CN110048978A - 一种信号调制识别方法 - Google Patents

Abstract

本发明公开了一种信号调制识别方法，包括基于决策理论的识别方法和基于统计模式识别；在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据，所述基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导。本发明中，通过搭建卷积神经网络模型，使用训练集训练模型，使得模型能够学习到已知调制类型信号的内在特征或者信号序列数据的变化规律，最后将训练好的模型在测试集上进行测试，能够有效的识别出信号的调制类型。这种方式不仅解决了人工提取特征困难的问题，而且能够获得较好的识别效果，本文提出的模型，在测试集上识别的准确率可以达到95％以上。

Description

一种信号调制识别方法

技术领域

本发明涉及信号识别技术领域，尤其涉及一种信号调制识别方法。

背景技术

自动调制识别，又名自动调制分类，它是为了实现接收信号的自动调制类别分类。目前，自动调制识别是许多军用和民用场景的重要技术。自动调制识别技术最初是应用于电子对抗和信息侦查等军事领域，随着通信***的不断发展，自动调制识别在民用的认知无线电和软件定义的无线电中也有了很大的发展。通过自动调制识别的帮助，使用者能够正确的设定通信传输过程的参数，以确保通信的质量。

在军用领域，调制识别在电子战***为信息的截取和如何选择最佳的干扰提供了重要的依据，主要表现在敌方雷达类型识别，敌方情报截取以及敌方辐射源识别中，所以调制识别在军用方面有着举足轻重的地位。在民用领域，调制识别主要应用在无线电台的监测使用，监控无线电平台的使用情况，还可以对非合作方的通信信号携带的信息进行获取，有效监管通信的频谱。

近年来，深层神经网络在生物、计算机和电子学等领域得到了蓬勃发展，吸引着众多科学家争相探讨。自其被提出后，它就成为人工智能领域的一个热门的研究方向，突破了传统神经网络对层数的限制，通过建立类似人脑的多层次结构模型解决复杂问题。主要的优势表现在：深层网络本身属于一种具有存储功能的反馈网络，可以利用计算机的高速运算能力求解复杂问题的最优解，提高了在线解决问题的能力。最突出的是优点是大规模的样本数据可以通过分层结构逐层提取内在特征信息，具有广泛的应用场景。深层网络获取的特征信息比人工提取的专家特征更具代表性，更容易实现对原始数据的分类和预测。基于以上优势，深度学习的研究已经变成了一个跨领域、多学科的研究课题，并广泛成功地应用到语音识别和图像识别领域，其他领域的应用仍有待探索。

无线通信技术的发展为调制识别技术带来了很多新的问题和挑战。面对新一代无线通信的革命，传统调制识别方法显现出了很多缺点与不足。在军用领域，随着国际政治形势日益复杂，鉴于未来可能出现的电子战争，调制识别技术已经收到了各国国防专家的高度关注和重视；在民用领域，随着无线电平台的使用越来越不规范，各大无线电公司对于调制识别技术更加关注。

发明内容

本发明的目的在于：为了解决上述问题，而提出的一种信号调制识别方法。

为了实现上述目的，本发明采用了如下技术方案：

信号调制识别的基本任务是在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据。目前，调制识别技术主要有两大类方法：基于决策理论的识别方法和基于统计模式识别方法。

基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导，使用最小似然方法寻找合适的门限值对调制种类进行判别。该方法最大的优势是有较为完备的理论基础，但是在分析过程中似然函数的推导非常复杂，方法适用性差，并且需要大量的先验知识，因此这种方法的实用性不强，在实际中很少使用。

基于模式识别理论的调制识别方法是目前比较主流的方法，此方法将调制识别问题看作一种典型的模式识别问题，模式识别是指：通过软硬件算法将事物分门别类的识别出来。随着近些年来人工智能的发展，模式识别技术也越来越多得到国内外研究人员的广泛重视和研究，并且越来越多的应用到人们的日常生活中，例如指纹识别、光学字符识别、人脸识别、语音识别、车牌识别以及无人驾驶等很多智能领域。

