CN110808932B - 基于多分布测试数据融合的多层感知器快速调制识别方法 - Google Patents
基于多分布测试数据融合的多层感知器快速调制识别方法 Download PDFInfo
- Publication number
- CN110808932B CN110808932B CN201911077041.XA CN201911077041A CN110808932B CN 110808932 B CN110808932 B CN 110808932B CN 201911077041 A CN201911077041 A CN 201911077041A CN 110808932 B CN110808932 B CN 110808932B
- Authority
- CN
- China
- Prior art keywords
- modulation
- method based
- data fusion
- distribution
- test
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
- G06N3/048—Activation functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radio Transmission System (AREA)
Abstract
Description
技术领域
本发明涉及通信领域,具体涉及一种基于多分布测试数据融合的多层感知器快速调制识别方法。
背景技术
调制识别,又称调制分类,其目标是通过对未知信号的特征分析,获得该未知信号调制模式信息。调制识别在军事、民用等多方面已经取得广泛应用。调制识别算法在SISO(单输入单输出)***中已经进行了30多年的深入研究,然而在MIMO(多输入多输出)***中的应用还处于早期阶段。首先切入的领域就是MIMO***中的调制识别领域,在大规模MIMO***中,随着天线个数的增加,现有大多算法的复杂程度都会相应的产生指数级的增长。特别是在大规模MIMO***中,符合实际应用需求的调制识别算法依然是一个很大的挑战。
现有的调制识别算法主要分为两类,即基于似然度和基于特征的算法。基于似然度的算法通过加性噪声的统计模型,能够在高斯白噪信道中获得最优识别精度,但其前提是具备准确的噪声功率与分布。采用基于特征值的识别机制,虽然该类统计特征能够很好的完成调制识别任务,并获得较好的识别精度,但其本身缺乏应对加性噪声的能力,也无法通过信噪比等信息提升算法的抗干扰能力。
并且现有的调试识别算法面临着一个普遍问题:其信号处理的计算成本极高,且计算的复杂程度随天线个数与调制模式的阶数增长成指数级增长。在考虑高阶调制模式与大规模MIMO***时,单天线***常用的基于似然度的调制识别方法具有极其高的计算复杂度。
发明内容
本发明要解决的技术问题是提供一种基于多分布测试数据融合的多层感知器快速调制识别方法,能够降低算法的复杂度,提高识别精度。
为了解决上述技术问题,本发明提供了一种基于多分布测试数据融合的多层感知器快速调制识别方法,包括以下步骤:
步骤1)对接收到的信号进行预处理,采用的归一化公式为:
步骤2)通过四种分布测试算法Kolmogorov-Smirnov Test、Cramer-Von MisesTest、Anderson-Darling Test和Variance Test获取决策统计数据定义为:
其中F1(zn)为接收信号的经验累积分布,F0(zn|M)为候选调制模式的理论累积分布,M为候选调制模式;
步骤4)通过矩阵生成MLP分类器的输入特征,输入特征定义为:
每一种调制模式下的输入特征均输入到MLP分类器内;
步骤5)不同的调制模式经过决策统计数据融合之后获得的输入特征通过MLP分类器识别调制模式并与所对应的分类标签匹配输出;
label={0,1,2,…,n-1}。
进一步的,MLP分类器采用前向传播和反向传播技术训练模型并更新权重。
本发明的有益效果:
1、在MIMO***中,提出的调制识别算法与ML(最大似然法)调制识别算法相比,可以获得更低的算法复杂度。
2、针对BPSK、8PSK、4QAM、16QAM等调制模式,实现信噪比大于10dB的情况下不低于90%的识别精度,且识别时间只与信号样本个数相关。
3、对于衰落信道的场景下提出的调制识别算法具有很强的鲁棒性。
附图说明
图1是本发明的算法DTE流程图。
图2是本发明算法DTE在高斯噪声信道中实验仿真结果图。
图3是本发明算法DTE在相位偏移信道中实验仿真结果图。
图4是本发明算法DTE在频率偏移信道中实验仿真结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,本发明的基于多分布测试数据融合的MIMO通信***快速调制识别方法的一实施例,该方法依次包括接收信号预处理、获取信号特征序列、生成决策统计数据的矩阵、生成MLP分类器输入特征和MLP分类器输出结果,其中MLP分类器需要进行学习,并进行计算识别精度的步骤。
本发明在实验仿真阶段包含4种调制信号M={BPSK,8-PSK,4-QAM,16-QAM},采用接收信号的幅度成分,信号样本长度(N)为128,发射天线数目(NT)为2,接收天线数目(NR)为4。
在不同的信道条件下都拥有很好的识别性能,其中高斯噪声信道下,信噪比(SNR)大于16dB时,本发明方法可达到90%的识别准确率;衰落信道下,本发明方法在频率偏移和相位偏移时均取得鲁棒性的表现,识别率几乎不受影响。
具体的,对接收信号预处理步骤,在实现调制模式识别之前首先对接收信号进行预处理,预处理方式为对虚信号的实部和虚部分布进行归一化,归一化公式为:
生成决策统计数据的矩阵步骤,首先计算接收信号的经验累积分布F1(zn),其次计算候选调制模式的理论累积分布F0(zn|M),然后基于Kolmogorov-Smirnov Test(KS)、Cramer-Von Mises Test(CVM)、Anderson-Darling Test(AD)和Variance Test(Var)分布测试算法计算不同调制模式下的决策统计数据构建决策统计数据矩阵:
生成MLP分类器输入特征步骤,对于上述步骤获得的4×n的决策统计数据矩阵,本发明采用按列相加的方式进行数据融合,
将每一种调制模式下的输入特征均输入到MLP分类器内,最终通过MLP分类器识别得到调制模式并与所对应的分类标签匹配输出;
label={0,1,2,…,n-1}。
在正式使用前,MLP分类器需要进行学习,采用前向传播和反向传播技术来训练模型,更新权重。本发明采用了拟牛顿法,激活函数设置为反三角函数(tanh),神经网络层数为3,隐藏神经元个数为8,训练样本和测试样本均为1000,最大迭代次数为300个epoch。
