CN108616471A - 一种基于卷积神经网络的信号调制识别方法和装置 - Google Patents
一种基于卷积神经网络的信号调制识别方法和装置 Download PDFInfo
- Publication number
- CN108616471A CN108616471A CN201810427110.4A CN201810427110A CN108616471A CN 108616471 A CN108616471 A CN 108616471A CN 201810427110 A CN201810427110 A CN 201810427110A CN 108616471 A CN108616471 A CN 108616471A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- signal
- input
- modulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于卷积神经网络的信号调制识别方法和装置,方法包括:比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。从而,在低信噪比下获得了比传统的基于特征提取的方法更高的识别准确率。而且适应了不同待识别信号长度,能够充分利用待识别信号的完整信息,避免了信息浪费。
Description
技术领域
本发明涉及信号调制识别技术领域,具体涉及一种基于卷积神经网络的信号调制识别方法和装置。
背景技术
传统的信号调制识别主要通过提取信号特征方法来实现。有学者提出了一种调制类型识别方法,该方法避开了专门的特征提取环节,直接以无线电信号采样数据作为卷积神经网络的输入并完成对信号调制方式的识别,在低信噪比下获得了比传统的基于特征提取的方法更高的识别准确率。
然而,这种调制识别方法中的待识别信号的长度是固定的(比如长度是128个采样点),实际应用中,待识别信号长度并不确定,可能比卷积神经网络设计的信号输入长度更长或者更短。对于待识别信号长度比设计的信号输入长度大时,一种简单的做法是从待识别信号中截取一段符合卷积神经网络输入的信号段,对截取的新号段进行识别,但是这样不仅会浪费掉未输入卷积神经网络的信号信息,而且会影响识别准确率,因此,亟需改进。
发明内容
本发明提供了一种基于卷积神经网络的信号调制识别方法和装置,以解决现有信号调制识别技术未能充分利用待识别信号信息以及识别准确率不高的问题。
根据本申请的一个方面,提供了一种基于卷积神经网络的信号调制识别方法,包括:
比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;
当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
可选地,当N不等于L时,将接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中包括:
若N<L,则按照所述卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中;
若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中。
可选地,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中包括:
在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;
将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中包括:
对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;
其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
可选地,将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络并进行调制类型识别后,根据识别结果进行融合判决,或根据置信度进行融合判决。
可选地,根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];
步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;
步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
可选地,根据置信度进行融合判决包括:
步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],
其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;
步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
根据本发明的另一个方面,提供了一种基于卷积神经网络的信号调制识别装置,包括:
比较模块,用于比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
识别模块,用于当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
可选地,所述识别模块具体用于,若N<L,则按照所述卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中;若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中。
可选地,所述识别模块用于,在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;以及,用于对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
可选地,所述识别模块,还用于将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络并进行调制类型识别后,根据识别结果进行融合判决,或根据置信度进行融合判决;
具体的,根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];
步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;
步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;
根据置信度进行融合判决包括:
步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],
