CN116566777B - 一种基于图卷积神经网络的跳频信号调制识别方法 - Google Patents
一种基于图卷积神经网络的跳频信号调制识别方法 Download PDFInfo
- Publication number
- CN116566777B CN116566777B CN202310504648.1A CN202310504648A CN116566777B CN 116566777 B CN116566777 B CN 116566777B CN 202310504648 A CN202310504648 A CN 202310504648A CN 116566777 B CN116566777 B CN 116566777B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency hopping
- graph
- amplitude
- phase
- 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 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003631 expected effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
-
- 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)
- Complex Calculations (AREA)
Abstract
本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤:步骤1:提取跳频信号的节点特征;步骤2:构建邻接矩阵和边,将跳频信号转换为无向拓扑图;步骤3:根据跳频信号图域转换数据构建图卷积神经网络GCN模型;步骤4:利用训练样本集合训练GCN模型,将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上,提取多种节点特征,减少了参数和计算量且抗噪声性能好,构建的GCN模型可以获取受信噪比影响较小的空间结构信息,在保证了识别准确率的基础上网络层数少,实时性好。
Description
技术领域
本发明属于通信技术领域,特别是涉及一种基于图卷积神经网络的跳频信号调制识别方法。
背景技术
跳频通信由于其保密性能好、多址能力优、截获概率低等优点,已成为当今抗干扰和反侦察无线通信的主导技术,跳频信号调制方式作为跳频通信的一维重要参数,能够为跳频组网通信的网台分选、情报分析和干扰引导等任务提供有力支撑。近年来众多专家学者在跳频信号调制识别的研究中提出了许多高效、可靠的方法。
2019年空军工程大学信息与导航学院的李红光等人在通信学报发表了文章《基于时频能量谱纹理特征的跳频调制方式识别》,这篇文章利用信号时频能量谱的纹理特征实现6种跳频信号的调制识别。该方法通过平滑伪魏格纳-维尔分布算法得到信号时频图,利用连通域检测算法得到每跳信号的时频灰度图,将直方图统计特征和灰度共生矩阵特征合成为多维特征向量输入到支持向量机中进行训练、分类和识别。该方法在-4dB信噪比下准确率可达到91.4%,但算法复杂度较高、特征向量冗余度有待降低。
2020年杭州电子科技大学的占锦敏等人在信号处理发表了文章《常规调制信号与扩频信号的调制识别算法》,这篇文章提出了基于瞬时特征和高阶累积量特征的常规调制与跳频调制分类算法。首先推导了7种调制信号的归一化四阶累积量切片的公式,通过归一化四阶累积量切片特征参数检测噪声中通信信号,利用占用带宽特征参数将信号分为扩频信号和常规调制通信信号两类,最后利用瞬时特征参数和高阶累积量特征参数,分别识别扩频信号和5种常规调制通信信号。该方法在大于1dB信噪比条件下实现了对7种信号的正确识别,但在低信噪比下识别准确率不高,且在跳频信号频率数目较低时识别率下降。
2022年海军大连舰艇学院的刘聪等人在电声技术发表了文章《基于深度学习的常规调制信号与跳频调制信号识别》,这篇文章利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像,之后将时频图像输入卷积神经网络进行分类识别。该方法相比于传统人工特征分类模型受信噪比影响小,且分类识别准确率高,在信噪比大于-4dB条件下,识别成功率达到98%以上,但所需的识别时间较长,不适用于对突发信号进行检测。
发明内容
针对上述现有技术的不足,本发明的目的在于提供一种低信噪比时调制识别准确率高、节省运算资源实时性好的基于图卷积神经网络的跳频信号调制识别方法。
本发明是通过以下技术方案实现的,本发明提出一种基于图卷积神经网络的跳频信号调制识别方法,所述方法包括以下步骤:
步骤1:提取跳频信号的节点特征;
步骤2:构建邻接矩阵和边,将跳频信号转换为无向拓扑图;
步骤3:根据跳频信号图域转换数据构建图卷积神经网络GCN模型;
步骤4:利用训练样本集合训练GCN模型,将测试样本输入训练好的GCN模型中输出识别结果。
