CN107979554A

CN107979554A - 基于多尺度卷积神经网络的无线电信号调制识别方法

Info

Publication number: CN107979554A
Application number: CN201711144077.6A
Authority: CN
Inventors: 杨淑媛; 焦李成; 黄震宇; 吴亚聪; 王喆; 李兆达; 张博闻; 宋雨萱; 李治; 王翰林
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2017-11-17
Filing date: 2017-11-17
Publication date: 2018-05-01
Anticipated expiration: 2037-11-17
Also published as: CN107979554B

Abstract

本发明公开一种基于多尺度卷积神经网络的无线电信号调制识别算法，其实现步骤为：(1)生成处理后的无线电调制信号；(2)生成二维时频图，对信号的瞬时相关函数作傅里叶变换得到信号的维格纳‑威利时频分布图；(3)对时频分布图进行预处理，生成训练样本集和测试样本集；(4)构建多尺度卷积神经网络模型并进行训练；(5)使用训练好的网络模型对测试集进行测试，计算正确率，获得识别准确率，评估网络性能。本发明具有普适性强，不需要人工特征提取和大量先验知识，复杂度低，分类结果准确、稳定的优点，可用于信号分类识别技术领域中。

Description

基于多尺度卷积神经网络的无线电信号调制识别方法

技术领域

本发明属于信号处理技术领域，更进一步涉及一种基于多尺度卷积神经网络的无线电信号自动调制识别方法。本发明可以适用于复杂的电磁环境，实现无线电信号的自动特征提取和调制方式分类，从而使无线电信号调制方式分类更加灵活，高效。

背景技术

无线电信号调制识别在军用电子对抗，敌对侦察和信号捕获分析上扮演着重要角色，在已知信息极度缺乏的情况下，信号的调制识别作为信号处理流程的第一道工序，对信息的最终识别起到了决定性作用。由于先验信息的匮乏，一直以来国内外各大科研机构和高校在调制识别领域做出了大量的工作。目前基于传统分类方法的数字信号调制方式识别能在给定测试信号上达到令人满意的识别率。但是随着科技的快速发展，电磁环境的复杂度提高，信号种类和干扰增多，这些传统方法的缺点也愈发突出。传统方法需要大量的先验知识和复杂的人工特征提取，只能识别有限几种信号，方法鲁棒性不高并且在复杂通信环境下受干扰影响较大，同时模型较为复杂。我们采用多尺度卷积神经网络，实现在复杂电磁环境下对无线电信号的自动特征提取和调制方式分类。

电子科技大学在其申请的专利文献“一种CPFSK调制识别方法”(申请号201510847573.2)中公开了一种连续相位频移键控调制识别方法，该方法通过以下步骤：充分利用连续相位频移键控信号的特征，即在每个符号内其瞬时相位是线性增加或减少的这一特点，通过对连续相位频移键控信号建模并提取信号瞬时相位，结合线性拟合的手段，使新的特征提取方法具有更好的抗噪声能力，通过仿真实验可以看出该算法结果直观，性能良好，同时拥有较低的运算复杂度。该方法存在的不足之处是：该方法虽然提出了一种通信信号调制识别方法，但是仅仅可以用于识别连续相位频移键控信号，并且在进行信号特征提取时需要大量的先验知识。

哈尔滨工业大学在其申请的专利文献“一种鲁棒通信信号调制识别方法”(申请号201410680905.8)中公开了一种鲁棒通信信号调制识别方法。该方法通过以下步骤：1、对通信信号样本进行魏格纳(Wigner-Ville)变换得到时频分布，提取二阶立体自相关特征，建立二阶立体自相关特征集，然后对二阶立体自相关特征进行遴选形成鲁棒的特征集，之后训练建立一类支持向量机组并计算一类支持向量机组的输出函数。2、计算待识别通信信号样本属于通信信号样本中包含的各种调制方式的概率选取概率最大的调制类别作为最终的调制识别结果。该方法虽然提出了一种鲁棒通信信号调制识别方法，但是该方法仍然存在的不足之处是：模型复杂，进行信号特征提取时高度依赖于人工特征提取。

