本发明专利技术公开了一种基于星座图KD树增强与神经网络GSENet的调制识别方法,按照不同调制方式利用计算机生成仿真的调制信号,得到调制信号样本x
【技术实现步骤摘要】
一种基于星座图KD树增强与神经网络GSENet的调制识别方法
[0001]本专利技术涉及一种基于星座图KD树增强与神经网络GSENet的调制识别方法,属于调制识别
技术介绍
[0002]随着无线电通信技术的进步和各种调制方式的发展,以及各领域信息化需求的增加,不同频段、样式的未知信号和各种噪声交织在一起,使得电磁环境变得复杂、密集。
[0003]传统的基于特征的信号调制识别方法,通常依赖于人工来选取不同种类的特征。但是,由于个人经验及主观判断的差异性,这种方法往往需要耗费较大的人力和时间成本。
[0004]近年来,伴随着人工智能技术的快速发展,深度学习作为机器学习的一个分支,已经广泛应用于计算机视觉、图像处理、语音识别等诸多方面,并在模式识别领域表现出了优异的性能。故而,借助于深度学习所涉及的深度神经网络,能够大大降低信号调制识别过程中特征选取阶段对于人工经验和主观判断的依赖性,并且出现了很多借助于深度学习的信号调制识别方法。但是现有的方法和技术尚没有同时解决该类方法常涉及的三个主要问题,即:非高斯噪声条件、低信噪比条件和轻量化的神经网络。
[0005]因此,本领域技术人员急需要解决以上无线通信信号调制识别的技术问题。
技术实现思路
[0006]目的:为了克服现有技术中存在的基于信号特征和深度学习的信号调制识别方法在非高斯噪声和低信噪比条件下性能退化以及计算量大的问题,本专利技术提供一种基于星座图KD树增强与神经网络GSENet的调制识别方法,以星座图KD树增强为特征,以神经网络GSENet为分类器,实现了非高斯噪声和低信噪比下多种信号调制的准确识别。
[0007]技术方案:为解决上述技术问题,本专利技术采用的技术方案为:
[0008]一种基于星座图KD树增强与神经网络GSENet的调制识别方法,包括如下步骤:
[0009]步骤1:按照不同调制方式利用计算机生成仿真的调制信号,得到调制信号样本x
s
(t)。x
s
(t)表示用第s种调制方式获取的第t个调制信号,s=1,2,
…
S,t=1,2,
…
N。
[0010]步骤2:对调制信号添加非高斯噪声,获得真实调制信号样本。
[0011]步骤3:根据真实调制信号样本生成星座图。
[0012]步骤4:通过KD树邻近点搜索的方法对星座图进行增强,得到增强后的星座图。
[0013]步骤5:将增强后星座图按比例制作训练集、验证集和测试集,对深度神经网络GSENet进行训练,获得训练好的神经网络GSENet。
[0014]步骤6:将待识别调制信号的增强星座图输入训练好的神经网络,得到调制识别结果。
[0015]作为优选方案,S=8。
[0016]作为优选方案,所述调制方式包括:BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM。
[0017]作为优选方案,所述真实调制信号样本获取方法,包括如下步骤:
[0018]按照不同调制方法依次生成调制信号。
[0019]对调制信号添加不同信噪比的非高斯噪声,得到真实调制信号。
[0020]作为优选方案,所述不同信噪比包括:
‑
7dB,
‑
6dB,
‑
5dB,
‑
4dB,
‑
3dB,
‑
2dB,
‑
1dB,0dB,1dB。
[0021]作为优选方案,根据真实调制信号样本生成星座图,包括如下步骤:
[0022]对真实调制信号进行采样,获得M个采样点,根据采样点生成星座图。
[0023]作为优选方案,通过KD树邻近点搜索的方法对星座图进行增强,得到增强后的星座图,包括如下步骤:
[0024]对星座图中所有数据点的坐标进行聚类,获得k个簇,计算每一个簇中所有数据点的每一维方差,然后选取方差最大的那一维中所有数据点的中位数作为分割超面,即根结点,最后确定左子树右子树,递归进行,直到叶子结点,建立KD树。
[0025]在KD树中,设置一个待处理的数据点为目标点,在KD树中搜索每个点的最邻近随机点,计算最邻近随机点到目标点之间的距离d
min
,直到所有输入的目标点都计算完毕,得到所有目标点的最邻近距离。
[0026]按照所有目标点的最邻近距离近似为目标点的密度,对所有最邻近距离进行着色处理,得到增强后的星座图。
