CN116760674A - 一种无线信号调制方式智能监测识别方法及系统 - Google Patents
一种无线信号调制方式智能监测识别方法及系统 Download PDFInfo
- Publication number
- CN116760674A CN116760674A CN202311011742.XA CN202311011742A CN116760674A CN 116760674 A CN116760674 A CN 116760674A CN 202311011742 A CN202311011742 A CN 202311011742A CN 116760674 A CN116760674 A CN 116760674A
- Authority
- CN
- China
- Prior art keywords
- layer
- modulation mode
- signal
- wireless signal
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 29
- 230000017105 transposition Effects 0.000 claims description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000012938 design process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 235000004257 Cordia myxa Nutrition 0.000 description 5
- 244000157795 Cordia myxa Species 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 235000018936 Vitellaria paradoxa Nutrition 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 description 1
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—Learning methods
-
- 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)
- Software Systems (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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种无线信号调制方式智能监测识别方法及系统，所述方法包括以下步骤：将送入信道后的信号输入到预处理网络，预处理网络将其还原成送入信道前的信号，并传输至分类网络；预处理网络包括顺序连接的编码器、隐藏编码层、解码器；其中，编码器将输入的无线信号压缩到一个低维表示，即所需的编码；隐藏编码层对编码器的输出进行非线性变换完成隐藏；解码器将隐藏层的编码进行解码；分类网络输出识别结果。本发明通过深度学习的方式实现对低信噪比信号输入的调制方式识别，同时相较于常规采用的数字滤波器的设计而言，本发明通过预处理网络实现信号重建，预处理网络的设计过程较为简单方便，部署方便简单，降低硬件的成本的与成本。
Description
技术领域
本发明涉及通信领域，特别涉及一种无线信号调制方式智能监测识别方法及系统。
背景技术
在现代社会中，通信环境复杂，频谱资源紧张成为不可逆的趋势，现在通信用户爆发性增长，通信呈现出占用带宽大，数据量大的特点。为了适应现代通信环境，信号调制的方式也是纷繁复杂，主要包括模拟调制和数字调制两大类，其中，数字调制涵盖了MASK，MPSK，QAM，MPAM等多种调制方式。
在民用方面，信号调制方式识别主要用于通信智能化，例如，链路自适应系统能够自动选择信号调制方式和编码方案来适应无线链路质量的需求，该系统就需要先进行信号调制方式的识别，才能完成信号调制方式的自动选择。
2016年，O’Shea 等在文献[1]首次将深度学习引入调制方式识别，在研究深入的过程中，O’Shea 等建立常用的数据集RML2016.10a，其中探究了卷积神经网络（Convolutional Neural Network，以下简称CNN），深度神经网络（Deep NeuralNetwork，以下简称DNN）在信号调制方式识别性能之间的差距；2018年，O’Shea 等在文献[2]中建立了涵盖更多调制方式的数据集RML2018.01a。
关注使用RML2018.01a数据集进行训练的由Shankar N P于2021年在文献[3]中提出的结构LResNet18A结构和由Zhang F等于2021年在文献[4]中提出的结构PET-CGDNN结构的性能对比；其中LResNet18A结构主要采用残差单元与批正则化（BatchNormalization），PET-CGDNN结构则是将参数估计，参数转换与CNN-GRU单元串行地连接于一起。
上述现有的技术方案均体现：在信号信噪比较低时，信号调制方式的识别率较低，这是一个待解决的问题。
文献[1]：O’Shea T J, Corgan J, Clancy T C. Convolutionalradiomodulation recognition networks[C]//Engineering Applications ofNeuralNetworks: 17th International Conference, EANN 2016, Aberdeen, UK,Septem.
文献[2]：T. J.O’Shea, T. Roy and T. C. Clancy, "Over-the-Air DeepLearning Based Radio Signal Classification," inIEEE Journal of SelectedTopics in Signal Processing, vol. 12, no. 1, pp. 168-179, Feb. 2018, doi:10.1109/JSTSP.2018.2797022.
文献[3]：ShankarN P, Sadhukhan D, Nayak N, et al. Binarized resnet:Enabling automatic modulation classification at the resource-constrained edge[J]. arXiv preprint arXiv:2110.14357, 2021.
