WO2018176889A1 - 一种数字通信信号调制方式自动识别方法 - Google Patents

一种数字通信信号调制方式自动识别方法 Download PDF

Info

Publication number
WO2018176889A1
WO2018176889A1 PCT/CN2017/114108 CN2017114108W WO2018176889A1 WO 2018176889 A1 WO2018176889 A1 WO 2018176889A1 CN 2017114108 W CN2017114108 W CN 2017114108W WO 2018176889 A1 WO2018176889 A1 WO 2018176889A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
modulation
weak
modulation mode
classifier
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.)
Ceased
Application number
PCT/CN2017/114108
Other languages
English (en)
French (fr)
Inventor
陈芳炯
张文松
呼增
季飞
余华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to US16/498,391 priority Critical patent/US10985955B2/en
Publication of WO2018176889A1 publication Critical patent/WO2018176889A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

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 OR CALCULATING; 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Definitions

  • the invention relates to the field of pattern recognition, machine learning and digital communication, in particular to a method for automatically identifying a modulation method of a digital communication signal.
  • the purpose of communication is to transmit information efficiently, safely and accurately over the channel.
  • the baseband signal due to the limitation of the channel and in order to make full use of the capacity of the channel to meet the different needs of users, the baseband signal cannot be directly transmitted and must be modulated.
  • modulation signals can be transmitted more securely, and higher communication rates and more efficient spectrum utilization can be obtained.
  • communication signals are modulated more and more.
  • modulation methods are applied in current communication systems, and signals are modulated into different frequency bands for transmission. In specific applications, we are not only dealing with cooperative communication problems, but also non-cooperative communication problems. In most civil communications, cooperative communication is used to know the modulation mode and modulation parameters of the transmitted signal in advance.
  • the receiver only needs to demodulate the received information according to the modulation mode and modulation parameters given in advance.
  • the receiving end may receive various signals. After all, when the communication signal is so developed, the signals in the surrounding space are complicated. How to extract the signal to be received from the receiving end is also an important problem.
  • the method is to identify the received signal, obtain its modulation mode and modulation parameters, and then compare it with a given signal. If it is determined to be the signal of the transmitting end, it is received and demodulated.
  • the software radio receiver realizes the automatic reception of multi-band and multi-modulation signals, and also needs to perform modulation pattern recognition and signal parameter identification of the signal before it can be correctly received.
  • Hsue proposes a histogram classification and sum signal using the time interval and phase difference of the signal zero crossing.
  • Assaleh proposed using the AR model to extract the instantaneous frequency and instantaneous bandwidth of the signal.
  • the characteristic parameters realize the classification method of the digital modulated signal, and the CW, MPSK and MFSK signals can be classified.
  • AKNandi and EEAzzouz use their nine key features to classify and identify analog and digital signals using decision theory, neural network and neural network cascade. When the SNR is greater than 10dB, they have good recognition results. .
  • researchers have combined machine learning, neural network technology, wavelet transform technology, high-order spectrum analysis technology and modulation recognition technology, and proposed many new modulation recognition methods. The application of machine learning in the automatic identification of digital communication signal modulation methods has received extensive attention.
  • the object of the present invention is to provide a method for automatically identifying a digital communication signal modulation method for identifying six commonly used digital communication modulation signals, namely 2ASK, 4ASK, 2FSK, 4FSK, 2PSK, 4PSK.
  • the invention applies a machine learning method based on concurrent integrated learning to the identification of a digital signal modulation method.
  • the invention can realize more accurate identification of six kinds of digital communication modulated signals.
  • a method for automatically identifying a modulation method of a digital communication signal comprising the following steps:
  • the signal preprocessing includes: estimating a bandwidth and a carrier frequency of the unknown signal, bandpass filtering the signal, and frequency converting the signal to an appropriate frequency band;
  • Extracting the feature values of the trained digital modulated signal, and extracting time domain characteristics of the signal from the modulated signal including:
  • N s is the number of sampling points
  • a cn (i) is the zero center normalized instantaneous amplitude
  • a(i) the average value is used to normalize the instantaneous amplitude in order to eliminate the influence of channel gain
  • a t is an amplitude decision threshold level for determining a weak signal
  • c is the number of non-weak signal values among all sampled data N s
  • ⁇ NL (i) is the instantaneous phase after zero-centered processing
  • the first column represents 2ASK modulation
  • the second column represents 4ASK modulation
  • the third column represents 2FSK modulation
  • the fourth column represents 4FSK modulation
  • the fifth column represents 2PSK modulation
  • the sixth column represents 4PSK modulation.
  • a three-layer BP neural network is trained. This network is referred to herein as a weak classifier.
  • the input to the network uses column vector input
  • the output uses the column vector output, y i , to obtain the weak classifier corresponding to each sample set, and the decision function is h t (x).
  • the BP neural network consists of three parts: input layer, hidden layer and output layer.
  • x is the input vector
  • y is the output vector
  • ⁇ ( ⁇ ) is the indication function, which takes a value of 1,0 when true and false.
  • the test model first preprocesses the digital modulated signal to be tested and extracts the corresponding feature value, and then inputs it into the strong classifier of step 3 to classify and identify the modulation mode.
  • the simple voting method is used to obtain the classification result by a minority majority.
  • the present invention has the following advantages and technical effects:
  • This method uses the digital signal modulation method to identify the five commonly used eigenvalues as the input of the strong classifier. Each decision is used with all eigenvalues, not just one eigenvalue.
  • the recognition success rate is mainly related to the overall performance of the feature. Related to the traditional method of using a feature quantity for decision, it will have a higher recognition success rate.
  • FIG. 1 is a flow chart showing the steps of a method for automatically identifying a modulation method of a digital communication signal according to the present invention
  • FIG. 2 is a flow chart showing the steps of strong classifier training for a method for automatically recognizing a digital communication signal modulation method according to the present invention
  • FIG. 3 is a BP neural network diagram of an automatic identification method for a digital communication signal modulation method according to the present invention
  • FIG. 4 is a strong classifier diagram of a method for automatically recognizing a modulation method of a digital communication signal according to the present invention.
  • This example provides an automatic identification method for a digital communication signal modulation method. As shown in Figure 1, the steps are as follows:
  • Signal preprocessing includes: estimating a bandwidth and a carrier frequency of the unknown signal, and performing band pass filtering on the signal,
  • N s is the number of sampling points
  • a cn (i) is the zero center normalized instantaneous amplitude
  • a(i) is the zero center normalized instantaneous amplitude
  • the purpose of normalizing the instantaneous amplitude with the average value is to eliminate the influence of the channel gain.
  • a t is an amplitude decision threshold level for determining a weak signal
  • c is the number of non-weak signal values among all sampled data N s
  • ⁇ NL (i) is the instantaneous phase after zero-centered processing
  • the first column represents the 2ASK modulation mode
  • the second column represents the 4ASK modulation mode
  • the third column represents the 2FSK modulation mode
  • the fourth column represents the 4FSK modulation mode
  • the fifth column represents the 2PSK modulation mode
  • the sixth column represents the 4PSK modulation mode.
  • FIG. 3 shows the BP neural network constructed and used in this example.
  • the network consists of an input layer, an implicit layer, and an output layer.
  • the input layer consists of 5 neurons
  • the hidden layer consists of 3 neurons
  • the output layer consists of 6 neurons.
  • the test model first preprocesses the digital modulated signal to be tested and extracts the corresponding feature value, and then inputs it into the strong classifier of step 3 to classify and identify the modulation mode.
  • the simple voting method is used to obtain the classification result by a minority majority.
  • the invention utilizes the BP neural network, has a training method of adaptive modulation learning rate, and fully utilizes the digital signal modulation method to identify the commonly used five feature values as the input of the strong classifier, and uses all the feature values for each judgment. Rather than just a feature value, the recognition success rate is mainly related to the overall performance of the feature, compared to the traditional method of using a feature quantity to make a decision.
  • Bagging trains multiple BP neural networks as weak classifiers for the same training data, and these weak classifiers form a strong classifier. Thereby the modulation method has a higher successful recognition rate.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供一种数字通信信号调制方式自动识别方法。该方法包括：S1、训练数字调制信号的预处理；S2、训练数字调制信号特征值的提取；S3、通过Bagging学习构建强分类器；S4、将待测的调制信号进行预处理并提取对应的特征参数，然后输入到S3的强分类器中，对调制信号进行分类识别。本方法通过并行处理所有的特征值，识别的成功率就与单个特征参数的识别性能关系不大，主要与整体性能有关，使得对调制方式的识别具有具有识别速度快，识别成功率高的优势。

