本发明涉及一种基于卷积神经网络的调制方式识别方法，属于图像识别领域，可用于射频信号调制方式识别。
背景技术：
深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习的概念是由hinton等人于2006年提出的。深度学习的概念源于深度神经网络，含有多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高出特征，以发现数据的分布式特征表示。卷积神经网络是近几年发展起来的高效识别方法。20世纪60年代，hubel和wiese在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。卷积神经网络包括两层，其一为特征提取层，其二为特征映射层。通过第一层实现输入图像的特征提取，通过第二层使结构非线性。
传统的射频信号调制方式自动识别方法主要有统计模式识别方法和判决理论识别方法。识别方法主要由信号预处理、特征提取和类型识别三部分组成，传统自动识别方法准确率较低、运算量大、识别困难。深度学习卷积神经网络具有特征提取功能。自然将卷积神经网络和信号调制方式识别联系起来。在数字通信领域，经常将数字信号在复平面上表示，以直观的表示信号以及信号之间的关系。把信号矢量端点的分布图称为星座图。星座图对于判断调制方式有很直观的效用。射频信号存储的数据为i/q两路时域幅值数据，将i/q两路数据以i路（同相）数据为横轴，q路（正交）数据为纵轴，生成对应的信号星座图。将射频信号星座图图片送入卷积神经网络中，可得到射频信号的调制方式，对识别射频信号调制方式有着重要意义。
技术实现要素：
本发明提出了一种基于卷积神经网络的调制方式识别方法，该方法旨在使用少量射频信号星座图图片构造卷积神经网络模型，实现射频信号调制方式的高准确率地分类识别。
本发明所采用的技术方案如下：
基于卷积神经网络的调制方式识别方法，其具体步骤如下：
步骤1：射频信号数据的生成或采集；
步骤2：射频信号数据按照调制方式分类和整理；
步骤3：将采集的i/q两路射频信号数据，以i路（同相）为横轴，q路（正交）为纵轴，生成对应的信号星座图；
步骤4：将少量射频信号星座图图片输入到卷积神经网络进行模型构建，模型分类输出的是信号的调制方式；
步骤5：将少量射频信号星座图验证图片输入到训练模型中，验证模型的分类准确度；
步骤6：将测试图片输入到卷积神经网络进行分类识别；
有益效果：本发明使用卷积神经网络对射频信号星座图图片进行特征提取和分类，实现快速高精确度的图像分类。本发明具有构建模型数据量少且精确度高的特点，适合运用于精准的射频信号调制方式识别，对电子对抗有着重要意义。
附图说明
图1是本发明系统原理图
图2是本发明射频信号数据生成模块图
图3是本发明iq路信号和星座图关系说明图
图4是本发明射频信号星座图
图5是本发明卷积神经网络原理图
图6是本发明对射频信号星座图的训练表现图
图7是本发明调制方式识别效果图。
具体实施方式
下面结合具体实施方式对本发明做进一步的详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明：
1.射频信号数据的生成
利用软件无线电软件gnuradio仿真现实生活中各种调制信号，像am-dsb、cpfsk、qam64等。仿真系统包括原始数据模块、发射调制模块、信道仿真模块、数据采集存储模块。原始数据模块针对模拟调制和数字调制分别选择模拟信号源或者数字信号源，模拟信号选择.mp3格式的音频文件，数字信号选择文本文件作为信号源。发射调制模块共有11种不同的调制方式，模拟调制有wbfm、am-dsb、am-ssb三种方式，数字调制有bpsk、qpsk、8psk、pam4、qam16、qam64、gfsk、cpfsk8种调制方式。数据采集存储模块利用gnuradio中dynamicchannelmodel模块，通过设置采样频率偏移、中心频率偏移、选择衰退模型、加性高斯白噪声等参数，模拟现实中的实际信道传输。数据采集存储模块对输出流时域信号进行i/q两路128序列采样。以2×128的形式存储每次采样数据。存储对应时刻序列采样信号的信噪比（snr）和调制方式（mod）。最终所有数据打包以.dat格式文件存储。
2.射频信号数据的分类和整理
