CN112953871A - 一种基于神经网络的信号调制格式识别新方法 - Google Patents
一种基于神经网络的信号调制格式识别新方法 Download PDFInfo
- Publication number
- CN112953871A CN112953871A CN202110203711.9A CN202110203711A CN112953871A CN 112953871 A CN112953871 A CN 112953871A CN 202110203711 A CN202110203711 A CN 202110203711A CN 112953871 A CN112953871 A CN 112953871A
- Authority
- CN
- China
- Prior art keywords
- network
- modulation format
- identification
- signal modulation
- normalized density
- 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.)
- Pending
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供了一种基于神经网络的信号调制格式识别新方法,包括:基于归一化密度算法对信号星座图进行特征增强;基于生成对抗网络的训练对信号星座图进行数据增强;通过微调鉴别网络进行调制格式识别。同时,还提供了一种信号调制格式识别***,包括:图像特征增强单元;数据增强单元及识别处理单元。本方法及***提高了低信噪比信道情况下光信号调制格式识别准确率,同时可以提高通信***的可靠性,在通信和信息传输处理等领域有着重要的应用前景。
Description
技术领域
本发明涉及光纤通信技术领域,尤其涉及一种基于神经网络的信号调制格式识别新方法及***。
背景技术
在当今的信息化大背景下,信息技术的高速发展使得人们对通信设备的需求程度越来越高,通信***所要处理的各种信息量呈***式增长。在这个过程中,通信***所要面临的问题是紧张的通信带宽以及如何降低信号解调的误码率。在传统的通信***中,要产生并正确接收一种信号理论上就要搭建一个对应的硬件电路,而通常一部信号接收机需要能够接收几十种不同调制格式的信号,那么接收机中所需要设计的硬件电路就会十分复杂,并且由于通信材料的限制也会导致通信设备的体积大大增加。
而如今人们对通信信号中能够传递的信息量以及发射机、接收机对于发射、接收信号的效率的需求越来越大,自适应调制编码解决方案被广泛提出,采用传统的信号处理方式已经无法解决现今通信***所面临的问题,解决这些问题的关键就在于要探索出一种特殊的信号解调方式,使得既能够保证较低的解调误码率,不需要恢复原始的载波信号,而是采用智能化的技术对多种调制信号进行处理、准确识别。
发明内容
有鉴于此,本发明提供一种基于神经网络的信号调制格式识别新方法及***,一方面提高了信号调制格式识别准确率,另一方面也提高了通信***的可靠性。
为实现上述目的,本发明提供如下技术方案:提供一种基于神经网络的信号调制格式识别新方法,包括:基于归一化密度的星座图像的特征增强处理、基于生成对抗网络的数据增强处理及基于生成对抗网络-鉴别网络的信号调制格式识别处理。
优选的,所述基于归一化密度的星座图像的特征增强处理包括:
对每一个信号采样点计算其归一化密度;根据其归一化密度的大小对星座图进行上色,生成三通道星座图,即归一化密度星座图。
优选的,所述对每一个采样点计算其归一化密度方法为:
归一化密度以概率形式表示,先确定一个参数:采样点数N,以当前信号点为中心选取边长为r的正方形,在此正方形内,其他信号点的个数与接收信号采样点数N的比值即为该点的归一化密度值,第i个点的归一化密度β(i)如式(1)所示:
其中N为采样点数,归一化密度绘制正方形区域边长r,x(k)表示第k个点的横坐标值,y(k)表示第k个点的纵坐标值,ε(x)表示阶跃函数。
优选的,所述基于生成对抗网络的数据增强处理是对生成网络(G(x))和鉴别网络(D(x))的对抗式优化过程。
优选的,所述生成网络(G(x))的优化过程为:
上式(3)的值越大,生成网络生成的数据效果越好。
优选的,所述鉴别网络(D(x))的优化过程为:
设pdata(x)和pg(x)分别为真实星座图样本和生成星座图样本,把真实样本和生成样本输入到鉴别网络可到损失函数如式(4):
本专利最终要实现调制格式的识别,故加入了控制生成网络生成图片种类的条件信息C,损失函数的最终形式如式(5):
优化方向为最大化损失函数,如式(6):
maxD{V(D,G)} (6)
可得到其最优解为式(7):
当pdata(x)=pg(x)时,可得全局最优解-log4,取得全局最优解时网络达到纳什平衡。
优选的,所述基于生成对抗网络-鉴别网络的信号调制格式识别处理是通过对鉴别网络进行微调,辅以全连接层对提取出来的深层特征进行分类,进行调制格式识别。
另外,还提供了一种信号调制格式识别***,其特征在于,包括:图像特征增强单元,用于将普通星座图转化成归一化密度星座图像;数据增强单元,用于训练生成对抗网络及鉴别网络;识别处理单元,用于对鉴别网络微调和训练进行信号调制格式识别处理。
优选的,所述特征增强单元是通过Matlab计算生成。
优选的,所述生成对抗网络及训练鉴别网络使用Python调用计算机GPU运算实现。
与现有技术相比,本发明的有益效果如下:
本发明的一种基于神经网络的信号调制格式识别新方法及***,结合归一化密度算法和生成对抗网络,通过特征增强和数据增强操作,把原始单通道星座图图像的深层特征提取并突出表现出来,并训练了识别效率更高的鉴别网络,提高整体***的识别性能,同时可以提高通信***的可靠性,在通信和信息传输处理等领域有着重要的应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1基于神经网络的信号调制格式识别新方法流程图;
图2生成网络(左)和鉴别网络(右)结构图;
图3经过微调的鉴别网络结构图;
图4单通道星座图;
图5归一化密度星座图;
图6生成对抗网络生成虚假星座图。
