CN118075070A - 基于深度学习的自动调制识别方法、系统及其设备 - Google Patents
基于深度学习的自动调制识别方法、系统及其设备 Download PDFInfo
- Publication number
- CN118075070A CN118075070A CN202410078879.5A CN202410078879A CN118075070A CN 118075070 A CN118075070 A CN 118075070A CN 202410078879 A CN202410078879 A CN 202410078879A CN 118075070 A CN118075070 A CN 118075070A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- phase
- vector
- layer
- 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 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000005562 fading Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 241000288105 Grus Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 230000036039 immunity Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于通信领域,具体涉及一种基于深度学习的自动调制识别方法、系统,及其对应的自动调整识别设备。该方案包括并行神经网络的设计、训练和应用三个主要步骤。本发明设计了一种将跳跃连接的卷积神经网络与门控循环单元相结合的双分支并行神经网络。并行神经网络中的卷积神经网络可以实现从信号的同相正交和幅值相位中并行提取时空特征。卷积神经网络中采用跳跃连接加强前后卷积层的依赖关系,以提取更丰富的数据特征。此外,每一层卷积之前进行零填充来调节,以保护边缘信息特征。本发明提供的方案可以提高信号调制方式的识别率和抗噪性能,并简化模型结构和计算过程的参数量;解决传统AMR任务中识别率不足,抗噪性能较差的问题。
Description
技术领域
本发明属于通信领域,具体涉及一种基于深度学习的自动调制识别方法、系统,及其对应的自动调整识别设备。
背景技术
自动调制识别(Automatic Modulation Recognition,AMR)是一种用于识别和分析无线通信中传输信号的技术,该技术主要目的是确定传输信号所使用的调制方式,以便接收机可以正确地解调和解码信号。
传统的AMR方法可以大致分为基于似然(Likelihood Based,LB)方法和基于特征(Feature Based,FB)方法。与LB方法相比,FB方法表现出较强的性能和较低的计算成本,但是传统的机器学习算法泛化能力不强,无法面对复杂的调制识别任务,这限制FB方法在调制识别中的应用。
针对AMR这些问题,学术界在近几年开始聚焦深度学习(Deep Learning,DL)方法,设计了多种基于DL的AMR方法。例如,有研究将信号的IQ特征和AP特征并行地输入到CNN和长短期记忆网络(Long-Short Term Memory,LSTM)的双流网络,有将接收信号的幅值和相位输入到门控循环残差神经网络,还有将信号的同相、正交、振幅和相位特征合并为组合波形数据,输入到残差注意卷积网络完成信号调制识别。这些方法巧妙地结合了CNN和循环神经网络(Recurrent Neural Network,RNN)的优点,在高信噪比环境中获得了较好的识别性能。但是,以上方法大都没有考虑低信噪比环境对调制识别性能的影响;在低信噪比环境下,较大的噪声掩盖了不同调制方式之间的区别,进而导致上述方案的识别率降低。此外,还有一些研究将调制信号通过图像处理技术转换成图像,并利用深度学习网络进行调制识别,但是会引入复杂的图像处理步骤。
因此,如何提供一种模型更简单,抗噪性能更强的,能够在低信噪比环境中提升AMR的识别精度和效率的方案,正成为本领域技术人员亟待解决的技术难题。
发明内容
为了解决低信噪比环境中AMR的识别精度不足,识别效率较低的问题;本发明提供一种基于深度学习的自动调制识别方法、系统及其设备。
本发明采用以下技术方案实现:
一种基于深度学习的自动调制识别方法,其用于自动识别传输信号的调制方式,以使得接收机能够正确解调和解码信号。该自动调制识别方法包括如下步骤:
S1:设计一个基于双路CNN与GRU结合的并行神经网络:
(1)设计的并行神经网络包括特征提取模块和识别模块。
