一种基于卷积神经网络识别信号调制方式的方法及系统与流程

本发明涉及信号检测与识别技术领域，并且更具体地，涉及一种基于卷积神经网络识别信号调制方式的方法及系统。

背景技术：

在无线通信快速发展及其广泛应用的背景下，频谱资源日益稀缺。信号的调制方式繁多，现代电磁环境越来越复杂。因此为适应通信多样化的发展趋势，实现对资源的动态管理、分配和使用，电磁频谱监测、管理愈发紧迫。对频谱资源进行监测的任务之一就是对信号调试方式进行识别。对信号调制方式的正确识别为之后的信号分析提供有力的帮助，从而提高频谱监测、管理能力。

当前，研究最为广泛的信号调制方式识别方法主要有基于似然比判决理论和统计模式识别两大类调制方式识别方法。前者运用假设检验，假设接受信号的概率密度函数已知，计算接收信号的似然函数的似然比，将其与选择的门限值进行比较，通过最小化错误分类概率来判决信号的调制方式。这种方法虽然理论完备，然而未知参数多，计算复杂，导致其通用性差，实现复杂度高，因而并不实用；后者通过由信号预处理、特征提取和分类识别三个主要部分组成，主要思路是提取信号的特征参数，然后依据提取的特征参数来判决信号的调制方式，此传统的模式识别方法虽然理论简单，但是其工程实现较为困难且实际识别率较低。然而，在模式识别进一步发展的背景下，结合深度学习的方法进行模型训练可以更好地对提取的特征进行训练，提高识别准确率，工程上也易实现。

如有一篇公开号为“103441974b”的中国专利，公开了一种基于高阶统计量(与本发明相似)和谱峰特征的调制识别装置及方法，其从预处理后的信号中提取高阶统计量和谱峰特征，将提取的两类特征联合处理，基于联合特征训练分类器，对输入信号进行模式特征匹配并输出识别结果。需要增加该专利与本发明的区别，可以重点突出基于卷积神经网络的分类识别方法。目的在于有利于对分类特征进行优化，简化工程实现，提高分类器的泛化能力。

最近，随着深度学习在分类方面出色的表现，逐渐有学者开始考虑用深度学习方法进行调制方式识别，如有一篇公开号为“108234370a”的中国专利，公开了一种基于卷积神经网络(与本发明相似)的通信信号调制方式识别方法，将基带信号的同相分量和正交分量作为信号的简单特征，将简单特征送入卷积神经网络模块中进行特征学习和分类，得出识别结果。需要增加该专利与本发明的区别，可以重点突出基于滑动窗口法减小样本数据和高阶累积量进行特征优化以及基于去噪声自编码后得到去噪声特征等特点。目的在于有利于小样本下进一步优化特征，抑制噪声干扰，提高信号调制方式识别的准确率。

当下对电磁频谱资源的动态管理、分配和使用上仍有缺陷，故而电磁频谱监测、管理愈发紧迫，而对频谱资源进行监测、管理的任务之一就是对信号调试方式进行识别。信号调制方式的识别方法主要由信号预处理、特征提取和类型识别三部分组成，传统的基于似然比判决理论方法运算量大、识别困难，而上述基于高阶统计量作为特征的模式识别方法训练复杂度高；仅简单的提取同相和正交分量作为特征直接输入卷积神经网络中的识别方法需要大量样本数据，而非合作频谱审计中能够获得的样本数据量特别少，加之其仅依靠神经网络自己学习噪声，不加去噪声手段，从而导致训练难度加大，训练出的模型的泛化能力弱。

技术实现要素：

针对上述问题本发明提出了一种基于卷积神经网络识别信号调制方式的方法，包括：

控制信号源分别以不同的信号调制方式发出两路无噪信号，对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；

提取两路信号的i/q信息，获取截断的i/q信息，根据截断的i/q信息获取未加入噪声的i/q信息，生成高阶累积量和二维矩阵作为训练标签，根据截断的i/q信息获取加入噪声的i/q信息，生成高阶累积量和二维矩阵作为数据输入量；

将训练标签和数据输入量接入到卷积神经网络中进行无监督去噪自编码的训练，获取多个去噪特征模型，将多个去噪特征模型接入卷积神经网络根据归一化指数函数softmax进行训练，生成识别模型；

获取信号源发出的信号，提取i/q信息，截断i/q信息的高阶累积量并生成二维矩阵，将二维矩阵送入识别模型中对信号进行调制识别并输出信号调制方式。

可选的，高阶累积量的阶数为二到八阶。

可选的，截取根据滑动窗口法进行滑动截取。

本发明还提出了一种基于卷积神经网络识别信号调制方式的系统，包括：

控制模块，控制信号源分别以不同的信号调制方式发出两路无噪信号，对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；

