CN116962127A - 一种基于深度学习的Link11信号检测与识别方法 - Google Patents
一种基于深度学习的Link11信号检测与识别方法 Download PDFInfo
- Publication number
- CN116962127A CN116962127A CN202310672480.5A CN202310672480A CN116962127A CN 116962127 A CN116962127 A CN 116962127A CN 202310672480 A CN202310672480 A CN 202310672480A CN 116962127 A CN116962127 A CN 116962127A
- Authority
- CN
- China
- Prior art keywords
- signal
- link11
- network
- neural network
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 230000010354 integration Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 16
- 239000000284 extract Substances 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的Link11信号检测与识别方法,属于信号的检测与识别方法的领域。现有的通信信号识别存在检测和识别的准确率低的问题。一种基于深度学习的Link11信号检测与识别方法,包括:构建Link11数据集;采用完全连接的深度神经网络构建检测Link11信号的深度神经网络;利用步骤二构建的深度神经网络检测Link11信号;基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别。本发明将卷积神经网络(CNN)与长期短期记忆(LSTM)网络融合共同提取信号特征,实现高精度的识别。
Description
技术领域
本发明涉及通信信号的检测与识别方法,特别涉及一种基于深度学习的Link11信号检测与识别方法。
背景技术
数据链是通过无线信道进行传输的具有规范数据格式和统一通信协议的数据信息通信传输系统,具有自动化程度高、传输数据准、时效性强、保密性好的特点[2]。随着数据链技术快速发展,信号编码调制方法与日俱增,调制层级不断增多,加密手段更加丰富,无形中增大了信号辨识的难度。因此,对数据链识别的研究更是迫在眉睫。
目前采用传统的方法研究Link4、Link11和Link22等数据链信号的识别。但传统的调制识别算法在识别过程中需要较多的先验知识,某些判决阈值的设定往往依赖于设计者的主观经验,算法适应性不强,从而导致数据链信号的识别准确率不高。应对当今信号调制方式复杂、信号干扰繁多的环境,采用深度学习的方法对信号的识别方面具有较为良好的效果。
通信系统中,接收端想要对信号信息进行有效获取,首先需要在复杂的通信环境中检测到信号,其次对检测信号的相关参数进行估计,再次对接收信号的调制方式进行识别,最后通过处理得到的参数信息与调制信息对接收信号进行解调,得到信号所携带的完整信息。因此,准确判断接收数据中是否存在目标通信信号是后续信号能否顺利进行调制识别的基础。
目前,常用的信号检测方法主要分为匹配滤波法、循环平稳法、特征值检测法和能量检测法以及采用深度学习的方法。前四类传统的信号检测算法,都只重点关注信号存在性判定问题,已经不能满足如今的技术要求。深度学习的飞速发展为通信信号检测打开了一扇新的窗户,逐渐引起学者们的研究兴趣,但目前仍处于起步阶段,发表的研究成果并不多见。
基于深度学习的信号检测方法,通过搭建和训练网络模型即可自动提取信号特征完成检测分类,实际中效果优于传统方法。本发明将对Link11信号进行检测,如何高效构建通信信号标注样本集,以及根据通信信号特性适当地改进网络结构和训练算法,是深度学习应用于通信信号检测中的关键问题。
信号的识别一直是通信领域研究的热点课题。目前,通信信号的识别主要分为两大类:传统方式的识别算法和基于机器学习的识别算法。基于统计模式识别方法和决策理论识别方法虽然简单可行,但是仍存在许多的不足,比如数学计算高度复杂、抗噪性能差、需要的先验知识多等。因此,越来越多的学者使用基于机器学习的识别算法。基于机器学习的识别算法主要有分类器和神经网络。得益于深度学习技术的突破,基于神经网络的信号调制识别方法蓬勃发展,取得了良好的识别效果。本发明将针对Link11信号特点设计网络,以寻找最优且最精简的网络模型和训练策略,进一步提高该信号的识别率。
