一种基于多特征融合的信号调制分析方法

本发明涉及电子信息，尤其涉及一种基于多特征融合的信号调制分析方法。

背景技术：

1、随着电子信息技术的发展，频谱资源日益紧张。同一频段内工作的无线电设备日趋增多且调制方式多样，导致电磁环境复杂化，给信号调制识别带来了巨大挑战。传统的调制识别算法由于依靠单一特征，导致在复杂电磁环境下的调制识别准确率不高。因此复杂电磁环境下基于多特征融合的调制识别技术具有重要的研究意义。

2、针对上述问题，目前以存在几种解决思路，比如：1、通过提取信号的六阶累积量构造一种新的特征参数作为深度神经网络(deep neural networks,dnn)的输入，仿真结果证明在考虑频偏和多径影响的低信噪比条件下，算法仍具有良好的识别性能和鲁棒性。2、基于径向基函数网络(radial basis function network,rbfn)和基于稀疏自编码器的深度神经网络(sparse-autoencoder-based deep neural network,saednn)，通过构造混合特征空间(hybrid feature space,hfs)作为网络输入。仿真结果表明，在考虑频率选择性衰落和多普勒频移的情况下，算法都具有较好的分类精度。3、基于粒子群优化(particleswarm optimization,pso)的深度神经网络(dnn)，解决传统dnn模型陷入局部极小值、隐形节点需要仍选择的问题，通过对加有高斯白噪声的调制信号特征进行识别，提高了低信噪比下的识别性能。4、基于星座图(grid constellation matrix,gcm)的调制识别方法，通过对接收信号进行低复杂度预处理得到星座图作为对比全卷积神经网络(contrastivefully convolutional network,cfcn)的输入，设计具有对比损失的损失函数增强不同调制特征之间的差异。仿真结果表明算法具有较好的分类性能和鲁棒性。5、基于循环熵谱(cyclic correntropy spectrum,cces)和深度残差神经网络(deep residual neuralnetwork,resnet)的调制识别方法，通过引入cces有效抑制非高斯噪声。实验结果证明在非高斯噪声环境下，算法识别精度较高。6、预处理方法和基于rnn层构造的dnn分类器，降低了dnn分类成本，通过预处理方法加快了分类器的训练过程。7、多任务学习(multi-tasklearning mtl)方法来识别信号的调制方式，通过卷积神经网络(convolutional neuralnetwork)提取信号特征，然后通过mtl进行单独训练来提高整体信号分类精度。8、双cnn网络结合的调制识别算法，通过两个cnn网络分别对信号的同相和正交样本进行训练，并使用dropout提高识别精度。

3、但是，目前已有的研究工作多集中在单一特征的提取，针对信号多域特征的提取和融合鲜有学者讨论。由于电磁环境的复杂化，传统依靠单一特征的调制识别算法在低信噪比条件下准确率不高。因此，如何实现基于多特征融合的信号调制识别，并提升低信噪比条件下的识别准确率，成为了需要研究的课题。

技术实现思路

1、本发明的实施例提供一种基于多特征融合的信号调制分析方法，能够实现基于多特征融合的信号调制识别，并提升低信噪比条件下的识别准确率。

2、为达到上述目的，本发明的实施例采用如下技术方案：

3、第一方面，本发明的实施例提供的方法，包括：

4、s1、根据输入信号获取sst时频系数矩阵和wvd时频系数矩阵；

5、s2、利用经过预处理的所述sst时频系数矩阵，来抑制所述wvd时频系数矩阵的交叉干扰，并输出为mwvd矩阵；

6、s3、对所述mwvd矩阵进行时频特征提取，并结合信号波形的时域特征进行融合；

7、s4、利用融合后的特征进行性能分析。

8、其中，在s1中，获取sst时频系数矩阵包括：建立迭代重分配后的sst时频系数矩阵其中，stft[]表示窗函数，h表示时间点，m表示频率点，δ表示冲击函数，ξ表示冲击响应中的频率变量，ω表示迭代得到的角频率函数，n表示迭代次数，l表示信号长度。传统时频分析算法在时频域所提取的调制信号特征区分度不高。本实施例提出一种基于矩阵加权的时频分析算法。该算法通过构造系数sst时频系数矩阵对传统时频分析方法进行优化，提高了时频聚集度和时频分辨率，使得信号在时频域的特征更加易于区分。具体的，本实施例通过构造sst时频系数矩阵对wvd时频分析的交叉干扰项进行抑制，同时提高时频聚集度和时频分辨率，进而提高信号时频特征的区分度。假设信号为x(t)，通过窗函数截取得到信号x(τ)g(τ-t)，沿信号x(t)滑动截取并进行傅里叶变换，则stft可以表述为：

9、

10、其中，g(t)为窗函数，为窗函数的中心，τ为时间变量。

11、为了便于分析，假设输入信号为调幅和调相的单分量信号x(t)