[0027]作为优选方案,所述神经网络GSENet由5x5池化层,1x1x128卷积层,1x1池化层,1x1x32卷积层,1x1x128卷积层,1x1x128全连接层,输出层依次连接组成,并每一个卷积层之后的激活函数中增加一个BN层。
[0028]作为优选方案,深度神经网络GSENet训练参数包括:学习率为0.0003,每次训练的批处理量为32,迭代次数为10。
[0029]有益效果:本专利技术提供的一种基于星座图KD树增强与神经网络GSENet的调制识别方法,同时实现了BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM调制信号的识别。
[0030]本专利技术提高了在非高斯噪声和低信噪比下条件下的性能,并降低深度神经网络所引入的计算量。同时,本专利技术所能识别的调制方式种类广泛,并且在训练环境和测试环境不匹配的情况下,仍然具有较高的识别率。
附图说明
[0031]图1是本专利技术所涉及的一种基于星座图KD树增强和神经网络GSENet的调制识别方法的流程图。
[0032]图2是本专利技术所涉及的增强后的星座图。
[0033]图3是本专利技术所涉及的轻量化的神经网络GSENet的结构图。
[0034]图4是本专利技术所涉及的轻量化的神经网络GSENet的模型大小对比图。
[0035]图5是本专利技术所涉及的KD
‑
GSENet模型的混淆矩阵。
[0036]图6是本专利技术所涉及不同情况下不同方法的识别准确率曲线图。
具体实施方式
[0037]下面结合具体实施例对本专利技术作更进一步的说明。
[0038]一种基于星座图KD树增强与神经网络GSENet的调制识别方法,如图1所示,具体而言其包括如下步骤:
[0039]步骤1:获取调制信号样本。
[0040]根据实际业务需求选择PSK调制方式、ASK调制方式、QAM调制方式,按照不同调制方式的原理利用计算机生成仿真的调制信号,得到调制信号样本x
s
(t)。调制方式用s表示,x
s
(t)表示用第s种调制方式获取的第t个调制信号,s=1,2,
…
S,t=1,2,
…
N。
[0041]优选的,S=8。
[0042]其中:PSK调制方式包括:BPSK(Binary Phase Shi本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于星座图KD树增强与神经网络GSENet的调制识别方法,其特征在于:包括如下步骤:步骤1:按照不同调制方式利用计算机生成仿真的调制信号,得到调制信号样本x
s
(t);x
s
(t)表示用第s种调制方式获取的第t个调制信号,s=1,2,
…
S,t=1,2,
…
N;步骤2:对调制信号添加非高斯噪声,获得真实调制信号样本;步骤3:根据真实调制信号样本生成星座图;步骤4:通过KD树邻近点搜索的方法对星座图进行增强,得到增强后的星座图;步骤5:将增强后星座图按比例制作训练集、验证集和测试集,对深度神经网络GSENet进行训练,获得训练好的神经网络GSENet;步骤6:将待识别调制信号的增强星座图输入训练好的神经网络,得到调制识别结果。2.根据权利要求1所述的一种基于星座图KD树增强与神经网络GSENet的调制识别方法,其特征在于:所述S=8。3.根据权利要求2所述的一种基于星座图KD树增强与神经网络GSENet的调制识别方法,其特征在于:所述调制方式包括:BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM。4.根据权利要求1所述的一种基于星座图KD树增强与神经网络GSENet的调制识别方法,其特征在于:所述真实调制信号样本获取方法,包括如下步骤:按照不同调制方法依次生成调制信号;对调制信号添加不同信噪比的非高斯噪声,得到真实调制信号。5.根据权利要求4所述的一种基于星座图KD树增强与神经网络GSENet的调制识别方法,其特征在于:所述不同信噪比包括:
‑
7dB,
‑
6dB,
‑
5dB,
‑
4dB,<...
【专利技术属性】
技术研发人员:高锐,郭兰,王囝,张正华,潘俊超,陈兴隆,
申请(专利权)人:江苏科瑞恩自动化科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。