发明内容
本发明的目的是为了解决现有的通信信号识别存在检测和识别的准确率低的问题,而提出一种基于深度学习的Link11信号检测与识别方法。
上述目的通过以下的技术方案实现:
一种基于深度学习的Link11信号检测与识别方法,所述方法通过以下步骤实现:
步骤一、构建Link11数据集;
步骤二、采用完全连接的深度神经网络构建检测Link11信号的深度神经网络(CLDNN);
步骤三、利用步骤二构建的深度神经网络检测Link11信号;
步骤四、基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别。
进一步地,步骤一所述的构建Link11数据集的过程是基于MATLAB来产生信号的,具体为:
设定数据链信号仿真参数,包括采样速率、符号率、高斯白噪声、相对频率偏移、多径数量、多径时延和多径衰落等;
之后,产生信息序列,代表调制信号所传输的信息;
之后,进行信号调制,使用前面设定的调制类别对随机序列执行调制操作,得到信号数据;
之后,进行信号采样,在采样定理允许范围内设置合适的采样速率对调制后信号进行采样;
之后,进行数据存储,把数据存储为dat文件。
进一步地,步骤二所述的采用完全连接的深度神经网络构建的检测Link11信号的深度神经网络的具体结构:
深度神经网络包括5个卷积层、2个LSTM层和3个全连接层;前两个卷积层的接收域尺寸较小,滤波器数量较少,用于选择小尺度的特征;接下来的三个卷积层的滤波器数量更多,接收域更大,用于识别更多大尺度的特征;将CNN输出传递给两个LSTM层,其中每个LSTM层有128个cell;最后,将LSTM的输出传递给3个完全连接的DNN层,激活函数是sigmoid函数,它将输出一个在0到1之间的值;极端情况为“0”表示只存在噪声,“1”表示信号和噪声同时存在。
进一步地,步骤三所述的利用步骤二构建的深度神经网络检测Link11信号的过程是指将接收到的信号进行时频变换得到信号的时频图,之后,根据信号的调制参数对时频中的所有像素标签化,并将时频图放入CLDNN网络中训练,实现Link11信号的检测;
利用H0表示只有噪声存在情况,H1表示信号和噪声同时存在的情况;两种假设的接收信号样本,表示为:
选择两个概率用于评估方法的性能;当检测到假设H1处的信号时,称其为检测到Pd的概率,当检测到假设H0处的信号时,称其为虚警概率Pfa;最终获得Pd和Pfa随信噪比变化的趋势图像。
进一步地,步骤四所述的基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别的步骤,具体为:
首先,对收到的信号进行预处理,以优化信号;然后,提取信号特征并送入神经网络训练;最终,得到信号调制方式;其中,
所述的CNN网络的结构设计为:
卷积神经网络划分为4个层次,卷积层用于对输入的数据进行处理,在提取特征的同时会提升特征图的维度;利用池化层对各个小区域进行处理,只保留最具代表性的特征;之后,通过全连接层来对前面的特征进行转换,将得到的局部特征图进行全局上的整合;之后,由Softmax层得到预测的结果;
所述的LSTM网络的结构设计为:
LSTM使用h和c表示传输状态,把x表示当前的输入,通过三个门来选择性的学习数据特征并更新传输状态,三个门的具体原理如下:
遗忘门部分,数据首先在遗忘门的作用下选择性学习部分特征;
ft=σ(Ufht-1+Wfxt)
输入门部分对传输状态c进行更新:
it=σ(Uiht-1+Wixt)
ct=tanσ(Ught-1+Wgxt)⊙it+ct-1⊙ft
输出门部分通过激活函数得到传输状态ht以及输出:
ot=σ(Uoht-1+Woxt)
ht=tanh(ct)⊙ot
实现数据的接收或输出。
本发明的有益效果为:
本发明实现对Link11信号检测与识别。使用神经网络对Link11数据链通信信号检测与识别,并且在现有的基础上进一步提升信号的检测率和识别率。数据链路信号通过天线、雷达、侦查卫星以及各种探测传感器获得。由于通信手段多样化以及电磁环境日渐复杂,传统的信号检测与识别方法满足不了各方需求。本发明将深度学习引入到Link11信号的检测与识别中,弥补传统的信号检测与识别方法的不足,使其在实际应用中具有重要价值。
大多数研究人员直接将数据集放入神经网络进行训练,通常不会对数据集进行预处理。本发明将会对Link11数据集进行预处理,设置条件,进一步优化信号,使得数据集中有效信息更加突出,排除无效信息的干扰。
