一种基于深度学习与软件无线电的盲解调方法技术

本发明专利技术涉及一种基于深度学习与软件无线电的盲解调方法，首先利用深度学习技术训练出用于调制方式识别的网络模型，然后使用训练好的网络模型识别接收信号的调制方式，最后根据识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调。本发明专利技术一方面基于深度学习技术，可以充分利用通信大数据，提高识别精度；另一方面基于软件无线电技术，可以使系统摆脱硬件条件的束缚，便于功能的升级和扩充。

A Blind Demodulation Method Based on Deep Learning and Software Radio

The present invention relates to a blind demodulation method based on deep learning and software radio. Firstly, a network model for modulation pattern recognition is trained by deep learning technology. Then, the modulation pattern of received signal is identified by the trained network model. Finally, according to the recognition result, the demodulator is reconstructed by software radio technology to realize blind demodulation of received signal. On the one hand, the invention is based on deep learning technology, which can make full use of large data of communication and improve recognition accuracy; on the other hand, based on software radio technology, the system can get rid of the constraints of hardware conditions and facilitate the upgrade and expansion of functions.

【技术实现步骤摘要】
一种基于深度学习与软件无线电的盲解调方法
本专利技术属于通信
，特别涉及一种基于深度学习与软件无线电的盲解调方法。
技术介绍
当前的通信系统通常采用多种调制方式，以便根据信道状况动态调整传输参数，提高频谱利用效率。在此类系统中，接收端必须事先知道发送端具体采用了哪种调制方式，才能正确解调信号。收发两端的调制信息交互，一般是通过控制信道实现的；这样会引入一些额外的传输开销。此外，在一些特定领域中，例如认知无线电和电子对抗应用，接收端可能无法通过上述方法获得所需的调制信息。因此，研究能够在未知调制方式的条件下完成信号解调的盲解调方法，具有十分重要的应用价值。盲解调方法首先分析接收信号，识别出其中的调制方式；然后再根据识别结果改变解调方式，完成信号的正确解调。在调试方式识别领域，传统研究可分为基于似然函数和基于特征的两大类。前者的理论基础为贝叶斯检测；后者首先提取特征，然后利用分类器进行判决。基于似然函数的识别方法虽然可以获得较高的识别精度，但计算复杂度过高，因此主流的都是基于特征的识别方法。然而，基于特征的方法也存在着识别精度不高和需要手动提取特征等弊端，限制了它在实际系统中的广泛应用。在可变解调器领域，传统的可变解调器受硬件结构的限制，只适用少数特定的调制方式的解调，难以拓展实现其他调制方式的解调，通用性比较差。深度学习源于人工神经网络的研究，它通过组合低层特征形成更加抽象的高层特征，以发现数据的分布式特征表示。软件无线电是用现代化软件来操作和控制传统“纯硬件电路”的无线通信技术，它打破了通信功能的实现依赖于硬件发展的格局。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习与软件无线电的盲解调方法方法，一方面基于深度学习技术，可以充分利用通信大数据，提高识别精度；另一方面基于软件无线电技术，可以使系统摆脱硬件条件的束缚，便于功能的升级和扩充。为了实现上述目的，本专利技术的技术方案是：一种基于深度学习与软件无线电的盲解调方法，包括：利用深度学习技术训练出用于调制方式识别的网络模型；使用训练好的网络模型识别接收信号的调制方式；根据网络模型的识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调。优选的，所述网络模型采用深度学习中的卷积神经网络，所述网络模型的训练步骤包括：步骤201，控制发射机发送各种调制信号或者不发送信号；步骤202，利用软件无线电设备接收数字信号；步骤203，对接收到的数字复信号进行载波同步；步骤204，在同步后的信号中截取一组采样点进行功率归一化；步骤205，将功率归一化后的一组采样点映射到复平面上生成星座图；步骤206，根据信号的调制方式对生成的星座图打标签，并产生很多张打过标签的星座图组成训练数据集；步骤207，将训练数据集送入卷积神经网络进行训练，得到用于调制方式识别的网络模型。优选的，使用训练好的网络模型识别接收信号的调制方式，根据网络模型的识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调，具体包括：步骤301，利用软件无线电设备接收未知调制方式的信号；步骤302，对接收到的数字复信号进行载波同步；步骤303，在同步后的信号中截取一组采样点进行功率归一化；步骤304，将功率归一化后的一组采样点映射到复平面上生成星座图；步骤305，将生成的星座图送入训练好的卷积神经网络中进行识别；步骤306，根据识别出的调制方式，重构软件无线电中的解调器；步骤307，利用重构出的解调器对步骤301中的接收信号进行盲解调。优选的，调制方式识别和解调器重构过程会持续不断进行，以保证信号调制方式发生变化后，解调方式能够及时作出调整。优选的，功率归一化的计算公式如下：其中，x(n)表示同步后的复信号，N表示一组采样点的个数。优选的，将功率归一化后的一组采样点映射到复平面上生成星座图，具体包括：以信号的同相分量作为复平面的横坐标，正交分量作为复平面的纵坐标，将这一组采样点全部映射到复平面上；截取以原点为中心的预设大小区域用于生成星座图，然后将生成的星座图保存为预设分辨率的图片。本专利技术的有益效果如下：一种基于深度学习与软件无线电的盲解调方法方法，一方面基于深度学习技术进行调制方式识别，可以充分利用通信大数据，提高识别精度，另一方面可以避免手动特征提取，弥补了传统方法的不足；此外，本专利技术利用软件无线电技术改变调制方式，可以使系统摆脱硬件条件的束缚，根据需求不断升级和扩充功能，还便于实现不同系统间的互联和兼容。以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术的一种基于深度学习与软件无线电的盲解调方法不局限于实施例。附图说明图1是本专利技术实施例的整体设计框图；图2是本专利技术实施例在实际通信过程中生成的星座图；其中，图2(a)表示BPSK的星座图；图2(b)表示QPSK的星座图；图2(c)表示8PSK的星座图；图2(d)表示纯噪声的星座图；图3是本专利技术实施例的方法流程框图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术一种基于深度学习与软件无线电的盲解调方法，首先利用深度学习技术训练出用于调制方式识别的网络模型，之后使用训练好的网络模型识别接收信号的调制方式，最后根据识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调。具体的，本专利技术考虑在未知接收信号调制方式的条件下，对该信号进行解调。如图1所示，包含调制方式识别器和可变解调器两部分，其中，调制方式识别器基于深度学习技术实现，可变解调器基于软件无线电技术实现。首先，利用训练出的卷积神经网络模型识别出接收信号的调制方式，并将识别结果送入可变解调器；可变解调器获得调制信息后，自适应地改变解调方式，实现接收信号的盲解调。一、调制方式识别器星座图通常指信号矢量端点的分布图，是通信系统中的常见图像。如图2所示，当接收信号采用二进制相移键控(BPSK)、正交相移键控(QPSK)、八进制相移键控(8PSK)调制以及为纯噪声(None)时，其星座图样式迥异。因此，可以将接收信号表征为星座图，然后通过图像识别的方式完成调制方式识别。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。该网络仿造生物的视觉机制构建，隐含层内的卷积核参数共享和层间连接的稀疏性使得其能够以较小的计算量对数据特征进行学习，且有稳定的效果，尤其适合于图像识别、机器视觉等任务。基于这些，本专利技术首先将接收到的调制信号表征为星座图，然后借助卷积神经网络识别星座图像，从而实现调制方式识别。整个过程包含离线训练和在线识别两个阶段。离线训练阶段，将已知调制方式的信号转成星座图，并打上标签，然后送入卷积神经网络中训练，得到训练好的网络模型；在线识别阶段，接收未知调制方式的信号后，同样将其转成星座图，然后送给训练好的网络模型处理，最终输出信号的调制方式。二、可变解调器本专利技术中的可变解调器可利用通用软件无线电外设(USRP)和GNURadio软件平台实现。USRP设备主要负责接收信号，并对接收信号进行模数转换、下变频等处理，输出基带复信号。GNURadio负责剩余的信号处理工作；它自带多种通信和信号处理模块，可以大大减轻系统开发的工作量。在GNURadio平台上，首先利用“USRPSource”模块接收USRP设备获得本文档来自技高网...

