基于深度学习的智能通信方法与流程

本发明属于波形识别领域，深度学习领域，设计了一种基于深度学习和认知环模型的智能通信系统。

背景技术：

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。

基于认知环的智能通信系统是一种可演示智能化网络体系及应用的高性能综合平台。智能宽带无线通信平台为采用软件无线电技术的宽带信号收发信机，具有感知周围通信环境的能力，通过对周围电磁环境的变化进行感知和学习，自适应调整内部通信机理，灵活切换通信频段、信号体制。基于认知环模型的智能通信模块的主要目标为：设计“学习-感知-决策-响应”的认知环模型，用于研究知识辅助的波形学习与感知、环境频率与波形识别、多域协同波形优化、宽带自主自适应重构控制等。

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。

无线电系统，特别是移动通信系统的领域的扩大和技术复杂度的不断提高，投入的成本越来越大，硬件系统也越来越庞大。为了克服技术复杂度带来的问题和满足应用多样性的需求，特别是军事通信对宽带技术的需求，提出在通用硬件基础上利用不同软件编程的方法。20世纪80年代初开始的软件无线电的革命，将把无线电的功能和业务从硬件的束缚中解放出来。软件无线电技术是，以现代通信理论为基础，以数字信号处理为核心，以微电子技术为支撑，以一个通用、标准、模块化的硬件平台为依托，通过软件编程来实现无线电台的各种功能。从基于硬件、面向用途的电台设计方法中解放出来。可以说未来采用软件无线电技术的软件无线电台在通信系统中的作用完全可以同通用pc(个人电脑)在计算机领域所起的作用相提并论。

常见的调制识别的基本方法有两种：第一种是基于特征提取的模式识别方法，第二种是基于数据的深度学习方法。本项目的关键问题是自动分类器的设计。本项目采用基于数据的深度学习方法。深度学习与传统机器学习最大的区别就在于其“深度”。所谓“深”，就是在学习过程中，它可以将难以理解的复杂概念进行分解，放入多个“层次”中，这样一来，每个单独的“层次”中的概念就相对简单很多，学习起来也更加容易。这种层次化的方式会导致那些分解得到的简单概念之间是一种建立在彼此之上的关系，这种层次堆叠的关系图，就是“深”的图。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。卷积神经网络具有权值共享、局部连接和尺度不变性。本发明利用卷积神经网络的识别模型，基于软件无线电平台设计了智能通信系统。

技术实现要素：

为克服现有技术的不足，本发明旨在基于认知环模型的智能通信模块能够通过“学习-感知-决策-响应”认知环模型进行通信信号的自主波形感知和波形识别。基于卷积神经网络强大的特征提取能力，利用原始iq(同相和正交分量)调制数据训练一个鲁棒的卷积神经网络模型，将模型集成到软件无线电上位机中，实现实时识别系统。为此，本发明采取的技术方案是，基于深度学习的智能通信方法，预先产生各种含随机噪声的调制信号样本，搭建深度学习的框架进行训练，将训练后的模型及参数保存下来形成所需的自动分类器，将训练的模型集成到接收端软件无线电计算机，然后对识别出的调制方式用相应的方式进行解调。

所述模型包含连续两个卷积层conv和一个全连接层，其中二维同相和正交分量iq信号处理成2×800的大小输入模型，两个卷积层分别包含256,128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，最后全连接层输出6位的向量，表示6类调制信号类别。

模型的每个卷积层采用relu(rectifiedlinear)作为激活函数，采用softmax作为最后一层的激活函数，模型采用dropout技术防止过拟合，在每层后面加上dropout层，基于随机梯度下降来优化模型参数。采用批训练的方式，batchsize为256，模型训练30个周期epoch。

具体地：

利用原始iq数据训练一个鲁棒的两层卷积神经网络模型，其中需要选择合适的包括卷积核、激活函数、目标函数的超参数；

使用软件无线电平台产生6种调制信号数据集：二相相移键控bpsk、正交相移键控qpsk(quadraturephaseshiftkeying)、8移相键控8psk(8phaseshiftkeying)、正交幅度调制16qam(quadratureamplitudemodulation)、频移键控fsk(frequencyshiftkeying)、四进制频移键控4fsk；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。

本发明的特点及有益效果是：

本发明设计了一套基于软件无线电平台的智能认知系统，硬件环境配置如图2所示。发送端和接收端通过天线发送和接收信号。pc端完成模型预训练、处理接收信号，识别信号以及显示等功能。

基于软件无线电平台，能够对70mhz-5ghz的通信信号进行频率感知和识别。能够通过“学习-感知-决策-响应”认知环模型进行调制信号的自主波形感知和波形识别。利用sdr(软件无线电)平台采集并保存了2fsk，4fsk,16qam,8psk,qpsk,bpsk等6种数字调制信号，构成了智能认知系统的波形库。图4展示了卷积神经网络识别模型在波形库上的识别效果。总体可达95％的实时识别准确率。

附图说明：

图1系统架构。

图2智能通信系统实物图。

图3识别模型。

图4不同调制信号的识别性能(snr(信噪比)＝10db)。

具体实施方式

本发明技术方案如下。

(1)系统架构

本发明的系统架构如图1所示。系统实物图如图2所示。

针对调制方式识别问题，需要预先产生各种调制信号(含随机噪声)的样本，搭建深度学习的框架进行训练，将训练后的模型及参数保存下来便是我们所需的自动分类器。将训练的模型集成到接收端软件无线电的上位机，然后对识别出的调制方式用相应的方式进行解调。

(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，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，每个样本存储形式为2×800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)模型设计和训练

模型包含连续两个卷积层(conv)和一个全连接层，如图3所示，其中iq信号(二维)处理成2×800的大小输入网络。两个卷积层分别包含256,128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，最后全连接层输出6位的向量，表示调制信号类别(6类)。

模型的每个卷积层采用rectifiedlinear(relu)作为激活函数，采用softmax作为最后一层的激活函数。为了避免过拟合，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。基于随机梯度下降来优化模型参数。采用批训练的方式，batchsize为256，模型在gtx1080的gpu上训练30个epoch(周期)。

(1)针对调制方式识别问题，预先产生各种调制信号(含随机噪声)的样本，搭建深度学习的框架进行训练，将训练后的模型及参数保存下来。将训练的模型集成到接收端软件无线电的上位机，然后对识别出的调制方式用相应的方式进行解调。

(2)利用原始iq数据训练一个鲁棒的两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。

(3)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。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。

(4)发送端软件无线电发射数据，接收端接收信号并实时识别。