Description

一种数字通信信号调制方式自动识别方法 技术领域
本发明涉及模式识别，机器学习和数字通信领域，特别涉及一种数字通信信号调制方式自动识别方法。
背景技术
通信的目的是通过信道有效、安全、准确地传输信息。无论有线通信或者无线通信,由于信道的限制也为了充分利用信道的容量,满足用户的不同需求,基带信号都不能直接传输,必须经过调制。通过调制,可以使信号更安全的进行传输，还可以获得更高的通信速率、更有效的频谱利用率。随着电子技术的快速发展,以及对信息传输要求的不断提高,通信信号的调制方式也越来越多。目前的通信系统中应用了各种各样的调制方式,并将信号调制到不同的频带上进行传输。在具体应用中,我们遇到的不仅仅是合作性通信问题,还有非合作性通信问题。在大部分民用通信中,大都采用合作通信即事先知道传输信号的调制方式、调制参数,接收机只需要将接收到的信息按事先所给的调制方式和调制参数解调即可。但是接收端可能会接收到各种各样的信号,毕竟在通信信号如此发达的今天,周围空间中的信号复杂繁多,如何从接收端提取出真正要接收的信号也是一个重要的问题,有一种方法就是对接收到的信号进行识别,得到其调制方式和调制参数,然后和事先给定的信号比对,如果确定是发送端的信号就对其进行接收并解调。同时目前软件无线电接收机都实现了多频带、多调制信号的自动接收,也需要先进行信号的调制模式识别和信号参数识别,才能正确接收。所以通信信号的调制方式自动识别在民用通信中是有广泛应用的。1969年4月，C.S.Waver等四名作者在斯坦福大学技术报告上发表了第一篇研究自动调制识别的论文《采用模式识别技术实现调制类型的自动分类》。从此,国内外对调制信号的自动识别的研究就进入一个蓬勃发展的阶段,体系逐渐完善。Polydoros在调制识别的决策理论方法领域作出了大量的研究工作,主要用于CW、MPSK和MFSK信号的分类。J.A.Sills提出了利用最大似然法实现PSK信号与QAM信号的分类,Wen Wei提出了利用最大似然法实现信号的QAM调制分类。Hsue提出了利用信号过零点的时间间隔和相位差的直方图分类、和信号。1992年Assaleh提出了利用AR模型提取信号瞬时频率和瞬时带宽作为 特征参数实现数字调制信号的分类方法,可分类CW、MPSK和MFSK信号。A.K.Nandi和E.E.Azzouz利用他们提出的九个关键特征，分别采用决策理论、神经网络和神经网络级联的方法对模拟和数字信号进行分类识别，在信噪比大于10dB时，具有良好的识别效果。近几年来，研究人员又将机器学习、神经网络技术、小波变换技术、高阶谱分析技术与调制识别技术相结合，提出了很多新型的调制识别方法。机器学习在数字通信信号调制方式自动识别中的应用受到了广泛的关注。
发明内容
本发明的目的是提供一种数字通信信号调制方式自动识别方法，用来识别比较常用的6种数字通信调制信号，分别是2ASK，4ASK,2FSK,4FSK,2PSK,4PSK。本发明把基于并发式集成学习的机器学习方法应用于数字信号调制方式的识别。本发明可以实现对6种数字通信调制信号较为精确的识别。
本发明的目的通过如下技术方案实现。
一种数字通信信号调制方式自动识别方法，包含以下的步骤：
S1、训练数字调制信号的预处理，信号预处理部分为后续处理提供合适的数据。信号预处理包括：估计该未知信号的带宽及载频，对信号进行带通滤波，并将该信号变频到合适的频段；
S2、训练数字调制信号特征值的提取，从调制信号中提取信号的时域特征，包括：
①归一化中心瞬时幅度谱最大值γmax
γmax＝max|FFT[acn(i)]2/Ns
acn(i)＝an(i)-1
式中，Ns为取样点数，acn(i)为零中心归一化瞬时幅度，
Figure PCTCN2017114108-appb-000001
而
Figure PCTCN2017114108-appb-000002
为瞬时幅度a(i)的平均值，用平均值来对瞬时幅度进行归一化的目的是为了消除信道增益的影响；
②零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap
Figure PCTCN2017114108-appb-000003
式中at是判断弱信号的一个幅度判决门限电平，c是在全部取样数据Ns中属于非弱信号值的个数，φNL(i)是经零中心化处理后瞬时相位的非线性分量，在载波完全同步时，有：
Figure PCTCN2017114108-appb-000004
式中
Figure PCTCN2017114108-appb-000005
为瞬时相位；
③零中心非弱信号段瞬时相位非线性分量的标准偏差σdp
Figure PCTCN2017114108-appb-000006
④零中心归一化瞬时幅度绝对值的标准偏差σaa
Figure PCTCN2017114108-appb-000007
式中acn(i)前面已经给出了它的定义式。
⑤零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf。
Figure PCTCN2017114108-appb-000008
式中fm(i)＝f(i)-mf,
Figure PCTCN2017114108-appb-000010
其中Rs为数字信号的符号速率，f(i)为信号的瞬时频率。
S3、训练强分类器，通过Bagging并发式集成学习方法，训练出5个基于BP神经网络的弱分类器，然后组合成一个强分类器，具体的步骤为：
S31、设定包含1000个训练样本数据集G＝{(x1,y1),...,(x1000,y1000)}，
Figure PCTCN2017114108-appb-000011
yi属于下列矩阵中的其中一列，
Figure PCTCN2017114108-appb-000012
第一列代表2ASK调制方式,第二列代表4ASK调制方式，第三列代表2FSK调制，第四列代表4FSK调制方式，第五列代表2PSK调制方式，第六列代表4PSK调制。
S32、接下来随机从训练样本数据中集取出一个样本放入采样集中，在把该样本放回初始训练样本数据集，使得下次采样时该样本仍有可能被选中，这样经过1000次的随机采样操作，得到一个含有1000个样本的采样集Dt。照这样，采样出5个含有1000个训练样本的采样集。
S33、对于每一个采样集Dt，训练出一个三层BP神经网络，这个网络这里称为弱分类器。网络的输入采用列向量输入即
Figure PCTCN2017114108-appb-000013
输出采用列向量输出即yi，从而得到每一个采样集对应的弱分类器，判决函数为ht(x)。BP神经网络由输入层，隐含层，输出层三部分组成。