模式识别技术可以分为两类：第一种是有监督的识别方法，该方法首先需要用大量有标定的样本对识别算法进行训练，然后才能使用训练好的模型对未知样本进行识别；第二种是无监督的识别方法，这种方法主要是一些聚类算法，该方法根据样本在空间中的分布对不同种类的样本进行聚类。通常来说，模式识别方法主要包括三个部分：信号预处理、特征提取和分类识别。

信号预处理部分主要作用是为后面的特征提取部分提供易于处理和分析的数据。对于无线通信信号的调制识别来说，信号的预处理一般有以下一些方法：射频前端的频率下变频、信号的滤波和放大、载波频率估计、噪声估计等，在某些特定的情况下，也会根据不同的识别问题选择不同的信号预处理方法。

对于一般的模式识别方法来说，特征的选择和提取是非常关键的部分。理想的特征应该对于不同的调制信号有很好的区分作用，同时对于相同的调制信号在各种情况下都应该保持很好的一致性。对于无线通信信号来说，信号的调制信息主要包含在调制信号的幅度、频率和相位中，因此理论上来说，利用信号的这些特征就能识别信号的调制方式。但是在实际环境中，由于无线信道存在大量噪声和干扰，直接使用这些特征一般很难正确识别信号的调制方式。因此，国内外研究人员一直在努力寻找其他更好的特征参数，使之能够抑制信号中存在的噪声和干扰，从而简化识别的过程并提高识别正确率。

在调制识别技术中，识别算法的识别正确率和计算复杂度对最终的识别效果有着至关重要的影响。目前主流的识别算法几乎都使用机器学习的方法来识别调制信号，这些识别算法根据其识别原理大致可以分为这四类方法：决策树方法、聚类方法、支持向量机方法和神经网络方法。

总体来说，基于统计模式识别方法的调制识别技术是目前主流的方法，也是目前国内外专家广泛关注的方法，其主要优点为信号的预处理部分简单，适用的调制类型多，对调制信号先验信息的依赖小，在信噪比较低时也有很好的识别效果，具有较好的实用价值等；主要缺点是识别效果过于依赖特征的提取，而且通常识别算法是有监督的学习算法，需要大量有标签的训练样本进行训练，并且算法的训练过程比较复杂。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，相对于传统的模式识别方法，深度学习方法不依赖于人工对于特征的提取，也能够获得较好的识别效果。因此，更多的科研人员开始使用深度学习的方法作为调制识别算法，利用深度学习强大的特征学习能力和非线性拟合能力来获得更好的识别效果。

2、本发明中，通过搭建卷积神经网络模型，使用训练集训练模型，使得模型能够学习到已知调制类型信号的内在特征或者信号序列数据的变化规律，最后将训练好的模型在测试集上进行测试，能够有效的识别出信号的调制类型。这种方式不仅解决了人工提取特征困难的问题，而且能够获得较好的识别效果，本文提出的模型，在测试集上识别的准确率可以达到95％以上。

附图说明

图1为本发明提出的一种信号调制识别方法的基本流程图；

图2为本发明提出的一种信号调制识别方法的卷积神经网络结构示意图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

卷积运算是泛函分析中的一种重要运算，卷积的定义是指两个可积实函数之间的一种数学运算，该运算过程可以表示为：

上式中，f*g表示函数f和函数g的卷积运算，其中函数f和函数g是定义在实数域上的可积实函数，可以证明对于所有t属于(-无穷，+无穷)上述积分是存在的，并且卷积结果仍是可积的函数。它的物理意义可以理解为：***某一时刻的输出是由多个输入共同作用的结果。当我们用计算机处理数据时，通常是对离散数据进行处理和分析，相应的，我们也可以定义离散形式的卷积：

