CN116257752A - 一种信号调制样式识别方法 - Google Patents
一种信号调制样式识别方法 Download PDFInfo
- Publication number
- CN116257752A CN116257752A CN202310248671.9A CN202310248671A CN116257752A CN 116257752 A CN116257752 A CN 116257752A CN 202310248671 A CN202310248671 A CN 202310248671A CN 116257752 A CN116257752 A CN 116257752A
- Authority
- CN
- China
- Prior art keywords
- signal
- features
- recognition
- representing
- zero
- 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
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 48
- 125000004122 cyclic group Chemical group 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000001052 transient effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004091 panning Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000003909 pattern recognition Methods 0.000 abstract description 6
- 230000001186 cumulative effect Effects 0.000 description 22
- 230000010363 phase shift Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种信号调制样式识别方法,属于信号处理技术领域。针对现有技术中存在的信号自动调制样式识别技术识别效率较低、识别精度不高等问题,本发明提供了一种信号调制样式识别方法,通过提取样本信号的瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征,构造样本信号特征数据训练矩阵,选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型,计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型。由此本发明通过提取样本信号多域特征,建立特征集与调制样式集互相适配的识别模型,从而提高信号识别效率和识别精度。
Description
技术领域
本发明涉及信号处理技术领域,更具体地说,涉及一种信号调制样式识别方法。
背景技术
通信信号的自动调制样式识别技术是信号解调前的关键步骤,也是通信对抗领域的重要技术之一。当前,自动调制样式识别包括基于最大似然法的统计模式决策理论识别和基于信号特征提取的神经网络识别方法。其中,基于最大似然法的统计模式决策理论识别是针对特殊环境设置的,环境的微小偏差都会使识别准确率下降。而基于信号特征提取的神经网络识别方法可被提取的信号特征在卷积域数量相当可观,基于信号分析的特征包括瞬时特征、小波变换域特征、高阶累积量特征以及循环谱域特征等。
瞬时特征零中心归一化瞬时幅度之谱密度最大值能够很好的区分恒包络信号和非恒包络信号,但是对噪声敏感。小波变换域特征可以提取信号的细节特征,对噪声也不敏感,但是小波分解尺度较难把握,计算复杂度较高。高阶累积量特征对噪声有抑制能力,有很好的鲁棒性,但是需要较长符号的数据进行统计计算,对多进制频移键控(MFSK)的识别能力也欠缺。循环谱域特征能够提取丰富的信号特征,且对噪声不敏感,但是计算量大。
由此可知,基于信号特征提取的神经网络识别方法计算简单、无须先验知识、容易实现,因而得到广泛应用,已经成为信号调制识别的主流技术。但是,由于不同特征集对同一调制样式集的识别能力不同,同一特征集对不同调制样式集的识别能力不同,不同特征对噪声的敏感度差异较大,不同调制样式的信号抗干扰能力也不同。因此,现有技术中,自动调制样式识别技术识别效率较低并且识别精度不高,需要建立特征集与调制样式集互相适配的训练模型,从而找到一个最优模型来提高信号识别效率和识别精度。
经检索,中国专利申请,申请号201810298088.8,申请日2018年3月30日,公开了一种信号调制样式识别方法和装置。该发明方法包括:方法包括:构造神经网络模型,并将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式后将输入矩阵输入到神经网络模型中以进行训练,其中,训练信号带有相应的调制样式标记,训练信号的指定参数值至少包括训练信号的实部和虚部;利用训练好的神经网络模型对待识别信号进行调制样式识别。该方案相比于单纯利用待识别信号的实部和虚部作为输入的技术方案,更有利于神经网络模型的训练。但是该方案并未考虑到待识别信号的特征集与调制样式集是否互相匹配,若待识别信号的特征集与调制样式集不匹配或不完全匹配,则会导致用不合适的特征集识别信号,神经网络的优势不能充分发挥,进而降低信号识别准确率。