【技术保护点】
1.一种基于深度学习与软件无线电的盲解调方法，其特征在于，包括：利用深度学习技术训练出用于调制方式识别的网络模型；使用训练好的网络模型识别接收信号的调制方式；根据网络模型的识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调。

【技术特征摘要】
1.一种基于深度学习与软件无线电的盲解调方法，其特征在于，包括：利用深度学习技术训练出用于调制方式识别的网络模型；使用训练好的网络模型识别接收信号的调制方式；根据网络模型的识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调。2.根据权利要求1所述的基于深度学习与软件无线电的盲解调方法，其特征在于，所述网络模型采用深度学习中的卷积神经网络，所述网络模型的训练步骤包括：步骤201，控制发射机发送各种调制信号或者不发送信号；步骤202，利用软件无线电设备接收数字信号；步骤203，对接收到的数字复信号进行载波同步；步骤204，在同步后的信号中截取一组采样点进行功率归一化；步骤205，将功率归一化后的一组采样点映射到复平面上生成星座图；步骤206，根据信号的调制方式对生成的星座图打标签，并产生很多张打过标签的星座图组成训练数据集；步骤207，将训练数据集送入卷积神经网络进行训练，得到用于调制方式识别的网络模型。3.根据权利要求2所述的基于深度学习与软件无线电的盲解调方法，其特征在于，使用训练好的网络模型识别接收信号的调制方式，根据网络模型的识别结果，采用软件无线电技术重构解调器，实现接收信号的盲解调，具体包括：步骤301，利用软件无...

【专利技术属性】
技术研发人员：彭盛亮，陈铮，李焕焕，秦雄飞，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建,35