CN117376066A - 一种面向异步采样的数字信号调制方式识别方法 - Google Patents
一种面向异步采样的数字信号调制方式识别方法 Download PDFInfo
- Publication number
- CN117376066A CN117376066A CN202311278847.1A CN202311278847A CN117376066A CN 117376066 A CN117376066 A CN 117376066A CN 202311278847 A CN202311278847 A CN 202311278847A CN 117376066 A CN117376066 A CN 117376066A
- Authority
- CN
- China
- Prior art keywords
- signal
- asynchronous
- matrix
- dimension reduction
- feature
- 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 38
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000009467 reduction Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000005562 fading Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization 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
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种面向异步采样的数字信号调制方式识别方法,构建基于径向基函数与极限学习机相结合的神经网络;提取接收端多次接收的多径衰减信号作为样本,对每一次信号异步处理后生成二维异步同相正交幅度直方图,并对所有直方图进行数据降维与特征提取,得到降维特征矩阵;将预处理后的降维特征矩阵以及信号的调制方式作为训练集,对所述神经网络进行训练;对接收机接收的待识别信号处理后得到降维特征矩阵并输入训练后的神经网络中,神经网络输出待识别信号的调制方式。本发明可有效克服由于采样速率小于符号速率对信号识别性能造成的影响,且在低信噪比时能够保持较好的识别成功率。
Description
技术领域
本发明涉及一种面向异步采样的数字信号调制方式识别方法,属于通信信号处理技术领域。
背景技术
随着包含卫星通信在内的各类无线通信技术的广泛应用,大量任务各异、种类繁多的电磁信号在时、能、频、空等多维域中交叠,信道环境存在快速时变、衰落变化、噪声动态变化等不确定的影响因素,使得电磁环境日益复杂。研究复杂电磁环境下无线信号参数的高效识别和估计技术,能够在提高频谱资源利用率、增强无线通信服务质量、抗干扰等方面提供有效的技术支持。在面向无线信号的调制方式识别技术研究中,传统的技术可分为基于特征值的方法和基于似然估计的方法,两类方法分别采用接收信号统计特性和假设检验的方法完成无线信号调制方式的分类识别。无线信号动态不稳定性以及电磁环境的复杂多变性严重影响传统无线信号分析处理性能,智能信号处理技术摒弃传统信号处理架构,根据无线信号接收机与信道环境的变化情况,动态调整重构系统参数和优化方法,可实现无线信号调制方式的高精度快速识别。例如,在文献《Dyadic aggregated autoregressivemodel(DASAR)for automatic modulation classification》中使用四类分类器(包括卷积神经网络、随机森林、极端梯度推进树以及决策树)对多调制方式混合的信号进行调制方式分类,该方法采用智能算法动态感知检测信号频谱特性,利用二元聚合自回归模型在小规模数据集(200个信号样本)中完成性能验证,表明随机森林分类器性能相对较好,在信噪比大于10dB时,平均准确率超过70%。然而,该方法很难区分QPSK、8PSK和16QAM与64QAM信号混合在一起时的情况。
在复杂电磁环境下,往往出现接收信号视距传输与非视距传输混叠的情况,即信道环境同时受到加性高斯白噪声与瑞利衰落信道的影响,这种情况将严重影响接受机端信号对目标信号调制方式识别的性能。当前关于此问题的研究主要在引入人工智能技术,主要包括基于序列数据输入的卷积神经网络识别技术、基于图像数据输入的卷积神经网络识别技术和基于长短时记忆网络识别技术,例如文献《Chain-Net:Learning deep model formodulation classification under synthetic channel impairment》中采用基于双分支连接的多模块卷积神经网络技术,实现了十几种模拟和数字调制方式的识别,仿真验证结果显示在20dB信噪比条件下,识别成功率可达到83.5%。国家发明专利《一种基于外部注意力机制的射频信号调制方式识别方法》从繁杂的射频信号数据中筛选出对识别任务最有利的信息,挖掘出数据集不同样本之间的潜在相关性,采用神经网络算法挖掘信号中隐藏的数字贴着,有效提高神经网络算法识别效果,并通过定制化使用BN层处理信道衰落,在卷积操作前批归一化数据,以减少人工处理。以上方法可有效解决加性高斯白噪声与瑞利衰落信道对信号识别性能造成的影响,但是所需的接收信噪比较高,且对于接收机硬件结构受限,存在低速异步采样情况下的调制方式识别尚无法直接应用。
