CN108764077B - 一种基于卷积神经网络的数字信号调制分类方法 - Google Patents
一种基于卷积神经网络的数字信号调制分类方法 Download PDFInfo
- Publication number
- CN108764077B CN108764077B CN201810462767.4A CN201810462767A CN108764077B CN 108764077 B CN108764077 B CN 108764077B CN 201810462767 A CN201810462767 A CN 201810462767A CN 108764077 B CN108764077 B CN 108764077B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- distribution
- representing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种基于卷积神经网络的信号调制分类方法,涉及信号调制分类领域。该方法的步骤为:1、同时利用平滑伪Winger‑Ville分布和Born‑Jordan分布,将接收到的信号转换成时频分布图;2、由于不同调制信号的时频图像不同,因此利用卷积神经网络自动提取这两种时频分布图的特征;3、利用多模融合模型将这些不同的时频图像特征进行融合;4、利用多层感知机完成信号的分类任务。本发明提出的基于卷积神经网络的信号调制分类方法,相对于传统的调制分类方法,利用了卷积神经网络自动提取特征,提高了信号在低信噪比下的识别性能。
Description
技术领域
本发明属于信号处理领域,具体是一种对调制信号进行分类的方法,
背景技术
无线通信作为通过电磁波在空间传输与交换信息的一种通信方式,它是当前科技领域中发展最迅速、应用最广泛的信息技术之一,已经融入到人们的日常生活中,如移动电话、广播电视、无线接入网、蓝牙、全球卫星定位***、卫星通信***等。与之伴随的是通信信号呈现出多样化、复杂化的发展趋势,在日益复杂的无线通信环境下,对信号进行识别与分类意义重大。在信号识别与分类中,无线通信调制分类作为其中尤为重要的一步,在频谱管理、电子侦察和无线电管理等应用中发挥着巨大的作用。
目前,已有的数字信号调制分类方法主要分为判决理论识别方法和统计模式识别方法。判决理论识别方法是基于假设检验理论,利用概率论去推导一个合适的分类规则的方法。该方法通过理论分析信号的统计特性,推导获得检验统计量,并设定门限和判决准则进行比较。但是该方法需要很多先验信息,计算量大,识别信号的范围相对较窄。统计模式识别方法主要通过提取与调制方式相关的识别特征,构成不同模式的特征矢量,根据经典的模式识别理论进行识别与分类。该方法不需要信号的先验信息,能够识别的信号类型多,更适合于非合作通信,但是对特征的选取有很大的依赖性,因此选取合适的特征很关键,目前的研究也是大多数基于统计模式识别的。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提升分类性能的基于卷积神经网络的数字信号调制分类方法。本发明的技术方案如下:
一种基于卷积神经网络的数字信号调制分类方法,其包括以下步骤:
步骤一:首先对接收到的信号进行预处理,然后同时利用平滑伪Winger-Ville布和Born-Jordan分布,将信号转换成平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图;
步骤二:利用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征;
步骤三:利用多模融合模型将步骤二的两种时频图像特征进行特征融合;
步骤四:将步骤三融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调制分类。
进一步的,所述步骤一的信号模型为:
其中r(t)和s(t)分别表示接收信号和发射信号,α表示信道增益,ω0和θ0表示频率偏移和相位偏移,n(t)表示高斯噪声,其中当s(t)为ASK,FSK和PSK调制时,表达式为:
当s(t)为QAM调制时,由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct),表达式为:
进一步的,所述平滑伪Winger-Ville分布,是一种对Winger-Ville分布进行改进的时频分布,通过分别在时延和频偏方向同时加窗截取来抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换。t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为x(t)的共轭。
Born-Jordan分布(BJD)也是一种能够有效的抑制交叉项的时频分布:
BJDx(t,f)=∫τ[∫vφ(t-v,τ)x(v+τ/2)x*(v-τ/2)dv]e-j2πfτdτ
通过上述两种时频分布,将接收到的信号转换为二维图像。
进一步的,所述步骤二利用卷积神经网络自动提取平滑伪维格纳-威利时频分布图和Born-Jordan时频分布图的特征,具体包括:将得到的时频分布图的尺寸设为(224,224),然后利用卷积神经网络中的残差网络来自动提取图像特征;在普通网络结构中,直接让一些层去拟合一个潜在的恒等映射函数H(x)=x比较困难,x表示网络输入,H(x)表示经过网络后的输出,这也是深层网络难以训练的原因。但是,如果过把网络设计为H(x)=f(x)+x,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。残差网络方便优化,并且解决了增加深度带来的副作用(退化问题),这样能够通过单纯地增加网络深度,来提高网络性能。
进一步的,所述步骤三的具体处理过程为:首先定义p和q为两种长度相同的离散概率分布,利用Jensen-Shannon(JS)散度用来衡量两种分布的相似度,其表达式为:KL表示相对熵;其次定义x1表示SPWVD时频图的特征,x2表示BJD时频图特征,将特征x1和特征x2首尾相连聚合成特征xc;最后多模融合模型的损耗函数为:
其中,代表第i个训练样本所提取的特征所预测的概率类别分布,m={1,2}表示两种模式,代表第i个训练样本的融合特征所预测的概率类别分布,ti表示真实概率分布,N表示训练样本数,θc和θm都为正则参数,μ为超参。
进一步的,所述步骤四将步骤三融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调制分类,具体处理过程为,特征所预测情感类别概率分布表示为其中表示特征预测为第k类调制方式的概率,K为总的调制类型,输入特征属于第k类调制方式概率为:
本发明的优点及有益效果如下:
本发明提出一种基于卷积神经网络的数字数字信号调制分类方法,具体创新步骤包括:步骤一同时应用了两种时频分布将信号用二维图像表示出来,通过从两个方面来描述不同调制信号之间的差别;步骤二:利用了目前比较流行的深度学习技术,用卷积神经网络自动提取这两种时频分布图的图像特征,克服了传统调制分类方法中需要人工设计特征的难题;步骤三:应用了多模融合模型将两种时频分布图的特征进行融合,以进一步提升数字信号调制分类的准确度。
附图说明