进一步地,步骤1所述提取跳频信号的节点特征方法具体为:
将每一跳信号看作一个节点,通过计算每一跳信号的双谱特征和幅相特征提取节点特征,计算4种积分双谱作为双谱特征:径向积分双谱RIB、轴向积分双谱AIB、圆周积分双谱CIB和矩形积分双谱SIB,计算信号的瞬时幅度和瞬时相位作为幅相特征;对所有点的6种特征的特征值取均值作为一跳信号的特征值;将4种积分双谱特征值按照AIB、SIB、RIB、CIB的顺序依次排列,幅相特征值按照波形包络、波形相位的顺序排列,组合成样本的双谱和幅相特征集。
进一步地,步骤2中,通过求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性,即:
当系数r大于阈值th时邻接矩阵中的元素被赋值为1,即可构成一条边,否则赋值为0,不能形成边,根据邻接矩阵的值将可形成边的节点连接起来,将一条信号转换为一个无向拓扑图。
进一步地,步骤3中,由于每一条信号包含n跳信号,可形成n个节点,因此图卷积神经网络包含2个图卷积层即可实现预计的效果,构建的GCN模型包括2层图卷积层,1层池化层和1层线性层,总共4层网络。
进一步地,步骤4中,输入GCN模型的训练样本为(x,edge_index),x是形状为[n,6]的节点的特征矩阵,n为节点数量,edge_index是形状为[2,num_edges]的图的连接性矩阵,num_edges为边的数量。
进一步地,在步骤1中,计算双谱特征B(ω1,ω2)公式为:
其中C3,x(τ1,τ2)为信号的三阶积累量;
计算径向积分双谱RIB公式为:
其中0<a≤1,
计算轴向积分双谱AIB公式为:
其中y(t)=x2(t)-E{x2(t)}且/>
计算圆周积分双谱CIB公式为:
CIB(a)=∫Bp(a,θ)dθ
其中Bp(a,θ)是B(ω1,ω2)的极坐标表示;
计算矩形积分双谱SIB公式为:
其中Sl为积分路径。
进一步地,在步骤1中,计算幅相特征具体为:
信号的幅值与相位是区分不同类型信号的两个重要参数,获取到的跳频信号x(t)可用式表示为:
x(t)=s(t)+n(t)
其中,s(t)为实信号,n(t)为高斯白噪声,提取信号的包络幅度及相位瞬时参数时需要将信号变为解析信号,对信号进行希尔伯特变换:
对于实际系统中的离散形式信号而言,其希尔伯特变换为:
信号的瞬时幅度为:
信号的瞬时相位为:
本发明的有益效果为:
1)所提取的双谱和幅相联合特征,比双谱特征或幅相特征具有更好的抗噪声性能,在低信噪比下具有更好的识别效果;
2)所提出的信号图域转换方法以每一跳信号作为一个节点,降低了节点和边的数量,减少了参数和计算量,节省运算资源;
3)将信号转换为无向拓扑图,相较于时频图像,可以更好地捕捉信号的潜在特征,从而获得更高的信号分类精度;
4)所构建的GCN模型适应了跳频信号图域转换数据节点少的特点,所需结构层数少,大大降低了模型的运算量,实时性好。
附图说明
图1是一种基于图卷积神经网络的跳频信号调制识别方法流程图;
图2是图卷积神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1和图2所示,本发明提出一种基于图卷积神经网络的跳频信号调制识别方法,包括以下步骤:
(1)模拟产生各个信噪比下的待分类信号;
(2)提取信号节点特征;
(3)构建邻接矩阵和边,将信号转换为无向拓扑图;
(4)设置数据集,根据所得的图结构数据,产生每类调制信号的训练样本和测试样本,得到训练样本集合、测试样本集合以及相应的类标签集合;
(5)搭建图卷积神经网络GCN,用训练样本集合对GCN进行训练,将测试样本集合输入训练好的网络,并计算平均识别准确率。
在步骤(1)中,所述的模拟产生各个信噪比下的待分类信号,具体是指信噪比在-20~10dB下,步进为2dB的各类跳频调制信号,共包含c种调制方式,每个信噪比下每种调制方式有m个信号样本,每条跳频信号包含n跳信号。
在步骤(2)中,所述的信号节点特征提取具体包括以下过程:
(2.1)将每一跳信号看作一个节点,提取节点的4种积分双谱特征和幅相特征:
(2.1.1)计算双谱特征B(ω1,ω2):
其中C3,x(τ1,τ2)为信号的三阶积累量。
(2.1.2)计算径向积分双谱(RIB):
其中0<a≤1,
(2.1.3)计算轴向积分双谱(AIB):
其中y(t)=x2(t)-E{x2(t)}且/>
(2.1.4)计算圆周积分双谱(CIB):
CIB(a)=fBp(a,θ)dθ
其中Bp(a,θ)是B(ω1,ω2)的极坐标表示;
(2.1.5)计算矩形积分双谱(SIB):
其中Sl为积分路径;
(2.1.6)计算幅相特征:
信号的幅值与相位是区分不同类型信号的两个重要参数,获取到的跳频信号x(t)可用式表示为:
x(t)=s(t)+n(t)
其中,s(t)为实信号,n(t)为高斯白噪声,提取信号的包络幅度及相位等瞬时参数时需要将信号变为解析信号,对信号进行希尔伯特变换:
对于实际系统中的离散形式信号而言,其希尔伯特变换为:
信号的瞬时幅度为:
信号的瞬时相位为:
(2.2)对所有点的6种特征的特征值B取均值mean(B),作为一跳信号的特征值;
