一种无线电信号的频域识别方法技术

本发明专利技术公开了一种无线电信号的频域识别方法，所述频域识别方法包括以下步骤；第一步，采集已知无线电信号频谱数据；第二步，对已知无线电信号的频谱特征进行学习，构建基于无线电频谱形状的特征模板库，不同的无线电信号有其独有的无线电频谱形状特征模板；第三步，接收未知无线电信号的频谱数据，使之与第二步构建的无线电信号频谱形状特征模板库进行对比，找到与之匹配的无线电信号频谱形状特征模板；第四步，将匹配结果输出。本发明专利技术通过对无线电信号频谱形状特征进行学习，形成独有的无线电频谱形状特征模板，可以快速识别未知无线电信号，且根据需要扩充无线电频谱形状特征模板库，增强对已知信号数量的覆盖能力。增强对已知信号数量的覆盖能力。增强对已知信号数量的覆盖能力。

【技术实现步骤摘要】
一种无线电信号的频域识别方法


[0001]本专利技术涉及无线电通信
，更具体地说，本专利技术涉及一种无线电信号的频域识别方法。

技术介绍

[0002]目前，现有的无线电信号的识别方法主要包括时域和频域两类方法，时域类识别方法接收无线电信号时域数据，对其使用无线电信号的时域解调/解码算法，获得其通信传输的信息，以此识别无线电信号；
[0003]频域类识别方法接收无线电信号频谱数据，对其使用相关算法加以识别，仅需要采集无线电信号的频谱数据，且对数据的完整性不敏感，可以依据网络传输带宽或存储空间的大小丢弃部分频谱数据，降低数据的采集量而不影响识别结果。
[0004]现有技术存在以下不足：无线电信号的时域类识别方法虽然准确率高，但需要采集无线电信号的时域数据量太大，且不能丢失，对未知信号的解调/解码需要先识别其通信模式和通信协议，才可以对其解调/解码，难度很大，无线电信号的频域类识别方法准确率低。

