JP7209915B2

JP7209915B2 - 変調方式識別装置、制御回路、記憶媒体および変調方式識別方法

Info

Publication number: JP7209915B2
Application number: JP2022567393A
Authority: JP
Inventors: 靖貴山下
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-12-18
Filing date: 2020-12-18
Publication date: 2023-01-20
Anticipated expiration: 2040-12-18
Also published as: JPWO2022130625A1; US20230246889A1; WO2022130625A1

Description

本開示は、変調方式を識別する変調方式識別装置、制御回路、記憶媒体および変調方式識別方法に関する。

変調方式の識別は、周波数利用効率を向上させるコグニティブ無線、不信な電波を監視する電波監視などにおいて必要となる。従来の変調方式識別装置は、入力信号から定められた特徴量を算出し、算出した特徴量の分布をデータベースと照合することによって変調方式の識別を行う。具体的には、従来の変調方式識別装置は、入力信号からＡＰＤ（Amplitude Probability Distribution）を測定し、測定情報とデータベース部に格納されている変調方式に対応した振幅確率分布情報とを照合し、振幅確率分布情報の中から測定情報に最も一致する振幅確率分布情報を選択することによって変調方式を特定する。しかしながら、従来の変調方式識別装置は、入力信号から定められた特徴量を算出し、算出した特徴量の分布をデータベースと照合する。そのため、多くの変調方式に対応するには全ての変調方式で異なる値となる特徴量を設計する必要があり、設計の複雑化を招く。

このような問題に対して、非特許文献１には、畳み込みニューラルネットワークを用いた深層学習によって特徴量を自動で学習することで、設計の困難性を解決する技術が開示されている。非特許文献１では、信号波形を入力とし、対応する変調方式を出力するよう畳み込みニューラルネットワークを学習させて識別器として使用することによって、変調方式毎に異なる特徴量を算出することなく変調方式を特定している。畳み込みニューラルネットワークを用いた深層学習による変調方式の識別方法は、既知の信号波形データを用いて畳み込みニューラルネットワークを学習させて分類器として使用し、深層学習によって特徴量を自動で算出することから多くの変調方式に対応できる。

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、信号波形を入力として対応する変調方式を出力するよう畳み込みニューラルネットワークに学習させて識別器として使用する。そのため、畳み込みニューラルネットワークは、学習データに含まれない変調方式の信号波形が入力された場合、学習させたいずれかの変調方式に誤識別してしまう、という問題があった。無線通信、レーダなどの信号に用いられる変調方式は様々である。変調方式の識別においては、多くの変調方式を特定できることが求められる一方で、任意の信号点配置をとるＡＰＳＫ（Amplitude Phase Shift Keying）など全ての変調方式に対応することは困難である。対応していない変調方式の信号波形については、不明の変調方式であることを出力することが求められる。

本開示は、上記に鑑みてなされたものであって、複数の変調方式に対応しつつ、対応していない変調方式の信号波形に対して不明の変調方式であることを出力可能な変調方式識別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、本開示の変調方式識別装置は、入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力する変調方式特定部と、第１の確率分布と、第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出する一致率算出部と、一致率に基づいて、信号波形の変調方式が第１の変調方式か、または不明の変調方式かを判定する判定部と、を備えることを特徴とする。

本開示に係る変調方式識別装置は、複数の変調方式に対応しつつ、対応していない変調方式の信号波形に対して不明の変調方式であることを出力できる、という効果を奏する。

実施の形態１に係る変調方式識別装置の構成例を示すブロック図実施の形態１に係る変調方式識別装置の学習フェーズの動作を示すフローチャート実施の形態１に係る変調方式識別装置が備える変調方式特定部の学習で使用される学習用データセットの例を示す図実施の形態１に係る変調方式識別装置が備える変調方式特定部の構成例を示す図実施の形態１に係る変調方式識別装置の推論フェーズの動作を示すフローチャート実施の形態１に係る変調方式識別装置が備える処理回路をプロセッサおよびメモリで実現する場合の処理回路の構成例を示す図実施の形態１に係る変調方式識別装置が備える処理回路を専用のハードウェアで構成する場合の処理回路の例を示す図実施の形態２に係る変調方式識別装置の構成例を示すブロック図実施の形態２に係る変調方式識別装置の学習フェーズの動作を示すフローチャート実施の形態２に係る変調方式識別装置の一致率算出部が蓄積する変調方式毎の確率分布の例を示す図実施の形態２に係る変調方式識別装置の推論フェーズの動作を示すフローチャート実施の形態３に係る変調方式識別装置の構成例を示すブロック図実施の形態３に係る変調方式識別装置の学習フェーズの動作を示すフローチャート実施の形態３に係る変調方式識別装置の推論フェーズの動作を示すフローチャート