图1是本发明提供优选实施例基于卷积神经网络的数字数字信号调制分类方法流程图;
图2为残差结构示意图;
图3为特征融合示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
图1为基于卷积神经网络的数字数字信号调制分类方法的总体流程图,下面结合附图进行说明,包括以下几个步骤:
步骤一:首先对接收到的信号进行预处理,然后同时利用平滑伪Wigner-Ville分布和Born-Jordan分布,将信号转换成时频分布图;
信号模型为:
其中r(t)和s(t)分别表示接收信号和发射信号,α表示信道增益,ω0和θ0表示频率偏移和相位偏移,n(t)表示高斯噪声。其中当s(t)为ASK,FSK和PSK调制时,表达式为:
当s(t)为QAM调制时,由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct),表达式为:
平滑伪Winger-Ville分布(SPWVD),是一种对Winger-Ville分布进行改进的时频分布,通过分别在时延和频偏方向同时加窗截取,它能够抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换,t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为x(t)的共轭。
Born-Jordan分布(BJD)也是一种能够有效的抑制交叉项的时频分布:
BJDx(t,f)=∫τ[∫vφ(t-v,τ)x(v+τ/2)x*(v-τ/2)dv]e-j2πfτdτ
步骤二:由于不同调制信号的时频分布图不一样,利用卷积神经网络自动提取这两种时频分布图的特征;
将得到的时频分布图的尺寸设为(224,224),然后利用卷积神经网络中的残差网络来自动提取图像特征,残差结构如图2所示。在普通网络结构中,直接让一些层去拟合一个潜在的恒等映射函数H(x)=x比较困难,x表示网络输入,H(x)表示经过网络后的输出,这也是深层网络难以训练的原因。但是,如果过把网络设计为H(x)=f(x)+x,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。残差网络方便优化,并且解决了增加深度带来的副作用(退化问题),这样能够通过单纯地增加网络深度,来提高网络性能。
步骤三:为了进一步提升方法的性能,利用多模融合模型将不同的时频图像特征进行特征融合;
特征融合示意图如图3所示,具体过程为:首先定义p和q为两种长度相同的离散概率分布,利用Jensen-Shannon(JS)散度用来衡量两种分布的相似度,其表达式为:KL表示相对熵;其次定义x1表示SPWVD时频图特征,x2表示BJD时频图特征,将特征x1和特征x2首尾相连聚合成特征xc;最后多模融合模型的损耗函数为:
其中,代表第i个训练样本所提取的特征所预测的概率类别分布,m={1,2}表示两种模式,代表第i个训练样本的融合特征所预测的概率类别分布,ti表示真实概率分布,N表示训练样本数,θc和θm都为正则参数,μ为超参。
步骤四:将融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调制分类。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种无线通信中基于卷积神经网络的数字信号调制分类方法,其特征在于,包括以下步骤:
步骤一:首先对接收到的信号进行预处理,然后同时利用平滑伪Winger-Ville分布和Born-Jordan分布,将信号转换成平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图;
步骤二:利用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征;
步骤三:利用多模融合模型将步骤二的平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征进行特征融合;
所述步骤三的具体处理过程为:首先定义p和q为两种长度相同的离散概率分布,利用Jensen-Shannon(JS)散度用来衡量两种分布的相似度,其表达式为:KL表示相对熵;其次定义x1表示SPWVD时频图的特征,x2表示BJD时频图特征,将特征x1和特征x2首尾相连聚合成特征xc;最后多模融合模型的损耗函数为:
其中,代表第i个训练样本所提取的特征所预测的概率类别分布,m={1,2}表示两种模式,代表第i个训练样本的融合特征所预测的概率类别分布,ti表示真实概率分布,N表示训练样本数,θc和θm都为正则参数,μ为超参;
步骤四:将步骤三融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调制分类。
3.根据权利要求1所述的无线通信中基于卷积神经网络的数字信号调制分类方法,其特征在于,所述平滑伪Winger-Ville分布,是一种对Winger-Ville分布进行改进的时频分布,通过分别在时延和频偏方向同时加窗截取来抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换;t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为x(t)的共轭;
Born-Jordan分布也是一种能够有效的抑制交叉项的时频分布:
BJDx(t,f)=∫τ[∫vφ(t-v,τ)x(v+τ/2)x*(v-τ/2)dv]e-j2πfτdτ
通过上述两种时频分布,将接收到的信号转换为二维图像。
4.根据权利要求3所述的无线通信中基于卷积神经网络的数字信号调制分类方法,其特征在于,所述步骤二利用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征,具体包括:将得到的时频分布图的尺寸设为(224,224),然后利用卷积神经网络中的残差网络来自动提取图像特征,在普通网络结构中,直接让一些层去拟合一个潜在的恒等映射函数H(x)=x比较困难,x表示网络输入,H(x)表示经过网络后的输出,这也是深层网络难以训练的原因;但是,如果过把网络设计为H(x)=f(x)+x,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462767.4A CN108764077B (zh) | 2018-05-15 | 2018-05-15 | 一种基于卷积神经网络的数字信号调制分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462767.4A CN108764077B (zh) | 2018-05-15 | 2018-05-15 | 一种基于卷积神经网络的数字信号调制分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764077A CN108764077A (zh) | 2018-11-06 |
CN108764077B true CN108764077B (zh) | 2021-03-19 |
Family