(2)特征提取模块包括两路CNN网络、一个特征融合层以及一个GRU层。两路CNN网络构成用于提取信号中的同相正交向量和幅值相位向量的信号特征的IQ支路和AP支路。两支路提取出的特征向量经特征融合层进行序列拼接后再输入到GRU层。
(3)IQ支路和AP支路的CNN网络中依次包括三层卷积层,每一层卷积之前设置一个零填充层。第1层卷积的输出与第3层卷积的输出进行跳跃连接后进入注意力层。本发明中的注意力层采用高效通道注意力机制ECANet。
(4)识别模块包括Dense模块,进而利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率。
S2:利用接收到的调制信号样本对并行神经网络进行训练。
训练阶段对信号进行预处理,提取出对应的同相正交向量IQ和幅值相位向量AP,并将二者输入到并行神经网络的IQ支路和AP支路;进而通过梯度反向传播更新并行神经网络的模型参数;
S3:对输入的待识别的调制信号进行预处理,并利用完成训练后的并行神经网络识别出信号的调制方式。
作为本发明进一步的改进,接收信号r(n)的信号格式如下:
上式中,A为幅值衰落因子,f0为频偏,T为符号持续时间,θn为相位偏移,s(l)代表发射信号序列,l表示发射信号序列的索引,n表示接收信号序列的索引,h(·)函数表示信道响应,εT为定时误差,j为复数单位,g(n)表示噪声。
作为本发明进一步的改进,输入信号预处理过程提取出的同相正交向量IQ由同相分量SI(n)和正交分量SQ(n)组成,表达式如下:
上式中,real(·)表示信号的实部提取函数;imag(·)表示信号的虚部提取函数。
作为本发明进一步的改进,输入信号预处理过程提取出的幅值相位向量AP由幅值分量SA(n)和相位分量SP(n)组成,表达式如下:
作为本发明进一步的改进,输入到并行神经网络的AP分支的幅值相位向量需要进行归一化处理。其中,幅值分量SA(n)采用L2归一化;相位分量SP(n)在-1和1之间归一化。
作为本发明进一步的改进,并行神经网络中,卷积层采用ReLu激活函数,GRU层采用tanh激活函数;卷积层的核数为50,大小为1×8。
作为本发明进一步的改进,并行神经网络的注意力层中的ECANet首先采用无降维的全局平均池化聚合卷积特征;然后进行一维卷积并使用Sigmoid函数学习每个通道的权值;最后将权重乘以原始输入特征的对应元素得到最终的输出特征。
ECANet通过执行大小为k的一维卷积生成通道权值,其中,k通过通道维度c的函数自适应地确定,对应的自适应函数如下:
上式中,|·|odd表示求取最近的奇数的函数,γ和b为两个人工预设的参数,本发明中γ=2,b=1。
作为本发明进一步的改进,并行神经网络在训练阶段采用的样本数据集中的样本数据为带有调制方式标签的输入信号。损失函数采用交叉熵损失函数,并利用Adam优化器进行网络参数的最优解求解。
本发明还包括一种基于深度学习的自动调制识别系统,其用于对输入信号的调制方式进行自动识别。该自动调整识别系统包括:信号预处理模块、归一化模块和调制方式识别网络。
其中,信号预处理模块包括第一提取单元和第二提取单元。第一提取单元用于提取出原始输入信号的同相分量和正交分量,构成对应的同相正交向量IQ。第二提取单元用于根据第一提取单元提取出的同相分量和正交分量,进而计算出原始输入信号的幅值分量和相位分量,构成对应的幅值相位向量AP。
归一化模块包括第一归一化单元和第二归一化单元。第一归一化单元用于对幅值相位向量AP中的幅值分量进行L2归一化。第二归一化单元用于将幅值相位向量AP中的相位分量归一化到-1至1的区间。
调制方式识别网络采用如前述的基于深度学习的自动调制识别方法中训练完成的并行神经网络。调制方式识别网络包括特征提取模块和识别模块。特征提取模块利用设计出的具有跳跃连接的双分支CNN与GRU结合的混合网络分别提取空间和时间特征。其中,双分支CNN分别用于提取信号的同相正交向量IQ和归一化后的幅值相位向量AP的特征向量。识别模块利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率,进而输出调制方式的识别结果。
本发明还包括一种自动调制识别设备,其包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序。处理器执行计算机程序时,创建出如前述的基于深度学习的自动调制识别系统,进行实现对接收信号的调制方式进行自动识别。
本发明提供的技术方案,具有如下有益效果:
(一)更高的调制识别率
本发明将信号的IQ和AP序列并行地输入到网络,充分利用了信号的多样性和内在联系。在特征提取中,设计出基于跳跃连接的CNN与GRU相结合的并行神经网络从信号中学习空间和时间信息,充分发挥了CNN在空间特征提取方面的优异性能和RNN在时间序列数据处理方面的优越能力。此外,在网络中加入注意力机制对特征重新加权,考虑了不同特征通道之间的相互依赖关系。
