基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法与流程

本发明涉及无线通信技术领域，具体的说是一种基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法。

背景技术：

在我国现有的无线电频段授权使用规则中，230mhz频段是分配给电力、水利等行业的动态共享频段，其中，223-226mhz和229-233mhz用于宽带无线专网，226-228/233-235mhz和228-229mhz用于窄带无线专网。广泛采用的调制模式有bpsk、qpsk、2fsk、4fsk、msk、am以及fm等。

在现有技术中，为了节约建网成本，提高频谱利用率，一般建议采用共网建设模式。但是，该模式存在以下缺陷：

第一，频段存在多径衰落、频率漂移和相位噪声等信道缺陷，且相邻信道的无线电信号泄漏会对无线专网造成串扰；

第二，在无线通讯行业之间缺乏沟通、协商，加之各种非法电台随机、无序占用，必然对无线专网的可靠运行造成潜在的干扰隐患，必须探寻有效的方法，准确识别干扰类型和干扰溯源，进而采取相应的应对措施。

调制识别(modulationrecognition,mr)旨在通过对无线电接收信号的分析和特征提取，识别和分类调制模式，为判断干扰类型和干扰溯源提供支持。其中，典型的调制识别算法分两类：基于似然的(likelihood-based,lb)的调制识别算法和基于特征(feature-based,fb)的调制识别算法。与lb调制识别算法相比，fb调制识别算法实现简单，复杂度较低，性能接近最优。如通过计算无线电接收信号的瞬时幅度、相位和频率的各种统计量，对调制模式进行自动识别和分类。基于无线电信号循环功率谱构造的邻接矩阵，通过提取该矩阵排序的行索引序列，自动识别调制模式。但上述特征学习方法只能在特定条件下取得较好的识别精度，而特征选择需要设计特征工程，严重依赖于经验积累，导致方法的普适性差，效果不稳定。

故在现有技术中，调制识别还存在发展空间，来克服现有技术中存在的问题。

技术实现要素：

针对上述问题，本发明提供了一种基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，利用获取的调制信号样本序列生成周期相关特征谱图，并对其进行噪声消除和串扰抑制等操作处理，然后对卷积神经网络模型执行两阶段训练，进而利用训练后的卷积神经网络模型识别和分类调制模式，实现高精度调制识别和分类。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，包括调制识别系统，该调制识别系统包括依次连接的接收信号预处理单元和卷积神经网络训练单元，在所述接收信号预处理单元设置有依次连接的第一预处理模块rm1和第二预处理模块rm2，在所述第一预处理模块rm1的数据输入端上连接有无线电信号接收装置；

其中，调制识别方法按照以下步骤进行：

s1：初始化设置；

设置无线电信号接收装置的采样率fs和样本监测时间t；

对监测频带b进行划分，得到带宽为w的c个信道，记为c＝1,2,…,c；

其中，信道数表示向下取整；

s2：所述无线电信号接收装置根据采样率fs和样本监测时间t，从c个信道中获取调制信号样本序列；

每个调制符号的样本数为ns＝fs/w；

在监测时间t内共计获得n个调制信号样本序列{y[0],y[1],…,y[n-1]}；

其中n＝ns×w×t＝fs×t；

s3：所述第一预处理模块rm1根据步骤s2得到的调制信号样本序列，进行第一预处理后，得到原始的周期相关特征数字谱图x；

s4：所述第二预处理模块rm2对所述原始的周期相关特征数字谱图x执行泛化奇异值分解操作、空间划分操作、消除噪声操作和抑制串扰操作，得到最终的周期相关特征数字谱图

s5：搭建卷积神经网络模型框架，所述卷积神经网络训练单元根据所述最终的周期相关特征数字谱图进行卷积神经网络模型的第一阶段训练，得到各个卷积层的最优权重矩阵和最优偏置向量以及softmax分类器的最优权值矩阵

其中，h为卷积神经网络模型配置的卷积层数；

s6：所述卷积神经网络训练单元进行卷积神经网络模型的第二阶段训练，获得各卷积层最终权重矩阵和最终偏置向量以及softmax分类器的最终权值矩阵并确认得到卷积神经网络模型；

s7：根据得到的卷积神经网络模型，对输入的调制信号进行调制模式的识别、分类。

采用上述方案，周期相关特征数字谱图能充分体现230mhz频段广泛采用的调制模式之间的差异，避免专门设计特征工程，有利于提高调制识别和分类准确性的同时，降低复杂度；原始周期相关特征数字谱图执行泛化奇异值分解和空间划分，能消除加性噪声并抑制来自相邻信道的串扰，增强训练和识别信号数据的真实性；对卷积神经网络采用两阶段训练，可以防止小样本训练数据集引起的过拟合，提高调制识别的泛化能力。

进一步的，在步骤s3中，所述第一预处理模块rm1的第一预处理内容为：

s31：对调制信号样本序列{y[0],y[1],…,y[n-1]}执行快速傅里叶变换：

其中，k表示频率离散变量；

s32：计算频域相关谱：

其中，α表示周期频率离散变量；

s33：根据步骤s32频域相关谱，计算周期相关谱：

其中，m表示平滑窗口大小，要求m＞＞1；k表示频率离散变量；

s34：生成周期相关特征谱图；

将步骤s33得到的周期相关谱投影到周期频率α与周期相关谱幅度构成的平面，并经归一化操作和量化操作后，构成原始的周期相关特征数字谱图x，且x∈r^a×d，即原始的周期相关特征数字谱图的像素数为a×d，a,d分别表示原始的周期相关特征数字谱图x中周期相关谱幅度和周期频率的行数和列数。

采用上述方案，第一预处理模块rm1基于无线电信号检测装置收集的调制信号样本序列生成周期相关特征谱图，实现信号第一步预处理。

再进一步的，步骤s4的具体操作内容为：

s41：计算参数μ＝1/||x||2，||x||2表示求原始的周期相关特征数字谱图x的2范数，设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵e＝0；过程矩阵λ＝0；

s42：设构造矩阵p＝x-e+λ/μ，对该构造矩阵p执行奇异值分解操作，按照奇异值大小降序排列，提取前κ个的奇异值以及对应的奇异向量{fs,σs,gs},s＝1,2,…,κ；

s43：计算中间矩阵u,v；其中，u＝[f1，f2，…，fκ]，

s44：更新误差矩阵e：eij＝sign(pij)×|pij-1/μ|；

其中，eij为误差矩阵e的第i行第j列元素值；pij为构造矩阵p第i行第j列元素值；i＝0,1,…,a-1；j＝0,1,…,d-1；a,d分别表示原始的周期相关特征数字谱图x中周期相关谱幅度和周期频率的行数和列数；

s45：更新过程矩阵λ和参数μ；

其中，λ＝λ+μ(x-uv-e)；μ＝min(μ×ρ,10¹⁰)；

s46：判断误差矩阵e中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，算法收敛，将得到的中间矩阵u,v记为u^*,v^*，通过空间划分，保留信号子空间、消除噪声子空间、压缩串扰子空间；否则返回步骤s42；

s47：输出干扰清洗后的最终的周期相关特征数字谱图

采用上述方案，原始周期相关特征数字谱图执行泛化奇异值分解和空间划分，能消除加性噪声并抑制来自相邻信道的串扰，增强训练和识别信号数据的真实性。

再进一步的，步骤s5中搭建的所述卷积神经网络模型框架包括h层对卷积层、h层池化层、1个致密层以及1个softmax分类器；

所述卷积层i∈h配置ni个特征图，卷积核大小为di×di，所有卷积层的卷积核的激活函数均采用整流线性单元(relu)；

所述池化层均采用均值池化；

所述致密层将最后池化层h的输出特征图展开为列向量；

所述softmax分类器配置的神经元与待识别和分类的调制模式类型相等。

再进一步的，步骤s5中所述卷积神经网络训练单元的第一阶段训练的内容为：

s51：生成卷积层i'+1的训练数据集，令i'＝1；

将最终周期相关特征数字谱图作为卷积神经网络模型的训练数据集，从最终周期相关特征数字谱图中随机抽取l批卷积核大小为d1×d1的数组，每批数组构成列向量l批数组构成矩阵

s52：对卷积层i的训练数据集执行卷积运算和平滑处理，得到特征矩阵f：

其中，w^i'为卷积层i'的训练数据集所有卷积核的权重矩阵，b^i'为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元激活函数，repmat(b^i',1,l)表示将b^i'复制l次并平铺，得到卷积层i'+1的训练数据集

s53：判断i'+1是否等于h，若是，得到卷积层1～h的最优权重矩阵和偏置向量以及池化层h的输出特征集进入步骤s54；

否则，令i'＝i'+1，返回步骤s51；

s54：致密层首先将输出特征集展开为列向量，然后全连接至softmax分类器，对其训练以获得softmax分类器最优权值矩阵

再进一步的，在步骤s52中得具体内容为：

s521：对特征矩阵f的每个行向量ri,i”＝1,…,ni'进行归一化处理，即得到行归一化特征矩阵其中，ni'为卷积层i'的特征图数量；

s522：对行归一化特征矩阵的每个列向量进行归一化处理，即得到归一化特征矩阵

s523：用l1-范数罚函数和l2-范数加权衰减正则化对行归一化特征矩阵进一步处理，即建立优化模型：

其中，normr(·),normc(·)分别表示行和列的归一化过程，求解上式得到卷积层i'的最优权重矩阵和偏置向量

s524：池化层i'采用均值池化，对来自卷积层i'输出的特征图进行特征选择和信息过滤，生成卷积层i'+1的训练数据集

本发明的有益效果：周期相关特征数字谱图能充分体现230mhz频段广泛采用的调制模式之间的差异，避免专门设计特征工程，有利于提高调制识别和分类准确性的同时，降低复杂度；

对原始周期相关特征数字谱图执行泛化奇异值分解和空间划分，能消除加性噪声并抑制来自相邻信道的串扰，增强训练和识别信号数据的真实性；

对卷积神经网络采用两阶段训练，可以防止小样本训练数据集引起的过拟合，提高调制识别的泛化能力。

附图说明

图1是本发明中调制识别系统结构框图；

图2是本发明中接收信号预处理示意图；

图3是本发明中以bpsk调制为例生成的周期相关特征谱图；

图4是本发明中以qpsk调制为例生成的周期相关特征谱图；

图5是本发明中卷积神经网络模型结构框图；

图6是本发明中调制标签与识别标签的对应关系图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

从图1调制识别系统结构框图可以看出，一种基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，包括调制识别系统，该调制识别系统包括依次连接的接收信号预处理单元和卷积神经网络训练单元，在所述接收信号预处理单元设置有依次连接的第一预处理模块rm1和第二预处理模块rm2，在所述第一预处理模块rm1的数据输入端上连接有无线电信号接收装置；

其中，调制识别方法按照以下步骤进行：

s1：初始化设置；

设置无线电信号接收装置的采样率fs和样本监测时间t；

对监测频带b进行划分，得到带宽为w的c个信道，记为c＝1,2,…,c；

其中，信道数表示向下取整；

230mhz动态共享频段包括223-235mhz的8mhz带宽，将未授权的4mhz带宽也纳入监测范围，即将223-235mhz的12mhz带宽作为监测频带b，划分为24个信道，即总信道数c＝24，记为c＝1,2,…,24，信道带宽为w＝500khz，对各信道的调制识别按照时间轮换方式执行。

s2：所述无线电信号接收装置根据采样率fs和样本监测时间t，从c个信道中获取调制信号样本序列；

每个调制符号的样本数为ns＝fs/w；

在监测时间t内共计获得n个调制信号样本序列{y[0],y[1],…,y[n-1]}；

其中n＝ns×w×t＝fs×t；

在本实施例中，以信道c＝1为例，利用无线电信号监测装置，依据采样率fs＝5mhz收集调制信号样本序列，监测时间t＝2ms，共计获得n＝10000个调制信号样本序列{y[0],y[1],…,y[10000]}。

图2所示为接收信号预处理结构框图，其中，rm1模块利用获得的调制信号样本序列{y[0],y[1],…,y[10000]}计算周期相关谱投影到周期频率α与周期相关谱幅度构成的平面，并归一化和量化生成周期相关特征谱图，构成数据集，具体为：

s3：所述第一预处理模块rm1根据步骤s2得到的调制信号样本序列，进行第一预处理后，得到原始的周期相关特征数字谱图x；

在步骤s3中，所述第一预处理模块rm1的第一预处理内容为：

s31：对调制信号样本序列{y[0],y[1],…,y[n-1]}执行快速傅里叶变换：

其中，k表示频率离散变量；

s32：计算频域相关谱：

其中，α表示周期频率离散变量；

s33：根据步骤s32频域相关谱，计算周期相关谱：

其中，m表示平滑窗口大小，要求m＞＞1，在本实施例中，选择m＝50；k表示频率离散变量；

s34：生成周期相关特征谱图；

将步骤s33得到的周期相关谱投影到周期频率α与周期相关谱幅度构成的平面，并经归一化操作和量化操作后，构成原始的周期相关特征数字谱图x，且x∈r^a×d，即原始的周期相关特征数字谱图的像素数为a×d，a,d分别表示原始的周期相关特征数字谱图x中周期相关谱幅度和周期频率的行数和列数。

在本实施例中，像素数为28×28，意味着周期相关特征数字谱图中周期相关谱幅度和周期频率的行列数分别为28。

s4：所述第二预处理模块rm2对所述原始的周期相关特征数字谱图x执行泛化奇异值分解操作、空间划分操作、消除噪声操作和抑制串扰操作，得到最终的周期相关特征数字谱图

在步骤s4的具体操作内容为：

s41：计算参数μ＝1/||x||2，||x||2表示求原始的周期相关特征数字谱图x的2范数，设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵e＝0；过程矩阵λ＝0；

在本实施例中，κ＝20,ρ＝1.2,ε＝0.01，初始化误差矩阵e＝0、过程矩阵λ＝0；

s42：设构造矩阵p＝x-e+λ/μ，对该构造矩阵p执行奇异值分解操作，按照奇异值大小降序排列，提取前κ个的奇异值以及对应的奇异向量{fs,σs,gs},s＝1,2,…,20；

s43：计算中间矩阵u,v；其中，u＝[f1，f2，…，fκ]，

s44：更新误差矩阵e：eij＝sign(pij)×|pij-1/μ|；

其中，eij为误差矩阵e的第i行第j列元素值；pij为过程矩阵p第i行第j列元素值；i＝0,1,…,27；j＝0,1,…,27；a,d分别表示原始的周期相关特征数字谱图x中周期相关谱幅度和周期频率的行数和列数；

s45：更新过程矩阵λ和参数μ；

其中，λ＝λ+μ(x-uv-e)；μ＝min(μ×ρ,10¹⁰)；

s46：判断误差矩阵e中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，算法收敛，将得到的中间矩阵u,v记为u^*,v^*，通过泛化奇异值分解、空间划分，保留信号子空间、消除噪声子空间、压缩串扰子空间；否则返回步骤s42；

s47：输出干扰清洗后的最终的周期相关特征数字谱图

以bpsk和qpsk调制为例，经过接收信号预处理后生成的最终周期相关特征数字谱图如图3和4所示，将其作为卷积神经网络模型的训练数据集。

s5：搭建卷积神经网络模型框架，所述卷积神经网络训练单元根据所述最终周期相关特征数字谱图进行卷积神经网络模型的第一阶段训练，得到各个卷积层的最优权重矩阵和最优偏置向量以及softmax分类器的最优权值矩阵