近几年,对Link11信号的检测与识别采用的是传统方法,暂时还没有将神经网络引入到该信号的检测与识别中。针对信号检测,本发明采用深度神经网络(CLDNN),实现高精度的检测。针对信号调制识别,大多采用的是单一网络对Link11信号进行调制识别。本发明将卷积神经网络(CNN)与长期短期记忆(LSTM)网络融合共同提取信号特征,实现高精度的识别。
附图说明
图1是本发明的方法流程图;
图2是本发明涉及的CLDNN结构图示;
图3是本发明涉及的信号检测流程图;
图4是本发明涉及的融合网络结构图示;
图5是本发明涉及的信号调制识别流程图;
图6是本发明涉及的CNN神经网络结构图示;
图7是本发明涉及的STM单元结构图示;
图8是本发明仿真实验部分涉及的Link11时域波形图;
图9是本发明仿真实验部分涉及的RML2016.10A+CNN实验结果。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本发明优选的实施例:
请参阅图1-图7,本发明提供一种技术方案:
一种基于深度学习的Link11信号检测与识别方法,如图1所示,所述方法通过以下步骤实现:
步骤一、构建Link11数据集;
本发明主要研究Link11数据链轮询呼叫模式,该模式有三种数据传输报文,报文格式如下表所示。
类型 | 前导码 | 相位参考 | 起始码 | 数据帧 | 终止码 | 地址码 |
网控站报告 | 5帧 | 1帧 | 2帧 | 10帧 | 2帧 | 2帧 |
网控站呼叫 | 5帧 | 1帧 | 0帧 | 0帧 | 0帧 | 2帧 |
前哨站应答 | 5帧 | 1帧 | 2帧 | 1-100帧 | 2帧 | 0帧 |
前导码是一个由605Hz和2915Hz两个单音信号组成的5帧数据。在高频信道中,受多普勒效应的影响,Link11数据链信号频率可能会发生改变。605Hz单音信号用于校正多普勒频移,确保接收端正确解调数据。2915Hz单音信号用于帧同步,采用BPSK调制,在帧结束时其相位有180°跳变,用于标识帧的结束位置,帮助接收端准确解析和划分数据帧。
相位参考帧是一个由16个单音频率信号组成的1帧数据。除605Hz单音信号外,其余15个单音信号为π/4-DQPSK调制提供相位参考。数据帧是由16个单音信号组成的若干帧数据,每帧由24bit数据和6bit纠错码组成。
控制码帧可分为起始码、终止码和地址码。起始码是一个由两个8进制数7450604077和5467322342组成的2帧数据。终止码分为前哨终止码和控制站终止码两种。前哨终止码是由两个8进制数7777777777和7777777777组成的2帧数据。控制终止码是由两个8进制数0000000000和00000 00000组成的2帧数据。地址码是由两个8进制地址编号组成的2帧数据,第一帧为参与单元的址码,第二帧是下一个参与单元的地址码。
步骤二、采用完全连接的深度神经网络(DNN)构建检测Link11信号的深度神经网络(CLDNN);
步骤三、利用步骤二构建的深度神经网络(CLDNN)检测Link11信号;
步骤四、基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别。
步骤一所述的构建Link11数据集的过程是基于MATLAB来产生信号的,具体为:
设定数据链信号仿真参数,包括采样速率、符号率、高斯白噪声、相对频率偏移、多径数量、多径时延和多径衰落等;
之后,产生信息序列,代表调制信号所传输的信息;
之后,进行信号调制,使用前面设定的调制类别对随机序列执行调制操作,得到信号数据;
之后,由于经过仿真信道,调制信号在传输过程中会遇到不同的信道环境,如高斯信道下存在不同范围的高斯白噪声以及频率偏移,瑞利信道下存在多径效应的影响,根据具体情况选用不同的信道环境进行仿真;
之后,进行信号采样,在采样定理允许范围内设置合适的采样速率对调制后信号进行采样;
之后,进行数据存储,把数据存储为dat文件。
步骤二所述的采用完全连接的深度神经网络(DNN)构建的检测Link11信号的深度神经网络的具体结构如图2所示:
深度神经网络包括5个卷积层、2个LSTM层和3个全连接层;前两个卷积层的接收域尺寸较小,滤波器数量较少,用于选择小尺度的特征;接下来的三个卷积层的滤波器数量更多,但接收域更大,用于识别更多大尺度的特征;因为随着数据经过的层数越多,原始信号信息逐渐丢失,在接收域变小的基础上可以保留更多的原始信号信息。将CNN输出传递给两个LSTM层,其中每个LSTM层有128个cell;最后,将LSTM的输出传递给3个完全连接的DNN层,激活函数是sigmoid函数,它将输出一个在0到1之间的值;极端情况为“0”表示只存在噪声,“1”表示信号和噪声同时存在;