其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;
步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
本发明实施例的有益效果是:本发明实施例的基于卷积神经网络的信号调制识别方案,先比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等,如果N等于L,直接将接收到的信号输入到卷积神经网络中,如果N不等于L,将接收到的信号进行相应的补齐或分段处理后输入到卷积神经网络中,以得到卷积神经网络输出的信号调制类型。由此,本实施例的技术方案适应了不同待识别信号长度,能够充分利用待识别信号的完整信息,避免了信息浪费同时提高信号调制类型的识别准确率。
附图说明
图1是本发明一个实施例的一种卷积神经网络结构示意图;
图2是本发明一个实施例的基于卷积神经网络的信号调制识别方法的流程图;
图3是本发明另一个实施例的基于卷积神经网络的信号调制识别方法的流程示意图;
图4是本发明一个实施例的基于卷积神经网络的信号调制识别装置框图。
具体实施方式
动态频谱接入网络中,非授权用户可以使用授权用户(也称为主用户)当前未使用的频谱空穴进行通信,以此提高无线频谱资源的利用率。动态频谱接入的一个关键技术是需要对授权用户进行检测以避免对授权用户造成有害干扰。调制类型识别通过判断接收到的无线电信号采用哪种调制类型来辅助识别主用户,对于判定主用户类型来说具有重要意义。基于此,本实施例提供一种基于卷积神经网络的信号调制识别方法和装置,提高识别信号调制方式的准确率。
为便于理解,这里对信号调制类型以及卷积神经网络进行简要说明。
为了保证通信效果,克服远距离信号传输中的问题,提高频谱利用率和通信质量,要通过调制将信号频谱搬移到高频信道中进行传输。这种将要发送的信号加载到高频信号的过程就叫调制。数字信号三种最基本的调制方法调幅、调频和调相,其他各种调制方法都是以上方法的改进或组合。卷积神经网络(Convolutional Neural Network,CNN)因为其在图像领域的突出效果,在深度学***移不变形,并且通过降采样降低了更深层的计算复杂度。大多数卷积神经网络结构往往包含四个基本层:卷积层、归一化层、非线性激活层和池化层。
本发明将接收信号的I路(接收复基带信号的实部)和Q路(接收复基带信号的虚部)分别拼成矩阵的两列作为卷积神经网络的输入,一种卷积神经网络结构如图1所示,支持的输入信号长度为L,故支持的输入格式为L行2列(即Lx2)的矩阵形式。图1中,conv代表卷积层,conv之前的数字(即21x1)表示卷积核的尺寸,之后的数字(128)表示卷积核的个数;ReLU表示整流线性激活;Dropout表示Dropout层,括号内数字(0.5)表示Dropout概率;fc表示全连接层,数字(即,256)代表神经元个数;SoftMax表示SoftMax层,该层神经元个数为M,即调制样式类别总数;最后输出为类别,类别标签采用One-Hot编码。在卷积层和非线性激活层之间还包含批归一化层,为了简单起见,在图1中没有画出。一个实施例中,网络训练目标函数可以采用交叉熵损失函数,训练方法可以采用随机梯度下降法。
图2是本发明一个实施例的基于卷积神经网络的信号调制识别方法的流程图,参见图2,本实施例的基于卷积神经网络的信号调制识别方法包括下列步骤:
步骤S201,比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
步骤S202,当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;
步骤S203,当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
由图2所示可知,本实施例的这种信号调制识别方法先比较接收到的信号的长度与卷积神经网络支持的输入信号长度的关系,并根据比较结果的不同进行不同处理,从而实现了不同长度的待识别信号,并充分利用待识别信号的信息,同时了提高信号调制类型的识别准确率。
图3是本发明另一个实施例的基于卷积神经网络的信号调制识别方法的流程示意图,下面结合图3对本实施例的基于卷积神经网络的信号调制识别方法的实现步骤进行重点说明。
参见图3,流程开始,先执行步骤S301,判断接收到的信号的长度N与卷积神经网络支持的输入信号长度L的关系;
可以理解,接收到的信号即为待识别信号。待识别信号长度与卷积神经网络支持的输入信号长度之间的关系无非三种,即小于关系、大于关系或等于关系。本实施例针对三种不同的关系采取不同的处理步骤,等于关系相对简单,直接将信号输入卷积神经网络进行识别即可,而当信号长度N不等于卷积神经网络支持的长度L时,本实施例将接收到的信号进行相应的补齐或分段处理后再输入到卷积神经网络中,具体包括若N<L,则按照卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到卷积神经网络中;若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到卷积神经网络中。
参见图3,当为前述第一种关系时执行步骤S302和步骤S305。
具体的,步骤S302,若N小于L,则将信号补零,补零个数为N-L。
本实施例中,在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别。也就是在待识别信号采样序列x(n)后面补N-L个0,即x(n)=0,n=N,...,L-1。
然后执行步骤S305,输入卷积神经网络进行识别,识别结果为置信度最高的调制类型。这里是将x(n)(n=0,1,2,...,L-1)按照卷积神经网络支持的输入格式输入卷积神经网络进行调制样式识别,识别结果是置信度最高的那个调制类型。
第二种关系时执行步骤S303和步骤S306。
步骤S303,若N大于L,则将信号进行分段,每段长度为L。
这里的,将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中包括:对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
也就是说,对待识别信号采样序列x(n),n=0,1,2,...,N-1,其中N为信号长度,按间隔P进行滑动选取长度L的各个信号段yi(m),其中yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I。 表示不大于(N-L+1)/P的最大整数。1≤P≤N-L+1。
步骤S306,将每段信号输入卷积神经网络进行识别,按识别结果融合或置信度融合确定最终的识别结果。
将步骤S303中分好的各信号段yi(m)按照卷积神经网络支持的输入格式输入到卷积神经网络进行调制样式识别,根据识别结果或置信度进行融合判决。
