一种基于USRP和神经网络的无线信号调制方式识别系统的制作方法

本发明涉及无线信号调制
技术领域：
，尤其是涉及一种基于usrp和神经网络的无线信号调制方式识别系统。
背景技术：
：5g移动通信网络的快速部署，带来了移动通信的大发展，与此同时，以往的2-4g网络依然共存。在测试中，要兼容各个通信标准存在很大困难，采用软件无线电的方法能够很好地解决这个问题。软件无线电利用硬件平台和软件编程相结合的方式实现各种无线通信系统，很好地解决兼容性的问题：不同的通信标准只需采用不同的软件配置。当前常用的软件无线电平台有：ni公司开发的usrp(universalsoftwaredefinedradioperipheral，通用软件无线电外设)和usrp-rio系列，michaelossmann开发的hackrf等。其中以usrp带宽最大，采样率最高，功能最强。在一个复杂通信网络中，调制格式的识别具有重要的意义。不同的调制格式需要采用不同的接收机进行解调，其解决方法自然成为研究热点之一。由于人工格式判决费时且难以实时操作，自动调制格式识别(amc,automaticmodulationclassification)是信号探测和信号解调之间的重要步骤。amc的设计主要分为两步：信号预处理和识别算法的选择。信号预处理又包括但不限于降低噪声、载波频率估计、均衡等。根据第二步识别算法的选择，amc可以被分为两类：基于似然估计(lb,likelihood-based)的方法和基于特征(fb,feature-based)的方法。不同的识别算法对第一步信号参数估计准确度的要求不同。例如文献“surveyofautomaticmodulationclassificationtechniques:classicalapproachesandnewtrends”(o.a.dobre,a.abdi,y.bar-nessandw.su,ietcommunications,vol.1,no.2,pp.137-156,april2007.)中对已有调制格式自动识别方法进行了详细介绍，并对技术发展进行了展望。文章介绍了基于似然估计的amc中的三种方法：alrt(averagelikelihoodratiotest)将未知量当作具有一定概率密度函数的随机过程处理；glrt(generalizedlikelihoodratiotest)将未知量当作未知常量处理；hlrt(hybridlikelihoodratiotest)是alrt和glrt两种方法的结合。由于alrt需要提前知道未知量的概率分布函数且需要计算大量未知量的多维融合，alrt在实际应用中一般难以实现。而glrt在面对相互包含的星座图(如bpsk,qpsk,16-qam,64-qam)时，其似然函数值可能相同，导致无法正确识别。综上，基于似然估计的amc尽管在未知量较少的情况下可以得到比较好的结果，但随着调制格式未知量的增加，其实现将会变得非常困难。文章也介绍了基于特征的amc。常用的特征有归一化信号幅值、相位、频率等的方差。常用的决策方法有基于概率分布函数的方法，基于海灵格距离的方法，基于欧式距离的方法，基于无监督聚类的方法等。基于特征的amc虽然实现较为简单，但它的效果往往不能做到最好。神经网络是当前的研究热点之一，历经几十年的发展，神经网络领域不断涌现出优秀的研究与理论，如1958年rosenblatt等人提出的感知机将神经网络应用到模式识别领域；1974年werbos提出了著名的bp(backpropagation)算法，借助链式法则计算复合函数的偏导数，根据输出值与实际值之间的误差对权重和偏置项进行更新，解决了多层神经网络的训练问题。在此基础上出现的卷积神经网络(cnn)等已广泛应用于计算机视觉、信号处理等领域，极大地改变了当今的科技生活。例如文献“featureimage-basedautomaticmodulationclassificationmethodusingcnnalgorithm,”(j.h.lee,k.kimandy.shin,2019internationalconferenceonartificialintelligenceininformationandcommunication(icaiic),okinawa,japan,2019,pp.1-4.)就将卷积神经网络应用到amc中，文中方法首先从接收到的信号中提取特征值并将其转化为二维图像，再使用卷积神经网络的方法进行分类，实现了分类准确度的提升。