-30 | 2022-08-30 | 基于轻量级神经网络的mimo信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058165.5A CN115499278B (zh) | 2022-08-30 | 2022-08-30 | 基于轻量级神经网络的mimo信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115499278A CN115499278A (zh) | 2022-12-20 |
CN115499278B true CN115499278B (zh) | 2024-06-04 |
Family
ID=84468615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211058165.5A Active CN115499278B (zh) | 2022-08-30 | 2022-08-30 | 基于轻量级神经网络的mimo信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115499278B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN114764577A (zh) * | 2022-04-29 | 2022-07-19 | 天津大学 | 一种基于深度神经网络的轻量级调制识别模型及其方法 |
CN114912486A (zh) * | 2022-05-10 | 2022-08-16 | 南京航空航天大学 | 一种基于轻量化网络的调制方式智能识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020188316A1 (en) * | 2019-03-15 | 2020-09-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Artificial neutral network precoding for massive mimo systems |
US11477060B2 (en) * | 2019-04-16 | 2022-10-18 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
-
2022
- 2022-08-30 CN CN202211058165.5A patent/CN115499278B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN114764577A (zh) * | 2022-04-29 | 2022-07-19 | 天津大学 | 一种基于深度神经网络的轻量级调制识别模型及其方法 |
CN114912486A (zh) * | 2022-05-10 | 2022-08-16 | 南京航空航天大学 | 一种基于轻量化网络的调制方式智能识别方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的通信信号调制识别研究;杨洁;夏卉;;计算机测量与控制;20200725(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115499278A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN100571098C (zh) | 通信系统中低复杂度的极大似然检测方法及装置 | |
CN109450573B (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN106130615A (zh) | 广义空间调制系统的激活天线与调制符号联合估计方法 | |
CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
CN100444543C (zh) | 用于多天线无线通信系统空域滤波检测方法 | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
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 | |
CN114142905B (zh) | 时变信道下基于牛顿迭代法的mimo检测算法的改进方法 | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
CN113114603B (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
CN115499278B (zh) | 基于轻量级神经网络的mimo信号调制识别方法 | |
CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
CN107017929B (zh) | Mimo系统信号发送和接收方法 | |
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 | |
Kim et al. | Automatic modulation classification using relation network with denoising autoencoder | |
CN111314255B (zh) | 一种低复杂度siso和mimo接收机生成方法 | |
CN107483376A (zh) | 一种用于mimo‑ofdm系统的信号检测方法 | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
Kumar et al. | 2D-FFT based modulation classification using deep convolution neural network |
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 |