(二)更强的抗噪性能
本发明将IQ和AP并行地输入到网络中,充分发挥了IQ序列和AP序列作为输入特征在高、低信噪比下识别率是互补的特点,该操作既提高了高信噪比下的识别率,同时有效增强低信噪比下的模型抗噪性能。
(三)更快的运行速度和更低计算参数量
本发明使用跳跃连接结构有助于梯度反向传播,从而加快了训练速度。GRU作为LSTM的变体,不仅保留了LSTM的功能,而且结构更简单、参数量更少。此外,引用轻量级的高效通道注意力机制对特征重新加权,减少了数据冗余,降低了模型的复杂度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中提供的基于深度学习的自动调制识别方法的步骤流程图。
图2为本发明设计出的并行神经网络的网络架构图。
图3为本发明的并行神经网络中的注意力层采用的ECANet的模型架构。
图4为本发明实施例2中提供的基于深度学习的自动调制识别系统的系统模块图。
图5为仿真实验中本发明方案与其他现有方案在不同信噪比下的信号识别率。
图6为仿真实验中本发明方案与其他现有方案在-20dB~18dB环境噪声下的混淆矩阵。
图7为仿真实验中本发明方案与其他现有方案在-10dB~0dB环境噪声下的混淆矩阵。
图8为仿真实验中本发明方案与其他现有方案在1dB~18dB环境噪声下的混淆矩阵。
图9为仿真实验中本发明方案与其他并行网络模型方案在不同信噪比下的信号识别率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步地详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供了一种基于深度学习的自动调制识别方法,其用于自动识别传输信号的调制方式,以使得接收机能够正确解调和解码信号。AMR任务中,输入信号主要有三种表示形式,分别为:IQ、AP和星座图。一般来说,AP是通过IQ从直角坐标系转移到极坐标系中产生的,可以用简单的序列变换推导出来。星座图是一个方形密度图,但是变换后的星座图容易丢失时域信息。因此,IQ和AP特征在AMR中得到广泛的应用。
本发明技术人员通过以往基于DL的AMR研究发现,IQ序列和AP序列作为输入特征在高、低信噪比下识别率是互补的。具体表现为:基于DL的IQ模型在低信噪比环境中识别率优于AP模型,而在高信噪比时结果相反。这说明在低信噪比环境中,IQ模型具有很好的抗噪性能。因此,为了有效增强信号识别率、抗噪性和泛化能力,以及降低计算复杂度和对专家知识的依赖程度,本发明提出了基于跳跃连接的CNN与GRU相结合的并行神经网络,期望结合CNN和RNN的优点以提升网络性能。
在无线通信系统中,自动调制识别可以看作是一个多分类问题,根据接收信号序列的特征来决定调制类型。因此本发明设计了一种跳跃连接的卷积神经网络(Convolutional Neural Network,CNN)与门控循环单元(Gated Recurrent Unit,GRU)相结合的并行神经网络,来解决AMR任务。并行神经网络中卷积神经网络可以实现从信号的同相正交(In-phase Quadrature,IQ)和幅值相位(Amplitude Phase,AP)中并行提取时空特征,进而提高信号调制方式的识别率和抗噪性能,并简化模型结构和计算过程的参数量。
详细来说,如图1所示,本实施例提供的基于深度学习的自动调制识别方法包括如下步骤:
一、设计一个基于双路CNN与GRU结合的并行神经网络。
本实施例设计出的并行神经网络的网络结构如图2所示。结合图2可知,本实施例设计出的并行神经网络的架构中主要包括特征提取模块和识别模块两个部分。其中,特征提取模块包括两路CNN网络、一个特征融合层以及一个GRU层。两路CNN网络构成用于提取信号中的同相正交向量和幅值相位向量的信号特征的IQ支路和AP支路。两支路提取出的特征向量经特征融合层进行序列拼接后再输入到GRU层。IQ支路和AP支路对应的两个CNN网络中均依次包括三层卷积层,每一层卷积之前设置一个零填充层。第1层卷积的输出与第3层卷积的输出进行跳跃连接后进入注意力层。本发明中的注意力层采用高效通道注意力机制ECANet。并行神经网络中的识别模块包括Dense模块,进而利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率。
本实施例设计的并行神经网络中,为了充分发挥CNN在空间特征提取和RNN在时间特征提取方面的优势,在特征提取中设计了具有跳跃连接的CNN与GRU结合的混合网络分别提取空间和时间特征。两路CNN构成的IQ分支和AP分支将信号的IQ和AP特征并行地输入,以获得特征之间更深层次的联系,加强每个调制信号的特殊性。其中,每个支路中采用的跳跃连接结构可以有效减小梯度消失和网络退化问题。而在CNN网络中的每一层卷积之前进行零填充(Zero Padding)来调节,可以保护边缘信息特征。