12、

13、其中，a(t)为信号瞬时幅度，为信号瞬时相位。

14、从stft理论来讲，stft是计算窗函数截取到的信号x(τ)g(τ-t)，在η∈[t-δt,t+δt]内傅里叶变换的结果，η表示时间范围，t表示时间，δt表示变化量，因此，存在足够小的ε，满足|a′(t)|≤ε且ε表示极限值，a′(t)表示幅度求导，表示瞬时相位的二阶导数。此时x(t)的短时傅里叶变换可以描述为：

15、

16、其中，g(·)表示窗函数g(t)的傅里叶变换，表示信号的瞬时频率，r(t,ω)为的无穷小量，所以当ε满足|a′(t)|≤ε和时，r(t,ω)可以被忽略。

17、由次可见，信号x(t)的短时傅里叶变换是由相位相同但瞬时幅度不同的时频系数组成的，从窗函数g(t)的傅里叶变换可以看出，当时，随着频率增大，时频系数幅值逐渐减小，同时时频系数的相位与原始信号的相位相同。因此stft(t,ω)对时间t的导数如下：

18、

19、因此，当stft(t,ω)≠0时，可以推得stft的二维频率估计：

20、

21、其中，表示求导符号，i表示虚数，

22、综上所述，只要x(t)的短时傅里叶变换结果满足stft(t,ω)≠0，频率估计值可以约等于信号的真实频率。sst通过频率重分配算子来提高时频系数的聚集性，可以表示为：

23、

24、通过sst运算，可以发现stft结果的能量主要集中在频率轨迹附近。

25、通过对上述公式进行离散化得到sst时频系数矩阵如下：

26、

27、为了得到更加清晰的时频矩阵，sst需要满足弱时变的条件，对于强调频信号来说，由于信号频率的不断变化，会导致实际频率与估计频率之间的误差不断增加，导致时频表示模糊。在sst处理后确实会得到更加清晰的时频表示，因此通过对已经得到的sst结果再次执行sst会得到更加清晰的结果，通过多次sst迭代，可以进一步集中时频能量，提高时频聚集性，得到更加清晰的时频表示结果，公式表述如下：

28、

29、通过上述推导，将n＝2,3,4…n以此类推，可以得到

30、

31、最终可以得到迭代重分配后的sst时频系数矩阵。

32、本实施例中，s2中，还包括：对所述sst时频系数矩阵进行维纳滤波，从而抑制低信噪比下的高斯噪声；对经过维纳滤波后的sst时频系数矩阵进行二值化处理，经过二值化的sst时频系数矩阵为：ta表示全局阈值，max(ts[n](t,f))表示sst时频系数矩阵中的最大值，ts[n](t,f)/max(ts[n](t,f))表示sst时频系数矩阵中的每个元素除以矩阵中的最大值，t表示时间，f表示频率，。

33、s2中，所述抑制所述wvd时频系数矩阵的交叉干扰并输出为mwvd矩阵，包括：利用二值化后的sst时频系数矩阵与wvd时频系数矩阵之间的滤波互消效应来抑制wvd的交叉干扰，其中，对所述wvd时频系数矩阵和二值化的sst时频系数矩阵进行矩阵运算并得到的mwvd矩阵为：

34、mwvd(t,f)＝gts(t,f)*wvd(t,f)。本实施例首先构造了加权系数矩阵，由于加权系数矩阵是基于stft和迭代重分配算法进行构建的时频系数矩阵，作为一种线性的时频系数矩阵不存在交叉干扰项。因此在对wvd时频矩阵进行加权时，可以有效抑制wvd的交叉干扰项。同时对于迭代重分配构建的sst时频系数矩阵来说，计算的复杂程度与迭代轮数有关，为了降低计算的复杂程度，选取迭代轮数n＝6时，仍旧可以有效wvd的抑制交叉干扰项并保存较高的时频聚集度，对wvd时频分析方法进行矩阵加权的流程如下

35、(1)通过代入信号的时间序列计算得到基于迭代重分配后的sst时频系数矩阵(即加权矩阵)和wvd时频系数矩阵。

36、(2)对sst时频系数矩阵进行维纳滤波，抑制低信噪比下的高斯噪声。

37、(3)为了进一步抑制噪声，通过全阈值二值法[70]对维纳滤波后的sst时频系数矩阵进行二值化处理。二值化sst时频系数矩阵如下：

38、

39、其中,ta表示全局阈值，max(ts[n](t,f))表示sst时频系数矩阵中的最大值，ts[n](t,f)/max(ts[n](t,f))表示sst时频系数矩阵中的每个元素除以矩阵中的最大值，即对各元素进行归一化。

40、(4)利用二值化后的sst时频系数矩阵与wvd时频系数矩阵之间的滤波互消效应来抑制wvd的交叉干扰，即对wvd时频系数矩阵和二值化sst时频系数矩阵进行矩阵运算，其数学公式为：

41、mwvd(t,f)＝gts(t,f)*wvd(t,f)

