一种基于多端卷积神经网络的调制识别方法技术

本发明专利技术涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络的调制识别方法。本发明专利技术MICNN网络利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。该网络在复杂信道环境下对信号的调制方式有着优秀的识别性能。制方式有着优秀的识别性能。制方式有着优秀的识别性能。

【技术实现步骤摘要】
一种基于多端卷积神经网络的调制识别方法


[0001]本专利技术涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络(A multi
‑
inputs convolutional neural network，MICNN)的调制识别方法。

技术介绍

[0002]随着通信技术的飞速发展进步，全球通信业务量激增，这使得频谱、信道等通信资源愈发紧张。为缓解这一问题，人们发展出了多样化的通信手段与调制样式来提高有限频谱资源的利用率。与此同时，繁多的信号调制样式也为信息的获取制造了困难。这时通信信号的调制识别就显得尤为重要，只有明确了所接收到的信号是什么调制样式，人们才能将信号进行解调操作最终得到其传输的信息。所以说信号调制识别是从信号接收到信号解调的必要流程之一，其作用是在缺乏先验信息的情况下对调制样式未知的通信信号进行处理分析得到其确切的调制方式，从而为下一步的信号解调工作提供理论依据。
[0003]信号调制识别技术对于整个通信流程都有着重要的意义，有重大使用价值与研究意义。像自适应链路系统中信号调制识别技术就起着重要的作用，此系统是通过信号调制模块对信号进行自适应的调制。所以说在系统通信过程中，调制识别模块输出结果的对错直接决定了自适应链路系统是否可以实现有效的通信。另外在无线电监测领域也有着十分重要的作用，无线电监测是指探测管理区域内的无线电信号,并对该信号进行分析来获取其技术参数等信息的行为。而信号的调制方式更是其中重要的技术参数，需要进行探测获取。
[0004]如今通信用户不断增多，现代通信系统提出了更多性能需求，例如传输速率高、响应速度快、数据量大等，特别是在海量数据的处理和数据挖掘方面，现有的理论架构存在根本的局限性。如今大多数调制识别技术是基于特征提取与机器学习分类算法的。但这些方法一般为模型驱动，需要对信号进行预处理，并且适应信道环境单一，在复杂信道环境时识别性能较差。因为传统的特征提取方法是基于统计资料的，分类结果易受环境变化影响。基于机器学习的调制识别方法则需要人为进行信号特征的提取工作，不像深度学习方法可以自主进行信号特征提取。因此，诸多研究者将目光投向了深度学习技术，其被认为是突破性能瓶颈的有效方法。目前基于深度学习的通信技术在信号检测、信道估计和信号调制识别等方面都展现出了巨大的研究价值与发展潜力。
[0005]现有的深度学习神经网络方法在复杂信道环境下识别性能较差。基于深度学习的信号调制方法性能一般受两方面影响，一方面是输入深度学习网络的数据集，另一方面是深度学习网络结构参数。数据集方面，因为通信调制信号本身就是人为对需要传输的信息进行调制变换，使信息能够更好的在信道之间进行传输。所以调制信号有许多特征可以人为进行提取，并且这些特征一般都是区分信号最为本质的特征。所以相比于直接把信号本身作为网络输入，以这些特征作为网络的输入必然会带来网络性能的提高。在网络结构参数方面，则是利用一些算法使网络能够自动提取出不同信号之间差异较大的深层特征而不是流于表面特征。另外还需调整网络的参数结构在保证网络识别性能较高的情况下降低网
络复杂度从而提高网络算法训练速度。

技术实现思路

[0006]本专利技术提出了一种基于多端卷积神经网络(A multi
‑
inputs convolutional neural network，MICNN)的调制识别方法。其利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。仿真结果表明，该网络在复杂信道环境下有着优秀的识别性能。
[0007]本专利技术采用的技术方案为：一种基于多端卷积神经网络的调制识别方法，该方法包括以下步骤：
[0008]S1构造MICNN网络
[0009]S1.1构造特征提取模块，特征提取模块由三个相同的CNN卷积模块构成，三个CNN卷积模块的输入分别为信号IQ序列、信号高次方谱、信号眼图。每个卷积模块均由四层Conv1D一维卷积层和一个Flatten层组成，卷积核的尺寸kernel_size＝8，卷积层中滤波器的输出维度filters＝64。卷积层大小依次为1024*64、512*64、256*64、128*64，其中第1层卷积至第4层卷积均在卷积后使用了1x2的一维最大池化层(maxpool1D)，池化层的步长strides＝2，对卷积得到的特征进行切片得到小维度特征，防止网络过度拟合。
[0010]每个卷积层均采用ReLU激活函数，在网络优化过程中，采用Adam算法求解网络参数的最优值。Flatten层则是作为卷积层到预测模块中全连接层的过渡，将输出的多维特征一维化。
[0011]整个特征提取模块输入数据维度为1024*5，输出特征维度为4096*3。随机初始化特征提取模块即三个CNN卷积模块的网络权重参数θ
c1
,θ
c2
,θ
c3
；
[0012]S1.2构造预测模块，预测模块由两个全连接层和softmax激活函数组成，全连接层将输入的特征映射到样本分类空间中，输入特征维度为12288，输出特征维度为N，即为需要分类的N种调制信号类别，N≥2。然后通过softmax激活函数将全连接层的输出转换为识别概率，概率最高的即为网络识别出的调制信号类别。随机初始化预测模块的网络权重参数θ
p
[0013]S2数据集预处理
[0014]S2.1提取信号IQ序列
[0015]对接收到的信号经过下变频和匹配滤波得到基带复信号x
j
(k)表示单个样本采样点处的复信号值，k＝1,2,...,K,K表示单个样本采样点数，通常为1024；j＝1,2,...,W,W表示信号样本个数；信号IQ序列则分别代表基带复信号的实部和虚部，用矩阵形式如下式所示：
[0016][0017]单个信号样本的IQ序列为2
×
K大小的实值矩阵。
[0018]S2.2提取基带复信号高次方谱：
[0019][0020]n表示对信号进行n次方操作，n＝2为平方谱，n＝4为四次方谱，以此类推，w表示单个样本的不同采样点，本方法需要信号四次方谱S
j，4
(w)与八次方谱S
j,8
(w)，即n＝4、8。则有信号高次方谱(spc)
j
＝[S
j，4
(w)；S
j,8
(w)]；
[0021]S2.3提取信号眼图
[0022]信号眼图表征的是多个整数周期信号落于同一张图的现象，物理上表明了解调时可供判决的门限。将信号转换成眼图可看出其带有较为明显的时频特征，不同调制方式对应的眼图也有着明显区别。将基带复信号的实部real[X
j
]按时间序列画于坐标图中，便可得到信号眼图(eye)
j
。
[0023]S3网络训练
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多端卷积神经网络的调制识别方法，其特征在于，该该方法包括以下步骤：S1构造MICNN网络S1.1构造特征提取模块，特征提取模块由三个相同的CNN卷积模块构成，三个CNN卷积模块的输入分别为信号IQ序列、信号高次方谱、信号眼图；每个卷积模块均由四层Conv1D一维卷积层和一个Flatten层组成，卷积核的尺寸kernel_size＝8，卷积层中滤波器的输出维度filters＝64；卷积层大小依次为1024*64、512*64、256*64、128*64，其中第1层卷积至第4层卷积均在卷积后使用了1x2的一维最大池化层，池化层的步长strides＝2，对卷积得到的特征进行切片得到小维度特征，防止网络过度拟合；每个卷积层均采用ReLU激活函数，在网络优化过程中，采用Adam算法求解网络参数的最优值；Flatten层则是作为卷积层到预测模块中全连接层的过渡，将输出的多维特征一维化；整个特征提取模块输入数据维度为1024*5，输出特征维度为4096*3；随机初始化特征提取模块即三个CNN卷积模块的网络权重参数θ
c1
,θ
c2
,θ
c3
；S1.2构造预测模块，预测模块由两个全连接层和softmax激活函数组成，全连接层将输入的特征映射到样本分类空间中，输入特征维度为12288，输出特征维度为N，即为需要分类的N种调制信号类别，N≥2；然后通过softmax激活函数将全连接层的输出转换为识别概率，概率最高的即为网络识别出的调制信号类别；随机初始化预测模块的网络权重参数θ
p
；S2数据集预处理S2.1提取信号IQ序列对接收到的信号经过下变频和匹配滤波得到基带复信号x
j
(k)表示单个样本采样点处的复信号值，k＝1,2,...,K,K表示单个样本采样点数，通常为1024；j＝1,2,...,W,W表示信号样本个数；信号IQ序列则分别代表基带复信号的实部和虚部，用矩阵形式如下式所示：单个信号样本的IQ序列为2
×
K大小的实值矩阵；S2.2提取基带复信号高次方谱：n表示对信号进行n次方操作，w表示单个样本的不同采样点；S2.3提取信号眼图将基带复信号的实部real[X
j
]按时间序列画于坐标图中，得到信号眼图(eye)
j
；S3网络训练S3.1特征提取，将S2中产生的信号IQ序列、信号高次方谱、信号眼图分别输入到MICNN网络特征提取模块中的三个CNN卷积模块进行数据特征的自动提取；每个模块输出为1*4096大小的特征G[(IQ)
j
]、G[(spc)
j
]、G[(eye)
j
]，G为CNN卷积模块；S3.2特征融合，将三个CNN卷积模块提取出的特征进行concant策略整合，即将三个1*
4096大小的特征直接进行串行连接为12288大小的融合特征，融合后的特征F
j
＝[G[(IQ)
j
]；G[(spc)
j
]；G[(eye)
j
]]；S3.3预测损失计算，将...

【专利技术属性】
技术研发人员：李保国，杜志毅，黄知涛，王翔，刘毅远，姚怡舟，孙鹏，徐强，张澄安，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：