一种基于自编码器的通信信号调制识别方法技术

一种基于自编码器的通信信号调制识别方法，属于通信技术领域。本发明专利技术包括模拟产生各个信噪比下的待分类信号；将待分类的信号进行预处理；使用自编码器对经过预处理的信号进行特征提取；使用核主成分分析KPCA方法对提取的特征进行降维处理；产生数据集，根据降维处理所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。本发明专利技术比时域特征或频域特征具有更好的抗噪声性能；所提取的特征具有更好的类内聚集度和类间分离度；大大减少了计算复杂度；抗噪声性能好。

A Modulation Recognition Method of Communication Signal Based on Self-Encoder

【技术实现步骤摘要】
一种基于自编码器的通信信号调制识别方法
本专利技术属于通信
，具体涉及一种基于自编码器的通信信号调制识别方法。
技术介绍
随着通信技术、数字信号处理等技术的快速发展，扩频通信、跳频通信、卫星通信等新技术的广泛应用，无线通信环境日益复杂，在较宽的频带上通常散布着不同频率和采用不同调制方式的通信信号。因此，人们逐步开始探索通过以计算机为核心的通信电子设备，来自动地识别通信信号的调制类别。通信信号的调制识别技术在军事以及民用方面均具有广泛的应用，并且已成为通信领域一个备受关注的研究方向。因而，对通信信号调制方式的自动识别研究具有很高的实用价值。从信号检测和模式识别的意义上来说，调制识别的方法大致可以分为两类：基于似然比判决理论的识别方法和基于统计模式的识别方法。基于似然比判决理论识别方法可以将识别的错误率降到最低，其在贝叶斯意义上是最优的。但该方法也存在不足之处，例如该类方法运算量大、所需先验知识多且似然函数在大多数条件下无法算出封闭的表达式等，因而实际应用中通常只能得到次优解。虽然在考虑贝叶斯意义的基础上基于统计模式的识别方法不是最优的，但是它具有计算量小和实时性高的优点，且通过合理设置参数门限值可达到接近最优的分类性能。因此，本专利技术采用基于统计模式的识别方法。基于统计模式的调制识别系统由两个子系统组成：特征提取子系统和模式分类子系统。本专利技术中，特征提取子系统采用基于时频分析和自编码器的特征提取方法，模式分类子系统采用支持向量机分类器，支持向量机分类器SupportVectorMachine即SVM分类器。自编码器是一种BP神经网络，它尝试逼近一个恒等函数，使得输出接近于输入。当我们设置输入层节点数量大于隐含层节点数量时，就会迫使自编码器学习得到输入数据的压缩表示方法。
技术实现思路
根据通信信号调制识别的研究现状，针对在信噪比较低情况下，目前的调制识别方法普遍存在识别率低的问题，本专利技术的目的在于提供一种基于自编码器的、可以提高较低信噪比下识别率的调制识别方法。本专利技术的目的是这样实现的：一种基于自编码器的通信信号调制识别方法，包括以下步骤：(1)模拟产生各个信噪比下的待分类信号；(2)将待分类的信号进行预处理；(3)使用自编码器对经过预处理的信号进行特征提取；(4)使用核主成分分析KernelPrincipalComponentAnalysis即KPCA计算方法对步骤(3)中提取的特征进行降维处理；(5)产生数据集，根据步骤(4)所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；(6)用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。在步骤(1)中所述的模拟产生各个信噪比下的待分类信号，具体是指非平稳通信信号，且信噪比在-10dB以上。在步骤(2)中所述预处理包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩。在步骤(3)中，所述的使用自编码器对经过预处理的信号进行特征提取具体包括以下过程：(3a)生成训练集：将待识别的每类信号通过预处理获得K个时频图样本，再将每一个样本划分成M个图像块，并将每一个图像块重排为N维向量，组成N*(M*K)维的特征矩阵；(3b)计算代价函数：计算自编码器的代价函数和代价函数相对于不同参数的导数，使用sigmoid函数作为激活函数；(3c)梯度检查：使用测试代码检查数值评估梯度与真实梯度的误差，若误差小于设定值，则认为步骤(3b)中的代价函数以及偏导函数正确，进行下一步骤(3d)；(3d)训练自编码器：使用步骤(3a)中的训练集，根据代价函数最小化原则调整其参数，从而训练自编码器，得到训练好的权值矩阵；(3e)用自编码器提取特征：对于一个待识别信号，通过预处理获得1个时频图样本，将其与训练好的权值矩阵相乘来获取一个特征；对于所有待识别信号，则获得一个特征集。在步骤(4)中，所述使用核主成分分析KernelPrincipalComponentAnalysis即KPCA计算方法对步骤(3)中获得的各类信号特征集进行降维处理，具体是指通过某种隐式方式将输入空间映射到某个高维空间，高维空间常称为特征空间，并且在特征空间中完成主成分分析PrincipalComponentAnalysis即PCA。本专利技术的有益效果在于：1)所提取的特征为时-频域联合特征，比时域特征或频域特征具有更好的抗噪声性能，尤其是对于非平稳信号，具有更好的识别效果；2)所提取的特征为通过机器学习得到的特征，而非人工选取的特征，具有更好的类内聚集度和类间分离度；3)加入了降维方法，避免了“维数灾难”，既保证了良好的识别效果，又大大减少了计算复杂度；4)抗噪声性能好，即使在信噪比较低的情况下，也具有良好的识别率。附图说明图1为本专利技术的方法流程图；图2为0dB时2ASK信号经时频变换、裁剪、阈值分割和压缩后的仿真图像；图3为自编码器的网络结构。具体实施方式下面结合附图对本专利技术进一步详细说明。本专利技术对待识别的调制信号进行时频变换得到时频分布图，并对时频分布图进行裁剪、阈值分割等预处理，然后将预处理后的时频图输入自编码器，使其自动学习并获得各类信号时频图的特征，为避免“维数灾难”，使用KPCA方法对特征进行降维，之后将经过降维的特征代入SVM进行训练、测试，最终获得平均识别率。以下结合附图和具体实施案例，对本专利技术进行详细说明。参照图1，本专利技术的一种基于自编码器的通信信号调制识别方法具体实现步骤如下：步骤1：以2ASK、2FSK、2PSK和2DPSK信号为例，使用Matlab仿真出其信噪比在[-10,-5,0,5,10]dB下的各类信号，仿真使用的噪声为高斯白噪声。步骤2：将待分类的信号进行预处理，包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩。Wigner-Ville分布描述了信号的瞬时自相关函数经过傅里叶变换到时频域上的能量分布。Cohen用一个统一形式来表示一个信号z(t)的时频分布，即其中，χz(θ,τ)是信号模糊函数，φ(θ,τ)是Cohen类时频分布的核函数，其中t是时间，ω是频率，τ为时移，θ为频移，μ为积分变量。为消除交叉项干扰而引用改进的方法——Choi-Williams分布，选择为Cohen类时频分布的核函数，σ为任意参数，得到的分布就是Choi-Williams分布，即图2是在信噪比为0dB时，以2ASK信号为例进行CW即Choi-Williams时频变换、裁剪、阈值分割和压缩后的仿真图像。步骤3：自编码器的结构如图3所示，使用自编码器对经过预处理的信号时频图进行特征提取，具体包括：(3a)生成训练集：将待识别的每类信号通过步骤2获得K个时频图样本，再将每一个样本划分成M个图像块，并将每一个图像块重排为N维向量，组成N×(M×K)维的特征矩阵，并将所有数据的值转化到[0,1]范围内；(3b)计算代价函数：在BP即BackPropagation方法中，代价函数定义为：其中W为权值矩阵，b为偏置向量，m为训练集样本个数，x(i)为第i个输入，y(i)为第i个标签，nl表示网络中的层数，sl表示第l层本文档来自技高网...

