CN114900406B - 一种基于孪生网络的盲调制信号识别方法 - Google Patents
一种基于孪生网络的盲调制信号识别方法 Download PDFInfo
- Publication number
- CN114900406B CN114900406B CN202210427188.2A CN202210427188A CN114900406B CN 114900406 B CN114900406 B CN 114900406B CN 202210427188 A CN202210427188 A CN 202210427188A CN 114900406 B CN114900406 B CN 114900406B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- network
- modulation
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 45
- 230000004913 activation Effects 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010363 phase shift Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于孪生网络的盲调制信号识别方法,先建立调制数据集和支撑集,再通过利用粗频率偏移估计对调制数据集种的原始IQ数据进行简易频率校正,然后配对输入至孪生网络并训练;然后通过支撑集中的数据与待测数据进行配对,通过训练完成的孪生网络计算数据间欧氏距离以判断信号调制类型,这样的网络可通过少量样本构建支撑数据集,减少对数据量的依赖,而且能够在训练集未知的情况下实现盲调制信号识别,能够适应当前非合作通信对抗的发展。
Description
技术领域
本发明属于通信信号识别技术领域,更为具体地讲,涉及一种基于孪生网络的盲调制信号识别方法。
背景技术
通信对抗已成为影响现代战争进程的决定性因素之一。盲调制识别是通信对抗中的关键技术,是复杂电磁环境下信号辨识的重要依据。通过盲调制识别,电台可在非合作条件下对电磁频谱空间中的用户进行识别,为信号的侦收、截获、干扰提供条件。民用领域中,无线通信设备数量呈几何式增长,无线电管理部门也迫切需要一种高效的调制分选识别技术,以提升复杂电磁环境下的频谱监管能力。
似然比检验法以及模式识别是当前盲调制识别研究的两个主要方向。似然比检验法基于信号的统计特性,通过假设检验实现调制模式判别。此类方法通常需要预知检测窗内的信号电平,并假定电平维持稳定。另一方面,由于检验量的计算过程较为复杂,且依赖先验信息,因此难以在通信对抗中得到推广应用。模式识别是另一类盲调制识别技术,此类算法通常包含特征提取以及模式匹配两个主要过程。特征提取的目标是获得不同调制模式的差异化特征,同时抑制无关信息所产生的干扰。传统的模式匹配算法通常基于信号的瞬时幅度、相位、频率以及频谱的对称性设计了多种信号特征,通过决策网络实现多类调制模式的划分。但这些方法往往仅凭借少数特征,对数据的利用率较低,且通用性较差。
近年来,基于机器学习的模式匹配算法发展迅速,此类方法可充分利用多维数据信息,并且具有较强的非线性拟合能力,是当下调制识别领域的研究热点。如利用高阶累积量与神经网络相结合的方法,并通过主成分分析法(Principle Component Analysis,PCA)减少信息冗余,提升识别的准确性。采用支持向量机构建了调制识别模型,充分发挥了支持向量机的运算效率以及小样本泛化优势,但是这些机器学习方法依赖于所选用的特征。相比神经网络、支持向量机等浅层学习算法,深度学习类方法具有更强的学习能力,更为重要的是,此类方法可自主提取信号特征,因此备受青睐。
基于卷积神经网络(Convolutional Neural Network,CNN)的调制识别算法,将一维无线信号特征转换为二维图像特征,从而实现高阶抽象特征的提取。为了充分发挥CNN在一维数据中的特征提取能力。基于循环神经网络(Recurrent Neural Network,RNN)的调制识别算法,可充分利用数据的时序特征。但是这些方法存在不足,需要基于大数据基础下有较好的性能,在复杂电磁环境下,尤其是新环境小样本的场景下,无法提供大量数据。而样本量不足则会导致学习不充分,无法准确获取识别结果。