本发明方法充分考虑了在高阶调制模式与大规模MIMO***时,单天线***常用的基于似然度的调制识别方法具有极其高的计算复杂度。为解决计算复杂度问题,本发明方法采用基于分布测试的算法来解决在MIMO环境下的调制识别问题。
如图2所示的是不同识别算法在不同SNR下识别性能的比较,本发明算法可以简称DTE,在整个SNR上都优于经典的分布测试算法,尤其是高信噪比情况下,在SNR=16dB时,识别率比AD test算法高2%。
如图3和图4所示,给出了在不同衰落信道条件下,本发明算法鲁棒性的表现,很明显ML算法极易受到频率偏移和相位偏移的影响,偏移程度过大,ML算法的识别性能大大降低。
如表1所示:
给出了不同算法计算复杂度的比较,经典的ML算法包含了指数运算,极大地增加了算法的复杂度,然而本发明算法只涉及加法和乘法,具有明显的优势。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种基于多分布测试数据融合的多层感知器快速调制识别方法,其特征在于,包括以下步骤:
步骤1)对接收到的信号进行预处理,采用的归一化公式为:
步骤2)通过四种分布测试算法Kolmogorov-Smirnov Test、Cramer-VonMises Test、Anderson-Darling Test和Variance Test获取决策统计数据定义为:
其中F1(zn)为接收信号的经验累积分布,F0(zn|M)为候选调制模式的理论累积分布,M为候选调制模式;
步骤4)通过矩阵生成MLP分类器的输入特征,输入特征定义为:
每一种调制模式下的输入特征均输入到MLP分类器内;
步骤5)不同的调制模式经过决策统计数据融合之后获得的输入特征通过MLP分类器识别调制模式并与所对应的分类标签匹配输出;
label={0,1,2,…,n-1}。
5.如权利要求1所述的基于多分布测试数据融合的多层感知器快速调制识别方法,其特征在于,MLP分类器采用前向传播和反向传播技术训练模型并更新权重。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077041.XA CN110808932B (zh) | 2019-11-06 | 2019-11-06 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
US17/298,656 US11870619B2 (en) | 2019-11-06 | 2020-08-20 | Fast modulation recognition method for multilayer perceptron based on multimodally-distributed test data fusion |
PCT/CN2020/110119 WO2021088465A1 (zh) | 2019-11-06 | 2020-08-20 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077041.XA CN110808932B (zh) | 2019-11-06 | 2019-11-06 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110808932A CN110808932A (zh) | 2020-02-18 |
CN110808932B true CN110808932B (zh) | 2021-04-30 |
Family
ID=69501787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077041.XA Active CN110808932B (zh) | 2019-11-06 | 2019-11-06 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11870619B2 (zh) |
CN (1) | CN110808932B (zh) |
WO (1) | WO2021088465A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110808932B (zh) * | 2019-11-06 | 2021-04-30 | 苏州大学 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
CN115720184B (zh) * | 2022-10-08 | 2024-04-19 | 西安电子科技大学 | 一种基于特征分布的小样本信号调制类型识别方法 |
CN117633706A (zh) * | 2023-11-30 | 2024-03-01 | 众悦(威海)信息技术有限公司 | 一种用于信息***数据融合的数据处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187152A (zh) * | 2015-09-30 | 2015-12-23 | 桂林电子科技大学 | 基于频谱感知与调制识别的联合干扰方法与*** |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2669489B1 (fr) * | 1990-11-16 | 1994-09-09 | Thomson Csf | Procede et dispositif de reconnaissance de modulations. |
US8085882B1 (en) * | 2008-04-15 | 2011-12-27 | The United States Of America As Respresented By The Secretary Of The Army | Multi-sensor signal fusion for modulation classification of weak signals |
US8223890B1 (en) * | 2009-10-30 | 2012-07-17 | The United States Of America As Represented By The Secretary Of The Army | Asymptotically optimal modulation classification method for software defined radios |
