一种基于反向传播神经网络的新型多载波识别方法技术

本发明专利技术涉及一种基于反向传播神经网络的新型多载波识别方法，属于移动通信技术领域。该方法，首先生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样；对采样得到的信号序列先后进行功率归一化处理和线性归一化处理；构建并训练反向传播神经网络；将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号的识别；并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识别，提高识别网络的泛化能力。

【技术实现步骤摘要】
一种基于反向传播神经网络的新型多载波识别方法
本专利技术属于移动通信
，涉及一种基于反向传播神经网络的新型多载波波形识别方法。
技术介绍
在5G系统的需求中，提出了更加多样化的业务类型、更高的频谱效率和更多的连接数等要求。在5G无线技术架构白皮书中，提出了4类主要应用场景，其中低功耗大连接场景主要针对以传感及数据采集为目的的物联网应用，具有小数据包、低功耗、低成本、海量连接等特性。在上述复杂的应用场景下，OFDM较高的带外泄露、对时频同步偏差敏感以及全频带需统一配置参数等缺点，将成为5G系统性能提升的主要障碍。基于上述原因，各种新型非正交多载波技术的研究应运而生。目前备选的多载波波形有滤波器组多载波(FilterbankbasedMulticarrier,FBMC)、通用滤波器多载波技术(UniversalFilteredMulticarrier，UFMC)、滤波器正交频分复用技术(FilterOFDM，F-OFDM)等。而单一波形很难满足所有的需求，多种波形技术将共存，在不同场景下发挥各自作用。当多种波形技术共存时，多模终端需具备多种波形的接收能力。上述的多种备选多载波技术，在实现方式上与OFDM具有相似性，接收端可以采用同一基带电路解调不同的多载波波形，降低硬件成本及功耗。而接收多种波形的前提，就是具备对各种多载波波形进行识别的能力。作为信号检测和信号解调中间的步骤，调制识别技术在国防、安全监测等领域应用广泛且不可或缺。目前，调制识别技术集中在单载波的类内识别以及单载波与多载波之间的识别，并没有提供新型多载波技术的类内识别技术。并且传统的调制识别技术主要包括：1.基于特征提取；2.基于最大似然比。而前者的识别效果依赖于人工对特征量的正确选择，后者的识别效果依赖于分析信号的统计特性并需要一些先验信息。在实际应用中上述两种技术的复杂度都很高并且对人工依赖性强。专利文献“一种基于特征提取的通信信号调制方式进行识别的方法”(申请公布号：CN104022837A)中将接收信号的归一化功率谱中大于常数B时的谱峰个数、归一化零中心瞬时幅度谱密度的最大值以及圆环特征参数结合起来快速准确识别单载波信号。该专利中信号识别效果依赖于谱峰特征提取的好坏。专利文献“一种基于混合高斯模型的最大似然调制识别方法”(申请公布号：CN104158633A)中扩展了传统信号星座图，通过混合高斯模型来模拟真实环境下的信号处理机误差并提高了星座模型的稳健性。该专利中先验的信道信息的准确与否对识别效果有影响。反向传播神经网络因其具有很强的非线性映射能力和柔性的网络结构而受到广泛应用，但是应用传统的反向传播神经网络归一化方法(线性归一化法、零均值归一化法、函数归一化法等)对具有多种增益的多载波信号数据进行预处理时会导致训练出来的网络泛化能力较弱，即当待识别信号不是标准化幅度信号时，识别率大大降低。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于反向传播神经网络的新型多载波波形识别方法。通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号(OFDM、UFMC、FBMC)的识别。并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识别，提高识别网络的泛化能力。为达到上述目的，本专利技术提供如下技术方案：一种基于反向传播神经网络的新型多载波识别方法，首先生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样；对采样得到的信号序列先后进行功率归一化处理和线性归一化处理；构建并训练反向传播神经网络；将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。该方法具体包括以下步骤：S1：生成三种具有多种幅度增益的基带多载波信号；S2：在接收端对上述基带多载波信号进行采样；S3：以步骤S2所述的三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；S4：构建初步的反向传播神经网络；S5：将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理；S6：训练反向传播神经网络；S7：将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为0，根据输出向量值识别多载波信号。