JP6896191B2 - 機械学習装置、信号諸元識別装置、機械学習方法、制御回路および記憶媒体 - Google Patents

Description

本発明は、受信信号の信号諸元を識別するための機械学習装置、信号諸元識別装置および機械学習方法に関する。

受信信号の変調方式といった信号諸元を識別する方法として、機械学習を使用した方法が提案されている。非特許文献１には、受信信号に含まれる同相信号および直交信号と変調方式との関係を畳み込みニューラルネットワークに学習させることにより、学習結果を用いて、同相信号および直交信号を入力として、変調方式を識別する技術が開示されている。

Timothy J. O'Shea，Johnathan Corgan， and T. Charles Clancy "Convolutional Radio Modulation Recognition Networks"，CoRR，vol.abs/1602，no.04105，pp.1-15，Jun.2016.

しかしながら、上記従来の技術によれば、学習のために必要なデータセット量が増大するという問題があった。

本発明は、上記に鑑みてなされたものであって、学習のために必要なデータセット量を低減することが可能な機械学習装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本発明にかかる機械学習装置は、学習用信号に含まれる同相信号および直交信号から、学習用信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、同相信号および直交信号のそれぞれの波形と、時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、を備えることを特徴とする。

本発明にかかる機械学習装置は、学習のために必要なデータセット数を低減することが可能になるという効果を奏する。

本発明の実施の形態１にかかる信号諸元識別システムの機能構成を示す図 図１に示す時系列特徴量算出部の構成例を示す図 図１に示す準同期検波部の構成例を示す図 図１に示す信号諸元識別システムの機能を実現するための専用のハードウェア構成を示す図 図１に示す信号諸元識別システムの機能を実現するソフトウェアを実行するハードウェア構成を示す図 図１に示す機械学習装置の動作を示すフローチャート 図１に示す信号諸元識別装置の動作を示すフローチャート 本発明の実施の形態２にかかる信号諸元識別システムの機能構成を示す図 本発明の実施の形態３にかかる信号諸元識別システムの機能構成を示す図 図９に示す雑音除去部の機能構成を示す図 図９に示す雑音除去部の構成例を示す図 本発明の実施の形態４にかかる信号諸元識別システムの機能構成を示す図 図１２に示す機械学習装置の動作を示すフローチャート 図１２に示す信号諸元識別装置の動作を示すフローチャート

以下に、本発明の実施の形態にかかる機械学習装置、信号諸元識別装置および機械学習方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、本発明の実施の形態１にかかる信号諸元識別システム１００の機能構成を示す図である。信号諸元識別システム１００は、機械学習装置１と、機械学習装置１の学習結果である学習パラメータを記憶する学習パラメータ記憶部２と、学習結果を用いて受信信号の信号諸元を識別する信号諸元識別装置３と、受信信号に含まれる同相信号および直交信号を得る準同期検波部４とを有する。信号諸元は、ＡＭ（Amplitude Modulation：振幅変調）／ＦＭ（Frequency Modulation：周波数変調）といった電波の伝送方式、ＦＳＫ（Frequency Shift Keying：周波数偏移変調）、ＱＰＳＫ（Quadrature Phase Shift Keying：四位相偏移変調）などの変調方式、ＤＳＳＳ（Direct Sequence Spread Spectrum：直接拡散方式）、ＯＦＤＭ（Orthogonal Frequency Division Multiplexing：直交波周波数分割多重）などの二次変調まで含めた通信規格などである。通信規格の一例としては、ＩＥＥＥ（Institute of Electrical and Electronics Engineers）８０２．１１ａ、ＩＥＥＥ８０２．１１ｇ、およびＩＥＥＥ８０２．１５．６が挙げられる。

機械学習装置１は、学習用データセットを用いて、信号諸元を識別するための学習パラメータを学習する。学習用データセットは、学習用信号と、学習用信号に対応づけられた信号諸元を示すラベルとを含む。複数の学習用信号は、実際に取得された受信波形に対して順同期検波を行った結果得られる同相信号および直交信号の組み合わせであるＩＱ信号、計算機シミュレーションにより模擬された同相信号および直交信号などであり、予め用意されている。学習用データセットに含まれる学習用信号は、時系列特徴量算出部１１および結合部１２のそれぞれに入力され、学習用データセットに含まれるラベルは、信号諸元学習部１３に入力される。