虽然研究者们基于深度学习在调制识别领域取得了诸多研究成果,然而基于机器学习的训练方法对数据量、数据质量有着较高的要求。而在非合作、高对抗的电磁环境中,敌方目标电台的相关数据很可能极为稀缺,同时无法获得可靠的数据标签,因而数据量、数据质量均难以得到有效保障。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于孪生网络的盲调制信号识别方法,实现对未知调制样式的识别,同时提升识别准确率。
为实现上述发明目的,本发明一种基于孪生网络的盲调制信号识别方法,其特征在于,包括以下步骤:
(1)、建立调制数据集;
(1.1)、利用三台认知无线电设备搭建并模拟复杂电磁环境,其中,一台为发射机、一台为干扰机、一台为接收机;
(1.2)、建立调制数据集;
发射机作为识别目标依次以k种调制方式发送调制信号,干扰机用以模拟复杂电磁环境,接收机用于接收包含噪声及调制信号的原始IQ数据,并记录发射机发射当前的调制类型Li,i=1,2,...,k;其中,每种调制方式下采集M组原始IQ数据,每组原始IQ数据的数据长度为N,对应的调制类型Li作为标签;
将所有的原始IQ数据及对应标签Li组成调制数据集,调制数据集的总大小为k×M×N;
(2)、数据预处理;
(2.1)、数据切片;
将所获取的原始数据剪裁成连续的时间序列片段,每组原始IQ数据的长度为128;
(2.2)、对原始IQ数据进行归一化处理;
利用线性函数归一化方法对每组原始IQ数据进行等比例放缩,将数据值固定在[-1,1]范围内,记归一化后的每组原始IQ数据为y(n),n=1,2,…,ψ,
(2.3)、频率偏移校正;
(2.3.1)、记归一化后的信号y(n)的表达式为:
其中,s(n)为符号信息序列,b(n)为干扰噪声,表示相位偏移,/>表示频率偏移;
(2.3.2)、对信号y(n)取m次方:
其中,e(n)表示加性噪声;
(2.3.3)、忽略加性噪声e(n)统计分布特点,通过最大化周期图法粗略估计频率偏移
(2.3.4)、根据频率偏移估计值对y(n)进行校正;
其中,
(3)、建立支撑集;
支撑集包含k种调制方式,每种调制方式下仅含有1组预处理后的IQ数据;
(4)、搭建孪生网络模型;
孪生网络是由两个共享权值的分支网络相耦合组成,两个分支网络分别记为第一分支网络和第二分支网络;
其中,每一个分支网络采用卷积神经网络结构,具体包含如下两部分:
第一部分输入为校正后的IQ数据;其中,第一层接入卷积层,其卷积核尺寸为3×2,卷积核大小为16,激活函数采用ReLU函数;第二层连接池化层,缩减模型大小,池化类型为最大池化;第三层加入丢弃比率P=0.5的Dropout层以防止过拟合;第四层连接类型为最大池化的池化层进一步缩减模型大小;第五层连接卷积核尺寸为3×2,大小为16的卷积层,激活函数采用ReLU函数;第六层连接类型为最大池化的池化层;第七层加入丢弃比率P=0.5的Dropout层;第八层连接类型为最大池化的池化层;第九层连接展平层将输入数据一维化,以便后续数据合并;第十层加入全连接层,激活函数采用ReLU函数,将前九层提取的特征综合,输入到融合层;
分支网络第二部分输入为校正后的IQ数据的幅值;其中,第一层接入卷积核尺寸为3×2,卷积核大小为16的卷积层,激活函数为ReLU函数;第二层连接类型为最大池化的池化层;第三层加入丢弃比率P=0.5的Dropout层;第四层连接类型为最大池化的池化层;第五层连接展平层把多维输入一维化;第六层加入全连接层,激活函数为ReLU函数,将前五层提取的特征综合,输入到融合层;
融合层将分支网络两部分的输入在一维方向上连接,最终接入一个全连接层,采用Softmax逻辑回归进行分类,输出即为当前输入样本的调制类型;
(5)、训练孪生网络模型;
(5.1)、首先对孪生网络权重Wl进行初始化;从偏移校正后的大小为k×M的数据集中进行无放回随机抽样,每次抽取两个样本 并配对,每个样本的长度为128,若两样本的调制模式类别相同,则记为k=1,否则k=0;
(5.2)、将输入至第一分支网络,/>输入至第二分支网络;以第一分支网络为例,第一分支网络的第一部分输入为/>第一分支网络的第二部分输入为/>的幅值R(i),其中R(i)计算公式为:
其中,Re(·)表示取实部,Im(·)表示取虚部;
第一分支网络的第一部分输入经过卷积层时,其输出表示为:
其中,l表示当前网络层数,kl表示第l层、的卷积核,表示经过第l个卷积层的输出,bl表示第l层的偏置项;f(·)表示激活函数;
经过池化层时,采用最大池化方法,其输出表示为:
经过Dropout层时,按照丢弃比率P=0.5将当前神经网路单元暂时随机丢弃;
经过展平层时,数据从多维输入转化为一维输出;
经过全连接层时,记全连接层的所有的连接节点表示为rl,且服从伯努利分布,激活函数采用ReLU函数,则全连接层的输出表示为:
其中,表示第l层全连接层的权重,/>表示第l层全连接层的偏置项;
同理,第一分支网络的第二部分的全连接层输出表示为
经过融合层时,将第一分支网络的第一部分输出与第二部分输出/>进行线性叠加,其输出表示为/>
最后,第一分支网络经过一层全连接层,采用ReLU激活函数,得到,第一分支网络的输出
同理,第一分支网络的输出表示为
(5.3)、根据两个分支网络的输出计算欧式距离
(5.4)、在孪生网络的最后一层全连接层使用Softmax进行逻辑回归,得到孪生网络最终输出
(5.4)、计算损失函数Lcontrastive:
其中,k表示输入的两个样本的匹配程度,当k=1时,表示输入两个样本相匹配,属于同一类别,k=0表示输入两样本不匹配,为两个不同类别;margin表示认为设定的阈值;
(5.5)、判断相邻两轮训练完成后的损失函数值是否趋于0,如果是,则训练结束,得到训练完成的孪生网络;否则,采用梯度下降法与Adam优化方法进行权重参数更新,再返回步骤(5.2)进行下一轮训练;
(6)、基于孪生网络的盲调制信号识别;
采集的未知调制方式下的原始IQ数据,经过预处理后作为第一个输入样本,然后依次从支撑集中取包含的k组样本作为第二个样本,再与第一个输入样本组成样本对,从而得到k组样本对;
将k组样本对依次输入训练完成的孪生网络,从而输出对应的k个标签的概率组,然后取概率组中最大的值对应的标签作为该未知调制方式的最终识别结果。
本发明的发明目的是这样实现的:
本发明基于孪生网络的盲调制信号识别方法,先建立调制数据集和支撑集,再通过利用粗频率偏移估计对调制数据集种的原始IQ数据进行简易频率校正,然后配对输入至孪生网络并训练;然后通过支撑集中的数据与待测数据进行配对,通过训练完成的孪生网络计算数据间欧氏距离以判断信号调制类型,这样的网络可通过少量样本构建支撑数据集,减少对数据量的依赖,而且能够在训练集未知的情况下实现盲调制信号识别,能够适应当前非合作通信对抗的发展。
同时,本发明基于孪生网络的盲调制信号识别方法还具有以下有益效果:
(1)、本发明通过使用频率偏移粗估计校正方法,实现了对原始频率偏移数据的信息复原,使数据提供了更丰富的信息;
(2)、孪生网络将所解调的数据剪裁成连续的时间序列片段,保留了数据时序关系,同时时间片段中数据的时间跨度较小,使得相位差较小,数据特征得以保留;
(3)、孪生网络的结构采用了两分支网络,其中一支网络以另一支网络的输入数据对应的幅度值作为输入,增强频率、相位偏移条件下的模型稳定性;且孪生网络结构相比LSTM、CNN等结构,在小样本环境下具有更强的识别能力,可以实现未知信号的识别,能够有效针对当今未知环境下的盲信号识别问题。
附图说明
图1是本发明基于孪生网络的盲调制信号识别方法流程图;
图2是数据集中QAM信号可视化图;
图3是粗频率校正后的QAM信号可视化图;
图4是孪生网络结构图;
图5是包含未知类别的调制模式类分类实验结果图;
图6是小样本条件下孪生网络的识别准确率对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于孪生网络的盲调制信号识别方法流程图。
在本实施例中,如图1所示,本发明一种基于孪生网络的盲调制信号识别方法,包括以下步骤:
S1、建立调制数据集
S1.1、利用三台认知无线电设备搭建并模拟复杂电磁环境,其中,一台为发射机、一台为干扰机、一台为接收机;
S1.2、建立调制数据集;
