基于一维深度残差轻量网络的编码调制联合识别方法技术

本发明专利技术公开一种基于一维深度残差轻量网络的编码调制联合识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建一维深度残差轻量网络模型；(4)训练一维深度残差轻量网络模型；(5)将测试样本集输入到训练好的一维深度残差轻量网络模型中进行测试，获得识别准确率，评估网络性能。本发明专利技术是一种通用的无线电信号特征提取方法，具有普适性好、鲁棒性强、识别准确率高、网络参数少、识别信号类型多的优点，可用于实际复杂通讯环境下的无线电信号的编码与调制方式的联合识别。

【技术实现步骤摘要】
基于一维深度残差轻量网络的编码调制联合识别方法
本专利技术属于通信
，更进一步涉及无线电信号处理
中的一种基于一维深度残差轻量网络的编码调制联合识别方法。本专利技术可以适用于复杂的电磁环境，通过构建的一维深度残差轻量网络自动提取无线电信号特征，利用所提取的无线电信号特征对不同调制方式和不同信道编码方式的无线电信号种类进行识别。
技术介绍
无线电信号识别在军事和民用上都发挥着重要的作用，早期的无线电信号源数量少、体制单一、功能简单、频域覆盖范围小，利用专家先验知识进行人工特征提取就能完成无线电信号的识别。然而随着如今无线电通信技术的不断发展，使得通信环境日渐复杂多变，基于传统分类方法的识别技术，虽然能在给定的测试信号上达到令人满意的识别率，但大多操作繁琐，依赖人工特征提取，且只能完成有限种类信号的调制方式识别或信道编码方式识别，在编码调制联合识别领域还有待进一步发展。因此，找到一种高效简洁、可以完成复杂电磁环境下无线电信号编码调制联合识别的方法显得尤为重要。残差网络通过在网络结构中加入捷径，成功解决了神经网络层数增加所带来的退化问题，使得十几甚至上百层的深度神经网络的实现成为现实。目前，残差网络已经在计算机视觉方面取得了广泛的应用，但在其他诸如一维信号处理等领域却没有得到有效的应用。北京航空航天大学在其拥有的专利技术“一种基于广义S变换的通信信号调制识别方法”(申请号201210150812.5，授权公告号CN102685053B)中公开了一种基于广义S变换的通信信号调制识别方法。该方法的具体步骤如下：1、根据输入的信噪比调制信号的特征，对输入的调制信号进行解析信号构造,得到解析信号，作为进行广义S变换的信号；2、构造广义S变换所需要的高斯窗函数；3、根据广义S变换的表达式确定高斯窗宽度因子σ，结合短时傅里叶变换和高斯窗函数对输入的调制信号进行广义S变换，得到调制信号的时频能量分布图；4、依据步骤3得到的时频能量分布图，对比各种调制信号的能量图像，找出各种调制信号广义S变换后时频能量图像之间的差别，选取能量集中的频带条数、高低频分量能量最大值之比、能量时域分布、高低频分量极大值时域分布和高频分量极大值分布，对各种调制信号进行识别。该方法虽然提出了一种基于广义S变换的通信信号调制识别方法，但是，该方法仍然存在的不足之处是，在进行广义S变换时提取信号特征的过程繁琐，需要反复对比信号的能量图像才能完成对信号的识别，过度依赖专家先验，并且只适用于对信号的调制方式识别。苏州科技大学在其申请的专利文献“一种基于残差网络的多层感知机人工神经网络”(申请号201611035693.3，申请公布号CN106779062A)中公开了一种基于残差网络的多层感知机人工神经网络。该人工神经网络采用全连接的方式代替残差神经网络中的卷积，网络模块结构中神经元结构通过每一个隐藏层的输出来得到完整残差模块的输出，以期望能在图像处理以外的领域得到更好的应用。但是，该方法仍然存在的不足之处是，没有充分利用残差网络可以实现更深层网络的特性，只构建了一个包含两层感知机的人工神经网络，而在抛弃原有残差网络中的卷积操作的同时，也抛弃了卷积操作在提取数据特征等方面的优势。
技术实现思路
本专利技术的目的是针对一维无线电信号识别上述现有技术存在的不足，提出一种基于一维深度残差轻量网络的编码调制联合识别方法，实现了在复杂电磁环境下对无线电信号的编码调制联合识别。实现本专利技术目的的具体思路是，利用一维深度残差轻量网络进行无线电信号的编码调制联合识别。本专利技术充分利用残差网络的优势，利用多层一维卷积来提取信号的特征，在复杂电磁环境下的无线电信号识别中实现了较高的识别率，不仅可以识别多种类型调制方式的无线电信号，对不同信道编码方式的信号同样有很好的识别率。实现本专利技术目的的具体步骤包括如下：(1)生成29种编码调制联合信号和2种调制信号：(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；(2)生成训练样本集和测试样本集：(2a)对29种类型的编码调制联合信号和2种类型的调制信号，每一个信号样本的所有信息点，以100个信息点为间隔采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；(3)构建一维深度残差轻量网络模型：(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型的结构；(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数；(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数，选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam，将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数；(3d)设置训练一维深度残差轻量网络模型时的训练次数，早期停止机制；(4)训练一维深度残差轻量网络模型：(4a)打乱训练样本集中所有样本的排列顺序，将训练样本集输入到一维深度残差轻量网络模型中；(4b)训练一维深度残差轻量网络模型，当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的一维深度残差轻量网络模型；(5)获得识别准确率：(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中，得到识别结果；(5b)将识别结果与测试集的真实类别对比，统计识别正确率。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术使用了自动提取编码调制联合信号特征的网络模型，克服了现有技术的传统方法中人工提取信号特征过程繁琐、需要大量专家先验才能完成对信号的识别的缺点，使得本专利技术中一维深度残差轻量网络可以自动提取不同调制、不同信道编码的无线电信号特征，简化了无线电信号特征提取的步骤，提高了无线电信号识别的效率。第二，由于本专利技术构建了一维深度残差轻量网络模型，克服了传统方法只能用于对信号的调制方式识别的缺点，使本专利技术中一维深度残差轻量网络实现了无线电信号的编码调制联合识别，完成了多种复杂类型的无线电信号的识别，拓宽了可以识别的无线电信号类型的范围，使得本专利技术中的无线电信号识别方法更加具有普适性和鲁棒性。第三，由于本专利技术构建了含有14个一维卷积层的一维深度残差轻量网络模型，克服了一般方法没有充分利用残差网络可以实现更深层网络的特性，以及抛弃了卷积操作在提取数据特征等方面的优势的缺点，使得本专利技术中的一维深度残差轻量网络模型可以利用多层的一维卷积操作提取到更多信号的特征信息，提高了无线电编码调制联合信号识别的精度。附图说明图1为本专利技术的流程图；图2是本专利技术仿真实验所用的29种编码调制联合信号和2种调制信号的波形示意图本文档来自技高网...

【技术保护点】
1.一种基于一维深度残差轻量网络的编码调制联合识别方法，其特征在于：包括如下步骤：(1)生成29种编码调制联合信号和2种调制信号：(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；(2)生成训练样本集和测试样本集：(2a)对29种类型的编码调制联合信号和2种类型的调制信号，每一个信号样本的所有信息点，以100个信息点为间隔采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；(3)构建一维深度残差轻量网络模型：(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型的结构；(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数；(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数，选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam，将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数；(3d)设置训练一维深度残差轻量网络模型时的训练次数，早期停止机制；(4)训练一维深度残差轻量网络模型：(4a)打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到一维深度残差轻量网络模型中；(4b)训练一维深度残差轻量网络模型，当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的一维深度残差轻量网络模型；(5)获得识别准确率：(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中，得到识别结果；(5b)将识别结果与测试集的真实类别对比，统计识别正确率。...

【技术特征摘要】
1.一种基于一维深度残差轻量网络的编码调制联合识别方法，其特征在于：包括如下步骤：(1)生成29种编码调制联合信号和2种调制信号：(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；(2)生成训练样本集和测试样本集：(2a)对29种类型的编码调制联合信号和2种类型的调制信号，每一个信号样本的所有信息点，以100个信息点为间隔采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；(3)构建一维深度残差轻量网络模型：(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型的结构；(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数；(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数，选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam，将一维深度残差轻量网络模型的激活函数设置为修正线性单元激活函数；(3d)设置训练一维深度残差轻量网络模型时的训练次数，早期停止机制；(4)训练一维深度残差轻量网络模型：(4a)打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到一维深度残差轻量网络模型中；(4b)训练一维深度残差轻量网络模型，当达到一维深度残差轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的一维深度残差轻量网络模型；(5)获得识别准确率：(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中，得到识别结果；(5b)将识别结果与测试集的真实类别对比，统计识别正确率。2.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法，其特征在于，步骤(1a)中所述的将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码是指，对于短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码的3种信道编码方式，生成3种编码信号；对于超短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码、码率为四分之三的432非系统卷积码的4种信道编码方式，生成4种编码信号。3.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法，其特征在于，步骤(1b)中所述的将不同的编码信号按照频段的不同进行调制是指，对于短波频段的3种编码信号分别采用正交相移键控调制QPSK、8移相键控调制8PSK、二进制频移键控调制2FSK的3种调制方式，生成9种编码调制联合信号；对于超短波频段的四种编码信号分别采用二进制频移键控和频率调制的二次调制、正交相移键控和频率调制的二次调制、二进制相移键控调制BPSK、正交相移键控调制QPSK、二进制频移键控调制2FSK的5种调制方式，生成20种编码调制联合信号。4.根据权利要求1所述的基于一维深度残差轻量网络的编码调制联合识别方法，其特征在于，步骤(1b)中所述的短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本是由下述方式得到的：A.短波频段的9种编码调制联合信号，每种信号的帧长取10ms-150ms内的随机数，调制速率取50Bd-2.4kBd内的随机数；再将9种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为25小类，每类1000个信号，得到25000个信号样本；B.超短波频段的20种编码调制联合信号，其中，每种信号的帧长取10ms-800ms内的随机数，调制速率取1kBd-20kBd内的随机数；再将20种编码调制联合信号中的每种信号，依据帧长和调制速率的不...

【专利技术属性】
技术研发人员：杨淑媛，王敏，宋雨萱，焦李成，黄震宇，吴亚聪，王喆，李兆达，张博闻，李治，王翰林，王俊骁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61