機械学習装置１は、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３とを有する。時系列特徴量算出部１１は、学習用信号に含まれる同相信号および直交信号から、学習用信号の特徴量の時系列変動値である時系列特徴量を算出する。時系列特徴量算出部１１は、算出した時系列特徴量を結合部１２に入力する。結合部１２は、学習用信号に含まれる同相信号および直交信号と、時系列特徴量とを結合して信号諸元学習部１３が機械学習に用いる訓練データセットを生成する。結合部１２は、結合後のデータである訓練データセットを信号諸元学習部１３に入力する。信号諸元学習部１３は、同相信号および直交信号のそれぞれの波形と、時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する。信号諸元学習部１３の学習結果は、入力データである訓練データセットと、信号諸元との間の関係を示し、訓練データセットから信号諸元を識別するための学習パラメータである。信号諸元学習部１３は、学習結果である学習パラメータを学習パラメータ記憶部２に記憶させる。

学習パラメータ記憶部２は、機械学習装置１の学習結果である学習パラメータを記憶する記憶装置である。学習パラメータ記憶部２に記憶された学習パラメータは、信号諸元識別装置３から読み出すことができる。

準同期検波部４は、受信信号を同期復調し、搬送波を再生し、周波数偏差および位相偏差補償を行う。準同期検波部４は、準同期検波後に得られる同相信号および直交信号を信号諸元識別装置３に入力する。

信号諸元識別装置３は、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３とを有する。準同期検波部４の出力する同相信号および直交信号は、時系列特徴量算出部３１および結合部３２のそれぞれに入力される。時系列特徴量算出部３１は、受信信号に含まれる同相信号および直交信号から、受信信号の特徴量の時系列変動値である時系列特徴量を算出する。時系列特徴量算出部３１が算出する時系列特徴量の種類は、時系列特徴量算出部１１が算出する時系列特徴量と同一であることが望ましい。時系列特徴量算出部３１は、算出した時系列特徴量を結合部３２に入力する。結合部３２は、時系列特徴量算出部３１から入力される時系列特徴量と、同相信号および直交信号とを結合し、信号諸元識別部３３への入力データを生成する。信号諸元識別部３３は、学習パラメータ記憶部２に記憶される学習パラメータを用いて、結合部３２からの入力データに基づいて、受信信号に適用されている信号諸元を識別する。信号諸元識別部３３は、識別結果を出力する。

なお、上記の構成は一例である。例えば、学習パラメータ記憶部２は、図１においては、機械学習装置１および信号諸元識別装置３の外部に設けられているが、機械学習装置１の内部に設けられていてもよいし、信号諸元識別装置３の内部に設けられていてもよい。また、図１では、機械学習装置１と信号諸元識別装置３とを異なる装置としているが、信号諸元識別システム１００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、および、信号諸元学習部１３と信号諸元識別部３３は、それぞれ同一のハードウェアにより実現することもできる。

図２は、図１に示す時系列特徴量算出部１１，３１の構成例を示す図である。時系列特徴量算出部１１，３１は、振幅算出部１１１と、位相算出部１１２とを有する。振幅算出部１１１および位相算出部１１２のそれぞれには、同相信号および直交信号が入力される。振幅算出部１１１は、受信信号の振幅を算出する。振幅算出部１１１は、同相信号Ｉ、直交信号Ｑとした場合、振幅Ａは、以下の数式（１）で表すことができる。

位相算出部１１２は、受信信号の位相を算出することができる。同相信号Ｉ、直交信号Ｑとした場合、位相φは、以下の数式（２）で表すことができる。

なお、時系列特徴量算出部１１，３１は、上記以外にも、同相信号Ｉ、直交信号Ｑを複素４乗したものの振幅、位相を算出することもできる。また、時系列特徴量算出部１１，３１が算出する特徴量は、振幅および位相に限らない。

図３は、図１に示す準同期検波部４の構成例を示す図である。準同期検波部４は、受信信号の周波数変換を行うための発振信号を生成する発振器４１と、発振器４１から出力される発振信号の位相を２分のπずらすπ／２移相器４２と、受信信号と発振信号とを乗算する乗算器４３と、受信信号と２分のπ位相をずらした発振信号とを乗算する乗算器４４と、乗算器４３，４４から出力された信号から不要波および雑音を除去するＬＰＦ（Low Pass Filter）４５，４６とを有する。

図４は、図１に示す信号諸元識別システム１００の機能を実現するための専用のハードウェア構成を示す図である。図４に示す処理回路９０は、例えば、単一回路、復号回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、または、これらを組み合わせたものが該当する。

図５は、図１に示す信号諸元識別システム１００の機能を実現するソフトウェアを実行するハードウェア構成を示す図である。信号諸元識別システム１００の機能は、準同期検波回路９１と、プロセッサ９２と、メモリ９３と、ストレージ９４とを用いて実現することができる。準同期検波回路９１は、図４に示す準同期検波部４の構成を有する回路である。プロセッサ９２は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、マイクロプロセッサ、マイクロコントローラ、またはＤＳＰ（Digital Signal Processor）などにより構成されている。メモリ９３は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、もしくはＥＥＰＲＯＭ（登録商標）（Electrically ＥＰＲＯＭ）などの半導体メモリ、磁気ディスク、フレキシブルディスク、などが該当する。

