CN117081895A - 一种基于自适应降噪的自动调制识别方法 - Google Patents
一种基于自适应降噪的自动调制识别方法 Download PDFInfo
- Publication number
- CN117081895A CN117081895A CN202311333019.3A CN202311333019A CN117081895A CN 117081895 A CN117081895 A CN 117081895A CN 202311333019 A CN202311333019 A CN 202311333019A CN 117081895 A CN117081895 A CN 117081895A
- Authority
- CN
- China
- Prior art keywords
- signal
- layer
- noise reduction
- adaptive noise
- learning
- 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 49
- 230000009467 reduction Effects 0.000 title claims abstract description 39
- 230000006854 communication Effects 0.000 claims abstract description 18
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000011946 reduction process Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 12
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- RYQHXWDFNMMYSD-UHFFFAOYSA-O (1-methylpyridin-4-ylidene)methyl-oxoazanium Chemical compound CN1C=CC(=C[NH+]=O)C=C1 RYQHXWDFNMMYSD-UHFFFAOYSA-O 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005457 optimization 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
-
- 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
- G06N3/0475—Generative 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
- 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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0002—Modulated-carrier systems analog front ends; means for connecting modulators, demodulators or transceivers to a transmission line
-
- 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
Abstract
本发明公开了一种基于自适应降噪的自动调制识别方法,属于通信信号调制识别技术领域。本方法利用MATLAB仿真通信过程,模拟真实信道影响,生成信号;然后基于前向传播的相位积累方法对训练集的信号样本进行特征增强表示;再基于注意力机制的自适应降噪模块进行降噪处理;在降噪过程中通过L2正则化对模型的权重进行约束;最后利用卷积神经网络和循环神经网络提取信号样本特征,识别出调制方式。本发明相较于传统方法本方法更简单,泛化能力更强,相较于大规模的神经网络模型本方法的参数量小,大大减少了模型的训练时耗,低信噪比下识别率更高,更适用于真实的通信场景。
Description
技术领域
本发明属于通信信号调制识别技术领域,具体涉及一种基于自适应降噪的自动调制识别方法。
背景技术
自动调制识别(AMR)通过截取的通信波形,识别非合作通信方采用通信的调制参数,是通信对抗的重要内容,在非合作通信场景下对敌方的频谱干扰、频谱感知有重要的意义,传统的基于决策判决的方法需要更多的先验知识基础,而利用深度学习(DL),通过使用各类神经网络的组合从不同的信号中提取有利于调制识别的深层特征,这样的方法简洁且表现效果显著。常用的深度学习网络有:
从卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)、卷积长短期深度神经网络(CLDNN)、门控循环单元(GRU)、多信道卷积长短期深度神经网络(MCLDNN)等深层卷积神经网络模型常被用于自动调制识别的算法中。随着越来越高精度模型的提出,对识别设备的计算能力要求也逐渐提高,而大规模物联网(IoT)通信设备的计算资源是有限的且模型训练时耗长,计算复杂度甚高,高精度、大体量的识别模型也无法很好地应用于实际场景中。
