CN115913850B - 一种基于残差网络的开集调制识别方法 - Google Patents
一种基于残差网络的开集调制识别方法 Download PDFInfo
- Publication number
- CN115913850B CN115913850B CN202211457998.9A CN202211457998A CN115913850B CN 115913850 B CN115913850 B CN 115913850B CN 202211457998 A CN202211457998 A CN 202211457998A CN 115913850 B CN115913850 B CN 115913850B
- Authority
- CN
- China
- Prior art keywords
- modulation
- group
- baseband signal
- deep learning
- learning model
- 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 56
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101150024075 Mapk1 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种基于残差网络的开集调制识别方法,涉及信号识别技术领域,包括:首先获取各种调制的基带信号样本,对基带信号样本所属调制类型进行标注,并根据调制特性对待分类调制样式进行分群;再对基带信号样本进行预处理和重编码,形成数据集,并将数据集分为训练集和测试集;然后针对调制识别任务,建立基于残差网络的深度学习模型;再根据训练集对深度学习模型进行监督训练;最后将测试集输入训练好的深度学习模型,进行调制信号的分类;本发明,易于训练、收敛速度较快,识别种类多,速度快,准确率高,对信噪比要求低,且能够开集识别。
Description
技术领域
本发明涉及信号识别技术领域,具体涉及一种基于残差网络的开集调制识别方法。
背景技术
本节中的陈述仅提供与本公开相关的背景信息,并且可能不构成现有技术。
在无线电通信中,通常利用电磁波作为信息的载体;基带信号由于频率、带宽以及在信道中传输损耗大、易受干扰等原因,不适合直接用天线发射,所以使用高频信号作为载波,将各种基带信号转换成适于信道传输的调制信号;在没有先验信息或者先验信息有限的非协作通信下,接收端的首要任务是掌握信号的调制方式和调制参数,即调制识别;调制识别作为解调及体制识别前的关键步骤,为后端信号的进一步分析和情报挖掘打下了必要基础;调制方式可以分为两大类,即模拟调制和数字调制;常见的模拟调制有调幅调制、调频调制以及相位调制等等;常见的数字调制则包括多进制相移键控、多进制频移键控、多进制相移键控、以及他们的组合形式,例如正交振幅调制(MQAM)、多进制振幅相位调制(MAPSK)等;近年来,通信技术发展迅速,一些复杂的信号体制和调制方式便涌现出来,这给调制识别技术提出了更高的要求,需要形式简单、易于实现以及低信噪比下的通信信号调制识别方法。
最早的调制识别采用的是专业人员和专用设备相结合的方式,通过很多具有不同调制方式的解调器,将接收到的高频信号转变为中频之后,将其输入到各解调器进而得到可以进行观察或者是收听的信号,操作人员根据综合信息对信号进行分析最终确定调制方式。这种人工识别通常对操作人员的要求比较高,只能将持续时间较长、ASK以及FSK信号成功的识别出来,可识别的调制类型有一定局限性,且存在很大程度主观性,无法保证识别结果的准确性。且随着无线通信技术,特别是数字通信技术的飞速发展,调制技术变得越来越复杂,种类也越来越多,并且信号在调制之前一般都进行了加密和信源、信道编码的处理,传统的人工调制识别方法就有点无能为力,自动调制识别算法应运而生,现有的经典自动调制识别算法大致可以分为两类:基于似然估计(Likelihood-based,LB)和基于特征(Feature-based,FB)的方法。基于似然比的调制识别算法,采用概率论和假设检验方法来解决信号分类,计算目标信号的似然函数并与所设定的门限进行逐一比较,判决规则简单,但实际应用中信号模型随机变量的概率分布等先验知识通常无法确知,精度严重依赖门限,且计算复杂度高,有的场景下仅存在理论上的计算可能。基于信号特征的调制识别算法,通常根据信号的物理特性及统计特性设计提取信号特征,比如:瞬时振幅、相位和频率信息;矩、累积量、循环累积量等统计特征;小波变换等,再进一步对提取的信号特征设计层次分类器,其识别性能收所选特征限制,当待分类信号种类多、信号本身复杂、信噪比低时,信号特征的设计难度大,调制识别性能较差。