步骤三所述的利用步骤二构建的深度神经网络(CLDNN)检测Link11信号的过程是指将接收到的信号进行时频变换得到信号的时频图,之后,根据信号的调制参数对时频中的所有像素标签化,并将时频图放入CLDNN网络中训练,实现Link11信号的检测,具体流程如图3所示,具体为:
通常,信号检测问题可以看作是一个二元假设检验。利用H0表示只有噪声存在情况,H1表示信号和噪声同时存在的情况;两种假设的接收信号样本,表示为:
选择两个概率用于评估方法的性能;当检测到假设H1处的信号时,称其为检测到Pd的概率,当检测到假设H0处的信号时,称其为虚警概率Pfa;最终获得Pd和Pfa随信噪比变化的趋势图像。
步骤四所述的基于CNN网络和LSTM网络融合形成新的识别网络,网络结构如图4所示,以对Link11信号进行调制识别的步骤,具体为:
Link11信号的检测,仅仅是判断出信号是否存在,还未曾判断出该信号采用的哪一种调制方式。目前对Link11信号的识别都是采用传统调制识别的方法,本发明将神经网络应用于Link11信号调制识别。首先,对收到的信号进行预处理,以优化信号,使得处理后的信号可以方便后续的特征提取;然后,提取信号特征并送入神经网络训练;最终,得到信号调制方式;具体流程如图5所示的基于神经网络的识别流程图示。其中,
所述的CNN网络的结构设计为:
卷积神经网络划分为4个层次,卷积层用于对输入的数据进行处理,在提取特征的同时会提升特征图的维度;在维度增大之后,图像的大小同样也会变大,所以图像在卷积后通常会进行池化处理。利用池化层对各个小区域进行处理,只保留最具代表性的特征;因此,池化层有助于降低数据规模,提高计算效率。之后,通过全连接层来对前面的特征进行转换,将得到的局部特征图进行全局上的整合;之后,由Softmax层得到预测的结果;卷积神经网络的一般结构如图6所示。
CNN在信息处理方面的特征体现在权值共享、自动提取特征和感受野等方面。权值共享的意义在于降低卷积核中的参数数目,即在图像的遍历运算中,滤波器的参数保持不变。自动提取特征则是基于自适应的方式,来提取图像的抽象特征。CNN依据输入的原始数据自主提取具有代表性的特征。感受野则能够呈现出特征图的局部特征关联性。在识别调制信号时,这种方式能够提取到信号中更抽象的特征。
所述的LSTM网络的结构设计为:
LSTM网络的全称为长短期记忆网络,LSTM网络是基于循环神经网络的优化和变形。能够客服循环神经网络只具有短时记忆的缺点,LSTM能够处理长时记忆问题,因此该网络在解决时序相关问题时表现出色,因而在自然语言处理以及时序信号处理方面被广泛的使用。其结构如图7所示。
LSTM使用h和c表示传输状态,把x表示当前的输入,通过三个门来选择性的学习数据特征并更新传输状态,三个门的具体原理如下:
遗忘门部分,数据首先在遗忘门的作用下选择性学习部分特征;
ft=σ(Ufht-1+Wfxt)
输入门部分对传输状态c进行更新:
it=σ(Uiht-1+Wixt)
ct=tanσ(Ught-1+Wgxt)⊙it+ct-1⊙ft
输出门部分通过激活函数得到传输状态ht以及输出:
ot=σ(Uoht-1+Woxt)
ht=tanh(ct)⊙ot
LSTM可以对“门”的开合度进行调整,继而实现数据的针对性的接收或输出,这种方式具有明显的自适应性和灵活度。而这样的“门”LSTM有三个,因此,基于“门”的控制方式提升了对于外部环境响应的效率,使得网络具有了更强的表达能力。
仿真实验
采用Ma等人针对认知无线电频谱感知问题,利用匹配滤波检测器和能量检测器进行融合判决检测的方法,选取数据集,有效减轻了次用户出联对频谱感知的影响。根据此方法生成数据集。数据集中某一个时隙的Link11时域波形图,如图8所示。
使用的python环境搭建完毕和相关类库已安装。之后进行信号检测与识别,将卷积神经网络(CNN)与长期短期记忆(LSTM)网络融合共同提取信号特征,下载相关的数据集RadioML系列数据集,仿真出RML2016.10A+CNN的识别结果,如图9所示。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (5)
1.一种基于深度学习的Link11信号检测与识别方法,其特征在于:所述方法通过以下步骤实现:
步骤一、构建Link11数据集;
步骤二、采用完全连接的深度神经网络构建检测Link11信号的深度神经网络;
步骤三、利用步骤二构建的深度神经网络检测Link11信号;
