基于异步同相正交直方图的调制方式识别方法

本发明属于通信，特别涉及一种基于异步同相正交直方图的调制方式识别方法及系统。

背景技术：

1、随着电磁环境的日益复杂，信号的种类和数量呈现出多样化趋势，并且伴随着衰落信道和干扰噪声等不确定因素，电磁波在时域、频域、空域和能域等多个维度呈现出了复杂的变化。面对电磁环境的动态不稳定性，以及无线信道的时变性，从而确保无线通信系统的安全性、高效性和可靠性变得至关重要。为了面对这些复杂的挑战，信号自动调制识别技术显得尤为关键，通过此技术通信系统可以进一步优化系统性能，提高通信质量，从而确保稳定可靠的数据传输。

2、目前自动调制识别技术可以分为两类：基于似然比检测的识别方法和基于特征提取的识别方法。基于似然比检测的识别方法是利用最大似然估计、贝叶斯理论计算信号的似然函数，通过和设定的门限进行比较从而实现调制方式的识别。但由于需要非常完整的先验知识，以及计算复杂度较高并且容易受到外界因素的干扰，因此在实际情况的应用中会受到限制。基于特征提取的识别方法通过提取可以表征信号的各种特征，然后将特征输入到分类器中进行识别。常用的特征有高阶累积量、循环谱特征、统计特征等，但仅依赖于单一特征进行识别，识别性能在复杂信道环境下将会受到限制。

3、近年来，随着深度学习在模式识别、视觉图像等领域取得了突破性发展，因此基于深度学习的方法广泛应用在调制方式识别的领域中，通过自动从大量数据特征中主动学习并进行分类任务，从而达到进一步提高调制识别准确率的目的。如f.n.khan,和k.zhong等人的《modulation format identification in coherent receivers using deepmachine learning》通过将数据划分为80个区间，从而构成幅度直方图，根据直方图展现出的特征并结合深度神经网络准确识别出qpsk、16qam和64qam。f.yang等人的《jointmodulation format identification and mode coupling estimation scheme based onadtp and mt-cnn for mode division multiplexed systems》提出了一种基于异步延迟抽头图的技术，通过将信号转化为二维图像并联合多任务卷积机神经网络对调制方式进行分类识别。但是这两种技术在应用中有一定的限制，幅度直方图不适合用于对类似(m-qam，m>16)的高阶调制方式进行分类，而根据异步延迟抽头图提取出的特征可知，psk类型的信号有相同的幅度特征，导致其不能识别出不同类型的psk信号。

4、在调制方式识别技术领域，当前需迫切解决的一个技术问题是在低信噪比和噪声环境下，不同调制方式的信号可以准确识别出来。

技术实现思路

1、本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种识别准确率高、识别率准确的基于异步同相正交直方图的调制方式识别方法。

2、解决上述问题所采用的技术方案是由下述步骤组成：

3、(1)构建无线通信系统

4、由发射天线、接收天线、低通滤波器、异步采样单元构建成无线通信系统。

5、(2)生成同相正交分量

6、(2.1)确定发送信号

7、按下式确定发送信号x(t)：

8、

9、s(t)＝xi(t)+jyq(t)

10、式中，re[·]为取实部，s(t)为复信号，xi(t)为i路信号，i表示同相，yq(t)为q路信号，q表示正交，j为虚部，fc为载波频率，fc取值为(300～500)×107hz，t为时间。

11、(2.2)确定经衰落高斯信道之后的信号

12、在不同信噪比下，按下式确定发送信号经高斯衰落信道之后的信号

13、

14、

15、式中，β为路径损耗，τ为路径延迟，u(t)为基带信号，n(t)为高斯噪声。

16、(2.3)确定信道对应的基带冲激响应函数

17、按下式确定信道对应的基带冲激响应函数h(t,τ)：

18、h(t,τ)＝γ(t)×δ(t-τ)

19、

20、式中，γ(t)为信道衰落系数，δ(·)为冲激函数。

21、(2.4)确定接收端信号

22、按下式确定接收端信号

23、

24、式中，γi(t)为同相分量，γq(t)为正交分量。

25、(3)构建异步同相正交直方图

26、(3.1)确定同相分量γi(t)和正交分量γq(t)

27、按下式将接收端信号分为同相分量γi(t)和正交分量γq(t)：

28、γi(t)＝s(t)*(β×cos2πfcτ)