调制识别技术在军用和民用领域都有着广泛的应用,如电子对抗、通信侦察与干扰等场景下,可以获取敌方信号参数等重要情报,用于截获敌方信号进行破译,从而更好地应对敌方的袭击和干扰,确保保持正常的通信和干扰敌方通信。而传统的调制识别方法,存在依赖先验概率分布、计算复杂度高、对信噪比要求较高等缺陷。一个理想的调制识别分类器需要以下条件:尽可能多地识别调制类型,尽量少的依赖预处理过程,能够在较短的观察间隔内和较低的信噪比条件下识别出正确的调制方式。对于非理想的条件有足够的稳健性,由于通信信道可能是不可预知的,尤其是在无线信道中,调制识别器需要在各种信道条件下具有较高的识别准确度。
近年来,随着深度学习在计算机视觉和自然语言处理等方面的广泛应用,为了解决传统基于似然估计和基于特征调制识别算法的局限性,不同的基于深度学习算法被引入到调制识别器中。深度学习借鉴人脑神经元的多分层结构、连接交互、分布式稀疏存储和表征以及信息的逐层分析处理机制,通过学习数据中的内在特征及隐含信息,获得新的经验性知识,最终做出决策或判断。实际应用中,深度学习通过设置约束,进行前向计算及反向传播,调整参数,提取最优特征,以达到预测的目的。在模型训练中有梯度消失、过拟合、收敛速度慢、训练时间长等问题。在调整参数过程,若选择的学习率太大,则网络可能越过最优解进而开始发散而不收敛,若学习率太小,网络将需要更多时间来收敛,且很容易陷入局部最小值,影响输出结果。所以在训练过程中需要合理选择模型、约束函数、学习率变化分配等,以获得收敛过程和输出效果的平衡。现有的基于深度学习解决调制识别的方法仍存在一些缺点,一是输入特征复杂,不利于实时实现,多数方法参考图像处理,尝试将信号进行预处理,以星座图、矢量图等图像形式作为输入,但由于预处理复杂且耗时较久,实际情况不易快速实现;二是可识别的调制类型集合十分有限,多种调制的同时识别会使得分类策略非常复杂且效果受制于先验知识和环境干扰,而随着通信技术的迅速发展,实际环境中出现的调制类型集合已较为庞大,对多种调制的同时识别变得更为迫切;三是大多方法仍无法实现开集识别,面对如今越来越多的复杂未知的信号体制和调制方式,以及有限的待识别集合,无法对未知类的识别会对实际应用造成不利影响。现有深度学习方法的解决方案仍有较大改善空间。
发明内容
本发明的目的在于:针对目前在传统方法下调制类型识别准确率不高、识别类型少、无法开集识别的问题,提供了一种基于残差网络的开集调制识别方法,易于训练、收敛速度较快,预处理简单、识别种类多、可开集识别、准确率较高,具有较强稳健性的基于残差网络的开集调制识别方法,从而解决了上述问题。
本发明的技术方案如下:
一种基于残差网络的开集调制识别方法,包括:
步骤S1:获取各种调制的基带信号样本,对基带信号样本所属调制类型进行标注,并根据调制特性对待分类调制样式进行分群;
步骤S2:对基带信号样本进行预处理和重编码,形成数据集,并将数据集分为训练集和测试集;
步骤S3:针对调制识别任务,建立基于残差网络的深度学习模型;
步骤S4:根据训练集对深度学习模型进行监督训练;
步骤S5:将测试集输入训练好的深度学习模型,进行调制信号的分类。
进一步地,所述步骤S1,包括:
根据调制特性将待分类调制样式分为模拟调制群、ASK群、FSK群、PSK群、APSK群、QAM群共6个群,每个群中包含一类others。
进一步地,所述步骤S2,包括:
对基带信号样本进行类one-hot重编码,对于不属于某群的所有基带信号样本,其编码信息在该群中的others设置为1;
对基带信号样本进行预处理,提取信号时域特征,生成I路、Q路、瞬时幅度、瞬时相位、瞬时频率共5路数据,形成数据集;按照预设比例划分为训练集和测试集。
进一步地,所述残差网络由1个卷积层、4个残差层、平均池化层和全连接层组成;其中后3个残差层进行了降采样处理,每个卷积层后都连接BN层和RELU层,进行批归一化和引入非线性。
进一步地,所述基于残差网络的深度学习模型,包括:
将残差网络的输出结果分群进行softmax计算每个群中元素指数和的比值;
将输出的神经元映射到0-1之间的实数,并且归一化保证和为1,使得多分类的概率之和为1;
对每个群中others对应的输出进行大量统计分析,形成对于分布外数据的最终评分值,利用所述最终评分值作为预设门限,设置判别函数SOOD(x),进行分布内、外样本的识别;
如果在所有群中others输出的最小值都比预设门限大,则判断这个基带信号样本为分布外样本,即未知类;
对于分布内的样本,找到各群内除others类别外最大的类别,再将各群之间的最大值进行比较,找到置信度最大的类别,作为最终输出的识别结果。