(2.3)将4种积分双谱特征值按照AIB、SIB、RIB、CIB的顺序依次排列,幅相特征按照波形包络、波形相位的顺序排列,组合成样本的双谱和幅相特征集。
在步骤(3)中,所述的构建邻接矩阵和边是通过如下方法实现的:
求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性,当系数大于阈值th时邻接矩阵中的元素被赋值为1,即可构成一条边,否则赋值为0,不能形成边。根据邻接矩阵的值将可形成边的节点连接起来,将一条信号转换为一个无向拓扑图。
在步骤(4)中,按照步骤(2)和步骤(3)的信号图域转换方法,将时域跳频信号转换为图结构数据。每条信号包含n跳信号,可形成n个节点,每个节点包含6种特征,因此每条信号形成n×6的节点特征矩阵,本发明的数据总量中每种调制方式m个信号样本,共包含c种调制方式,k=m×c,最终每个信噪比下构建出大小为n×6×k的节点特征矩阵以及n×n×k大小的邻接矩阵。按照8:2的比例划分训练集和测试集。
在步骤(5)中,所搭建的GCN模型包括2层图卷积层,1层池化层和1层线性层,总共4层网络。
实施例
本发明为减少运算资源,将每一跳信号看作一个节点,提取双谱特征和幅相特征得到节点特征,利用皮尔逊相关系数来计算节点特征间的相关性,得到邻接矩阵并连接可形成边的节点,构建出信号的图结构,之后将图结构数据输入搭建的GCN模型中进行训练、测试,最终获得平均识别率。
以下结合附图和具体实施案例,对本发明进行详细说明。
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
RIB(Radial Integral Bispectrum):径向积分双谱;
AIB(Axial Integral Bispectrum):轴向积分双谱;
CIB(Circumferential Integral Bispectrum):圆周积分双谱;
SIB(Square Integral Bispectrum):矩形积分双谱。
参照图1,本发明的一种基于图卷积神经网络的跳频信号调制识别方法具体实现步骤如下:
步骤1:以2ASK、2FSK、4ASK、4FSK、BPSK和QAM64信号为例,使用Matlab仿真出其信噪比在-20~10dB下,步进为2dB的各类信号,每条跳频信号设置为n=5,包含5跳信号,每条信号数据长度L=1000。
步骤2:将每一跳信号看作一个节点,通过计算每一跳信号的双谱特征和幅相特征提取节点特征,即将长度L=1000的数据分成5段,每段数据长度为200,对每一段数据进行提取特征的计算,具体包括:
(2a)计算双谱特征B(ω1,ω2):
其中C3,x(τ1,τ2)为信号的三阶积累量。双谱具有周期性和对称性,能够抑制高斯白噪声对信号产生的干扰和覆盖,对信号进行双谱变换能够提取到更多细微特征。将二维双谱函数转换为一维函数可以大大减少运算量,转换后的双谱统称为积分双谱。计算四种积分双谱作为双谱特征:
(2b)计算径向积分双谱(RIB):
其中0<a≤1,
(2c)计算轴向积分双谱(AIB):
其中y(t)=x2(t)-E{x2(t)}且/>
(2d)计算圆周积分双谱(CIB):
CIB(a)=∫Bp(a,θ)dθ
其中,Bp(a,θ)是B(ω1,ω2)的极坐标表示;
(2e)计算矩形积分双谱(SIB):
其中Sl为积分路径。
(2f)计算幅相特征:
信号的幅值与相位是区分不同类型信号的两个重要参数,获取到的跳频信号x(t)可用式表示为:
x(t)=s(t)+n(t)
其中,s(t)为实信号,n(t)为高斯白噪声,提取信号的包络幅度及相位等瞬时参数时需要将信号变为解析信号,对信号进行希尔伯特变换:
对于实际系统中的离散形式信号而言,其希尔伯特变换为:
信号的瞬时幅度为:
信号的瞬时相位为:
(2g)对所有点的6种特征的特征值B取均值mean(B),作为一跳信号的特征值;
(2h)将4种积分双谱特征值按照AIB、SIB、RIB、CIB的顺序依次排列,幅相特征按照波形包络、波形相位的顺序排列,组合成样本的双谱和幅相特征集。
步骤3:计算节点特征相关性,构建邻接矩阵和边,将信号转换为无向拓扑图。
皮尔逊相关系数可用于度量两个变量之间的相关性,其值介于-1和1之间。两个变量的皮尔逊相关系数用他们的协方差与方差的商表示:
上式为总体的相关系数,估算样本的协方差和标准差即可得到皮尔逊相关系数:
通过求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性,当系数大于阈值时邻接矩阵中的元素被赋值为1,即可构成一条边,否则赋值为0,不能形成边。
拓扑图的边即两个节点之间的连接,邻接矩阵大小为n×n,n代表节点的数量。每条信号样本包含5个节点,因此每条信号的邻接矩阵大小为5×5。设计阈值th=0.6,确定邻接矩阵的值。根据邻接矩阵的值将可形成边的节点连接起来,即可将一条信号转换为一个无向拓扑图。
步骤4:设置数据集。
