0129] 其中是1层第j个节点的输出，林書是连接第1层第j个节点和第1-1层第i个节点 的权重，6^是第1层第j个节点的偏置。BPNN分类器的训练算法如下
[0130] 输入:训练样本{爲.{1)，:焉錢，·，·，《.作)}'和训练目标{di，d2dN}，其中di是Μ维向 量，裝巧属于第k类样本，则di的第k维元素为1，其余为0。网络层数L，每层的节点数〇1，更新 速率ζ，迭代次数T。
[0131 ]初始化:随机初始化权重W和偏移b。
[0132] i从巧I"做
[01削获得一个新的数据和训练目标如)爲如.），.d = dn，其中n = i mod N。
[0134] 计算网络的输出vL。
[0135] 对每一个输出层的节点，计算
[0142] 结束
[0143] 步骤二:接收一段需要进行识别的信号'=^(1)^(2)，一^化）^，并使它的能量 归一化f奶一賊/V^，其中轉一? Jr(旬P/於。信道未知时，接收信号可W表示为
[0144]
[0145] 其中θ〇是相位偏移，ω ο是频率偏移。
[0146] 步骤Ξ:估计信号的相位偏移θ〇和频率偏移φο,并消除运两个偏移的影响。相位偏 移可W通过
[0153] 估计，其中Ρ=Κ/3时估计性能最好。在估计出I日和知之后，可W通过乘W e.. j碱+給:,） 消除运两者的影响。
[0154] 步骤四：对接收到的信号取幅值巧巧b和相位a:::: /戶，分别进行排序，得到它们 的顺序统计量巧二娇i.}，巧(巧，…，带的F和《一威如沒㈱，>聲的!'。
[01W] 步骤五：取运两组顺序统计量的部分元素，得到压缩顺序统计量 承-隙，;.如新。从'.、，？;沁;']?和成.?拚权!)； Sf,。;)，…，妨私 匀分布在（1，Κ)范围内。
[0156] 步骤六:利用ΒΡΝΝ分类运两组压缩顺序统计量，W区分QAM信号和不同的PSK信号。
[0157] 步骤屯:对被分成QAM类型的信号取实部a ::::巧巧和虚部曼3(巧，分别进行排 序，得到它们的顺序统计量去==!%)，惠錢?…？棄從)F和致叫穷(皆歲巧，，巧巧.P。
[0158] 步骤八：取运两组顺序统计量的部分元素，得到压缩顺序统计量 '出r心克{打山劳(坊处惠户wi!和资了 .=妓咕)，如'巧痴;。
[0159] 步骤九:利用BPNN分类运两组压缩顺序统计量，W区分不同的QAM信号。
[0160] 图6示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别系统的结 构示意图。如图6所示，该系统包括：
[0161] 第一顺序统计量获取单元61，用于获取待识别信号的幅值和相位，分别对各个待 识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；
[0162] 第一分类单元62,用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统 计量对待识别信号进行调制类型的分类，W区分QAM信号和不同的PSK信号；
[0163] 第二顺序统计量获取单元63,用于获取待识别的QAM信号的实部和虚部，分别对各 个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和 待识别QAM信号的虚部的顺序统计量；
[0164] 第二分类单元64,利用机器学习模型根据待识别的QAM信号的实部的顺序统计量 和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，W区分不 同的QAM信号。
[0165] 进一步地，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。
[0166] 本实施例所述的基于顺序统计量和机器学习的调制识别系统可W用于执行上述 方法实施例，其原理和技术效果类似，此处不再寶述。
[0167] 本发明提供的基于顺序统计量和机器学习的调制识别方法及系统，用于区分PSK 和QAM两种调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低 的情况下保持良好的信号分类性能。
[0168] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可W在不脱离本发 明的精神和范围的情况下做出各种修改和变型，运样的修改和变型均落入由所附权利要求 所限定的范围之内。
【主权项】
1. 一种基于顺序统计量和机器学习的调制识别方法，其特征在于，包括： 获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取 幅值的顺序统计量和相位的顺序统计量； 利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调 制类型的分类，以区分QAM信号和不同的PSK信号； 获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行 排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量； 利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚 部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。2. 根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在 所述获取待识别信号的幅值和相位之前，还包括： 利用已知调制类型的信号的顺序统计量训练所述机器学习模型。3. 根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所 述机器学习模型为线性支持向量机模型。4. 根据权利要求3所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在 所述获取待识别信号的幅值和相位之前，还包括： 获取待识别信号的信道信息。5. 根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所 述机器学习模型为反向传播神经网络模型。6. 根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在 所述获取待识别信号的幅值和相位之前，还包括： 对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏 移。7. 根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在 所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调 制类型的分类之前，还包括： 分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压缩顺 序统计量和相位的压缩顺序统计量； 相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别 信号进行调制类型的分类包括： 利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对 待识别信号进行调制类型的分类。8. 根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在 所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚 部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括： 分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序 统计量的部分兀素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统 计量； 相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别 QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括： 利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的顺序 统计量对待识别的QAM信号进行调制类型的分类。9. 一种基于顺序统计量和机器学习模型的调制识别系统，其特征在于，包括： 第一顺序统计量获取单元，用于获取待识别信号的幅值和相位，分别对各个待识别信 号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量； 第一分类单元，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对 待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号； 第二顺序统计量获取单元，用于获取待识别的QAM信号的实部和虚部，分别对各个待识 别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别 QAM信号的虚部的顺序统计量； 第二分类单元，利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识 另IJQAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的 QAM信号。10. 根据权利要求9所述的基于顺序统计量和机器学习模型的调制识别系统，其特征在 于，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。
【专利摘要】本发明涉及一种基于顺序统计量和机器学习的调制识别方法及系统。该方法包括：获取待识别信号的幅值和相位，获取幅值的顺序统计量和相位的顺序统计量；利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；获取待识别的QAM信号的实部和虚部，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。本发明在计算复杂度较低的情况下保持良好的信号分类性能。
【IPC分类】H04L27/00
【公开号】CN105656826
【申请号】
【发明人】高飞飞, 韩露冰, 李赞
【申请人】清华大学, 西安电子科技大学
【公开日】2016年6月8日
【申请日】2016年3月18日