CN115964631A - 一种基于机器学习的信号调制类型识别方法 - Google Patents
一种基于机器学习的信号调制类型识别方法 Download PDFInfo
- Publication number
- CN115964631A CN115964631A CN202211733306.9A CN202211733306A CN115964631A CN 115964631 A CN115964631 A CN 115964631A CN 202211733306 A CN202211733306 A CN 202211733306A CN 115964631 A CN115964631 A CN 115964631A
- Authority
- CN
- China
- Prior art keywords
- signal
- target
- characteristic parameters
- target signal
- wavelet
- 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
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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于机器学习的信号调制类型识别方法。本发明包括以下步骤,收集不同调制类型的预设信号;分别对每种预设信号进行特征参数提取,得到该预设信号下的预设特征参数;将不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,利用该训练集对决策树分类算法模型进行训练,并得到决策树网络;对目标信号进行特征参数提取,得到目标特征参数;利用所述决策树网络识别所述目标特征参数,得到该目标信号的调制类型。本发明通过借用决策树分类算法对目标信号的调制类型进行识别,能够快速且客观地对目标信号进行调制类型的识别。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于机器学习的信号调制类型识别方法。
背景技术
无线通信技术迅猛发展,通信环境日益复杂化,通信信号的调制样式日渐多样化,调制模式识别难度日益提高。在非协同通信中,如何高效准确识别发送端所发信号的调制方式,对后续信号的解调和处理至关重要。在目前的调制技术中,主要是通过训练有素的技术人员来对接信号的调制方式进行辨识,这种方式具有较强的主观性,且无法快速识别大量调制信号。
发明内容
本发明目的在于,针对通过技术人员来对信号的调制方式进行辨识,而造成结果具有较强主观性,以及无法快速识别大量调制信号的问题,提供一种基于机器学习的信号调制类型识别方法。
一种基于机器学习的信号调制类型识别方法,包括以下步骤,
收集不同调制类型的预设信号;分别对每种预设信号进行特征参数提取,得到该预设信号下的预设特征参数;将不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,利用该训练集对决策树分类算法模型进行训练,并得到决策树网络;
对目标信号进行特征参数提取,得到目标特征参数;利用决策树网络识别所述目标特征参数,得到该目标信号的调制类型。
进一步的,对每种预设信号进行维度转换,将能够区分不同调制类型的类型参数作为提取参数进行特征提取。
进一步的,所述目标特征参数的类型与每种预设特征参数的类型相应一致。
进一步的,利用小波熵特征提取法对目标信号进行特征参数提取,并得到所述目标特征参数。
进一步的,所述目标特征参数包括该目标信号的小波包能量熵、该目标信号的小波尺度熵和该目标信号的小波奇异熵。
进一步的,所述目标特征参数包括该目标信号的时域特征参数和该目标信号的频域特征参数。
进一步的,所述时域特征参数包括最大值、最小值、峰值、峰峰值、平均值、绝对平均值标准差峭度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、有效值、方根幅值和方差有偏。
进一步的,所述频域特征参数包括平均频率、重心频率频率均方根、频率标准差和频率矩偏度。
进一步的,利用小波熵特征提取法对目标信号进行特征参数提取,具体包括以下步骤,
确定小波包分解系数;目标信号经n层小波包分解后得到2n个子带信号,将分解的各个子带信号拓展为目标信号等长,以确定小波包分解系数;
确定小波尺度熵;根据所述小波分解系数确定该目标信号的小波尺度熵;
确定小波奇异谱熵;求取该目标信号的奇异值,通过该奇异值构造该目标信号的奇异值谱,并计算小波奇异谱熵。
进一步的,所述决策树分类算法模型包括精细树模型、中等树模型、粗略树模型和可优化树模型。
本发明的有益效果为:
在如何确定目标信号的调制类型时,本发明巧妙地将对目标信号调制类型的识别,转换为对目标信号进行分类。也即,先对不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,并利用该训练集对决策树分类算法模型进行训练,得到决策树网络;然后再利用决策树网络对目标信号的目标特征参数进行识别,并判断目标信号应该属于哪一个己知类,从而得出目标信号属于哪种调制类型。
决策树分类算法是一种类似树结构的流程图,在众多的分类规则提取算法中,决策树分类算法最为直接。决策树分类算法作为一种非参数算法,对训练样本分布没有特殊要求,因可以同时处理连续和离散数据、规则易于理解、分类速度快和精度高等优点。
所以,本发明通过借用决策树分类算法对目标信号的调制类型进行识别,能够快速且客观地对目标信号进行调制类型的识别。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
针对通过技术人员来对信号的调制方式进行辨识,而造成结果具有较强主观性,以及无法快速识别大量调制信号的问题,本实施例提供了一种基于机器学习的信号调制类型识别方法,能够快速且客观地对目标信号进行调制类型的识别。
本实施例包括以下步骤,
先收集不同调制类型的预设信号;分别对每种预设信号进行特征参数提取,得到该预设信号下的预设特征参数;将不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,利用该训练集对决策树分类算法模型进行训练,并得到决策树网络;。
再对目标信号进行特征参数提取,得到目标特征参数;利用所述决策树网络识别所述目标特征参数,得到该目标信号的调制类型。
在如何确定目标信号的调制类型时,本实施例巧妙地将对目标信号调制类型的识别,转换为对目标信号进行分类。也即,先对不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,并利用该训练集对决策树分类算法模型进行训练,得到决策树网络;然后再利用决策树网络对目标信号的目标特征参数进行识别,并判断目标信号应该属于哪一个己知类,从而得出目标信号属于哪种调制类型。
决策树分类算法是一种类似树结构的流程图,在众多的分类规则提取算法中,决策树分类算法最为直接。决策树分类算法作为一种非参数算法,对训练样本分布没有特殊要求,因可以同时处理连续和离散数据、规则易于理解、分类速度快和精度高等优点。
所以,本实施例通过借用决策树分类算法对目标信号的调制类型进行识别,能够快速且客观地对目标信号进行调制类型的识别。
在本实施例中,本实施例在对预设信号进行特征参数提取时,是对每种预设信号进行了维度转换,将能够区分不同调制类型的类型参数作为提取参数进行特征提取。并且,在本实施例中,目标特征参数的类型与每种预设特征参数的类型相应一致。
决策树分类算法分为两步:学习过程和分类过程。学习过程就是决策树的构造过程,而实际信号处理环境复杂多变,用于学习过程的训练样本无论是通过仿真模拟获取还是通过实际测试收集获取,往往与真实的量测数据背景不同。在分类过程中,如果不能准确提取到不同调制类型信号之间的重要区别,很容易导致分类的不准确、不可靠。因此需要提高对目标信号的识别率。
为了提高对目标信号的识别率,本实施例利用小波熵特征提取法对目标信号进行特征参数提取,并得到目标特征参数;目标特征参数包括该目标信号的小波包能量熵、该目标信号的小波尺度熵和该目标信号的小波奇异熵。
应当注意的是,在构建训练集时,对预设信号的提取时,预设特征参数也应当包括该预设信号的小波包能量熵、该预设信号的小波尺度熵和该预设信号的小波奇异熵。
由于小波熵充分结合了小波变换在处理不规则异常信号中的独特优势,以及小波熵充分结合了信息熵对信号复杂程度的统计特性,进而使得本实施例在利用小波熵特征提取法对目标信号进行特征参数提取后,能够通过多参数来对目标信号的调制类型进行表征,并使用分类效率高、结构简单的分类树来实现对目标信号调制类型的识别。
具体地,本实施例利用小波熵特征提取法对目标信号进行特征参数提取,包括以下步骤,
确定小波包分解系数;目标信号经n层小波包分解后得到2n个子带信号,每个子带信号长度是目标信号的倍,其实就是将目标信号化成2n段;每个子带信号的长度是相等的,且每个子带信号比目标信号短。而通过将分解的各个子带信号拓展为目标信号等长,可以确定小波包分解系数。
确定小波尺度熵;根据小波分解系数确定该目标信号的小波尺度熵。具体地,目标信号经3层小波分解后,得到8个子带信号。通过小波包分解系数重构,可以将分解的各个子带信号拓展为与目标信号一样长。而8个子带信号的小波熵,也即8个子带的小波尺度熵,在各尺度上求的是shannon熵;也即,8个子带信号的小波熵在各尺度上求的是小波尺度熵或小波特征尺度熵。