【技术保护点】
1.一种基于自编码器的通信信号调制识别方法，其特征在于，包括以下步骤：(1)模拟产生各个信噪比下的待分类信号；(2)将待分类的信号进行预处理；(3)使用自编码器对经过预处理的信号进行特征提取；(4)使用核主成分分析Kernel Principal Component Analysis即KPCA计算方法对步骤(3)中提取的特征进行降维处理；(5)产生数据集，根据步骤(4)所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；(6)用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。

【技术特征摘要】
1.一种基于自编码器的通信信号调制识别方法，其特征在于，包括以下步骤：(1)模拟产生各个信噪比下的待分类信号；(2)将待分类的信号进行预处理；(3)使用自编码器对经过预处理的信号进行特征提取；(4)使用核主成分分析KernelPrincipalComponentAnalysis即KPCA计算方法对步骤(3)中提取的特征进行降维处理；(5)产生数据集，根据步骤(4)所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；(6)用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。2.根据权利要求1所述的一种基于自编码器的通信信号调制识别方法，其特征在于：在步骤(1)中所述的模拟产生各个信噪比下的待分类信号，具体是指非平稳通信信号，且信噪比在-10dB以上。3.根据权利要求1所述的一种基于自编码器的通信信号调制识别方法，其特征在于：在步骤(2)中所述预处理包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩。4.根据权利要求1所述的一种基于自编码器的通信信号调制识别方法，其特征在于：在步骤(3)中，所述的使用自编码器对经过预处理的信号进行特征提取具体包括以下过程...

【专利技术属性】
技术研发人员：叶方，宋也，孙骞，田园，张思桐，耿笑语，周子涛，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23