发明内容

本发明针对上述现有技术的不足，提出一种基于多尺度卷积神经网络的无线电信号自动调制识别方法。

实现本发明目的的具体思路是，利用多尺度卷积神经网络进行无线电信号调制识别。该算法在信号识别中能够达到较高的识别率，同时又能降低传统调制识别方法对人工特征提取和先验知识的高度依赖性，可以识别多种类型调制方式的无线电信号，并简化了识别步骤。从而使无线电信号调制识别更加灵活、高效。

实现本发明目的的具体步骤包括如下：

(1)生成处理后的无线电调制信号：

将十一种共计220000个无线电调制信号中的每一个信号通过瑞利衰落信道，再叠加信噪比为+5分贝的高斯白噪声，得到220000个无线电调制信号；

(2)生成二维时频图：

(2a)利用维格纳-威利时频分布公式，分别求220000个无线电调制信号中的每一个无线电调制信号的维格纳-威利时频分布；

(2b)画出维格纳-威利时频分布的等高线图，得到十一种共计220000张二维时频图；

(3)生成训练样本集和测试样本集：

(3a)根据归一化公式，分别对十一种二维时频图中的每一张二维时频图进行归一化处理，将所有归一化处理后的二维时频图组合成图像样本集合；

(3b)分别从图像样本集合的每一种二维时频图中随机抽取80％的样本，组合成训练样本集，余下的20％组合为测试样本集；

(4)构建多尺度卷积神经网络模型：

(4a)设定多尺度卷积神经网络的参数和最大迭代次数，最大迭代次数设为100000步；

(4b)构建用于对信号进行自动特征提取的12层卷积神经网络模型；

(4c)在12层的卷积神经网络模型中，加入提取信号多尺度特征的两个多尺度卷积层，得到14层多尺度卷积神经网络模型；

(4d)设置多尺度卷积神经网络模型的损失函数、优化算法、分类器；

(5)训练多尺度卷积神经网络模型：

(5a)将打乱训练样本集中所有样本排列顺序的训练样本集，输入到多尺度卷积神经网络模型中；

(5b)训练多尺度卷积神经网络模型，当达到多尺度卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程，得到训练好的多尺度卷积神经网络模型；

(6)获得识别准确率：

(6a)将测试样本集输入到训练好的多尺度卷积神经网络模型中，得到识别结果；

(6b)将识别结果与测试集的真实类别对比，统计识别正确率。

本发明与现有技术相比具有以下优点：

第一，由于本发明使用了12层卷积神经网络模型，用于对无线电信号进行自动特征提取，克服了现有技术在进行无线电信号特征提取时需要大量先验知识的缺点。使本发明中多尺度卷积神经网络模型可以自动处理多种类型信号的调制方式识别，增强了多尺度卷积神经网络模型的普适性。

第二，由于本发明在12层的卷积神经网络模型中加入两个多尺度卷积层，得到14层多尺度卷积神经网络模型，用于对无线电信号进行多种方式的特征提取，增加了特征的多样性，克服了现有技术在进行信号分析时高度依赖于人工特征提取的缺点，同时提高了多尺度卷积神经网络模型对于无线电信号调制方式的识别精度，简化了识别步骤。

附图说明

图1为本发明的流程图；

图2是本发明所生成的十一种二维时频图；

图3是本发明的仿真图。

具体实施方式

下面结合附图对发明做进一步描述。

参照附图1，对本发明的具体步骤做进一步的描述。

步骤1，生成处理后的无线电调制信号。

将十一种共计220000个无线电调制信号中的每一个信号通过瑞利衰落信道，再叠加信噪比为+5分贝的高斯白噪声，得到220000个无线电调制信号。

所述的十一种无线电调制信号的类型分别为：双边带调幅信号AMDSB、单边带调幅信号AMSSB、二进制相移键控调制信号BPSK、四相移相键控调制信号QPSK、八相移相键控调制信号EPSK、宽带调频信号WBFM、连续相位频移键控信号CPFSK、脉冲幅度调制信号PAM4、十六进制正交振幅调制信号QAM16、六十四进制正交振幅调制信号QAM64、高斯频移键控信号GFSK。

