一种信号调制样式识别方法和装置制造方法及图纸

本发明专利技术公开了一种信号调制样式识别方法和装置，方法包括：构造神经网络模型，并将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式后将输入矩阵输入到神经网络模型中以进行训练，其中，训练信号带有相应的调制样式标记，训练信号的指定参数值至少包括训练信号的实部和虚部；利用训练好的神经网络模型对待识别信号进行调制样式识别。由此可知，本发明专利技术在训练神经网络模型时，除了利用待识别信号的实部和虚部外，还将其他指定参数值同时作为神经网络的输入，相比于单纯利用待识别信号的实部和虚部作为输入的技术方案，本发明专利技术实施例更有利于神经网络模型的训练，进而使得识别准确率更高。

A method and device for signal modulation recognition

The invention discloses a signal modulation pattern recognition method and a device, which comprises: constructing a neural network model, combining the specified parameters of the training signal into an input matrix format supported by the neural network model, and then inputting the input matrix into the neural network model for training, wherein the training signal has a corresponding input matrix. The specified parameters of the training signal include at least the real part and the imaginary part of the training signal, and the training neural network model is used to recognize the modulation pattern of the identified signal. It can be seen from this that in the training of neural network model, besides using the real part and the imaginary part of the signal to be identified, the invention also takes other specified parameter values as the input of the neural network at the same time. Compared with the technical scheme using only the real part and the imaginary part of the signal to be identified as the input, the embodiment of the invention is more advantageous to the neural network. The training of the model makes the recognition accuracy higher.

【技术实现步骤摘要】
一种信号调制样式识别方法和装置
本专利技术涉及信号处理
，具体涉及一种信号调制样式识别方法和装置。
技术介绍
传统的调制样式识别方法主要通过提取信号特征并结合分类方法来实现。还有一种采用神经网络的调制样式识别方法。这种方法避开了专门的特征提取环节，直接以无线电信号采样数据作为输入完成对信号调制样式的识别，在低信噪比下获得了比传统的基于特征提取的方法更高的识别准确率。但是在该调制样式识别方法中，仅利用少量的信号，即信号的实部(即，同相分量)和虚部(即，正交分量)作为输入，这导致神经网络训练过程中未能充分利用样本信号的信息，影响了神经网络模型的识别准确率，因而亟需改进。
技术实现思路
本专利技术提供了一种信号调制样式识别方法和装置，以解决现有识别过程中，识别准确率不高亟需改进的问题。根据本专利技术的一个方面，提供了一种信号调制样式识别方法，包括：构造神经网络模型，并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练，其中，所述训练信号带有相应的调制样式标记，所述训练信号的指定参数值至少包括训练信号的实部和虚部；利用训练好的神经网络模型对待识别信号进行调制样式识别。可选地，所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种：瞬时幅度，瞬时相位，瞬时频率，频谱幅度，二次方谱，四次方谱，八次方谱；将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式包括：将训练信号的实部和虚部各作为输入矩阵的一行，并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种，将每种参数值也作为所述输入矩阵的一行，以构成一个(J+2)行N列的输入矩阵；其中1≤J≤7，N为训练信号的长度；将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式，并作为神经网络模型的输入。可选地，利用训练好的神经网络模型对待识别信号进行调制样式识别包括：计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱，并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后，输入到训练好的神经网络模型中以进行调制样式识别。可选地，包括：分别通过下列公式计算训练信号为x(n)，n＝0,1,2,...,N-1，N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱：实部Rx(n)＝Re[x(n)],其中Re[x(n)]表示取x(n)的实部，虚部Ix(n)＝Im[x(n)],其中Im[x(n)]表示取x(n)的虚部，瞬时幅度瞬时相位其中actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切；瞬时频率频谱幅度其中表示计算的模；二次方谱四次方谱八次方谱可选地，所述训练信号通过仿真产生或通过采集实际数据生成。根据本专利技术的另一个方面，提供了一种信号调制样式识别装置，包括：训练模块，用于构造神经网络模型，并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练；其中，所述训练信号带有相应的调制样式标记，所述训练信号的指定参数值至少包括训练信号的实部和虚部；识别模块，用于利用训练好的神经网络模型对待识别信号进行调制样式识别。可选地，所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种：瞬时幅度，瞬时相位，瞬时频率，频谱幅度，二次方谱，四次方谱，八次方谱；所述训练模块，具体用于将训练信号的实部和虚部各作为输入矩阵的一行，并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种，将每种参数值也作为所述输入矩阵的一行，以构成一个(J+2)行N列的输入矩阵；其中1≤J≤7，N为训练信号的长度；将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式，并作为神经网络模型的输入。可选地，所述识别模块具体用于，计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱，并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后，输入到训练好的神经网络模型中以进行调制样式识别。可选地，所述训练模块，用于分别通过下列公式计算训练信号为x(n)，n＝0,1,2,...,N-1，N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱：实部Rx(n)＝Re[x(n)],其中Re[x(n)]表示取x(n)的实部，虚部Ix(n)＝Im[x(n)],其中Im[x(n)]表示取x(n)的虚部，瞬时幅度瞬时相位其中，actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切；瞬时频率频谱幅度其中表示计算的模；二次方谱四次方谱八次方谱可选地，所述训练信号通过仿真产生或通过采集实际数据生成。本专利技术的这种信号调制样式识别方案，在训练神经网络模型时，除了利用待识别信号的实部和虚部外，还将其他指定参数值同时作为神经网络的输入，相比于单纯利用待识别信号的实部和虚部作为输入的技术方案，本专利技术实施例更有利于神经网络模型的训练，进而使得识别准确率更高。附图说明图1是本专利技术一个实施例的信号调制样式识别方法的流程图；图2是本专利技术一个实施例的信号调制样式识别方法的流程示意图；图3是本专利技术一个实施例的信号调制样式识别装置的框图。具体实施方式动态频谱接入网络中，非授权用户可以使用授权用户(也称为主用户)当前未使用的频谱空穴进行通信，以此提高无线频谱资源的利用率。动态频谱接入的一个关键技术是需要对授权用户进行检测以避免对授权用户造成有害干扰。调制样式识别通过判断接收到的无线电信号采用哪种调制样式来辅助识别主用户，对于判定主用户类型来说具有重要意义。为此，本实施例提出一种利用冗余输入的调制样式识别方案。除了利用待识别信号采样序列的实部(同相分量)和虚部(正交分量)外，还利用瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱等部分或全部信息组合而成同时作为神经网络模型的输入。相比于单纯利用待识别信号采样序列的实部(同相分量)和虚部(正交分量)作为输入的方法，本专利技术的技术方案更有利于神经网络模型的训练，识别准确率更高。图1是本专利技术一个实施例的信号调制样式识别方法的流程图，参见图1，本实施例的信号调制样式识别方法包括下列步骤：步骤S101，构造神经网络模型，并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练，其中，所述训练信号带有相应的调制样式标记，所述训练信号的指定参数值至少包括训练信号的实部和虚部；这里的调制样式比如是BPSK((BinaryPhaseShiftKeying，二进制相移键控)、QPSK(QuadraturePhaseShiftKeying，正交相移键控)、8PSK(8PhaseShiftKeying，8移相键控)、16QAM(QuadratureAmplitudeModulation，16正交幅度调制)、16ASK(AmplitudeShiftKeying，16振幅键控)。步本文档来自技高网...