发明内容
1.要解决的技术问题
针对现有技术中存在的信号自动调制样式识别技术识别效率较低、识别精度不高等问题,本发明提供了一种信号调制样式识别方法,它可以通过提取信号多域特征,建立特征集与调制样式集互相适配的识别模型,从而提高信号识别效率和识别精度。
2.技术方案
本发明的目的通过以下技术方案实现。
一种信号调制样式识别方法,包括以下步骤:
获取样本信号,对样本信号预处理;
提取样本信号特征,所述样本信号特征包括瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征;
构造样本信号特征数据训练矩阵;
选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型;
计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型。
进一步地,设定样本信号特征数据训练矩阵中特征数据集的数量为K,其中,K为自然数,K≥3,选取样本信号特征数据训练矩阵中特征数据集的数量为r,其中,r为自然数,3≤r≤K。
进一步地,选取样本信号特征数据训练矩阵中r个特征数据集通过神经网络进行循环训练,得到识别模型,所述识别模型的数量表示为:
进一步地,识别模型的平均识别率的计算公式为:
其中,P表示识别模型的平均识别率,S表示所有调制样式的识别率之和,k表示调制样式类的数量。
进一步地,使用信号仿真平台生成多种调制样式的信号,将生成的多种调制样式的信号通过发射机发送至接收机,接收机接收到多种调制样式的信号后采集所述样本信号。
进一步地,对所述样本信号预处理包括去直流处理和归一化处理;所述去直流处理的计算公式为:
其中,U(n)表示去直流后信号,V(n)表示I路信号或者Q路信号,N表示样本信号数据长度的1/2,n表示信号序列号,n为自然数,n=1,2,3,…,N;
所述归一化处理的计算公式为:
其中,W(n)表示归一化后信号。
进一步地,提取所述样本信号瞬时特征,所述样本信号瞬时特征包括零中心归一化瞬时幅度之谱密度最大值、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归一化瞬时幅度绝对值的标准偏差、零中心归一化非弱信号段瞬时频率绝对值的标准偏差、载波频率对称性、零中心归一化非弱信号段瞬时幅度的标准偏差、零中心归一化非弱信号段瞬时幅度的峰值以及零中心归一化非弱信号段瞬时频率的峰值。
进一步地,提取所述样本信号的高阶累积量特征,对于零均值的复随机过程,其p阶混合矩定义为:
Mpq=E[x(n)p-qx*(n)q]
其中,Mpq表示混合矩,p表示阶数,q表示共轭的位置,x(n)表示零均值的复随机过程,*表示复共轭,x表示信号。
进一步地,提取所述样本信号的循环谱特征,所述循环谱特征表示为:
其中,表示循环谱特征,f表示频率,α表示循环频率,Δτ表示时延,e表示自然指数,j表示单位虚数,dΔτ表示对Δτ微分,表示循环自相关函数,所述循环自相关函数的计算公式为:其中,T表示周期,t表示时间变量。
进一步地,提取所述样本信号的小波变换特征,所述小波变换特征表示为:
3.有益效果
相比于现有技术,本发明的优点在于:
本发明的一种信号调制样式识别方法,通过提取样本信号的瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征等多域特征,构造样本信号特征数据训练矩阵,选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型,计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型,进而建立特征集与调制样式集互相适配的识别模型,提高信号识别效率和识别精度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例
如图1所示,为本实施例提供的一种信号调制样式识别方法,其步骤包括:获取样本信号,对样本信号预处理;提取样本信号特征,所述样本信号特征包括瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征;构造样本信号特征数据训练矩阵;选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型;计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型。