考虑到不同特征通道之间的相互依赖关系,本实施例设计的并行神经网络在卷积层特征提取之后引入轻量级的高效通道注意力机制(Efficient Channel AttentionNetwork,ECANet),对特征进行权重调整以突出重要部分,抑制不重要部分。注意力层中采用的ECANet的模型架构如图3所示。在ECANet中,首先采用无降维的全局平均池化聚合卷积特征;然后进行一维卷积并使用Sigmoid函数学习每个通道的权值;最后将权重乘以原始输入特征的对应元素得到最终的输出特征。ECANet通过执行大小为k的一维卷积生成通道权值,其中,k通过通道维度c的函数自适应地确定,对应的自适应函数如下:
上式中,|·|odd表示求取最近的奇数的函数,γ和b为两个人工预设的用于调整卷积尺寸的参数,在本实施例中,两个参数优选为:γ=2,b=1。
在IQ分支和AP分支中,卷积层主要负责接收每一路的样本数据并从中学习特征信息,注意力层则是对卷积层中学习到的特征集合分配相应的注意力权重,帮助深度学习模型关注到信号数据集的关键特征。本实施例的并行神经网络中,卷积层采用ReLu激活函数,GRU层采用tanh激活函数;卷积层的核数为50,大小为1×8。
经历IQ分支和AP分支的注意力层之后,为了充分利用信号IQ和AP的差异特性,本实施例采用序列拼接方式进行特征融合。在传统的深度学习网络中,LSTM凭借3种门结构学习数据的时序特征,可以很大程度上解决梯度爆炸的问题。但是,GRU在提取信号的时序特征情况的前提下,比LSTM结构更简单、参数量更少,在保证精度的同时降低模型所需空间、提高运行速度。因此,本实施例设计的并行神经网络将融合后的特征输入到GRU层,让网络在处理具有长时间依赖性的调制分类任务中有着更好的性能表现。
特征提取之后,全连接层将得到的特征向量通过SoftMax分类器归一化产生分类概率并将其输出。
二、利用接收到的调制信号样本对并行神经网络进行训练。
本实施例设计的并行神经网络可以从信号的同相正交和幅值相位中并行提取时空特征。网络模型的输入分别为同相正交向量IQ和幅值相位向量AP。因此,为了将原始数据转换为并行神经网络可以理解或符合挖掘的格式,需要在并行神经网络的训练和后期的应用阶段对输入信号进行预处理。
2.1、信号的预处理
在无线通信系统中,接收信号r(n)一般可以表示为:
上式中,A为幅值衰落因子,f0为频偏,T为符号持续时间,θn为相位偏移,s(l)代表发射信号序列,l表示发射信号序列的索引,n表示接收信号序列的索引,h(·)函数表示信道响应,εT为定时误差,j为复数单位,g(n)表示噪声。
在AMR任务中,接收到信号以后对数据进行简单的预处理操作,可以尽可能地消除数据中的噪声、信号交叉与混叠等因素对数据的不良影响,提升数据质量,便于提取到更准确的特征。本实施例将原始信号分解为同相正交向量IQ和幅值相位向量AP。同相正交向量IQ由同相分量和正交分量组成,可以直接从原始信号中得到。幅值相位向量AP由幅值分量和相位分量组成,可以通过同相正交分量的简单序列变换后得到。最后,将提取出同相正交向量IQ和幅值相位向量AP并行地输入到并行神经网络中。
具体地,信号预处理过程提取出的同相正交向量IQ由同相分量SI(n)和正交分量SQ(n)组成,表达式如下:
上式中,real(·)表示信号的实部提取函数;imag(·)表示信号的虚部提取函数。
信号预处理过程提取出的幅值相位向量AP由幅值分量SA(n)和相位分量SP(n)组成,表达式如下:
特别地,在获取幅值相位向量AP时,为了避免不同指标之间的维度影响,还需要进行特征缩放处理,实现数据归一化。本实施例输入到并行神经网络AP分支的幅值相位向量中的幅值分量SA(n)采用L2归一化;相位分量SP(n)在-1和1之间归一化;进而完成幅值相位向量AP的归一化处理。
2.2、样本数据集和网络模型的训练
基于深度学习的网络模型需要进行训练,本实施例的并行神经网络在训练阶段采用的样本数据集中的样本数据为带有调制方式标签的输入信号。训练阶段可以将样本数据分训练集、验证集和测试集。对样本数据集中的信号进行预处理,提取出对应的同相正交向量IQ和幅值相位向量AP,并将二者输入到并行神经网络的IQ支路和AP支路。根据识别结果计算出网络模型的损失,并通过梯度反向传播更新并行神经网络的模型参数。
在训练阶段,损失函数采用交叉熵损失函数,并利用Adam优化器进行网络参数的最优解求解。通过训练集完成模型参数的迭代更新,利用验证集挑选出训练过后性能最优的并行神经网络,并保留网络模型的参数。最后利用测试集测试保留的网络模型的性能。