步骤2，生成二维时频图。

第一步，利用维格纳-威利时频分布公式，分别求220000个无线电调制信号中的每一个无线电调制信号的维格纳-威利时频分布。

所述的维格纳-威利时频分布公式如下：

其中，W_n(t,Ω)表示第n个无线电调制信号x_n(t)的能量随时间t和角频率Ω变化的时频分布，Ω表示第n个无线电调制信号x_n(t)的角频率，表示积分操作，表示第n个无线电调制信号x_n(t)在时刻的值，表示第n个无线电调制信号x_n(t)在时刻的值，τ表示滞后时间，*表示共轭操作，e表示以自然对数为底数的指数操作，j表示虚数单位符号。

第二步，画出维格纳-威利时频分布的等高线图，得到十一种共计220000张二维时频图，分别从十一种二维时频图中的每一种中取出一张二维时频图，共取出十一张二维时频图，十一张二维时频图如图2所示。

步骤3，生成训练样本集和测试样本集。

第一步，根据归一化公式，分别对十一种二维时频图中的每一张二维时频图进行归一化处理，将所有归一化处理后的二维时频图组合成图像样本集合。

所述的归一化公式如下：

其中，Y_m表示第m张二维时频图X_m归一化处理后的图像样本，μ表示累加十一种二维时频图后求取的平均值，σ表示十一种二维时频图的标准差。

第二步，分别从图像样本集合的每一种二维时频图中随机抽取80％的样本，组合成训练样本集，余下的20％组合为测试样本集。

步骤4，构建多尺度卷积神经网络模型。

第一步，设定多尺度卷积神经网络的参数和最大迭代次数，最大迭代次数设为100000步。

所述的多尺度卷积神经网络的参数设置如下：将学习率设置为0.001，批处理大小设置为16，每次读取图像上限设置为1000张。

第二步，构建用于对信号进行自动特征提取的12层卷积神经网络模型。

所述的12层卷积神经网络的结构设置为：输入层→卷积层1→池化层1→卷积层2→池化层2→卷积层3→池化层3→全连接层1→全连接层2→全连接层3→分类器层→输出层。

其中各层的参数设置如下:

将输入层设置为128个神经单元。

将卷积层1设置为16个卷积核，每个卷积核为3×3的窗口。

分别将池化层1、池化层2和池化层3设置为最大池化。

分别将卷积层2和卷积层3设置16个卷积核，每个卷积核为3×3的窗口。

分别将全连接层1和全连接层2设置为128个全连接神经元。

将全连接层3设置为5个全连接神经元。

将分类器层设置为多分类函数Softmax。

将输出层设置5个输出神经单元。

第三步，在12层的卷积神经网络模型中，加入提取信号多尺度特征的两个多尺度卷积层，得到14层多尺度卷积神经网络模型。

所述的14层多尺度卷积神经网络的结构设置为,输入层→卷积层1→池化层1→卷积层2→池化层2→卷积层3→池化层3→多尺度卷积层1→拼接操作1→多尺度卷积层2→拼接操作2→全连接层1→全连接层2→全连接层3→分类器层→输出层。14层卷积神经网络参数的设置除了多尺度卷积层和拼接层，其它各层的参数设置与12层卷积神经网络的参数设置相同，其中多尺度卷积层和拼接层的参数设置如下：

将多尺度卷积层1设置三个并行的支路；将多尺度卷积层1中的支路1设置为32个卷积核，每个卷积核为1×1的窗口；将多尺度卷积层1中的支路2设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为24个卷积核，每个卷积核为1×1的窗口，第三个卷积层设置为32个卷积核，每个卷积核为5×5的窗口；将多尺度卷积层1中的支路3设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为48个卷积核，每个卷积核为3×3的窗口，第三个卷积层设置为48个卷积核，每个卷积核为3×3的窗口。

