CN117061289A - 一种基于频域数据压缩感知的复合调制信号盲识别的方法 - Google Patents
一种基于频域数据压缩感知的复合调制信号盲识别的方法 Download PDFInfo
- Publication number
- CN117061289A CN117061289A CN202310624327.5A CN202310624327A CN117061289A CN 117061289 A CN117061289 A CN 117061289A CN 202310624327 A CN202310624327 A CN 202310624327A CN 117061289 A CN117061289 A CN 117061289A
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- frequency domain
- pcm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002131 composite material Substances 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 8
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008707 rearrangement Effects 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 abstract 1
- 238000013144 data compression Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 description 2
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于频域数据压缩感知的复合调制信号盲识别的方法，属于信号处理领域。首先获取复合调制信号的频域数据，将复合调制信号的原始频域数据使用压缩感知进行降维，使用降维后的数据构建特征数据库，然后将特征数据库划分为训练集和测试集，最后通过基于倒残差分组卷积和通道重排的浅层神经网络模型进行分类识别。相比已有的同领域基于高阶累积量和平方谱特征的识别方法，本发明提出的频域数据压缩感知特征可大大降低计算复杂度，专门构建的轻量化神经网络可有效提高复合调制信号的正确识别率。
Description
技术领域
本发明属于信号处理领域，特别是复合调制信号盲识别方法。
背景技术
为应对空间测控通信对频谱利用率和安全可靠通信的高要求，现代测控通信系统的信号体制多采用复合调制(Composite Modulation，CM)方式。根据空间数据系统咨询委员会(Consultive Committee for Space Data Systems，CCSDS)建议，常用复合调制信号包括统一载波体制和扩频通信体制。其中统一载波体制应用最为广泛，它首先将基带信号码元进行脉冲编码调制(Pulse code modulation，PCM)，再采用多进制相移键控(Multi-phase shift keying，MPSK)方式对副载波进行内调制；然后采用频率调制(Frequencymodulation，FM)或相位调制(Phase modulation，PM)方式将多个可能的副载波进行外调制。相较于单一调制的通信信号，这种“脉冲编码/多副载波内调制/外调制”形式的复杂体制大大增加了信号认知难度，在无先验信息的非合作通信及低信噪比条件下尤为困难。
一般地，对信号进行认知的基本思路包括基于最大似然假设的方法、基于特征提取和模式识别的方法等两大类。前者基于严格的数学推导，通过求解概率密度函数的未知数来获得理论上的最优性能，但该方法需要充分的先验信息，且当未知变量较多时计算复杂度较高，工程实现困难；后者通过提取信号的特征并构造特征集，然后选取特定的分类器来实现模式识别，该方法不依赖于先验知识，在一定信噪比条件下对非合作通信信号的识别性能较好。
已有方法多借鉴单一调制类型识别的常用特征，例如：使用信号瞬时幅度、谱线特征、频谱特征及信号信息分量作为特征+决策树分类的方法在信噪较高(5dB)时，可达到97.31％的识别率，然而在较低信噪比下由于特征数量过少表现并不理想；基于四阶高阶累积量(Higher-order cumulants，HOC)和平方谱特征，采用决策树分类器完成PCM/MPSK/PM信号的调制识别，在信噪比2dB时对各类CM信号的正确识别率均达到95％以上。但是上述方法的识别效果一方面依赖于所构造的CM信号特征集是否具有唯一性和完备性；与此同时，因候选CM特征通常涉及统计特性，故不可避免地对信号样本量有较高要求。
