一种基于卷积神经网络的多载波波形识别方法技术

本发明专利技术针对现有技术的局限性，提出了一种基于卷积神经网络的多载波波形识别方法，针对OFDM、W

【技术实现步骤摘要】
一种基于卷积神经网络的多载波波形识别方法


[0001]本专利技术涉及无线通信中的波形识别
，具体地，涉及一种基于卷积神经网络的多载波波形识别方法。

技术介绍

[0002]一直以来，OFDM技术被广泛应用于传统长期演进系统(Long Term Evolution，LTE)中，而5G的三大应用场景增强移动宽带(enhanced Mobile BroadBand，eMBB)、海量机器通信(massive Machine
‑
Type
‑
Communications，mMTC)、超高可靠低时延通信(ultra
‑
Reliable Low
‑
Latency Communications，uRLLC)对传输波形提出了更高的要求。近年来，为了满足通信系统更高的要求，多种新型多载波波形被提出，例如：W
‑
OFDM、F
‑
OFDM、FBMC、UFMC和GFDM等。然而，目前还没有一种多载波波形可以适用于所有的应用场景，因此多种多载波波形共存是未来通信场景中的必然趋势。因此，接收机需要对接收到的多载波波形进行检测和识别，根据识别结果对不同的多载波波形进行解调和进一步的分析和处理。
[0003]目前针对单载波信号及OFDM波形信号识别的研究较多，其中涉及的信号特征主要分为时域特征和变换域特征，主要可以分为以下几种：瞬时信息特征(如幅度、频率、相位等)、信号高阶累积量、时频分析(如小波变换、短时傅里叶变换、模糊函数等)、星座图特征、谱分析特征(如谱相关、高阶谱等)。然而，有关5G新型多载波波形的特征提取以及识别的相关研究较少。
[0004]授权公告日为2020
‑
11
‑
24的中国专利技术专利：一种基于反向传播神经网络的新型多载波识别方法中，首先会生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样；对采样得到的信号序列先后进行功率归一化处理和线性归一化处理；构建并训练反向传播神经网络；将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。其宣称通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号的识别；并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识别，提高识别网络的泛化能力。但现有技术仍有一定的局限性。

技术实现思路

[0005]针对现有技术的局限，本专利技术提出一种基于卷积神经网络的多载波波形识别方法，本专利技术采用的技术方案是：
[0006]一种基于卷积神经网络的多载波波形识别方法，包括以下步骤：
[0007]S1，获取待识别波形的接收信号；
[0008]S2，运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W
‑
OFDM以及F
‑
OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；
[0009]S3，对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、
W
‑
OFDM以及F
‑
OFDM三种波形上的分类结果；
[0010]S4，对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。
[0011]相较于现有技术，本专利技术针对OFDM、W
‑
OFDM、F
‑
OFDM、UFMC、FBMC和GFDM六种新型多载波波形提出了一种基于CNN的多载波波形识别方案，运用卷积神经网络模型，同时结合FSST、DFT和小波变换提取波形的特征，从而进一步提高识别准确率，该方案在低信噪比时仍然具有较高的识别准确率
[0012]作为一种优选方案，在执行所述步骤S2之前，先对所述接收信号进行归一化处理。
[0013]作为一种优选方案，所述第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型分别由依序两层卷积层以及两层全连接层构成。
[0014]进一步的，第一层卷积层中采用了128个大小为1
×
3的滤波器，并以线性整流单元作为激活层。
[0015]进一步的，第二层卷积层中采用了64个大小为1
×
3的滤波器以及激活层ReLU。
[0016]进一步的，第一层全连接层具有128个神经元。
[0017]进一步的，第二层全连接层经由一个SoftMax输出。
[0018]本专利技术还包括以下内容：
[0019]一种基于卷积神经网络的多载波波形识别系统，其特征在于，包括信号接收模块、第一分类模块、第二分类模块以及第三分类模块；所述第一分类模块分别连接所述信号接收模块、第二分类模块以及第三分类模块；其中：
[0020]所述信号接收模块用于获取待识别波形的接收信号；
[0021]所述第一分类模块用于运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W
‑
OFDM以及F
‑
OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；
[0022]所述第二分类模块用于对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、W
‑
OFDM以及F
‑
OFDM三种波形上的分类结果；
[0023]所述第三分类模块用于对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。
[0024]一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前述的基于卷积神经网络的多载波波形识别方法的步骤。
[0025]一种通信设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的基于卷积神经网络的多载波波形识别方法的步骤。
附图说明
[0026]图1为OFDM调制框图；
[0027]图2为F
‑
OFDM\UFMC调制框图；
[0028]图3为FBMC调制框图；
[0029]图4为GFDM调制框图；
[0030]图5为本专利技术实施例提供的一种基于卷积神经网络的多载波波形识别方法的步骤示意图；
[0031]图6为本专利技术实施例使用的CNN结构示意图；
[0032]图7为本专利技术实施例仿真实验中各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的多载波波形识别方法，其特征在于，包括以下步骤：S1，获取待识别波形的接收信号；S2，运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W
‑
OFDM以及F
‑
OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；S3，对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、W
‑
OFDM以及F
‑
OFDM三种波形上的分类结果；S4，对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。2.根据权利要求1所述的基于卷积神经网络的多载波波形识别方法，其特征在于，在执行所述步骤S2之前，先对所述接收信号进行归一化处理。3.根据权利要求1所述的基于卷积神经网络的多载波波形识别方法，其特征在于，所述第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型分别由依序两层卷积层以及两层全连接层构成。4.根据权利要求3所述的基于卷积神经网络的多载波波形识别方法，其特征在于，第一层卷积层中采用了128个大小为1
×
3的滤波器，并以线性整流单元作为激活层。5.根据权利要求3所述的基于卷积神经网络的多载波波形识别方法，其特征在于，第二层卷积层中采用了64个大小为1
×
3的滤波器以及激活层ReLU。6.根据权利要求3所述的基于卷积神经网络的多载波波形识别方法，其特征在于，第一层全连接层具有128个神经元...

【专利技术属性】
技术研发人员：陈艺莎，伍沛然，夏明华，
申请(专利权)人：中山大学，
类型：发明
国别省市：