进一步地,softmax采用如下公式计算每个群中元素指数和的比值:
其中:和/>分别表示在第k个群/>中的输出log和softmax概率。
进一步地,所述步骤S4,还包括:
以基带信号样本在各群中的交叉熵之和作为训练所述深度学习模型分类部分的损失函数,并加入L2正则化惩罚防止过拟合;
设深度学习模型的损失函数是L0,则加上相关的正则化项,得到新的损失函数L′为:
其中:α为正则化系数;
代价函数的计算公式如下:
其中:N为样本数,K为群数,和/>分别表示样本在第k个群中的真实结果和预测结果。
进一步地,所述判别函数SOOD(x)如下:
其中:为第k个群中others的输出;
采用最小值进行比较,即如果在所有群中others输出的最小值都比预设门限大,则说明这个基带信号样本更倾向于others。
进一步地,对于分布内的样本识别,根据深度学习模型的输出,分群给出每个群的预测结果:
其中:是指排除了others类别的群,即找到所有群内除others类别外,置信度最大的类别,作为最终输出的识别结果。
进一步地,所述深度学习模型在每一个小批量梯度下降训练时,运用反向传播,使用随机梯度下降优化器更新卷积核权值,学习率采用warm up和余弦衰减策略。
与现有的技术相比本发明的有益效果是:
1、一种基于残差网络的开集调制识别方法,以信号I路、Q路、瞬时幅度、瞬时相位、瞬时频率共5路数据共同作为网络输入,预处理过程操作不复杂,且有效提取了信号时域特性;监督训练过程中,利用Softmax函数将各群输入映射为0-1之间的实数,并且归一化保证和为1,利用交叉熵损失函数计算其与真实标签的损失,并在损失函数加入了正则化项,对权重进行约束,防止过拟合,增强泛化性;通过仿真实验和实测数据计算结果证明了本发明的有效性,相比于传统调制识别方法,特别是对于低信噪比数据,准确率更高。
2、一种基于残差网络的开集调制识别方法,将待识别调制类型按特征分群,每个群中增加一类others,进行类one-hot编码,每个群中的others与群内其他已知类共同作为残差网络输出;网络输出结果分群进行softmax,然后对每个群中的others进行统计分析,形成对于分布外数据的最终评分值,利用此值作为门限,设置判别函数,进行分布内、外样本的识别;对于不属于群内的所有样本其编码信息在该群中的others都为1,即每个已知类样本对于其他群都是分布外的未知类,使得即使训练样本中没有未知类,模型也具备对未知类识别的能力;面对存在大量已知调制类别的情况下进行分布外的检测,其他方法需针对复杂边界进行决策,而本发明仅进行该类是否属于该群的群层次的分布外检测,决策边界随之简化,更易于训练和生成稳定、高性能的神经网络模型。
3、一种基于残差网络的开集调制识别方法,将待识别调制类型按特征分群,将网络输出结果进行分群softmax,对于分布内的样本,找到每个群内除others类别外,置信度最大的类别,再将各群的最大值进行群间比较,找出各群中的最大值作为最终识别结果;相比于常规识别方法在识别种类较多时复杂的特征提取和分类策略,本发明通过分群减化了分类复杂度,且对于新增的待识别调制样式,只需增加至原有群内或建立新群,更改线性连接层,而网络主体结构不需改变,可以更好地适应多种类型调制。
4、一种基于残差网络的开集调制识别方法,建立基于残差网络的深度学习模型,解决网络层数较深的情况下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程;网络输入为信号I路、Q路、瞬时幅度、瞬时相位、瞬时频率,可有效提取信号时域特性,一定程度上降低了对网络提取特征的要求,简化了网络的复杂度,更易于训练;模型优化过程中使用了warm up和余弦衰减策略调整学习率,在训练开始阶段使用小学习率逐渐过渡到初始学习率,防止过大的初始学习率导致训练初期的不稳定,在达到初始学习率后学习率缓慢下降,在中间阶段几乎是线性下降,在后期又很慢,与传统学习率线性下降相比,在学习率变为初始学习率的1/10之前,一直比较大,可以加快收敛速度、提高训练过程;在保证准确率的前提下有效优化网络模型、训练过程,收敛速度较快,训练时间大大缩短;为调制识别技术落地提供更优的解决方案。
附图说明
图1为一种基于残差网络的开集调制识别方法的流程图;
图2为残差网络模型结构示意图;
图3为分群识别示意图。
具体实施方式
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
请参阅图1-3,一种基于残差网络的开集调制识别方法,包括:
步骤S1:获取各种调制的基带信号样本,对基带信号样本所属调制类型进行标注,并根据调制特性对待分类调制样式进行分群;优选地,可根据仿真生成及设备采集收集各调制的基带信号样本;
