基于深度学习的调制方式识别方法技术

本发明专利技术提出了一种基于深度学习的调制方式识别方法，用于解决现有技术存在的识别准确率低的问题，实现步骤为：(1)获取训练集和测试集；(2)搭建神经网络NNs；(3)基于信噪比将训练集划分为多个子训练集，用子训练集分别训练神经网络NNs，得到多个训练好的神经网络；(4)评估待测调制信号的信噪比snr，根据snr所在的区间选取适用的训练好的神经网络，识别待测调制信号的调制方式。本发明专利技术神经网络NNs在训练时，能够准确发现各个子训练集的样本数据和样本标签的内在联系和规律，增强神经网络NNs的学习效果，提高识别准确率，同时实现基于信噪比的自适应调制方式识别。可用于非协作通信中调制方式的识别等领域。

Modulation Recognition Method Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的调制方式识别方法
本专利技术属于通信
，涉及一种基于深度学习的调制方式识别方法，具体涉及一种基于信噪比分段训练神经网络的调制方式识别方法，可用于非协作通信中调制方式的识别等领域。
技术介绍
在无线传输系统中，发送端通过调制将基带信号的频谱搬至较高的载波频率上，使调制信号的频谱与信道的带通特性相匹配，提高传输性能，信号的调制方式多种多样，例如，模拟调制方式有调幅(AM)、双边带(DSB)、单边带(SSB)，数字调制方式有振幅键控(AmplitudeShiftKeying，ASK)、频移键控(FrequencyShiftKeying，FSK)和相移键控(PhaseShiftKeying，PSK)、正交振幅调制(QuadratureAmplitudeModulation，QAM)，接收端通过解调将调制信号还原成基带信号从而得到有用的信息。每种调制方式的原理不同，解调是调制的逆过程，每种调制信号的解调原理不同，因此，正确识别调制信号的调制方式是接收端解调信号并获取有用信息的前提和关键。提高调制方式的识别准确率一直是国内外的研究热点。调制方式的识别本质上是模式识别问题。模式识别系统主要由信号获取、预处理、特征提取、分类器的选取与分类器的决策五部分组成。常见调制方式的识别方法选用决策树分类器，但是决策树分类器进行调制方式的识别需要人为设定判决门限，判决门限设定不合理会导致调制方式的识别准确率很低。深度学习(DeepLearning，DL)是一种通过多层神经网络模拟出人类大脑逐层处理数据的行为，并实现分类、检测等复杂任务的算法架构。深度学习实现调制方式的识别，以神经网络作为分类器，神经网络可以自适应地学习输入的样本数据和样本标签的内在规律和联系，不断调整权重的值，实现调制方式的识别。另外，神经网络能够从样本数据中提取抽象、复杂的特征，从而充分利用样本数据中携带的有用的信息，进一步提高调制方式的识别准确率。应用深度学习实现调制方式的识别，提取的特征的种类、神经网络的结构及训练方法会影响识别准确率。优化神经网络的训练，增强神经网络的学习效果，使神经网路能够准确发现样本数据和样本标签的内在联系和规律会提高识别准确率。例如申请公布号为CN108427987A，名称为“一种基于卷积神经网络的调制方式识别方法”的专利申请，公开了一种基于卷积神经网络的调制方式识别方法，首先生成或采集调制信号，然后将调制信号数据按照调制方式分类和整理，将采集的I/Q两路调制信号数据，以I路(同相)为横轴，Q路(正交)为纵轴，生成对应的调制信号星座图，将调制信号星座图图片输入到卷积神经网络进行训练，得到一个训练好的卷积神经网络，用训练好的卷积神经网络识别调制信号的调制方式。该方法主要用来提高调制方式的识别准确率，但是其存在的不足之处在于，用训练集中全部的星座图统一训练卷积神经网络，得到一个训练好的卷积神经网路，由于调制信号的信噪比不同，导致训练集中星座图包含的特征规律不明显，卷积神经网络不能准确的学习星座图特征和样本标签的内在联系及规律，降低神经网络的学习效果，导致调制方式的识别准确率仍然较低。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的不足，提供了一种基于深度学习的调制方式识别方法，用于解决现有技术中存在的识别准确率较低的技术问题。本专利技术的技术思路是：对样本集进行预处理和特征提取获取训练集，之后搭建神经网络NNs，基于信噪比对神经网络NNs进行分段训练得到多个训练好的神经网络，最后根据待测调制信号的信噪比所在区间选取一个适用的训练好的神经网络识别待测调制信号的调制方式，具体实现步骤为：(1)获取训练集和测试集：(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d-a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜-5，d＞10；(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；(1d)将70％的样本信号的样本数据H和样本标签作为训练集train-0，剩余的样本数据H和样本标签作为测试集test-0；(2)搭建神经网络NNs：搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；(3)基于信噪比对神经网络NNs进行分段训练：(3a)通过训练集train-0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-0；(3b)将测试集test-0输入model-0中进行识别准确率评估，得到(d-a)/s+1个识别准确率，并通过每个识别准确率与测试集test-0中特征矩阵H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S；(3c)性能曲线A-S上每个识别准确率h与左相邻的识别准确率hpre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,hpre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR1...SNRm，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR1...＜SNRm＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；(3d)分别提取训练集train-0中与信噪比在(SNR1,d)...(SNRm,d)区间的调制信号对应的特征矩阵H和样本标签，组成训练集train-1...train-m，并用train-1...train-m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1...model-m；(3e)提取训练集train-0中与信噪比在(SNR1,d)区间的调制信号对应的特征矩阵H和样本标签，组成训练集train-1′，并用train-1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1′；(4)对待测调制信号的调制方式进行识别：(4a)对待测调制信号进行N点采样，得到长度为N的采样信号，并对采样信号进行归一化，得到长度为N的归一化信号，然后对提取的归一化信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H′；(4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：当snr∈(SNR1,d)，且m＝1，选取训练好的神经网络model-1′；当snr∈(SNRi,SNRi+1)，且m＞1，选取训练好的神经网络model-i，其中，i＝1...m-1；当snr∈(SNRm,d)，且m＞1，选取训练好的神经网络model-m；(4c)将样本数据H′本文档来自技高网...