发明内容
本发明的技术解决问题是:克服现有技术不足,本发明提供了一种面向异步采样的数字信号调制方式识别方法,对通信信号的重构与降维处理,结合神经学习网络实现复杂环境下信号的高精度识别。
本发明的技术解决方案是:
一种面向异步采样的数字信号调制方式识别方法,包括:
构建基于径向基函数与极限学习机相结合的神经网络,用于识别输入信号的调制方式;
将接收端多次接收的多径衰减信号作为样本,对每一次多径衰减信号异步采样后生成二维异步同相正交幅度直方图,再对得到的所有二维异步同相正交幅度直方图进行数据降维与特征提取,得到降维特征矩阵;将每一次多径衰减信号对应的降维特征矩阵进行预处理并与信号对应的调制方式作为训练集,对所述神经网络进行训练;
对接收机接收的待识别信号处理后得到降维特征矩阵进行预处理后输入训练后的神经网络中,神经网络输出待识别信号的调制方式。
优选的,对每一次多径衰减信号异步采样后生成二维异步同相正交幅度直方图,包括:
提取多径衰减信号的同相分量和正交分量,对同相正交分量进行异步采样,对得到的样本实部、虚部按幅值大小分别排序,得到实部取值范围、虚部取值范围;
将实部取值范围、虚部取值范围均划分为相同数量的若干个子范围,基于实部取值范围、虚部取值范围建立二维平面图,每一个实部取值子范围、虚部取值子范围构成图中的一个子区域;
根据样本实部、虚部取值,统计处于各子区域内的数量,将数量表示在平面图上,形成二维异步同相正交幅度直方图。
优选的,提取多径衰减信号的同相分量和正交分量,对同相正交分量进行低速异步采样,低速异步采样是指符号周期小于采样周期。
优选的,对所有的二维异步同相正交幅度直方图进行数据降维,包括:在不丢失额外数据的前提下先进行列降维处理,得到投影特征向量;再对投影特征向量进行行降维处理,得到投影特征矩阵,将矩阵元素矢量化为向量,通过排列向量得到降维特征矩阵。
优选的,在不丢失额外数据的前提下先进行列降维处理,得到投影特征向量,包括:
根据得到的所有二维异步同相正交幅度直方图,计算图像的协方差矩阵G1,计算G1的特征值和特征向量,将特征值降序排列后,用G1的前d个最大特征值ξi对应特征向量ui(i=1,2,...,d)构造矩阵U=[u1,u2,...,ud];
数量d的取值要求满足:
式中,u表示特征向量的个数,Mc为预设阈值;
计算每一个二维异步同相正交幅度直方图的投影特征向量:
Γj=BjU
式中,Γj为第j个二维异步同相正交幅度直方图的投影特征向量,Bj为第j个二维异步同相正交幅度直方图。
优选的,对投影特征向量进行行降维处理,得到投影特征矩阵,包括:
根据各二维异步同相正交幅度直方图的投影特征向量,计算图像的协方差矩阵G2,计算G2的特征值和特征向量,将特征值降序排列后,用G2的前k个最大特征值μi对应特征向量vi(i=1,2,...,k)构造矩阵V=[v1,v2,...,vk];
数量k的取值要求满足:
式中,t表示特征向量的个数,Md为预设阈值;
计算每一个二维异步同相正交幅度直方图的投影特征矩阵:
Yj=VTΓj=VTBjU
式中,Yj为第j个二维异步同相正交幅度直方图的投影特征矩阵,大小为k×d的矩阵,也称Bj的主分量。
优选的,所述基于径向基函数与极限学习机相结合的神经网络为RBF-ELM神经网络,包括一个输入层、两个隐藏层、一个输出层;
输入层的输入数据为信号特征矩阵;
RBF隐藏层神经元采用径向基函数,该层的输出表示为:
式中,Z是信号特征矩阵,ci是由K-means算法确定的聚类中心,σi是隐藏节点的扩展常数,I是隐藏层节点的数量;
ELM隐藏层的隐藏节点采用sigmoid函数,输出矩阵为:
式中,权重ωm和偏置bm随机生成;
输出层输出:
式中,N是输入信号集的数量,取值βm、ci、σi和bm使Hβ=L;y为n×1标记向量,n表示n种不同的调制方式,标记向量值为n-1个“-1”,1个“+1”,值为“+1”对应的调制方式为输入信号的调制方式。
优选的,对降维特征矩阵进行预处理,包括:
利用K-means算法对降维特征矩阵进行分类,随机选取训练样本中的数据作为初始化聚类中心,得到c1,c2,...,cI;
对于其他各降维特征矩阵,计算距离每一个聚类中心的距离dji=||Zj-ci||(j=1,2,...,d;i=1,2,...,I);寻找距离最近的聚类中心,将当前计算的降维特征矩阵归为所述聚类中心;
对于每一个聚类,除当前聚类中心点外的其他所有降维特征矩阵均计算当其为新中心点时的距离,选择距离最小时对应的降维特征矩阵作为新的中心点;判断所有的降维特征矩阵是否分类完成,且聚类中心不再变化,如果聚类中心不再变化或变化值小于预设范围,则结束分类;
将分类后的降维特征矩阵、信号的调制方式输入神经网络,对所述神经网络进行训练。
本发明与现有技术相比的有益效果是:
本发明通过构建二维异步同相正交直方图的方法结合神经网络图像处理的方法,实现对接收机硬件结构受限,存在低速异步采样和多径传输影响时,在不丢失额外数据的前提下,对八种数字调制信号的调制方式高精度识别,可有效克服由于采样速率小于符号速率对信号识别性能造成的影响,且在低信噪比时能够保持较好的识别成功率,能够在提高频谱资源利用率、增强无线通信服务质量、抗干扰等方面提供有效的技术支持。
附图说明
图1为本发明实施例径向基函数与极限学习机结合的神经网络结构图;
图2为本发明实施例所选择特征的百分比对该方法的总体调制识别精度影响图;
图3为本发明实施例不同信噪比条件下的识别准确度图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合说明书附图对本发明做进一步详细的说明。
为提高较低信噪比情况下调制方式识别率,本发明提出一种面向异步采样的数字信号调制方式识别方法,包括以下步骤:
1)构建基于径向基函数与极限学习机相结合的新型神经网络识别调制方式
考虑本发明针对多径信号在较低信噪比下的调制方式识别,利用极限学习机优化网络权重,能够有效克服径向基函数网络陷入局部最小的风险,该网络具有较快的学习速度和良好的泛化性能。RBF-ELM神经网络结构图见图1,该网络包含一个输入层,两个隐藏层和一个输出层。
该网络输入为经预处理后的待识别信号特征矩阵Z,其维度为1×d。输出为8×1的标记向量e,其包含七个“-1”元素和一个“+1”元素,按照顺序分别对应BPSK,2-ASK,QPSK,4-ASK,8-PSK,4-QAM,16-QAM,32-QAM八种调制方式,“+1”表示待识别信号对应的调制方式。
该神经网络中,RBF隐藏层神经元采用径向基函数,假设隐藏层节点的数量为I,则该层的输出表示为
式中,Z是经预处理后的待识别信号特征矩阵,ci是由K-means算法确定的聚类中心,σi是隐藏节点的扩展常数,其由聚类中心之间的距离确定。
该网络中,ELM网络的隐藏节点采用sigmoid函数,ELM网络隐藏层的输出矩阵设置为:
式中,权重ω和偏置b是随机生成的,RBF-ELM网络输出层可以表示为
式中,N是输入样本数据集的数量。ELM网络可以零误差近似给定的目标函数,且存在βm、ci、σi和bm使得Hβ=L,其中:
则输出权重
该网络根据y进行待估计信号调制方式的判定,在最终输出中标记向量e中“+1”的位置,判定输入信号的调制方式类型。
2)对用于网络训练的数据集进行预处理,详细的处理步骤如下:
a)对接收端多径衰落信号建模。通过具有不同路径增益Gi和延迟τi的多个传播路径Pi到达接收机的信号表示如下:
其中,mI(t)和mQ(t)分别表示接收信号的同相分量和正交分量,即和/>m(t)为基带信号,Gi、fc和τi分别指路径增益、载波频率和路径延迟,Pi表示多径传播路径个数。在接收端共采集N个这样的信号。
b)在硬件性能受限的接收机端,由低速异步采样单元对接收信号中的同相正交分量进行任意采样,这里的低速异步采样是指符号周期小于采样周期,得到样本Si={bi,di}∈S={Si|i=1,2,...N},同时根据Si实部和虚部的幅值大小分别进行分级排序,其中bi和di分别表示样本的实部和虚部。
c)确定样本信号Si实部和虚部的取值范围并划定子范围。根据Si实部和虚部的排序情况,分别确定其样本实部取值范围为样本虚部取值范围为即/>和/> 和/>分别表示Si的实部和虚部集合,/>和/>表示样本信号实部幅值的最小值和最大值,/>和/>表示样本信号虚部幅值的最小值和最大值。
按照下式分别确定样本信号Si子范围分量Vm的区间:
其中,和/>分别表示第m个实部和虚部子范围且m=1,...M-1,M表示可划分的子范围总数,根据后续网络训练情况,其取值为M=30。
d)生成二维异步同相正交幅度直方图。根据样本信号Si实部和虚部取值情况,分别统计每个子范围内实部和虚部的真服样本出现总数,并表示为:
其中,表示出现次数矩阵,n(S(r,c))表示样本信号Si在子范围S(r,c)中的数量,r和c的取值范围均为0到M-1。最后通过将出现次数表示在二维平面上,产生二维异步同相正交幅度直方图,其中每个子范围的数量值将表示为颜色的另一维。
e)采用双向二维主成分分析法进行数据降维与特征提取。本步骤主要解决后续处理的复杂度,处理生成的异步同相正交直方图,在不丢失额外数据的前提下完成数据降维处理,减少直方图特征数量的同时保留最有用的特征参数。按照以下过程完成:
列降维。根据训练数据集生成的N个直方图,由下式计算图像的协方差矩阵G1,
其中,Bj(j=1,2,...,N)代表的第j个训练图像代表训练图像/>的均值,计算公式为/>
计算G1的特征值和特征向量,将特征值降序排列后,用G1的前d个最大特征值ξi对应的n维特征向量ui(i=1,2,...,d)构造矩阵U=[u1,u2,...,ud]。其中,按以下标准确定特征向量的选择数目d:
按照经验数据,Mc一般取0.9,d表示最终选取的较大特征值的个数,u表示特征向量的个数。
同时用下式计算第j个直方图Bj(j=1,2,...,N)的投影特征向量:
Γj=BjU
行降维。对于得到的样本Γj(j=1,2,...,N)进行行降维,协方差矩阵G2计算如下
其中,其中代表训练图像的均值,计算公式为
计算G2的特征值和特征向量,按降序排列特征值之后,用G2的前k个(10%-15%个)最大特征值对应的特征向量vi(i=1,2,...,k)构造矩阵V=[v1,v2,...,vk],其中k的取值与列降维中d的取值计算方法相同。
投影特征矩阵计算。利用矩阵U和V确定训练图像的投影矩阵,即
Yj=VTΓj=VTBjU
其中,Yj代表大小为k×d的矩阵,也称Bj的主分量。
Yj表示第j个直方图Bj(j=1,2,...,N)的投影结果,将其元素矢量化为大小k×1的向量zj,通过排列zj得到降维特征矩阵Z,即
Z=[z1,z2,...,zd]
3)利用预处理后得到的训练数据集降维特征矩阵Z对基于径向基函数与极限学习机结合的神经网络进行训练,具体过程如下:
利用K-means算法对训练数据集降维特征矩阵Z进行分类。随机选取训练样本中I个数据作为初始化聚类中心,得到c1,c2,...,cI;
对于输入待识别信号特征矩阵Z,计算输入样本与聚类中心的距离dji=||Zj-ci||(j=1,2,...,d;i=1,2,...,I),I为输入训练集数据的个数;
寻找离训练样本Zk最近的中心,进行初始分类,每一个样本与聚类中心的最小距离将样本归为i类,即:
则Zk归为i类。将全部的样本按照这种方式分为I个子集,每一个子集都是一个聚类域。
重新调整聚类中心,判断所有的训练样本是否分类完成,且聚类中心不再变化,如果聚类中心不再变化或变化值小于一定的范围,则结束分类。
将预处理后得到的训练数据集降维特征矩阵Z输入图1所示神经网络,根据步骤一中的方法计算各隐藏层的输出函数gi和y。
根据训练数据集的调制方式标签对网络输出向量e进行监督式训练,对训练集样本完成对径向基函数与极限学习机结合的神经网络的训练。
4)完成目标信号调制方式识别。将待识别信号的降维特征矩阵Z作为训练完成的径向基函数与极限学习机结合的神经网络中,根据网络输出标记向量e中“+1”的位置,判定输入信号的调制方式类型。
下面通过实施例对本发明做进一步说明:
A.仿真参数设置
本发明提出如下一种面向异步采样的数字信号调制方式识别方法,仿真参数设置如下:符号速率为250Mbps,载波频率fc=2.5GHz,采样速率fs=15MHz,数字信号调制方式包括BPSK,2-ASK,QPSK,4-ASK,8-PSK,4-QAM,16-QAM,32-QAM八种,信噪比变化范围为0dB到35dB,信道类型包含加性高斯白噪声和瑞利衰落,多径信道个数设置为3个,路径增益变化范围为-20dB到0dB,路径时延变化范围为0微秒到1微秒。根据以上仿真参数对生成信号进行划分为训练数据集和测试数据集。
B.仿真内容
表1中的结果可见,通过计算采用本方法识别BPSK,2-ASK,QPSK,4-ASK,8-PSK,4-QAM,16-QAM,32-QAM八种调制方式的准确率可达到99.06%以上,可有效克服低速采样和多径环境的影响。
表1所提方法对八种调制方式的识别争取率
图2中描绘了所采用双向二维主成分分析法时选择特征的百分比对该方法的总体调制识别精度的影响。从图中明显看出,识别精度随着所选特征百分比的增加而指数地提高。此外,选择特征总数为8%时产生接近70%的识别准确度,另一方面,选择特征总数为12%时产生超过91%的识别准确度。但从选择特征数为16%开始,识别准确率的提高略微可见。
图3显示了所提方法在不同信噪比条件下的识别准确度,实验结果表明,即使在低信噪比范围内,识别精度也达到了很好的水平。比如在SNR值为0dB和1dB时,识别准确度分别为84%和高于93%,而在SNR=3dB时,识别准确度高于95%。并且从5dB开始,识别准确率始终保持在96%以上。
以上所述,仅为本发明最佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (8)
1.一种面向异步采样的数字信号调制方式识别方法,其特征在于,包括:
构建基于径向基函数与极限学习机相结合的神经网络,用于识别输入信号的调制方式;
将接收端多次接收的多径衰减信号作为样本,对每一次多径衰减信号异步采样后生成二维异步同相正交幅度直方图,再对得到的所有二维异步同相正交幅度直方图进行数据降维与特征提取,得到降维特征矩阵;将每一次多径衰减信号对应的降维特征矩阵进行预处理并与信号对应的调制方式作为训练集,对所述神经网络进行训练;
对接收机接收的待识别信号处理后得到降维特征矩阵进行预处理后输入训练后的神经网络中,神经网络输出待识别信号的调制方式。
2.根据权利要求1所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,对每一次多径衰减信号异步采样后生成二维异步同相正交幅度直方图,包括:
提取多径衰减信号的同相分量和正交分量,对同相正交分量进行异步采样,对得到的样本实部、虚部按幅值大小分别排序,得到实部取值范围、虚部取值范围;
将实部取值范围、虚部取值范围均划分为相同数量的若干个子范围,基于实部取值范围、虚部取值范围建立二维平面图,每一个实部取值子范围、虚部取值子范围构成图中的一个子区域;
根据样本实部、虚部取值,统计处于各子区域内的数量,将数量表示在平面图上,形成二维异步同相正交幅度直方图。
3.根据权利要求2所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,提取多径衰减信号的同相分量和正交分量,对同相正交分量进行低速异步采样,低速异步采样是指符号周期小于采样周期。
4.根据权利要求1所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,对所有的二维异步同相正交幅度直方图进行数据降维,包括:先进行列降维处理,得到投影特征向量;再对投影特征向量进行行降维处理,得到投影特征矩阵,将矩阵元素矢量化为向量,通过排列向量得到降维特征矩阵。
5.根据权利要求4所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,在不丢失额外数据的前提下先进行列降维处理,得到投影特征向量,包括:
根据得到的所有二维异步同相正交幅度直方图,计算图像的协方差矩阵G1,计算G1的特征值和特征向量,将特征值降序排列后,用G1的前d个最大特征值ξi对应特征向量ui(i=1,2,...,d)构造矩阵U=[u1,u2,...,ud];
数量d的取值要求满足:
式中,u表示特征向量的个数,Mc为预设阈值;
计算每一个二维异步同相正交幅度直方图的投影特征向量:
Γj=BjU
式中,Γj为第j个二维异步同相正交幅度直方图的投影特征向量,Bj为第j个二维异步同相正交幅度直方图。
6.根据权利要求5所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,对投影特征向量进行行降维处理,得到投影特征矩阵,包括:
根据各二维异步同相正交幅度直方图的投影特征向量,计算图像的协方差矩阵G2,计算G2的特征值和特征向量,将特征值降序排列后,用G2的前k个最大特征值μi对应特征向量vi(i=1,2,...,k)构造矩阵V=[v1,v2,...,vk];
数量k的取值要求满足:
式中,t表示特征向量的个数,Md为预设阈值;
计算每一个二维异步同相正交幅度直方图的投影特征矩阵:
Yj=VTΓj=VTBjU
式中,Yj为第j个二维异步同相正交幅度直方图的投影特征矩阵,大小为k×d的矩阵,也称Bj的主分量。
7.根据权利要求1所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,所述基于径向基函数与极限学习机相结合的神经网络为RBF-ELM神经网络,包括一个输入层、两个隐藏层、一个输出层;
输入层的输入数据为信号特征矩阵;
RBF隐藏层神经元采用径向基函数,该层的输出表示为:
式中,Z是信号特征矩阵,ci是由K–means算法确定的聚类中心,σi是隐藏节点的扩展常数,I是隐藏层节点的数量;
ELM隐藏层的隐藏节点采用sigmoid函数,输出矩阵为:
式中,权重ωm和偏置bm随机生成;
输出层输出:
式中,N是输入信号集的数量,取值βm、ci、σi和bm使Hβ=L;y为n×1标记向量,n表示n种不同的调制方式,标记向量值为n-1个“-1”,1个“+1”,值为“+1”对应的调制方式为输入信号的调制方式。
8.根据权利要求7所述的一种面向异步采样的数字信号调制方式识别方法,其特征在于,对降维特征矩阵进行预处理,包括:
利用K-means算法对降维特征矩阵进行分类,随机选取训练样本中的数据作为初始化聚类中心,得到c1,c2,...,cI;
对于其他各降维特征矩阵,计算距离每一个聚类中心的距离dji=||Zj-ci||(j=1,2,...,d;i=1,2,...,I);寻找距离最近的聚类中心,将当前计算的降维特征矩阵归为所述聚类中心;
对于每一个聚类,除当前聚类中心点外的其他所有降维特征矩阵均计算当其为新中心点时的距离,选择距离最小时对应的降维特征矩阵作为新的中心点;判断所有的降维特征矩阵是否分类完成,且聚类中心不再变化,如果聚类中心不再变化或变化值小于预设范围,则结束分类;
将分类后的降维特征矩阵、信号的调制方式输入神经网络,对所述神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278847.1A CN117376066A (zh) | 2023-09-28 | 2023-09-28 | 一种面向异步采样的数字信号调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278847.1A CN117376066A (zh) | 2023-09-28 | 2023-09-28 | 一种面向异步采样的数字信号调制方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117376066A true CN117376066A (zh) | 2024-01-09 |
Family
ID=89401415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278847.1A Pending CN117376066A (zh) | 2023-09-28 | 2023-09-28 | 一种面向异步采样的数字信号调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117376066A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560260A (zh) * | 2024-01-11 | 2024-02-13 | 为准(北京)电子科技有限公司 | 信道调制方式检测方法及装置 |
-
2023
- 2023-09-28 CN CN202311278847.1A patent/CN117376066A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560260A (zh) * | 2024-01-11 | 2024-02-13 | 为准(北京)电子科技有限公司 | 信道调制方式检测方法及装置 |
CN117560260B (zh) * | 2024-01-11 | 2024-04-02 | 为准(北京)电子科技有限公司 | 信道调制方式检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
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 | |
Ali et al. | Automatic modulation classification of digital modulation signals with stacked autoencoders | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
Shi et al. | Particle swarm optimization-based deep neural network for digital modulation recognition | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
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 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN112039820B (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
Liu et al. | Automatic modulation classification based on the combination of clustering and neural network | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN108549832A (zh) | 基于全连接神经网络的低截获雷达信号分类方法 | |
WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
Guo et al. | Open set modulation recognition based on dual-channel lstm model | |
CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
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 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN113872904A (zh) | 一种基于集成学习的多分类通信信号自动调制识别方法 |
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 |