図１に示した機械学習装置１および信号諸元識別装置３の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアの組み合わせにより実現される。ソフトウェアやファームウェアはプログラムとして記述され、メモリ９３に記憶され、メモリ９３が記憶するプログラムをプロセッサ９２が読みだして実行することにより各機能が実現される。また、プログラムが実行される中で情報を記録する際には、メモリ９３を用いてデータを保持してもよいし、ストレージ９４を用いてデータを保持してもよい。図１に示した学習パラメータ記憶部２はストレージ９４を用いて学習パラメータを保持する。

図６は、図１に示す機械学習装置１の動作を示すフローチャートである。機械学習装置１は、学習用データセットに含まれる学習用信号とラベルとを対応づけた学習用データを取得する（ステップＳ１０１）。時系列特徴量算出部１１は、取得した学習用データのち、学習用信号から時系列特徴量を算出する（ステップＳ１０２）。

結合部１２は、算出された時系列特徴量と学習用データとを結合して訓練データセットを生成する（ステップＳ１０３）。信号諸元学習部１３は、ニューラルネットワークを用いた識別器を利用して、生成された訓練データセットを入力データとし、対応づけられたラベルが示す信号諸元を学習して、入力データから対応する信号諸元を出力するためのパラメータを学習する（ステップＳ１０４）。学習結果である学習パラメータは、学習パラメータ記憶部２に記憶される。

図７は、図１に示す信号諸元識別装置３の動作を示すフローチャートである。信号諸元識別装置３は、受信信号に含まれる同相信号および直交信号を取得する（ステップＳ２０１）。時系列特徴量算出部３１は、同相信号および直交信号から時系列特徴量を算出する（ステップＳ２０２）。結合部３２は、算出された時系列特徴量と、同相信号および直交信号とを結合して信号諸元識別部３３に入力する（ステップＳ２０３）。信号諸元識別部３３は、入力されたデータと、学習パラメータ記憶部２に記憶された機械学習装置１の学習結果とに基づいて、受信信号の信号諸元を識別する（ステップＳ２０４）。

以上説明したように、本発明の実施の形態１にかかる信号諸元識別システム１００では、同相信号および直交信号に加えて、信号の特徴量の時系列変動値である時系列特徴量を信号諸元学習部１３への入力として、信号諸元が学習される。このような構成をとることによって、同相信号および直交信号のみを入力として信号諸元を学習するよりも、必要となるサンプル数および学習時に必要となるデータセット数を削減することが可能になる。

実施の形態２．
図８は、本発明の実施の形態２にかかる信号諸元識別システム２００の機能構成を示す図である。以下、実施の形態１にかかる信号諸元識別システム１００と異なる部分について主に説明し、信号諸元識別システム１００と同様の部分については詳しい説明を省略する。信号諸元識別システム２００は、機械学習装置１ａと、学習パラメータ記憶部２と、信号諸元識別装置３ａと、準同期検波部４とを有する。

機械学習装置１ａは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３ａとを有する。機械学習装置１ａは、学習用データセットから、学習用信号と、補足情報と、ラベルとを含む学習用データを取得する。補足情報は、学習用信号から算出可能な情報であり、予め取得されている。補足情報は、信号諸元学習部１３ａに入力される。信号諸元学習部１３ａは、同相信号および直交信号のそれぞれの波形と、時系列特徴量と、補足情報とに基づいて作成される訓練データセットに従って、信号諸元を学習する。

信号諸元識別装置３ａは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３ａと、補足情報算出部３４とを有する。補足情報算出部３４には、準同期検波部４から、受信信号に含まれる同相信号および直交信号が入力される。補足情報算出部３４は、受信信号から、信号諸元学習部１３ａに入力される補足情報と同じ種類の補足情報を算出する。補足情報は、信号の特徴を補足する情報であり、推定されたＳＮＲ（Signal to Noise Ratio：信号対雑音比）、推定された周波数誤差といったものが考えられる。補足情報算出部３４における計算は、同相信号および直交信号をＦＦＴ（Fast Fourier Transform）して周波数領域における最大値と最小値の比を推定ＳＮＲとしたり、周波数帯域から中心周波数のずれを推定するほか、ニューラルネットワークを用いてＳＮＲや周波数帯域を推定することが考えられるが、これに限るものではない。