具体到本实施例中,首先采集样本信号,对样本信号进行预处理。具体地,使用信号仿真平台生成多种调制样式的信号,所述信号包括调幅信号(AM)、调频信号(FM)、二进制振幅键控信号(2ASK)、二进制数字频率调制信号(2FSK)、最小频移键控信号(MSK)、二进制相移键控信号(BPSK)、正交相移键控信号(QPSK)、八移相键控信号(8PSK)、十六进制正交幅度调制信号(16QAM)、三十二进制正交幅度调制信号(32QAM)、六十四进制正交幅度调制信号(64QAM)。将生成的多种调制样式的信号通过发射机发送至接收机,接收机接收到多种调制样式的信号后采集样本信号。进一步地,对样本信号进行预处理,所述预处理包括去直流处理和归一化处理。所述去直流处理的计算公式为:
其中,U(n)表示去直流后信号,V(n)表示I路信号或者Q路信号,N表示样本信号数据长度的1/2,n表示信号序列号,n为自然数,n=1,2,3,…,N。
通过归一化处理使得所有样本信号特征在同一量级,即所有样本信号特征同等重要,从而保证信号识别的准确性。所述归一化处理的计算公式为:
其中,W(n)表示归一化后信号。
进一步地,提取样本信号特征,所述样本信号特征包括瞬时特征、高阶累积量特征、循环谱域特征以及小波变换域特征。
具体地,提取样本信号的瞬时特征。本实施例中,所述样本信号的瞬时特征包括九个瞬时特征,分别为:零中心归一化瞬时幅度之谱密度最大值、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归一化瞬时幅度绝对值的标准偏差、零中心归一化非弱信号段瞬时频率绝对值的标准偏差、载波频率对称性、零中心归一化非弱信号段瞬时幅度的标准偏差、零中心归一化非弱信号段瞬时幅度的峰值以及零中心归一化非弱信号段瞬时频率的峰值。
所述零中心归一化瞬时幅度之谱密度最大值表示为:
其中,γmax表示零中心归一化瞬时幅度之谱密度最大值,FFT表示快速傅立叶变换,i表示序号,i=1,2,3,…,Ns,Ns表示样本信号数量,acn(i)表示零中心归一化瞬时幅度,所述零中心归一化瞬时幅度acn(i)的计算公式为:acn(i)=an(i)-1,其中,an(i)表示n个信号瞬时幅度,所述n个信号瞬时幅度an(i)的计算公式为:其中,a(i)表示瞬时幅度,ms表示瞬时幅度平均值,所述瞬时幅度a(i)的计算公式为:其中,I(i)表示I路信号,Q(i)表示Q路信号,所述瞬时幅度平均值ms的计算公式为:
所述零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差表示为:
其中,σap表示零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差,c表示在样本信号数量Ns中属于非弱信号值的个数,at表示判断弱信号的一个幅度判决门限电平,表示经零中心化处理后瞬时相位的非线性分量,在载波完全同步时,其中,φ0表示相位均值,所述相位均值φ0的计算公式为:其中,φ(i)表示瞬时相位。
所述零中心非弱信号段瞬时相位非线性分量的标准偏差表示为:
其中,σdp表示零中心非弱信号段瞬时相位非线性分量的标准偏差。
所述零中心归一化瞬时幅度绝对值的标准偏差表示为:
其中,σaa表示零中心归一化瞬时幅度绝对值的标准偏差。
所述零中心归一化非弱信号段瞬时频率绝对值的标准偏差表示为:
其中,σaf表示零中心归一化非弱信号段瞬时频率绝对值的标准偏差,fN(i)表示平均瞬时频率,所述平均瞬时频率fN(i)的计算公式为:其中,fm(i)表示去直流瞬时频率,Rs表示样本信号符号速率,所述去直流瞬时频率fm(i)的计算公式为:fm(i)=f(i)-mf,其中,f(i)表示瞬时频率,mf表示瞬时频率平均值。
所述载波频率对称性表示为:
其中,P表示载波频率对称性,PL表示下边带功率谱,PU表示上边带功率谱,所述下边带功率谱PL的计算公式为:所述上边带功率谱PU的计算公式为:其中,fcn表示中间变量,xc(i)表示信号序列,所述中间变量fcn的计算公式为:其中,fc表示载波频率,fs表示采样频率。
所述零中心归一化非弱信号段瞬时幅度的标准偏差表示为:
其中,σac表示零中心归一化非弱信号段瞬时幅度的标准偏差。
所述零中心归一化非弱信号段瞬时幅度的峰值表示为:
所述零中心归一化非弱信号段瞬时频率的峰值表示为:
进一步地,提取样本信号的高阶累积量特征。需要说明的是,本实施例中,对于零均值的复随机过程,其p阶混合矩定义为:
Mpq=E[x(n)p-qx*(n)q]
其中,Mpq表示混合矩,p表示阶数,q表示共轭的位置,x(n)表示零均值的复随机过程,*表示复共轭,x表示信号。
本实施例中,提取样本信号的高阶累计量特征包括九个高阶累计量特征。由此,根据x(n)的高阶数和共轭位置信息,定义x(n)的各高阶累积量表达式为:
C20=Cum(x,x)=M20
其中,C20表示二阶累积量,Cum(x,x)表示信号x与其自身的累积量,M20表示二阶零次共轭混合矩。
C21=Cum(x,x*)=M21
其中,C21表示二阶累积量,Cum(x,x*)表示信号x与其自身共轭的累积量,M21表示二阶一次共轭混合矩。
其中,C40表示四阶累积量,Cum(x,x,x,x)表示信号x与其自身的累积量,M40表示四阶零次共轭混合矩。
C41=Cum(x,x,x,x*)=M41-3M21M20