步骤S2:对基带信号样本进行预处理和重编码,形成数据集,并将数据集分为训练集和测试集;
步骤S3:针对调制识别任务,建立基于残差网络的深度学习模型;所述残差网络不直接通过每个堆叠的卷积网络来学习理想的潜在映射,而是通过网络去学习理想的残差映射;深度学习模型针对调制识别任务,利用残差网络作为主要网络模型组件以提取输入数据特征,防止由于网络层数多而导致的梯度消失,更好地完成训练并预测目标信号分类结果;
步骤S4:根据训练集对深度学习模型进行监督训练;优选地,深度学习模型训练时,将已知调制类型按调制特征分为6个群,并将标签按分群情况进行类One-Hot重编码,重编码时每个群内都设有未知类others,不属于该群的所有样本其编码信息在此群中的others应为1,即每个样本标签不止有1个1,具体分群情况为:
Group1:CW、AM-DSB、AM-SSB、FM、OTHER1;
Group2:2ASK、4ASK、8ASK、OTHER2;
Group3:2FSK、4FSK、8FSK、MSK、OTHER3;
Group4:BPSK、QPSK、OQPSK、1PI4DQPSK、8PSK、16PSK、OTHER4;
Group5:16APSK、32APSK、64APSK、OTHER5;
Group6:16QAM、32QAM、64QAM、128QAM、256QAM、OTHER6;
步骤S5:将测试集输入训练好的深度学习模型,进行调制信号的分类。
在本实施例中,具体的,所述步骤S1,包括:
根据调制特性将待分类调制样式分为模拟调制群、ASK群、FSK群、PSK群、APSK群、QAM群共6个群,每个群中包含一类others。
在本实施例中,具体的,所述步骤S2,包括:
对基带信号样本进行类one-hot重编码,对于不属于某群的所有基带信号样本,其编码信息在该群中的others设置为1;
对基带信号样本进行预处理,提取信号时域特征,生成I路、Q路、瞬时幅度、瞬时相位、瞬时频率共5路数据,形成数据集;按照预设比例划分为训练集和测试集;优选地,按照9:1的比例将数据集分为训练集和测试集;将基带信号样本中的信号s(t)用下式表示:
其中:t为时间,a(t)、ωc(t)、分别为信号的幅度、频率、相位;
在t时刻下,信号的I路为real(s(t)),Q路为imag(s(t)),瞬时幅度为a(t),瞬时相位为将瞬时相位对时间进行求导即可得到信号的瞬时频率f(t)。
在本实施例中,具体的,如图2所示,所述残差网络由1个卷积层、4个残差层、平均池化层和全连接层组成;其中后3个残差层进行了降采样处理,每个卷积层后都连接BN层和RELU层,进行批归一化和引入非线性;
残差网络采用18层神经网络进行特征提取,用表示由两层神经网络依次连接作为一个残差网络块,并连续叠加2个,其中,[64,3]表示输出64通道卷积核为3的一维卷积神经网络。
设计参数表如下所示:
表1残差网络设计参数
在本实施例中,具体的,所述基于残差网络的深度学习模型,包括:
将残差网络的输出结果分群进行softmax计算每个群中元素指数和的比值;
将输出的神经元映射到0-1之间的实数,并且归一化保证和为1,使得多分类的概率之和为1;
对每个群中others对应的输出进行大量统计分析,形成对于分布外数据的最终评分值,利用所述最终评分值作为预设门限,设置判别函数SOOD(x),进行分布内、外样本的识别;
如果在所有群中others输出的最小值都比预设门限大,则判断这个基带信号样本为分布外样本;
对于分布内的样本,找到各群内除others类别外最大的类别,再将各群之间的最大值进行比较,找到置信度最大的类别,作为最终输出的识别结果;需要说明的是:分布内指任务中已知的25种类别,分布外指任务中的未知类别;
在本实施例中,具体的,softmax采用如下公式计算每个群中元素指数和的比值:
其中:和/>分别表示在第k个群/>中的输出log和softmax概率。
在本实施例中,具体的,所述步骤S4,还包括:
以基带信号样本在各群中的交叉熵之和作为训练所述深度学习模型分类部分的损失函数,并加入L2正则化惩罚防止过拟合;即在优化过程中引入了跟权重相关的项,防止网络过拟合,增加模型泛化性;
设深度学习模型的损失函数是L0,则加上相关的正则化项,得到新的损失函数L′为:
其中:α为正则化系数;
代价函数的计算公式如下:
其中:N为样本数,K为群数,和/>分别表示样本在第k个群中的真实结果和预测结果。
在本实施例中,具体的,所述判别函数SOOD(x)如下:
其中:为第k个群中others的输出;
采用最小值进行比较,即如果在所有群中others输出的最小值都比预设门限大,则说明这个基带信号样本更倾向于others。