步骤四、基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别。
2.根据权利要求1所述的一种基于深度学习的Link11信号检测与识别方法,其特征在于:步骤一所述的构建Link11数据集的过程是基于MATLAB来产生信号的,具体为:
设定数据链信号仿真参数,包括采样速率、符号率、高斯白噪声、相对频率偏移、多径数量、多径时延和多径衰落等;
之后,产生信息序列,代表调制信号所传输的信息;
之后,进行信号调制,使用前面设定的调制类别对随机序列执行调制操作,得到信号数据;
之后,进行信号采样,在采样定理允许范围内设置合适的采样速率对调制后信号进行采样;
之后,进行数据存储,把数据存储为dat文件。
3.根据权利要求2所述的一种基于深度学习的Link11信号检测与识别方法,其特征在于:步骤二所述的采用完全连接的深度神经网络构建的检测Link11信号的深度神经网络的具体结构:
深度神经网络包括5个卷积层、2个LSTM层和3个全连接层;前两个卷积层的接收域尺寸较小,滤波器数量较少,用于选择小尺度的特征;接下来的三个卷积层的滤波器数量更多,接收域更大,用于识别更多大尺度的特征;将CNN输出传递给两个LSTM层,其中每个LSTM层有128个cell;最后,将LSTM的输出传递给3个完全连接的DNN层,激活函数是sigmoid函数,它将输出一个在0到1之间的值;极端情况为“0”表示只存在噪声,“1”表示信号和噪声同时存在。
4.根据权利要求3所述的一种基于深度学习的Link11信号检测与识别方法,其特征在于:步骤三所述的利用步骤二构建的深度神经网络检测Link11信号的过程是指将接收到的信号进行时频变换得到信号的时频图,之后,根据信号的调制参数对时频中的所有像素标签化,并将时频图放入CLDNN网络中训练,实现Link11信号的检测;
利用H0表示只有噪声存在情况,H1表示信号和噪声同时存在的情况;两种假设的接收信号样本,表示为:
选择两个概率用于评估方法的性能;当检测到假设H1处的信号时,称其为检测到Pd的概率,当检测到假设H0处的信号时,称其为虚警概率Pfa;最终获得Pd和Pfa随信噪比变化的趋势图像。
5.根据权利要求4所述的一种基于深度学习的Link11信号检测与识别方法,其特征在于:步骤四所述的基于CNN网络和LSTM网络融合形成新的识别网络,以对Link11信号进行调制识别的步骤,具体为:
首先,对收到的信号进行预处理,以优化信号;然后,提取信号特征并送入神经网络训练;最终,得到信号调制方式;其中,
所述的CNN网络的结构设计为:
卷积神经网络划分为4个层次,卷积层用于对输入的数据进行处理,在提取特征的同时会提升特征图的维度;利用池化层对各个小区域进行处理,只保留最具代表性的特征;之后,通过全连接层来对前面的特征进行转换,将得到的局部特征图进行全局上的整合;之后,由Softmax层得到预测的结果;
所述的LSTM网络的结构设计为:
LSTM使用h和c表示传输状态,把x表示当前的输入,通过三个门来选择性的学习数据特征并更新传输状态,三个门的具体原理如下:
遗忘门部分,数据首先在遗忘门的作用下选择性学习部分特征;
ft=σ(Ufht-1+Wfxt)
输入门部分对传输状态c进行更新:
it=σ(Uiht-1+Wixt)
ct=tanhσ(Ught-1+Wgxt)⊙it+ct-1⊙ft
输出门部分通过激活函数得到传输状态ht以及输出:
ot=σ(Uoht-1+Woxt)
ht=tanh(ct)⊙ot
实现数据的接收或输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672480.5A CN116962127A (zh) | 2023-06-07 | 2023-06-07 | 一种基于深度学习的Link11信号检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672480.5A CN116962127A (zh) | 2023-06-07 | 2023-06-07 | 一种基于深度学习的Link11信号检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116962127A true CN116962127A (zh) | 2023-10-27 |
Family