S34、通过组合弱分类器，得到一个强分类器，总体判决函数为
Figure PCTCN2017114108-appb-000014
其中x为输入向量，y为输出向量，Ι(·)为指示函数，在·为真和假时分别取值1，0。
S4、测试模型，先将待测的数字调制信号进行预处理并提取对应的特征值，然后输入到步骤3的强分类器中，对调制方式进行分类识别。在对每一个弱分类器预测输出进行结合时，采用简单投票法，通过少数服从多数的方式得到分类结果。
采用上述技术方案后，本发明具有如下优点和技术效果：
1.本方法使用数字信号调制方式识别常用的5个特征值作为强分类器的输入，每次判决的时候使用全部特征值，而不仅仅是一个特征值，识别成功率主要与特征的整体性能有关，相对于传统的使用一个特征量来作判决的方法，会具有更高的识别成功率。
2.智能化程度高，不需要任何的先验知识，只需要对样本进行训练，调整好分类器的结构，就可以用于调制方式的识别。
附图说明
图1为本发明一种数字通信信号调制方式自动识别方法的步骤流程图；
图2为本发明一种数字通信信号调制方式自动识别方法的强分类器训练的步骤流程图；
图3为本发明一种数字通信信号调制方式自动识别方法的BP神经网络图；
图4为本发明一种数字通信信号调制方式自动识别方法的强分类器图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步详细说明。
本实例提供一种数字通信信号调制方式自动识别方法。如图1所示，步骤如下：
S1、训练数字调制信号的预处理，信号预处理部分为后续处理提供合适的数据。信号预处理包括：估计该未知信号的带宽及载频，对信号进行带通滤波，
并将该信号变频到合适的频段；
S2、训练数字调制信号特征值的提取，从调制信号中提取信号的时域特征，包括
①归一化中心瞬时幅度谱最大值γmax
γmax＝max|FFT[acn(i)]2/Ns
acn(i)＝an(i)-1
式中，Ns为取样点数，acn(i)为零中心归一化瞬时幅度，
Figure PCTCN2017114108-appb-000015
而
Figure PCTCN2017114108-appb-000016
为瞬时幅度a(i)的平均值，用平均值来对瞬时幅度进行归一化的 目的是为了消除信道增益的影响。
②零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap
Figure PCTCN2017114108-appb-000017
式中at是判断弱信号的一个幅度判决门限电平，c是在全部取样数据Ns中属于非弱信号值的个数，φNL(i)是经零中心化处理后瞬时相位的非线性分量，在载波完全同步时，有：
Figure PCTCN2017114108-appb-000018
式中
Figure PCTCN2017114108-appb-000019
为瞬时相位。
③零中心非弱信号段瞬时相位非线性分量的标准偏差σdp
Figure PCTCN2017114108-appb-000020
④零中心归一化瞬时幅度绝对值的标准偏差σaa
Figure PCTCN2017114108-appb-000021
式中acn(i)前面已经给出了它的定义式。
⑤零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf。
Figure PCTCN2017114108-appb-000022
式中
Figure PCTCN2017114108-appb-000023
fm(i)＝f(i)-mf,
Figure PCTCN2017114108-appb-000024
其中Rs为数字信号的符号速率，f(i)为信号的瞬时频率。
S3、训练强分类器，通过Bagging并发式集成学习方法，在本实例中训练出5个基于BP神经网络的弱分类器，然后组合成一个强分类器，如图2所示，具体的步骤为：
S31、设定包含1000个训练样本数据集G＝{(x1,y1),...,(x1000,y1000)}，
Figure PCTCN2017114108-appb-000025
yi属于下面矩阵中的的一列,
Figure PCTCN2017114108-appb-000026
第一列代表2ASK调制方式,第二列代表4ASK调制方式，第三列代表2FSK调制方式，第四列代表4FSK调制方式，第五列代表2PSK调制方式，第六列代表4PSK调制方式。
S32、接下来随机从训练样本数据集中取出一个样本放入采样集中，在把该样本放回初始训练样本数据集，使得下次采样时该样本仍有可能被选中，这样经过1000次的随机采样操作，得到一个含有1000个样本的采样集Dt。照这样，采样出5个含有1000个训练样本的采样集。
S33、对于每一个采样集Dt，训练出一个三层BP神经网络，这个网络这里称为弱分类器，输入采用列向量输入即
Figure PCTCN2017114108-appb-000027
输出采用列向量输出即yi，从而得到每一个采样集对应的弱分类器，判决函数为ht(x)。作为实列，图3所示了本实例所构造和使用的BP神经网络。网络由输入层，隐含层，输出层，三部分组成。输入层包括5个神经元，隐含层包括3个神经元，输出层包括6个神经元。
S34、如图4所示，通过组合弱分类器，得到一个强分类器，总体判决函数为
Figure PCTCN2017114108-appb-000028
其中x为输入向量，y为输出向量，Ι(·)为指示函数，在·为真和假时分别取值1，0，ht(x)为每一个弱分类器对应的判决函数。
S4、测试模型，先将待测的数字调制信号进行预处理并提取对应的特征值，然后输入到步骤3的强分类器中，对调制方式进行分类识别。在对每一个弱分类器预测输出进行结合时，采用简单投票法，通过少数服从多数的方式得到分类结果。
本发明利用BP的神经网络，具有自适应调制学习率的训练方法，并且充分的利用数字信号调制方式识别常用的5个特征值作为强分类器的输入，每次判决的时候使用全部特征值，而不仅仅是一个特征值，识别成功率主要与特征的整体性能有关，相对于传统的使用一个特征量来作判决的方法。同时，Bagging针对同样的训练数据训练出多个BP神经网络作为弱分类器，并将这一些弱分类器构成一个强分类器。从而使得调制方式具有更高的成功识别率。
以上所述的具体实施仅为本发明的一种最佳实现方式，并不用于限制本发明的保护范围，凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换，均应包括在本发明的保护范围内。