在本实施例中,具体的,对于分布内的样本识别,根据深度学习模型的输出,分群给出每个群的预测结果:
其中:是指排除了others类别的群,即找到所有群内除others类别外,置信度最大的类别,作为最终输出的识别结果。
在本实施例中,具体的,所述深度学习模型在每一个小批量梯度下降训练时,运用反向传播,使用随机梯度下降优化器更新卷积核权值,学习率采用warm up和余弦衰减策略;即前m个小批量训练时学习率从0线性增加到初始学习率,达到初始学习率后开始缓慢下降,在中间阶段几乎是线性下降,在后期又很慢,以此潜在提高训练过程;
优选地,假设前m个小批量训练(batch)做warm up,初始学习率是lr0,在第i个batch,学习率是lri=i×lr0/m;当达到初始学习率lr0后,经过cosine函数减小到0,假设有n个batch,则在第j个batch的学习率为
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
提供本背景技术部分是为了大体上呈现本发明的上下文,当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面,既非明示地也非暗示地被承认是本发明的现有技术。
Claims (5)
1.一种基于残差网络的开集调制识别方法,其特征在于,包括:
步骤S1:获取各种调制的基带信号样本,对基带信号样本所属调制类型进行标注,并根据调制特性对待分类调制样式进行分群;
步骤S2:对基带信号样本进行预处理和重编码,形成数据集,并将数据集分为训练集和测试集;
步骤S3:针对调制识别任务,建立基于残差网络的深度学习模型;
步骤S4:根据训练集对深度学习模型进行监督训练;
步骤S5:将测试集输入训练好的深度学习模型,进行调制信号的分类;
所述步骤S1,包括:
根据调制特性将待分类调制样式分为模拟调制群、ASK群、FSK群、PSK群、APSK群、QAM群共6个群,每个群中包含一类others;
所述基于残差网络的深度学习模型,包括:
将残差网络的输出结果分群进行softmax计算每个群中元素指数和的比值;
将输出的神经元映射到0-1之间的实数,并且归一化保证和为1,使得多分类的概率之和为1;
对每个群中others对应的输出进行大量统计分析,形成对于分布外数据的最终评分值,利用所述最终评分值作为预设门限,设置判别函数SOOD(x),进行分布内、外样本的识别;
如果在所有群中others输出的最小值都比预设门限大,则判断这个基带信号样本为分布外样本;
对于分布内的样本,找到各群内除others类别外最大的类别,再将各群之间的最大值进行比较,找到置信度最大的类别,作为最终输出的识别结果;
softmax采用如下公式计算每个群中元素指数和的比值:
其中:和/>分别表示在第k个群/>中的输出log和softmax概率;
所述判别函数SOOD(x)如下:
其中:为第k个群中others的输出;
采用最小值进行比较,即如果在所有群中others输出的最小值都比预设门限大,则说明这个基带信号样本更倾向于others;
所述步骤S4,还包括:
以基带信号样本在各群中的交叉熵之和作为训练所述深度学习模型分类部分的损失函数,并加入L2正则化惩罚防止过拟合;
设深度学习模型的损失函数是L0,则加上相关的正则化项,得到新的损失函数L′为:
其中:α为正则化系数;
代价函数的计算公式如下:
其中:N为样本数,K为群数,和/>分别表示样本在第k个群中的真实结果和预测结果。
2.根据权利要求1所述的一种基于残差网络的开集调制识别方法,其特征在于,所述步骤S2,包括:
对基带信号样本进行类one-hot重编码,对于不属于某群的所有基带信号样本,其编码信息在该群中的others设置为1;
对基带信号样本进行预处理,提取信号时域特征,生成I路、Q路、瞬时幅度、瞬时相位、瞬时频率共5路数据,形成数据集;按照预设比例划分为训练集和测试集。
3.根据权利要求2所述的一种基于残差网络的开集调制识别方法,其特征在于,所述残差网络由1个卷积层、4个残差层、平均池化层和全连接层组成;其中后3个残差层进行了降采样处理,每个卷积层后都连接BN层和RELU层,进行批归一化和引入非线性。
4.根据权利要求1所述的一种基于残差网络的开集调制识别方法,其特征在于,对于分布内的样本识别,根据深度学习模型的输出,分群给出每个群的预测结果:
其中:是指排除了others类别的群,即找到所有群内除others类别外,置信度最大的类别,作为最终输出的识别结果。