文献[4]：ZhangF, Luo C, Xu J, et al. An efficient deep learning modelfor automatic modulation recognition based on parameter estimation andtransformation[J]. IEEE Communications Letters, 2021, 25(10): 3287-3290.
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种无线信号调制方式智能监测识别方法。
本发明的另一目的在于提供一种无线信号调制方式智能监测识别系统。
本发明的目的通过以下的技术方案实现：
一种无线信号调制方式智能监测识别方法，包括以下步骤：
S1、将送入信道后的信号输入到预处理网络，预处理网络将其还原成送入信道前的信号，并传输至分类网络；
所述预处理网络，包括顺序连接的编码器、隐藏编码层、解码器；其中，编码器将输入的无线信号压缩到一个低维表示，即所需的编码；隐藏编码层对编码器的输出进行非线性变换完成隐藏；解码器将隐藏层的编码进行解码；
S2、分类网络输出识别结果，即信号的调制方式。
所述编码器包括顺序连接的第一转置层、第一LSTM、第一批正则化层；其中，第一转置层对输入的信号进行转置，保证编码器部分的拥有对输入信号最大的感受野，最大程度捕获到全局的特征，第一LSTM用于从带噪声以及受到多径效应影响的信号中提取特征，第一批正则化层用于规范化输入。
所述隐藏编码层包括顺序连接的第二LSTM、第二批正则化层；其中，第二LSTM用于将上层编码继续压缩，第二批正则化层用于规范化输入，减少过拟合现象。
所述编码器包括顺序连接的第三LSTM、第三批正则化层、第二转置层；其中，第三LSTM用于重建出不受噪声影响的原始信号，第三批正则化层用于规范化输入，减少过拟合现象，第二转置层用于还原出与输入信号形状相同的信号。
所述分类网络包括顺序连接的第三转置层、第一一维卷积层、第二一维卷积层、第四转置层、残差堆、第一Inception层、第二Inception层、全局平均池化层、全连接层；其中，
第三转置层用于保证输入信号在卷积层有最大的感受野，最大程度捕获到全局的特征；
第一一维卷积层用于信号压缩，初步提取信号特征,降低后续计算的复杂度，减少模型体积；
第二一维卷积层用于信号压缩,降低后续计算的复杂度，减少模型体积；
第四转置层用于将输出的信号进行转置；
残差堆用于堆叠多层卷积层，实现对已压缩信号的特征提取能力，其由两个残差块组成，两个残差块之间通过跳跃连接；
第一Inception层用于将残差堆输出在四个维度上进行卷积与池化，卷积核的大小为3，5，7，9，每个维度对应的池化核的大小为3，在不同尺度上捕捉输入向量的特征，四个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
第二Inception层用于将第一Inception层输出在三个维度上进行卷积与池化，卷积核的大小为3，5，7，每个维度对应的池化核的大小为3，三个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
全局平均池化层用于将第二Inception的输出向量(64, 128)降维为一个长度为128的向量，该层将128通道上的向量进行平均池化；
全连接层得出分类结果的独热编码。
本发明的另一目的通过以下的技术方案实现：
一种无线信号调制方式智能监测识别系统，用于实现上述无线信号调制方式智能监测识别方法；包括预处理网络和分类网络；其中，预处理网络将送入信道后的信号还原成送入信道前的信号，并传输至分类网络；分类网络输出识别结果，即信号的调制方式。
同时，本发明提供：
一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述无线信号调制方式智能监测识别方法。
一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述无线信号调制方式智能监测识别方法。
本发明与现有技术相比，具有如下优点和有益效果：
本发明通过深度学习的方式实现对低信噪比信号输入的调制方式识别，同时相较于常规采用的数字滤波器的设计而言，本发明通过预处理网络实现信号重建，预处理网络的设计过程较为简单方便，部署方便简单，降低硬件的成本的与成本。
附图说明
图1为本发明所述一种信号调制方式智能监测识别方法的流程图。
图2为本发明所述预处理网络的工作流程图。
图3为本发明所述分类网络的工作流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1，一种信号调制方式智能监测识别方法，包括以下步骤：
S1、将送入信道后的信号输入到预处理网络，预处理网络将其还原成送入信道前的信号，并传输至分类网络；
S2、分类网络输出识别结果，即信号的调制方式。
如图2，所述预处理网络，包括顺序连接的编码器、隐藏编码层、解码器；其中，
编码器用于将输入的无线信号通过一个1024单元的LSTM层进行处理变成长度形状为（2，1024）的向量，其目的是将输入数据压缩到一个低维表示，即所需的编码；
