一种基于机器学习的调制方式参数盲检方法及装置制造方法及图纸

本申请实施例提供了一种基于机器学习的调制方式参数盲检方法及装置，属于无线通讯技术领域。所述方法包括：获取第一待检信号的星座图数据，和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列；通过预先存储的特征提取算法，根据所述第一备选合成星座序列和所述星座图数据，确定所述第一待检信号的第一特征向量；根据预先存储的特征映射算法和所述第一特征向量，确定所述第一特征向量对应的第二特征向量；通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型，确定所述第一干扰设备的调制方式。采用本发明专利技术，可以提高低信噪比场景中的盲检准确率。

【技术实现步骤摘要】
一种基于机器学习的调制方式参数盲检方法及装置
本申请涉及无线通讯
，特别是涉及一种基于机器学习的调制方式参数盲检方法及装置。
技术介绍
在非正交多址接入技术中，接收端通过盲检算法，根据待检信号的特性即可获知干扰设备的调制方式，然后根据干扰设备的调制方式，删除待检信号中的干扰信号。常用的最大似然盲检算法的处理过程为：1、接收端通过将目标信号的调制方式与发送设备可能选用的调制方式进行组合，得到多种联合调制方式，并生成每种联合调制方式对应的备选合成星座。2、接收端在每个备选合成星座中，针对待检信号的每个子载波，计算该子载波与距离最近的合成星座点的最短距离。然后根据对数最大似然公式，对所有子载波的最短距离的对数进行加和，得到每个备选合成星座对应的联合调制阶数。3、接收端比较计算出的多个联合调制阶数，确定最大联合调制阶数；然后用最大联合调制阶数减去目标信号的调制阶数，得到干扰设备的调制方式对应的调制阶数。接收端在备选调制方式集合中，根据各调制方式的调制阶数，确定干扰设备的调制方式。其中，备选调制方式集合中包括发送设备可能使用的多种调制方式。传统的最大似然盲检算法在高信噪比的场景中盲检准确本文档来自技高网...

【技术保护点】
1.一种基于机器学习的调制方式参数盲检方法，其特征在于，所述方法应用于终端，所述方法包括：获取第一待检信号的星座图数据，和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列，其中，所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号，所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序，所述第一备选合成星座由预先存储的目标信号的调制方式，以及预先存储的干扰设备的候选调制方式集合确定；通过预先存储的特征提取算法，根据所述第一备选合成星座序列和所述星座图数据，确定所述第一待检信号的第一特征向量；根据预先存储的特征映射算法和所述第一特征...

【技术特征摘要】
1.一种基于机器学习的调制方式参数盲检方法，其特征在于，所述方法应用于终端，所述方法包括：获取第一待检信号的星座图数据，和预先存储的对应于预设的第一干扰设备的第一备选合成星座序列，其中，所述第一待检信号至少包括所述第一干扰设备的干扰信号、以及目标设备的目标信号，所述第一备选合成星座序列包括多个第一备选合成星座、以及所述多个第一备选合成星座的排列顺序，所述第一备选合成星座由预先存储的目标信号的调制方式，以及预先存储的干扰设备的候选调制方式集合确定；通过预先存储的特征提取算法，根据所述第一备选合成星座序列和所述星座图数据，确定所述第一待检信号的第一特征向量；根据预先存储的特征映射算法和所述第一特征向量，确定所述第一特征向量对应的第二特征向量，其中，所述特征映射算法至少包括完全多项式映射、以及部分多项式映射；通过所述第二特征向量、预先存储的所述第一待检信号的特征元素以及预先存储的分类模型，确定所述第一干扰设备的调制方式，其中，所述第一待检信号的特征元素至少包括所述第一待检信号的第一信噪比。2.根据权利要求1所述的方法，其特征在于，所述通过预先存储的特征提取算法，根据所述第一备选合成星座序列和所述星座图数据，确定所述第一待检信号的第一特征向量，包括：针对所述第一备选合成星座序列中的每个所述第一备选合成星座，获取该第一备选合成星座中的合成星座点的个数N，其中，所述N是自然数；根据所述N个合成星座点，将所述星座图数据划分为所述N个数据集合；基于所述第一待检信号的所述N个数据集合，使用正态分布检验Anderson-DarlingTest，计算得到对应的所述N个特征值，其中，所述特征值包括概率值或概率值的平方和均值；计算所述N个所述特征值的平均特征值，其中所述平均特征值是所述N个所述特征值的平均值；根据各所述第一备选合成星座对应的所述平均特征值，构成所述第一特征向量，所述第一特征向量中各平均特征值的排列顺序，与其对应的第一备选合成星座在所述第一备选合成星座序列中的排列顺序相同。3.根据权利要求1所述的方法，其特征在于，所述通过所述第二特征向量、预先存储的特征元素以及预先存储的分类模型，确定所述第一干扰设备的调制方式，包括：获取所述第一待检信号的第一信噪比；在预先存储的模型数据组中，确定与所述第一信噪比满足预设接近度条件的目标信噪比，并将所述目标信噪比对应的模型参数作为目标模型参数，其中，所述模型数据组包括多个第二信噪比、以及每个所述第二信噪比对应的模型参数；根据所述目标模型参数和预设的初始模型，建立分类模型，其中，所述分类模型至少包括逻辑回归、支持向量机或神经网络；根据所述分类模型和所述第二特征向量，确定所述第一待检信号的第一联合调制阶数；根据所述第一联合调制阶数，和第一联合调制方式对应的第二联合调制阶数，确定所述第一干扰设备的调制方式的调制阶数，其中，所述第一联合调制方式对应所述第一备选合成星座序列；根据所述第一干扰设备的调制方式的调制阶数，确定所述第一干扰设备的调制方式。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取预先存储的训练集，其中，所述训练集包括多个待检信号样本、各所述待检信号样本对应的星座图数据、各干扰设备的干扰信号的调制方式、所述目标信号的调制方式、以及该所述待检信号样本的第二信噪比；根据所述训练集和预先存储的训练算法，确定所述模型数据组。5.根据权利要求4所述的方法，其特征在于，所述根据所述训练集和预先存储的训练算法，确定所述模型数据组，包括：根据所述训练集中各待检信号样本的第二信噪比，将所述训练集划分为多个训练子集；在每个所述训练子集的各所述待检信号样本中，针对各所述目标干扰设备，根据所述干扰设备的候选调制方式集合、以及第二联合调制方式建立第二备选合成星座序列，其中，所述第二联合调制方式包括对发送设备的调制方式，与其他干扰设备的调制方式进行组合得到的调制方式；通过所述特征提取算法，根据所述第二备选合成星座序列，得到各所述待检信号样本的第三特征向量；根据所述特征映射算法和各所述第三特征向量，确定各所述待检信号样本的第四特征向量；根据各所述待检信号样本的所述第四特征向量、对应的所述目标干扰设备的调制方式、以及当前所述训练子集对应的所述第二信噪比，通过所述初始模型，计算对应于所述第二信噪比的所述模型参数；在所述模型数据组中，存储所述模型参数、所述第二信噪比，以及所述模型参数与所述第二信噪比的对应关系。6.一种基于机器学习的调制方式参数盲检装置，其特征在于，所述装置应用于终端，所述装置包括：第一获取模块，...

【专利技术属性】
技术研发人员：程凯，张宁波，康桂霞，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11