发射机作为识别目标依次以k=11种调制方式发送调制信号,干扰机用以模拟复杂电磁环境,接收机用于接收包含噪声及调制信号的原始IQ数据,并记录发射机发射当前的调制类型Li,i=1,2,...,11;其中,每种调制方式下采集M=200组原始IQ数据,每组原始IQ数据的数据长度为N=1024,对应的调制类型Li作为标签;
将所有的原始IQ数据及对应标签Li组成调制数据集,调制数据集的总大小为2252800;
S2、数据预处理;
在本实施例中,原始IQ数据存在分布范围偏大或偏小的情况,且受到多普勒频移、接收机时钟不同步影响,数据会存在频率偏移状态,需要对原始IQ数据进行预处理,提升模型泛化能力。下面我们对预处理的过程进行描述,具体如下:
S2.1、数据切片;
在本实施例中,当同步条件无法保障时,所恢复的数据样本所发生的偏转与时间相关。因此当数据输入的时间跨度较长,接收信号中样本点的相位跨度相差将较大。因此可能无法进行有效识别;为此,将所获取的原始数据剪裁成连续的时间序列片段,每组原始IQ数据的长度为128;一方面,时间片段中数据的时间跨度较小,因而相位差较小,另一方面,时间序列片段保留了数据的时序关系,相比于图像提供了更为丰富的信息;
S2.2、对原始IQ数据进行归一化处理;
利用线性函数归一化方法对每组原始IQ数据进行等比例放缩,将数据值固定在[-1,1]范围内,记归一化后的每组原始IQ数据为y(n),n=1,2,…,ψ,ψ=8;
S2.3、频率偏移校正;
本实施例中,信号可视化如图2所示,其中,图2(a)为常规无频率偏移信号,由于频率偏移的影响,使得每个采样点呈现偏移的现象,如图2(b)所示导致信号类型难以识别,需要对信号频率偏移进行估计,利用粗校正后的数据实现对信号的初步复原;
S2.3.1、设理想无偏接收的数据为:
经过多普勒频移、接收机时钟不同步等影响,实际接收的有偏数据表示为:
其中,s(n)为符号信息序列,b(n)为干扰噪声,表示相位偏移,/>表示频率偏移;
根据本公式可知,相位偏移只会使得原始信号整体偏移一个固定角度而频率偏移会使得每个采样的信号点随点数不断偏移/>
S2.3.2、对信号y(n)取m次方:
在本实施例中,不考虑符号信息的前提下,将s(n)看做噪声,该m次幂信号模型表示含有乘性噪声和加性噪声的一个带频率的复指数,也可以理解为含有均值为零的非高斯白噪声,且带有频率的等幅复指数;
S2.3.3、忽略加性噪声e(n)统计分布特点,通过最大化周期图法粗略估计频率偏移
在本公式中,对于部分,先利用长度为N的快速傅里叶变换(FFT),计算并获得该m次幂的频率的峰值/>对该频率值除以m,获得频率偏移的粗略估计值/>
S2.3.4、根据频率偏移估计值对y(n)进行校正;
其中,其对整个信号的影响较小,如图3所示,从图中可以看出,经过粗略频率校正后的信号,其频率偏移产生的采样点旋转问题不明显,且信号只存在相位偏移影响的信号整体旋转,使信号有用信息得以修复;
S3、建立支撑集;
支撑集包含k种调制方式,每种调制方式下仅含有1组预处理后的IQ数据;通过少量样本构建支撑数据集,减少对数据量的依赖,而且能够在训练集未知的情况下实现盲调制信号识别,能够适应当前非合作通信对抗的发展。
S4、搭建孪生网络模型;
如4(a)所示,孪生网络是由两个共享权值的分支网络相耦合组成,两个分支网络分别记为第一分支网络和第二分支网络;为了增强频率、相位偏移条件下的模型稳定性,通过计算每个样本点的瞬时幅度,将幅度作为辅助特征加入其中一个分支网络;
其中,如4(b)所示,每一个分支网络采用卷积神经网络结构,具体包含如下两部分:
第一部分输入为校正后的IQ数据;其中,第一层接入卷积层,其卷积核尺寸为3×2,卷积核大小为16,激活函数采用ReLU函数;第二层连接池化层,缩减模型大小,池化类型为最大池化;第三层加入丢弃比率P=0.5的Dropout层以防止过拟合;第四层连接类型为最大池化的池化层进一步缩减模型大小;第五层连接卷积核尺寸为3×2,大小为16的卷积层,激活函数采用ReLU函数;第六层连接类型为最大池化的池化层;第七层加入丢弃比率P=0.5的Dropout层;第八层连接类型为最大池化的池化层;第九层连接展平层将输入数据一维化,以便后续数据合并;第十层加入全连接层,激活函数采用ReLU函数,将前九层提取的特征综合,输入到融合层;