隐藏编码层通过256个LSTM单元对从上一层的输出进行非线性变换完成隐藏，输出一个形状为（2，256）向量，其目的是去除输入数据中的噪声和冗余信息。提高模型的泛化能力，因为低维表示通常具有更好的可解释性。同时，隐藏层也可以防止自编码器对输入数据进行简单的拷贝，从而强制模型学习数据的本质特征。
解码器用于通过一个1024单元LSTM的将隐藏层的编码进行解码，其目的是降隐藏层的编码还原为原始的输入格式，即形状为（1024，2）。
所述编码器包括顺序连接的第一转置层、第一LSTM、第一批正则化层；其中，第一转置层用于将形状为（1024，2）的输入变形为（2，1024），保证编码器部分的拥有对输入信号最大的感受野，最大程度捕获到全局的特征，第一LSTM用于从带噪声以及受到多径效应影响的信号中提取特征，第一批正则化层用于规范化输入，批正则化可以减小输入的数据分布偏移，抵消LSTM的复杂计算带来的资源消耗，同时将模型更好地泛化到新的数据，同时也可以减少模型的过拟合问题；
所述隐藏编码层包括顺序连接的第二LSTM、第二批正则化层；其中，第二LSTM用于将上层编码继续压缩，变化为一个形状为（2，256），第二批正则化层用于规范化输入，减少过拟合现象；
所述编码器包括顺序连接的第三LSTM、第三批正则化层、第二转置层；其中，第三LSTM用于重建出不受噪声影响的原始信号，第三批正则化层用于规范化输入，减少过拟合现象，第二转置层用于还原出与输入信号形状相同的信号。
所述分类网络包括顺序连接的第三转置层、第一一维卷积层、第二一维卷积层、第四转置层、残差堆、第一Inception层、第二Inception层、全局平均池化层、全连接层；其中，
第三转置层用于保证输入信号在卷积层有最大的感受野，最大程度捕获到全局的特征；
第一一维卷积层用于信号压缩，初步提取信号特征,降低后续计算的复杂度，减少模型体积；
第二一维卷积层用于信号压缩,降低后续计算的复杂度，减少模型体积；
第四转置层用于将输出形状变为（512，2）；
残差堆用于堆叠四层卷积层实现对已压缩信号的特征提取能力，其由两个残差块组成，得益于其中的跳跃连接，在多层卷积堆叠时容易出现的梯度消失或梯度爆炸问题得以解决；
第一Inception层用于将残差堆输出在四个维度上进行卷积与池化，卷积核的大小为3，5，7，9，每个维度对应的池化核的大小为3，在不同尺度上捕捉输入向量的特征，四个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
第二Inception层用于将第一Inception层输出在三个维度上进行卷积与池化，卷积核的大小为3，5，7，每个维度对应的池化核的大小为3，三个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
全局平均池化层用于将第二Inception的输出向量(64, 128)降维为一个长度为128的向量，该层将128通道上的向量进行平均池化；
全连接层用得出分类结果的独热编码。
LSTM（Long Short-Term Memory）为长短期记忆网络。
所述预处理网络，其具体结构参数如表1所示。
表1
预处理网络即一个生成器，输入带有噪声且受多径效应影响的信号，网络的输出将减弱信道对信号的相位、振幅的影响，同时降低信号失真与色散。预处理网络具体包括以下部分：
第一转置层，输入为（1024，2），转置为（2，1024）；
第一LSTM，单元数量为1024，使用tanh作为激活函数；
第一批正则化层，输入向量为，输入将被标准化为：
；
其中为输入向量的均值，/>为方差，/>为一个防止除以0的情况的非常小的常数；
第二LSTM，单元数量为256，使用tanh作为激活函数；
第二批正则化层，计算方式与前述批正则化层相同；
第三LSTM，单元数量为1024，使用tanh作为激活函数；
第三批正则化层，计算方式与前述批正则化层相同；
第二转置层，输入为（2，1024），转置为（1024，2）。
预处理网络的设计从自编码器改进而来，使用在时间序列处理表现优秀的LSTM单元代替常用的卷积单元，实现网络对于序列建模能力增强，更好地捕捉输入数据的时间依赖关系。
预处理网络中使用转置，保证编码器部分的拥有对输入信号最大的感受野，最大程度捕获到全局的特征，之后将输出送至隐藏编码层，于该层得到数据的关键特征并实现数据降噪，完成后将输出至解码器构出和原始输入数据相似的输出。
由于LSTM具有更多的参数和复杂的计算结构，相对于卷积层，训练时间可能会更长，而且模型的资源消耗也会增加，在预处理网络中增加批正则化层，通过规范化每个隐藏层的输入，批正则化可以减小输入的数据分布偏移，从而加快网络的训练速度。
所述分类网络，其具体结构参数如表2所示。
表2
如图3，分类网络的工作流程如下：
第三转置层：入分类网络的识别信号为经过预处理网络处理的信号，形状为（1024，2）。信号首先经过转置层，将信号变为（2，1024）。
第一一维卷积层：单元数量为1024，卷积核大小3，移动步长为2，激活函数使用selu。
第二一维卷积层：单元数量为512，卷积核大小3，移动步长为2，激活函数使用selu。
第四转置层：将完成降维的信号形式变化位（512，2）。
残差堆：残差堆由两个残差块组成。
以及一层最大池化层，池化核大小为3。
第一残差块的组成如下：输入信号首先通过第一一维卷积层，单元数量为128，卷积核大小3，移动步长为2，激活函数使用selu，之后送入一层ReLU激活函数；之后再送入第二一维卷积层，单元数量为128，卷积核大小3，移动步长为2，最后输入一个线性激活函数f(x)=wx+b，w是权重，b是偏置项，x是输入值，最后输入一个加法器中将输入信号与线性激活函数的输出相加，得到该残差块的输出。
