基于循环谱估计的深度学习智能调制识别方法技术

本发明专利技术提供的基于循环谱估计的深度学习智能调制识别方法，包括以下步骤：根据载波频率和码元速率生成调制信号；对调制信号进行循环谱估计，提取循环谱函数的截面图；将截面图作为特征，训练深度神经网络；利用深度神经网络对未知信号的调制方式进行识别。本发明专利技术提供的基于循环谱估计的深度学习智能调制识别方法，将循环谱估计与深度神经网络结合起来，利用神经网络的智能处理能力和循环谱较好的分类识别能力，提高了整个信号调制识别系统的性能；仅利用了循环谱函数的截面图，省去了提取循环谱特征的步骤，降低了算法时间复杂度。

Deep Learning Intelligent Modulation Recognition Method Based on Cyclic Spectrum Estimation

【技术实现步骤摘要】
基于循环谱估计的深度学习智能调制识别方法
本专利技术涉及面向移动通信领域，更具体的，涉及一种基于循环谱估计的深度学习智能调制识别方法。
技术介绍
随着通信技术的发展，无线通信环境的复杂性和不可预知性大大增加，认知无线电因其认知能力、能够识别信道特性并动态调整系统资源的分配而得到广泛应用。信号调制方式的自动识别技术是认知无线电通信系统中的关键技术。现有的通信信号调制方式识别方法主要分为基于最大似然理论的方法和基于特征参数提取的模式识别方法两大类，由于基于最大似然理论的方法计算复杂度过大，且在低信噪比条件下的识别效果不理想，所以通常采用基于特征参数提取的模式识别方法。1982至1989年，GardnerW.A.W发表了多部著作，给出了循环平稳特性的相关定义，并给出了利用不同调制信号循环谱特性的不同分类识别信号的算法。文献“韩国栋,蔡斌,邬江兴.调制分析与识别的谱相关方法[J].系统工程与电子技术,2001(03):34-36+46.”提出基于循环谱相关的6个特征函数，在SNR≥0dB的条件下，识别率达90％以上，但是其提取循环谱特征函数的复杂度较高。文献“E.Like,V.Chakravarthy,ZhiqiangWu.ReliableModulationClassificationatLowSNRUsingSpectralCorrelation[C].4thIEEECCNC.LasVegas:IEEEPress,2007:1134-1138”利用循环谱系数的循环频率α和频率f的分布图作为特征参数，在较低的SNR条件下仍可以实现较高的识别率，但其需要的输入参数较多。
技术实现思路
本专利技术为克服现有的特征参数提取识别方法存在复杂度高、输入参数多的技术缺陷，提供一种基于循环谱估计的深度学习智能调制识别方法。为解决上述技术问题，本专利技术的技术方案如下：基于循环谱估计的深度学习智能调制识别方法，包括以下步骤：S1：根据载波频率和码元速率生成调制信号；S2：对调制信号进行循环谱估计，提取循环谱函数的截面图；S3：将截面图作为特征，训练深度神经网络；S4：利用深度神经网络对未知信号的调制方式进行识别。其中，所述步骤S1具体为：在采用频率fs＝16000Hz、载波频率fc＝5000Hz、码元速率fd＝1200Hz的条件下，生成2ASK、2FSK、BPSK、QPSK四种调制信号，并将四种调制信号通过高斯信道进行传播。其中，在所述步骤S2中，所述循环谱估计的计算公式具体为：其中，<·>t表示时间平均统计；表示循环谱函数的截面图。其中，采用时间平滑方法对进行估计，具体计算公式为：其中，w[n]表示数据滑动窗；N'为短时FFT大小；N是观测时间长度。其中，所述步骤S3具体包括以下步骤：S31：将循环谱函数的截面图作为特征参数，由输入层输入到深度神经网络中；S32：通过隐藏层对输入值进行归一化，稳定输入值，减少前层参数对后层参数的影响；S33：输出层采用onehot编码，对应不同的信号调制方式进行输出。其中，所述步骤S4具体为：将未知信号输入所述深度神经网络中，识别得到该未知信号的调制方式。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术提供的基于循环谱估计的深度学习智能调制识别方法，将循环谱估计与深度神经网络结合起来，利用神经网络的智能处理能力和循环谱较好的分类识别能力，提高了整个信号调制识别系统的性能；仅利用了循环谱函数的截面图，省去了提取循环谱特征的步骤，降低了算法时间复杂度。附图说明图1为本方法的流程示意图；图2为深度神经网络的结构示意图；图3为2ASK、2FSK、BPSK、QPSK四种调制信号循环谱函数的截面图；图4为2ASK、2FSK、BPSK、QPSK四种调制信号识别率曲线图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1如图1所示，基于循环谱估计的深度学习智能调制识别方法，包括以下步骤：S1：根据载波频率和码元速率生成调制信号；S2：对调制信号进行循环谱估计，提取循环谱函数的截面图；S3：将截面图作为特征，训练深度神经网络；S4：利用深度神经网络对未知信号的调制方式进行识别。更具体的，所述步骤S1具体为：在采用频率fs＝16000Hz、载波频率fc＝5000Hz、码元速率fd＝1200Hz的条件下，生成2ASK、2FSK、BPSK、QPSK四种调制信号，并将四种调制信号通过高斯信道进行传播。其中，在所述步骤S2中，所述循环谱估计的计算公式具体为：其中，<·>t表示时间平均统计；表示循环谱函数的截面图。更具体的，采用时间平滑方法对进行估计，具体计算公式为：其中，w[n]表示数据滑动窗；N'为短时FFT大小；N是观测时间长度。更具体的，如图2所示，所述步骤S3具体包括以下步骤：S31：将循环谱函数的截面图作为特征参数，由输入层输入到深度神经网络中；S32：通过隐藏层对输入值进行归一化，稳定输入值，减少前层参数对后层参数的影响；S33：输出层采用onehot编码，对应不同的信号调制方式进行输出。更具体的，所述步骤S4具体为：将未知信号输入所述深度神经网络中，识别得到该未知信号的调制方式。实施例2更具体的，在实施例1的基础上，以识别2ASK、2FSK、BPSK、QPSK四种调制信号为例，对本专利技术所述方法进行进一步描述。在具体实施过程中，在采用频率fs＝16000Hz、载波频率fc＝5000Hz、码元速率fd＝1200Hz的条件下，生成2ASK、2FSK、BPSK、QPSK四种调制信号，并将四种调制信号通过高斯信道进行传播；计算四种信号的循环谱，提取出循环谱函数的截面图并打上相应标签，作为原始训练数据。在具体实施过程中，循环谱估计的计算公式具体为：其中，<·>t表示时间平均统计；表示循环谱函数的截面图。更具体的，采用时间平滑方法对进行估计，具体计算公式为：其中，w[n]表示数据滑动窗；N'为短时FFT大小；N是观测时间长度。根据循环谱的对称性，本专利技术提取循环谱函数的截面图作为特性参数，四种信号的循环谱α截面图如图3所示。在具体实施过程中，训练深度神经网络，深度神经网络包括输入层、三层隐藏层以及输出层。输入层的输入参数为提取出的信号循环谱函数的截面图前两层隐藏层使用Bacth_normalization，将输入值归一化，使得输入值更稳定，减少前层参数对后层的影响，输出层采用onehot编码，对应不同的信号调制方式。在具体实施过程中，产生未知调制方式的信号，将接收到的未知调制方式的信号循环谱函数的截面图输入到深度神经网络模型中，预测出该信号的调制方式。最后得出四种不同调制方式的信号在SNR＝-10～10dB之间的识别率曲线，如图4所示。更具体的，基于循环谱的不同调制识别方法计算复杂度的比较，如表1所示：表1不同基于循环谱的调制识别算法计算时间复杂度的比较表在具体实施过程中，表1中的基于循环谱特征参数提取的调制识别算法指文献“韩国栋,蔡斌,邬江兴.调制分析与识别的本文档来自技高网...