5.根据权利要求1所述的一种基于残差网络的开集调制识别方法,其特征在于,所述深度学习模型在每一个小批量梯度下降训练时,运用反向传播,使用随机梯度下降优化器更新卷积核权值,学习率采用warm up和余弦衰减策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211457998.9A CN115913850B (zh) | 2022-11-18 | 2022-11-18 | 一种基于残差网络的开集调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211457998.9A CN115913850B (zh) | 2022-11-18 | 2022-11-18 | 一种基于残差网络的开集调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115913850A CN115913850A (zh) | 2023-04-04 |
CN115913850B true CN115913850B (zh) | 2024-04-05 |
Family
ID=86479144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211457998.9A Active CN115913850B (zh) | 2022-11-18 | 2022-11-18 | 一种基于残差网络的开集调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913850B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播系统的抗混叠调制解调器 |
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
CN111695417A (zh) * | 2020-04-30 | 2020-09-22 | 中国人民解放军空军工程大学 | 一种信号调制样式识别方法 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN114004250A (zh) * | 2021-09-13 | 2022-02-01 | 西安电子科技大学 | 一种深度神经网络调制信号开集识别方法及系统 |
CN114567528A (zh) * | 2022-01-26 | 2022-05-31 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的通信信号调制方式开集识别方法及系统 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN115001916A (zh) * | 2022-06-06 | 2022-09-02 | 北京理工大学 | 一种基于深度学习及盲识别的mcs识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11610111B2 (en) * | 2018-10-03 | 2023-03-21 | Northeastern University | Real-time cognitive wireless networking through deep learning in transmission and reception communication paths |
-
2022
- 2022-11-18 CN CN202211457998.9A patent/CN115913850B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播系统的抗混叠调制解调器 |
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
WO2021077841A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
CN111695417A (zh) * | 2020-04-30 | 2020-09-22 | 中国人民解放军空军工程大学 | 一种信号调制样式识别方法 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN114004250A (zh) * | 2021-09-13 | 2022-02-01 | 西安电子科技大学 | 一种深度神经网络调制信号开集识别方法及系统 |
CN114567528A (zh) * | 2022-01-26 | 2022-05-31 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的通信信号调制方式开集识别方法及系统 |
