基于卷积神经网络的电磁频谱信号编码特征识别方法技术

本发明专利技术公开了一种基于卷积神经网络的电磁频谱信号编码特征识别方法，通过使用卷积神经网络对不同代码速率的卷积码特征进行识别，提高识别率而提供的一种编码特征识别方法。本发明专利技术针对接受到的卷积码信号，仿真生成高斯白噪声信道下的信号数据集，并将其按一定比例分割作为网络结构的训练，验证和测试使用，利用训练数据进行网络结构参数的训练，以建立输入数据与编码特征的映射关系，训练完毕后可让卷积神经网络能够识别出卷积码的特征。积神经网络能够识别出卷积码的特征。积神经网络能够识别出卷积码的特征。

【技术实现步骤摘要】
基于卷积神经网络的电磁频谱信号编码特征识别方法


[0001]本专利技术涉及无线数字传输、电磁频谱信号编码特征识别
，具体涉及一种基于卷积神经网络的电磁频谱信号编码特征识别方法。

技术介绍

[0002]通信信号的编码特征识别技术近年来引起了人们的广泛关注，它在电子对抗，情报截取，通信监视，频谱管理等多个领域具有很高的实用价值。不论在军事通信还是民用通信,为了抵抗传输过程中的噪声和干扰,需要加入信道编码。当需要知道传送信息而又不知道编码参数时——如信息截获、智能通信等,便需要信道编码识别。卷积码作为常用的信道编码,被广泛用于军事和民用通信。特别是在非协作的军事认知通信网络方面，提高卷积码特征的识别能力可实现对敌方信息数据的掌握，对通信来源的判断，获得其危险等级等。
[0003]卷积码是信道编码技术的一种，在电信领域中，属于一种纠错码。相对于分组码，卷积码维持信道的记忆效应。卷积码的由来，是因为输入的原始消息资料会和编码器的冲激响应做卷积运算。卷积码具有以下特性：一段m字符的消息(m字符的二进制元字符串)会被编码变换成n字符的符号，m/n即是编码率(coderate，n≥m)卷积码广泛使用在许多仪器或技术上，比如数字视频、广播、手机通信、卫星通信传输。
[0004]传统识别方法主要有高斯解方程法，欧几里得算法和Walsh
‑
Hadamard算法，其大都存在计算复杂度高、准确率低等问题。
[0005]与此同时，随着深度学习的快速发展，它在图像、自然语言处理领域均取得了良好的效果，发挥着重要作用。深度学习特点鲜明，它可以自动提取特征，并保证在特征选择时的特征冲突，并且其发展速度迅猛，在通信领域的应用也越来越多。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

