本发明属于通信信号识别领域，深度学习领域，设计了一种基于卷积神经网络的信号识别模型。
背景技术：
国家战略研究报告指出，我国是一个资源严重短缺和环境污染严重的发展中国家，未来技术的发展必须要面对资源和能耗的约束。因此超前部署、开展相关应对未来发展瓶颈的理论和技术研究已成为重大需求。复杂异构的电磁环境，为信号处理带来巨大的挑战，迫切需要发展军民融合特殊应用、公众系统与专用系统相结合的技术，以有效提高频谱利用效率、改善环境、协同共存。在通信领域，通过对通信信号的识别和分析处理，能够对接下来的信息处理与应用提供更多的信息，在军事侦察、电子对抗、无线网络安全等方面具有非常重要的意义。
通信信号的调制方式是其较为重要的一项技术特征，识别通信信号调制类型将为信号的进一步分析处理提供依据。在非协作通信中，信号调制模式识别作为信号检测和信号解调的中间步骤，是信号分析处理的关键一步。随着通信技术的日益发展，通信信号的种类越来越多样，信号环境也越来越复杂。因此找到一种高效可持续的自动信号识别技术成为研究热点。
深度学习是机器学习研究的一个新的领域，它模仿人脑的机制来对数据进行解释，在语言识别和计算机识别等多个应用领域的研究中取得了突破性的进展。将深度学习与通信信号识别结合起来，使得信号检测设备能够自适应的学习和识别出接收到信号的调制模式，对提高通信信号识别效率，增加其稳定性，提高信息处理速率以及国防军事水平有着重要的作用。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性。
卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在cnn(卷积神经网络)的一个卷积层中，通常包含若干个特征平面(featuremap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(meanpooling)和最大值子采样(maxpooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
技术实现要素：
为克服现有技术的不足，本发明旨在提出高效可持续的信号识别模型，基于卷积神经网络强大的特征提取能力，利用原始实部虚部iq数据训练一个鲁棒的三层卷积神经网络模型，无需手工提取信号特征。在不同的信噪比下，有很好的识别性能。为此，本发明通过采用如下技术方案得以实现，基于卷积神经网络的调制信号识别方法，步骤如下：
(1)基于卷积神经网络强大的特征提取能力，利用原始实部虚部iq数据训练一个鲁棒的三层卷积神经网络模型，选择包括卷积核、激活函数和目标函数的合适的超参数，以得到优选的网络模型和参数更新策略；
(2)使用软件无线电平台产生调制信号数据集，产生数据集时注意数据的完备性，避免模型过拟合；
(3)构建训练数据集和测试数据集，并且随机调整数据集的顺序保证模型的鲁棒性，训练模型并且保存模型结构和参数；
(4)采集信号，加载(3)中保存的模型即能够完成信号的自动识别，基于此可构建实时的信号认知系统。
模型包含连续三个卷积层和一个全连接层，其中二维实部虚部iq信号处理成2×400的大小输入网络，三个卷积层分别包含256,128,80个卷积核，第一个卷积层卷积核的大小为2×7，第二个卷积层卷积核大小为1×5，第三个卷积层卷积核大小为1×3，最后全连接层输出6位的向量，表示调制信号6个类别。
使用软件无线电平台产生6种调制信号二进制相移键控bpsk、四进制相移键控qpsk、八进制相移键控8psk、正交幅度调制16qam、频移键控fsk、四进制频移键控4fsk作为数据集；发射信号的处理过程包含调制、成形滤波、上采样和定点化，通过射频模块发射；在接收端，采用馈线直连或者天线辐射的方式接收信号，经下变频、采样、量化后输出基带信号；每采集一帧便进行存储，改变不同的调制方式和噪声参数，便得到各种调制信号经发射接收后的数据，软件无线电接收机采样频率设为1.92mhz。
训练模型的具体步骤是，模型的每个卷积层采用修正线性单元relu(rectifiedlinear)作为激活函数，采用多分类激活函数softmax作为最后一层的激活函数，模型的目标函数为交叉熵函数，表达式如下：
h(p,q)＝∑xp(x)logq(x)(1)
其中，p表示真实标记的分布，q则为训练后的模型的预测标记分布，p(x)为分布p的熵，q(x)为预测分布q的熵，交叉熵损失函数h(p,q)可以衡量p与q的相似性。
采用dropout技术防止过拟合，在每层后面加上dropout层，设置dropout为0.5，采用前向传播和反向传播技术来训练模型，更新权重，采用随机梯度下降sgd方法--adam(adaptivemomentestimation)，采用批训练的方式，批大小为256，模型在gpu上训练30个周期。
本发明的特点及有益效果是：
