基于CNN卷积神经网络的数字信号自动调制识别方法技术

本发明专利技术属于数字通信信号调制技术领域，公开了一种基于CNN卷积神经网络的数字信号自动调制识别方法；对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R

Automatic Modulation Recognition of Digital Signals Based on CNN Convolutional Neural Network

The invention belongs to the field of digital communication signal modulation technology, and discloses an automatic modulation recognition method of digital signal based on CNN convolution neural network; carries out cyclic spectrum analysis of received digital signal, extracts alpha-axis projection profile of amplitude normalized cyclic spectrum, and obtains one-dimensional eigenvector x < R.

【技术实现步骤摘要】
基于CNN卷积神经网络的数字信号自动调制识别方法
本专利技术属于数字通信信号调制
，尤其涉及一种基于CNN卷积神经网络的数字信号自动调制识别方法。
技术介绍
目前，业内常用的现有技术是这样的：针对AWGN环境下的调制识别问题，目前现有的方法大致可以划分为三大类：基于最大似然假设检验、基于特征提取模式识别、以及基于深度学习方法。其中，基于最大似然假设检验的识别方法涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中都是很难准确获取。因此，现在的很多学者重点研究的是基于特征提取和深度学习的调制识别方法。Yasaman与Ettefagh等人利用自适应神经网络方法，对AM、MASK、MFSK、MPSK、MQAM等18种调制类型，提取了9个频域特征参数，在信噪比为5dB时，可达到95％以上的平均准确率，但该方法是基于瞬时信息，易受噪声影响，且在低信噪比下，对QAM、MSK等调制信号无法有效识别。位小记等人采用分层的多分类器进行分类识别，提出了结合高阶累积量和改进的星座图聚类分析法，在SNR不低于6dB时，平均识别率可达93％以上，但该方法的缺陷是高阶累积量对同步要求较高，实际中很难满足，性能影响严重。FenWang等人将接收信号投影到人工星座图上，把调制识别转换为图像识别问题，通过利用DBN深度神经网络，实现图像的分类识别，并对比DNN、CNN、以及Softmax分类器识别效果，在SNR为0dB时，取得了95.14％分类效果，但该方法识别种类较少，信号投影至人工星座图的复杂度较高，且在低信噪比下算法的鲁棒性较差。HuiWang等人利用PCA对接收信号降维后的循环谱数据特征，采用ANN神经网络，实现对2FSK、4FSK、8FSK、BPSK、QPSK、MSK、2ASK等调制方式的识别，在信噪比为-3dB左右，识别率可达90％以上。该方法虽然改善低信噪比情况下识别率低的问题，但是对于像MPSK与MQAM等调制类型的类内识别性能极差。针对MPSK的类内识别问题，胡建伟等人提出了一种基于小波变换提取MPSK信号相位信息的方法，对BPSK、QPSK、8PSK、16PSK四种类型，在信噪比大于6dB时，识别率几乎可达100％。但在实际接收中，相位信息获取不易，尤其是在低信噪比，识别率急剧下降，该算法的鲁棒性较差。GihanJ.Mendis等人采用深度学习的方法，通过先提取调制信号的循环谱投影面数据的浅层特征，再利用7层深度置信网络(DBN)的分类办法，实现4FSK、16QAM、BPSK、QPSK、OFDM等调制信号的分类识别，仿真结果表明，在SBR为0dB时识别率可达91％以上；在SBR为5dB时识别率可达98.2％以上。该方法虽然最终取得了不错的识别效果，但由于其前面的浅层特征提取过程，添加了人工处理环节，同时也增加了复杂度。为了实现真正的自动调制识别，TimothyJ.O’Shea等人提出了一系列的方法和设计不同的神经网络结构，不经过预处理，直接对11种接收信号进行网络学习，利用CNN深度神经网络强大的模式识别和自学习能力，完成信号调制分类识别。该方法虽然减少了人工预处理环节，大大降低了复杂度，但目前其识别效果不是很理想，在SNR大于0dB时，平均识别不到75％。综上所述，现有技术存在的问题是：(1)基于最大似然假设检验的方法，涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中，由于收发两端事先并不知道，在经过复杂的信道效应之后，这些先验信息发生了很大变化，因此很难准确获取；并且假设检验法一般是基于噪声干扰下调制信号的统计特性分析，推导出判决准则，而这些判决准则通常只适用于具体某一类调制信号的识别，识别范围狭窄。(2)基于特征提取模式识别的方法，存在识别种类少、低信噪比下鲁棒性差等问题，而且传统分类器的分类能力有限，对所提特征要求极高，识别效果的好坏，除了受识别信号的种类影响，很大程度上取决于深层特征的区分度。(3)基于深度学习的识别方法，大大降低了提取特征的要求，只需要提取粗糙的浅层特征，甚至无需提取特征，直接利用深度神经网络强大的模式识别和自学习能力，便可实现信号的调制识别。但是该方法需要庞大的数据集，数据决定了识别效果的上限，除此还受神经网络结构的影响，而目前深度神经网络的设计和优化缺乏完备的理论体系，更多的依靠经验。解决上述技术问题的难度和意义：对于假设检验法，其难点在于信道效应对统计特性分析影响较大，从而导致难以获取有效的判决准则；对于特征提取的模式识别法，其难点在于提取的特征受噪声影响较大，低信噪比下有效的分类特征难以获得；对于深度学习法，其难点在于深度神经网络的设计和优化缺乏完备的理论体系，更多的依靠经验试探。如果能突破上述技术难点，寻找到一种新的有效的自动调制识别方法，那么无论是在民用或军事领域都有着十分重要的应用。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于CNN卷积神经网络的数字信号自动调制识别方法。本专利技术是这样实现的，一种基于CNN卷积神经网络的数字信号自动调制识别方法，所述基于CNN卷积神经网络的数字信号自动调制识别方法包括：步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈xm×1，形成网络训练的数据集和测试集；步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。进一步，所述离散循环谱密度函数定义为：其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率。为循环自相关函数，对其进行傅里叶变换便可得到循环谱密度它表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的互相关求得，因此又称之为循环谱相关函数。对于得到的二维矩阵数据，进行幅度归一化，然后沿着α频率轴方向，对每一个k频率点的向量数据求取最大值，所有的最大值所组成的向量，便是幅度归一化循环谱的α轴投影向量x∈Rn×1。进一步，改进的Fisherface算法的定义为：其中，为类内离散度矩阵(WCSM)，xk为类别i所属数据集Xi中的第k个样本，μi为类别i中样本的特征均值，c为全部样本中所属的类别总数。为类间离散度矩阵(BCSM)，Ni为类别i的样本个数，μ为所有类别中全部样本的均值。进一步，所述利用CNN卷积神经网络分类器，将改进的Fisherface算法处理后的特征数据作为输入数据进行分类识别，实现数字信号的自动调制类型的识别。综上所述，本专利技术的优点及积极效果为：通过提取信号循环谱的幅度归一化的α截面特征，利用改进的Fisherface进行降维处理，提高特征区分度的同时大大降低神经网络学习的时间；对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于-4dB时，识别率达到95％，本专利技术的识别效果较好。附图说明图1是本发本文档来自技高网...

【技术保护点】
1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R

【技术特征摘要】
1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈xm×1，形成网络训练的数据集和测试集；步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。2.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述离散循环谱密度DCSD定义为：其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率；为循环自相关函数，对进行傅里叶变换得到循环谱密度表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的...

【专利技术属性】
技术研发人员：李兵兵，余文星，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西,61