信号諸元識別部３３ａは、結合部３２の出力する結合データに加えて、補足情報算出部３４の出力する補足情報を入力データとして、信号諸元を識別する。なお、実施の形態１と同様に、図８に示す構成は一例であり、学習パラメータ記憶部２は、図８においては、機械学習装置１ａおよび信号諸元識別装置３ａの外部に設けられているが、機械学習装置１ａの内部に設けられていてもよいし、信号諸元識別装置３ａの内部に設けられていてもよい。また、図８では、機械学習装置１ａと信号諸元識別装置３ａとを異なる装置としているが、信号諸元識別システム２００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、および、信号諸元学習部１３ａと信号諸元識別部３３ａは、それぞれ同一のハードウェアにより実現することもできる。

以上説明したように、本発明の実施の形態２にかかる信号諸元識別システム２００によれば、信号諸元学習部１３ａおよび信号諸元識別部３３ａの入力データに補足情報を追加することで、学習に必要となるデータセット数をさらに削減することが可能になる。

実施の形態３．
図９は、本発明の実施の形態３にかかる信号諸元識別システム３００の機能構成を示す図である。信号諸元識別システム３００は、機械学習装置１ｂと、学習パラメータ記憶部２と、信号諸元識別装置３ｂと、準同期検波部４と、雑音除去学習パラメータ記憶部５とを有する。

機械学習装置１ｂは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３と、信号選定部１４と、雑音除去部１５とを有する。信号選定部１４および雑音除去部１５は、時系列特徴量算出部１１の前段に配置されている。

信号選定部１４は、学習用データセットに含まれる学習用信号の中から、学習用信号から雑音成分を除去した雑音除去信号を学習するために使用する雑音除去学習用信号を選定する。信号選定部１４は、選定結果および学習用信号を雑音除去部１５に入力する。信号選定部１４は、学習用信号の信号対雑音比に基づいて、雑音除去学習用信号を選定することができる。例えば、信号選定部１４は、信号対雑音比が閾値以上の学習用信号を雑音除去学習用信号に選定する。或いは、学習用データセットに含まれる学習用信号に、予め雑音除去学習用信号であるか否かを示すフラグが付与されている場合、信号選定部１４は、フラグに基づいて、雑音除去学習用信号を選定することができる。

雑音除去部１５は、学習用信号から雑音成分を除去した雑音除去信号を学習すると共に、雑音除去信号の学習結果を用いて学習用信号から雑音成分を除去する。具体的には、雑音除去部１５は、入力される学習用信号と、信号選定部１４の選定結果とに基づいて、雑音除去学習用信号として選定された学習用信号については、当該学習用信号を用いて、雑音除去信号を学習する。雑音除去部１５は、学習結果を雑音除去学習パラメータ記憶部５に記憶する。雑音除去部１５は、雑音除去学習用信号として選定されなかった学習用信号については、学習結果を用いて、学習用信号から雑音成分を除去する。雑音除去部１５は、雑音成分を除去した学習用信号である雑音除去後信号を時系列特徴量算出部１１および結合部１２に入力する。

時系列特徴量算出部１１、結合部１２および信号諸元学習部１３については、雑音除去後信号を用いて処理が行われる点以外は、実施の形態１と同様であるため詳しい説明を省略する。

図１０は、図９に示す雑音除去部１５の機能構成を示す図である。雑音除去部１５は、学習用雑音付加部１５１と、正規化処理部１５２と、雑音除去器学習部１５３と、雑音除去学習パラメータ記憶部１５４と、正規化処理部１５５と、雑音除去器１５６とを有する。

学習用雑音付加部１５１には、雑音除去学習用信号が入力される。学習用信号の中で、含まれる雑音成分が低いものが雑音除去学習用信号に選定されている。学習用雑音付加部１５１は、入力される雑音除去学習用信号に、雑音成分を付加する。学習用雑音付加部１５１は、雑音成分を付加した信号を正規化処理部１５２に入力する。正規化処理部１５２には、雑音成分を付加した信号と、雑音成分を付加する前の雑音除去学習用信号とが入力される。正規化処理部１５２は、雑音成分を付加した信号および雑音除去学習用信号のそれぞれに正規化処理を行った結果を雑音除去器学習部１５３に入力する。

雑音除去器学習部１５３は、自己符号化器を備え、自己符号化器には、正規化した雑音付加後の信号が入力され、自己符号化器は、雑音付加後の信号に基づく雑音除去用データセットに従って、正規化した雑音付加前の雑音除去学習用信号を雑音除去後の信号として学習する。言い換えると、雑音除去器学習部１５３は、雑音付加後の雑音除去学習用信号を入力としたとき、雑音付加前の雑音除去学習用信号を出力するようにパラメータを学習する。雑音除去器学習部１５３は、学習結果を雑音除去学習パラメータ記憶部１５４に記憶すると共に、出力して雑音除去学習パラメータ記憶部５に記憶させる。

