一种信号调制识别方法技术

本发明专利技术公开了一种信号调制识别方法，包括基于决策理论的识别方法和基于统计模式识别；在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据，所述基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导。本发明专利技术中，通过搭建卷积神经网络模型，使用训练集训练模型，使得模型能够学习到已知调制类型信号的内在特征或者信号序列数据的变化规律，最后将训练好的模型在测试集上进行测试，能够有效的识别出信号的调制类型。这种方式不仅解决了人工提取特征困难的问题，而且能够获得较好的识别效果，本文提出的模型，在测试集上识别的准确率可以达到95％以上。

A Method of Signal Modulation Recognition

【技术实现步骤摘要】
一种信号调制识别方法
本专利技术涉及信号识别
，尤其涉及一种信号调制识别方法。
技术介绍
自动调制识别，又名自动调制分类，它是为了实现接收信号的自动调制类别分类。目前，自动调制识别是许多军用和民用场景的重要技术。自动调制识别技术最初是应用于电子对抗和信息侦查等军事领域，随着通信系统的不断发展，自动调制识别在民用的认知无线电和软件定义的无线电中也有了很大的发展。通过自动调制识别的帮助，使用者能够正确的设定通信传输过程的参数，以确保通信的质量。在军用领域，调制识别在电子战系统为信息的截取和如何选择最佳的干扰提供了重要的依据，主要表现在敌方雷达类型识别，敌方情报截取以及敌方辐射源识别中，所以调制识别在军用方面有着举足轻重的地位。在民用领域，调制识别主要应用在无线电台的监测使用，监控无线电平台的使用情况，还可以对非合作方的通信信号携带的信息进行获取，有效监管通信的频谱。近年来，深层神经网络在生物、计算机和电子学等领域得到了蓬勃发展，吸引着众多科学家争相探讨。自其被提出后，它就成为人工智能领域的一个热门的研究方向，突破了传统神经网络对层数的限制，通过建立类似人脑的多层次结构模型解决复杂问题。主要的优势表现在：深层网络本身属于一种具有存储功能的反馈网络，可以利用计算机的高速运算能力求解复杂问题的最优解，提高了在线解决问题的能力。最突出的是优点是大规模的样本数据可以通过分层结构逐层提取内在特征信息，具有广泛的应用场景。深层网络获取的特征信息比人工提取的专家特征更具代表性，更容易实现对原始数据的分类和预测。基于以上优势，深度学习的研究已经变成了一个跨领域、多学科的研究课题，并广泛成功地应用到语音识别和图像识别领域，其他领域的应用仍有待探索。无线通信技术的发展为调制识别技术带来了很多新的问题和挑战。面对新一代无线通信的革命，传统调制识别方法显现出了很多缺点与不足。在军用领域，随着国际政治形势日益复杂，鉴于未来可能出现的电子战争，调制识别技术已经收到了各国国防专家的高度关注和重视；在民用领域，随着无线电平台的使用越来越不规范，各大无线电公司对于调制识别技术更加关注。
技术实现思路
本专利技术的目的在于：为了解决上述问题，而提出的一种信号调制识别方法。为了实现上述目的，本专利技术采用了如下技术方案：信号调制识别的基本任务是在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据。目前，调制识别技术主要有两大类方法：基于决策理论的识别方法和基于统计模式识别方法。基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导，使用最小似然方法寻找合适的门限值对调制种类进行判别。该方法最大的优势是有较为完备的理论基础，但是在分析过程中似然函数的推导非常复杂，方法适用性差，并且需要大量的先验知识，因此这种方法的实用性不强，在实际中很少使用。基于模式识别理论的调制识别方法是目前比较主流的方法，此方法将调制识别问题看作一种典型的模式识别问题，模式识别是指：通过软硬件算法将事物分门别类的识别出来。随着近些年来人工智能的发展，模式识别技术也越来越多得到国内外研究人员的广泛重视和研究，并且越来越多的应用到人们的日常生活中，例如指纹识别、光学字符识别、人脸识别、语音识别、车牌识别以及无人驾驶等很多智能领域。模式识别技术可以分为两类：第一种是有监督的识别方法，该方法首先需要用大量有标定的样本对识别算法进行训练，然后才能使用训练好的模型对未知样本进行识别；第二种是无监督的识别方法，这种方法主要是一些聚类算法，该方法根据样本在空间中的分布对不同种类的样本进行聚类。