另外在测控通信应用中，为提高电磁兼容性和增加遥测距离，常将多个子载波一并调制到主载波上实现联合传输。在这种CM策略下，由于内调制信号包括多路用户数据，每路的调制方式可能不同，因此不得不采取所谓的间接识别方法：先进行外调制识别，经解调、提取信号瞬时相位或瞬时频率，得到内调制信号，再进行内调制方式识别。
总体上，现有基于特征提取和模式识别的复合调制盲识别方法对CM信号特征、样本数很敏感，在低信噪比下识别效果不理想，且在多子载波情况下识别流程繁琐，不利于实际应用。因此迫切需要构建一套易于实现且高效的复合调制盲识别方法。
发明内容
本发明的目的在于针对现有复合调制盲识别方法存在的计算量大、过程繁琐、在低信噪比下效果不佳等技术问题，提供一种基于频域数据压缩感知的复合调制信号盲识别的解决方案。本发明提出的方法分为以下两大步骤：首先以复合调制信号的频域数据为特征，并通过压缩感知进行特征降维，然后构建了一个基于倒残差结构和分组卷积思想的轻量化神经网络(G-ConvNet)，由此实现对压缩数据的训练和分类识别。
本发明的技术方案为一种基于频域数据压缩感知的复合调制信号盲识别的方法，该方法包括：
步骤1：模式处理；
步骤1.1：设ai(t)和bi(t)为调制在第i个子载波上的多用户信息数据流，均通过非归零PCM编码得到，其表达式为：
其中，ci,k∈{-1,1}和di,k∈{-1,1}表示未成型滤波的数据码元，Ti表示第i个子载波的符号周期，k表示第k个码元周期，gi(t)表示第冲波形，定义为：
步骤1.2：设复合调制信号的内调制包含n个子载波，则PCM/BPSK或PCM/QPSK格式的复合调制信号si(t)i∈{1,2,…,n}由下式获得：
其中，fi和分别为第i个子载波的频率和初始相位，对于PCM/BPSK调制，有bi(t)＝0；
步骤1.3：由n个子载波组成的通带传输的PCM/PSK/PM信号SPCM/PSk/PM(t)表示为：
其中，Ap、fp、Φ0分别表示外层PM调制信号的幅度、载波频率、初始载波相位，Kp为相位调制指数，对每个内调制信号si(t)，子载波波形与其承载的数据流在过零点处同步，因而有
因此，传输的PCM/PSK/PM信号SPCM/PSK/PM(t)为：
其中，Re{}表示对括号内的复数取实部；表示由si(t)所给出的等价复基带信号，有：
其中实部和虚部分别为：
步骤1.4：由n个子载波组成的通带传输的PCM/PSK/FM信号SPCM/PSK/FM(t)表示为
其中，AF,fF,Φ0分别为外层FM调制信号的幅度、载波频率和初始相位；Kf为频率调制指数，其正常范围为0.2≤Kf≤1.4；
步骤1.5：传输的PCM/PSK/FM信号SPCM/PSK/PM(t)表示为
其中，Re{}同前；等价复基带信号为
其中实部和虚部分别为
根据上述方法得到复合调制时域信号,然后经采样和离散傅氏变换得到频域数据；
步骤2：对复合调制信号的频域数据进行压缩感知；
步骤2.1：随机产生一个观测矩阵；观测矩阵为高斯测量矩阵A，由1和-1组成；
矩阵A满足RIP条件：
其中，为稀疏信号，||x||2表示x的欧几里得范数，0≤r≤n表示稀疏系数，常数εr∈(0,1)；
步骤2.2：由步骤1.1求出高斯测量矩阵A后，利用压缩感知公式y＝Ax,将原始维度为1024×1的复合调制信号的频域数据x，压缩为维度为64×1的数据
步骤2.3：将步骤2.2得到的压缩矩阵y转置为1×64的特征向量，作为后续模式识别的输入；
步骤3：构建基于倒残差结构和分组卷积思想的轻量化神经网络(G-ConvNet)，对步骤2得到的频域压缩感知数据进行识别；
所述轻量化神经网络包括：特征提取模块(E-Unit)、倒残差分组卷积模块(Inverted residual G-Unit)，最后由分类模块(C-Unit)；
所述特征提取模块依次包括：卷积层(conv1)、BN层、非线性激活函数；
所述倒残差分组卷积模块依次包括：1×1卷积层、BN层、relu6层，3×3分组卷积层、通道重排(shuffle)层、BN层、relu6层，1×1卷积层、BN层、relu6层；
所述分类模块依次包括：max pooling层、全连接层、输出层。
进一步的，所述步骤3的特征提取模块中的BN层的数据处理方法为：
输入为{x1,x2,...xi...,xM}，首先对输入数据进行归一化处理：其中，ε保证均方差稳定性的常数，通常取ε＝10-5M为该mini-batch中的数据个数；
最终输出输出yi：
其中，γ,β分别表示尺度因子和偏置值，均为网络超参数；
所述非线性激活函数为relu6，取值范围被限制在(0,6)范围内，其定义如下：
进一步的，所述步骤3分类模块中的输出层为softmax函数，其定义如下：
其中，Ffc为FC层的输出；
选用交叉熵；作为损失函数；定义为：
