The invention presents a modulation mode recognition method based on convolution neural network, which belongs to the field of image recognition. Its characteristics include the following steps: 1) the generation or acquisition of radio frequency signal data; 2) the classification and arrangement of radio frequency signal data according to modulation mode; 3) the acquisition of I / Q two channels of radio frequency signal data, with I (in phase) as the horizontal axis, Q (orthogonal) as the vertical axis, to generate the corresponding signal constellation; 4) a small number of electromagnetic signals; Fifth, a small number of radio frequency signal constellation images are input into the training model to verify the classification accuracy of the model. Sixth, test images are input into the convolution neural network for classification and recognition. The invention has high classification accuracy for radio frequency signal modulation mode, and the model construction does not need a large amount of data, so it is of great significance for radio frequency signal identification.
【技术实现步骤摘要】
一种基于卷积神经网络的调制方式识别方法
本专利技术涉及一种基于卷积神经网络的调制方式识别方法,属于图像识别领域,可用于射频信号调制方式识别。
技术介绍
深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习的概念是由Hinton等人于2006年提出的。深度学习的概念源于深度神经网络,含有多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高出特征,以发现数据的分布式特征表示。卷积神经网络是近几年发展起来的高效识别方法。20世纪60年代,Hubel和Wiese在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络。卷积神经网络包括两层,其一为特征提取层,其二为特征映射层。通过第一层实现输入图像的特征提取,通过第二层使结构非线性。传统的射频信号调制方式自动识别方法主要有统计模式识别方法和判决理论识别方法。识别方法主要由信号预处理、特征提取和类型识别三部分组成,传统自动识别方法准确率较低、运算量大、识别困难。深度学习卷积神经网络具有特征提取功能。自然将卷积神经网络和信号调制方式识别联系起来。在数字通信领域,经常将数字信号在复平面上表示,以直观的表示信号以及信号之间的关系。把信号矢量端点的分布图称为星座图。星座图对于判断调制方式有很直观的效用。射频信号存储的数据为I/Q两路时域幅值数据,将I/Q两路数据以I路(同相)数据为横轴,Q路(正交)数据为纵轴,生成对应的信号星座图。将射频信号星座图图片送入卷积神经网络中,可得到射频信号的调制方式,对识别射频信号调制 ...
【技术保护点】
1. 一种基于卷积神经网络的调制方式识别方法,其特征是,识别射频信号调制方式简单方便且识别准确率高,包括以下几个步骤:步骤1、射频信号数据的生成或采集利用软件无线电软件GNU Radio仿真现实生活中各种调制信号,像AM‑DSB、CPFSK、QAM64等,仿真系统包括发射调制模块、信道仿真模块、数据采集模块,也可以利用通用无线电接收设备(USRP)和GNU Radio软件接收现实中的各种射频信号(例如FM调频广播信号);步骤2、射频信号数据按照调制方式分类和整理实验产生的数据总共有11种调制方式(3种模拟调制和8种数字调制),信噪比覆盖范围从‑20dB ~ +18dB,共有I/Q两路2×128射频信号数据220000条,按照信噪比进行分类,‑20、‑18、‑16 …… + 16、+ 18共20个类,每类分别包含11种调制方式,在同一信噪比下,每同调制方式包含1000个数据,给每条数据打上SNR和调制方式标签;步骤3、将采集的I/Q两路射频信号数据,以I路(同相)为横轴,Q路(正交)为纵轴,生成对应的信号星座图射频信号可以分解成一组相对独立的分量,即同相(I)和 正交(Q)分量,这两个分 ...
【技术特征摘要】
1.一种基于卷积神经网络的调制方式识别方法,其特征是,识别射频信号调制方式简单方便且识别准确率高,包括以下几个步骤:步骤1、射频信号数据的生成或采集利用软件无线电软件GNURadio仿真现实生活中各种调制信号,像AM-DSB、CPFSK、QAM64等,仿真系统包括发射调制模块、信道仿真模块、数据采集模块,也可以利用通用无线电接收设备(USRP)和GNURadio软件接收现实中的各种射频信号(例如FM调频广播信号);步骤2、射频信号数据按照调制方式分类和整理实验产生的数据总共有11种调制方式(3种模拟调制和8种数字调制),信噪比覆盖范围从-20dB~+18dB,共有I/Q两路2×128射频信号数据220000条,按照信噪比进行分类,-20、-18、-16……+16、+18共20个类,每类分别包含11种调制方式,在同一信噪比下,每同调制方式包含1000个数据,给每条数据打上SNR和调制方式标签;步骤3、将采集的I/Q两路射频信号数据,以I路(同相)为横轴,Q路(正交)为纵轴,生成对应的信号星座图射频信号可以分解成一组相对独立的分量,即同相(I)和正交(Q)分量,这两个分量是正交的,且互不相干,以I路(同相)为横轴,Q路(正交)为纵轴建立一个直角坐标系,将I/Q两路射频信号数据映射到I、Q平面上,采集的每个数据变为I、Q平面上的128个点,这些点称作星座、这样的图称作星座图;步骤4、将少量射频信号星座图图片输入到卷积神经网络进行模型构建,模型分类输出的是信号的调制方式选取6种调制方式信号,在同一信噪比下,共有2700张训练数据和2700张验证数据,每种调制方式各有450张训练图片、450张验证图片,模型由3个卷积层、3个池化层、1个扁平层和1个输出层构成,优化器选择Adam,损失函数选择categorical_crossentropy函数,最后输出层选择...
【专利技术属性】
技术研发人员:李智,桂祥胜,李健,洪居亭,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。