29、γq(t)＝s(t)*(β×sin2πfcτ)

30、式中，*为卷积。

31、(3.2)对同相分量γi(t)和正交分量γq(t)分别进行低速异步采样

32、使用低于符号速率的采样速率对同相分量和正交分量进行低速异步采样。

33、(3.3)确定同相分量γi(t)和正交分量γq(t)的范围区间

34、在n×n的二维平面中，将同相分量γi(t)和正交分量γq(t)划分为m个区间，按下式确定同相分量γi(t)和正交分量γq(t)的范围区间：

35、

36、

37、式中，表示同相分量范围的区间，表示正交分量范围的区间，d和q表示二维平面中的行和列，m表示区间个数，m取值为30～50。

38、(3.4)构建区间矩阵

39、将每个信号mi映射到对应的区间矩阵u中，如下式所示：

40、

41、式中，表示区域范围。

42、(3.5)构建不同信号对应的二维图像

43、按下式构建不同信号对应的二维异步同相正交直方图ψ：

44、

45、式中，表示信号在区域范围的出现次数；

46、按照上述步骤最后构建出二维异步同相正交直方图ψ。

47、(4)划分数据集

48、将n×n二维图像ψ转换为z×1的一维向量x，对每个输入的一维向量生成一个v×1的二进制向量u，为标签或者目标向量，其中只有一个非零元素，其所在的位置表示信号的实际调制方式，在不同信噪比和信道延迟条件下，生成数据样本，将数据样本按7:3划分为训练集和测试集。

49、(5)构建信号识别网络

50、信号识别网络由特征提取模块1与se-resnet模块、特征提取模块2、人工神经网络依次组成。

51、(6)训练信号识别网络

52、(6.1)构建损失函数

53、按下式构建损失函数l：

54、

55、式中，v为信号类型个数，ui为目标向量，yi为样本的预测概率，i取值为[1,7]。

56、(6.2)训练信号识别网络

57、将训练集输入到信号识别网络中进行训练，训练参数为：最小批处理大小为64，初始学习率为0.0001，最大学习次数为100，采用adam优化器更新网络参数，训练至损失函数收敛。

58、(7)测试信号识别网络

59、将测试集输入到训练后的信号识别网络中，输出调制方式类型。

60、在本发明的步骤(5)构建信号识别网络中，所述的特征提取模块1由卷积层与归一化层与relu层、最大池化层依次串联构成。所述的特征提取模块2的结构与特征提取模块1的结构相同。

61、在本发明的步骤(5)构建信号识别网络中，所述的人工神经网络由输入层与隐藏层、输出层依次串联构成。

62、本发明的的输入层由神经元1与神经元2、神经元3、神经元4依次串联构成；所述的隐藏层由神经元5与神经元6、神经元7依次串联构成；所述的输出层由神经元8与神经元9串联构成。

63、在步骤(2)生成同相正交分量中，所述的fc为载波频率，fc取值最佳为410×107hz。

64、在本发明的步骤(3)构建异步同相正交直方图中，所述的符号速率为410×106symbols/s。

65、本发明的的低速异步采样为；采用低于符号速率的采样速率进行任意采样，采样周期大于符号周期，即在多个符号周期中只采样一个或者几个点，不同于同步采样中符号速率和采样速率之间存在对应关系，不需要考虑釆样点对应的采样时刻，且不需要引入时钟恢复单元和时钟处理单元，所述的异步采样速率取值15～30mbps。

66、在本发明的步骤(6)训练信号识别网络的(6.1)构建损失函数为：

67、按下式构建损失函数l：

68、

69、式中，v为信号类型个数，ui为目标向量，yi为样本的预测概率，i取值为[1,7]；

70、对接收信号进行建模，经低速异步采样的同相正交分量，生成二维异步同相正交直方图，通过训练径向基函数神经网络，提取二维图像的特征参数，网络输出为所输入信号的调制方式类别，经计算机仿真确定了七种调制方式。采用本发明方法与同类现有技术进行了对比实验，验证了本发明对于低速异步采样信号调制方式识别的有效性和鲁棒性，实验结果表明，在低速异步采样的输入信号信噪比为6db时，识别准确率达到了95％以上，解决了现实中硬件条件受限、信号频率不稳定、难以还原有效信息导致识别准确率低的技术问题。本发明具有识别准确率高、识别率准确等优点。