其中，Tl为预期的类别概率，l为分类总数，l＝1,2,...,L，vl为G-ConvNet网络输出的最终分类概率。
本发明提高了复合调制信号的识别率，同时降低了计算资源开销。
附图说明
图1为G-ConvNet网络的整体结构图。
图2为本发明提出的复合调制信号盲识别方法(CS+G-ConvNet)对10种CM信号的识别率图。
图3为不同方法在不同信噪比条件下的CM识别率对比图。
图4为本发明提出G-ConvNet网络与其他3种已有基准网络的CM信号识别率对比图。
具体实施方式
设ai(t)和bi(t)为调制在第i个子载波上的多用户信息数据流，均通过非归零PCM编码得到，其表达式为：
其中，ci,k∈{-1,1}；di,k∈{-1,1}；Ti表示第i个子载波的符号周期；gi(t)表示第冲波形，定义为
设复合调制信号的内调制包含n个子载波，则PCM/BPSK或PCM/QPSK格式的复合调制信号si(t)(i∈{1,2,…,n})可由下式获得：
其中，fi和分别为第i个子载波的频率和初始相位。根据CCSDS标准，子载波频率fi为8kHz或16kHz；PCM/PSK的符号率Rs在[7.8125sps,4ksps]范围内，子载波频率应为相应符号率的整数倍；对于PCM/BPSK调制，有bi(t)＝0。
由n个子载波组成的通带传输的PCM/PSK/PM信号SPCM/PSk/PM(t)可表示为
其中，Ap,fp,Φ0分别表示外层PM调制信号的幅度、载波频率和初始载波相位；Kp为相位调制指数，正常范围为0.2≤Kp≤1.4。对每个内调制信号si(t)，子载波波形与其承载的数据流在过零点处同步，因而有
因此，传输的PCM/PSK/PM信号SPCM/PSK/PM(t)可写为
其中，Re{}表示对括号内的复数取实部；表示由si(t)所给出的等价复基带信号，有
其中实部和虚部分别为
类似地，由n个子载波组成的通带传输的PCM/PSK/FM信号SPCM/PSK/FM(t)可表示为
其中，AF,fF,Φ0分别为外层FM调制信号的幅度、载波频率和初始相位；Kf为频率调制指数，其正常范围为0.2≤Kf≤1.4。
传输的PCM/PSK/FM信号SPCM/PSK/PM(t)可表示为
其中，Re{}同前；等价复基带信号为
其中实部和虚部分别为
根据上述公式得到复合调制时域信号,经采样和离散傅氏变换(discreteFourier transform，DFT)得到频域数据。
为降低计算量，本发明提出的基于频域数据压缩感知的复合调制信号盲识别的方法需要对复合调制的频域信号使用压缩感知进行降维。压缩感知(Compressed sensing，CS)是一种信号处理与信号恢复的方法，它在特定条件下允许将信号线性投影到比原始信号维度小得多的空间上，且能由投影信号精确恢复出原始信号。针对复合调制信号盲识别问题，如直接用CM信号样本的原始频域数据作为神经网络的输入，会导致输入层神经元过多，整个网络的参数量过大。考虑到实际工程中原始频域信息存在冗余，即频谱很可能存在稀疏特性，本发明借鉴压缩感知理论中的测量矩阵，对复合调制信号的原始频域数据进行降维处理。构建特征提取模块(E-unit)，完成对输入的1×64频域压缩感知数据进行特征信息初步提取，同时进一步减少数据维数；
构建倒残差分组卷积模块(Inverted residual G-Unit),对步骤3.1提取的浅层信息进行精细提取；构建分类模块(C-unit)，根据步骤3.2提取的精细特征，给出复合调制信号分类识别结果。
测量矩阵的设计是压缩感知的关键，适宜的测量矩阵可确保在将原始高维空间信号通过变换Φ投影到低维空间的同时，尽量保留原始信号所含的特征信息。假定原始信号为(q为原始数据长度)，将其与变换矩阵相乘后得到长度为n的压缩信号，则设计测量矩阵的本质就是找到1个变换基Φ和非相干矩阵通过原始信号的低维投影来获得压缩信号上述测量过程可表示为
y＝ΨX＝ΨΦx＝Ax
其中，即为m×q维测量矩阵，有A＝ΨΦ。
测量矩阵应该满足约束等距特性(Restricted Isometry Property，RIP)条件。RIP条件表述如下：存在常数εk∈(0,1)，当对任意稀疏度为k、长度为q的稀疏向量，均可使A＝ΨΦ满足下式时，矩阵A满足RIP条件：
其中，为稀疏信号；||x||2表示x的欧几里得范数；0≤r≤n表示稀疏系数。
判定矩阵方程y＝Ax是否满足RIP条件并非易事，根据等价RIP条件的非相关性原理，只要Φ和Ψ之间满足不相关性，即可在很大程度上满足RIP条件。测量矩阵的相关性可表示为：
其中，ai(i∈{1,2,…,m})、aj(j∈{1,2,…,q})分别表示矩阵A的行向量和列向量。
Γ(A)的大小决定了测量矩阵的相关性：Γ(A)越小，说明矩阵A中各列的相关性越低，亦即矩阵A越能满足RIP条件。