技术实现思路

[0005]本专利技术提供一种无线电信号的频域识别方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种无线电信号的频域识别方法，所述频域识别方法包括以下步骤；
[0007]第一步，采集已知无线电信号频谱数据；
[0008]第二步，对已知无线电信号的频谱特征进行学习，构建基于无线电频谱形状的特征模板库，不同的无线电信号有其独有的无线电频谱形状特征模板；
[0009]第三步，接收未知无线电信号的频谱数据，使之与第二步构建的无线电信号频谱形状特征模板库进行对比，找到与之匹配的无线电信号频谱形状特征模板；
[0010]第四步，将匹配结果输出。
[0011]优选的，所述第一步中，采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号，将经过编码与调制的模拟信号进行魏格纳
‑
威利时频变换，构造魏格纳
‑
威利分布图作为网络输入，魏格纳
‑
威利分布图丰富表征信号时域，针对魏格纳
‑
威利分布图中存在多尺度结构，设计具有多尺度核与多通道的卷积子网络，分别提取魏格纳
‑
威利分布图中细粒度的多尺度、多层次化特征，将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征，包含在调制方式为EMC数据集上，解决传统方法依赖先验知识提取特征的问题，现代通信环境是一个雷达与通信信号高度交叠的电磁环境，通信环境中各类噪声信号、多源通信信号，干扰信号以及各种突发信号相互交叠，加之各类通信、广播、数据中继卫星处于开放的空间，会面临各种有意或无意干扰的影响，复杂的信号类型使得人工设计普适的
特征非常困难，传统信号处理方法主要是在信号内外部特征处理上做工作，依照先验知识设定需要提取的信号特征，在信号处理过程中通过特征提取和比对实现信号类型、调制方式以及编码方式的识别，而深度学习本质就是是一种数据特征学习方法，利用神经网络的优越拟合性能减少人工特征工程的干预，以及通过构建深层结构化神经网络去学习数据的层次化特征，逐层拟合数据源空间分布，从而解决传统方法对于先验知识的强依赖问题。
[0012]优选的，所述第一步中，采集的已知无线电信号还包括基于序列
‑
序列的编解码循环神经网络调制的无线电信号，由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大，结合无线电信号的时序，使用原始信号的IQ 双通道数据作为输入，减少预处理过程，设计编码网络将信号进行特征映射到隐层特征向量，再设计解码网络将隐层特征向量解码进行统一表征，进而使用分类网络进行分类，在编码网络中，设计了栈式池化网络以准确提取信号序列中空间域的统计特征，门控循环单元网络以提取信号双向时序特征﹐并减少参数量，在解码和分类网络中，使用重复向量层以及时序全连接层，将编码网络提取的隐层特征向量进行时序展开，进行无线电信号调制模式的分类，解决传统方法对海量信号数据鲁棒性差的问题，无线电信号的快变性使得设计鲁棒的特征非常困难，无线电信号非平稳的信号特性，传统的信号识别方法，如频谱分析法等，需要更大的算法复杂度以及更多的特征工程去适应不同识别任务的需求，代价高昂，为了处理时变信号，常采用一些时频特征的分析工具，如短时傅里叶变换，小波变换等等，一些小波包特征、FRFT域特征和小波脊频特征等也被证明能够取得较好的识别效果，然而，现实世界的频谱环境的动态变化，实际接收到的无线电信号是受到余量载波的动态随机游走、余量载波的时钟振荡器的动态随机游走，随时间变化的旋转非恒定幅度的信道脉冲响应等各个方面的影响，导致接收到的无线电信号不仅非平稳而且特性变化快速，使得提取出具有判别性的特征较为困难，传统信号处理分析方法处理模型结构简单，主要针对小样本信号数据进行处理，对海量数据明显适应能力不足，深度网络的大量参数能对海量数据进行有效建模。
[0013]优选的，所述第一步中，采集的已知无线电信号还包括基于端到端的轻量级一维深度卷积网络编码调制的无线电信号，由于深度学习模型参数量大、在实际应用中部署困难且训练耗费硬件资源大，使用原始一维信号作为网络输入以减少参数量，构建轻量级深度卷积神经网络，设计多尺度卷积核和金字塔型的网络结构以提取深度层级特征，使用一维卷积操作提取信号本质特征使得模型更为轻量化，基于所设计的多尺度卷积核与金字塔式网络结构的无线电信号可以提取信号调制与编码的层次，解决传统方法流程僵化，不便于实际应用部署的问题，传统方法中信号处理分析流程通常是固定的，从原始信号接收采集开始，完成原始信号的下变频、信号检测、参数提取、调制识别、编码识别、解调解码解译，每一类信号的处理流程大致类似，僵化的处理流程导致传统方法难以适应未来复杂多变的信号类型和愈加复杂的电磁环境，深度学习技术可突破处理流程限制，从业务驱动转变为数据驱动，根据输入数据特征，采用端到端的方式自适应优化处理模型﹐从而实现对多种类信号的自动化、智能化处理，便于实际应用中的部署。
[0014]优选的，所述第二步中，无线电频谱形状特征模板为主产品身份标识、附属产品身份标识、附属产品组身份标识、主产品操作动作，创建无线电频谱形状特征模板前，需要学习无线电信号的频谱形状，卷积神经网络是一种用来处理类似网格结构数据的神经网络，CNN使用了卷积这一种线性运算以替代一般的矩阵乘法运算，它利用比输入图像小得多的
卷积核来降低存储成本并提高计算效率，并且对一组神经连接使用相同的参数来减少参数的数量，此外，CNN 具有稀疏交互，权值共享和等价表示等特性，有利于CNN进行高效的特征提取，卷积网络的基本架构由图中输入层、卷积层、池化层、全连接层和输出层组成。
[0015]优选的，所述第三步中，在对未知无线电信号进行识别之前，先要提取未知无线电信号的频谱形状，再与创建好的无线电频谱形状特征模板进行对比匹配，立足上一章工作的基础，为基于序列
‑
序列编解码循环神经网络应用于无线电信号调制识别，采用编码
‑
解码网络结构，在解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线电信号的频域识别方法，其特征在于：包括以下步骤；第一步，采集已知无线电信号频谱数据；第二步，对已知无线电信号的频谱特征进行学习，构建基于无线电频谱形状的特征模板库，不同的无线电信号有其独有的无线电频谱形状特征模板；第三步，接收未知无线电信号的频谱数据，使之与第二步构建的无线电信号频谱形状特征模板库进行对比，找到与之匹配的无线电信号频谱形状特征模板；第四步，将匹配结果输出。2.根据权利要求1所述的一种无线电信号的频域识别方法，其特征在于：所述第一步中，采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号，将经过编码与调制的模拟信号进行魏格纳
‑
威利时频变换，构造魏格纳
‑
威利分布图作为网络输入，魏格纳
‑
威利分布图丰富表征信号时域，针对魏格纳
‑
威利分布图中存在多尺度结构，设计具有多尺度核与多通道的卷积子网络，分别提取魏格纳
‑
威利分布图中细粒度的多尺度、多层次化特征，将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征，包含在调制方式为EMC数据集上。3.根据权利要求1所述的一种无线电信号的频域识别方法，其特征在于：所述第一步中，采集的已知无线电信号还包括基于序列
‑
序列的编解码循环神经网络调制的无线电信号，由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大，结合无线电信号的时序，使用原始信号的IQ双通道数据作为...

【专利技术属性】
技术研发人员：王巍，刘永，王远建，唐善武，赵彬斌，
申请(专利权)人：成都唯创华盛科技有限公司，
类型：发明
国别省市：