进一步，所述的三种基带多载波信号分别为OFDM、UFMC和FBMC；所述的训练样本以及待识别输入集均为信号幅度序列。进一步，所述步骤S3具体包括：IFFT采样点数为NFFT，一个IFFT采样周期内的信号幅度序列表示为：则功率归一化后的幅度序列为：对每个信号幅度序列均做上式归一化处理。进一步，所述步骤S5具体包括：将经过功率归一化处理后的数据作为反向传播神经网络的训练样本，样本数为Nsamples，其中一个输入节点的样本数据表示为：则一个输入节点样本数据经过线性归一化后的序列为：对每个输入节点的样本数据都进行上述线性归一化处理。进一步，所述步骤S6具体包括以下步骤：S61：将所述经过两步归一化处理后的训练样本输入到所述初步建立的反向传播神经网络的输入层并进入隐藏层；S62：所述反向传播神经网络的隐藏层根据初始连接权值和激活函数将所述输入样本转换成输出数据输入到输出层，输出层根据初始连接权值和激活函数将数据输出；S63：当输出层输出的数据与期望输出值之间的误差大于期望精度时，进入误差的反向传播环节，采用量化共轭梯度算法调整网络隐藏层的各连接权值和阈值，并跳转至步骤S61；S64：当输出层输出的数据与期望输出值的误差在期望精度内时，所述反向传播神经网络训练建立完成。本专利技术的有益效果在于：1)本专利技术考虑了5G通信应用多波形共存场景下，多模终端需具备用同一基带电路对多种新型多载波波形进行识别的问题。2)利用反向传播神经网络对三种新型多载波波形进行了识别，克服了传统调制识别技术需要提取接收信号特征量和分析统计特性而导致复杂度高和人工依赖性强的缺点。3)在输入反向传播神经网络数据预处理步骤中加入了功率归一化处理，能够大大提升神经网络对非标准化幅度信号的识别率，增强了反向传播神经网络识别新型多载波波形的泛化能力；该处理方法也使得神经网络识别率在低信噪比下依然取得较高的识别率。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述的新型多载波波形识别方法的整体流程图；图2为本专利技术中所述反向传播神经网络的结构示意图。图3为本专利技术的实验结果仿真图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。如图1所示，对本专利技术的具体步骤作进一步的描述。S1：生成具有多种幅度的三种基带多载波信号。所述多载波信号包括OFDM(正交频分复用调制)、FBMC(滤波器组调制)和UFMC(通用滤波器组调制)。步骤S1具体包括以下步骤：S11：生成随机比特流，并采用64QAM对比特流进行星座映射，得到复数序列。S12：对复数序列分别进行OFDM、UFMC、FBMC调制。其中IFFT采样点数NFFT均为1024；UFMC调制中设置参数为：子带数为10，每个子带包含20个频点；采用长度为43，旁瓣衰减为40dB的切比雪夫滤波器；FBMC调制中设置参数为：采用PHYDYAS滤波器本文档来自技高网...

【技术保护点】
1.一种基于反向传播神经网络的新型多载波识别方法，其特征在于，该方法具体包括以下步骤：S1：生成三种具有多种幅度增益的基带多载波信号；S2：在接收端对上述基带多载波信号进行采样；S3：以步骤S2所述的三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；S4：构建初步的反向传播神经网络；S5：将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理；S6：训练反向传播神经网络；S7：将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为0，根据输出向量值识别多载波信号。

【技术特征摘要】
1.一种基于反向传播神经网络的新型多载波识别方法，其特征在于，该方法具体包括以下步骤：S1：生成三种具有多种幅度增益的基带多载波信号；S2：在接收端对上述基带多载波信号进行采样；S3：以步骤S2所述的三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；S4：构建初步的反向传播神经网络；S5：将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理；S6：训练反向传播神经网络；S7：将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为0，根据输出向量值识别多载波信号。2.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述的三种基带多载波信号分别为OFDM、UFMC和FBMC；所述的训练样本以及待识别输入集均为信号幅度序列。3.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述步骤S3具体包括：IFFT采样点数为NFFT，一个IFFT采样周期内的信号幅度序列表示为：则...

【专利技术属性】
技术研发人员：余翔，陈侃，段思睿，程志安，董宸曦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50