其中,C41表示四阶累积量,Cum(x,x,x,x*)表示信号x与其自身共轭的累积量,M41表示四阶零次共轭混合矩。
其中,C42表示四阶累积量,Cum(x,x,x*,x*)表示信号x与其自身共轭的累积量,M42表示四阶二次共轭混合矩。
其中,C60表示六阶累积量,Cum(x,x,x,x,x,x)表示信号x与其自身的累积量,M60表示六阶零次共轭混合矩。
其中,C61表示六阶累积量,Cum(x,x,x,x,x,x*)表示信号x与其自身共轭的累积量,M61表示六阶一次共轭混合矩。
其中,C63表示六阶累积量,Cum(x,x,x,x*,x*,x*)表示信号x与其自身共轭的累积量,M63表示六阶三次共轭混合矩。
其中,C80表示八阶累积量,Cum(x,x,x,x,x,x,x,x)表示信号x与其自身的累积量,M80表示八阶零次共轭混合矩。
进一步地,提取样本信号的循环谱特征。本实施例中,定义循环谱为:
其中,表示循环谱,f表示频率,α表示循环频率,Δτ表示时延,e表示自然指数,j表示单位虚数,dΔτ表示对Δτ微分,表示循环自相关函数,所述循环自相关函数的计算公式为:其中,T表示周期,t表示时间变量。
本实施例中,定义谱峰最大值为:
本实施例中,定义谱峰个数为:
Pn=Num(Pmax)
其中,Pn表示谱峰个数,Num表示峰值个数计算,Pmax表示循环谱的谱峰极值。
由此,定义谱峰比值P1为:
其中,max1表示取第1峰值,max3表示取第3峰值。
定义谱峰比值P2为:
其中,max1表示取第1峰值,max2表示取第2峰值。由此,本实施例中,共获取四个循环谱特征。
进一步地,提取样本信号的小波变换特征。本实施例中,对于接收信号,定义连续小波变换为:
其中,ψa,τ(t)表示小波基函数。
对样本信号进行连续小波变换(CWT变换)得到高频分量D和低频分量A。由于高频分量D包含细节特征,因此保留高频分量D,对低频分量A继续分解进一步寻找细节特征,从而得到样本信号的多尺度分析结果。通过样本信号的多尺度分析结果可知,通信信号中各种调制方式在不同频带上的细节信息差异,如小波系数不同体现出细节不同。由此,提取样本信号的高频带信息能量作为样本信号的小波特征,进而用于样本信号的调制识别。
本实施例中,小波能量特征表示为:
其中,Em表示小波能量特征,m表示分解层数,dm,n表示分解后高频分量D的第n个信号系数。由此,本实施例中,得到接收信号x(t)的5层小波分解,从而得到五个小波能量特征E1、E2、E3、E4以及E5。
需要说明的是,本实施例中,由于模拟信号没有码元速率,模拟信号的估计值为任意值,而数字信号的码元速率估计值为固定值。因此,定义码元速率的方差特征,可以有效区分模拟调制信号和数字调制信号,从而使得本实施例中信号识别更加精确。所述码元速率的方差计算公式为:
其中,VR表示码元速率的方差,T表示计算码元速率的次数,s表示计算码元速率的序号,s=1,2,...,T,R(s)表示第s次计算码元速率,μ表示平均值,所述平均值μ的计算公式为:
进一步地,构造特征数据训练矩阵。对于多种调制样式的信号,包括调幅信号(AM)、调频信号(FM)、二进制振幅键控信号(2ASK)、二进制数字频率调制信号(2FSK)、最小频移键控信号(MSK)、二进制相移键控信号(BPSK)、正交相移键控信号(QPSK)、八移相键控信号(8PSK)、十六进制正交幅度调制信号(16QAM)、三十二进制正交幅度调制信号(32QAM)、六十四进制正交幅度调制信号(64QAM)。本实施例中,每种调制样式采集100个样本信号,将每种调制样式的样本信号分段为10个信号,计算每个样本信号的特征,所述特征包括瞬时特征中的九个特征、高阶累积量特征中的九个特征、循环谱特征种的四个特征以及小波变换特征中的五个特征。通过矩阵操作生成特征数据训练矩阵,本实施例中,所述特征数据训练矩阵为297×1000维度。
值得说明的是,本实施例中,还对特征数据训练矩阵进行加噪处理。具体地,按照步长2dB,从-20dB~20dB对特征数据训练矩阵进行加噪处理,进而通过加噪处理,能够训练出有抗噪能力的识别模型。
进一步地,选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型。本实施例中,所述神经网络为BP(BackPropagation)神经网络,所述BP神经网络是一种按误差逆传播算法训练的多层前馈网络。设定样本信号特征数据训练矩阵中的特征数据集的数量为K,其中,K为自然数,K≥3,选取样本信号特征数据训练矩阵中的特征数据集的数量为r,其中,r为自然数,3≤r≤K。进而,选取样本信号特征数据训练矩阵中r个特征数据集通过神经网络进行循环训练,得到识别模型,所述识别模型的数量表示为:
本实施例中,包括瞬时特征中的九个特征、高阶累积量特征中的九个特征、循环谱特征种的四个特征以及小波变换特征中的五个特征,共有二十七个特征元素,由此,本实施例中,特征数据集的数量K=27。需要说明的是,为了找到适配该调制样式集的特征集,因此,把所有可能的特征数据集列举出来。需要注意的是,若选取样本信号特征数据训练矩阵中的特征数据集的数量r<3,则不足以训练出鲁棒性好的识别模型,进而进入下一特征数据集的训练。由此,在所述BP神经网络中,任意选取二十七个特征数据集中的三个特征数据集进行训练,得到识别模型;再任意选取二十七个特征数据集中的四个特征数据集进行训练,得到识别模型,以此类推,直到选取二十七个特征数据集中的二十七个特征数据集进行训练,得到识别模型。由此,为了找到适配该调制样式集的特征集,把所有可能的特征数据列举出来,得到大量识别模型。值得说明的是,本实施例中,还需要对所得到的识别模型进行验证,即在BP神经网络训练时,设定固定值H,当H=0时,表示所选取的所有特征数据集训练完成;当H≠0时,表示还有未完成训练的特征数据集。
进一步地,选取识别模型进行测试。所述测试包括测试识别模型精度、识别模型速度以及识别模型抑噪能力,计算各个识别模型的平均识别率,所述识别模型的平均识别率的计算公式为:
其中,P表示识别模型的平均识别率,S表示所有调制样式的识别率之和,k表示调制样式类的数量。选择识别模型的最大平均识别率,各个调制样式的最大平均识别率表明识别的准确率高,由此,各个调制样式的最大平均识别率即为该调制样式所对应的最优识别模型。
由此,本实施例提供的一种信号调制样式识别方法,通过提取样本信号的瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征,构造样本信号特征数据训练矩阵,选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型,计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型,建立特征集与调制样式集互相适配的识别模型,从而提高信号识别效率和识别精度。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种信号调制样式识别方法,其特征在于,包括以下步骤:
获取样本信号,对样本信号预处理;
提取样本信号特征,所述样本信号特征包括瞬时特征、高阶累积量特征、循环谱特征以及小波变换特征;
构造样本信号特征数据训练矩阵;
选取样本信号特征数据训练矩阵中的特征数据集通过神经网络进行循环训练,得到识别模型;
计算识别模型的平均识别率,通过识别模型的平均识别率获得最优识别模型。
2.根据权利要求1所述的一种信号调制样式识别方法,其特征在于,设定样本信号特征数据训练矩阵中特征数据集的数量为K,其中,K为自然数,K≥3,选取样本信号特征数据训练矩阵中特征数据集的数量为r,其中,r为自然数,3≤r≤K。
5.根据权利要求1所述的一种信号调制样式识别方法,其特征在于,使用信号仿真平台生成多种调制样式的信号,将生成的多种调制样式的信号通过发射机发送至接收机,接收机接收到多种调制样式的信号后采集所述样本信号。
7.根据权利要求6所述的一种信号调制样式识别方法,其特征在于,提取所述样本信号瞬时特征,所述样本信号瞬时特征包括零中心归一化瞬时幅度之谱密度最大值、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归一化瞬时幅度绝对值的标准偏差、零中心归一化非弱信号段瞬时频率绝对值的标准偏差、载波频率对称性、零中心归一化非弱信号段瞬时幅度的标准偏差、零中心归一化非弱信号段瞬时幅度的峰值以及零中心归一化非弱信号段瞬时频率的峰值。
8.根据权利要求7所述的一种信号调制样式识别方法,其特征在于,提取所述样本信号的高阶累积量特征,对于零均值的复随机过程,其p阶混合矩定义为:
Mpq=E[x(n)p-qx*(n)q]
其中,Mpq表示混合矩,p表示阶数,q表示共轭的位置,x(n)表示零均值的复随机过程,*表示复共轭,x表示信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310248671.9A CN116257752A (zh) | 2023-03-15 | 2023-03-15 | 一种信号调制样式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310248671.9A CN116257752A (zh) | 2023-03-15 | 2023-03-15 | 一种信号调制样式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257752A true CN116257752A (zh) | 2023-06-13 |
Family
ID=86687835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310248671.9A Pending CN116257752A (zh) | 2023-03-15 | 2023-03-15 | 一种信号调制样式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257752A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886482A (zh) * | 2023-09-07 | 2023-10-13 | 成都九华圆通科技发展有限公司 | 基于专家特征和lstm模型的调制识别方法 |