WO2011156658A2 (en) * | 2010-06-09 | 2011-12-15 | University Of Louisville Research Foundation, Inc. | Using differential scanning calorimetry (dsc) for detection of inflammatory disease |
US8401117B1 (en) * | 2011-11-04 | 2013-03-19 | The United States Of America, As Represented By The Secretary Of The Army | Method of adaptive modulation for cognitive radios using a fast and simplified modulation recognition |
KR101533015B1 (ko) * | 2013-06-27 | 2015-07-02 | 국방과학연구소 | 중첩 위상차를 이용한 레이더 신호의 세부 변조 형태 구분 방법 |
CN104618292A (zh) | 2014-12-30 | 2015-05-13 | 中山大学花都产业科技研究院 | 一种基于mimo-ofdm***的检测方法和装置 |
CN104869096B (zh) * | 2015-04-30 | 2018-02-06 | 南京信息职业技术学院 | 基于Bootstrap的BPSK信号盲处理结果可信性检验方法 |
CN105591939B (zh) * | 2016-01-20 | 2018-11-02 | 苏州大学 | 一种基于弹性光网络的保护路径确定方法及装置 |
CN110086554B (zh) * | 2018-11-16 | 2021-09-28 | 中国西安卫星测控中心 | 一种基于频谱感知的信号识别方法 |
CN109547376A (zh) | 2018-12-17 | 2019-03-29 | 电子科技大学 | 一种基于调制特性的高斯混合模型的调制识别方法 |
CN109787928B (zh) * | 2019-01-25 | 2021-07-09 | 中国人民解放军国防科技大学 | 基于决策树twsvm的高速光信号调制格式识别方法 |
CN110808932B (zh) | 2019-11-06 | 2021-04-30 | 苏州大学 | 基于多分布测试数据融合的多层感知器快速调制识别方法 |
-
2019
- 2019-11-06 CN CN201911077041.XA patent/CN110808932B/zh active Active
-
2020
- 2020-08-20 WO PCT/CN2020/110119 patent/WO2021088465A1/zh active Application Filing
- 2020-08-20 US US17/298,656 patent/US11870619B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187152A (zh) * | 2015-09-30 | 2015-12-23 | 桂林电子科技大学 | 基于频谱感知与调制识别的联合干扰方法与*** |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
WO2021088465A1 (zh) | 2021-05-14 |
US20220014401A1 (en) | 2022-01-13 |
CN110808932A (zh) | 2020-02-18 |
US11870619B2 (en) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
CN105142177B (zh) | 复数神经网络信道预测方法 | |
CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN110336594A (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN112347871B (zh) | 一种用于通信载波监视***的干扰信号调制识别方法 | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN114580498A (zh) | 一种无线通信场景下高通信效率的联邦学习方法 | |
CN106130615A (zh) | 广义空间调制***的激活天线与调制符号联合估计方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
Liu et al. | Jamming recognition based on feature fusion and convolutional neural network | |
Van Huynh et al. | Generative AI for physical layer communications: A survey | |
CN112422208A (zh) | 未知信道模型下基于对抗式学习的信号检测方法 | |
CN107181705A (zh) | 一种半盲信道估计方法及*** | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
CN114759997B (zh) | 一种基于数据模型双驱动的mimo***信号检测方法 | |
Omondi et al. | Towards artificial intelligence-aided mimo detection for 6g communication systems: a review of current trends, challenges and future directions | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN114611550A (zh) | 基于复数卷积模块的多特征自动调制识别方法 | |
Shi et al. | STTMC: A Few-shot Spatial Temporal Transductive Modulation Classifier |
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 |