本发明属于通信技术领域，更进一步涉及无线通信技术领域中基于深度学习的无线通信调制信号识别方法。本发明主要用于在无线通信中，通过深度卷积神经网络识别无线通信调制信号的调制方法。
背景技术：
无线通信调制信号的识别主要是针对无线通信信号的调制方法进行识别，典型无线通信信号的调制方法有幅度调制mask、相位调制mpsk、频率调制mfsk和正交幅度调制mqam等。作为信号检测、软件无线电等技术的中间步骤，调制信号的识别技术在无线通信领域得到越来越多的应用，尤其在国防事业中的应用显得尤为重要。目前，调制信号的识别技术主要还是采用传统的模式识别方法对调制信号进行识别。利用模式识别方法对调制信号进行识别主要包括两个关键点：一是特征的选择与提取；二是模式识别分类器的设计。然而传统的模式识别方法对于调制信号特征的选择和提取提出了非常高的要求，并且识别效果非常依赖于特征的选择和提取，所选择的特征必须能对同类信号保持很好的一致性，对不同信号表现出巨大的差异性才能很好地用于分类识别，在实际应用中通常很难找到对于所有调制方法都能很好分类的特征。
中国科学院信息工程研究所在其申请的专利文献“一种基于包络平方谱分析的调制识别方法及装置”(申请日：2016.6.16，申请号201610431110.2，公告号cn106059969a)中公开了一种基于包络平方谱分析的调制识别方法。该方法的步骤包括：将接收到的待识别信号进行过采样、归一化和零均值化，以获得预处理信号；获取所述预处理信号的包络平方谱以及识别特征；比较所述识别特征与判决门限，以识别出所述待识别信号的调制方法。该方法存在的不足之处是，利用判决门限来识别无线通信调制信号在信噪比较低的情况下识别效果很差，并且该方法的识别正确率严重依赖于无线通信调制信号特征的提取，该方法中包络平方谱特征提取的好坏直接影响调制信号的识别正确率，导致此方法的在实际应用中效果不好。
清华大学在其申请的专利文献“基于顺序统计量和机器学习的调制识别方法及系统”(申请日：2016.3.18，申请号201610157219.1，公告号cn105656826a)中公开了一种基于顺序统计量和机器学习的调制信号识别方法。该方法的步骤包括：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识别，以区分正交幅度调制mqam信号和相位调制mpsk信号；获取待识别的正交幅度调制mqam信号的实部和虚部，获取待识别的正交幅度调制mqam信号的实部的顺序统计量和待识别正交幅度调制mqam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正交幅度调制mqam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正交幅度调制mqam信号进行调制类型的分类，以区分不同的正交幅度调制mqam信号。该方法存在的不足之处是，该方法的识别正确率严重依赖于无线通信调制信号特征的提取，提取顺序统计量作为特征能识别的调制信号种类仅限于少数几种调制信号，导致该方法应用场景相对较小，并且使用顺序统计量来识别的方法当信噪比比较小时识别效果比较差。
技术实现要素：
本发明的目的在于克服上述现有技术的不足，提出一种基于深度学习的无线通信调制信号识别方法，从而消除识别正确率对于调制信号特征提取的依赖，并且在能低信噪比的情况下提高识别正确率。
为了实现上述目的，本发明方法的思路是：首先捕获无线通信调制信号，对调制信号进行采样；根据采样所得信号序列制作调制信号的二维直方图；构建并训练深度卷积神经网络；对无线通信调制信号的二维直方图进行分类从而达到对调制信号进行识别的效果。
本发明方法的具体步骤如下：
(1)实时捕获无线通信调制信号；
(2)采样：
(2a)任选一个除所捕获的无线通信调制信号周期长度之外的周期长度作为采样周期；
(2b)在每个采样周期中，从无线通信调制信号中采两个相邻的采样点；
(2c)将所有采样周期获得的采样点组成一个采样序列；
(3)制作二维直方图：
(3a)对采样序列中的值进行归一化处理；
(3b)从归一化后采样序列中找出最小值和最大值，利用分组操作方法，将最小值和最大值组成的区间均分为100组；
(3c)将归一化后采样序列中的所有值，按照值的大小，依次划分到对应的分组中，分别统计各个分组中包含采样序列值的个数；
(3d)根据各个分组的统计结果制作二维直方图；
(4)构建深度卷积神经网络：
(4a)将二维直方图作为深度卷积神经网络的输入；