【技术保护点】
1.一种基于深度学习的调制方式识别方法，其特征在于包括如下步骤：(1)获取训练集和测试集：(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d‑a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜‑5，d＞10；(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；(1d)将70％的样本信号的样本数据H和样本标签作为训练集train‑0，剩余的样本数据H和样本标签作为测试集test‑0；(2)搭建神经网络NNs：搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；(3)基于信噪比对神经网络NNs进行分段训练：(3a)通过训练集train‑0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑0；(3b)将测试集test‑0输入model‑0中进行识别准确率评估，得到(d‑a)/s+1个识别准确率，并通过每个识别准确率与测试集test‑0中样本数据H对应的调制信号的每个信噪比绘制model‑0的性能曲线A‑S；(3c)性能曲线A‑S上每个识别准确率h与左相邻的识别准确率hpre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,hpre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR1...SNRm，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR1...＜SNRm＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；(3d)分别提取训练集train‑0中与信噪比在(SNR1,d)...(SNRm,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train‑1...train‑m，并用train‑1...train‑m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑1...model‑m；(3e)提取训练集train‑0中与信噪比在(SNR1,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train‑1′，并用train‑1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑1′；(4)对待测调制信号的调制方式进行识别：(4a)对待测调制信号进行N点采样，得到长度为N的采样信号，并对采样信号进行归一化，得到长度为N的归一化信号，然后对提取的归一化信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H′；(4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A‑S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：当snr∈(SNR1,d)，且m＝1，选取训练好的神经网络model‑1′；当snr∈(SNRi,SNRi+1)，且m＞1，选取训练好的神经网络model‑i，其中，i＝1...m‑1；当snr∈(SNRm,d)，且m＞1，选取训练好的神经网络model‑m；(4c)将样本数据H′输入至步骤(4b)所选取的训练好的神经网络中，得到待测调制信号的调制方式。...

【技术特征摘要】
1.一种基于深度学习的调制方式识别方法，其特征在于包括如下步骤：(1)获取训练集和测试集：(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d-a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜-5，d＞10；(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；(1d)将70％的样本信号的样本数据H和样本标签作为训练集train-0，剩余的样本数据H和样本标签作为测试集test-0；(2)搭建神经网络NNs：搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；(3)基于信噪比对神经网络NNs进行分段训练：(3a)通过训练集train-0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-0；(3b)将测试集test-0输入model-0中进行识别准确率评估，得到(d-a)/s+1个识别准确率，并通过每个识别准确率与测试集test-0中样本数据H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S；(3c)性能曲线A-S上每个识别准确率h与左相邻的识别准确率hpre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,hpre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR1...SNRm，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR1...＜SNRm＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；(3d)分别提取训练集train-0中与信噪比在(SNR1,d).....

【专利技术属性】
技术研发人员：高明，黄凤杰，潘毅恒，廖覃明，李静，刘刚，
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