在实际通信对抗、战场态势感知的应用环境中,通信信号/干扰信号的信噪比/信干比在0~5dB信噪比下范围内应用较多,无论是对于高复杂度还是低复杂度的识别模型,信号的调制识别都普遍受噪声影响较大,导致低信噪比下的识别精度不高。
软阈值是一种常用的去噪方法,主要用于信号处理领域,它有效地消除了噪声并保留了信号的重要特性。一些常见的方法是应用离散傅里叶变换(DFT)或小波变换,软阈值函数处理频谱中的每个频率分量,并根据其幅度决定是否减小幅度。本发明引入了注意力机制,相较于软阈值去噪更加简单,泛化能力更强。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于自适应降噪的自动调制识别方法,相较于传统方法本方法更简单,泛化能力更强,相较于大规模的神经网络模型本方法的参数量小,大大减少了模型的训练时耗,低信噪比下识别率更高。
本发明的目的是通过以下技术方案来实现的:一种基于自适应降噪的自动调制识别方法,包括以下步骤:
S1.利用MATLAB仿真通信过程,模拟真实信道影响,生成N种不同调制的信号;
S2.提取信号的实部作为I路数据,虚部作为Q路数据,按照不同信噪比和不同调制方式进行封装,得到数据集;
S3.提出基于前向传播的相位积累方法对数据集的信号样本进行特征增强表示;
S4.基于注意力机制的自适应降噪模块对增强表示后的信号样本进行降噪处理;
S5.通过L2正则化对自适应降噪模块中的权重进行约束;
S6.利用特征提取层提取信号样本特征,对信号样本进行分类预测,识别出调制方式,其中,特征提取层包括卷积神经网络(CNN)和循环神经网络(GRU)。
本发明的有益效果是:
(1)本发明利用基于前向传播的相位积累方式,将相位和相位的积累作为模型的一部分,使用前向来进行训练,对信号样本进行了增强表示,从而提高模型训练数据的质量,相较于大规模的神经网络模型本方法的参数量小,大大减少了模型的训练时耗,加入L2正则化修正模型权重,降低过拟合。
(2)加入注意力模块对信号样本进行自适应降噪处理,结合深层卷积神经网络进行特征提取,相较于传统方法本方法更简单,泛化能力更强,低信噪比下识别率更高。
(3)本发明利用MATLAB尽可能模拟真实信道影响,生成多种影响的数据集,确保覆盖情况大,同时利用开源基准数据集RML2016.01a测试模型泛化能力,提高了识别结果的可信度。
附图说明
图1为本发明的方法流程图;
图2为基于前向传播的相位积累方法流程图;
图3为基于注意力机制的自适应降噪方法和特征提取流程图;
图4为本发明中的自适应降噪方法和未进行降噪方法在各信噪比下的识别率对比图;
图5为本发明中的自适应降噪方法在0dB和4dB下的稀疏矩阵对比图。
实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于自适应降噪的自动调制识别算法,包括以下步骤:
S1.利用MATLAB仿真通信过程,模拟真实信道影响,生成N种不同调制的信号;
S101.利用MATLAB仿真通信过程,模拟真实信道影响,在发射端,根据给定的参数设置,考虑AWGN等衰落信道影响,支持BPSK、QPSK、8PSK、16PSK、4QAM、16QAM、64QAM、MSK和FSK这9种调制;
S102.根据信噪比从-10dB到30dB分别发送信号到接收端;
S103.在接收端,对接收到的信号进行模拟解调,得到IQ信号;
S2.提取信号的实部作为I路数据,虚部作为Q路数据,按照不同信噪比和不同调制方式进行封装,得到数据集;具体步骤如下:
S201.提取S1得到的IQ信号的实部作为I路数据,虚部作为Q路数据,按照信噪比从-10dB到30dB划分数据集;
S202.对信号制作以调制方式和信噪比构成的标签,I路数据和Q路数据按每条600位进行拼接,按照不同信噪比间隔1dB和不同调制方式生成1000条信号样本进行封装,得到数据集;
数据集不限于自制数据集、开源基准数据集--RadioML2016.10a,如表Ⅰ:
表Ⅰ
数据集 | 信噪比范围/dB | 信号长度 | 数量 | 调制方式 |
自制数据集 | [-10, +30] | 600 | 189×103 | BPSK、QPSK、8PSK、16PSK、4QAM、16QAM、64QAM、MSK、FSK |
RadioML2016.10a | [-20, +18] | 128 | 220×103 | 8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、4-PAM、16-QAM、64-QAM、QPSK、WBFM |
由于实部与虚部构成的I、Q两路数据特征并不明显,直接运用卷积对其提取特征参数量较大,训练时间较慢,基于前向传播的相位积累方法可以对数据集的信号样本进行特征增强表示。
S3.提出基于前向传播的相位积累方法对数据集的信号样本进行特征增强表示;具体步骤如下:
S301.将数据集按照6:2:2的方式划分训练集、验证集和测试集,特别地,对于每个SNR的每种调制类型,随机选择600个信号作为训练数据,200个信号作为验证数据,200个信号作为测试数据;
S302.对信号样本给定I路和Q路输入形状为[600,2]、[600]或[128,2]、[128];