截取信息模块，提取两路信号的i/q信息，获取截断的i/q信息，根据截断的i/q信息获取未加入噪声的i/q信息，生成高阶累积量和二维矩阵作为训练标签，根据截断的i/q信息获取加入噪声的i/q信息，生成高阶累积量和二维矩阵作为数据输入量；

训练模块，将训练标签和数据输入量接入到卷积神经网络中进行无监督去噪自编码的训练，获取多个去噪特征模型，将多个去噪特征模型接入卷积神经网络根据归一化指数函数softmax进行训练，生成识别模型；

识别模块，获取信号源发出的信号，提取i/q信息，截断i/q信息的高阶累积量并生成二维矩阵，将二维矩阵送入识别模型中对信号进行调制识别并输出信号调制方式。

可选的，高阶累积量的阶数为二到八阶。

可选的，截取根据滑动窗口法进行滑动截取。

本发明使用滑动窗口法截取的不同调制方式调制后信号的i/q信息，计算其高阶累积量并组合成二维矩阵，将此二维矩阵送入卷积神经网络模块中进行识别，并加入去噪手段，提高了分类器的泛化能力和识别准确率；采用滑动窗口法对同相和正交分量特征进行窗口的滑动截取，并计算每个截取的高阶累积量，从而可以在小样本下对信号多采样以获得更多的训练样本，降低实际接收信号样本数；利用无监督去噪声自编码有效抑制噪声的影响，提高最终识别模型的准确率。

附图说明

图1为本发明一种基于卷积神经网络识别信号调制方式的方法流程图；

图2为本发明一种基于卷积神经网络识别信号调制方式的方法滑动窗口法示意图；

图3为本发明一种基于卷积神经网络识别信号调制方式的方法去噪自编码器示意图；

图4为本发明一种基于卷积神经网络识别信号调制方式的方法最终分类器示意图；

图5为本发明一种基于卷积神经网络识别信号调制方式的系统结构图。

具体实施方式

下面介绍本发明涉及的几个重要的方法：

如图2所示，分别说明滑动窗口法和高阶累积量；

滑动窗口法：

几个参数设定：i/q序列长度为n、窗口大小为w、每次滑动步长为s。

用大小为w的窗口在i/q序列上滑动以此截取[(n-w)/s]+1段i/q信号，此方法充分利用了原来长度为n的i/q序列信息，并将其由一个样本扩展至[(n-w)/s]+1个样本。相比于公开号为“108234370a”的中国专利，本发明大大减少了所需采取的信号样本数，解决了频谱审计中获取非合作对象信号数据少的难点，由于所需样本数大大减少，因此也加大了动态实时审计的可能性。

高阶累积量：

对每个滑动窗口截取的i/q信号，计算其2阶、4阶、6阶和8阶累积量，将这些累积量的值组成一个列向量，然后计算出所有滑动窗口截断的i/q信号的各阶累积量，并将其构成的列向量组合起来形成一个矩阵。相比于公开号为“103441974b”的中国专利，此方法对初始特征i/q信号进一步提取其累积量特征，大大减少训练识别时所需的特征数，并且累积量特征相较于简单的i/q信号特征能够更好地反映各种调制方式的特性，因而其调制方式识别的准确率要远远高于基于简单的i/q信号特征进行识别的准确率。

下面对高阶累积量进行简单的推导：

对于零均值的平稳随机过程x(t),定义其k阶矩为

mkx＝(τ1，...，τk-1)＝e{x(t)，x(t+τ1)，...，x(t+τk-1)}

其中τ为时延，不考虑时延，也即τ1＝τ2＝…＝τk-1＝0时，x(t)的p阶混合矩为：

mpq＝e{[x(t)]^p-q[x^*(t)]^q}

其中x^*(t)为x(t)的共轭，故x(t)的k阶累积量的定义为：

ckx(τ1，τ2，...，τk-1)＝cum[x(t)，x(t+τ1)，x(t+τ2)，...，x(t+τk-1)]

＝e{x(t)，x(t+τ1)，x(t+τ2)，...，x(t+τk-1)}-e{g(n)...g(n+τk-1)}

其中g(n)为与x(n)具有相同二阶统计量的高斯随机过程，由上述公式可以推导出平稳随机过程x(t)的各阶累积量的表达式：

二阶累积量：

c20＝cum(x，x)＝m20＝e[x(t)x(t)]

c21＝cum(x，x^*)＝m21＝e[x(t)x^*(t)]