分支网络第二部分输入为校正后的IQ数据的幅值;其中,第一层接入卷积核尺寸为3×2,卷积核大小为16的卷积层,激活函数为ReLU函数;第二层连接类型为最大池化的池化层;第三层加入丢弃比率P=0.5的Dropout层;第四层连接类型为最大池化的池化层;第五层连接展平层把多维输入一维化;第六层加入全连接层,激活函数为ReLU函数,将前五层提取的特征综合,输入到融合层;
融合层将分支网络两部分的输入在一维方向上连接,最终接入一个全连接层,采用Softmax逻辑回归进行分类,输出即为当前输入样本的调制类型;
在本实施例中,卷积神经网络的网络参数如表1所示;
表1是孪生网络参数;
S5、训练孪生网络模型;
S5.1、首先对孪生网络权重Wl进行初始化;从偏移校正后的大小为k×M的数据集中进行无放回随机抽样,每次抽取两个样本 并配对,每个样本分别包含了128个数据点,若两样本的调制模式类别相同,则记为k=1,否则k=0;
S5.2、将输入至第一分支网络,/>输入至第二分支网络;以第一分支网络为例,第一分支网络的第一部分输入为/>第一分支网络的第二部分输入为/>的幅值R(i),其中R(i)计算公式为:
其中,Re(·)表示取实部,Im(·)表示取虚部;
第一分支网络的第一部分输入经过卷积层时,其输出表示为:
其中,l表示当前网络层数,kl表示第l层、的卷积核,表示经过第l个卷积层的输出,bl表示第l层的偏置项;f(·)表示激活函数;
经过池化层时,采用最大池化方法,其输出表示为:
经过Dropout层时,按照丢弃比率P=0.5将当前神经网路单元暂时随机丢弃;
经过展平层时,数据从多维输入转化为一维输出;
经过全连接层时,记全连接层的所有的连接节点表示为rl,且服从伯努利分布,激活函数采用ReLU函数,则全连接层的输出表示为:
其中表示第l层全连接层的权重,/>表示第l层全连接层的偏置项;
同理第一分支网络的第二部分的全连接层输出表示为
经过融合层时,将第一分支网络的第一部分输出与第二部分输出/>进行线性叠加,其输出表示为/>
最后,第一分支网络经过一层全连接层,采用ReLU激活函数,得到,第一分支网络的输出
同理,第一分支网络的输出表示为
S5.3、根据两个分支网络的输出计算欧式距离
S5.4、在孪生网络的最后一层全连接层使用Softmax进行逻辑回归,得到孪生网络最终输出
S5.4、计算损失函数Lcontrastive:
其中,k表示输入的两个样本的匹配程度,当k=1时,表示输入两个样本相匹配,属于同一类别,k=0表示输入两样本不匹配,为两个不同类别;margin表示人为设定的阈值;
S5.5、判断相邻两轮训练完成后的损失函数值是否趋于0,如果是,则训练结束,得到训练完成的孪生网络;否则,采用梯度下降法与Adam优化方法进行权重参数更新,再返回步骤S5.2进行下一轮训练;
S6、基于孪生网络的盲调制信号识别;
采集的未知调制方式下的原始IQ数据,经过预处理后作为第一个输入样本,然后依次从支撑集中取包含的11组样本作为第二个样本,再与第一个输入样本组成样本对,从而得到11组样本对;
将k组样本对依次输入训练完成的孪生网络,从而输出对应的11个标签的概率组,然后取概率组中最大的值对应的标签作为该未知调制方式的最终识别结果。
对于训练数据中未曾出现过的样本,模型也可辨别数据是否来自同一调制类型,本实施例包含11种调制方式,其中选择部分调制模式作为训练集进行识别,如表2所示,为训练集覆盖调制类型的实验设置方式。本实施例中,如图5所示,即便训练集没有覆盖测试集中所有的调制类型,孪生网络依然可以实现70%以上的识别准确率。同时,当训练集覆盖较多的调制类别时,模型具有较高的识别准确率;
表2实验数据设置(包含未知类别的调制模式类分类)
训练集覆盖的调制类别 | |
实验设置一 | 8PSK,AM-DSB,AM-SSB,BPSK,CPFSK,GFSK,PAM4,QAM16 |
实验设置二 | 8PSK,AM-DSB,AM-SSB,BPSK,CPFSK,GFSK,PAM4 |
实验设置三 | 8PSK,AM-DSB,AM-SSB,BPSK,CPFSK,GFSK |
为了进行精确的模式匹配,可通过少量样本构建支撑数据集,基于孪生网络,模型可判别目标数据与支撑数据集样本的相似度,选择相似度最高的结果作为模型类别。构建支撑集最少仅需单一样本,因而使得小样本条件下的模式匹配成为可能。而当模型与所有已知类型的匹配度均比较低时,可将该样本作为新的支撑数据集,并赋予新的数据标签,当下一次接收到相同类型的信号时通过与该类别支撑数据进行匹配,从而实现对未知样本的有效分类;