Claims (4)

  1. 一种数字通信信号调制方式自动识别方法，其特征在于包括以下步骤：
    S1、训练数字调制信号的预处理，即估计该数字调制信号的带宽及载频，对该数字调制信号进行带通滤波，并变频到合适的频段；
    S2、训练数字调制信号特征值的提取，从该数字调制信号中提取信号的时域特征；
    S3、训练模型，训练强分类器，通过Bagging并发式集成学习方法，将特征值组成的列向量作为输入，训练出5个基于BP神经网络的弱分类器，然后组合成一个强分类器；
    S4、测试模型，先将待测的调制信号进行预处理并提取五个特征参数，分别为归一化中心瞬时幅度谱最大值γmax，零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap，零中心非弱信号段瞬时相位非线性分量的标准偏差σdp，零中心归一化瞬时幅度绝对值的标准偏差σaa，零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf，然后输入到步骤S3的强分类器中，对调制方式进行分类识别；在对每一个弱分类器预测输出进行结合时，采用简单投票法，通过少数服从多数的方式得到分类结果。
  2. 如权利要求1所述的一种数字通信信号调制方式自动识别方法，其特征在于步骤S3中强分类器的训练，具体包括：首先设定包含1000个训练样本数据集G＝{(x1,y1),...,(x1000,y1000)}，其中
    Figure PCTCN2017114108-appb-100001
    为步骤S2中提取出的特征值组成的列向量，i＝1～1000，xi属于表示第i个由特征值组成输入列向量，yi属于下列矩阵中的其中一列，
    Figure PCTCN2017114108-appb-100002
    第一列代表2ASK调制方式,第二列代表4ASK调制方式，第三列代表2FSK调制方式，第四列代表4FSK调制方式，第五列代表2PSK调制方式，第六列代表4PSK调制方式；接下来，采样出5个含有1000个训练样本的采样集Dt，对每一个 采样集Dt，训练出一个三层BP神经网络，作为一个弱分类器，对应的判决函数为ht(x)；其中BP神经网络由输入层，隐含层，输出层三部分组成；最后，通过组合弱分类器，把5个基于BP神经网络的弱分类器组合成强分类器，强分类器的总体判决函数为
    Figure PCTCN2017114108-appb-100003
    其中x为由特征值组成的输入列向量，y为输出向量，Ι(·)为指示函数，在·为真和假时分别取值1、0，ht(x)为每一个弱分类器对应的判决函数。
  3. 如权利要求2所述的一种数字通信信号调制方式自动识别方法，其特征在于所述训练样本数为1000个以上。
  4. 如权利要求1所述的一种数字通信信号调制方式自动识别方法，其特征在于步骤S4，先将待测的调制信号进行预处理并提取对应的特征参数，然后输入到步骤S3的强分类器中，对调制方式进行分类识别。
PCT/CN2017/114108 2017-03-27 2017-11-30 一种数字通信信号调制方式自动识别方法 Ceased WO2018176889A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/498,391 US10985955B2 (en) 2017-03-27 2017-11-30 Method for automatically identifying modulation mode for digital communication signal

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710189632.0A CN107124381B (zh) 2017-03-27 2017-03-27 一种数字通信信号调制方式自动识别方法
CN201710189632.0 2017-03-27

Publications (1)

Publication Number Publication Date
WO2018176889A1 true WO2018176889A1 (zh) 2018-10-04

Family

ID=59718275

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/114108 Ceased WO2018176889A1 (zh) 2017-03-27 2017-11-30 一种数字通信信号调制方式自动识别方法

Country Status (3)