(4b)对二维直方图进行卷积操作，通过池化操作对卷积的结果进行降采样；
(4c)将一个长度为1024的向量作为全连接层，输入降采样结果，使用前向传播方法，计算全连阶层的输出；
(5)训练深度卷积神经网络：
将二维直方图输入到深度卷积神经网络，使用反向传播算法，训练深度卷积神经网络；
(6)识别无线通信调制信号：
(6a)将待识别无线通信调制信号的二维直方图，输入到训练好的深度卷积神经网络中；
(6b)使用前向传播算法，计算深度卷积神经网络的输出向量；
(6c)输出深度卷积神经网络输出向量中最大分量。
本发明与现有技术相比具有以下优点：
第一，由于本发明中制作二维直方图作为无线调制信号的识别特征，克服了现有技术中识别正确率严重依赖无线通信调制信号特征提取的不足，使得本发明的识别正确率不依赖于无线通信调制信号特征的提取，增加了识别方法的通用性。
第二，由于本发明构建深度卷积神经网络对无线通信调制信号进行识别，深度卷积神经网络强大的表征学习能力和逐层的学习策略能够自动的学习到更高层次的特征，克服了现有方法在信噪比较低的情况下识别效果很差的不足，使本发明可以在信噪比很低的情况下获得很高的识别正确率。
附图说明
图1为本发明的流程图；
图2为本发明采样步骤中的采样结构示意图；
具体实施方式
下面结合附图对本发明作进一步的描述。
参照附图1，对本发明的具体步骤作进一步的描述。
步骤1，实时捕获无线通信调制信号。
本发明中所捕获的无线通信调制信号包括幅度调制mask、相位调制mpsk、频率调制mfsk和正交幅度调制mqam四类典型的无线通信信号。每类调制类型选取两种调试方法，分别为二进制振幅键控2ask、四进制振幅键控4ask、二进制相移键控bpsk、二进制相移键控qpsk、二进制频移键控2fsk、四进制频移键控4fsk、十六进制正交振幅调制16qam、六十四进制正交振幅调制64qam这八种常见的调制信号。捕获上述类型的无线通信调制信号作为待识别调制信号。
步骤2，采样。
下面结合附图2对采样的过程作进一步的描述。图2中的横坐标t表示时间轴，纵坐标y无线通信调制表示信号的幅度，t表示无线通信调制信号的载波周期，s表示采样周期，δt表示每个采样周期中两个相邻采样点之间的时间间隔，p1和q1表示第一个采样周期中的两个相邻采样点，p2和q2表示第一个采样周期中的两个相邻采样点。
任选一个与所捕获的无线通信调制信号周期不相关的量作为采样周期。在每个采样周期中，从无线通信调制信号中采两个相邻的采样点p和q；两个相邻采样点p和q之间的时间间隔δt应该小于采样周期。
将所有采样周期获得的采样点组成一个采样序列。在本发明中，对上述8种调制信号分别进行采样得到8种不同采样序列，所有采样序列的长度均为20000。
步骤3，制作二维直方图。
对采样序列中的值进行归一化处理。归一化操作能抑制噪声干扰和信道的时变性对识别正确率的影响。
从归一化后采样序列中找出最小值和最大值，将最小值和最大值组成的区间均分为100组，将采样过程中两次相邻采样的值与二维空间的两个维度相对应，在两个维度上对区间进行均匀分组，形成二维直方图的分组，二维直方图在各个维度上分组组距均为0.01。
将采样序列中的所有值按照值的大小划分到各个分组中，分别统计各个分组中包含采样序列值的个数。
根据各个分组的统计结果绘制二维直方图。
步骤4，构建深度卷积神经网络。
下面对深度卷积神经网络的网络结构作进一步的描述，深度卷积神经网络包含五层。网络结构的第一层为输入层；网络结构的第二层为第一卷积层；网络结构的第三层为第二卷积层；网络结构的第四层为第三卷积层；网络结构的第五层为全连阶层；网络结构的最后一层输出层。
深度卷积神经网络的输入为调制信号的二维直方图，输入层后面跟随三个卷积层，卷积层后面跟随一个全连接层，全连阶层后面跟随输出层。所有卷积层的激活函数均选为线性整流函数，每个卷积层都包含卷积操作和池化操作；全连阶层将卷积神将网络的特征图转化为热独编码向量形式的输出。
输入调制信号的二维直方图，卷积层对二维直方图进行卷积操作，卷积的计算过程可以描述为下式：
其中，hi表示卷积神经网络的第i个卷积层的特征图，wi表示第i个卷积层卷积核的权重矩阵，
f(x)＝max(0,x)
其中，max(·)表示求最大值的操作。
在深度卷积神经网络的结构中，第一个卷积层卷积核的个数为32，卷积核的尺寸为5×5，卷积步长为2；后面两个卷积层卷积核的个数均为64，卷积核的尺寸均为5×5，卷积步长均为1。