将拼接操作1设置为一个矩阵拼接函数，对多尺度层1中的三个支路的输出结果进行拼接。

将多尺度卷积层2设置三个并行的支路；将多尺度卷积层2中的支路1设置为32个卷积核，每个卷积核为1×1的窗口；将多尺度卷积层2中的支路1设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为16个卷积核，每个卷积核为3×3的窗口，第三个卷积层设置为16个卷积核，每个卷积核为3×3的窗口；将多尺度卷积层2中的支路3设置为最大池化函数。

将拼接操作2设置为一个矩阵拼接函数，对多尺度层2中的三个支路的输出结果进行拼接。

第四步，设置多尺度卷积神经网络模型的损失函数、优化算法、分类器。

所述的损失函数，优化算法和激活函数的设置为：将损失函数设置为交叉熵，优化算法选择误差逆传播算法，将激活函数设置为修正线性单元激活函数。

步骤5，训练多尺度卷积神经网络模型。

第一步，将打乱训练样本集中所有样本排列顺序的训练样本集，输入到多尺度卷积神经网络模型中。

第二步，训练多尺度卷积神经网络模型，当达到多尺度卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程，得到训练好的多尺度卷积神经网络模型。

步骤6，获得识别准确率。

第一步，将测试样本集输入到训练好的多尺度卷积神经网络模型中，得到识别结果。

第二步，将识别结果与测试集的真实类别对比，统计识别正确率。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：

本发明的仿真实验在Intel(R)I5-6600K CPU 3.5GHz，GTX1070，Ubuntu16.04LTS***下，TensorFlow1.0.1运行平台上，完成本发明以及无线电信号产生和多尺度卷积神经网络的仿真实验。

2.仿真实验内容：

将本发明的仿真实验所用的11个时频分布图像如图2所示，该时频分布图像可以按调制方式分为图2(a)所示的双边带调幅信号时频分布图、图2(b)所示的单边带调幅信号时频分布图、图2(c)所示的二进制相移键控调制信号时频分布图、图2(d)所示的四相移相键控调制信号时频分布图、图2(e)所示的八相移相键控调制信号时频分布图、图2(f)所示的宽带调频信号时频分布图、图2(g)所示的连续相位频移键控信号时频分布图、图2(h)所示的脉冲幅度调制信号时频分布图、图2(i)所示的十六进制正交振幅调制信号时频分布图、图2(j)所示的六十四进制正交振幅调制信号时频分布图、图2(k)所示的高斯频移键控信号时频分布图。

3.仿真实验结果：

本发明的仿真实验结果如图3所示。图3中的横轴代表迭代次数，纵轴对应每次迭代的损失函数值。在对多尺度卷积神经网络模型训练的过程中，统计每次训练结果的损失函数值，损失函数值越小代表模型的训练效果越好。由图3可见，随着迭代次数的增加损失函数值递减并最终收敛至稳定，说明本仿真实验的训练效果随着训练次数的增多而提高。

将测试样本输入训练好的多尺度卷积神经网络模型，得到本仿真实验的识别准确率为95％。

由以上的仿真实验可以说明，针对无线电信号的调制识别，本发明可以完成不同类别的调制识别任务，方法有效可行。

Claims

1.一种基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于：包括如下步骤：

(1)生成处理后的无线电调制信号：

(2)生成二维时频图：

(3)生成训练样本集和测试样本集：

(4)构建多尺度卷积神经网络模型：

(5)训练多尺度卷积神经网络模型：

(6)获得识别准确率：

(6b)将识别结果与测试集的真实类别对比，统计识别正确率。

2.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(1)中所述的十一种无线电调制信号的类型分别为：双边带调幅信号AMDSB、单边带调幅信号AMSSB、二进制相移键控调制信号BPSK、四相移相键控调制信号QPSK、八相移相键控调制信号EPSK、宽带调频信号WBFM、连续相位频移键控信号CPFSK、脉冲幅度调制信号PAM4、十六进制正交振幅调制信号QAM16、六十四进制正交振幅调制信号QAM64、高斯频移键控信号GFSK。