ID=64007737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810462767.4A Active CN108764077B (zh) | 2018-05-15 | 2018-05-15 | 一种基于卷积神经网络的数字信号调制分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764077B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108832982A (zh) * | 2018-05-30 | 2018-11-16 | 毛述春 | 一种用于基站信号的时频分布调制方法 |
CN109472240B (zh) * | 2018-11-12 | 2020-02-28 | 北京影谱科技股份有限公司 | 人脸识别多模型自适应特征融合增强方法和装置 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110210330B (zh) * | 2019-05-13 | 2021-05-28 | 清华大学 | 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和*** |
CN110855591B (zh) * | 2019-12-09 | 2021-10-29 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN111612130B (zh) * | 2020-05-18 | 2022-12-23 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
CN111884967B (zh) * | 2020-07-29 | 2022-07-01 | 黑龙江大学 | 基于时频分析和卷积神经网络的qpsk信号解调方法 |
CN112380931B (zh) * | 2020-10-30 | 2024-02-20 | 浙江工业大学 | 一种基于子图网络的调制信号分类方法及*** |
CN113076925B (zh) * | 2021-04-23 | 2023-09-05 | 扬州大学 | 基于cnn和elm的m-qam信号调制模式识别方法 |
CN113259289B (zh) * | 2021-05-13 | 2022-06-17 | 曾泓然 | 基于残差神经网络的单通道混叠信号调制模式识别方法 |
CN114398931A (zh) * | 2022-01-17 | 2022-04-26 | 中国人民解放军国防科技大学 | 基于数值特征和图像特征融合的调制识别方法及*** |
CN115086123B (zh) * | 2022-05-07 | 2023-10-27 | 中国人民解放军国防科技大学 | 基于时频图和星座图融合的调制识别方法及*** |
CN117474991B (zh) * | 2023-10-24 | 2024-06-07 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和*** |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467548B2 (en) * | 2015-09-29 | 2019-11-05 | Huami Inc. | Method, apparatus and system for biometric identification |
-
2018
- 2018-05-15 CN CN201810462767.4A patent/CN108764077B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
CN106680775A (zh) * | 2016-12-12 | 2017-05-17 | 清华大学 | 一种自动识别雷达信号调制方式的方法和*** |
CN106789788A (zh) * | 2016-12-26 | 2017-05-31 | 北京邮电大学 | 一种无线数字信号调制方式识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108764077A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
Shi et al. | Deep learning-based automatic modulation recognition method in the presence of phase offset | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
O’Shea et al. | Convolutional radio modulation recognition networks | |
CN104869096B (zh) | 基于Bootstrap的BPSK信号盲处理结果可信性检验方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
CN109076038B (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
Liu et al. | Deep transfer learning-based variable Doppler underwater acoustic communications | |
Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
CN112183300B (zh) | 一种基于多层次稀疏表示的ais辐射源识别方法及*** | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN113300986A (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
CN104363065B (zh) | 基于非高斯性测度的无线通信***频谱感知方法 | |
Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
CN113905383B (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 | |
Wu et al. | Interference detection and recognition based on signal reconstruction using recurrent neural network | |
Cun et al. | Specific emitter identification based on eye diagram | |
Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
Yang et al. | Conventional Neural Network‐Based Radio Frequency Fingerprint Identification Using Raw I/Q Data |
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 |