具体实施方式:
为使本发明技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种基于神经网络的信号调制格式识别新方法,其技术方案首先通过归一化密度算法引入星座图图像的三维特征,把原始单通道星座图(图4)转化成三通道星座图,即归一化密度星座图(图5),以增加单通道星座图图像的高维数据信息,引入额外信息增益,从而达到特征增强的目的;再通过生成对抗网络(GAN,GenerativeAdversarial Networks)对归一化密度星座图图像做数据增强处理以达到扩充图像深层特征信息的目的;经过上述特征增强和数据增强步骤使得星座图数据的特征更加凸显,鉴别网络提取星座图复杂特征的能力更强,从而提高了信号调制格式识别准确率,最后直接对生成对抗网络的鉴别网络进行微调和训练,改变部分网络结构使其可以适应当前的分类问题,进行调制格式准确识别。参看基于神经网络的信号调制格式识别新方法流程图(图1)。
下面以16QAM星座图为例对该技术方案进行详细说明:
首先,先确定一个参数:采样点数N,并将采样信号转变成星座图的形式,即原始单通道星座图。优选的,N=65536,即共采样65536个信号点,并将采样信号转变成星座图的形式,即原始单通道星座图(图4),65536个星座点映射成的星座图像素尺寸为656*656。
然后计算归一化密度,通过归一化密度算法引入星座图图像的三维特征,把原始单通道星座图转化成三通道星座图,即归一化密度星座图。归一化密度以概率形式表示,先以当前信号点为中心选取边长为r的正方形,在此正方形内,其他信号点的个数与接收信号采样点数N的比值即为该点的归一化密度值。根据归一化密度算法,本实施例优选正方形边长参数r=2,再计算每个星座点的归一化密度β。下式(1)为第i个点的归一化密度β(i),其中N为采样点数,x(k)表示第k个点的横坐标值,y(k)表示第k个点的纵坐标值,ε(x)表示阶跃函数:
根据归一化密度值对应到不同亮度的颜色,高密度点使用高亮色系,低密度点使用低亮色系,生成归一化密度星座图(图5)。经过上色处理的归一化密度星座图中每个像素点不再是独立等信息的,而是融入了高维图像特征,这样可以凝聚更多深层信息,实现了星座图的初步特征增强。
接着使用归一化密度星座图图像对生成对抗网络做数据增强式训练(图2)。生成对抗网络是一种针对复杂分布的无监督学习模型,其训练过程就是对生成网络和鉴别网络对抗式优化的过程。
优选的,所述生成网络(G(x))的优化过程为:
上式(3)的值越大,生成网络生成的数据效果越好。
优选的,所述鉴别网络(D(x))的优化过程为:
设pdata(x)和pg(x)分别为真实星座图样本和生成星座图样本,把真实样本和生成样本输入到鉴别网络可到损失函数如式(4):
本专利最终要实现调制格式的识别,故加入了控制生成网络生成图片种类的条件信息C,损失函数的最终形式如式(5):
优化方向为最大化损失函数,如式(6):
maxD{V(D,G)} (6)
可得到其最优解为式(7):
当pdata(x)=pg(x)时,可得全局最优解-log4,取得全局最优解时网络达到纳什平衡。
优选的,本实施例中数据增强及训练鉴别网络使用Python调用计算机GPU运算实现。生成网络根据随机输入z生成虚假目标图像,把虚假目标图像和真实图像混合输入鉴别网络对其进行真假鉴别,在对抗过程中虚假目标图像逐渐变得真实,鉴别网络训练数据集得到了隐形扩充,从而提高了识别的准确率。为了使网络更容易收敛,输入的星座图图像被压缩成64*64的尺寸,生成对抗网络中的生成网络反卷积层数p=4,鉴别网络卷积层数q=4,按照最大-最小化损失函数的原则对生成对抗网络进行训练以使网络达到纳什平衡。此时生成网络可以生成高质量且与原始训练数据集同分布的“虚假”星座图(图6),实际上,训练过程无需可视化虚假星座图,在此提供的可视化虚假星座图,是为了展示生成对抗网络的训练效果;经过训练的鉴别网络具有很强的识别分类能力。
最后对鉴别网络进行微调(图3)并继续训练,改变部分网络结构使其可以适应当前的分类问题,调整其全连接层输出层维度为k=8,对应8种调制格式,鉴别网络收敛后训练完毕。最终***完成了调制格式识别任务,通过结合归一化密度算法和生成对抗网络,鉴别网络可以实现0db-20db光信噪比信道条件下BPSK、QPSK、8PSK、8QAM、16QAM、32QAM、64QAM、128QAM,8种调制格式综合100%的识别精度。
本实施例还提供了一种信号调制格式识别***,包括:图像特征增强单元,用于将普通星座图转化成归一化密度星座图像;数据增强单元,用于生成对抗网络的训练及训练鉴别网络;识别处理单元,用于对鉴别网络微调进行信号调制格式识别处理。
优选的,所述特征增强单元是通过Matlab计算生成。
优选的,训练所述生成对抗网络和鉴别网络使用Python调用计算机GPU运算实现。
尽管已经示出和描述了发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于神经网络的信号调制格式识别新方法,其特征在于,包括:基于归一化密度的星座图像的特征增强处理、基于生成对抗网络的数据增强处理及基于生成对抗网络-鉴别网络的信号调制格式识别处理。
2.如权利要求1所述的一种基于神经网络的信号调制格式识别新方法,其特征在于,所述基于归一化密度的星座图像的特征增强处理包括:
对每一个信号采样点计算其归一化密度;根据其归一化密度的大小对星座图进行上色,生成归一化密度的星座图。
4.如权利要求1所述的一种基于神经网络的信号调制格式识别新方法,其特征在于,所述基于生成对抗网络的数据增强处理是对生成网络(G(x))和鉴别网络(D(x))的对抗式优化过程。
7.如权利要求1所述的一种基于神经网络的信号调制格式识别新方法,其特征在于,所述基于生成对抗网络-鉴别网络的信号调制格式识别处理是通过对鉴别网络进行微调,辅以全连接层对提取出来的深层特征进行分类,进行调制格式识别。
8.一种信号调制格式识别***,其特征在于,包括:
特征增强单元,用于将普通星座图转化成归一化密度星座图像;
数据增强单元,用于训练生成对抗网络及鉴别网络;
识别处理单元,用于对鉴别网络微调和训练进行信号调制格式识别处理。