本实施例中根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];
步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;
步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
也就是说,首先令识别信号段yi(m)为第j种调制类型的次数vj=0,j=1,2,...,M,M表示所设计的卷积神经网络所支持识别的调制类型数目。将yi(m)按照卷积神经网络的输入格式输入到卷积神经网络进行调制识别,识别结果为oi,oi∈[1,2,...,M],若oi=j,则将识别结果为第j种调制类型的次数加1,即vj=vj+1,重复该过程直到所有yi(m)均识别完毕。最后求取vj(j=1,2,...,M)的最大值,如果只有一个最大值,则其对应的下标j即作为最终调制类型识别结果(识别结果为第j种调制类型),如果有多个最大值,则随机选取一个最大值,其对应的下标j即作为最终调制类型识别结果(识别结果为第j种调制类型)。
根据置信度进行融合判决包括:
步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],
其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;
步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
也就是说,首先将yi(m)按照卷积神经网络的输入格式输入到卷积神经网络进行调制识别,得到置信度向量(即卷积神经网络SoftMax层的输出)pi=[pi,1,pi,2,...,pi,M],其中pi,j表示将yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示设计的卷积神经网络所支持识别的调制类型数目。然后计算第j种调制类型的置信度的平均值,得到j=1,2,...,M。最后求取wj(j=1,2,...,M)的最大值,如果只有一个最大值,则其对应的下标j即作为最终调制类型识别结果(识别结果为第j种调制类型),如果有多个最大值,则随机选取一个最大值,其对应的下标j即作为最终调制类型识别结果(识别结果为第j种调制类型)。
第三种关系时执行步骤S304,若N等于L,则将信号输入卷积神经网络进行识别,识别结果为置信度最高的调制类型。
由上可知,本实施例公开了一种适应不同信号长度的卷积神经网络调制识别方法,当待识别信号采样序列长度小于卷积神经网络支持的输入长度时,通过补零使其适应卷积神经网络输入格式;当待识别信号采样序列长度大于卷积神经网络支持的输入长度时,通过对信号采样序列进行分段输入卷积神经网络进行调制样式识别,再通过识别结果融合或置信度融合给出最终调制样式识别结果。充分利用完整的待识别信号的信息,提高了调制类型识别准确率。
图4是本发明一个实施例的基于卷积神经网络的信号调制识别装置框图,参见图4,本实施例的基于卷积神经网络的信号调制识别装置400包括:
比较模块401,用于比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
识别模块402,用于当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
在本发明的一个实施例中,识别模块402具体用于,若N<L,则按照所述卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中;若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中。
在本发明的一个实施例中,识别模块402在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;以及,用于对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
在本发明的一个实施例中,识别模块402还用于将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络并进行调制类型识别后,根据识别结果进行融合判决,或根据置信度进行融合判决;具体的,根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;
根据置信度进行融合判决包括:步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
需要说明的是,本实施例的基于卷积神经网络的信号调制识别装置是和前述基于卷积神经网络的信号调制识别方法相对应的,因而本实施例中对基于卷积神经网络的信号调制识别装置没有描述的内容可参见前述方法实施例中的说明,这里不再赘述。
本发明一个实施例提供了一种电子设备,电子设备包括:处理器,以及用于存储所述处理器可执行指令的存储器。其中,所述处理器,用于执行存储器中所存储的对应于前述实施例中基于卷积神经网络的信号调制识别方法的步骤的指令。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质实施的计算机程序产品的形式。
需要说明的是术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围以权利要求的保护范围为准。
Claims (10)
1.一种基于卷积神经网络的信号调制识别方法,其特征在于,包括:
比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;
当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
2.根据权利要求1所述的方法,其特征在于,当N不等于L时,将接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中包括:
若N<L,则按照所述卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中;
若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中。
3.根据权利要求2所述的方法,其特征在于,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中包括:
在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;
将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中包括:
对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;