每个卷积操作后面一层均跟随池化层，本发明中所有池化层均采用最大池化操作，所有池化层过滤器的尺寸均为2×2，池化操作的步均长为2。经过三个卷积层和池化层的交替传递，最后深度卷积神经网络依靠全连接网络对卷积层提取的特征进行分类，全连接层中包含有1024个神经元节点；深度卷积神经网络的输出层采用独热编码向量表示，编码向量的各个分量分别对应无线通信信号的不同的调制方式，本发明中输出层有8个神经元节点，分别对应8种不同的无线通信调制信号类型。
通常，我们希望对实际的编码输出得到一个0到1之间的概率形式输出，因此使用指数归一化函数对网络的输出进行指数归一化，得到需要的概率输出的形式，指数归一化函数计算表达式如下所示：
其中，j为自然数，yj为输出层第j个输出节点的输出，softmax(yj)表示输出层第j个输出节点的概率形式输出，其意义为将待识别调制信号识别为第j种调制信号的概率，exp(·)表示以自然数e为底的指数函数，∑表示求和操作。
为了降低深度卷积神经网络的泛化误差，提高测试集上的识别准确率，本发明中在卷积神经网络的代价中额外添加了一个正则化项：l2参数范数惩罚，l2范数的计算如下公式所示：
其中，l2表示正则化项，w为神经网络的权重参数，||·||2表示求矩阵的二范数操作，加入l2范数惩罚会修改学习规则，使权重更加接近原点。
步骤5，训练深度卷积神经网络。
标定多种无线通信调制信号的类型，将调制信号的集合所有调制信号的顺序任意打乱，将调制信号的样本随机分为训练集和测试集。
在开始训练卷积神经网络之前，将神经网络所有的权重参数随机初始化为一个接近0的数，随机初始化参数的分布服从均值为0方差为0.1的正态分布，所有的偏置量初始化为0。
将训练样本数据随机分为若干个较小的批，本发明的试验中我们选取的批的大小为64；每次迭代训练中输入一批二维直方图，根据深度卷积神经网络的模型前向传播计算卷积神经网络的输出。
按照下式，计算深度卷积神经网络的代价：
其中，l表示深度卷积神经网络输出向量的代价值，∑表示求和操作，ym表示无线通信调制信号的类别编码向量的第，log(·)表示求自然对数操作，gm(θ)表示第m种无线通信调制信号的条件概率，m在[1,8]区间取正整数，θ表示条件概率的参数。
根据深度卷积神经网络的代价，采用小批量随机梯度下降算法minibatchsgd，优化深度卷积神经网络的代价函数，通过反向传播算法逐层更新深度卷积神经网络的模型参数。训练卷积神经网络使之收敛，持久化深度卷积神经网络的网络模型和参数。
为了提高卷积神经网络的泛化能力，防止样本数量较少时发生过拟合，在训练过程中对卷积神经网络的全连接层添加随机的dropout，dropout是指在深度神经网络的训练过程中，对于神经网络中的某些单元，在每次迭代过程中按照一定的概率将某些神经元暂时从网络中丢弃，被丢弃的那些节点可以暂时认为不是网络结构的一部分，但是它的权重需要保留下来。
步骤6，识别无线通信调制信号。
将待识别无线通信调制信号的二维直方图，输入到训练好的深度卷积神经网络中。将二维直方图作为深度卷积神经网络的第一个卷积层的输入。
使用前向传播算法，计算深度卷积神经网络的输出向量。
输出深度卷积神经网络输出向量中最大分量。深度卷积神经网络输出向量中的各个分量和无线通信调制信号的调制方式相对应，输出向量中最大分量对应的调制方式即为待识别无线通信调制信号的调制方式。
下面结合仿真实验对本发明的效果作进一步的描述。
1.仿真条件：
本发明的仿真实验中，无线通信调制信号的载波周期取为10-6秒，采样周期取为2.11×10-6秒，每个采样周期中两个相邻采样点之间的时间间隔取为1.43×10-7秒，无线通信调制信号的信噪比snr为5db。
2.仿真内容：
在本发明的仿真试验中，标定多种无线通信调制信号的类型；将调制信号的集合所有调制信号的顺序任意打乱；将调制信号的样本随机分为训练集和测试集。使用32000个训练样本训练深度卷积神经网络，每种调制信号使用4000个训练样本。利用随机梯度下降算法sgd训练深度卷积神经网络，当深度卷积神经的代价收敛时停止训练。本发明仅采用本发明中的仿真试验方法，使用训练好的深度卷积神经网络识别无线通信调制信号的调制方法，通过3200个测试样例来对训练好深度卷积神经网络进行测试，每种调制信号使用400个测试样例。
3.仿真结果分析：
所识别的无线通信调制信号包括：二进制振幅键控2ask、四进制振幅键控4ask、二进制相移键控bpsk、二进制相移键控qpsk、二进制频移键控2fsk、四进制频移键控4fsk、十六进制正交振幅调制16qam、六十四进制正交振幅调制64qam。在信噪比snr为5db时，对这八种无线通信调制信号的识别正确率达到100％。