9.如要求8所述的一种信号调制格式识别***,其特征在于,所述特征增强单元是通过Matlab计算生成。
10.如要求8所述的一种信号调制格式识别***,其特征在于,所述生成对抗网络及训练鉴别网络使用Python调用计算机GPU运算实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203711.9A CN112953871A (zh) | 2021-02-23 | 2021-02-23 | 一种基于神经网络的信号调制格式识别新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203711.9A CN112953871A (zh) | 2021-02-23 | 2021-02-23 | 一种基于神经网络的信号调制格式识别新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112953871A true CN112953871A (zh) | 2021-06-11 |
Family
ID=76245744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110203711.9A Pending CN112953871A (zh) | 2021-02-23 | 2021-02-23 | 一种基于神经网络的信号调制格式识别新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112953871A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626960A (zh) * | 2021-07-29 | 2021-11-09 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
CN113723556A (zh) * | 2021-09-08 | 2021-11-30 | 中国人民解放军国防科技大学 | 基于熵加权-多模态域对抗神经网络的调制方式识别方法 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN114050953A (zh) * | 2021-11-22 | 2022-02-15 | 常州北邮新一代信息技术研究院有限公司 | 面向相干光通信***的信号调制格式识别方法及*** |
CN114065823A (zh) * | 2021-12-02 | 2022-02-18 | 中国人民解放军国防科技大学 | 基于稀疏深度神经网络的调制信号识别方法及*** |
CN114338316A (zh) * | 2021-12-29 | 2022-04-12 | 北京邮电大学 | 一种标准调制格式和概率整形调制格式的识别方法 |
CN114978827A (zh) * | 2022-04-22 | 2022-08-30 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
CN115622852A (zh) * | 2022-10-21 | 2023-01-17 | 扬州大学 | 一种基于星座图KD树增强与神经网络GSENet的调制识别方法 |
CN118300942A (zh) * | 2024-06-05 | 2024-07-05 | 四川轻化工大学 | 基于极坐标星座图特征的调制格式识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108092714A (zh) * | 2017-12-20 | 2018-05-29 | 中山大学 | 支持颜色调整及csk星座图检测的ofdm*** |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
-
2021
- 2021-02-23 CN CN202110203711.9A patent/CN112953871A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108092714A (zh) * | 2017-12-20 | 2018-05-29 | 中山大学 | 支持颜色调整及csk星座图检测的ofdm*** |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
BIN TANG等: "Digital Signal Modulation Classification With Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks", 《IEEE》 * |
BIN TANG等: "Digital Signal Modulation Classification With Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks", 《IEEE》, vol. 6, 18 April 2018 (2018-04-18), pages 1 - 11 * |
张思成等: "基于轻量级深度神经网络的电磁信号调制识别技术", 《CNKI》 * |
张思成等: "基于轻量级深度神经网络的电磁信号调制识别技术", 《CNKI》, vol. 41, no. 11, 30 November 2020 (2020-11-30), pages 1 - 2 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626960B (zh) * | 2021-07-29 | 2022-06-14 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