确定小波奇异谱熵;求取该目标信号的奇异值,通过该奇异值构造该目标信号的奇异值谱,并计算小波奇异谱熵。
为了进一步增强对目标信号调制类型的识别能力,本实施例中的目标特征参数还包括该目标信号的时域特征参数。具体地,时域特征参数包括最大值、最小值、峰值、峰峰值、平均值、绝对平均值标准差峭度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、有效值、方根幅值和方差有偏等参数。
进一步的,为了再增强对目标信号调制类型的识别能力,本实施例中的目标特征参数还包括该目标信号的频域特征参数。具体地,频域特征参数包括平均频率、重心频率频率均方根、频率标准差和频率矩偏度等参数。
在本实施例中,决策树分类算法模型可以采用精细树模型、中等树模型、粗略树模型和可优化树模型等。
总的来说,在如何确定目标信号的调制类型时,本实施例将对目标信号调制类型的识别,转换为对目标信号进行分类。也即,先对不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,并利用该训练集对决策树分类算法模型进行训练,得到决策树网络;然后再利用决策树网络对目标信号的目标特征参数进行识别,并判断目标信号应该属于哪一个己知类,从而得出目标信号属于哪种调制类型。同时,在对目标信号进行分类时,本实施例利用小波熵能够充分结合小波变换在处理不规则异常信号中的独特优势,以及利用小波熵能够充分结合信息熵对信号复杂程度的统计特性,以使得本实施例能够使用分类效率高、结构简单的分类树来实现对目标信号调制类型的分类识别。也即,本实施例是结合决策树分类算法和小波熵理论对目标信号进行分类,以能够确定该目标信号的调制类型。
并且,为了增强对目标信号调制类型的识别能力,本实施例对目标信号进行了时域参数的提取、频域参数的提取和小波域特征参数的提取。其中,小波域特征参数的提取包括该目标信号的小波包能量熵、该目标信号的小波尺度熵和该目标信号的小波奇异熵。时域参数的提取包括最大值、最小值、峰值、峰峰值、平均值、绝对平均值标准差峭度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、有效值、方根幅值和方差有偏。频域参数的提取包括平均频率、重心频率频率均方根、频率标准差和频率矩偏度。
以上所述仅为本发明较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的信号调制类型识别方法,其特征在于:包括以下步骤,
收集不同调制类型的预设信号;分别对每种预设信号进行特征参数提取,得到该预设信号下的预设特征参数;将不同预设信号及不同预设信号所对应的预设特征参数组建成训练集,利用该训练集对决策树分类算法模型进行训练,并得到决策树网络;
对目标信号进行特征参数提取,得到目标特征参数;利用所述决策树网络识别所述目标特征参数,得到该目标信号的调制类型。
2.如权利要求1所述基于机器学习的信号调制类型识别方法,其特征在于:对每种预设信号进行维度转换,将能够区分不同调制类型的类型参数作为提取参数进行特征提取。
3.如权利要求2所述基于机器学习的信号调制类型识别方法,其特征在于:所述目标特征参数的类型与每种预设特征参数的类型相应一致。
4.如权利要求3所述基于机器学习的信号调制类型识别方法,其特征在于:利用小波熵特征提取法对目标信号进行特征参数提取,并得到所述目标特征参数。
5.如权利要求4所述基于机器学习的信号调制类型识别方法,其特征在于:所述目标特征参数包括该目标信号的小波包能量熵、该目标信号的小波尺度熵和该目标信号的小波奇异熵。
6.如权利要求3所述基于机器学习的信号调制类型识别方法,其特征在于:所述目标特征参数包括该目标信号的时域特征参数和该目标信号的频域特征参数。
7.如权利要求6所述基于机器学习的信号调制类型识别方法,其特征在于:所述时域特征参数包括最大值、最小值、峰值、峰峰值、平均值、绝对平均值标准差峭度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、有效值、方根幅值和方差有偏。
8.如权利要求6所述基于机器学习的信号调制类型识别方法,其特征在于:所述频域特征参数包括平均频率、重心频率频率均方根、频率标准差和频率矩偏度。
9.如权利要求4-8中任一所述基于机器学习的信号调制类型识别方法,其特征在于:利用小波熵特征提取法对目标信号进行特征参数提取,具体包括以下步骤,
确定小波包分解系数;目标信号经n层小波包分解后得到2n个子带信号,将分解的各个子带信号拓展为目标信号等长,以确定小波包分解系数;
确定小波尺度熵;根据所述小波分解系数确定该目标信号的小波尺度熵;
确定小波奇异谱熵;求取该目标信号的奇异值,通过该奇异值构造该目标信号的奇异值谱,并计算小波奇异谱熵。