CN115001916A (zh) * | 2022-06-06 | 2022-09-02 | 北京理工大学 | 一种基于深度学习及盲识别的mcs识别方法 |
Non-Patent Citations (4)
Title |
---|
AUTOMATIC RECOGNITION OF BOTH INTER AND INTRA CLASSES OF DIGITAL MODULATED SIGNALS USING ARTIFICIAL NEURAL NETWORK;JD UISPPOA;Journal of Engineering Science and Technology;20141231;全文 * |
Yu Xu ; Dezhi Li ; Zhenyong Wang ; Qing Guo ; Wei Xiang.A deep learning method based on convolutional neural network for automatic modulation classification of wireless signals.Wireless Networks.2018,全文. * |
一种优化的卷积神经网络调制识别算法;陈雪;姚彦鑫;电讯技术;20191231;第59卷(第005期);全文 * |
基于生成对抗网络的信号调制方式的开集识别;郝云飞;刘章孟;郭福成;张敏;系统工程与电子技术;20191231(第011期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115913850A (zh) | 2023-04-04 |
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 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN109657604B (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 | |
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN102710572B (zh) | 一种通信信号的特征提取与调制识别方法 | |
Zhang et al. | A data preprocessing method for automatic modulation classification based on CNN | |
CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN111444805B (zh) | 一种基于改进的多尺度小波熵数字信号调制识别方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN112039820A (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
Lin et al. | A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network | |
CN114567528A (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
Park et al. | Learning how to demodulate from few pilots via meta-learning | |
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 | |
Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
Zhang et al. | Training images generation for CNN based automatic modulation classification | |
CN112347844A (zh) | 一种基于lid的信号对抗样本检测器设计方法 | |
Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
CN113076925B (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 |
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 |