如图6(a)所示,随着信噪比条件的改善,孪生网络、CNN、RNN以及LSTM的识别准确率呈上升趋势。但由于参数优化过程存在一定随机性,因此准确率并没有单调递增。综合对比可以看出,所构建的孪生网络在SNR为0dB~18dB的环境下,相比CNN,RNN,LSTM存在一定的精度优势。由6(b),本实施例展示了训练集分别为60%。50%,40%,30%,20%的条件下孪生网络的识别准确率。随着训练集占比的下降,孪生网络的准确率呈下降趋势,但即便在20%的训练数据比例条件下,模型仍然保持了75%左右的准确率。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于孪生网络的盲调制信号识别方法,其特征在于,包括以下步骤:
(1)、建立调制数据集;
(1.1)、利用三台认知无线电设备搭建并模拟复杂电磁环境,其中,一台为发射机、一台为干扰机、一台为接收机;
(1.2)、建立调制数据集;
发射机作为识别目标依次以k种调制方式发送调制信号,干扰机用以模拟复杂电磁环境,接收机用于接收包含噪声及调制信号的原始IQ数据,并记录发射机发射当前的调制类型Li,i=1,2,...,k;其中,每种调制方式下采集M组原始IQ数据,每组原始IQ数据的数据长度为N,对应的调制类型Li作为标签;
将所有的原始IQ数据及对应标签Li组成调制数据集,调制数据集的总大小为k×M×N;
(2)、数据预处理;
(2.1)、数据切片;
将所获取的原始数据剪裁成连续的时间序列片段,每组原始IQ数据的长度为128;
(2.2)、对原始IQ数据进行归一化处理;
利用线性函数归一化方法对每组原始IQ数据进行等比例放缩,将数据值固定在[-1,1]范围内,记归一化后的每组原始IQ数据为y(n),n=1,2,…,ψ,
(2.3)、频率偏移校正;
(2.3.1)、记归一化后的信号y(n)的表达式为:
其中,s(n)为符号信息序列,b(n)为干扰噪声,表示相位偏移,/>表示频率偏移;
(2.3.2)、对信号y(n)取m次方:
其中,e(n)表示加性噪声;
(2.3.3)、忽略加性噪声e(n)统计分布特点,通过最大化周期图法粗略估计频率偏移
(2.3.4)、根据频率偏移估计值对y(n)进行校正;
其中,
(3)、建立支撑集;
支撑集包含k种调制方式,每种调制方式下仅含有1组预处理后的IQ数据;
(4)、搭建孪生网络模型;
孪生网络是由两个共享权值的分支网络相耦合组成,两个分支网络分别记为第一分支网络和第二分支网络;
其中,每一个分支网络采用卷积神经网络结构,具体包含如下两部分:
第一部分输入为校正后的IQ数据;其中,第一层接入卷积层,其卷积核尺寸为3×2,卷积核大小为16,激活函数采用ReLU函数;第二层连接池化层,缩减模型大小,池化类型为最大池化;第三层加入丢弃比率P=0.5的Dropout层以防止过拟合;第四层连接类型为最大池化的池化层进一步缩减模型大小;第五层连接卷积核尺寸为3×2,大小为16的卷积层,激活函数采用ReLU函数;第六层连接类型为最大池化的池化层;第七层加入丢弃比率P=0.5的Dropout层;第八层连接类型为最大池化的池化层;第九层连接展平层将输入数据一维化,以便后续数据合并;第十层加入全连接层,激活函数采用ReLU函数,将前九层提取的特征综合,输入到融合层;
分支网络第二部分输入为校正后的IQ数据的幅值;其中,第一层接入卷积核尺寸为3×2,卷积核大小为16的卷积层,激活函数为ReLU函数;第二层连接类型为最大池化的池化层;第三层加入丢弃比率P=0.5的Dropout层;第四层连接类型为最大池化的池化层;第五层连接展平层把多维输入一维化;第六层加入全连接层,激活函数为ReLU函数,将前五层提取的特征综合,输入到融合层;
融合层将分支网络两部分的输入在一维方向上连接,最终接入一个全连接层,采用Softmax逻辑回归进行分类,输出即为当前输入样本的调制类型;
(5)、训练孪生网络模型;
(5.1)、首先对孪生网络权重Wl进行初始化;从偏移校正后的大小为k×M的数据集中进行无放回随机抽样,每次抽取两个样本并配对,每个样本的长度为128,若两样本的调制模式类别相同,则记为k=1,否则k=0;