其中，步骤s5中搭建的所述卷积神经网络模型框架包括h层对卷积层、h层池化层、1个致密层以及1个softmax分类器；

所述卷积层i∈h配置ni个特征图，卷积核大小为di×di，所有卷积层的卷积核的激活函数均采用整流线性单元；

所述池化层均采用均值池化；

所述致密层将最后池化层h的输出特征图展开为列向量；

所述softmax分类器配置的神经元与待识别和分类的调制模式类型相等。

图4所示为两阶段训练卷积神经网络，在本实施例中，选择h＝2，即有卷积层1和2两个卷积层，池化层1和2两个池化层。卷积神经网络的输入层为清洗后的周期相关特征数字谱图抽取，卷积层1的输入大小为28×28，配置n1＝6个特征图，每个特征图的卷积核大小为5×5，即大小为28×28的输入数据经过单位步长、无填充5×5卷积核后输出特征图大小为6×24×24，池化层1将6×24×24的输入特征图经过单位步长、无填充2×2均值池化后输出特征图大小为6×12×12；卷积层2配置n2＝12个特征图，每个特征图的卷积核大小为5×5，即大小为12×12的输入数据经过单位步长、无填充5×5卷积核后输出特征图大小为12×8×8，池化层2将12×8×8的输入特征图经过单位步长、无填充2×2均值池化后输出特征图大小为12×4×4；所有卷积核的激活函数均采用整流线性单元，即relu。致密层将池化层2的输出特征图展开为192×1维向量，并与softmax分类器全连接，softmax分类器配置7个神经元，且与待识别的7种调制模式类型相同，利用交叉熵作为损失函数，运行反向传播算法和随机梯度下降算法训练、识别和分类。

结合图5可以看出，步骤s5中所述卷积神经网络训练单元的第一阶段训练的内容为：

s51：生成卷积层i'+1的训练数据集，令i'＝1；

将最终周期相关特征数字谱图作为卷积神经网络模型的训练数据集，从最终周期相关特征数字谱图中随机抽取l批卷积核大小为d1×d1的数组，每批数组构成列向量l批数组构成矩阵选择l＝100；

s52：对卷积层1的训练数据集执行卷积运算和平滑处理，得到特征矩阵f：

其中，w¹为卷积层1的训练数据集所有卷积核的权重矩阵，b¹为对应的偏置向量，δ用于控制平滑度，选择，δ＝10^-4；g(·)为整流线性单元激活函数，repmat(b^i',1,l)表示将b^i'复制l次并平铺，并得到卷积层i'+1的训练数据集

具体的，s521：对f的每个行向量ri,i＝1,…,n1进行归一化处理，即得到行归一化特征矩阵n1＝6为卷积层1的特征图数量；

s522：对的每个列向量进行归一化处理，即得到归一化特征矩阵

s523：用l1-范数罚函数和l2-范数加权衰减正则化对行归一化特征矩阵进一步处理，即建立优化模型：

其中，normr(·),normc(·)分别表示行和列的归一化过程，选择λ＝4×10^-4，求解上式得到卷积层1的最优权重矩阵和偏置向量

s524：池化层1采用2×2均值池化，对来自卷积层1输出的特征图进行特征选择和信息过滤，生成卷积层2的训练数据集

s53：由于1是否小于2，返回步骤s51，得到卷积层2的最优权重矩阵和偏置向量以及池化层2的输出特征集

s54：致密层将展开为192×1维向量，并与softmax分类器全连接，对其训练以获得softmax分类器最优权值矩阵

对卷积神经网络执行第二阶段训练，将和作为初始条件，利用交叉熵作为损失函数，基于反向传播算法和随机梯度下降算法再训练cnn，获得卷积层1和2最终的权重矩阵和偏置向量以及softmax分类器最终的权值矩阵

s6：所述卷积神经网络训练单元进行卷积神经网络模型的第二阶段训练，获得各卷积层最终权重矩阵和最终偏置向量以及softmax分类器的最终权值矩阵并确认得到卷积神经网络模型；

s7：根据得到的卷积神经网络模型，对输入的调制信号进行调制模式的识别、分类。

利用训练后的卷积神经网络模型识别和分类调制模式，当接收信噪比为6db时，调制标签与识别标签的对应关系如图6所示。由图可知，正确识别率高达95％。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。