本发明选用高度不相关的随机高斯测量矩阵其中每个元素ai,j均满足如下定义：
且满足独立同分布：
利用上述64×1024维随机高斯测量矩阵A并根据式y＝Ax，可将原始维度为1024×1的复合调制信号的频域数据压缩为维度为64×1的数据对y转置为1×64的特征向量，以此作为后续模式识别的输入。
受算力和性能限制，传统的重量级深度神经网络如ResNet等难以在小型或便携式计算设备上成功部署。本发明基于倒残差结构和分组卷积思想，构造了一种倒残差分组卷积的轻量化网络模型G-ConvNet，整体结构如图1所示。由图1可知，G-ConvNet在输入层之后首先设置了1个特征提取模块(E-Unit)，然后是倒残差分组卷积模块(Inverted residualG-Unit)，最后由分类模块(C-Unit)实现分类。
特征提取模块(E-unit)的第一层为普通卷积层(conv1)，卷积核大小为3×3，步长为2。该层用于提取压缩感知所得的1×64一维特征向量的浅层特征，同时将原始长度从64降为32。
为了使卷积层在训练时更稳定和加快训练速度，卷积层之后加入1个BatchNorm(BN)层。BN层将卷积层的输出分为多个mini-batch分别进行归一化，以降低网络对初值的敏感性，并可在一定程度上抑制过拟合。对任1个mini-batch数据B＝{x1,x2,...,xM}(M为该mini-batch中的数据个数)，相应的输出yi可经由以下过程得到：①求mini-batch中数据的均值μb和均方差μb
②对mini-batch的输入数据进行归一化处理：
其中ε为保证均方差稳定性的常数，通常取ε＝10-5。
③对归一化数据进行平移和尺度变换，得到输出yi：
其中，γ,β分别表示尺度因子和偏置值，均为网络超参数，通过训练优化得到。
BN层之后是非线性激活函数relu6。与ResNet模型中采用的relu函数相比，relu6的取值范围被限制在(0,6)范围内，非常适于小型或便携式终端应用。其定义如下：
经过E-Unit之后，输入矩阵的维度由1×64变为1×32。
本发明构建的G-ConvNet网络的Inverted residual部分是一种有别于经典Residuals结构的倒置残差结构：先使用1×1卷积进行升维，以将低维空间映射到高维空间，为其后的分组卷积提供更多学习信息；然后进行3×3分组卷积，最后通过1×1卷积实现降维，整体呈现出两头小、中间大的形态。本发明将分组卷积中的分组数设为8。
在分组卷积层后加入通道重排(shuffle)层，通过shuffle操作将不同分组的通道进行信息交互，避免因近亲繁殖现象而导致的分类器精度下降。Shuffle层之后是BN层和relu6层，与E-unit相同。
接下来通过1个最大池化(max pooling)层，将特征降维为1×16；然后通过1个Flatten层，将max pooling层的输出压缩为一维特征，为输入到全连接(Fully connected，FC)层做准备。FC层之后，用softmax函数作为最后的输出层，其定义如下：
其中，Ffc为FC层的输出。
选用交叉熵(cross-entropy)作为损失函数。定义为：
其中，Tl(l＝1,2,...,L)为预期的类别概率(l为分类总数)；vl为G-ConvNet网络输出的最终分类概率。
训练验证
本发明所研究的10种CM信号分属于PCM/PSK/PM和PCM/PSK/FM两大类共10种，根据前述模型，仿真产生时域信号所需的仿真参数设置如表1所示。在每种信噪比下，取每种CM信号的频域数据各300条，每条原始频域数据长度为1024点。按照数据条数2:1的比例划分为训练集和测试集。
对上述复合调制信号数据集进行压缩感知变换，将每条长1024点的原始频域数据压缩为长度为64的压缩数据，然后使用本文所提的G-ConvNet网络模型对压缩数据进行训练和测试。
试验平台搭建在Window11操作系统中，G-ConvNet网络代码实现使用Python3.10。相关环境配置情况如下：
CPU：AMD Ryzen 7 5800H with Radeon Graphics
GPU：NVIDIA GeForce RTX3060 Laptop GPU
神经网络训练框架：Pytorch 1.21.1
网络优化器：Adam。学习率固定设为0.0001，batch-size设为16，训练回合数设为100。
G-ConvNet网络各层的输入输出尺寸见表2。
本发明给出的“压缩感知+倒残差分组卷积轻量化网络”(CS+G-ConvNet)复合调制信号盲识别方法对10种CM信号的识别率曲线如图2所示。