1982年，芬兰科学家kohonen提出了自组织映射(self-organizingmap,som)神经网络，它由输入层和输出层构成，其中输入层与输入向量维度相同，输出层是一个二维网格神经元。som神经网络的特点在于引入了竞争学习规则，即神经元在训练时存在侧向抑制；能够在不改变样本间拓扑结构的同时，将高维输入数据映射到低维空间中；作为一种无监督学习，它不需要大量标签过的训练数据，结果也不受标签质量的影响；输出是反复竞争的结果，相较于其他聚类方法，噪声对于som神经网络的影响微乎其微，具有很强的抗干扰能力。因而som神经网络成为了当今降维和聚类的经典方法。支持向量机(svm)模型是cortes和vapnik于1995年提出的一种二值分类器。其基本思想是在高维空间中找到一个超平面使平面到数据的最小距离尽可能大，即：其中xi是所有训练数据向量；w,b决定了超平面；yi是xi所对应的类别，其取值范围为{1，-1}。由于svm通过核方法(kernelmethods)、软间隔、一对多(one-against-all,oaa)策略等技巧能实现强大的线性或非线性多分类，且具有强大的数学理论基础，svm在通信领域也得到了广泛的应用：例如文献《基于svm的载波通信调制信号识别方法研究》(董重重,何行,孙秉宇,谢玮,蔡兵兵,王先培.中国测试,2019,45(11):101-107.)中利用svm对低压电力线载波通信的调制格式进行识别，取得了98％以上的准确率，且相较于神经网络收敛更快，分类效果更好。但其研究依然停留在仿真阶段，且只对常用的三种调制格式进行了识别，与现实需要仍有很大差距。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于usrp和神经网络的无线信号调制方式识别系统。本发明的目的可以通过以下技术方案来实现：一种基于usrp和神经网络的无线信号调制方式识别系统，包括分别用于发射和接收无线信号的第一usrp和第二usrp，所述第一usrp与发送端上位机连接，所述第二usrp与接收端上位机连接，所述接收端上位机中设有基于神经网络的软件平台，所述软件平台用于识别无线信号的调制方式。优选的，所述软件平台的实现方法包括：将自组织映射神经网络与支持向量机相结合，先通过自组织映射神经网络提取基带信号特征，再使用支持向量机实现调制格式的识别。优选的，所述第一usrp和第二usrp均包括主板和子板。优选的，所述主板设有可编程逻辑门阵列、模数/数模转换器和射频模块。优选的，所述子板使用整数阶调谐的方式实现中频与射频之间的转换。优选的，所述第一usrp、第二usrp、发送端上位机、接收端上位机均设有usrp硬件驱动程序，所述usrp硬件驱动程序包括使能上位机与usrp之间通信，控制usrp实现高性能的调谐，以及射频信号与基带信号之间的转换的程序。优选的，所述支持向量机采用rbf核函数，使用软间隔，并采用一对多的多分类器策略。优选的，所述系统的信号处理过程包括：①发送端上位机生成待发送的数据并进行编码、调制和脉冲成型；②将脉冲成型过后的待发射信号传送给第一usrp；③第一usrp对基带信号进行数字上变频及数模转换，再将中频信号调制到载波上形成射频信号发射出去；④第二usrp接收到射频信号先转换到中频，再进行模数转换和数字下变频，形成数字基带信号；⑤第二usrp将数字基带信号传送给接收端上位机；⑥接收端上位机首先对基带信号进行匹配滤波，然后送入训练好的自组织映射神经网络处理，将高维空间的基带信号数据投影到低维空间，最后应用支持向量机实现对无线信号调制格式的识别。优选的，所述第一usrp与发送端上位机之间、所述第二usrp与接收端上位机之间均通过网线连接。优选的，所述软件平台通过局域网控制多台第二usrp。与现有技术相比，本发明针对仿真环境而非实际信道环境的问题，将识别算法和软件无线电技术相结合，实现在实际信道环境下的信号调制格式识别，具有识别种类多，识别准确度高，贴近实际通信环境，升级部署方便等优势；针对识别精度不高、识别种类不多、计算量过大的问题，本发明将自组织神经网络和支持向量机相结合，先将高维数据降维到低维，再运用有强大数学理论基础，收敛迅速的支持向量机进行识别，实现减少计算量，提高识别精度，提升识别能力。附图说明图1为本发明的系统框图；图2为本发明的信号处理流程图；图3为usrp硬件结构示意图；图4为som神经网络建立的流程示意图；图5为神经网络的建立过程中数据集生成流程示意图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。