(5.2)、将输入至第一分支网络,/>输入至第二分支网络;以第一分支网络为例,第一分支网络的第一部分输入为/>第一分支网络的第二部分输入为/>的幅值R(i),其中R(i)计算公式为:
其中,Re(·)表示取实部,Im(·)表示取虚部;
第一分支网络的第一部分输入经过卷积层时,其输出表示为:
其中,l表示当前网络层数,kl表示第l层的卷积核,表示经过第l个卷积层的输出,bl表示第l层的偏置项;f(·)表示激活函数;
经过池化层时,采用最大池化方法,其输出表示为:
经过Dropout层时,按照丢弃比率P=0.5将当前神经网路单元暂时随机丢弃;
经过展平层时,数据从多维输入转化为一维输出;
经过Dropout层时,按照丢弃比率P=0.5将当前神经网路单元暂时随机丢弃;
经过展平层时,数据从多维输入转化为一维输出;
经过全连接层时,记全连接层的所有的连接节点表示为rl,且服从伯努利分布,激活函数采用ReLU函数,则全连接层的输出表示为:
其中,表示第l层全连接层的权重,/>表示第l层全连接层的偏置项;
同理,第一分支网络的第二部分的全连接层输出表示为
经过融合层时,将第一分支网络的第一部分输出与第二部分输出/>进行线性叠加,其输出表示为/>
最后,第一分支网络经过一层全连接层,采用ReLU激活函数,得到,第一分支网络的输出
同理,第一分支网络的输出表示为
(5.3)、根据两个分支网络的输出计算欧式距离
(5.4)、在孪生网络的最后一层全连接层使用Softmax进行逻辑回归,得到孪生网络最终输出
(5.4)、计算损失函数Lcontrastive:
其中,k表示输入的两个样本的匹配程度,当k=1时,表示输入两个样本相匹配,属于同一类别,k=0表示输入两样本不匹配,为两个不同类别;margin表示人为设定的阈值;
(5.5)、判断相邻两轮训练完成后的损失函数值是否趋于0,如果是,则训练结束,得到训练完成的孪生网络;否则,采用梯度下降法与Adam优化方法进行权重参数更新,再返回步骤(5.2)进行下一轮训练;
(6)、基于孪生网络的盲调制信号识别;
采集的未知调制方式下的原始IQ数据,经过预处理后作为第一个输入样本,然后依次从支撑集中取包含的k组样本作为第二个样本,再与第一个输入样本组成样本对,从而得到k组样本对;
将k组样本对依次输入训练完成的孪生网络,从而输出对应的k个标签的概率组,然后取概率组中最大的值对应的标签作为该未知调制方式的最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427188.2A CN114900406B (zh) | 2022-04-22 | 2022-04-22 | 一种基于孪生网络的盲调制信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427188.2A CN114900406B (zh) | 2022-04-22 | 2022-04-22 | 一种基于孪生网络的盲调制信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114900406A CN114900406A (zh) | 2022-08-12 |
CN114900406B true CN114900406B (zh) | 2023-08-08 |
Family
ID=82717404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210427188.2A Active CN114900406B (zh) | 2022-04-22 | 2022-04-22 | 一种基于孪生网络的盲调制信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900406B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN111179307A (zh) * | 2019-12-16 | 2020-05-19 | 浙江工业大学 | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 |