在高斯信道下，将本方法与现有方法(基于HOC和平方谱特征+决策树)进行对比的仿真结果如图3所示。现有方法(基于HOC和平方谱特征+决策树)的CM识别方法有一个明显缺陷：因其提取的是统计特征，识别结果的正确率很大程度上依赖于CM信号的样本数量，一旦样本长度减小，识别性能将急剧下降，见图中以“existing-样本数”表示的曲线。相比之下，本方法在压缩感知所得样本长度为64时，0dB信噪比条件下的识别率可达94.5％，5dB信噪比条件下识别率为100％，见图中以“CS+G-ConvNet”表示的曲线。
此外，为验证本发明给出的基于倒残差分组卷积的轻量化网络(G-ConvNet)的有效性，选择ResNet50、ShuffleNetV2、MobileNetV2三种基准网络与G-ConvNet进行对比。4种网络对10种CM信号的平均识别率如图4所示；各网络的参数量和FLOPS见表3。
对比可知，对于长度为64的一维矩阵，本发明提出的G-ConvNet网络在信噪比为0dB时的识别率达到94.5％；而MobileNetV2的识别率仅为67.4％，ShuffleNetV2的识别率为76.4％，ResNet50的识别率为80.1％。
表1为CM信号仿真参数表
表2为G-ConvNet各层输入输出尺寸一览表
表3为4种网络的参数量和FLOPS对比表(分类总数＝10)
Claims (3)
1.一种基于频域数据压缩感知的复合调制信号盲识别的方法，该方法包括：
步骤1：模式处理；
步骤1.1：设ai(t)和bi(t)为调制在第i个子载波上的多用户信息数据流，均通过非归零PCM编码得到，其表达式为：
其中，ci,k∈{-1,1}和di,k∈{-1,1}表示未成型滤波的数据码元，Ti表示第i个子载波的符号周期，k表示第k个码元周期，gi(t)表示第冲波形，定义为：
步骤1.2：设复合调制信号的内调制包含n个子载波，则PCM/BPSK或PCM/QPSK格式的复合调制信号si(t)i∈{1,2,…,n}由下式获得：
其中，fi和分别为第i个子载波的频率和初始相位，对于PCM/BPSK调制，有bi(t)＝0；
步骤1.3：由n个子载波组成的通带传输的PCM/PSK/PM信号SPCM/PSk/PM(t)表示为：
其中，Ap、fp、Φ0分别表示外层PM调制信号的幅度、载波频率、初始载波相位，Kp为相位调制指数，对每个内调制信号si(t)，子载波波形与其承载的数据流在过零点处同步，因而有
因此，传输的PCM/PSK/PM信号SPCM/PSK/PM(t)为：
其中，Re{}表示对括号内的复数取实部；表示由si(t)所给出的等价复基带信号，有：
其中实部和虚部分别为：
步骤1.4：由n个子载波组成的通带传输的PCM/PSK/FM信号SPCM/PSK/FM(t)表示为
其中，AF,fF,Φ0分别为外层FM调制信号的幅度、载波频率和初始相位；Kf为频率调制指数，其正常范围为0.2≤Kf≤1.4；
步骤1.5：传输的PCM/PSK/FM信号SPCM/PSK/PM(t)表示为
其中，Re{}同前；等价复基带信号为
其中实部和虚部分别为
根据上述方法得到复合调制时域信号,然后经采样和离散傅氏变换得到频域数据；
步骤2：对复合调制信号的频域数据进行压缩感知；
步骤2.1：随机产生一个观测矩阵；观测矩阵为高斯测量矩阵A，由1和-1组成；
矩阵A满足RIP条件：
其中，为稀疏信号，||x||2表示x的欧几里得范数，0≤r≤n表示稀疏系数，常数εr∈(0,1)；
步骤2.2：由步骤1.1求出高斯测量矩阵A后，利用压缩感知公式y＝Ax,将原始维度为1024×1的复合调制信号的频域数据x，压缩为维度为64×1的数据
步骤2.3：将步骤2.2得到的压缩矩阵y转置为1×64的特征向量，作为后续模式识别的输入；
步骤3：构建基于倒残差结构和分组卷积思想的轻量化神经网络，对步骤2得到的频域压缩感知数据进行识别；
所述轻量化神经网络包括：特征提取模块、倒残差分组卷积模块，最后由分类模块；
所述特征提取模块依次包括：卷积层(conv1)、BN层、非线性激活函数；
所述倒残差分组卷积模块依次包括：1×1卷积层、BN层、relu6层，3×3分组卷积层、通道重排(shuffle)层、BN层、relu6层，1×1卷积层、BN层、relu6层；
所述分类模块依次包括：max pooling层、全连接层、输出层。
2.如权利要求1所述的一种基于频域数据压缩感知的复合调制信号盲识别的方法，其特征在于，所述步骤3的特征提取模块中的BN层的数据处理方法为：
输入为{x1,x2,...xi...,xM}，首先对输入数据进行归一化处理：
其中，ε保证均方差稳定性的常数，通常取ε＝10-5M为该mini-batch中的数据个数；
最终输出输出yi：
其中，γ,β分别表示尺度因子和偏置值，均为网络超参数；
所述非线性激活函数为relu6，取值范围被限制在(0,6)范围内，其定义如下：
3.如权利要求1所述的一种基于频域数据压缩感知的复合调制信号盲识别的方法，其特征在于，所述步骤3分类模块中的输出层为softmax函数，其定义如下：