按照步骤2和步骤3的信号图域转换方法,将时域跳频信号转换为图结构数据。每条信号包含5跳信号,可形成5个节点,每个节点包含6种特征,因此每条信号形成5×6的节点特征矩阵,本实施例的数据总量中每种调制方式m=200个信号样本,共包含c=6种调制方式,最终每个信噪比下构建出大小为5×6×1200的节点特征矩阵以及5×5×1200大小的邻接矩阵。按照8:2的比例划分训练集和测试集。
步骤5:搭建GCN模型,包括2层图卷积层,1层池化层和1层线性层,总共4层网络。由于每一条信号包含5个节点,因此图卷积网络包含2个图卷积层即可实现很好的效果。GCN各层具体设置如图2所示。
其中,x是形状为[5,6]的节点的特征矩阵,edge_index是形状为[2,num_edges]的图的连接性矩阵,即表示边的矩阵,num_edges为边的数量。num_feature为6,表示每个节点的特征数,class_num为6,代表信号调制种类。
在第二个图卷积层和池化层之间添加dropout操作。
步骤6:训练GCN模型。将训练集输入到搭建好的GCN网络中,通过图卷积层提取输入数据的特征并作聚合,在反向传播的过程中采用的损失函数如下:
式中,yL为数据样本的标签索引集合,六种调制信号的类型标签分别定义为0、1、2、3、4、5,F为输出层的特征图数量,Ylf为所有图信号训练集的真实标签的矩阵,Zlf为预测的标签矩阵。通过反向传播算法优化模型参数,使损失不断降低达到较好的分类效果,最后输出预测类别标签。
为了防止过拟合,在迭代过程中添加了早停机制,最终将训练好的模型保存用于测试。
步骤7:利用训练后的GCN对测试特征集进行分类决策,最终输出识别结果。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种基于图卷积神经网络的跳频信号调制识别方法,其特征在于:所述方法包括以下步骤:
步骤1:提取跳频信号的节点特征;
步骤2:构建邻接矩阵和边,将跳频信号转换为无向拓扑图;
步骤3:根据跳频信号图域转换数据构建图卷积神经网络GCN模型;
步骤4:利用训练样本集合训练GCN模型,将测试样本输入训练好的GCN模型中输出识别结果;
步骤1所述提取跳频信号的节点特征方法具体为:
将每一跳信号看作一个节点,通过计算每一跳信号的双谱特征和幅相特征提取节点特征,计算4种积分双谱作为双谱特征:径向积分双谱RIB、轴向积分双谱AIB、圆周积分双谱CIB和矩形积分双谱SIB,计算信号的瞬时幅度和瞬时相位作为幅相特征;对所有点的6种特征的特征值取均值作为一跳信号的特征值;将4种积分双谱特征值按照AIB、SIB、RIB、CIB的顺序依次排列,幅相特征值按照波形包络、波形相位的顺序排列,组合成样本的双谱和幅相特征集;
在步骤1中,计算幅相特征具体为:
信号的幅值与相位是区分不同类型信号的两个重要参数,获取到的跳频信号x(t)可用式表示为:
x(t)=s(t)+n(t)
其中,s(t)为实信号,n(t)为高斯白噪声,提取信号的包络幅度及相位瞬时参数时需要将信号变为解析信号,对信号进行希尔伯特变换:
对于实际系统中的离散形式信号而言,其希尔伯特变换为:
信号的瞬时幅度为:
信号的瞬时相位为:
2.根据权利要求1所述的方法,其特征在于,步骤2中,通过求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性,即:
当系数r大于阈值th时邻接矩阵中的元素被赋值为1,即可构成一条边,否则赋值为0,不能形成边,根据邻接矩阵的值将可形成边的节点连接起来,将一条信号转换为一个无向拓扑图。
3.根据权利要求1所述的方法,其特征在于,步骤3中,由于每一条信号包含n跳信号,可形成n个节点,因此图卷积神经网络包含2个图卷积层即可实现预计的效果,构建的GCN模型包括2层图卷积层,1层池化层和1层线性层,总共4层网络。
4.根据权利要求1所述的方法,其特征在于,步骤4中,输入GCN模型的训练样本为(x,edge_index),x是形状为[n,6]的节点的特征矩阵,n为节点数量,edge_index是形状为[2,num_edges]的图的连接性矩阵,num_edges为边的数量。
5.根据权利要求1所述的方法,其特征在于,在步骤1中,计算双谱特征B(ω1,ω2)公式为:
其中C3,x(τ1,τ2)为信号的三阶积累量;
计算径向积分双谱RIB公式为:
其中0<a≤1,
计算轴向积分双谱AIB公式为:
其中y(t)=x2(t)-E{x2(t)}且/>
计算圆周积分双谱CIB公式为:
CIB(a)=∫Bp(a,θ)dθ
其中Bp(a,θ)是B(ω1,ω2)的极坐标表示;
计算矩形积分双谱SIB公式为:
其中Sl为积分路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504648.1A CN116566777B (zh) | 2023-05-08 | 2023-05-08 | 一种基于图卷积神经网络的跳频信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504648.1A CN116566777B (zh) | 2023-05-08 | 2023-05-08 | 一种基于图卷积神经网络的跳频信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116566777A CN116566777A (zh) | 2023-08-08 |