自己符号化器（Autoencoder）は、入力と出力の次元を同一としたニューラルネットワークであり、入力に対して雑音を付加したものから雑音付加前のものを推定する手法は、雑音除去自己符号化器（Denoising Autoencoder）として知られている。

雑音除去学習用信号でない入力信号が入力された場合、正規化処理部１５５で正規化処理が行われ、正規化処理部１５５は、処理後の信号を雑音除去器１５６に入力する。雑音除去器１５６は、雑音除去学習パラメータ記憶部１５４に記憶された学習パラメータを用いて雑音除去を行い、雑音除去後の信号を出力する。

図９の説明に戻る。信号諸元識別装置３ｂは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３と、雑音除去部３５とを有する。雑音除去部３５は、時系列特徴量算出部３１の前段に配置される。雑音除去部３５には、準同期検波部４から同相信号および直交信号が入力される。また、雑音除去部３５は、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて、入力信号から雑音成分を除去する。雑音除去部３５は、雑音成分を除去後の信号を時系列特徴量算出部３１および結合部３２のそれぞれに入力する。時系列特徴量算出部３１、結合部３２、および信号諸元識別部３３は、雑音成分を除去後の信号を処理する点以外は実施の形態１と同様であるため、ここでは詳しい説明を省略する。

図１１は、図９に示す雑音除去部３５の構成例を示す図である。雑音除去部３５は、正規化処理部３５１と、雑音除去器３５２とを有する。正規化処理部３５１は、入力信号に対して正規化処理を行い、正規化処理後の信号を雑音除去器３５２に入力する。雑音除去器３５２は、正規化処理後の信号に対して、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて雑音除去処理を行い、雑音除去後の信号を出力する。

なお、図９〜１１に示す構成は一例である。学習パラメータ記憶部２は、図９においては、機械学習装置１ｂおよび信号諸元識別装置３ｂの外部に設けられているが、機械学習装置１ｂの内部に設けられていてもよいし、信号諸元識別装置３ｂの内部に設けられていてもよい。また、雑音除去学習パラメータ記憶部５についても、機械学習装置１ｂ内部の雑音除去学習パラメータ記憶部１５４を信号諸元識別装置３ｂから読み出すことが可能であれば、雑音除去学習パラメータ記憶部５を省略してもよい。また、雑音除去学習パラメータ記憶部５は、信号諸元識別装置３ｂの内部に設けられてもよい。また、図９では、機械学習装置１ｂと信号諸元識別装置３ｂとを異なる装置としているが、信号諸元識別システム３００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、信号諸元学習部１３と信号諸元識別部３３、雑音除去部１５と雑音除去部３５は、それぞれ同一のハードウェアにより実現することもできる。

以上説明したように、本発明の実施の形態３にかかる信号諸元識別システム３００では、雑音除去学習用信号を用いて、雑音成分を含む信号が入力されたときに、雑音成分を除去後の信号が出力されるように自己符号化器を学習させる。そして、雑音除去を行った結果から時系列特徴量を算出することにより、信号対雑音比が低い受信信号に対しても、信号諸元の識別精度を向上させることが可能になる。

実施の形態４．
実施の形態３では、ニューラルネットワークを用いて非線形処理による雑音除去を用いているが、システムの識別対象のラベル数が大きい場合、限られたデータセット量では、雑音除去部が十分に学習できない場合がある。本実施の形態は、システムの識別対象のラベル数が大きい場合であっても、データセット数を増やすことなく、雑音除去を行うためのものである。

図１２は、本発明の実施の形態４にかかる信号諸元識別システム４００の機能構成を示す図である。信号諸元識別システム４００は、機械学習装置１ｃと、学習パラメータ記憶部２と、信号諸元識別装置３ｃと、準同期検波部４と、雑音除去学習パラメータ記憶部５とを有する。

機械学習装置１ｃは、時系列特徴量算出部１１と、結合部１２と、信号諸元学習部１３と、信号選定部１４と、第１の雑音除去部１５−１〜第Ｎの雑音除去部１５−Ｎと、選択部１６とを有する。以下の説明中において、第１の雑音除去部１５−１〜第Ｎの雑音除去部１５−Ｎのそれぞれを区別する必要がない場合、単に雑音除去部１５と称する。機械学習装置１ｃは、雑音除去部１５を複数有し、複数の雑音除去部１５と信号選定部１４との間に選択部１６を有する以外は、機械学習装置１ｂと同様である。以下、機械学習装置１ｂと異なる部分について主に説明する。

