一种基于端到端卷积神经网络的无线电信号识别方法技术

本发明专利技术涉及一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于对观察窗口的原始I/Q采样数据先后执行预处理和卷积神经网络识别两个步骤。其中，预处理步骤以观察窗口的原始I/Q采样数据作为输入，经过离散傅里叶变换和数据格式对齐处理后，输出频谱瀑布图；卷积神经网络识别步骤以预处理所得的频谱瀑布图作为输入，经过CNN特征提取层、MLP特征映射层和BR多标签分类层后，输出表征所有待识别信号是否存在的一维布尔向量。与传统特征提取+分类识别的模式相比，本发明专利技术采用端到端的技术解决思路，避免了复杂而低效的特征工程，提高了信号识别的准确性、鲁棒性和智能化水平，对重点区域以及重大活动现场的无线电监管具有重要意义。

A radio signal recognition method based on end-to-end convolution neural network

The invention relates to a radio signal recognition method based on end-to-end convolution neural network, which is characterized by two steps of pre-processing and convolution neural network recognition for the original I/Q sampling data of the observation window. In the preprocessing step, the original I/Q sampling data of the observation window is used as input, and the spectrum waterfall map is output after the discrete Fourier transform and data format alignment. In the convolutional neural network recognition step, the spectrum waterfall map obtained by the preprocessing is used as input, and it is processed through CNN feature extraction layer, MLP feature mapping layer and BR multi-scale. After signing the classification layer, output a one-dimensional Boolean vector representing all the signals to be identified. Compared with the traditional pattern of feature extraction and classification recognition, the invention adopts the end-to-end technology to solve the problem, avoids the complex and inefficient feature engineering, improves the accuracy, robustness and intelligence level of signal recognition, and is of great significance to the radio supervision of key areas and major activity sites.

【技术实现步骤摘要】
一种基于端到端卷积神经网络的无线电信号识别方法
本专利技术属于无线电监测
，涉及一种基于端到端卷积神经网络(ConvolutionalNeuralNetwork,CNN)的无线电信号识别方法，用于解决传统无线电信号识别中面临的特征提取过于复杂的问题，提高无线电信号识别的能力和智能化水平。
技术介绍
近年来，随着无线通信技术的发展，特别是物联网的兴起，无线电波已经成为连通万物的重要载体。然而，无线电波开放性的特点，使其容易受到干扰和非法利用，导致正常通信系统受扰中断、虚假反动言论传播等严重问题。因此，无线电安全已经成为国家安全的重要组成部分，加强无线电监测与管理，特别是在机场、边境等重点区域以及重大活动现场的无线电监管，具有重要的现实意义和迫切需求。简单而言，无线电监测包括三个任务：探测、识别和定位。其中，探测利用无线电接收设备获取基本的电磁数据；识别则通过数据处理提取更加抽象而实用的特征，并以此进行分类；最后，对于识别出的非法信号，还可利用无线电定位的方法搜寻发射源，为无线电监管和执法提供支持。由此可见，无线电信号识别是探测的升华，又是定位的基础，在无线电监测中处于核心地位，历来都是无线电监测技术研究的重点与难点。早期的无线电信号识别，是利用各种频谱采集设备采集空中射频信号，经过处理后，以频谱图、瀑布图、余晖图等可视化方式展现出来，然后由专业人员分析信号时频特征并寻找目标信号。这种做法对操作人员的专业素质要求非常高，而且当监测时间变长或无线电信号较多时，人工分析效率和准确率也会大幅下降。目前比较流行的无线电信号识别方式，是先由本领域专家精心挑选信号关键特征(如循环谱密度、高阶中心矩函数、功率谱密度最大值、瞬时相位的标准差等)，然后利用传统的信号处理算法计算特征参数值，最后再基于固定规则或者机器学习的方法进行分类。通常，一个模型需要选取其中的几项甚至十几项特征作为模型输入，计算复杂度非常高，很难实际部署使用。同时，受信号波形多样性和多径衰落效应的影响，该方法在特征选择和判决准则方面也缺乏普适性。
技术实现思路
本专利技术的目的是：针对现有技术的不足，提出一种基于端到端卷积神经网络的无线电信号识别方法，将人工智能与无线电信号处理技术深度融合，解决了传统无线电信号识别中面临的人工特征提取过于复杂的问题，提高无线电信号的识别能力和智能化水平。本专利技术的技术解决方案如下所述。一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于对观察窗口的原始I/Q采样数据先后执行预处理和卷积神经网络识别两个步骤，具体如图1所示。其中，预处理步骤以观察窗口的原始I/Q采样数据作为输入，经过离散傅里叶变换和数据格式对齐处理后，输出频谱瀑布图；卷积神经网络识别步骤以预处理所得的频谱瀑布图作为输入，经过CNN(ConvolutionalNeuralNetwork，卷积神经网络，简称CNN)特征提取层、MLP(Multi-layerPerceptron，多层感知器，简称MLP)特征映射层和BR(BinaryRelevance,二元关联，简称BR)多标签分类层后，输出表征所有待识别信号是否存在的一维布尔向量。与传统特征提取+分类识别的模式相比，本专利技术采用端到端的技术解决思路，避免了复杂而低效的特征工程，提高了信号识别的准确性、鲁棒性和智能化水平，并降低了计算复杂度，具体如图2所示。上述一种基于端到端卷积神经网络的无线电信号识别方法，所述的预处理，是为了将原始I/Q采样数据变换为一种更有利于自动特征提取和识别的形式。为了充分发挥卷积神经网络在特征提取方面的优势，并降低计算复杂度，本专利技术希望预处理过程是无损且容易计算的。根据离散信号处理理论和现代通信系统架构，原始的I/Q采样数据就是数字通信系统后端处理的输入，任何复杂的数字信号处理算法都是在此基础上经过数学变换得到，因此它天然蕴含了无损信息。从数学上讲，离散傅里叶变换是对I/Q采样数据的无损变换，因此同样蕴含了全部信息。同时离散傅里叶变换的结果作为信号的频域表达形式，更有利于在复杂电磁环境下进行信号识别。因此，本专利技术首先对原始I/Q采样数据进行离散傅里叶变换，得到信号的频域表达，然后再进行后续的处理。上述一种基于端到端卷积神经网络的无线电信号识别方法，所述的数据格式对齐，是将连续多组离散傅里叶变换的结果组合成频谱瀑布图的格式，增加单个样本的时域信息量，便于后续卷积神经网络的处理和信号识别。对原始I/Q采样数据进行离散傅里叶变换的结果，是一个一维复数序列，可以形象地认为是“一条线”，它表示某一时间点的频谱密度谱。但是，无线电信号波形总是随时间变化，仅观察一个“时间点”的特征很难准确识别信号，因此将连续多个时间点的观测结果进行堆叠组合，变成“一个面”，就可以同时表达时域和频域的信息特征，有助于提高信号识别率。在这个二维平面中，横轴表示频率，纵轴表示时间，元素值就是离散傅里叶变换的结果值。如果将元素值按图像灰度值进行映射，就可以绘出一张可视化的图片，该图片就是频谱瀑布图，具体如图3所示。上述一种基于端到端卷积神经网络的无线电信号识别方法，所述的频谱瀑布图，尺寸为M×N×2。其中，2表示图片为两个通道，分别为I通道和Q通道；N表示离散傅里叶变换的点数，为了应用快速傅里叶变换算法实现离散傅里叶变换，以加快运算速度，N值需取2的正整数次幂；M表示一张频谱瀑布图内合并的离散傅里叶变换结果的组数，其大小反映了一个样本的时间跨度，M值越大，表征的时间跨度越长，但计算越复杂。上述一种基于端到端卷积神经网络的无线电信号识别方法，所述的卷积神经网络识别，包括CNN特征提取层、MLP特征映射层和BR多标签分类层。其中，CNN特征提取层采用多层次卷积神经网络结构，同时从时域和频域的角度提取信号高维特征；MLP特征映射层采用全连接的多层感知器结构，对提取到的信号特征进行降维映射；BR多标签分类层采用二元关联(BinaryRelevance)法对接收数据进行多标签分类，可同时判决出该时/频观察窗内所有待识别信号是否存在。其中，时/频观察窗的大小由输入的频谱瀑布图所决定，频谱瀑布图横轴的跨度就是频率观察窗口，纵轴的跨度就是时间观察窗口。上述一种基于端到端卷积神经网络的无线电信号识别方法，所述的BR多标签分类层，采用二元关联法进行多标签分类，由多个并行的单标签单分类器组成，每个单标签单分类器判断其中一种信号是否存在，所有单标签单分类器的输出结果合并起来，构成一个能够表征所有待识别信号是否存在的一维布尔向量。其中向量的长度等于待识别的信号类型总数，向量第i个元素取值为True时，表示第i个信号存在，反之为False时，表示第i个信号不存在。在复杂电磁环境下，很难观测到单一、纯净的信号，基本都是多个信号的混叠，因此，在对混叠信号的识别判决中，就不应该仅仅输出一个标签结果，而应该用一个多标签结果表示。经过对比分析，本专利技术采用二元关联法进行多标签分类。二元关联法将一个m维多标签分类问题转化为m个单标签分类问题，如果需要增加第m+1维信号的类型识别时，可以完全不用修改已有的模型训练结果，直接进行第m+1个模型参数的训练即可，非常容易实现增量学习，这在实际应用中非常重要，而分类器链法、标签幂集合法等其它多标签分类方法则不具有该本文档来自技高网...

【技术保护点】
1.一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于：对观察窗口的原始I/Q采样数据先后进行预处理和卷积神经网络识别两个步骤，其中：预处理步骤：以观察窗口的原始I/Q采样数据作为输入，经过离散傅里叶变换和数据格式对齐处理后，输出频谱瀑布图；卷积神经网络识别步骤：以预处理所得的频谱瀑布图作为输入，经过CNN特征提取层、MLP特征映射层和BR多标签分类层后，输出表征所有待识别信号是否存在的一维布尔向量。

【技术特征摘要】
1.一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于：对观察窗口的原始I/Q采样数据先后进行预处理和卷积神经网络识别两个步骤，其中：预处理步骤：以观察窗口的原始I/Q采样数据作为输入，经过离散傅里叶变换和数据格式对齐处理后，输出频谱瀑布图；卷积神经网络识别步骤：以预处理所得的频谱瀑布图作为输入，经过CNN特征提取层、MLP特征映射层和BR多标签分类层后，输出表征所有待识别信号是否存在的一维布尔向量。2.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于：所述的频谱瀑布图，尺寸为M×N×2；其中，2表示图片为两个通道，分别为I通道和Q通道；N表示离散傅里叶变换的点数，N值取2的正整数次幂；M表示一张频谱瀑布图内合并的离散傅里叶变换结果的组数，M值取正整数。3.根据权利要求1所述的一种基于端到端卷积神经网络的无线电信号识别方法，其特征在于：所述的一维...

【专利技术属性】
技术研发人员：周鑫，何晓新，邱源，任海玉，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：北京,11