一种基于卷积神经网络的数字信号调制分类方法技术

本发明专利技术请求保护一种基于卷积神经网络的信号调制分类方法，涉及信号调制分类领域。该方法的步骤为：1、同时利用平滑伪Winger‑Ville分布和Born‑Jordan分布，将接收到的信号转换成时频分布图；2、由于不同调制信号的时频图像不同，因此利用卷积神经网络自动提取这两种时频分布图的特征；3、利用多模融合模型将这些不同的时频图像特征进行融合；4、利用多层感知机完成信号的分类任务。本发明专利技术提出的基于卷积神经网络的信号调制分类方法，相对于传统的调制分类方法，利用了卷积神经网络自动提取特征，提高了信号在低信噪比下的识别性能。

A digital signal modulation classification method based on convolution neural network

The invention requests to protect a signal modulation classification method based on convolution neural network, which relates to the field of signal modulation classification. The steps of the method are as follows: 1. The received signals are converted into time-frequency distributions by using both smooth pseudo-Winger_Ville and Born_Jordan distributions; 2. Because the time-frequency images of different modulated signals are different, the features of the two time-frequency distributions are extracted automatically by using convolutional neural networks; 3. The multi-mode fusion mode is used; Fourthly, the multi-layer perceptron is used to complete the task of signal classification. The proposed signal modulation classification method based on convolution neural network utilizes convolution neural network to automatically extract features compared with the traditional modulation classification method, and improves the recognition performance of signals at low signal-to-noise ratio.

【技术实现步骤摘要】
一种基于卷积神经网络的数字信号调制分类方法
本专利技术属于信号处理领域，具体是一种对调制信号进行分类的方法，
技术介绍
无线通信作为通过电磁波在空间传输与交换信息的一种通信方式，它是当前科技领域中发展最迅速、应用最广泛的信息技术之一，已经融入到人们的日常生活中，如移动电话、广播电视、无线接入网、蓝牙、全球卫星定位系统、卫星通信系统等。与之伴随的是通信信号呈现出多样化、复杂化的发展趋势，在日益复杂的无线通信环境下，对信号进行识别与分类意义重大。在信号识别与分类中，无线通信调制分类作为其中尤为重要的一步，在频谱管理、电子侦察和无线电管理等应用中发挥着巨大的作用。目前，已有的数字信号调制分类方法主要分为判决理论识别方法和统计模式识别方法。判决理论识别方法是基于假设检验理论，利用概率论去推导一个合适的分类规则的方法。该方法通过理论分析信号的统计特性，推导获得检验统计量，并设定门限和判决准则进行比较。但是该方法需要很多先验信息，计算量大，识别信号的范围相对较窄。统计模式识别方法主要通过提取与调制方式相关的识别特征，构成不同模式的特征矢量，根据经典的模式识别理论进行识别与分类。该方法不需要信号的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的数字信号调制分类方法，其特征在于，包括以下步骤：步骤一：首先对接收到的信号进行预处理，然后同时利用平滑伪Winger‑Ville分布和Born‑Jordan分布，将信号转换成平滑伪Winger‑Ville时频分布图和Born‑Jordan时频分布图；步骤二：利用卷积神经网络自动提取平滑伪Winger‑Ville时频分布图和Born‑Jordan时频分布图的特征；步骤三：利用多模融合模型将步骤二的两种时频图像特征进行特征融合；步骤四：将步骤三融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调制分类。

【技术特征摘要】
1.一种基于卷积神经网络的数字信号调制分类方法，其特征在于，包括以下步骤：步骤一：首先对接收到的信号进行预处理，然后同时利用平滑伪Winger-Ville分布和Born-Jordan分布，将信号转换成平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图；步骤二：利用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征；步骤三：利用多模融合模型将步骤二的两种时频图像特征进行特征融合；步骤四：将步骤三融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调制分类。2.根据权利要求1所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述步骤一的信号模型为：其中r(t)和s(t)分别表示接收信号和发射信号，α表示信道增益，ω0和θ0表示频率偏移和相位偏移，n(t)表示高斯噪声，其中当s(t)为ASK，FSK和PSK调制时，表达式为：Am表示调制幅度，an表示符号序列，Ts符号周期，fc表示载波频率，fm表示调制频率，φ0表示初始相位，φm表示调制相位，g(t)表示矩形脉冲；当s(t)为QAM调制时，由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct)，表达式为：an和bn分别表示符号序列。3.根据权利要求1所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述平滑伪Winger-Ville分布，是一种对Winger-Ville分布进行改进的时频分布，通过分别在时延和频偏方向同时加窗截取来抑制交叉项，表达式为：SPWVDx(t,f)＝∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ其中h(τ)和g(v)是两个实的偶窗函数，x(t)＝r(t)+jH[r(t)]，H[·]表示希尔伯特变换。t和f分别表示时间和频率，v表示频偏，τ表示时延，x*(t)为x(t)的共轭；Born-Jordan分布也是一种能够有效的...

【专利技术属性】
技术研发人员：张祖凡，王春，甘臣权，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50