以下に、本開示の実施の形態に係る変調方式識別装置、制御回路、記憶媒体および変調方式識別方法を図面に基づいて詳細に説明する。

実施の形態１．
図１は、実施の形態１に係る変調方式識別装置１の構成例を示すブロック図である。変調方式識別装置１は、変調方式特定部１１と、一致率算出部１２と、判定部１３と、を備える。

変調方式特定部１１は、変調方式識別装置１に入力された信号波形に対して複数の変調方式に対する確率分布を出力する。変調方式特定部１１から出力される確率分布を、第１の確率分布と称することがある。

一致率算出部１２は、変調方式特定部１１から出力された確率分布と、変調方式特定部１１から出力された確率分布において最大の確率の変調方式に対して規定された確率分布との一致率を算出する。変調方式特定部１１から出力された確率分布において最大の確率の変調方式を、第１の変調方式と称することがある。また、第１の変調方式に対して規定された確率分布を、第２の確率分布と称することがある。

判定部１３は、一致率算出部１２で算出された一致率に基づいて、変調方式識別装置１に入力された信号波形の変調方式が第１の変調方式か、または変調方式識別装置１において対応していない不明の変調方式かを判定する。

変調方式識別装置１の動作について説明する。変調方式識別装置１の動作としては、変調方式特定部１１において深層学習を用いることから、学習フェーズ、および推論フェーズの２つの動作がある。

まず、学習フェーズについて説明する。図２は、実施の形態１に係る変調方式識別装置１の学習フェーズの動作を示すフローチャートである。変調方式識別装置１において、変調方式特定部１１を学習する（ステップＳ１１）。変調方式特定部１１の学習は、複数の信号波形データと、各信号波形データに対応する変調方式として付加されたラベルと、を含む学習用データセットを用いて行う。

図３は、実施の形態１に係る変調方式識別装置１が備える変調方式特定部１１の学習で使用される学習用データセットの例を示す図である。図３に示す学習用データセットには、前述の信号波形データと、ラベルと、信号波形データおよびラベルの各組み合わせを識別するための番号と、が含まれる。信号波形データは、実際に取得された受信信号の信号波形に対して準同期検波を行った結果得られる同相信号と直交信号との組み合わせであるＩＱ（In-phase Quadrature-phase）信号、計算機シミュレーションによって模擬されたＩＱ信号などが考えられる。ラベルとして用いられる変調方式は、各信号波形に対して、ＡＭ（Amplitude Modulation）、ＦＭ（Frequency Modulation）、ＦＳＫ（Frequency Shift Keying）、ＱＰＳＫ（Quadrature Phase Shift Keying）、ＱＡＭ（Quadrature Amplitude Modulation）といった複数の変調方式が考えられる。

学習用データセットにＮ個の信号波形が含まれる場合に、信号波形Ｘ_ｎをｎ個目の信号波形とする。Ｎ個の信号波形に対応する変調方式がＭ個である場合、要素数ＭのベクトルＹ_ｎ＝［ｙ_１，ｙ_２，…，ｙ_Ｍ］を作成し、対応する変調方式の要素のみ１としてそれ以外を０とするＯｎｅ－ｈｏｔ表現とする。例えば、学習用データセットに１００個の信号波形が存在し、各信号波形が３個の変調方式（ＡＭ，ＦＳＫ，ＱＰＳＫ）のいずれかに対応し、３個目の信号波形に対応する変調方式がＦＳＫであればＹ_３＝［０，１，０］である。