10.如权利要求1-8中任一所述基于机器学习的信号调制类型识别方法,其特征在于:所述决策树分类算法模型包括精细树模型、中等树模型、粗略树模型和可优化树模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211733306.9A CN115964631A (zh) | 2022-12-30 | 2022-12-30 | 一种基于机器学习的信号调制类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211733306.9A CN115964631A (zh) | 2022-12-30 | 2022-12-30 | 一种基于机器学习的信号调制类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964631A true CN115964631A (zh) | 2023-04-14 |
Family
ID=87357574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211733306.9A Pending CN115964631A (zh) | 2022-12-30 | 2022-12-30 | 一种基于机器学习的信号调制类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964631A (zh) |
Cited By (1)
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 |
-
2022
- 2022-12-30 CN CN202211733306.9A patent/CN115964631A/zh active Pending
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN107154088B (zh) | 基于信道状态信息的活动人员数量估计方法 | |
CN109171707A (zh) | 一种智能心电图分类方法 | |
CN108985632A (zh) | 一种基于孤立森林算法的用电数据异常检测模型 | |
CN109015111A (zh) | 一种基于信息融合及支持向量机的刀具状态在线监测方法 | |
CN103220055B (zh) | 无线发射机信号的多重分形梯度特征指纹识别方法 | |
CN106529478A (zh) | 一种联合三维熵特征的雷达辐射源信号识别方法 | |
CN115964631A (zh) | 一种基于机器学习的信号调制类型识别方法 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
WO2020220416A1 (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN102437984A (zh) | 低信噪比下基于复杂度特征的调制信号识别方法 | |
WO2021103206A1 (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN101515454A (zh) | 一组用于语音、音乐、噪音自动分类的信号特征提取方法 | |
CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN107908642A (zh) | 基于分布式平台的行业文本实体提取方法 | |
CN108268837A (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
CN106911603A (zh) | 一种宽带监测模式下模拟信号调制类型实时识别方法 | |
CN113466634A (zh) | 一种基于故障指示器的接地故障波形识别方法 | |
CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
CN116257752A (zh) | 一种信号调制样式识别方法 | |
CN109450876B (zh) | 一种基于多维度状态转移矩阵特征的DDos识别方法和系统 | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
CN112383488B (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN111540381A (zh) | 一种基于随机森林的话音模拟调制特征识别方法 |
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 |