基于CNN-LSTM多支流结构和多种信号表示的调制识别模型制造技术

针对现有基于深度学习的调制识别方法大都忽略了不同深度学习模型之间的相互作用，以及不同信号表示能在不同层面反映信号的特性，本发明专利技术提出基于CNN

【技术实现步骤摘要】
基于CNN
‑
LSTM多支流结构和多种信号表示的调制识别模型


[0001]本专利技术涉及深度学习的相关算法及信号处理相关理论属于通信信号处理和人工智能领域。

技术介绍

[0002]无线通信技术日新月异的发展给人类生活方式带来了巨大改变，并逐渐成为人类日常生活中不可或缺的一部分。在信息需求日益凸显的时代背景下，通信环境变得越来越复杂，调制方式越来越复杂化和多样化。各种无线业务和无线产品层出不穷，周围环境中信号密度也大大增加，要确保信息在如此复杂的环境中能够高速传输，就必须准确地识别出每种信号调制方式。因此，信号的调制识别在通信系统中扮演着重要的角色。
[0003]传统的调制识别技术可大致分为两类：基于假设检验的最大似然比识别方法和基于特征提取的模式识别方法。前者首先针对不同调制方式做出不同假设，然后在不同假设下对信号进行似然函数处理，并比较不同假设下的似然比，选取其中最大值作为最终判别结果。后者是通过从待识别信号中提取适当的特征，并根据这些特征的具体数值识别信号调制类型，其主要包括特征提取和识别分类两个步骤。传统方法中，基于假设检验的最大似然比识别方法在理论上可获得最优效果，但是存在计算复杂度高、识别信号数量较少、以及过于依赖先验知识等不足之处；基于特征提取的模式识别方法虽然有较大的优势，但是无法直接处理原始数据，需要大量的专业知识和工程技术来手动设计特征，且当信道环境不理想时，模糊的特征会导致判决结果不理想。近年来，随着无线通信技术的快速发展，无线通信环境愈加恶劣，信号的调制方式越来越复杂化和多样化，这些因素给自动调制识别带来了前所未有的难度和挑战，传统的调制识别方法的分类精度与鲁棒性到了瓶颈期，因此，研究更多更优的自动调制识别方法具有至关重要的意义。
[0004]近年来，大数据的兴起和高性能计算设备的迅速普及促进了深度学习(Deep Learning，DL)的空前发展，并在机器视觉、自然语言处理、经济学等领域取得巨大突破。DL的思想来自于大脑深层组织结构和生物神经元数学模型，旨在从数据中自主地学习不同层次的特征，从原始输入中提取低级特征，并基于前一级别特征表示提取更高级别的特征。言外之意，它可以自动识别不同模式而不需要人工构造特征，也称数据驱动特征提取。因此，部分研究人员将其引入调制识别领域中。卷积神经网络(Convolutional Neural Network，CNN)作为深度学习方法的重要模型之一，在调制信号识别领域内也开始逐渐兴起，并取得了一定的成效。Wang z等人利用信号星座图及一个5层的CNN实现了QPSK、8PSK、16QAM和64QAM的识别。Peng S等人将调制信号的星座图输入CNN的经典模型AlexNet中进行训练，实现了QPSK、8PSK、16QAM和64QAM的分类。刘明骞等人通过提取MPSK信号循环谱的等高图获得二维特征信息，利用卷积神经网络对二维特征进行训练，实现了BPSK、QPSK、8PSK的分类。Hauser S C等人提出了一种分层深度神经网络，利用IQ数据经过FFT变换得到信号时频图，实现了11类信号的分类，最终达到90％的总准确率，但该网络对QPSK、8PSK的识别效果均低于70％。
[0005]目前基于DL的调制识别都是基于信号的单一表示，比如星座图、眼图、幅度/相位，而没有考虑多种信号表示能在不同层面反映当前调制信号的特性，也没有考虑到不同模型之间具有互补性。因此，本专利技术选取信号的I/Q表示、A/P表示和循环谱图表示作为CNN
‑
LSTM的多支流结构卷积神经网络的输入数据，实现公开数据集中11类信号的调制分类。