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 |
CN117376067A (zh) * | 2023-07-10 | 2024-01-09 | 电子科技大学 | 一种航天测控链路复合调制信号的自动调制识别方法 |
CN117807529A (zh) * | 2024-02-29 | 2024-04-02 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
-
2023
- 2023-03-15 CN CN202310248671.9A patent/CN116257752A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117376067A (zh) * | 2023-07-10 | 2024-01-09 | 电子科技大学 | 一种航天测控链路复合调制信号的自动调制识别方法 |
CN116886482A (zh) * | 2023-09-07 | 2023-10-13 | 成都九华圆通科技发展有限公司 | 基于专家特征和lstm模型的调制识别方法 |
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 |
CN117807529A (zh) * | 2024-02-29 | 2024-04-02 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
CN117807529B (zh) * | 2024-02-29 | 2024-05-07 | 南京工业大学 | 一种信号发生器输出信号的调制方式识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116257752A (zh) | 一种信号调制样式识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN107948107B (zh) | 一种基于联合特征的数字调制信号分类方法 | |
CN111049770B (zh) | 基于高阶累积量的调制信号识别方法 | |
Ketterer et al. | Classification of modulation modes using time-frequency methods | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN108718288A (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN111585662B (zh) | 一种调相信号的分类识别和参数估计方法及系统 | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
Ebrahimzadeh et al. | Digital communication signals identification using an efficient recognizer | |
CN111814777A (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN109450829B (zh) | 数字调制信号码速率估计方法和装置 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
Haq et al. | Recognition of digital modulated signals based on statistical parameters | |
CN108737302A (zh) | 低信噪比条件下随机共振联合小波变换的符号速率估计方法及其装置 | |
CN113076925A (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
CN111371510A (zh) | 一种复杂电磁环境下的通信测试方法 | |
CN109660475B (zh) | 一种非合作相位编码水声通信信号自主辨识方法 | |
CN115460048B (zh) | 一种基于码元速率的msk调制识别方法、介质及装置 | |
CN110390253A (zh) | 基于多种分形谱特征提取的通信信号调制方式识别方法 | |
CN116506273A (zh) | 新型mpsk调制信号识别分类方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
Batra et al. | A study of automatic modulation classification for rayleigh fading channel |
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 |