【技术保护点】
1.基于循环谱估计的深度学习智能调制识别方法，其特征在于，包括以下步骤：S1：根据载波频率和码元速率生成调制信号；S2：对调制信号进行循环谱估计，提取循环谱函数的截面图；S3：将截面图作为特征，训练深度神经网络；S4：利用深度神经网络对未知信号的调制方式进行识别。

【技术特征摘要】
1.基于循环谱估计的深度学习智能调制识别方法，其特征在于，包括以下步骤：S1：根据载波频率和码元速率生成调制信号；S2：对调制信号进行循环谱估计，提取循环谱函数的截面图；S3：将截面图作为特征，训练深度神经网络；S4：利用深度神经网络对未知信号的调制方式进行识别。2.根据权利要求1所述的基于循环谱估计的深度学习智能调制识别方法，其特征在于：所述步骤S1具体为：在采用频率fs＝16000Hz、载波频率fc＝5000Hz、码元速率fd＝1200Hz的条件下，生成2ASK、2FSK、BPSK、QPSK四种调制信号，并将四种调制信号通过高斯信道进行传播。3.根据权利要求2所述的基于循环谱估计的深度学习智能调制识别方法，其特征在于：在所述步骤S2中，所述循环谱估计的计算公式具体为：其中，<·>t表示时间...

【专利技术属性】
技术研发人员：张琳，刘恒，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44