本发明的深度学习模型可以很好地解决通信信号识别问题，并且在不同的信噪比下都有很高的识别精度。图2展示了模型的训练过程，可以看到，模型在5个epoch内迅速收敛，在15个epoch后模型已趋于稳定。
为了探究不同样本数据长度对识别性能的影响，本实验产生了不同样本长度(200,400,800)3个数据集，用同样的模型和实验条件下，分别进行训练。结果如图3所示，可以看到在低信噪比的情况下，样本长度会对识别性能产生影响。其中样本长度为800的情况下，识别性能最好。但是在高信噪比时，样本长度对识别性能的影响不大。总体来看，信噪比大于-4db时，模型可以达到90％以上的识别准确率。
图4和图5展示了在-9db和10db信噪比条件下不同调制信号的识别准确率。在-9db的条件下，可以看到2fsk和4fsk会有一些混淆，8psk和qpsk会有轻微的混淆，但总体还是准确预测。在10db的条件下，可以看到非常清晰的对角线，识别性能较好。
附图说明：
图1深度学习模型。
图2模型训练loss(损失函数)。
图3不同样本长度的性能比较。
图4不同调制信号的识别性能(snr＝-9db)。
图5不同调制信号的识别性能(snr＝10db)。
具体实施方式
本发明设计了基于卷积神经网络的信号识别模型，在调制信号识别上达到了很好的效果。
本发明设计的高效可持续的信号识别模型，基于卷积神经网络强大的特征提取能力，利用原始iq数据训练一个鲁棒的三层卷积神经网络模型，无需手工提取信号特征。在不同的信噪比下，有很好的识别性能，其中信噪比大于-4db时，可达到90％的识别准确率。
(1)模型结构
本发明的实现模型如图1所示。
模型包含连续三个卷积层(conv)和一个全连接层(dense)，其中iq信号(二维)处理成2×400的大小输入网络。三个卷积层分别包含256,128,80个卷积核，第一个卷积层卷积核的大小为2×7，第二个卷积层卷积核大小为1×5，第三个卷积层卷积核大小为1×3，最后全连接层输出6位的向量，表示调制信号类别(6类)。
(2)数据集产生
本发明使用软件无线电平台产生了6种调制信号(bpsk,qpsk,8psk,16qam,fsk,4fsk)作为数据集。发射信号的处理过程包含调制、成形滤波、上采样和定点化，通过射频模块发射。在接收端，采用馈线直连或者天线辐射的方式接收信号，经下变频、采样、量化后输出基带信号。每采集一帧便进行存储，改变不同的调制方式和噪声参数，便可得到各种调制信号经发射接收后的数据，软件无线电接收机采样频率设为1.92mhz。
存储过程中，每个样本分别包含i路和q路各n个采样点，前期训练模型需要给每个样本添加标签，比如bpsk,qpsk等，采用python的字典存储结构，字典键对应标签(bpsk等)，字典的值对应m个样本。为了提高模型可靠性，每个样本加入不同的随机噪声。数据集包含信噪比从-9db到10db的6种调制信号数据，一共86400个样本，每个样本存储形式为2×400的iq数据。将43200个样本随机打乱作为训练集，余下的43200个样本随机打乱作为测试集。
(3)模型训练
模型的每个卷积层采用rectifiedlinear(relu)作为激活函数，相较于sigmoid和tanh函数，relu对于sgd的收敛有巨大的加速作用。这可能是由它的线性、非饱和的特性导致的。relu只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的(指数)运算。采用softmax作为最后一层的激活函数。模型的目标函数为交叉熵函数，表达式如下：
h(p,q)＝∑xp(x)logq(x)(1)
为了避免过拟合，本模型采用dropout技术防止过拟合，在每层后面加上dropout层，设置dropout为0.5。采用前向传播和反向传播技术来训练模型，更新权重。本发明采用了优化的随机梯度下降(sgd)方法--adam(adaptivemomentestimation)。sgd需要人为调整很多参数，比如学习率，收敛准则等。另外，它是序列的方法，不利于gpu并行或分布式处理。而adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。采用批训练的方式，batchsize为256，模型在gtx1080的gpu上训练30个epoch。
本发明的总体步骤如下：
(1)基于卷积神经网络强大的特征提取能力，利用原始iq数据训练一个鲁棒的三层卷积神经网络模型，无需手工提取信号特征。其中需要选择合适的超参数(如卷积核，激活函数，目标函数等)以得到最优的网络模型和最优的参数更新策略。
(2)使用软件无线电平台产生6种调制信号数据集(bpsk,qpsk,8psk,16qam,fsk,4fsk)。产生数据集时注意数据的完备性，避免模型过拟合。
(3)构建训练数据集和测试数据集，并且随机调整数据集的顺序保证模型的鲁棒性。训练模型并且保存模型结构和参数。
(4)采集信号，加载(3)中保存的模型即可完成信号的自动识别，基于此可构建实时的信号认知系统。