変調方式特定部１１は、図４に示すようにニューラルネットワークで構成される。図４は、実施の形態１に係る変調方式識別装置１が備える変調方式特定部１１の構成例を示す図である。変調方式特定部１１は、ニューラルネットワーク１１１で構成される、すなわちニューラルネットワーク１１１を用いることが考えられる。ニューラルネットワーク１１１としては、例えば、マルチパーセプトロン、深層ニューラルネットワーク、畳み込みニューラルネットワーク（Convolutional Neural Network）、再帰型ニューラルネットワーク（Recurrent Neural Network）などが考えられ、また、これらの組み合わせが考えられる。上記のような信号波形Ｘ_ｎを入力とした場合にＹ_ｎを出力するよう変調方式特定部１１の内部パラメータを学習させることによって、変調方式特定部１１は、信号波形が入力されると信号波形に該当する変調方式の要素が最も大きくなる確率分布を出力することができる。

変調方式特定部１１の学習後、一致率算出部１２を学習する（ステップＳ１２）。ここで、図３に示す学習用データセットとは異なる学習用データセットに含まれる信号波形を学習後の変調方式特定部１１に入力させ、変調方式特定部１１から確率分布を出力させる。一致率算出部１２の学習は、変調方式特定部１１から出力された確率分布を入力とし、最大の確率を持つ変調方式が正しい変調方式である確率に等しい一致率を出力するよう機械学習アルゴリズムを用いて行う。すなわち、一致率算出部１２は、機械学習アルゴリズムによって一致率を算出する。機械学習アルゴリズムは、例えば、ランダムフォレストなどが考えられる。これにより、一致率算出部１２は、変調方式特定部１１から確率分布を取得した場合において、確率分布の中で最大の確率に対応する変調方式が正答であるかの軟判定値を得ることができる。

つぎに、推論フェーズについて説明する。図５は、実施の形態１に係る変調方式識別装置１の推論フェーズの動作を示すフローチャートである。変調方式識別装置１において、変調方式特定部１１は、入力された信号波形Ｘ´に対して、各変調方式に対する確率分布Ｙ´を出力する（ステップＳ２１）。一致率算出部１２は、変調方式特定部１１から出力された確率分布Ｙ´を入力とし、確率分布Ｙ´の中で最も確率の高い変調方式が正しい変調方式である確率に等しい一致率を算出する（ステップＳ２２）。一致率算出部１２は、算出した一致率を判定部１３に出力する。

判定部１３は、一致率算出部１２で算出された一致率と、あらかじめ規定された閾値とを比較する（ステップＳ２３）。一致率が閾値以上の場合（ステップＳ２３：Ｙｅｓ）、判定部１３は、変調方式識別装置１に入力された信号波形Ｘ´の変調方式は、確率分布Ｙ´の中で最も確率の高い変調方式であると出力する（ステップＳ２４）。一致率が閾値未満の場合（ステップＳ２３：Ｎｏ）、判定部１３は、変調方式識別装置１に入力された信号波形Ｘ´の変調方式は変調方式識別装置１において対応していない不明の変調方式であると出力する（ステップＳ２５）。このように、判定部１３は、一致率が閾値以上の場合、変調方式識別装置１に入力された信号波形の変調方式は第１の変調方式であると出力し、一致率が閾値未満の場合、変調方式識別装置１に入力された信号波形の変調方式は不明であると出力することができる。

つづいて、変調方式識別装置１のハードウェア構成について説明する。変調方式識別装置１において、変調方式特定部１１、一致率算出部１２、および判定部１３は、処理回路により実現される。処理回路は、メモリに格納されるプログラムを実行するプロセッサおよびメモリであってもよいし、専用のハードウェアであってもよい。処理回路は制御回路とも呼ばれる。

図６は、実施の形態１に係る変調方式識別装置１が備える処理回路をプロセッサ９１およびメモリ９２で実現する場合の処理回路９０の構成例を示す図である。図６に示す処理回路９０は制御回路であり、プロセッサ９１およびメモリ９２を備える。処理回路９０がプロセッサ９１およびメモリ９２で構成される場合、処理回路９０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との組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ９２に格納される。処理回路９０では、メモリ９２に記憶されたプログラムをプロセッサ９１が読み出して実行することにより、各機能を実現する。すなわち、処理回路９０は、変調方式識別装置１の処理が結果的に実行されることになるプログラムを格納するためのメモリ９２を備える。このプログラムは、処理回路９０により実現される各機能を変調方式識別装置１に実行させるためのプログラムであるともいえる。このプログラムは、プログラムが記憶された記憶媒体により提供されてもよいし、通信媒体など他の手段により提供されてもよい。