第二残差块的组成与第一残差块相同，信号经过卷积层后输入一层最大池化层。
下一步输入第一Inception层，该模块由四路的卷积组成，各路卷积之间为并行关系，信号输入该路卷积后将输入到最大池化层中，池化核大小为3。运算后将四路输出拼接为一个新的张量，每路的卷积单元数量位32，激活函数为selu，卷积核的大小分别为3，5，7，9。
再下一步输入第二Inception层，该模块由三路的卷积组成，各路卷积之间为并行关系，信号输入该路卷积后将输入到最大池化层中，池化核大小为3。运算后将四路输出拼接为一个新的张量，每路的卷积单元数量位32，激活函数为selu，卷积核的大小分别为3，5，7。
接着将合成的张量输出到全局平均池化层，输入向量的形式为（64，128），输出向量为：
；
此处的，/>，/>为输入向量位置（i，j）上通道c的值，输出向量的形状为128。
最后将特征向量输出到全连接层，激活函数为softmax，输入向量为，通过以下公式计算将映射向量/>映射为一个概率分布向量，概率的值的总和为1。
。
全连接层的单元数量为24，输出长度为24的特征向量，对应相应的调制方式的独热编码，完成信号调制方式识别，对应调制方式的24位独热编码如表3所示。
表3
建立本发明的数据集，包括送入信道前的信号的数据集D1，送入信道后的信号的数据集D2，数据集D1和D2对应的标签D3，标签使用独热编码；
建立本识别模型的预处理网路与分类网络分两个步骤：
第一步，预处理网络的训练输入为D2，预处理网络的输出为重构的信号，预期为D3，得到训练完成的预处理网络后将D2交由预处理网络进行处理得到D5。
第二步，分类网络的训练输入为D5，对应的标签作为输出进行训练，预期为D4。
在对预处理网络进行训练时使用固定学习率，学习率大小为0.00025，损失函数使用均方差（MSE），优化器使用ADAM，批大小使用1024。在对分类网络进行训练时需要使用Categorical cross-entropy作为损失函数，优化器使用ADAM，批大小使用1024，学习率使用指数衰减，初始学习率为0.001，衰减率为0.90，每2000步衰减一次，指标为accuracy。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种无线信号调制方式智能监测识别方法，其特征在于，包括以下步骤：
S1、将送入信道后的信号输入到预处理网络，预处理网络将其还原成送入信道前的信号，并传输至分类网络；
所述预处理网络，包括顺序连接的编码器、隐藏编码层、解码器；其中，编码器将输入的无线信号压缩到一个低维表示，即所需的编码；隐藏编码层对编码器的输出进行非线性变换完成隐藏；解码器将隐藏层的编码进行解码；
S2、分类网络输出识别结果，即信号的调制方式。
2.根据权利要求1所述无线信号调制方式智能监测识别方法，其特征在于，所述编码器包括顺序连接的第一转置层、第一LSTM、第一批正则化层；其中，第一转置层对输入的信号进行转置，保证编码器部分的拥有对输入信号最大的感受野，最大程度捕获到全局的特征，第一LSTM用于从带噪声以及受到多径效应影响的信号中提取特征，第一批正则化层用于规范化输入。
3.根据权利要求1所述无线信号调制方式智能监测识别方法，其特征在于，所述隐藏编码层包括顺序连接的第二LSTM、第二批正则化层；其中，第二LSTM用于将上层编码继续压缩，第二批正则化层用于规范化输入，减少过拟合现象。
4.根据权利要求1所述无线信号调制方式智能监测识别方法，其特征在于，所述编码器包括顺序连接的第三LSTM、第三批正则化层、第二转置层；其中，第三LSTM用于重建出不受噪声影响的原始信号，第三批正则化层用于规范化输入，减少过拟合现象，第二转置层用于还原出与输入信号形状相同的信号。
5.根据权利要求1所述无线信号调制方式智能监测识别方法，其特征在于，所述分类网络包括顺序连接的第三转置层、第一一维卷积层、第二一维卷积层、第四转置层、残差堆、第一Inception层、第二Inception层、全局平均池化层、全连接层；其中，
第三转置层用于保证输入信号在卷积层有最大的感受野，最大程度捕获到全局的特征；
第一一维卷积层用于信号压缩，初步提取信号特征,降低后续计算的复杂度，减少模型体积；
第二一维卷积层用于信号压缩,降低后续计算的复杂度，减少模型体积；
第四转置层用于将输出的信号进行转置；
残差堆用于堆叠多层卷积层，实现对已压缩信号的特征提取能力，其由两个残差块组成，两个残差块之间通过跳跃连接；
第一Inception层用于将残差堆输出在四个维度上进行卷积与池化，卷积核的大小为3，5，7，9，每个维度对应的池化核的大小为3，在不同尺度上捕捉输入向量的特征，四个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
第二Inception层用于将第一Inception层输出在三个维度上进行卷积与池化，卷积核的大小为3，5，7，每个维度对应的池化核的大小为3，三个并行分支的输出将会被拼接为一个携带更丰富信息的向量；
全局平均池化层用于将第二Inception的输出向量(64, 128)降维为一个长度为128的向量，该层将128通道上的向量进行平均池化；