三、并行神经网络的应用
在应用阶段,可以利用设计和训练出的并行神经网络完成信号调制方式的识别。具体地,每次识别过程中需要先对输入的待识别的调制信号进行预处理,提取出信号的同相正交向量IQ和幅值相位向量AP,并将二者输入到并行神经网络的IQ支路和AP支路;并利用完成训练后的并行神经网络依次进行特征提取和分类回归,进而识别出输入信号的调制方式。
实施例2
在实施例1方案的基础上,本实施例进一步提供了一种基于深度学习的自动调制识别系统,其用于对输入信号的调制方式进行自动识别。如图4所示,该自动调整识别系统包括:信号预处理模块、归一化模块和调制方式识别网络。
其中,信号预处理模块包括第一提取单元和第二提取单元。第一提取单元用于提取出原始输入信号的同相分量和正交分量,构成对应的同相正交向量IQ。第二提取单元用于根据第一提取单元提取出的同相分量和正交分量,进而计算出原始输入信号的幅值分量和相位分量,构成对应的幅值相位向量AP。
归一化模块包括第一归一化单元和第二归一化单元。第一归一化单元用于对幅值相位向量AP中的幅值分量进行L2归一化。第二归一化单元用于将幅值相位向量AP中的相位分量归一化到-1至1的区间。
调制方式识别网络采用实施例1的基于深度学习的自动调制识别方法中训练完成的并行神经网络。调制方式识别网络包括特征提取模块和识别模块。特征提取模块利用设计出的具有跳跃连接的双分支CNN与GRU结合的混合网络分别提取空间和时间特征。其中,双分支CNN分别用于提取信号的同相正交向量IQ和归一化后的幅值相位向量AP的特征向量。识别模块利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率,进而输出调制方式的识别结果。
实施例3
本实施例还包括一种自动调制识别设备,其包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序。处理器执行计算机程序时,创建出如实施例2的基于深度学习的自动调制识别系统,实现对接收信号的调制方式的自动识别。
该型基于深度强化学习的分布式动态频谱分配设备本质上是一种用于实现数据处理和指令生成的计算机设备。本实施例中提供的计算机设备可以是能够执行计算机程序的嵌入式模型,进而可以集成在通信系统的接收机内。也可以是能执行程序的智能终端,如平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等,进而作为一个大型通信系统的外围设备。
本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。
在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、图像处理器GPU(Graphics Processing Unit)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。
仿真实验
为了验证本发明提供的基于深度学习的自动调制识别方法的有效性,本发明的技术人员制定实验计划并对发明方案进行了仿真实验。
1、数据集
本实验采用的调制数据是使用GNU Radio生成的合成数据集Radio ML2016.10a。样本信号的信道环境包括加性高斯白噪声、选择性衰落(莱斯(Rician)+瑞利(Rayleigh))、中心频率偏移(Center Frequency Offset,CFO)、采样率偏移(Sample Rate Offset,SRO)。数据集共有220000个样本,每种调制类型在每个信噪比有1000个样本,每个样本有IQ两路信号,每路信号包含128个采样点,数据大小为220000×2×128。
该数据集的样本信号中共包含11类调制信号,其中8种数字调制:BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK和8PSK,以及3种模拟调制:WBFM、AM-DSB和AM-SSB。这些调制类型是现代移动通信中最具代表性的调制类型,广泛应用于我们周围的无线通信系统中,基本涵盖了现代通信系统中最具代表性的调制类型。
2、仿真环境与参数
本实施例整个训练过程使用谷歌开源的深度学习框架TensorFlow构建网络模型,并在Tesla T4 GPU上加速训练。仿真过程中,将数据分为训练集(67%)、验证集(13%)和测试集(20%),训练的epoch设置为100,batch size设置为1024。为了防止过拟合,网络中添加dropout层,dropout设置为0.5。
3、性能评价指标
本实验采用不同信噪比下AMR所有调制类型的识别精度accuracy作为评估网络模型性能的评价指标。accuracy的计算公式如下:
上式中,x是信噪比,m是调制类型的总数,表示信噪比为x时第i种调制类型正确识别的信号样本个数,/>表示信噪比为x时第i种调制类型的所有信号样本个数。
4、实验组与对照组
为了对比本发明提供的方案与其他方案的性能优劣,本实验选择多个现有的方案作为仿真实验的对比模型。制定的对比实验包括两个阶段,第一阶段的对比的模型分别包括:CNN_IQ、CNN_AP、Inception_IQ、Inception_AP、LSTM_IQ、LSTM_AP、CLDNN_IQ、CLDNN_AP、CGDNN_IQ、CGDNN_AP。第二阶段的对比模型则选择2种流行的并行神经网络,包括:双流CNN和双流CNN-LSTM。
5、实验数据与分析
(5.1)第一阶段
本阶段实验首先测试了实验组与对照组各个模型在-20dB~18dB的不同信噪比环境下的调制识别精度,实验结果如图5所示。
分析图5中的数据可以发现:本发明的网络模型和对比模型的识别精度随着信噪比的增加逐渐提高。在低信噪比环境下,基于相同DL的IQ模型识别率高于AP模型,而在高信噪比环境下,AP模型识别率则高于IQ模型。说明IQ在低信噪比环境下能使模型拥有更好的抗噪性,AP在高信噪比环境下特征表示更明显。
同时也可以发现,CNN与RNN相结合的CLDNN和CGDNN比CNN、Inception、LSTM均表现出更好的性能。本网络模型综合以上优点的同时,做出一些改进,在0dB以上的高信噪比环境下识别率超过80%,且均高于所对比的AP模型。在-10dB~0dB的低信噪比环境下,识别率比CNN_IQ、Inception_IQ、LSTM_IQ、CLDNN_IQ、CGDNN_IQ分别高出7.15%、11.69%、5.08%、3.32%、2.84%。
本阶段进一步通过混淆矩阵来分析该方法在不同信噪比环境下各种调制信号的识别率。混淆矩阵是一种精度评价方法,列表示预测类别,行表示实际类别,行与列相交的正方形颜色越深,准确率越高。根据实验生成的各个网络模型在-20dB~18dB宽信噪比、-10dB~0dB低信噪比、1dB~18dB高信噪比环境下的混淆矩阵分别如图6-8所示。
分析以上各图可以发现:不同调制方式的识别率之间存在显著差距,在高信噪比环境下,大多数调制方式识别率达到90%以上,有的甚至接近100%,而QAM16和QAM64以及WBFM和AM-DSB之间容易很容易混淆。这是由于时频谱图比较相似,神经网络模型很难学习到区分它们的有效特征,导致识别结果出现一些误判的情况。
(5.2)第二阶段
本阶段实验进一步将本发明的网络模型与2种流行的并行神经网络,双流CNN和双流CNN-LSTM进行对比,测试三者的识别精度;得到的实验数据如图9所示。
分析图9中的实验数据可以看出:并行提取信号的多模特征能使网络学习到更多有用的信息,在高低信噪比下都有着良好的识别能力。双流CNN-LSTM由于结合了CNN提取空间特征方面的出色性能和LSTM处理序列数据方面的卓越能力,比双流CNN具有更好的性能。而本发明设计的基于跳跃连接的CNN与GRU相结合的并行神经网络将注意力机制完美结合,对特征进行有效的增强和抑制,在识别率和抗噪性上均优于双流CNN和双流CNN-LSTM。
在实验过程中,本案与2种流行的并行神经网络在参数量、训练时间和平均识别率上的表现如下表所示:
表1:不同并行神经网络的所需参数量、训练时间和平均识别率对比
结合上表数据可以发现:本发明的方案在计算参数量、训练时间和平均识别率上均表现出优异的性能,这是因为本发明的网络模型使用的跳跃连接结构有助于梯度反向传播,从而加快了训练速度。并且在提取时序方面特征时,运用GRU减少计算参数量。此外,引用轻量级的高效通道注意力机制对特征重新加权,减少数据冗余。
综上所述,本发明提供的基于深度学习的自动调制识别方法基于采用跳跃连接的CNN与GRU相结合的并行神经网络,将信号的IQ和AP特征并行地输入,以获得特征之间更深层次的联系,加强每个调制信号的特殊性。并对AP数据进行特征缩放处理,提高模型泛化能力。网络中利用跳跃连接结构减小梯度消失和网络退化问题,运用GRU在保证识别精度的同时,降低计算复杂度。此外,使用轻量级的ECANet为学习到的特征分配权重以减少数据冗余,达到网络优化的目的。进而提升了基于深度学习的AMR方法的抗噪性和识别率,也降低了网络模型的复杂度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的自动调制识别方法,其特征在于,其用于自动识别传输信号的调制方式,以使得接收机能够正确解调和解码信号,所述自动调制识别方法包括如下步骤:
S1:设计一个基于双路CNN与GRU结合的并行神经网络:
(1)所述并行神经网络包括特征提取模块和识别模块:
(2)所述特征提取模块包括两路CNN网络、一个特征融合层以及一个GRU层;两路CNN网络构成用于提取信号中的同相正交向量和幅值相位向量的信号特征的IQ支路和AP支路;两支路提取出的特征经特征融合层进行序列拼接后再输入到GRU层;