上記プログラムは、変調方式特定部１１が、入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力する第１のステップと、一致率算出部１２が、第１の確率分布と、第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出する第２のステップと、判定部１３が、一致率に基づいて、信号波形の変調方式が第１の変調方式か、または不明の変調方式かを判定する第３のステップと、を変調方式識別装置１に実行させるプログラムであるとも言える。

ここで、プロセッサ９１は、例えば、ＣＰＵ（Central Processing Unit）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital Signal Processor）などである。また、メモリ９２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（登録商標）（Electrically ＥＰＲＯＭ）などの、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、またはＤＶＤ（Digital Versatile Disc）などが該当する。

図７は、実施の形態１に係る変調方式識別装置１が備える処理回路を専用のハードウェアで構成する場合の処理回路９３の例を示す図である。図７に示す処理回路９３は、例えば、単一回路、複合回路、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。処理回路については、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。このように、処理回路は、専用のハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。

以上説明したように、本実施の形態によれば、変調方式識別装置１において、変調方式特定部１１は、ニューラルネットワーク１１１による深層学習を用いることで自動的に特徴量を抽出し、入力された信号波形Ｘ´に対して学習時のラベルである各変調方式に対する確率分布Ｙ´を出力する。一致率算出部１２は、確率分布Ｙ´と、学習データが入力された場合の確率分布とを比較し、確率分布Ｙ´が正答であるかを示す一致率を算出する。判定部１３は、閾値を用いて一致率を判定する。これにより、変調方式識別装置１は、対応可能な複数の変調方式については、入力された信号波形Ｘ´に対して対応する変調方式を出力し、対応していない変調方式については、不明な変調方式であることを出力することができる。変調方式識別装置１は、変調方式の特定結果である各変調方式に対する確率分布Ｙ´が、学習データが入力された場合の確率分布と一致しているのか否かの判定を行うので、対応していない変調方式の信号波形Ｘ´が入力された場合に不明な変調方式であることを出力し、誤識別を低減することができる。

実施の形態２．
実施の形態１では、一致率算出部１２は、事前に機械学習され、一致率を算出していた。実施の形態２では、後述するように、一致率算出部１２ａが、データベース部１４を用いて照合を行い、一致率を算出する場合について説明する。

図８は、実施の形態２に係る変調方式識別装置１ａの構成例を示すブロック図である。変調方式識別装置１ａは、変調方式特定部１１と、一致率算出部１２ａと、判定部１３と、データベース部１４と、を備える。変調方式識別装置１ａは、図１に示す実施の形態１の変調方式識別装置１に対して、一致率算出部１２を削除し、一致率算出部１２ａ、およびデータベース部１４を追加したものである。

データベース部１４には、後述するように、変調方式特定部１１に学習時の学習用データセットとは異なる学習信号が入力されたときの変調方式特定部１１からの出力である変調方式毎の確率分布の平均値が格納されている。

一致率算出部１２ａは、データベース部１４に格納されている変調方式毎の確率分布の平均値のうち、第１の変調方式に対して規定された第２の確率分布を用いて、前述の一致率を算出する。

変調方式識別装置１ａの動作について説明する。実施の形態１の変調方式識別装置１と同様、変調方式識別装置１ａの動作としては、変調方式特定部１１において深層学習を用いることから、学習フェーズ、および推論フェーズの２つの動作がある。

まず、学習フェーズについて説明する。図９は、実施の形態２に係る変調方式識別装置１ａの学習フェーズの動作を示すフローチャートである。変調方式識別装置１ａにおいて、変調方式特定部１１を学習する（ステップＳ３１）。ステップＳ３１の動作は、図２に示すフローチャートのステップＳ１１の動作と同様である。

一致率算出部１２ａは、変調方式特定部１１から出力される変調方式毎の確率分布を蓄積する（ステップＳ３２）。ここで、実施の形態１のときと同様、図３に示す学習用データセットとは異なる学習用データセットに含まれる信号波形を学習後の変調方式特定部１１に入力させ、変調方式特定部１１から確率分布を出力させる。一致率算出部１２ａは、変調方式毎の確率分布を、図１０に示すように変調方式毎に蓄積する。図１０は、実施の形態２に係る変調方式識別装置１ａの一致率算出部１２ａが蓄積する変調方式毎の確率分布の例を示す図である。図１０では、変調方式として、ＡＭ、ＦＭ、ＱＰＳＫ、ＱＡＭなどが含まれる例を示している。一致率算出部１２ａは、蓄積した確率分布の平均値を算出し、算出した平均値をデータベース部１４に格納する（ステップＳ３３）。なお、ここでは、一致率算出部１２ａが蓄積した確率分布の平均値の算出、およびデータベース部１４への格納を行っているが、変調方式識別装置１ａにおいて、図示しない他の構成が、蓄積した確率分布の平均値の算出、およびデータベース部１４への格納を行ってもよい。

つぎに、推論フェーズについて説明する。図１１は、実施の形態２に係る変調方式識別装置１ａの推論フェーズの動作を示すフローチャートである。変調方式識別装置１ａにおいて、変調方式特定部１１は、入力された信号波形Ｘ´に対して、各変調方式に対する確率分布Ｙ´を出力する（ステップＳ４１）。ステップＳ４１の動作は、図５に示すフローチャートのステップＳ２１の動作と同様である。一致率算出部１２ａは、データベース部１４に格納されている確率分布を用いて一致率を算出する（ステップＳ４２）。具体的には、一致率算出部１２ａは、変調方式特定部１１から出力された確率分布Ｙ´と、データベース部１４に格納されている確率分布のうち確率分布Ｙ´で最も確率の高い変調方式に該当する確率分布との一致率を算出する。一致率算出部１２ａは、例えば、カルバック・ライブラー情報量（Kullback-Leibler divergence）などの離散確率分布の類似度を表す指標から、類似度が高ければ大きい値を、類似度が低ければ小さい値となるよう一致率を算出する。一致率算出部１２ａは、算出した一致率を判定部１３に出力する。以降の判定部１３におけるステップＳ４３からステップＳ４５の動作は、図５に示すフローチャートのステップＳ２３からステップＳ２５の動作と同様である。

つづいて、変調方式識別装置１ａのハードウェア構成について説明する。変調方式識別装置１ａにおいて、変調方式特定部１１、一致率算出部１２ａ、判定部１３、およびデータベース部１４は、処理回路により実現される。処理回路は、実施の形態１の変調方式識別装置１と同様、メモリに格納されるプログラムを実行するプロセッサおよびメモリであってもよいし、専用のハードウェアであってもよい。

以上説明したように、本実施の形態によれば、変調方式識別装置１ａにおいて、変調方式特定部１１は、ニューラルネットワーク１１１による深層学習を用いることで自動的に特徴量を抽出し、入力された信号波形Ｘ´に対して学習時のラベルである各変調方式に対する確率分布Ｙ´を出力する。一致率算出部１２ａは、確率分布Ｙ´と、データベース部１４に格納されている確率分布とを比較し、確率分布Ｙ´が正答であるかを示す一致率を算出する。判定部１３は、閾値を用いて一致率を判定する。この場合においても、変調方式識別装置１ａは、実施の形態１の変調方式識別装置１と同様の効果を得ることができる。また、変調方式識別装置１ａは、実施の形態１の変調方式識別装置１と異なり、一致率算出部１２ａで機械学習アルゴリズムを用いないことから、計算量を削減することができる。

実施の形態３．
実施の形態１では、変調方式識別装置１が変調方式特定部１１および一致率算出部１２を１つ備え、実施の形態２では、変調方式識別装置１ａが変調方式特定部１１および一致率算出部１２ａを１つ備える構成であった。実施の形態３では、後述するように、変調方式識別装置１ｂが変調方式特定部１１および一致率算出部１２を複数備える場合について説明する。

図１２は、実施の形態３に係る変調方式識別装置１ｂの構成例を示すブロック図である。変調方式識別装置１ｂは、変調方式特定部１１－１，１１－２，１１－３と、一致率算出部１２－１，１２－２，１２－３と、判定部１３ｂと、を備える。

変調方式特定部１１－１～１１－３は、図１などに示す変調方式特定部１１と同様の動作を行う。一致率算出部１２－１～１２－３は、図１に示す一致率算出部１２と同様の動作を行う。図１２に示すように、変調方式識別装置１ｂでは、変調方式特定部１１－１と一致率算出部１２－１とが接続され、変調方式特定部１１－２と一致率算出部１２－２とが接続され、変調方式特定部１１－３と一致率算出部１２－３とが接続されている。以降の説明において、変調方式特定部１１－１～１１－３を区別しない場合は変調方式特定部１１と称し、一致率算出部１２－１～１２－３を区別しない場合は一致率算出部１２と称することがある。

判定部１３ｂは、一致率算出部１２－１～１２－３で算出された一致率に基づいて、変調方式識別装置１ｂに入力された信号波形の変調方式が第１の変調方式か、または変調方式識別装置１ｂにおいて対応していない不明の変調方式かを判定する。

変調方式識別装置１ｂの動作について説明する。実施の形態１の変調方式識別装置１と同様、変調方式識別装置１ｂの動作としては、変調方式特定部１１において深層学習を用いることから、学習フェーズ、および推論フェーズの２つの動作がある。

まず、学習フェーズについて説明する。図１３は、実施の形態３に係る変調方式識別装置１ｂの学習フェーズの動作を示すフローチャートである。変調方式識別装置１ｂにおいて、変調方式特定部１１－１～１１－３に対して異なるパラメータの学習用データセットを用いて変調方式特定部１１－１～１１－３、すなわち各変調方式特定部１１を学習する（ステップＳ５１）。異なるパラメータについては、例えば、変調方式特定部１１－１～１１－３毎に、周波数オフセット、信号対雑音比、シンボルレートなどを変更したものとする。変調方式特定部１１－１～１１－３に対して異なるパラメータの学習用データセットを用いるが、個々の変調方式特定部１１－１～１１－３に対する学習方法自体は、前述の変調方式特定部１１に対する学習方法と同様である。

一致率算出部１２－１～１２－３、すなわち各一致率算出部１２を学習する（ステップＳ５２）。ここで、ステップＳ５１の変調方式特定部１１－１～１１－３の学習で使用された学習用データセットとは異なる学習用データセットに含まれる信号波形を学習後の変調方式特定部１１－１～１１－３に入力させ、変調方式特定部１１－１～１１－３から確率分布を出力させる。一致率算出部１２－１～１２－３に対して異なる確率分布を用いるが、個々の一致率算出部１２－１～１２－３に対する学習方法自体は、前述の一致率算出部１２に対する学習方法と同様である。

つぎに、推論フェーズについて説明する。図１４は、実施の形態３に係る変調方式識別装置１ｂの推論フェーズの動作を示すフローチャートである。変調方式識別装置１ｂにおいて、変調方式特定部１１－１～１１－３は、入力された信号波形Ｘ´に対して、各変調方式に対する確率分布Ｙ´を出力する（ステップＳ６１）。図１２に示すように、変調方式特定部１１－１～１１－３には、学習時と異なり同じ信号波形Ｘ´が入力される。しかしながら、変調方式特定部１１－１～１１－３は、各々、異なるパラメータの学習用データセットで学習されている。そのため、変調方式特定部１１－１～１１－３から、異なる内容の確率分布Ｙ´が出力されることが想定される。

一致率算出部１２－１～１２－３は、各々、接続する変調方式特定部１１－１～１１－３から出力された確率分布Ｙ´を入力とし、確率分布Ｙ´の中で最も確率の高い変調方式が正しい変調方式である確率に等しい一致率を算出する。すなわち、各一致率算出部１２が、一致率を算出する（ステップＳ６２）。一致率算出部１２－１～１２－３は、算出した一致率を判定部１３ｂに出力する。

判定部１３ｂは、一致率算出部１２－１～１２－３から一致率を取得すると、取得した一致率から最大の一致率を選択する（ステップＳ６３）。判定部１３ｂは、選択した一致率と、あらかじめ規定された閾値とを比較する（ステップＳ６４）。一致率が閾値以上の場合（ステップＳ６４：Ｙｅｓ）、判定部１３ｂは、変調方式識別装置１ｂに入力された信号波形Ｘ´の変調方式は、変調方式特定部１１－１～１１－３のうち最大の一致率に対応するものから出力された確率分布Ｙ´の中で最も確率の高い変調方式であると出力する（ステップＳ６５）。一致率が閾値未満の場合（ステップＳ６４：Ｎｏ）、判定部１３ｂは、変調方式識別装置１ｂに入力された信号波形Ｘ´の変調方式は変調方式識別装置１ｂにおいて対応していない不明の変調方式であると出力する（ステップＳ６６）。

このように、変調方式識別装置１ｂは、異なるパラメータの学習用データセットで学習された変調方式特定部１１－１～１１－３と、各々が異なる変調方式特定部１１に接続される一致率算出部１２－１～１２－３と、を備える。変調方式識別装置１ｂにおいて、判定部１３ｂは、一致率算出部１２－１～１２－３で算出された一致率のうち最大の一致率について、一致率が閾値以上の場合、変調方式識別装置１ｂに入力された信号波形の変調方式は第１の変調方式であると出力し、一致率が閾値未満の場合、信号波形の変調方式は不明であると出力することができる。

つづいて、変調方式識別装置１ｂのハードウェア構成について説明する。変調方式識別装置１ｂにおいて、変調方式特定部１１－１～１１－３、一致率算出部１２－１～１２－３、および判定部１３ｂは、処理回路により実現される。処理回路は、実施の形態１の変調方式識別装置１と同様、メモリに格納されるプログラムを実行するプロセッサおよびメモリであってもよいし、専用のハードウェアであってもよい。

なお、本実施の形態では、実施の形態１の変調方式識別装置１をベースにして説明したが、実施の形態２にも適用可能である。この場合、変調方式識別装置１ｂの構成は、図１２の構成から、一致率算出部１２－１～１２－３を削除し、一致率算出部１２ａ－１～１２ａ－３、およびデータベース部１４－１～１４－３を追加した構成になる。一致率算出部１２ａ－１～１２ａ－３は、図８に示す一致率算出部１２ａと同様の動作を行う。データベース部１４－１～１４－３は、図８に示すデータベース部１４と同様の構成になる。

以上説明したように、本実施の形態によれば、変調方式識別装置１ｂにおいて、変調方式特定部１１－１～１１－３は、異なるパラメータの学習用セットデータで学習され、一致率算出部１２－１～１２－３は、接続される変調方式特定部１１－１～１１－３から出力された確率分布Ｙ´と、学習データが入力された場合の確率分布とを比較し、確率分布Ｙ´が正答であるかを示す一致率を算出する。判定部１３ｂは、一致率が最大のものを選択し、閾値を用いて一致率を判定する。これにより、変調方式識別装置１ｂは、入力された信号波形Ｘ´に最も類似したパラメータで学習させた変調方式特定部１１および一致率算出部１２の出力が選択されるため、実施の形態１の変調方式識別装置１および実施の形態２の変調方式識別装置１ａと比較して、変調方式の判定の精度を向上させることができる。

以上の実施の形態に示した構成は、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、実施の形態同士を組み合わせることも可能であるし、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。

１，１ａ，１ｂ変調方式識別装置、１１，１１－１～１１－３変調方式特定部、１２，１２ａ，１２－１～１２－３一致率算出部、１３，１３ｂ判定部、１４データベース部、１１１ニューラルネットワーク。

Claims

入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力する変調方式特定部と、
前記第１の確率分布と、前記第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出する一致率算出部と、
前記一致率に基づいて、前記信号波形の変調方式が前記第１の変調方式か、または不明の変調方式かを判定する判定部と、
を備えることを特徴とする変調方式識別装置。
前記変調方式特定部は、ニューラルネットワークを用いる、
ことを特徴とする請求項１に記載の変調方式識別装置。
前記一致率算出部は、機械学習アルゴリズムによって前記一致率を算出する、
ことを特徴とする請求項１または２に記載の変調方式識別装置。
前記変調方式特定部に学習時の学習用データセットとは異なる学習信号が入力されたときの前記変調方式特定部からの出力である変調方式毎の確率分布の平均値が格納されたデータベース部、
を備え、
前記一致率算出部は、前記データベース部に格納されている前記変調方式毎の確率分布の平均値のうち、前記第１の変調方式に対して規定された前記第２の確率分布を用いて、前記一致率を算出する、
ことを特徴とする請求項１または２に記載の変調方式識別装置。
前記判定部は、前記一致率が閾値以上の場合、前記信号波形の変調方式は前記第１の変調方式であると出力し、前記一致率が閾値未満の場合、前記信号波形の変調方式は不明であると出力する、
ことを特徴とする請求項１から４のいずれか１つに記載の変調方式識別装置。
異なるパラメータの学習用データセットで学習された複数の前記変調方式特定部と、
各々が異なる前記変調方式特定部に接続される複数の前記一致率算出部と、
を備え、
前記判定部は、複数の前記一致率算出部で算出された前記一致率のうち最大の前記一致率について、前記一致率が閾値以上の場合、前記信号波形の変調方式は前記第１の変調方式であると出力し、前記一致率が閾値未満の場合、前記信号波形の変調方式は不明であると出力する、
ことを特徴とする請求項１から４のいずれか１つに記載の変調方式識別装置。
変調方式識別装置を制御するための制御回路であって、
入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力、
前記第１の確率分布と、前記第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出、
前記一致率に基づいて、前記信号波形の変調方式が前記第１の変調方式か、または不明の変調方式かを判定、
を前記変調方式識別装置に実施させることを特徴とする制御回路。
変調方式識別装置を制御するためのプログラムが記憶された記憶媒体であって、
前記プログラムは、
入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力、
前記第１の確率分布と、前記第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出、
前記一致率に基づいて、前記信号波形の変調方式が前記第１の変調方式か、または不明の変調方式かを判定、
を前記変調方式識別装置に実施させることを特徴とする記憶媒体。
変調方式識別装置における変調方式識別方法であって、
変調方式特定部が、入力された信号波形に対して複数の変調方式に対する第１の確率分布を出力する第１のステップと、
一致率算出部が、前記第１の確率分布と、前記第１の確率分布において最大の確率の変調方式である第１の変調方式に対して規定された第２の確率分布との一致率を算出する第２のステップと、
判定部が、前記一致率に基づいて、前記信号波形の変調方式が前記第１の変調方式か、または不明の変調方式かを判定する第３のステップと、
を含むことを特徴とする変調方式識別方法。
前記第１のステップにおいて、前記変調方式特定部は、ニューラルネットワークを用いる、
ことを特徴とする請求項９に記載の変調方式識別方法。
前記第２のステップにおいて、前記一致率算出部は、機械学習アルゴリズムによって前記一致率を算出する、
ことを特徴とする請求項９または１０に記載の変調方式識別方法。
前記変調方式識別装置は、
前記変調方式特定部に学習時の学習用データセットとは異なる学習信号が入力されたときの前記変調方式特定部からの出力である変調方式毎の確率分布の平均値が格納されたデータベース部、
を備え、
前記第２のステップにおいて、前記一致率算出部は、前記データベース部に格納されている前記変調方式毎の確率分布の平均値のうち、前記第１の変調方式に対して規定された前記第２の確率分布を用いて、前記一致率を算出する、
ことを特徴とする請求項９または１０に記載の変調方式識別方法。
前記第３のステップにおいて、前記判定部は、前記一致率が閾値以上の場合、前記信号波形の変調方式は前記第１の変調方式であると出力し、前記一致率が閾値未満の場合、前記信号波形の変調方式は不明であると出力する、
ことを特徴とする請求項９から１２のいずれか１つに記載の変調方式識別方法。
前記変調方式識別装置は、
異なるパラメータの学習用データセットで学習された複数の前記変調方式特定部と、
各々が異なる前記変調方式特定部に接続される複数の前記一致率算出部と、
を備え、
前記第３のステップにおいて、前記判定部は、複数の前記一致率算出部で算出された前記一致率のうち最大の前記一致率について、前記一致率が閾値以上の場合、前記信号波形の変調方式は前記第１の変調方式であると出力し、前記一致率が閾値未満の場合、前記信号波形の変調方式は不明であると出力する、
ことを特徴とする請求項９から１２のいずれか１つに記載の変調方式識別方法。