全连接层得出分类结果的独热编码。
6.一种无线信号调制方式智能监测识别系统，其特征在于，用于实现权利要求1至5中任一权利要求所述无线信号调制方式智能监测识别方法；包括预处理网络和分类网络；其中，预处理网络将送入信道后的信号还原成送入信道前的信号，并传输至分类网络；分类网络输出识别结果，即信号的调制方式。
7.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现权利要求1至5中任一权利要求所述无线信号调制方式智能监测识别方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现权利要求1至5中任一权利要求所述无线信号调制方式智能监测识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011742.XA CN116760674B (zh) | 2023-08-11 | 2023-08-11 | 一种无线信号调制方式智能监测识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011742.XA CN116760674B (zh) | 2023-08-11 | 2023-08-11 | 一种无线信号调制方式智能监测识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116760674A true CN116760674A (zh) | 2023-09-15 |
| CN116760674B CN116760674B (zh) | 2023-11-24 |
Family
ID=87951695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311011742.XA Active CN116760674B (zh) | 2023-08-11 | 2023-08-11 | 一种无线信号调制方式智能监测识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116760674B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
| CN110995631A (zh) * | 2019-11-06 | 2020-04-10 | 中国空间技术研究院 | 一种基于lstm和svm的通信信号调制模式识别方法及系统 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN114360069A (zh) * | 2022-01-13 | 2022-04-15 | 西安工程大学 | 一种基于无线信号的多模态特征融合步态识别方法 |
| CN115955376A (zh) * | 2022-12-28 | 2023-04-11 | 南京邮电大学 | 基于卷积神经网络和DAE_Transformer的调制识别方法 |
| CN116361683A (zh) * | 2023-01-17 | 2023-06-30 | 沈阳理工大学 | 时序相关特征及多尺度空间特征协作的调制识别方法 |
| US11700156B1 (en) * | 2022-02-10 | 2023-07-11 | Nanjing University Of Aeronautics And Astronautics | Intelligent data and knowledge-driven method for modulation recognition |
-
2023
- 2023-08-11 CN CN202311011742.XA patent/CN116760674B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
| CN110995631A (zh) * | 2019-11-06 | 2020-04-10 | 中国空间技术研究院 | 一种基于lstm和svm的通信信号调制模式识别方法及系统 |
| CN113094993A (zh) * | 2021-04-12 | 2021-07-09 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
| CN114360069A (zh) * | 2022-01-13 | 2022-04-15 | 西安工程大学 | 一种基于无线信号的多模态特征融合步态识别方法 |
| US11700156B1 (en) * | 2022-02-10 | 2023-07-11 | Nanjing University Of Aeronautics And Astronautics | Intelligent data and knowledge-driven method for modulation recognition |
| CN115955376A (zh) * | 2022-12-28 | 2023-04-11 | 南京邮电大学 | 基于卷积神经网络和DAE_Transformer的调制识别方法 |