(3)IQ支路和AP支路的CNN网络中依次包括三层卷积层,每一层卷积之前设置一个零填充层;第1层卷积的输出与第3层卷积的输出进行跳跃连接后进入注意力层;注意力层采用高效通道注意力机制ECANet;
(4)识别模块包括Dense模块,进而利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率;
S2:利用接收到的调制信号样本对所述并行神经网络进行训练:
训练阶段对信号进行预处理,提取出对应的同相正交向量IQ和幅值相位向量AP,并将二者输入到并行神经网络的IQ支路和AP支路;进而通过梯度反向传播更新并行神经网络的模型参数;
S3:对输入的待识别的调制信号进行预处理,并利用完成训练后的并行神经网络识别出信号的调制方式。
2.如权利要求1所述的基于深度学习的自动调制识别方法,其特征在于:接收信号r(n)的信号格式如下:
上式中,A为幅值衰落因子,f0为频偏,T为符号持续时间,θn为相位偏移,s(l)代表发射信号序列,l表示发射信号序列的索引,n表示接收信号序列的索引,h(·)函数表示信道响应,εT为定时误差,j为复数单位,g(n)表示噪声。
3.如权利要求2所述的基于深度学习的自动调制识别方法,其特征在于:输入信号预处理过程提取出的同相正交向量IQ由同相分量SI(n)和正交分量SQ(n)组成,表达式如下:
上式中,real(·)表示信号的实部提取函数;imag(·)表示信号的虚部提取函数。
4.如权利要求3所述的基于深度学习的自动调制识别方法,其特征在于:输入信号预处理过程提取出的幅值相位向量AP由幅值分量SA(n)和相位分量SP(n)组成,表达式如下:
5.如权利要求4所述的基于深度学习的自动调制识别方法,其特征在于:输入到并行神经网络的AP分支的幅值相位向量需要进行归一化处理,其中,所述幅值分量SA(n)采用L2归一化;所述相位分量SP(n)在-1和1之间归一化。
6.如权利要求1所述的基于深度学习的自动调制识别方法,其特征在于:所述并行神经网络中,卷积层采用ReLu激活函数,GRU层采用tanh激活函数;卷积层的核数为50,大小为1×8。
7.如权利要求1所述的基于深度学习的自动调制识别方法,其特征在于:所述并行神经网络的注意力层中的ECANet首先采用无降维的全局平均池化聚合卷积特征;然后进行一维卷积并使用Sigmoid函数学习每个通道的权值;最后将权重乘以原始输入特征的对应元素得到最终的输出特征;
ECANet通过执行大小为k的一维卷积生成通道权值,其中,k通过通道维度c的函数自适应地确定,对应的自适应函数如下:
上式中,|·|odd表示求取最近的奇数的函数,γ和b为两个人工预设的参数。
8.如权利要求1所述的基于深度学习的自动调制识别方法,其特征在于:所述并行神经网络在训练阶段采用的样本数据集中的样本数据为带有调制方式标签的输入信号;损失函数采用交叉熵损失函数,并利用Adam优化器进行网络参数的最优解求解。
9.一种基于深度学习的自动调制识别系统,其特征在于:其用于对输入信号的调制方式进行自动识别;所述自动调整识别系统包括:
信号预处理模块,其包括第一提取单元和第二提取单元;所述第一提取单元用于提取出原始输入信号的同相分量和正交分量,构成对应的同相正交向量IQ;所述第二提取单元用于根据第一提取单元提取出的同相分量和正交分量,进而计算出原始输入信号的幅值分量和相位分量,构成对应的幅值相位向量AP;
归一化模块,其包括第一归一化单元和第二归一化单元;所述第一归一化单元用于对幅值相位向量AP中的幅值分量进行L2归一化;所述第二归一化单元用于将幅值相位向量AP中的相位分量归一化到-1至1的区间;以及
调制方式识别网络,其采用如权利要求1-8中任意一项所述的基于深度学习的自动调制识别方法中训练完成的并行神经网络;所述调制方式识别网络包括特征提取模块和识别模块;所述特征提取模块利用设计出的具有跳跃连接的双分支CNN与GRU结合的混合网络分别提取空间和时间特征;其中,双分支CNN分别用于提取信号的同相正交向量IQ和归一化后的幅值相位向量AP的特征向量;所述识别模块利用全连接层将特征提取模块得到的特征向量通过SoftMax分类器归一化产生分类概率,进而输出调制方式的识别结果。