Country Link
US (1) US10985955B2 (zh)
CN (1) CN107124381B (zh)
WO (1) WO2018176889A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109936423A (zh) * 2019-03-12 2019-06-25 中国科学院微电子研究所 一种喷泉码识别模型的训练方法、装置及识别方法
CN111245756A (zh) * 2020-02-19 2020-06-05 杭州电子科技大学 基于级联svm和全数字接收机的复合信号调制识别方法
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法
CN112347871A (zh) * 2020-10-23 2021-02-09 中国电子科技集团公司第七研究所 一种用于通信载波监视系统的干扰信号调制识别方法
CN112866156A (zh) * 2021-01-15 2021-05-28 浙江工业大学 一种基于深度学习的无线电信号聚类方法及系统
CN113079120A (zh) * 2021-03-24 2021-07-06 湖南波尔坤雷信息科技有限公司 一种2fsk调制信号的识别方法及装置
CN114189416A (zh) * 2021-12-02 2022-03-15 电子科技大学 一种基于一致性正则化的数字调制信号识别方法
CN114338316A (zh) * 2021-12-29 2022-04-12 北京邮电大学 一种标准调制格式和概率整形调制格式的识别方法
CN115442192A (zh) * 2022-07-22 2022-12-06 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN115567356A (zh) * 2022-09-30 2023-01-03 中国人民解放军国防科技大学 基于两层级联卷积神经网络的电磁信号识别方法
CN116451073A (zh) * 2023-03-30 2023-07-18 西安电子科技大学杭州研究院 一种辐射源信号调制方式识别方法及系统
CN116684233A (zh) * 2023-06-15 2023-09-01 哈尔滨工程大学 一种基于图像显著性检测的通信信号调制识别方法
CN118158044A (zh) * 2024-04-11 2024-06-07 西南交通大学 基于三通道的自动调制识别方法
CN119202852A (zh) * 2024-11-14 2024-12-27 杭州电子科技大学 一种基于特征嵌入的图神经网络自动调制分类方法
CN120128448A (zh) * 2025-03-12 2025-06-10 安徽大学 一种基于复杂相似度的通信信号识别系统及方法