CN113626960A (zh) * | 2021-07-29 | 2021-11-09 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN113905383B (zh) * | 2021-08-26 | 2024-02-06 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN113723556A (zh) * | 2021-09-08 | 2021-11-30 | 中国人民解放军国防科技大学 | 基于熵加权-多模态域对抗神经网络的调制方式识别方法 |
CN114050953A (zh) * | 2021-11-22 | 2022-02-15 | 常州北邮新一代信息技术研究院有限公司 | 面向相干光通信***的信号调制格式识别方法及*** |
CN114050953B (zh) * | 2021-11-22 | 2023-05-23 | 常州京信新一代信息技术研究院有限公司 | 面向相干光通信***的信号调制格式识别方法及*** |
CN114065823A (zh) * | 2021-12-02 | 2022-02-18 | 中国人民解放军国防科技大学 | 基于稀疏深度神经网络的调制信号识别方法及*** |
CN114338316A (zh) * | 2021-12-29 | 2022-04-12 | 北京邮电大学 | 一种标准调制格式和概率整形调制格式的识别方法 |
CN114338316B (zh) * | 2021-12-29 | 2024-01-05 | 北京邮电大学 | 一种标准调制格式和概率整形调制格式的识别方法 |
CN114978827A (zh) * | 2022-04-22 | 2022-08-30 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
CN114978827B (zh) * | 2022-04-22 | 2024-05-10 | 深圳市人工智能与机器人研究院 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
CN115622852A (zh) * | 2022-10-21 | 2023-01-17 | 扬州大学 | 一种基于星座图KD树增强与神经网络GSENet的调制识别方法 |
CN118300942A (zh) * | 2024-06-05 | 2024-07-05 | 四川轻化工大学 | 基于极坐标星座图特征的调制格式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112953871A (zh) | 一种基于神经网络的信号调制格式识别新方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
Choqueuse et al. | Blind modulation recognition for MIMO systems | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN108173599B (zh) | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 | |
CN109802905A (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN108965178B (zh) | 基于机器学习的智能自适应均衡器及均衡解调方法 | |
CN114567528B (zh) | 基于深度学习的通信信号调制方式开集识别方法及*** | |
Huang et al. | Hierarchical digital modulation classification using cascaded convolutional neural network | |
Subbarao et al. | Automatic modulation recognition in cognitive radio receivers using multi-order cumulants and decision trees | |
CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
CN111814777A (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN114398931A (zh) | 基于数值特征和图像特征融合的调制识别方法及*** | |
CN112737992A (zh) | 一种水声信号调制方式自适应类内识别方法 | |
Sun et al. | Automatic signal modulation recognition based on deep convolutional neural network | |
CN114943246A (zh) | 一种基于双谱特征提取的半监督特定辐射源识别方法 | |
Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN113537025A (zh) | 一种基于自监督学习的电磁调制信号深度去噪方法及*** | |
CN115086123B (zh) | 基于时频图和星座图融合的调制识别方法及*** | |
CN116016071A (zh) | 一种基于双流融合CNN-BiLSTM网络的调制信号识别方法 | |
CN115913850A (zh) | 一种基于残差网络的开集调制识别方法 | |
Zhang et al. | Heterogeneous deep model fusion for automatic modulation classification | |
Guo et al. | Custom convolutional layer designs for CNN based automatic modulation classification solution |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210611 |
|
WD01 | Invention patent application deemed withdrawn after publication |