42、(5)输出mwvd矩阵，得到对wvd时频矩阵加权后的时频分析结果，基于矩阵加权的时频分析算法完整流程图如图1所示。

43、传统基于深度学习的调制识别方法多集中在信号时域或频域等单一域调制特征的提取，针对信号多域特征的提取和融合鲜有学者讨论。本实施例提出的基于多特征融合的调制识别方法通过提取信号在时域和时频域的特征并进行融合，经过卷积神经网络分类器进行分类，实现信号不同调制类型的识别。在调制识别方法中结合本实施例中第一部分提出的时频分析方法对信号的时频特征进行提取，可以更好的体现调制信号之间时频特征的区分度。如图2所示，多特征融合网络(mffnet)以信号的时频图和时域波形作为网络输入，分别提取信号在时频域的特征和时域的特征，将两种特征融合后识别信号的调制类型。多特征融合网络(mffnet)主要分为两路结构，一路提取信号的时频域特征，另一路提取信号的时域特征，通过特征融合模块将两路提取的特征向量融合，利用融合机制进一步调制特征表示，最终进行调制类型识别。，在本实施例的s3，对所述mwvd矩阵进行时频特征提取，包括：时频特征提取模块由二维卷积层和二维残差密集连接块组成，所述二维残差密集连接块包括二维密集连接块和过渡层；

44、通过时频特征提取模块进行时频特征提取的过程中，包括：通过二维卷积层提取所述mwvd矩阵时频图的低维特征，并输出为x′tfin＝f2d-cnov(xtfin)，其中，f2d-conv表示二维卷积计算，xtfin的维度为w1×h1×c1，w1、h1、c1分别为时频图像的宽度、高度、通道数；x′tfin、xtfin分别为卷积层的输入和输出；所述二维残差密集连接块的输出为xout＝h(xtfin)+f(xtfin)，f(·)表示跳跃连接，在网络结构中表示对输入xin直接经过池化后与下一层的输出进行特征拼接，h(·)表示对输入xin经过密集连接块和过渡层进行非线性变换，h(xin):ht(hd([xtfin,xtfin+1,…,xtfin+m]))，hd(·)表示输入经过m个密集连接层执行的非线性函数ht、xtfin+m分别为过渡层执行的非线性函数和第m个密集连接层的输入。

45、对所述mwvd矩阵进行时域特征提取，包括：时域特征提取模块由一维卷积层和一维残差密集连接块组成，其中，所述一维残差密集连接块包括一维密集连接块和过渡层；通过时域特征提取模块进行时域特征提取的过程中，包括：

46、通过所述一维卷积层提取输入时域波形的低维特征，并输出为：x′tin＝f1d-cnov(xtin)，f1d-conv表示一维卷积计算，x′tin的维度为w1×h1×c1，xtin表示一维卷积输入，

47、所述一维残差密集连接块的输出为xout＝h(xtin)+f1d-conv(xtin)，f(·)表示跳跃连接，在网络结构中表示对输入xtin直接经过池化后与下一层的输出进行特征拼接，h(·)表示对输入xtin经过密集连接块和过渡层进行非线性变换，h(xin):ht(hd([xtin,xtin+1,...,xtin+m]))，hd(·)表示输入经过m个密集连接层执行的非线性函数ht、xtin+m分别为过渡层执行的非线性变换函数和第m个密集连接层的输入。

48、所述对所提取的特征进行融合，包括：选择预设的特征融合方式对时频特征和时域特征进行融合处理，所述预设的特征融合方式包括：概率加权融合、特征拼接融合和特征加和融合中的一项。

49、所述概率加权融合，包括：通过加权融合的类别概率向量，来计算用于性能分析的模型在训练阶段对调制类型识别的预测值，其中，p＝γ1xtfout+γ2xtout，+表示概率向量求和，γ1和γ2表示两个特征向量在最终预测概率中所占的比重，p表示最终预测概率。

50、所述特征拼接融合，包括：通过时频特征提取和时域特征提取得到的特征向量来构成新的特征向量，新的特征向量的维度是原有时频图特征向量和时域特征向量长度的总和，新的特征向量保留了时频图特征向量和时域特征向量的全部特征信息，所述新的特征向量为：xc＝xtfout||xtout，xc表示拼接后的特征向量，||表示特征拼接运算符，xtfout表示时频图特征向量、xtout表示时域特征向量。

51、所述特征加和融合，包括：对时频特征提取和时域特征提取得到的特征向量进行对应元素加和操作，加和操作后的新的特征向量维持原有维度大小，并同时整合时频图特征向量和时域特征向量各自特征源的信息，加和操作操作后的新的特征向量为：xa＝xtfout+xtout，xa表示求和后的特征向量，+表示逐元素相加运算符，xtfout表示时频图特征向量、xtout表示时域特征向量。

52、本发明实施例提供的基于多特征融合的信号调制分析方法，通过构造系数加权矩阵sst时频系数矩阵对传统时频分析方法进行优化，提高了时频聚集度和时频分辨率，使得信号在时频域的特征更加易于区分。基于多特征融合的信号调制识别方法通过提取信号在时域和时频域的特征并进行融合，经过卷积神经网络分类器进行分类，实现信号不同调制类型的识别。从而实现基于多特征融合的信号调制识别，并提升低信噪比条件下的识别准确率，比如可在-9db的低信噪比下实现调制识别准确率90％以上。