其中，Ffc为FC层的输出；
选用交叉熵；作为损失函数；定义为：
其中，Tl为预期的类别概率，l为分类总数，l＝1,2,...,L，vl为G-ConvNet网络输出的最终分类概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624327.5A CN117061289B (zh) | 2023-05-30 | 2023-05-30 | 一种基于频域数据压缩感知的复合调制信号盲识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624327.5A CN117061289B (zh) | 2023-05-30 | 2023-05-30 | 一种基于频域数据压缩感知的复合调制信号盲识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117061289A true CN117061289A (zh) | 2023-11-14 |
| CN117061289B CN117061289B (zh) | 2024-07-26 |
Family
ID=88657784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310624327.5A Active CN117061289B (zh) | 2023-05-30 | 2023-05-30 | 一种基于频域数据压缩感知的复合调制信号盲识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117061289B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070160124A1 (en) * | 2006-01-09 | 2007-07-12 | Solectron Invotronics Inc. | Modem for communicating data over a voice channel of a communications system |
| US20130246073A1 (en) * | 2012-03-19 | 2013-09-19 | Casio Computer Co., Ltd. | Coding device, coding method, decoding device, decoding method, and storage medium |
| CN114859310A (zh) * | 2022-03-18 | 2022-08-05 | 北京遥感设备研究所 | 基于编码量化射频探测多目标分辨方法、装置及电子设备 |
| CN115600085A (zh) * | 2022-11-04 | 2023-01-13 | 吉林大学（Cn） | 一种基于fsst2和卷积神经网络的雷达信号脉内调制识别方法 |
-
2023
- 2023-05-30 CN CN202310624327.5A patent/CN117061289B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070160124A1 (en) * | 2006-01-09 | 2007-07-12 | Solectron Invotronics Inc. | Modem for communicating data over a voice channel of a communications system |
| US20130246073A1 (en) * | 2012-03-19 | 2013-09-19 | Casio Computer Co., Ltd. | Coding device, coding method, decoding device, decoding method, and storage medium |
| CN114859310A (zh) * | 2022-03-18 | 2022-08-05 | 北京遥感设备研究所 | 基于编码量化射频探测多目标分辨方法、装置及电子设备 |
| CN115600085A (zh) * | 2022-11-04 | 2023-01-13 | 吉林大学（Cn） | 一种基于fsst2和卷积神经网络的雷达信号脉内调制识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王妮娜: "基于压缩感知理论的无线多径信道估计方法研究", 《中国博士学位论文全文数据库》, no. 1, 15 January 2013 (2013-01-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117061289B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meng et al. | Automatic modulation classification: A deep learning enabled approach | |