S303.对信号样本用顺序模型(Sequential model)进行前向传播学习,包含三层全连接层(Dense layers);每层都有128个神经元,前两层使用了ReLU(Rectified LinearUnit)激活层,最后一层不指定激活函数输出,具体的,如图2,Input层将将k个信号表征为全连接层的单个输入,经过全连接3层的学习表征得到最终输出的信号权值x;
式中x表示经过全连接层最终输出的信号权值,w为全连接层学习到的权重,i为全连接层的层数;
S304.对信号样本计算相位特征:其中,x(t)表示原始信号,/>是相位特征的参数,t是相位的时序特征,/>表示信号样本的相位特征,b表示虚部,/>是更具代表性的特征,有助于后续的模型学习和决策;
S305.使用Python深度学习框架Keras的后端函数K.cumsum来沿着轴1计算相位累加和,增强表示相位特征,将得到的相位累加和作为自适应降噪模块的输入;
S306.重复步骤S301~S305,随机选择未处理的信号样本,直至对数据集中所有的信号样本处理完成,得到所有信号样本的特征数据的增强表示。
利用顺序模型前向传播学习信号特征能够将网络的所有输入视为全局信息,即可以获取网络中的所有信息,综合全局特征进行决策,根据训练的权重,有效地将输入特征映射到不同的类别上,在结合相位和相位积累前向传播过程中,调整权重和偏差来提升模型性能。
S4.基于注意力机制的自适应降噪模块对增强表示后的信号样本进行降噪处理;具体的如图3,注意力模块依次由全局平均池化层(GAP)、全局最大池化层(GMP)、全连接层(FC)、拼接层、激活层(ReLU)、激活函数(Sigmoid)、拼接层组成;
增强表示后的信号样本中每个信道的信息通过GAP操作进行压缩和集成,从而关注每个信道的全局特征,学习到需要的权重:
其中,/>是信道i的全局平均池化值,L是信道的总数,F sq 和Z1表示学习得到的全局平均权重;
全局最大池化层侧重于每个信道的最大特征:
其中,/>是信道i的全局最大池化值,L是信道的总数,F max 和Z 2 表示学习得到的全局最大权重;
S402. 与图3中的流程和参数对应,全局平均池化层关注的全局特征和全局最大池化层关注的最大特征分别输入到全连接层压缩后,再通过拼接层进行加权融合,得到一组矢量A,乘以得到/>,其中/>为矢量A的绝对值,/>为最终模型学习得到的阈值门限,将其传递至ReLU函数激活,数据被Sigmoid函数规范化到0和1,从而控制阈值的大小适中,根据得到的阈值门限决定是否减小噪声幅度,有助于在关注最大特征的同时关注全局特征,有助于模型关注低信噪比下信号样本的特性。
该注意力机制来捕获输入特征的通道间关系,注意力机制能够让模型在处理输入时,将注意力集中在更为重要的部分,以此来提升模型的性能,注意力的输出和信号样本原始特征通过连接拼接层(Concatenate)融合输入到特征提取层。
S5. 通过L2正则化对自适应降噪模块中的权重进行约束;
全连接层虽然可以较好的调整模型的权重和偏差,但因为参数量通常较大容易引起过拟合,因此,结合卷积层和门控循环单元使用,通过L2正则化对模型的权重进行约束:
加入L2正则化的损失函数:
其中,/>是一个超参数(取0-1),用来调和全连接层输入的信号特征cost和正则项的比例,w为全连接层学习到的权重,i为全连接层的层数,n为全连接层的总层数;
没有加入L2正则化的参数更新:
加入L2正则化的参数更新:
与没加L2正则化的参数更新相比,多了一个衰减/>,让/>多了一个数值上的衰减,使得模型能够防止过拟合。
S6. 利用特征提取层提取信号样本特征,对信号样本进行分类预测,识别出调制方式,其中,特征提取层包括卷积神经网络(CNN)和循环神经网络(GRU)。
特征提取层用于处理数据并最终生成预测,卷积神经网络为两个卷积层,循环神经网络为门控循环单元层;特征提取层应用了两个卷积层(Conv2D)用于从输入中提取空间特征,每经过一个卷积层学习特征后使用一个ReLU激活层初始化权重,循环两次卷积层和ReLU激活层后经过门控循环单元(GRU)层处理序列数据,以此来捕获时间特征,得到的时间特征再经过全连接层、SoftMax分类器,输出调制方式的预测结果。
GRU的计算方式如下:
其中,GRU在时间t上的激活是先前激活/>和候选激活/>之间的线性插值,/>代表更新门,/>确定策略更新其激活的次数或更新其时间特征的次数,j是元素的数量;
更新门的计算方式为:
其中,是逻辑Sigmoid函数,X和/>分别是输入和先前的隐藏状态;W zXt 和U z 是更新门学习的权重矩阵,j是元素的数量;
候选激活的计算类似于传统的循环单元:
其中,是复位门,W Xt 和/>是候选激活学习的权重矩阵,/>是先前的隐藏状态,j是元素的数量;
复位门的计算方式与更新门/>类似:
其中,是逻辑Sigmoid函数,X和/>分别是输入和先前的隐藏状态;W rXt 和U r 是复位门学习的权重矩阵,j是元素的数量。
GRU在CPU上时间收敛以及参数更新和泛化方面优于LSTM单元,GRU能够更高效地处理顺序数据以提取时间相关性同时保持高准确性。
最后模型使用一个全连接层作为输出层,使用SoftMax激活函数预测分类出调制方式。
测试实验均使用Keras库在TensorFlow中进行,并在RTX 3080 GPU上构建、训练和测试网络,并在低性能i5-10400 CPU上比较模型训练时间,具体实验设备如表Ⅱ;
表Ⅱ
测试设备 | CPU | GPU | 内存/GB | 显存 |
PC1 | Xeon Gold 6142 | RTX 3080 | 27.1 | 10.5 |
PC2 | i5-10400 | 8 |
其中,实验采用交叉熵(cross entropy loss)作为损失函数,优化器采用Adam优化器,学习率(learning rate)为0.001,实验梯度更新的批大小设定为200,以避免局部最优的情况,其余参数为TensorFlow中的默认参数。
实验结果如图4、图5所示,图5中横坐标表示预测标签、纵坐标表述实际正确标签;具体地:
对于自制数据集:
1)模型整体收敛速度变快,收敛轮数变少,10轮即收敛至最好;
2)低信噪比下识别精度显著提升,0dB平均分类精度稳定在98%以上,4dB平均分类精度稳定在99%以上;
3)在高信噪比下,30dB平均分类精度稳定在99%以上;
对于开源基准数据集-RadioML2016.10a:
1)模型整体收敛速度变快,收敛轮数变少,32轮即收敛至最好;
2)低信噪比下识别精度显著提升,0dB平均分类精度稳定在88%以上;
3)在高信噪比下,18dB平均分类精度稳定在92%以上;
4)对比本发明网络模型Model(保留基于前向传播的相位积累方法、基于注意力模块的自适应降噪方法)、Model-A(移除前向传播的相位积累方法换为常规的相位估计方法)、Model-B(移除注意力模块)对比于CNN、CLDNN、CNN-LSTM网络模型参数以及识别精确率如下表Ⅲ;
表Ⅲ
模型 | 参数 | 平均精确度 | 最大精确度(信噪比-精确度) | 0dB精确度 | PC1设备收敛速度(/轮) | 收敛轮数 |
CNN | 164,233 | 54.22% | 10dB-80.32% | 76.27% | 190s | 53 |
CLDNN | 1,592,383 | 56.21% | 10dB-82.95% | 79.21% | 769s | 67 |
CNN-LSTM | 200,075 | 58.24% | 12dB-91.36% | 82.27% | 525s | 80 |
Model | 108,767 | 61.54% | 4dB-92.14% | 87.82% | 98s | 32 |
Model-A | 75,487 | 58.68% | 10dB-87.55% | 81.91% | 92s | 71 |
Model-B | 105,151 | 60.16% | 12dB-91.14% | 83.77% | 96s | 46 |
综上,本发明通过MATLAB模拟的通信系统发送信号到接收端,使用生成的信号样本封装成训练集,据本发明中基于前向传播的相位积累方式,将相位和相位的积累作为模型的一部分,使用前向来进行训练,对信号样本进行了增强表示;加入注意力模块对信号样本进行自适应降噪处理,同时,结合深层卷积神经网络进行特征提取,相较于传统方法本方法更简单,泛化能力更强,相较于大规模的神经网络模型本方法的参数量小,大大减少了模型的训练时耗,低信噪比下识别率更高。
Claims (9)
1.一种基于自适应降噪的自动调制识别方法,其特征在于,包括以下步骤:
S1.利用MATLAB仿真通信过程,模拟真实信道影响,生成N种不同调制的信号;
S2.提取信号的实部作为I路数据,虚部作为Q路数据,按照不同信噪比和不同调制方式进行封装,得到数据集;
S3.使用基于前向传播的相位积累方法对数据集的信号样本进行特征增强表示;
S4.基于注意力机制的自适应降噪模块对增强表示后的信号样本进行降噪处理;
S5.通过L2正则化对自适应降噪模块得到的权重进行约束;
S6.利用特征提取层提取信号样本特征,对信号样本进行分类预测,识别出调制方式;其中,特征提取层包括卷积神经网络和循环神经网络。
2.根据权利要求1所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述步骤S1具体为:
S101.利用MATLAB仿真通信过程,模拟真实信道影响,在发射端,根据给定的参数设置,考虑衰落信道影响,支持BPSK、QPSK、8PSK、16PSK、4QAM、16QAM、64QAM、MSK和FSK这9种调制;
S102.根据信噪比从-10dB到30dB分别发送信号到接收端;
S103.在接收端,对接收到的信号进行模拟解调,得到IQ信号。
3.根据权利要求2所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述步骤S2具体为:
S201.提取IQ信号的实部作为I路数据,虚部作为Q路数据,按照信噪比从-10dB到30dB划分数据集;
S202.对信号制作以调制方式和信噪比构成的标签,I路数据和Q路数据按每条600位进行拼接,按照不同信噪比间隔1dB和不同调制方式生成1000条样本信号进行封装,得到数据集。
4.根据权利要求3所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述步骤S3具体为:
S301.将数据集按照6:2:2的方式划分训练集、验证集和测试集;
S302.对信号样本给定I路和Q路输入形状为[600,2]、[600]或[128,2]、[128];
S303.对信号样本用顺序模型进行前向传播学习,包含三层全连接层;每层有128个神经元,前两层使用了ReLU激活层,最后一层不指定激活函数输出;具体地,将k个信号表征为全连接层的单个输入,经过全连接3层的学习表征得到最终输出的信号权值x;
式中x表示经过全连接层最终输出的信号权值,w为全连接层学习到的权重,i为全连接层的层数;
S304.对信号样本计算相位特征:其中,x(t)表示原始信号,/>是相位特征的参数,t是相位的时序特征,/>表示信号样本的相位特征,b表示虚部,/>是更具代表性的特征,有助于后续的模型学习和决策;
S305.使用Python深度学习框架Keras的后端函数K.cumsum来沿着轴1计算相位累加和,增强表示相位特征,将得到的相位累加和作为自适应降噪模块的输入;
S306.重复步骤S301~S305,随机选择未处理的信号样本,直至对数据集中所有的信号样本处理完成,得到所有信号样本的特征数据的增强表示。
5.根据权利要求4所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述自适应降噪模块由全局平均池化层、全局最大池化层、全连接层、激活层ReLU、激活函数Sigmoid组成,降噪处理的具体步骤如下:
S401.增强表示后的信号样本中每个信道的信息通过全局平均池化层操作进行压缩和集成,从而关注每个信道的全局特征,学习到需要的权重:
;
其中,是信道i的全局平均池化值,L是信道的总数,F sq 和Z1表示学习得到的全局平均权重;
全局最大池化层侧重于每个信道的最大特征:
;
其中,是信道i的全局最大池化值,L是信道的总数, F max 和Z 2 表示学习得到的全局最大权重;
S402. 全局平均池化层关注的全局特征和全局最大池化层关注的最大特征分别输入到全连接层压缩后,再通过拼接层进行加权融合,得到一组矢量A,乘以得到/>,其中/>为矢量A的绝对值,/>为最终模型学习得到的阈值门限,将其传递至ReLU函数激活,数据被Sigmoid函数规范化到0和1,从而控制阈值的大小;
降噪模块的输出和信号样本原始特征通过拼接层融合输入到特征提取层。
6.根据权利要求5所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述步骤S5中L2正则化过程具体如下:
在降噪模块中加入L2正则化的损失函数:
;
其中,是一个超参数,用来调和全连接层输入的信号特征cost和正则项的比例,w为全连接层学习到的权重,i为全连接层的层数,n为全连接层的总层数;
加入L2正则化的参数更新:
。
7.根据权利要求6所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述步骤S6具体为:
卷积神经网络为两个卷积层,循环神经网络为门控循环单元层;特征提取层应用两个卷积层用于从输入中提取空间特征,每经过一个卷积层学习特征后使用一个ReLU激活层初始化权重,循环两次卷积层和ReLU激活层后经过门控循环单元层处理序列数据,以此来捕获时间特征,得到的时间特征再经过全连接层、SoftMax分类器,输出调制方式的预测结果。
8.根据权利要求7所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述经过门控循环单元层处理序列数据,以此来捕获时间特征的具体步骤为:
门控循环单元的计算方式如下:
;
其中,门控循环单元在时间t上的激活是先前激活/>和候选激活/>之间的线性插值,/>代表更新门,/>确定策略更新其激活的次数或更新其时间特征的次数,j是元素的数量;
更新门的计算方式为:
;
其中,是逻辑Sigmoid函数,X和/>分别是输入和先前的隐藏状态; W zXt 和U z 是更新门学习的权重矩阵,j是元素的数量;
候选激活的计算类似于传统的循环单元:
;
其中,是复位门,W Xt 和/>是候选激活学习的权重矩阵,/>是先前的隐藏状态,j是元素的数量;
复位门的计算方式与更新门/>类似:
;
其中,是逻辑Sigmoid函数,X和/>分别是输入和先前的隐藏状态;W rXt 和U r 是复位门学习的权重矩阵,j是元素的数量。
9.根据权利要求8所述的一种基于自适应降噪的自动调制识别方法,其特征在于,所述数据集可替换为开源基准数据集RadioML2016.10a或其他自制数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333019.3A CN117081895B (zh) | 2023-10-16 | 2023-10-16 | 一种基于自适应降噪的自动调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333019.3A CN117081895B (zh) | 2023-10-16 | 2023-10-16 | 一种基于自适应降噪的自动调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117081895A true CN117081895A (zh) | 2023-11-17 |
CN117081895B CN117081895B (zh) | 2023-12-19 |
Family
ID=88717563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333019.3A Active CN117081895B (zh) | 2023-10-16 | 2023-10-16 | 一种基于自适应降噪的自动调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117081895B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614467A (zh) * | 2024-01-17 | 2024-02-27 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200336344A1 (en) * | 2019-04-16 | 2020-10-22 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN113033473A (zh) * | 2021-04-15 | 2021-06-25 | 中国人民解放军空军航空大学 | 基于st2dcnn+se的雷达重叠信号识别方法 |
CN113269077A (zh) * | 2021-05-19 | 2021-08-17 | 青岛科技大学 | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 |
CN113536919A (zh) * | 2021-06-10 | 2021-10-22 | 重庆邮电大学 | 基于数据增强和卷积神经网络的信号调制识别算法 |
CN113657491A (zh) * | 2021-08-17 | 2021-11-16 | 中国人民解放军63892部队 | 一种用于信号调制类型识别的神经网络设计方法 |
CN114422310A (zh) * | 2022-01-21 | 2022-04-29 | 山东大学 | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 |
CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
US20220261593A1 (en) * | 2021-02-16 | 2022-08-18 | Nvidia Corporation | Using neural networks to perform object detection, instance segmentation, and semantic correspondence from bounding box supervision |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN115630276A (zh) * | 2022-09-27 | 2023-01-20 | 北京遥测技术研究所 | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 |
CN116211319A (zh) * | 2023-02-22 | 2023-06-06 | 北京工业大学 | 一种基于图注意力网络和稀疏编码的静息态多通道脑电信号识别方法 |
CN116488974A (zh) * | 2023-03-20 | 2023-07-25 | 中国人民解放军战略支援部队航天工程大学 | 一种结合注意力机制的轻量化调制识别方法和系统 |
-
2023
- 2023-10-16 CN CN202311333019.3A patent/CN117081895B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200336344A1 (en) * | 2019-04-16 | 2020-10-22 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
US20220261593A1 (en) * | 2021-02-16 | 2022-08-18 | Nvidia Corporation | Using neural networks to perform object detection, instance segmentation, and semantic correspondence from bounding box supervision |
CN113033473A (zh) * | 2021-04-15 | 2021-06-25 | 中国人民解放军空军航空大学 | 基于st2dcnn+se的雷达重叠信号识别方法 |
CN113269077A (zh) * | 2021-05-19 | 2021-08-17 | 青岛科技大学 | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 |
CN113536919A (zh) * | 2021-06-10 | 2021-10-22 | 重庆邮电大学 | 基于数据增强和卷积神经网络的信号调制识别算法 |
CN113657491A (zh) * | 2021-08-17 | 2021-11-16 | 中国人民解放军63892部队 | 一种用于信号调制类型识别的神经网络设计方法 |
CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
CN114422310A (zh) * | 2022-01-21 | 2022-04-29 | 山东大学 | 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法 |
CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
CN115630276A (zh) * | 2022-09-27 | 2023-01-20 | 北京遥测技术研究所 | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN116211319A (zh) * | 2023-02-22 | 2023-06-06 | 北京工业大学 | 一种基于图注意力网络和稀疏编码的静息态多通道脑电信号识别方法 |
CN116488974A (zh) * | 2023-03-20 | 2023-07-25 | 中国人民解放军战略支援部队航天工程大学 | 一种结合注意力机制的轻量化调制识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
BACHIR JDID等: ""Machine Learning Based Automatic Modulation Recognition for Wireless Communications: A Comprehensive Survey"", 《IEEE ACCESS ( VOLUME: 9)》 * |
李峰: ""基于卷积神经网络的调制信号识别算法研究"", 《硕士电子期刊》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614467A (zh) * | 2024-01-17 | 2024-02-27 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117081895B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN117081895B (zh) | 一种基于自适应降噪的自动调制识别方法 | |
CN112308133A (zh) | 基于卷积神经网络的调制识别方法 | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
CN111490853A (zh) | 一种基于深度卷积神经网络的信道编码参数识别方法 | |
CN113269077B (zh) | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 | |
CN112910812B (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
CN113378644B (zh) | 基于生成式对抗网络的信号调制类型识别攻击的防御方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN114492522B (zh) | 基于改进堆叠沙漏神经网络的自动调制分类方法 | |
CN108257105B (zh) | 一种针对视频图像的光流估计与去噪联合学习深度网络模型 | |
Sang et al. | Deep learning based predictive power allocation for V2X communication | |
Cai et al. | The performance evaluation of big data-driven modulation classification in complex environment | |
Wu et al. | Deep multi-scale representation learning with attention for automatic modulation classification | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
Cao et al. | Learning to denoise and decode: A novel residual neural network decoder for polar codes | |
CN115955375A (zh) | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
Zheng et al. | Deep learning for cooperative radio signal classification | |
Peng et al. | Automatic Modulation Recognition Method for Adaptive Noise Reduction | |
CN115277325B (zh) | 一种基于卷积神经网络的psk信号调制识别方法 | |
CN114241263B (zh) | 基于生成对抗网络的雷达干扰半监督开集识别系统 | |
CN113222953B (zh) | 基于深度伽马变换的自然图像增强方法 | |
Gong et al. | A Scalable Multi-Device Semantic Communication System for Multi-Task Execution |
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 |