四阶累积量：

c40＝cum(x，x，x，x)＝m40-3m²20

c41＝cum(x，x，x，x^*)＝m41-3m20m21

c42＝cum(x，x，x^*，x^*)＝m42-|m20|²-2m²21

六阶累积量：

c60＝cum(x，x，x，x，x，x)＝m60-15m40m20+30m³20

c63＝cum(x，x，x，x^*，x^*，x^*)＝m63-9m42m21+9|m20|²m21+12m³21

八阶累积量：

c80＝cum(x，x，x，x，x，x，x，x)＝m80-28m20m60-35m²40+420m²20m40-630m⁴20

如图3所示，说明无监督去噪自编码器：

无监督去噪自编码器主要由三部分组成：编码器、经过编码器得到的特征以及解码器。这个模块的设计思路是：将之前得到的有噪声的高阶累积量矩阵作为输入，通过去噪自编码器后输出的为无噪声的高阶累积量矩阵，对去噪自编码器采用卷积神经网络进行训练，输入数据为有噪声的高阶累积量矩阵，标签为无噪声的高阶累积量矩阵。经过卷积神经网络训练达到预定要求后，就可以得到去噪自编码器。相比于传统的调制方式识别方法，去噪自编码模块在可以有效地抑制各类噪声的影响，极大地提高识别的准确率。

如图4所示，介绍softmax分类器和最终分类识别器；

softmax分类器：

使用卷积神经网络训练最后的识别模块softmax分类器，将经过各种调制方式调制过的信号作为输入，将前述按次序连接的模块再连接上去噪自编码器的编码器部分和得到的特征部分，将标签设置为对应的调制方式，通过对识别出的各调制方式的得分概率情况进行比较，选择概率最大的作为最终的输出。

最终分类识别器：

最终的调制方式识别分类器由i/q信号提取模块、滑动窗口模块、去噪特征优化模块和softmax分类器模块组成。

本发明提出了一种基于卷积神经网络识别信号调制方式的方法，如图1所示，包括：

控制信号源分别以不同的信号调制方式发出两路无噪信号，对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；

提取两路信号的i/q信息，根据如图2所示的滑动窗口法获取截断的i/q信息，根据截断的i/q信息获取未加入噪声的i/q信息，生成如图2所示的高阶累积量和二维矩阵作为训练标签，根据截断的i/q信息获取加入噪声的i/q信息，生成如图2所示高阶累积量和二维矩阵作为数据输入量；

其中，高阶累积量的阶数为二到八阶。

将训练标签和数据输入量接入到卷积神经网络中进行无监督去噪自编码的训练，无监督去噪自编码器如图3所示，获取多个去噪特征模型，将多个去噪特征模型接入卷积神经网络根据归一化指数函数softmax进行训练，生成识别模型；

获取信号源发出的信号，根据如图4所示的最终分类识别器，提取i/q信息，截断i/q信息的高阶累积量并生成二维矩阵，将二维矩阵送入识别模型中对信号进行调制识别并输出信号调制方式。

本发明还提出了一种基于卷积神经网络识别信号调制方式的系统200，如图5所示，包括：

控制模块201，控制信号源分别以不同的信号调制方式发出两路无噪信号，对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；

截取信息模块202，提取两路信号的i/q信息，根据滑动窗口法进行滑动截取截断的i/q信息，根据截断的i/q信息获取未加入噪声的i/q信息，生成高阶累积量和二维矩阵作为训练标签，根据截断的i/q信息获取加入噪声的i/q信息，生成高阶累积量和二维矩阵作为数据输入量；

高阶累积量的阶数为二到八阶。

训练模块203，将训练标签和数据输入量接入到卷积神经网络中进行无监督去噪自编码的训练，获取多个去噪特征模型，将多个去噪特征模型接入卷积神经网络根据归一化指数函数softmax进行训练，生成识别模型；

识别模块204，获取信号源发出的信号，提取i/q信息，截断i/q信息的高阶累积量并生成二维矩阵，将二维矩阵送入识别模型中对信号进行调制识别并输出信号调制方式。

本发明使用滑动窗口法截取的不同调制方式调制后信号的i/q信息，计算其高阶累积量并组合成二维矩阵，将此二维矩阵送入卷积神经网络模块中进行识别，并加入去噪手段，提高了分类器的泛化能力和识别准确率；采用滑动窗口法对同相和正交分量特征进行窗口的滑动截取，并计算每个截取的高阶累积量，从而可以在小样本下对信号多采样以获得更多的训练样本，降低实际接收信号样本数；利用无监督去噪声自编码有效抑制噪声的影响，提高最终识别模型的准确率。