| Qian et al. | Specific emitter identification based on multi-level sparse representation in automatic identification system | |
| O’Shea et al. | Over-the-air deep learning based radio signal classification | |
| Tao et al. | Symbol detection of ambient backscatter systems with Manchester coding | |
| US11477060B2 (en) | Systems and methods for modulation classification of baseband signals using attention-based learned filters | |
| CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及系统 | |
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN102132271A (zh) | 信号创新的稀疏取样 | |
| CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
| CN106452452A (zh) | 一种基于K‑means聚类的全脉冲数据无损压缩方法 | |
| Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
| Luan et al. | Attention based neural networks for wireless channel estimation | |
| CN113569773B (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 | |
| Dong et al. | Radar signal modulation recognition based on bispectrum features and deep learning | |
| Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
| Essai et al. | Automatic Modulation Classification: Convolutional Deep Learning Neural Networks Approaches | |
| CN117061289B (zh) | 一种基于频域数据压缩感知的复合调制信号盲识别的方法 | |
| Li et al. | Deep gated recurrent unit convolution network for radio signal recognition | |
| CN116566777A (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
| CN113905383A (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 | |
| CN107872413B (zh) | 基于压缩感知高阶累积量的智能调制识别方法 | |
| Zhang et al. | HpGAN: Sequence search with generative adversarial networks | |
| Dai et al. | Multi-objective genetic programming based automatic modulation classification | |
| Ji et al. | Modulation recognition based on lightweight residual network via hybrid pruning |
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 |