CN116566777B true CN116566777B (zh) | 2024-03-12 |
Family
ID=87501193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310504648.1A Active CN116566777B (zh) | 2023-05-08 | 2023-05-08 | 一种基于图卷积神经网络的跳频信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116566777B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117857270B (zh) * | 2024-03-07 | 2024-05-14 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670484A (zh) * | 2019-01-16 | 2019-04-23 | 电子科技大学 | 一种基于双谱特征和提升树的手机个体识别方法 |
CN110940894A (zh) * | 2019-12-16 | 2020-03-31 | 国网北京市电力公司 | 一种基于泄漏电流瞬时幅相积和特征的触电故障检测方法 |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
-
2023
- 2023-05-08 CN CN202310504648.1A patent/CN116566777B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670484A (zh) * | 2019-01-16 | 2019-04-23 | 电子科技大学 | 一种基于双谱特征和提升树的手机个体识别方法 |
CN110940894A (zh) * | 2019-12-16 | 2020-03-31 | 国网北京市电力公司 | 一种基于泄漏电流瞬时幅相积和特征的触电故障检测方法 |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
基于CNN网络的跳频信号个体识别;梁策等;空军工程大学学报(自然科学版);第1节 * |
基于全双谱和卷积神经网络的信号分类方法;方成;薛质;;计算机应用研究(12);全文 * |
基于双谱与特征选择的通信辐射源识别算法;任东方;张涛;韩洁;;信息工程大学学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116566777A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN110728230A (zh) | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 | |
CN111832417A (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN110996343A (zh) | 基于深度卷积神经网络的干扰识别模型及智能识别算法 | |
CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
Shen et al. | Node identification in wireless network based on convolutional neural network | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
Xu et al. | A transformer based approach for open set specific emitter identification | |
CN116226721A (zh) | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN113962260A (zh) | 一种基于去噪深度残差网络的雷达信号智能分选方法 | |
CN113095162A (zh) | 一种基于半监督深度学习的频谱感知方法 | |
CN117221816A (zh) | 一种基于Wavelet-CNN的多建筑楼层定位方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN110751201A (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 |
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 |