【技术保护点】
1.一种信号调制样式识别方法，其特征在于，包括：构造神经网络模型，并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练，其中，所述训练信号带有相应的调制样式标记，所述训练信号的指定参数值至少包括训练信号的实部和虚部；利用训练好的神经网络模型对待识别信号进行调制样式识别。

【技术特征摘要】
1.一种信号调制样式识别方法，其特征在于，包括：构造神经网络模型，并将训练信号的指定参数值组合成所述神经网络模型支持的输入矩阵格式后将输入矩阵输入到所述神经网络模型中以进行训练，其中，所述训练信号带有相应的调制样式标记，所述训练信号的指定参数值至少包括训练信号的实部和虚部；利用训练好的神经网络模型对待识别信号进行调制样式识别。2.如权利要求1所述的方法，其特征在于，所述训练信号的指定参数值还包括计算出的下列参数值中的一种或多种：瞬时幅度，瞬时相位，瞬时频率，频谱幅度，二次方谱，四次方谱，八次方谱；将训练信号的指定参数值组合成神经网络模型支持的输入矩阵格式包括：将训练信号的实部和虚部各作为输入矩阵的一行，并从训练信号的瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱中选取J种，将每种参数值也作为所述输入矩阵的一行，以构成一个(J+2)行N列的输入矩阵；其中1≤J≤7，N为训练信号的长度；将(J+2)行N列的输入矩阵转换成(J+2)×N×1的图片格式，并作为神经网络模型的输入。3.如权利要求2所述的方法，其特征在于，利用训练好的神经网络模型对待识别信号进行调制样式识别包括：计算待识别信号的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱，并按照与训练信号输入矩阵同样的转换过程将待识别信号的输入矩阵转换成(J+2)×N×1的图片格式后，输入到训练好的神经网络模型中以进行调制样式识别。4.如权利要求2所述的方法，其特征在于，包括：分别通过下列公式计算训练信号为x(n)，n＝0,1,2,...,N-1，N≥2的实部、虚部、瞬时幅度、瞬时相位、瞬时频率、频谱幅度、二次方谱、四次方谱、八次方谱：：实部Rx(n)＝Re[x(n)],其中Re[x(n)]表示取x(n)的实部，虚部Ix(n)＝Im[x(n)],其中Im[x(n)]表示取x(n)的虚部，瞬时幅度瞬时相位其中actan(Ix(n)/Rx(n))表示计算Ix(n)/Rx(n)的反正切；瞬时频率频谱幅度其中表示计算的模；二次方谱四次方谱八次方谱5.如权利要求1所述的方法，其特征在于，所述训练信号通过仿真产生或通过...

【专利技术属性】
技术研发人员：郑仕链，朱佳伟，杨小牛，
申请(专利权)人：中国电子科技集团公司第三十六研究所，
类型：发明
国别省市：浙江,33