如图1所示，本申请提出一种基于usrp和神经网络的无线信号调制方式识别系统，包括分别用于发射和接收无线信号的第一usrp和第二usrp。第一usrp与发送端上位机连接，第二usrp与接收端上位机连接，上位机用于控制usrp并对基带信号进行处理。接收端上位机中设有基于神经网络的软件平台，软件平台用于识别无线信号的调制方式。第一usrp和第二usrp均包括主板和子板。主板设有可编程逻辑门阵列(fpga)、模数/数模转换器(adc/dac)和射频模块。主板通过可编程逻辑门阵列实现插值、数字上变频、iq转换、数字下变频、降采样等功能，从而实现基带信号与中频之间的转换；通过模数/数模转换器实现数字和模拟之间的转换；通过射频模块，采用分数阶调谐的方法，实现中频与射频之间的转换。子板可以使用整数阶调谐的方式实现中频与射频之间的转换，实现更好的寄生信号性能。第一usrp、第二usrp、发送端上位机、接收端上位机均设有usrp硬件驱动程序(usrphardwaredriver，uhd)，usrp硬件驱动程序包括使能上位机与usrp之间通信，控制usrp实现高性能的调谐，以及射频信号与基带信号之间的转换的程序。软件平台采用模块化，即将整个基带信号处理过程分为多个子过程，方便模块的重复利用和软件无线电系统结构的修改；具有可重新编程/可重构性，即可以随时增加新功能或修改已有模块；通过uhd对usrp进行控制以实现多频段的信号收发；将自组织映射神经网络与支持向量机相结合，先通过自组织映射神经网络提取基带信号特征，再使用支持向量机实现调制格式的识别。软件平台可以通过局域网控制多台第二usrp，高性能pc是常用设备。如图2所示，该系统的信号处理过程包括：①发送端上位机生成待发送的数据并进行编码、调制和脉冲成型；②将脉冲成型过后的待发射信号通过网线传送给第一usrp；③第一usrp对基带信号进行数字上变频及数模转换，再将中频信号调制到载波上形成射频信号，通过天线发射出去；④第二usrp对应的天线接收到射频信号先转换到中频，再通过adc和fpga进行模数转换和数字下变频，形成数字基带信号；⑤第二usrp将数字基带信号传送给接收端上位机；⑥接收端上位机首先对基带信号进行匹配滤波，然后送入训练好的自组织映射神经网络处理，将高维空间的基带信号数据投影到低维空间，最后应用支持向量机实现对无线信号调制格式的识别。实施例本实施例中，usrp型号为x300，usrp的子板型号为ubx160；接收端上位机中的软件平台使用gnuradio；上位机和usrp通过网线连接。usrp硬件设备的结构示意图如图3所示，参数如表1和表2所示：表1usrp硬件参数fpgakintex7-325t逻辑单元数321k内存16,020kb频率范围直流–6ghz每通道带宽120mhzdac精度与最大采样率16bits,800ms/sadc精度与最大采样率14bits,200ms/s表2ubx160子板硬件参数射频范围10mhz–6ghz带宽160mhz兼容性与usrpx系列和n系列兼容工作方式全双工射频屏蔽能神经网络的建立流程如图4所示：首先生成数据集，流程如图5所示：发送端上位机生成随机数序列，对数据依次进行bpsk、qpsk、16-qam、64-qam、gmsk等调制，脉冲成型并用usrp发送；将不同调试方式接收到的基带信号经过匹配滤波器滤波，然后送入自组织映射神经网络进行无监督训练，生成低维度的数据表征，并对svm分类模型进行有监督训练，svm部分参数如表3所示；最后将训练好的som神经网络和svm模型编写成gnuradiooot(out-of-tree)modules部署到接收端上位机。表3svm模型参数核函数rbf核函数是否使用软间隔是多分类器策略一对多(one-against-all,oaa)策略接着进行信号调制格式的识别：任选bpsk、qpsk、gmsk等调制格式中的一个对生成的随机数序列进行调制，脉冲成型并用第一usrp发送；第二usrp对天线接收到的无线信号进行处理：首先通过射频端将射频信号转化为中频信号，再利用adc将模拟信号转化为数字信号，然后利用fpga进行数字下变频等操作将中频信号转化为基带信号，最后通过网线将基带信号传送给接收端上位机。接收端上位机首先对基带信号进行匹配滤波，再通过已训练部署好的som神经网络降维，最后使用训练好的svm模型进行分类。当前第1页12