技术实现思路

[0006]公开数据集RML2016.10a利用开源软件无线电平台GNU Radio生成，在产生过程中采用了大量真实语音信号，并采用了GNU Radio中动态信道模型模拟了许多信道效应，包括频偏、相偏、高斯白噪声、频率选择性衰落等，更加贴近实际通信环境。因此，本专利技术的目的在于对公开数据集RML2016.10a{BPSK,8PSK,16QAM,64QAM,AM
‑
DSB,AM
‑
SSB,CPFSK,GFSK,PAM4,QPSK,WBFM}实现自动调制识别。
[0007]基于上述讨论的常用DL调制识别算法没有考虑多个特征能在不同层面反映当前调制信号的特性，也没有充分利用不同网络之间具有的互补性，本专利技术选取信号的I/Q表示、A/P表示和循环谱图表示作为CNN
‑
LSTM多支流网络的输入数据，实现公开数据集中11类信号的调制分类。本专利技术模型结构图见附图1。
[0008]本专利技术的基于CNN
‑
LSTM多支流结构和多种信号表示的调制识别模型具有的特征如下：本专利技术考虑到不同信号表示能在不同层面反映当前调制信号的特性，以及不同网络能学习到不同层面的特征，即卷积神经网络学习空间特征，长短时记忆网络学习时间特征，因此本专利技术充分利用两种网络的互补性，构建基于CNN
‑
LSTM多支流结构和多种信号表示的调制识别模型，提高了低信噪比下11类信号的识别率。
[0009]本专利技术所述的基于CNN
‑
LSTM和多种信号表示的调制识别模型，包括以下几个步骤：
[0010]1)信号预处理：将公开数据集RML2016.10a里的时域信号处理成I/Q信号表示、A/φ信号表示、循环谱图表示作为网络模型的输入；
[0011]2)构建网络：构建基于CNN
‑
LSTM的多支流网络模型对调制方式进行识别；
[0012]3)将I/Q信号表示送进CNN
‑
LSTM网络模型的第一条支流中，让模型学习特征；
[0013]4)将A/φ信号表示送进CNN
‑
LSTM网络模型的第二条支流中，让模型学习特征；
[0014]5)将循环谱图表示送进CNN
‑
LSTM网络模型的第三条支流中，让模型学习特征；
[0015]6)将三条支流提取到的特征外积得到特征矩阵，然后通过flatten层将特征矩阵转换为特征向量，最后利用基于softmax的神经网络作为分类器进行分类。
[0016]上述所述步骤1)中包括的信号预处理为：
[0017]I/Q与A/φ信号表示
[0018]I/Q信号表示是指利用原始信号的同相和正交分量表征信号即r
j
|
→
X
jI/Q
；A/φ信号表示是指采用基于原始信号的幅度和相位信息表示信号即r
j
|
→
X
jA/φ
，相应的转换如下所示：
[0019][0020]式中，X
I
表示信号同相分量，X
Q
表示信号正交分量，X
jI/Q
∈R2×
N
。
[0021][0022]式中，X
A
表示信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本专利提出基于CNN
‑
LSTM多支流结构和多种信号表示的调制识别模型，该模型在低信噪比下能对公开数据集RML2016.10a实现较高的识别率。较前人的模型有着更加优异的表现。本专利模型结构主要包括以下步骤：1)信号预处理：将公开数据集RML2016.10a里的时域信号处理成I/Q信号表示、A/φ信号表示、循环谱图表示作为网络模型的输入；2)构建网络：构建基于CNN
‑
LSTM的多支流网络模型对调制方式进行识别；3)将I/Q信号表示送进CNN
‑
LSTM网络模型的第一条支流中，让模型学习特征；4)将A/φ信号表示送进CNN
‑
LSTM网络模型的第二条支流中，让模型学习特征；5)将循环谱图表示送进CNN
‑
LSTM网络模型的第三条支流中，让模型学习特征；6)将三条支流提取到的特征外积得到特征矩阵，然后通过flatten层将特征矩阵转换为特征向量，最后利用基于softmax的神经网络作为分类器进行分类。2.基于权利要求1中所述的信号预处理，指的是I/Q信号表示、A/φ信号表示、循环谱图表示。前人所做的信号预处理只是单一类型，没有考虑到不同信号表示能在不同层面反映调制信号的特性，本专利集合了三种信号表示，丰富了模型学习到的特征。三种信号表示为：1)I/Q信号表示、A/φ信号表示I/Q信号表示是指利用原始信号的同相和正交分量表征信号即r
j
|
→
X
jI/Q
；A/φ信号表示是指采用基于原始信号的幅度和相位信息表示信号即r
j
|
→
X
jA/φ
，相应的转换如下所示：式中，X
I
表示信号同相分量，X
Q
表示信号正交分量，X
jI/Q
∈R2×
N
。式中，X
A
表示信号幅度信息，X
φ
表示携带信号相位信息，X
jA/φ
∈R2×
N
。X
...

【专利技术属性】
技术研发人员：张承畅，徐余，余洒，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：