通常来说，模式识别方法主要包括三个部分：信号预处理、特征提取和分类识别。信号预处理部分主要作用是为后面的特征提取部分提供易于处理和分析的数据。对于无线通信信号的调制识别来说，信号的预处理一般有以下一些方法：射频前端的频率下变频、信号的滤波和放大、载波频率估计、噪声估计等，在某些特定的情况下，也会根据不同的识别问题选择不同的信号预处理方法。对于一般的模式识别方法来说，特征的选择和提取是非常关键的部分。理想的特征应该对于不同的调制信号有很好的区分作用，同时对于相同的调制信号在各种情况下都应该保持很好的一致性。对于无线通信信号来说，信号的调制信息主要包含在调制信号的幅度、频率和相位中，因此理论上来说，利用信号的这些特征就能识别信号的调制方式。但是在实际环境中，由于无线信道存在大量噪声和干扰，直接使用这些特征一般很难正确识别信号的调制方式。因此，国内外研究人员一直在努力寻找其他更好的特征参数，使之能够抑制信号中存在的噪声和干扰，从而简化识别的过程并提高识别正确率。在调制识别技术中，识别算法的识别正确率和计算复杂度对最终的识别效果有着至关重要的影响。目前主流的识别算法几乎都使用机器学习的方法来识别调制信号，这些识别算法根据其识别原理大致可以分为这四类方法：决策树方法、聚类方法、支持向量机方法和神经网络方法。总体来说，基于统计模式识别方法的调制识别技术是目前主流的方法，也是目前国内外专家广泛关注的方法，其主要优点为信号的预处理部分简单，适用的调制类型多，对调制信号先验信息的依赖小，在信噪比较低时也有很好的识别效果，具有较好的实用价值等；主要缺点是识别效果过于依赖特征的提取，而且通常识别算法是有监督的学习算法，需要大量有标签的训练样本进行训练，并且算法的训练过程比较复杂。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1、本专利技术中，相对于传统的模式识别方法，深度学习方法不依赖于人工对于特征的提取，也能够获得较好的识别效果。因此，更多的科研人员开始使用深度学习的方法作为调制识别算法，利用深度学习强大的特征学习能力和非线性拟合能力来获得更好的识别效果。2、本专利技术中，通过搭建卷积神经网络模型，使用训练集训练模型，使得模型能够学习到已知调制类型信号的内在特征或者信号序列数据的变化规律，最后将训练好的模型在测试集上进行测试，能够有效的识别出信号的调制类型。这种方式不仅解决了人工提取特征困难的问题，而且能够获得较好的识别效果，本文提出的模型，在测试集上识别的准确率可以达到95％以上。附图说明图1为本专利技术提出的一种信号调制识别方法的基本流程图；图2为本专利技术提出的一种信号调制识别方法的卷积神经网络结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。卷积运算是泛函分析中的一种重要运算，卷积的定义是指两个可积实函数之间的一种数学运算，该运算过程可以表示为：上式中，f*g表示函数f和函数g的卷积运算，其中函数f和函数g是定义在实数域上的可积实函数，可以证明对于所有t属于(-无穷，+无穷)上述积分是存在的，并且卷积结果仍是可积的函数。它的物理意义可以理解为：系统某一时刻的输出是由多个输入共同作用的结果。当我们用计算机处理数据时，通常是对离散数据进行处理和分析，相应的，我们也可以定义离散形式的卷积：上式中，函数f和g都表示离散函本文档来自技高网...

【技术保护点】
1.一种信号调制识别方法，其特征在于，包括基于决策理论的识别方法和基于统计模式识别；在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据。

【技术特征摘要】
1.一种信号调制识别方法，其特征在于，包括基于决策理论的识别方法和基于统计模式识别；在存在噪声和干扰的情况下识别接收到的通信信号的调制方式，从而为进一步处理和分析通信信号提供依据。2.根据权利要求1所述的一种信号调制识别方法，其特征在于，所述基于决策理论的识别方法将识别问题看作多重假设检验问题，对调制信号的检验统计量进行理论推导，使用最小似然方法寻找合适的门限值对调制种类进行判别。3.根据权利要求1所述的一种信号调制识别方法，其特征在于，所述基于模式识别理论的调制识别方法是目前比较主流的方法，此方法将调制识别问题看作一种典型的模式识别问题。4.根据权利要求...

【专利技术属性】
技术研发人员：张翼，王云江，岑文星，左偲力，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61