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124381B (zh) * 2017-03-27 2020-05-22 华南理工大学 一种数字通信信号调制方式自动识别方法
CN108154164A (zh) * 2017-11-15 2018-06-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于深度学习的通信信号调制分类系统及方法
CN108282427B (zh) * 2017-12-15 2019-11-26 西安电子科技大学 基于多尺度轻量网络的无线电信号认知识别方法
CN108768907A (zh) * 2018-01-05 2018-11-06 南京邮电大学 一种基于瞬时特征统计量和bp神经网络的调制识别方法
CN108282428A (zh) * 2018-01-23 2018-07-13 大连理工大学 一种无需先验知识的常用通信信号调制方式的自动识别方法
CN108540202B (zh) * 2018-03-15 2021-01-26 西安电子科技大学 一种卫星通信信号调制方式识别方法、卫星通信系统
CN108718288B (zh) * 2018-03-30 2020-09-25 电子科技大学 基于卷积神经网络的数字信号调制模式识别方法
CN108600137B (zh) * 2018-04-28 2020-11-24 重庆邮电大学 一种基于反向传播神经网络的新型多载波识别方法
CN108650202B (zh) * 2018-05-11 2021-02-26 大唐联诚信息系统技术有限公司 一种信号调制模式识别方法及装置
CN108809874B (zh) * 2018-07-11 2021-12-28 河海大学 一种基于循环支持向量机的雷达与通信多信号分类方法
GB2577909B (en) * 2018-10-10 2020-11-18 Symetrica Ltd Gamma-ray spectrum classification
CN111046697A (zh) * 2018-10-12 2020-04-21 北京博识广联科技有限公司 一种基于模糊逻辑系统的自适应调制信号识别方法
CN109543643B (zh) * 2018-11-30 2022-07-01 电子科技大学 基于一维全卷积神经网络的载波信号检测方法
US11349743B2 (en) * 2019-02-04 2022-05-31 General Dynamics Mission Systems, Inc. Machine learning training system for identification or classification of wireless signals
CN111444805B (zh) * 2020-03-19 2023-03-17 哈尔滨工程大学 一种基于改进的多尺度小波熵数字信号调制识别方法
CN111461007A (zh) * 2020-03-31 2020-07-28 北京博识广联科技有限公司 一种基于模糊逻辑的自动调制信号识别方法及装置
CN111585662B (zh) * 2020-06-01 2021-09-07 中国科学院声学研究所东海研究站 一种调相信号的分类识别和参数估计方法及系统
CN112084850B (zh) * 2020-08-04 2025-02-11 中电科思仪科技股份有限公司 一种信号调制参数自适应识别方法
JP7563051B2 (ja) * 2020-08-28 2024-10-08 日本電気株式会社 変調方式推定装置、変調方式推定方法、及びそのプログラム
CN112491764B (zh) * 2020-11-17 2022-07-12 同方电子科技有限公司 一种基于瞬时特征空中模拟信号的识别方法
CN113225282A (zh) * 2021-01-19 2021-08-06 西安电子科技大学 一种基于bp神经网络的通信信号调制识别方法
CN112887239B (zh) * 2021-02-15 2022-04-26 青岛科技大学 基于深度混合神经网络的快速准确水声信号调制方式识别方法
EP4060367A1 (en) * 2021-03-15 2022-09-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for determining a waveform modulation vector indicative of a modulated carrier signal using an artificial neural network
CN113095378B (zh) * 2021-03-26 2022-04-05 重庆邮电大学 无线网络设备识别方法、计算机设备以及可读存储介质
CN112769724B (zh) * 2021-04-07 2021-07-02 广州慧睿思通科技股份有限公司 对讲机的信号类型的识别方法、装置、设备及存储介质
CN113052126B (zh) * 2021-04-08 2022-09-06 北京理工大学 一种基于深度学习的双阈值开集信号调制识别方法
CN113364715B (zh) * 2021-04-30 2022-07-26 电子科技大学 一种基于信用值投票机制的协作式自动调制分类方法
CN113395225B (zh) * 2021-06-10 2023-01-31 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置
CN113609751B (zh) * 2021-06-24 2023-08-15 西安电子科技大学 一种涡旋电磁波混合模态识别方法
CN113705787B (zh) * 2021-08-27 2023-04-07 电子科技大学 一种基于深度协同训练的数字调制信号识别方法
CN113792852B (zh) * 2021-09-09 2024-03-19 湖南艾科诺维科技有限公司 基于并行神经网络的信号调制方式识别系统及识别方法
CN113872903B (zh) * 2021-09-18 2023-04-18 北京理工大学 信号调制阶数的识别方法、装置、设备及存储介质
CN113869227B (zh) * 2021-09-29 2023-06-09 西南交通大学 一种信号调制方式识别方法、装置、设备及可读存储介质
CN113938364A (zh) * 2021-10-21 2022-01-14 天津光电通信技术有限公司 基于vgg16神经网络的5g弱信号调制方式识别方法
CN114006798B (zh) * 2021-10-25 2024-08-13 广东省南方航天港科技有限公司 一种信号处理方法、装置、电子设备及存储介质
CN114139569B (zh) * 2021-10-26 2024-10-22 中国人民解放军63891部队 一种非抑制载波fm信号的识别模型及方法
US11716159B2 (en) 2021-10-26 2023-08-01 Motorola Solutions, Inc. Radio frequency automatic gain control with detector for linear modulation interferer signal
CN114157540B (zh) * 2021-11-26 2023-10-13 哈尔滨工程大学 一种判别数字信号相位连续性的方法
CN114301747B (zh) * 2021-12-28 2023-12-29 杭州电子科技大学 一种基于svm-srnn的调制信号识别方法
CN114548146B (zh) * 2022-01-10 2023-04-28 电子科技大学 一种基于多任务网络的调制信号分类与带宽估计方法
CN114580481A (zh) * 2022-03-10 2022-06-03 北京邮电大学 一种辐射源个体识别方法、装置及设备
US12615174B2 (en) * 2022-04-22 2026-04-28 The Regents Of The University Of California Multi-gigabit per second frequency-shift keying (FSK) transceiver
CN115348139B (zh) * 2022-07-18 2024-01-05 中国人民解放军国防科技大学 基于级联特征融合与多级分类的调制识别方法
CN116319207B (zh) * 2023-02-08 2025-07-01 西安电子科技大学 一种基于储备池计算的调制信号格式识别方法及装置