CN113052126A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于深度学习的双阈值开集信号调制识别方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9503923B2 (en) * | 2014-03-10 | 2016-11-22 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Cooperative modulation of classification in cognitive radio networks |
JP7028345B2 (ja) * | 2018-06-29 | 2022-03-02 | 日本電気株式会社 | パタン認識装置、パタン認識方法、及びプログラム |
-
2022
- 2022-04-22 CN CN202210427188.2A patent/CN114900406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN111179307A (zh) * | 2019-12-16 | 2020-05-19 | 浙江工业大学 | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 |
CN113052126A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于深度学习的双阈值开集信号调制识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114900406A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN106130942A (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN112347871B (zh) | 一种用于通信载波监视***的干扰信号调制识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN114567528B (zh) | 基于深度学习的通信信号调制方式开集识别方法及*** | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN112613443A (zh) | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 | |
Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
CN111507299A (zh) | 一种频域上使用卷积神经网络识别stbc信号的方法 | |
Fan et al. | Single-site indoor fingerprint localization based on MIMO-CSI | |
CN114900406B (zh) | 一种基于孪生网络的盲调制信号识别方法 | |
CN111934797B (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
CN113098638A (zh) | 一种基于分组极差图的微弱信号检测方法 | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN111130694B (zh) | 一种低时延聚类的pdcch盲检方法及其*** | |
Weng et al. | Message structure aided attentional convolution network for RF device fingerprinting | |
Yang et al. | A Comparative Study of Signal Recognition Based on Ensemble Learning and Deep Learning | |
CN113660185A (zh) | 基于极值分布及小波变换特征的多载波信号类型识别方法 |
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 |