实验产生的数据总共有11种调制方式（3种模拟调制和8种数字调制），信噪比覆盖范围从-20db~+18db。共有i/q两路2×128射频信号数据220000条。按照信噪比进行分类，-20、-18、-16……+16、+18共20类，每类分别包含11种调制方式，在同一信噪比下，每同调制方式包含1000个数据。给每条数据打上snr和调制方式标签（后面有监督训练的需要）。
3.生成信号星座图
射频信号可以分解成一组相对独立的分量，即同相（i）和正交（q）分量，这两个分量是正交的，且互不相干。以i路（同相）为横轴，q路（正交）为纵轴建立一个直角坐标系，将i/q两路射频信号数据映射到i、q平面上，采集的每个数据变为i、q平面上的128个点，这些点称作星座、这样的图称作星座图。在每个snr下，分别按照调制方式生成对应信号星座图。
4.模型构建
选取am-dsb、am-ssb、cpfsk、gfsk、pam4、qam64共6种调制方式信号，-20db、-18db、-16db……+16db、+18db共20个信噪比snr情况下。在某一信噪比snr下，共有2700张训练图片和2700张验证图片，每种调制方式各有450张训练图片、450张验证图片，每张图片大小为150×120个像素。使用lenet神经网络，模型由3个卷积层、3个池化层、1个扁平层和1个输出层构成，优化器选择adam，损失函数选择categorical_crossentropy函数。最后输出层选择softmax分类激活函数，其它层选择relu激活函数。最后输出层有六个结点，分别对应6种调制方式。
5.模型验证
在某一信噪比下，用600种射频信号星座图图片，每种调制方式各100张，测试模型分类准确率。再用-20db~+18db范围内的不同信噪比下信号星座图图片，测试模型分类准确率。记录测试所花费的时间。比较分析验证模型的可行性。
6.模型分类
将待识别的信号星座图输入模型中，准确识别信号的调制方式，输出每张图片所属调制方式类型，
本发明方法通过对20个snr下，每snr下6种调制方式共600张星座图片进行验证，在高snr下，分类精确度高。其中，识别星座图图片个数和调制方式的种类可以任意添加。
附图详细说明
图1为系统原理图，它简要说明了整个工作流程。包括射频信号的生成或采集、射频信号数据的分类和整理、根据射频信号数据生成相应的星座图、深度学习框架模型训练星座图图片数据、按照调制方式分类识别。深度学习框架模型即自己搭建的卷积神经网络模型。
图2为射频信号数据生成模块说明图，它由原始数据模块、发射调制模块、信道仿真模块、数据采集收集模块4部分组成。原始数据模块由模拟信号源和数字信号源两种；发射调制模块有3种模拟调制和8种数字调制；信道仿真模块包含采样频率偏移、中心频率偏移、选择衰退模型、加性高斯白噪声4个模块组成。
图3为iq两路信号和射频信号幅度相位关系说明图。从图中可以看出：
图4为相同信噪比snr下，不同调制方式射频信号的星座图不同。图中所示的四个子图是snr等于2db时cpfsk、pam4、qam64、gfsk四种调制方式的射频信号星座图。从图中可以看出不同调制方式的射频信号星座图形状特征不同。
图5为搭建的卷积神经网络（cnn）结构模型。该模型包括3个卷积层、3个池化层、全连接层、输出层等。模型网络输入层是150×120大小的星座图图片，卷积核大小为3×3，最大池化核大小为2×2。最后输出6个结点，对应6种不同调制方式。
图6为snr等于6db时，模型训练表现图。图中横轴为训练epoch时期，纵轴为损失值或者错误。一个epoch时期表示训练集所有训练图片完成一次训练，损失值表示真实标签值和实际模型输出的偏差。训练过程就是将不断调整模型参数的过程，使得损失值不断减小，同时注意防止过拟合现象出现。从图中可以看出随着epoch的增加，模型训练准确率、验证准确率逐渐提高，损失值逐渐减小。
图7为调制方式识别效果图。横轴为信噪比snr，纵轴为分类识别准确率。snr覆盖-20db~+18db范围，在整个snr覆盖范围来看，随着snr的提高，调制方式识别准确率逐渐提高。信噪比snr在-8db以下时，识别准确率低，无效果。snr在-6db时，识别准确率达到70%以上。snr在0db时，识别准确率达到90%以上。snr为0db以上时，识别准确率较高，当snr为14db以上时，分类识别准确率趋近于100%。