CN116094886B (zh) * 2023-03-09 2023-08-25 浙江万胜智能科技股份有限公司 一种双模模块中载波通信数据处理方法及系统
CN116488974B (zh) * 2023-03-20 2023-10-20 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
CN119402324B (zh) * 2025-01-03 2025-03-25 北京智信天一科技有限公司 一种无线通信信号的分析方法及系统
CN120847657B (zh) * 2025-09-22 2025-12-02 山东大学 基于鼓包声信号的锂离子电池热失控分级预警方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
CN104994045A (zh) * 2015-06-26 2015-10-21 北京航空航天大学 一种基于usrp平台的数字调制方式自动识别平台及方法
WO2016138238A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture recognition using frequency modulated continuous wave radar
CN107124381A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种数字通信信号调制方式自动识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6240282B1 (en) * 1998-07-13 2001-05-29 Motorola, Inc. Apparatus for performing non-linear signal classification in a communications system
US6690746B1 (en) * 1999-06-11 2004-02-10 Southwest Research Institute Signal recognizer for communications signals
JP3576880B2 (ja) * 1999-09-09 2004-10-13 日本電気株式会社 自動変調方式識別装置及び自動変調方式識別方法
US6466614B1 (en) * 2001-03-22 2002-10-15 Motorola, Inc. Method and apparatus for classifying a baseband signal
US8295341B2 (en) * 2009-10-30 2012-10-23 Virginia Tech Intell Prop Cognitive radio device
US8731293B2 (en) * 2011-04-06 2014-05-20 The Research Foundation for State University of New York Representing signals for classification
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
WO2016138238A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture recognition using frequency modulated continuous wave radar
CN104994045A (zh) * 2015-06-26 2015-10-21 北京航空航天大学 一种基于usrp平台的数字调制方式自动识别平台及方法
CN107124381A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种数字通信信号调制方式自动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YI, CHENGLIN ET AL.: "Research and application of particle emulsifiers", PROGRESS IN CHEMISTRY, vol. 23, no. 1, 31 January 2011 (2011-01-31), pages 65 - 79 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109936423B (zh) * 2019-03-12 2021-11-30 中国科学院微电子研究所 一种喷泉码识别模型的训练方法、装置及识别方法
CN109936423A (zh) * 2019-03-12 2019-06-25 中国科学院微电子研究所 一种喷泉码识别模型的训练方法、装置及识别方法
CN111245756A (zh) * 2020-02-19 2020-06-05 杭州电子科技大学 基于级联svm和全数字接收机的复合信号调制识别方法
CN111245756B (zh) * 2020-02-19 2022-07-22 杭州电子科技大学 基于级联svm和全数字接收机的复合信号调制识别方法
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法
CN111695417B (zh) * 2020-04-30 2023-03-14 中国人民解放军空军工程大学 一种信号调制样式识别方法
CN112347871A (zh) * 2020-10-23 2021-02-09 中国电子科技集团公司第七研究所 一种用于通信载波监视系统的干扰信号调制识别方法
CN112866156B (zh) * 2021-01-15 2022-06-17 浙江工业大学 一种基于深度学习的无线电信号聚类方法及系统
CN112866156A (zh) * 2021-01-15 2021-05-28 浙江工业大学 一种基于深度学习的无线电信号聚类方法及系统
CN113079120A (zh) * 2021-03-24 2021-07-06 湖南波尔坤雷信息科技有限公司 一种2fsk调制信号的识别方法及装置
CN114189416A (zh) * 2021-12-02 2022-03-15 电子科技大学 一种基于一致性正则化的数字调制信号识别方法
CN114189416B (zh) * 2021-12-02 2023-01-10 电子科技大学 一种基于一致性正则化的数字调制信号识别方法
CN114338316A (zh) * 2021-12-29 2022-04-12 北京邮电大学 一种标准调制格式和概率整形调制格式的识别方法
CN114338316B (zh) * 2021-12-29 2024-01-05 北京邮电大学 一种标准调制格式和概率整形调制格式的识别方法
CN115442192B (zh) * 2022-07-22 2024-02-27 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN115442192A (zh) * 2022-07-22 2022-12-06 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN115567356A (zh) * 2022-09-30 2023-01-03 中国人民解放军国防科技大学 基于两层级联卷积神经网络的电磁信号识别方法
CN115567356B (zh) * 2022-09-30 2024-05-07 中国人民解放军国防科技大学 基于两层级联卷积神经网络的电磁信号识别方法
CN116451073A (zh) * 2023-03-30 2023-07-18 西安电子科技大学杭州研究院 一种辐射源信号调制方式识别方法及系统
CN116684233A (zh) * 2023-06-15 2023-09-01 哈尔滨工程大学 一种基于图像显著性检测的通信信号调制识别方法
CN116684233B (zh) * 2023-06-15 2024-10-18 哈尔滨工程大学 一种基于图像显著性检测的通信信号调制识别方法
CN118158044A (zh) * 2024-04-11 2024-06-07 西南交通大学 基于三通道的自动调制识别方法
CN119202852A (zh) * 2024-11-14 2024-12-27 杭州电子科技大学 一种基于特征嵌入的图神经网络自动调制分类方法
CN120128448A (zh) * 2025-03-12 2025-06-10 安徽大学 一种基于复杂相似度的通信信号识别系统及方法