上式中，函数f和g都表示离散函数，f*g为卷积结果。

在卷积神经网络中，函数f可以理解为原始像素点，所有的原始像素点加起来就是原始图，函数g可以称为作用点，所有作用点合起来我们称为卷积核。

例如在二维图像中，我们对图像的二维卷积运算可以用下面公式表示：

上式中，Xi,j表示图像中第i行第j的元素；Wm,n表示卷积核中第m行第n列的元素。在卷积运算中我们引入了卷积核的翻转操作，尽管这种翻转操作在很多其它领域有很优秀的性质，但是对于卷积神经网络来说并没有什么实际的作用。因此，在实际的卷积神经网络中，我们一般使用互相关运算代替卷积，这种互相关运算和卷积运算非常相似，只是在运算时对卷积核不进行翻转，计算方式如下面公式表示：

卷积神经网络的结构

输入层一般输入的是矩阵数据，例如在图像领域中，卷积神经网络的输入一般是图像的像素矩阵，输入层之后连接的是卷积层。

卷积层是整个卷积神经网络的核心部分，给卷积神经网络带来了很多优良的特性。一般来说，每个卷积层中都包含多个卷积核，用来提取不同的图像特征，通过不同的卷积核可以得到不同的特征层，其运算过程如下式：

上式中，i,jy表示输入通过卷积层后计算出的特征层结果；b为偏置量，每个卷积核都对应自己的偏置量；f()表示激活函数，本文选择Re LU函数作为神经网络的激活函数。Re LU激活函数在2012年在Alex Net深度卷积神经网络模型中被成功使用，并验证其在较深的卷积神经网络中效果非常好，在此之后Re LU激活函数在各种卷积神经网络模型中被广泛使用[40]。Re LU函数非常简单，表达式如下所示：

f(x)＝max(0,x)

Re LU激活函数为卷积神经网络模型加入了非线性因素，能很大程度增加模型的非线性拟合能力。同时，Re LU激活函数计算速度非常块，当输入为大于零时候，该函数的导数恒为1，非常适合基于梯度下降算法的学习；当输入为负数的时候，Re LU激活函数输出和梯度均为0，从而使神经网络权重在训练过程中无法更新，这能有效增加模型的稀疏性。

通常在卷积神经网络中，在一个或者多个卷积运算后会连接池化层。池化函数使用特征层某一位置以及其相邻输出的总体统计特征来计算该位置的输出，可以采用类似一个滤波器的结构完成池化层的前向计算的过程，常用的池化函数有最大池化函数、平均池化函数等。

卷积神经网络的输入在经过多个卷积层和池化层的交替传播后，对于识别类问题来说，一般会使用一层或者多层全连接网络将特征层转化为分类结果。我们可以认为卷积层和池化层完成了特征的自动提取，图像中的信息已经被抽象为高层次的信息，最后只需要利用全连接神经网络从全局综合特征，就能够完成识别任务

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种信号调制识别方法，其特征在于，包括基于决策理论的识别方法和基于统计模式识别；在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据。

2.根据权利要求1所述的一种信号调制识别方法，其特征在于，所述基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导，使用最小似然方法寻找合适的门限值对调制种类进行判别。

3.根据权利要求1所述的一种信号调制识别方法，其特征在于，所述基于模式识别理论的调制识别方法是目前比较主流的方法，此方法将调制识别问题看作一种典型的模式识别问题。

4.根据权利要求3所述的一种信号调制识别方法的典型的模式识别问题，其特征在于，所述模式识别是指：通过软硬件算法将事物分门别类的识别出来。

5.根据权利要求4所述的一种信号调制识别方法，其特征在于，所述模式识别技术可以分为两类：第一种是有监督的识别方法，该方法首先需要用大量有标定的样本对识别算法进行训练，然后才能使用训练好的模型对未知样本进行识别；第二种是无监督的识别方法，这种方法主要是一些聚类算法，该方法根据样本在空间中的分布对不同种类的样本进行聚类。

6.根据权利要求4所述的一种信号调制识别方法，其特征在于，所述模式识别方法主要包括三个部分：信号预处理、特征提取和分类识别。