10.一种自动调制识别设备,其包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,其特征在于:所述处理器执行计算机程序时,创建出如权利要求9所述的基于深度学习的自动调制识别系统,进行实现对接收信号的调制方式进行自动识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078879.5A CN118075070A (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的自动调制识别方法、系统及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078879.5A CN118075070A (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的自动调制识别方法、系统及其设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118075070A true CN118075070A (zh) | 2024-05-24 |
Family
ID=91099743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078879.5A Pending CN118075070A (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的自动调制识别方法、系统及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118075070A (zh) |
-
2024
- 2024-01-19 CN CN202410078879.5A patent/CN118075070A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | Deep hierarchical network for automatic modulation classification | |
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 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN112702294A (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN103888217A (zh) | 一种球形译码检测方法及装置 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
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 | |
CN111931814A (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
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 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
Sang et al. | Deep learning based predictive power allocation for V2X communication | |
CN118075070A (zh) | 基于深度学习的自动调制识别方法、系统及其设备 | |
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 | |
Fu et al. | A new method to solve the problem of facing less learning samples in signal modulation recognition | |
CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
CN111935043A (zh) | 基于相位统计图的调相信号调制方式的识别方法 | |
Guo et al. | Custom convolutional layer designs for CNN based automatic modulation classification solution | |
Li et al. | Modulation recognition analysis based on neural networks and improved model | |
CN116032332B (zh) | 一种适用于信道状态信息多变的大规模mimo系统检测模型构建方法 | |
CN117978595A (zh) | 自动调制分类方法及装置、设备、计算机可读存储介质 | |
CN114785649B (zh) | 一种基于多端神经网络的卫星通信信号识别方法 |
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 |