Also Published As

Publication number Publication date
US10985955B2 (en) 2021-04-20
US20200044899A1 (en) 2020-02-06
CN107124381A (zh) 2017-09-01
CN107124381B (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
US10985955B2 (en) Method for automatically identifying modulation mode for digital communication signal
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN108540202B (zh) 一种卫星通信信号调制方式识别方法、卫星通信系统
CN108718288B (zh) 基于卷积神经网络的数字信号调制模式识别方法
Comert et al. Analysis of augmentation methods for RF fingerprinting under impaired channels
CN106130942A (zh) 一种基于循环谱的无线通信信号调制识别及参数估计方法
CN115913850A (zh) 一种基于残差网络的开集调制识别方法
CN113225282A (zh) 一种基于bp神经网络的通信信号调制识别方法
CN109076038B (zh) 用于对频带中包含的信号的参数进行估计的方法
CN114301749B (zh) 一种基于生成对抗网络的信号抗干扰方法
CN107770108A (zh) 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法
Wang et al. Specific emitter identification based on deep adversarial domain adaptation
Wang et al. A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition
CN101895494B (zh) 基于随机共振预处理的数字调制方式自动识别方法
Feng et al. FCGCN: Feature correlation graph convolution network for few-shot individual identification
CN107092898B (zh) 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法
CN116996350A (zh) 基于usrp平台的深度学习调制信号识别方法
CN110659684A (zh) 一种基于卷积神经网络stbc信号识别方法
CN116318477B (zh) 认知无线电网络中非高斯干扰下智能频谱感知方法、系统、设备及介质
CN110087233A (zh) 一种基于射频指纹的无人机身份认证方法
CN110826425B (zh) 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法
Ya et al. Modulation recognition of digital signal based on deep auto-ancoder network
Xu et al. Modulation recognition based on instantaneous feature fusion
CN114900406A (zh) 一种基于孪生网络的盲调制信号识别方法
Liu et al. Specific emitter identification method based on deep ensemble learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17903921

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 17.01.2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17903921

Country of ref document: EP

Kind code of ref document: A1