選択部１６は、学習用データセットに含まれるラベルに基づいて、つまり、ラベルが示す信号諸元に基づいて、複数の雑音除去部１５の中から、学習用信号を処理する１つ以上の雑音除去部１５を選択する。複数の雑音除去部１５のそれぞれは、例えば図１０に示す構成を有している。複数の雑音除去部１５のそれぞれは、信号選定部１４によって、雑音除去学習用信号として選択された学習用信号が入力された場合、雑音成分を除去後の信号を学習し、学習結果を雑音除去学習パラメータ記憶部５に記憶させる。複数の雑音除去部１５のそれぞれは、雑音除去学習用信号として選択されなかった学習用信号が入力された場合、雑音成分の除去処理を行って、雑音除去後の信号を出力する。

信号諸元識別装置３ｃは、時系列特徴量算出部３１と、結合部３２と、信号諸元識別部３３と、第１の雑音除去部３５−１〜第Ｎの雑音除去部３５−Ｎと、選択部３６とを有する。以下、第１の雑音除去部３５−１〜第Ｎの雑音除去部３５−Ｎのそれぞれを特に区別する必要がない場合、単に雑音除去部３５と称する。

選択部３６は、信号諸元識別部３３の出力する信号諸元の識別結果に基づいて、複数の雑音除去部３５の中から、受信信号を処理する１つ以上の雑音除去部３５を選択する。選択部３６は、選択した雑音除去部３５に、処理対象の受信信号を入力する。複数の雑音除去部３５のそれぞれは、例えば図１１に示す構成を有している。複数の雑音除去部３５のそれぞれは、受信信号が入力されると、雑音除去学習パラメータ記憶部５に記憶された学習結果を用いて、受信信号から雑音成分を除去し、雑音除去後の受信信号を時系列特徴量算出部３１に出力する。

なお、図１２に示す構成は一例である。学習パラメータ記憶部２は、図１２においては、機械学習装置１ｃおよび信号諸元識別装置３ｃの外部に設けられているが、機械学習装置１ｃの内部に設けられていてもよいし、信号諸元識別装置３ｃの内部に設けられていてもよい。また、雑音除去学習パラメータ記憶部５についても、機械学習装置１ｃ内部の雑音除去学習パラメータ記憶部１５４を信号諸元識別装置３ｃから読み出すことが可能であれば、雑音除去学習パラメータ記憶部５を省略してもよい。また、雑音除去学習パラメータ記憶部５は、信号諸元識別装置３ｃの内部に設けられてもよい。また、図１２では、機械学習装置１ｃと信号諸元識別装置３ｃとを異なる装置としているが、信号諸元識別システム４００の機能を１つの装置上で実現することもできる。この場合、時系列特徴量算出部１１と時系列特徴量算出部３１、結合部１２と結合部３２、信号諸元学習部１３と信号諸元識別部３３、第１の雑音除去部１５−１〜第Ｎの雑音除去部１５−Ｎと第１の雑音除去部３５−１〜第Ｎの雑音除去部３５−Ｎは、それぞれ同一のハードウェアにより実現することもできる。

図１３は、図１２に示す機械学習装置１ｃの動作を示すフローチャートである。なお、図１３の説明中において、図６に示す動作と同様の部分については、同じ符号を付して詳細な説明を省略する。

機械学習装置１ｃは、学習用データを取得する（ステップＳ１０１）。信号選定部１４は、学習用データに含まれる学習用信号が雑音除去学習用信号であるか否かを判断する（ステップＳ３０１）。雑音除去学習用信号である場合（ステップＳ３０１：Ｙｅｓ）、選択部１６は、学習用データに含まれるラベルに応じて複数の雑音除去部１５の中から１つ以上を選択して、選択した雑音除去部１５に学習させる（ステップＳ３０２）。その後ステップＳ３０１の処理に戻る。

雑音除去学習用信号でない場合（ステップＳ３０１：Ｎｏ）、選択部１６は、学習用データに含まれるラベルに応じて複数の雑音除去部１５の中から１つ以上を選択して、選択した雑音除去部１５に雑音除去させる（ステップＳ３０３）。以下、ステップＳ１０２からステップＳ１０４の処理は図６と同様であるため説明を省略する。

図１４は、図１２に示す信号諸元識別装置３ｃの動作を示すフローチャートである。信号諸元識別装置３ｃは、準同期検波部４から受信信号に含まれる同相信号および直交信号を取得する（ステップＳ４０１）。選択部３６は、複数の雑音除去部３５の中から１つの雑音除去部３５を選択し、選択した雑音除去部３５に雑音除去させる（ステップＳ４０２）。時系列特徴量算出部３１は、雑音除去後の受信信号から時系列特徴量を算出する（ステップＳ４０３）。結合部３２は、算出された時系列特徴量と雑音除去後の受信信号に含まれる同相信号および直交信号とを結合して入力データを生成する（ステップＳ４０４）。信号諸元識別部３３は、入力データから、学習パラメータ記憶部２に記憶されている学習結果を用いて、入力信号の信号諸元を識別する（ステップＳ４０５）。信号諸元識別部３３は、識別結果を信号諸元識別装置３ｃの外部に出力すると共に、選択部３６にフィードバックする。

選択部３６は、識別結果に応じて、複数の雑音除去部３５の中から受信信号を処理する雑音除去部３５を選択し、選択した雑音除去部３５に受信信号の雑音成分を除去させる（ステップＳ４０６）。雑音成分除去後の受信信号は、時系列特徴量算出部３１に入力される。時系列特徴量算出部３１は、入力される受信信号から時系列特徴量を算出する（ステップＳ４０７）。結合部３２は、算出された時系列特徴量と雑音除去後の受信信号に含まれる同相信号および直交信号とを結合して入力データを生成する（ステップＳ４０８）。信号諸元識別部３３は、入力データから、学習パラメータ記憶部２に記憶された学習結果を用いて、受信信号の信号諸元を識別する（ステップＳ４０９）。信号諸元識別部３３は、識別結果を出力する。

信号諸元識別システム４００を用いて、変調方式の識別を行う場合、例えば、ラベルの値は、ＡＭ、ＦＭ、ＢＰＳＫ（Binary Phase Shift Keying：二位相偏移変調）、ＱＰＳＫ、ＦＳＫが与えられるとする。この場合、複数の雑音除去部１５，３５は、ＡＭ向けの第１の雑音除去部１５−１，３５−１、ＦＭ向けの第２の雑音除去部１５−２，３５−２、ＢＰＳＫおよびＱＰＳＫ向けの第３の雑音除去部１５−３，３５−３、ＦＳＫ向けの第４の雑音除去部１５−４，３５−４の４通りの雑音除去部１５，３５を設けることが考えられる。さらに、ラベルの値によらず、全てのラベルについて学習する第５の雑音除去部１５−５と、第５の雑音除去部１５−５の学習結果を用いて受信信号から雑音成分を除去する第５の雑音除去部３５−５とを備える場合、図１４のステップＳ４０２では、第５の雑音除去部３５−５を用いて雑音成分を除去し、その後のステップＳ４０６では、識別結果に基づいて選択された雑音除去部３５を用いて雑音成分を除去することができる。

以上説明したように、本発明の実施の形態４にかかる信号諸元識別システム４００によれば、信号諸元の識別を行う際に、雑音除去部１５の学習に必要なデータセット数を増やすことなく雑音除去を行うことで、識別精度を向上させることが可能になる。

以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

また、フローチャートを用いて説明した動作は、必要に応じて、各ステップの動作を並列処理したり、処理の順番を入れ替えたりすることができる。

１，１ａ，１ｂ，１ｃ 機械学習装置、２ 学習パラメータ記憶部、３，３ａ，３ｂ，３ｃ 信号諸元識別装置、４ 準同期検波部、５，１５４ 雑音除去学習パラメータ記憶部、１１，３１ 時系列特徴量算出部、１２，３２ 結合部、１３，１３ａ 信号諸元学習部、１４ 信号選定部、１５，３５ 雑音除去部、１５−１，３５−１ 第１の雑音除去部、１５−２，３５−２ 第２の雑音除去部、１５−３，３５−３ 第３の雑音除去部、１５−４，３５−４ 第４の雑音除去部、１５−５，３５−５ 第５の雑音除去部、１５−Ｎ，３５−Ｎ 第Ｎの雑音除去部、１６，３６ 選択部、３３，３３ａ 信号諸元識別部、３４ 補足情報算出部、４１ 発振器、４２ π／２移相器、４３，４４ 乗算器、４５，４６ ＬＰＦ、９０ 処理回路、９１ 準同期検波回路、９２ プロセッサ、９３ メモリ、９４ ストレージ、１００，２００，３００，４００ 信号諸元識別システム、１１１ 振幅算出部、１１２ 位相算出部、１５１ 学習用雑音付加部、１５２，１５５，３５１ 正規化処理部、１５３ 雑音除去器学習部、１５６，３５２ 雑音除去器。

Claims (15)

1. 学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、
   前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、
   を備えることを特徴とする機械学習装置。
2. 前記学習用信号と、前記信号諸元とを対応づけた学習用データセットは、前記学習用信号に基づいて算出可能な補足情報をさらに含み、
   前記信号諸元学習部は、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、前記補足情報とに基づいて作成される訓練データセットに従って、前記信号諸元を学習することを特徴とする請求項１に記載の機械学習装置。
3. 前記学習用信号から雑音成分を除去した雑音除去信号を学習すると共に、前記雑音除去信号の学習結果を用いて前記学習用信号から前記雑音成分を除去する雑音除去部、
   をさらに備え、
   前記時系列特徴量算出部は、前記雑音成分が除去された前記学習用信号を用いて、前記時系列特徴量を算出することを特徴とする請求項１または２に記載の機械学習装置。
4. 前記雑音除去信号を学習するために使用する雑音除去学習用信号を、入力される学習用信号の中から選定する信号選定部、
   をさらに備え、
   前記雑音除去部は、前記雑音除去学習用信号として選定された前記学習用信号に雑音成分を付加し、前記雑音成分を付加した前記雑音除去学習用信号に基づく雑音除去用データセットに従って、前記雑音成分を付加する前の前記雑音除去学習用信号を前記雑音成分を除去後の信号として学習することを特徴とする請求項３に記載の機械学習装置。
5. 複数の前記雑音除去部と、
   複数の前記雑音除去部の中から、前記学習用信号の信号諸元に基づいて、前記学習用信号を処理する１つ以上の雑音除去部を選択する選択部と、
   を備えることを特徴とする請求項４に記載の機械学習装置。
6. 複数の前記雑音除去部は、前記信号諸元に関わらず全ての雑音除去学習用信号を用いて学習を行う全学習雑音除去部を含み、
   前記選択部は、前記全学習雑音除去部と、前記学習用信号の信号諸元に基づいて選択した雑音除去部とを選択することを特徴とする請求項５に記載の機械学習装置。
7. 受信信号に含まれる同相信号および直交信号から、前記受信信号の特徴量の時系列変動値である時系列特徴量を算出する時系列特徴量算出部と、
   前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、信号諸元との関係を学習した諸元学習結果に基づいて、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量とを用いて、前記信号諸元を識別する信号諸元識別部と、
   を備えることを特徴とする信号諸元識別装置。
8. 前記受信信号から前記受信信号の特徴を示す補足情報を算出する補足情報算出部、
   をさらに備え、
   前記信号諸元識別部は、前記同相信号および前記直交信号のそれぞれの波形と、前記時系列特徴量と、前記補足情報と、前記信号諸元との関係を学習した学習結果に基づいて、前記補足情報をさらに用いて、前記信号諸元を識別することを特徴とする請求項７に記載の信号諸元識別装置。
9. 入力される信号と、前記信号から雑音成分を除去後の信号との関係を学習した雑音学習結果に基づいて、前記受信信号に含まれる同相信号および直交信号から雑音成分を除去する雑音除去部、
   をさらに備え、
   前記時系列特徴量算出部は、前記雑音成分を除去後の信号から前記時系列特徴量を算出することを特徴とする請求項７または８に記載の信号諸元識別装置。
10. 複数の前記雑音除去部と、
    複数の前記雑音除去部の中から、前記受信信号の信号諸元に基づいて、前記受信信号を処理する前記雑音除去部を選択する選択部と、
    をさらに備えることを特徴とする請求項９に記載の信号諸元識別装置。
11. 複数の前記雑音除去部は、前記信号諸元の値によらず全ての学習結果を用いて雑音成分を除去する全学習雑音除去部を含み、
    前記全学習雑音除去部を用いて雑音成分が除去された受信信号の信号諸元を識別した後、識別結果を前記選択部にフィードバックすることを特徴とする請求項１０に記載の信号諸元識別装置。
12. 学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出する第１の時系列特徴量算出部と、
    前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習する信号諸元学習部と、
    受信信号に含まれる同相信号および直交信号から、前記受信信号の前記時系列特徴量を算出する第２の時系列特徴量算出部と、
    前記受信信号に含まれる同相信号および直交信号のそれぞれの波形と、前記第２の時系列特徴量算出部により算出された前記時系列特徴量と、前記信号諸元学習部の学習結果とに基づいて、前記信号諸元の識別結果を出力する信号諸元識別部と、
    を備えることを特徴とする信号諸元識別装置。
13. 学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出するステップと、
    前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習するステップと、を含むことを特徴とする機械学習方法。
14. 機械学習装置を制御する制御回路であって、
    学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出するステップと、
    前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習するステップと、を前記機械学習装置に実行させることを特徴とする制御回路。
15. 機械学習装置を制御するプログラムを記憶する記憶媒体であって、
    前記プログラムは、
    学習用信号に含まれる同相信号および直交信号から、前記学習用信号の特徴量の時系列変動値である時系列特徴量を算出するステップと、
    前記学習用信号に含まれる同相信号および直交信号のそれぞれの波形と、前記時系列特徴量とに基づいて作成される訓練データセットに従って、信号諸元を学習するステップと、を前記機械学習装置に実行させることを特徴とする記憶媒体。

Images