ID=88457273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310672480.5A Pending CN116962127A (zh) | 2023-06-07 | 2023-06-07 | 一种基于深度学习的Link11信号检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116962127A (zh) |
-
2023
- 2023-06-07 CN CN202310672480.5A patent/CN116962127A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
Gao et al. | Deep learning for spectrum sensing | |
Dong et al. | SR2CNN: Zero-shot learning for signal recognition | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
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 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
Tekbıyık et al. | Spectrum sensing and signal identification with deep learning based on spectral correlation function | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
Pan et al. | A cognitive radio spectrum sensing method for an OFDM signal based on deep learning and cycle spectrum | |
CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
CN112787736B (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
Xu et al. | Spectrum sensing based on parallel CNN-LSTM network | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN111726182B (zh) | 一种非高斯噪声衰落信道下多主用户动态频谱感知方法 | |
CN110084126A (zh) | 一种基于Xgboost的卫星通信干扰样式识别方法 | |
Toro et al. | Machine-learning-assisted signal detection in ambient backscatter communication networks | |
Zecchin et al. | Robust Bayesian learning for reliable wireless AI: Framework and applications | |
Ghasemzadeh et al. | GGCNN: An efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification | |
CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
CN114595729A (zh) | 基于残差神经网络与元学习融合的通信信号调制识别方法 | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN116962127A (zh) | 一种基于深度学习的Link11信号检测与识别方法 | |
Bkassiny | A deep learning-based signal classification approach for spectrum sensing using long short-term memory (LSTM) networks | |
CN116680608A (zh) | 一种基于复数图卷积神经网络的信号调制识别方法 | |
Luo et al. | UAV Spectrum Sensing of Normalized Spectrum based on GRU network |
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 |