3.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(2)中所述的维格纳-威利时频分布公式如下：

<mrow> <msub> <mi>W</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>&Omega;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mo>&Integral;</mo> <mrow> <mo>-</mo> <mi>&infin;</mi> </mrow> <mi>&infin;</mi> </msubsup> <msub> <mi>x</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mfrac> <mi>&tau;</mi> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>*</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mfrac> <mi>&tau;</mi> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>j</mi> <mi>&Omega;</mi> <mi>&tau;</mi> </mrow> </msup> <mi>d</mi> <mi>&tau;</mi> </mrow>

4.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(3a)中所述的归一化公式如下：

<mrow> <msub> <mi>Y</mi> <mi>m</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>X</mi> <mi>m</mi> </msub> <mo>-</mo> <mi>&mu;</mi> </mrow> <mi>&sigma;</mi> </mfrac> </mrow>

5.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于,步骤(4a)中所述的多尺度卷积神经网络的参数设置如下：将学习率设置为0.001，批处理大小设置为16，每次读取图像上限设置为1000张。

6.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(4b)中所述的12层卷积神经网络的结构设置为：输入层→卷积层1→池化层1→卷积层2→池化层2→卷积层3→池化层3→全连接层1→全连接层2→全连接层3→分类器层→输出层；其中各层的参数设置如下:

将输入层设置为128个神经单元；

将卷积层1设置为16个卷积核，每个卷积核为3×3的窗口；

分别将池化层1、池化层2和池化层3设置为最大池化；

分别将卷积层2和卷积层3设置16个卷积核，每个卷积核为3×3的窗口；

分别将全连接层1和全连接层2设置为128个全连接神经元；

将全连接层3设置为5个全连接神经元；

将分类器层设置为多分类函数Softmax；将输出层设置5个输出神经单元。

7.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(4c)中所述的14层卷积神经网络的结构设置如下：

输入层→卷积层1→池化层1→卷积层2→池化层2→卷积层3→池化层3→多尺度卷积层1→拼接操作1→多尺度卷积层2→拼接操作2→全连接层1→全连接层2→全连接层3→分类器层→输出层；

14层卷积神经网络参数的设置除了多尺度卷积层和拼接层，其它各层的参数设置与12层卷积神经网络的参数设置相同，其中多尺度卷积层和拼接层的参数设置如下：

将多尺度卷积层1设置三个并行的支路；将多尺度卷积层1中的支路1设置为32个卷积核，每个卷积核为1×1的窗口；将多尺度卷积层1中的支路2设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为24个卷积核，每个卷积核为1×1的窗口，第三个卷积层设置为32个卷积核，每个卷积核为5×5的窗口；将多尺度卷积层1中的支路3设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为48个卷积核，每个卷积核为3×3的窗口，第三个卷积层设置为48个卷积核，每个卷积核为3×3的窗口；

将拼接操作1设置为一个矩阵拼接函数，对多尺度层1中的三个支路的输出结果进行拼接；

将多尺度卷积层2设置三个并行的支路；将多尺度卷积层2中的支路1设置为32个卷积核，每个卷积核为1×1的窗口；将多尺度卷积层2中的支路1设置为三个卷积层，第一个卷积层设置为32个卷积核，每个卷积核为1×1的窗口，第二个卷积层设置为16个卷积核，每个卷积核为3×3的窗口，第三个卷积层设置为16个卷积核，每个卷积核为3×3的窗口；将多尺度卷积层2中的支路3设置为最大池化函数；

8.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(4d)中所述的损失函数，优化算法和激活函数的设置为：将损失函数设置为交叉熵，优化算法选择误差逆传播算法，将激活函数设置为修正线性单元激活函数。