| CN116361683A (zh) * | 2023-01-17 | 2023-06-30 | 沈阳理工大学 | 时序相关特征及多尺度空间特征协作的调制识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张姬等: "基于联合卷积与记忆神经网络的信号自动调制识别", 《计算机应用与软件》, vol. 39, no. 8, pages 1 - 8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116760674B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kurka et al. | Bandwidth-agile image transmission with deep joint source-channel coding | |
| Xu et al. | Wireless image transmission using deep source channel coding with attention modules | |
| CN110350958B (zh) | 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法 | |
| CN109525292B (zh) | 一种采用比特级优化网络的信道信息压缩反馈方法 | |
| CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
| CN109104248B (zh) | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 | |
| JP2019220104A (ja) | センサノード及びデータセンタとして機能する装置、センサネットワーク、通信方法及びプログラム | |
| CN113938254B (zh) | 一种基于注意力机制的分层信源信道联合编码传输系统及其传输方法 | |
| CN114337933B (zh) | 基于scma的高速可见光通信系统及自适应编解码方法 | |
| CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
| Al‐Makhlasawy et al. | Modulation classification in the presence of adjacent channel interference using convolutional neural networks | |
| CN107437976B (zh) | 一种数据处理方法及设备 | |
| Vahdat et al. | PAPR reduction scheme for deep learning-based communication systems using autoencoders | |
| CN116760674B (zh) | 一种无线信号调制方式智能监测识别方法及系统 | |
| CN111935041A (zh) | 一种下行场景中分层混合调制实现高阶scma系统的方法 | |
| Dong et al. | Innovative semantic communication system | |
| Xu et al. | Low complexity rate-adaptive deep joint source channel coding for wireless image transmission using tensor-train decomposition | |
| CN105900364B (zh) | 使用扩展点阵列的map解码方法 | |
| Guo et al. | Digital-SC: Digital Semantic Communication with Adaptive Network Split and Learned Non-Linear Quantization | |
| CN115361556A (zh) | 一种基于自适应的高效视频压缩算法及其系统 | |
| Li et al. | Stacked denoising autoencoder enhanced Polar codes over Rayleigh fading channels | |
| Zhao et al. | End-to-End auto-encoder system for deep residual shrinkage network for AWGN channels | |
| Huang et al. | A novel convolutional neural network architecture of deep joint source-channel coding for wireless image transmission | |
| Njoku et al. | BLER performance evaluation of an enhanced channel autoencoder | |
| CN115314156B (zh) | 基于自编码网络的ldpc编译码方法及系统 |
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 |