其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
4.根据权利要求3所述的方法,其特征在于,将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络并进行调制类型识别后,根据识别结果进行融合判决,或根据置信度进行融合判决。
5.根据权利要求4所述的方法,其特征在于,根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];
步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;
步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
6.根据权利要求4所述的方法,其特征在于,根据置信度进行融合判决包括:
步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],
其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;
步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
7.一种基于卷积神经网络的信号调制识别装置,其特征在于,包括:
比较模块,用于比较接收到的信号的长度N与卷积神经网络支持的输入信号长度L是否相等;
识别模块,用于当N等于L时,直接将所述接收到的信号输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型;当N不等于L时,将所述接收到的信号进行相应的补齐或分段处理后输入到所述卷积神经网络中,以得到所述卷积神经网络输出的信号调制类型。
8.根据权利要求7所述的装置,其特征在于,所述识别模块具体用于,
若N<L,则按照所述卷积神经网络支持的输入信号长度L,对接收到的信号进行补零后,将信号输入到所述卷积神经网络中;若N>L,则将接收到的信号划分为长度为L的各信号段,并将各信号段输入到所述卷积神经网络中。
9.根据权利要求8所述的装置,其特征在于,所述识别模块用于,
在接收到的信号的采样序列x(n)的尾部补上N-L个0后,将采样序列x(n)(n=0,1,2,...,L-1)按照所述卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;
以及,用于对接收到的信号的采样序列x(n),按间隔P滑动选取长度为L的各信号段yi(m),将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络中以进行调制类型识别;其中,n=0,1,2,...,N-1;yi(m)=x((i-1)P+m),m=0,1,2,...,L-1,i=1,2,...,I,表示不大于(N-L+1)/P的最大整数;1≤P≤(N-L+1)。
10.根据权利要求9所述的装置,其特征在于,所述识别模块,还用于将各信号段yi(m)按照卷积神经网络的输入格式输入到卷积神经网络并进行调制类型识别后,根据识别结果进行融合判决,或根据置信度进行融合判决;
具体的,根据识别结果进行融合判决包括:
步骤S1,初始化信号段yi(m)识别为第j种调制类型的次数vj=0,其中j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤S2,将yi(m)输入所述卷积神经网络进行调制类型识别,得到原始识别结果oi,其中oi∈[1,2,...,M];
步骤S3,若oi=j,则将第j种调制类型的次数vj加1,重复步骤S2至S3直至信号段yi(m)均识别完毕;
步骤S4,计算vj的最大值,当vj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;当vj的最大值为两个以上时,则随机选取一个最大值后将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出;
根据置信度进行融合判决包括:
步骤A1,将信号段yi(m)输入到所述卷积神经网络进行调制类型识别,并得到置信度向量pi=[pi,1,pi,2,...,pi,M],
其中,pi,j表示将信号段yi(m)识别为第j种调制类型的置信度,j=1,2,...,M,M表示所述卷积神经网络支持识别的调制类型数目;
步骤A2,计算第j种调制类型的置信度的平均值,得到j=1,2,...,M;
步骤A3,确定所述平均值wj的最大值,当wj只有一个最大值时,则将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果并输出;当wj的最大值为两个以上时,则随机选取一个最大值后,将最大值对应的下标j代表的调制类型作为最终的调制类型识别结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427110.4A CN108616471B (zh) | 2018-05-07 | 2018-05-07 | 一种基于卷积神经网络的信号调制识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427110.4A CN108616471B (zh) | 2018-05-07 | 2018-05-07 | 一种基于卷积神经网络的信号调制识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108616471A true CN108616471A (zh) | 2018-10-02 |
CN108616471B CN108616471B (zh) | 2020-11-20 |
Family
ID=63662061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810427110.4A Active CN108616471B (zh) | 2018-05-07 | 2018-05-07 | 一种基于卷积神经网络的信号调制识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108616471B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
CN109787929A (zh) * | 2019-02-20 | 2019-05-21 | 深圳市宝链人工智能科技有限公司 | 信号调制识别方法、电子装置及计算机可读存储介质 |
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm***信道估计方法 |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103220241A (zh) * | 2013-03-29 | 2013-07-24 | 南京信息职业技术学院 | 一种低信噪比条件下信号盒维数特征提取方法 |