技术实现思路

[0006]针对传统识别技术的不足，本专利技术提供了一种基于卷积神经网络对不同代码速率的卷积码特征进行识别的方法。其原理是利用卷积神经网络结构学习卷积码信号的特征，并对其进行识别。
[0007]通过使用卷积神经网络对不同代码速率的卷积码特征进行识别，提高识别率而提供的一种编码特征识别方法。本专利技术针对接受到的卷积码信号，仿真生成高斯白噪声信道下的信号数据集，并将其按一定比例分割作为网络结构的训练，验证和测试使用，利用训练数据进行网络结构参数的训练，以建立输入数据与编码特征的映射关系，训练完毕后可让卷积神经网络能够识别出卷积码的特征。
[0008]在本专利技术中，考虑电磁频谱入侵信号是一种具有时空特性的信号，因此，针对性地设计了一种网络结构来进行运动想象分类,此模型经过经验和多次实验最终确定。
[0009]为实现上述目的，本专利技术采取如下技术方案：
[0010]一种基于卷积神经网络的电磁频谱信号编码特征识别方法，其特征在于：针对接
受到的卷积码信号，通过仿真生成高斯白噪声信道下的卷积码信号数据集，并将其按一定比例分割作为网络结构的训练，验证和测试使用；利用训练数据进行卷积神经网络结构参数的训练，以建立输入数据与编码特征的映射关系；通过训练完毕后的卷积神经网络对卷积码的特征进行识别。
[0011]进一步地，所述卷积码信号数据集的具体生成过程为：在MATLAB中用卷积编码器对随机信号进行编码，其次对其进行QPSK调制，通过AWGN通道传输添加高斯白噪声后，使用QPSK解调器解调后打标签写入数据集。
[0012]在一个优选方案中，因为识别精度和训练时长会随着输入样本长度的增加而提高，最终取单个样本的约束长度为10000，保证在有限的时间内取得良好的识别精度。当信噪比为
‑
10dB到20dB，每增加1dB信噪比，每个卷积码产生500个样本，其中400个作为训练样本，其余为验证样本。
[0013]进一步地，所述卷积神经网络的模型包括：依次连接的10个卷积层，8个池化层，3个全连接层，1个全局池化层和2个Dropout层；其中，第一层，第三层，第五层，第七层，第九层，第十一层，第十三层和第十五到十七层为一维卷积层，卷积核大小分别为16
×
9，32
×
7，64
×
5，128
×
3，256
×
3，32
×
5，96
×
3，128
×
3，96
×
3，64
×
3，激活函数均采用ReLU函数(线性整流函数)；第二层，第四层，第六层，第八层，第十层，第十二层，第十四层和第十八层为最大池化层，池化区域大小都为为3
×
2；第十九层为全局池化层；第二十层，第二十二层和第二十四层为全连接层；其中第二十层和第二十二层激活函数采用ReLU函数，第二十四层采用逻辑回归函数；在第二十一层和第二十三层采用Dropout层以防止网络模型过拟合；丢失率设置为0.5。
[0014]具体的网络结构如下：
[0015][0016][0017]在该网络模型的设计中，特征提取部分需要考虑时间和空间特性，分类部分则可以利用全连接层和Softmax分类器输出分类结果。
[0018]进一步地，在训练过程中，按给定的不同代码速率的卷积码对电磁频谱入侵信号进行编码、加噪，随后带入卷积神经网络进行训练，让网络能够识别出卷积码的编码方式。
码速率指定为1/4,1/3,1/2,时，该网络可提取特征的编码信号。
[0019]本专利技术及其优选方案利用了深度学习对样本进行学习，使系统用于自身智能感知能力，省却了人工设定阈值环节，并且识别正确率更高。
附图说明
[0020]图1为本专利技术实施例方法中卷积编码的编码器；
[0021]图2为本专利技术实施例方法使用的1/2卷积编码器；
[0022]图3为本专利技术实施例方法在仿真过程得出的程序训练结果图。
具体实施方式
[0023]为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
[0024]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0025]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0026]本实施例提出的基于神经网络的编码特征识别方法，具体包括以下的实现步骤：
[0027]1、生成卷积码，卷积码码率为1/2时，使用1/2卷积编码器进行编码，图2为编码器结构，卷积码是一种常见的非线性分组码，其编码器如图1所示，由K个能存储k个比特的stage和n个模二加法运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电磁频谱信号编码特征识别方法，其特征在于：针对接受到的卷积码信号，通过仿真生成高斯白噪声信道下的卷积码信号数据集，并将其按一定比例分割作为网络结构的训练，验证和测试使用；利用训练数据进行卷积神经网络结构参数的训练，以建立输入数据与编码特征的映射关系；通过训练完毕后的卷积神经网络对卷积码的特征进行识别。2.根据权利要求1所述的基于卷积神经网络的电磁频谱信号编码特征识别方法，其特征在于：所述卷积码信号数据集的具体生成过程为：在MATLAB中用卷积编码器对随机信号进行编码，其次对其进行QPSK调制，通过AWGN通道传输添加高斯白噪声后，使用QPSK解调器解调后打标签写入数据集。3.根据权利要求1所述的基于卷积神经网络的电磁频谱信号编码特征识别方法，其特征在于：所述卷积神经网络的模型包括：依次连接的 10个卷积层，8个池化层，3个全连接层，1个全局池化层和2个Dropout层；其中，第一层，第三层，第五层，第七层，第九层，第十一层，第十三层和第十五到十七层为一维卷积层，卷积核大小分别为16
×
9，32

【专利技术属性】
技术研发人员：王俊，林瑞全，鲍家旺，马驰，刘明轩，
申请(专利权)人：福州大学，
类型：发明
国别省市：