US9530400B2 (en) * | 2014-09-29 | 2016-12-27 | Nuance Communications, Inc. | System and method for compressed domain language identification |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
-
2018
- 2018-05-07 CN CN201810427110.4A patent/CN108616471B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103220241A (zh) * | 2013-03-29 | 2013-07-24 | 南京信息职业技术学院 | 一种低信噪比条件下信号盒维数特征提取方法 |
US9530400B2 (en) * | 2014-09-29 | 2016-12-27 | Nuance Communications, Inc. | System and method for compressed domain language identification |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
Non-Patent Citations (2)
Title |
---|
NATHAN WEST: "Deep architectures for modulation recognition", 《IEEE INTERNATIONAL SYMPOSIUM ON DYNAMIC SPECTRUM ACCESS NETWORKS》 * |
杨发权: "无线通信信号调制识别关键技术与理论研究", 《中国优秀博士学位论文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
CN109274624B (zh) * | 2018-11-07 | 2021-04-27 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
CN109787929A (zh) * | 2019-02-20 | 2019-05-21 | 深圳市宝链人工智能科技有限公司 | 信号调制识别方法、电子装置及计算机可读存储介质 |
CN110048980A (zh) * | 2019-04-19 | 2019-07-23 | 中国电子科技集团公司第三十六研究所 | 一种数字通信盲解调方法和装置 |
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm***信道估计方法 |
CN112039820A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
CN112039820B (zh) * | 2020-08-14 | 2022-06-21 | 哈尔滨工程大学 | 量子象群机制演化bp神经网络的通信信号调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108616471B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108616471A (zh) | 一种基于卷积神经网络的信号调制识别方法和装置 | |
CN109389078B (zh) | 图像分割方法、相应的装置及电子设备 | |
CN109086722B (zh) | 混合车牌识别方法、装置、电子设备 | |
US20190042743A1 (en) | Malware detection and classification using artificial neural network | |
US9239948B2 (en) | Feature descriptor for robust facial expression recognition | |
CN109902723A (zh) | 图像处理方法及装置 | |
CN110705585A (zh) | 网络欺诈识别方法、装置、计算机装置及存储介质 | |
CN110046622B (zh) | 一种有目标的攻击样本生成方法、装置、设备及存储介质 | |
CN107491674A (zh) | 基于特征信息进行用户验证的方法及装置 | |
CN113240127B (zh) | 基于联邦学习的训练方法、装置、电子设备及存储介质 | |
CN111260220B (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN110222330A (zh) | 语义识别方法及装置、存储介质、计算机设备 | |
US8571255B2 (en) | Scalable media fingerprint extraction | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN115941112B (zh) | 一种便携式隐蔽通信方法、计算机设备及存储介质 | |
CN116978011A (zh) | 一种用于智能目标识别的图像语义通信方法及*** | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN117616424A (zh) | 用于平衡权重中的稀疏性以用于加速深度神经网络的***和方法 | |
CN108230269A (zh) | 基于深度残差网络的去网格方法、装置、设备及存储介质 | |
Yu et al. | A multi-task learning CNN for image steganalysis | |
Qiu et al. | Deepsig: A hybrid heterogeneous deep learning framework for radio signal classification | |
CN110751490A (zh) | 欺诈识别方法、装置、电子设备及计算机可读存储介质 | |
CN112102200B (zh) | 图像补全模型初始化方法、训练方法和图像补全方法 | |
CN112733932A (zh) | 基于训练数据相似度聚合的模型加速训练方法及装置 | |
CN115984949B (zh) | 一种带有注意力机制的低质量人脸图像识别方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |