基于卷积受限玻尔兹曼机的信号调制方式的识别方法技术

本发明专利技术提供基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其可以达到高效识别常用调制方式的目的，不但降低了调制识别的复杂度和难度，且此方法对多种常用调制方式识别皆有适用性。其包括：S1对原始信号进行预处理，构建信号调制类别标签；S2将预处理后获得的带标签的信号数据集构建训练集、测试集；S3构建识别网络模型；采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；最后将提取的信号抽象特征全展开输入分类器中进行调制模式识别；S4对识别网络模型进行训练，得到训练好的识别网络模型；S5检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的识别网络模型中，进行信号调制方式类别的识别。

Recognition method of signal modulation based on convolution limited Boltzmann machine

【技术实现步骤摘要】
基于卷积受限玻尔兹曼机的信号调制方式的识别方法
本专利技术涉及信号处理
，具体为基于卷积受限玻尔兹曼机的信号调制方式的识别方法。
技术介绍
在某些特定场景下，需要通过信号处理技术，对陌生的通信信号的具体表述内容进行分析。而分析信号的具体内容，需要截获信号，然后先识别出截获的信号的调制方式，才能正确的进行解调；作为信号检测和信号解调的中间过程，信号调制方式识别主要包括特征提取和利用分类器分类两个步骤。传统的信号调制方式的识别方法，主要是基于专家特征的识别技术，需要人为针对待识别信号的调制方式进行特征提取，并进行一定的统计分析才能达到调制方式识别的目的。该类方法局限性大，容易受主观影响。近年来，深度学习的技术受到广泛关注，开始逐步被应用到非协作通信信号处理以及调制识别领域。然而，现有的利用深度学习进行信号调制方式进行识别的方法中，其中对于特征提取这个步骤大多仍然依赖于人工提取，即，每要多识别一种新的调制方式，需要人工设计新的合适的特征参数作为输入；而依赖于人工提取特征参数的识别方法，从性能方面是不稳定的，且可扩展性比较差。
技术实现思路
为了解决现有的信号调制方式识别方法中，对于特征提取这个过程过于依赖人工提取，导致性能不稳、可扩展性比较差的问题，本专利技术提供基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其可以达到高效识别常用调制方式的目的，不但降低了调制识别的复杂度和难度，且此方法对多种常用调制方式识别皆有适用性。本专利技术的技术方案是这样的：基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其包括以下步骤：S1：获取原始积累的无线通信信号，对原始信号进行预处理，构建信号调制类别标签；S2：将预处理后获得的带标签的信号数据集随机调整顺序，构建训练集、测试集；S3：构建识别网络模型；S4：通过训练集，对所述识别网络模型进行训练，得到训练好的所述识别网络模型，通过所述测试集，测试网络模型泛化性能和信号识别率；S5：检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的所述识别网络模型中，进行信号调制方式类别的识别；其特征在于：在步骤S3中，所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，进行归一化处理，将其作为第二层网络的输入；最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别。其进一步特征在于：所述第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；所述第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核；所述识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法逐层构建；步骤S4中，对所述识别网络模型进行训练的过程中，两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的，即先局部寻优；对每个所述卷积受限玻尔兹曼机网络单独训练时，其训练方法包括如下步骤：S4-1:初始化卷积受限玻尔兹曼机网络的权重、即滤波器w，以及初始化可见层v的偏置b、隐含层h的偏置c；S4-2:将所述训练集的数据随机分成小批次数据；S4-3:采用小批次随机梯度下降法，利用步骤S4-2中获得的所述小批次数据，基于代价函数进行训练获得最优网络参数；S4-4：采用对比散度算法简化网络模型参数梯度的计算，不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c；步骤S4-3中，训练所述卷积受限玻尔兹曼机网络时，采用的代价函数为：其中：Dtrain表示训练集，vt表示训练集中第t个信号样本，p(vt)为输入样本vt的边缘概率分布，训练目标为最小化代价函数L；步骤S4中，网络参数更新的计算基于以下两个条件概率：a1：由可见层到隐含层的计算，即：基于可见层已知，计算隐含层单元激活的条件概率：a2：由隐含层到可见层的计算，即：基于隐含层已知，计算可见层单元激活的条件概率：P(vij＝1|h)＝sigmoid((∑kwk*hk)ij+b)其中：k表示第k个卷积核，为第k个卷积核与可见层卷积运算后所得的特征映射，sigmoid为激活函数，ij为位于i行j列的网络层单元；步骤S1中，对原始信号的所述预处理包括：S1-1：对所获原始信号进行不间断连续采样；S1-2：提取信号段，将段内连续采样点组成采样序列，作为信号样本；S1-3：对所有所述样本数据进行归一化处理，使所有的样本向量元素缩小到区间[0,1]中，构建样本对应调制类别标签，由此获得由采样序列构成的大量带标签的信号数据集；所述归一化处理如下所示：其中：x*表示归一化之后的样本向量，x为原始样本向量，xmin表示原始样本向量中的最小值，xmax表示原始样本向量中的最大值；所述识别网络中的分类器选用softmax分类器；步骤S2中，在构建所述训练集、所述测试集之前，对所有的所述信号数据集中的样本添加高斯随机噪声，信噪比取[-6:2:10]db，即可获得不同信噪比下含噪样本数据集，用于训练不同信噪比下的网络模型；构建所述训练集、所述测试集时，所述训练集和所述测试集的比例为8:2；步骤S4中，通过所述测试集测试所述识别网络的性能时，采用转移学习方法，将高信噪比数据下训练好的网络的权重和偏置值，作为下一低信噪比下网络的初始值进行训练。本专利技术提供的基于卷积受限玻尔兹曼机的信号调制方式的识别方法中，采用两层卷积受限玻尔兹曼机深度提取待识抽象别信号特征，通过训练数据进行学习，避免了显式的特征提取。卷积受限玻尔兹曼机结合全连接型受限玻尔兹曼机网络精度相对较高和CNN网络收敛快的优势；第一层卷积受限玻尔兹曼机网络将原始数据局部特征压缩后，通过卷积计算映射到不同的特征通道(channel)上；第二层卷积受限玻尔兹曼机网络对上一层的特征映射(featuremap)进一步细化提取特征，同时有效控制数据维度；最后将提取特征全展开采用全连接的方式输入softmax分类器进行信号调制方式分类，全展开所得featuremap能有效考虑所提取特征映射的全局信息，保证识别精度；本专利技术的技术方案中，设置了两层卷积受限玻尔兹曼机网络对信号特征进行特征提取，避免了传统人工提取特征的低效复杂性，有效提高了识别信号调制方式的效率，且适用于多种调制方式的识别，降低识别多种调制方式的复杂度和难度。附图说明图1为本专利技术的识别方法中各特征图层连接示意图；图2为本专利技术识别方法中卷积受限玻尔兹曼机的具体构造过程示意图；图3为三种不同模型在不同信噪比下的信号调制识别率的对照图。具体实施方式卷积受限玻尔兹曼机(CRBM，ConvolutionalRestrictedBoltzmannMachine)，此模型有效使用卷积滤波器，因此在高维数本文档来自技高网...

【技术保护点】
1.基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其包括以下步骤：/nS1：获取原始积累的无线通信信号，对原始信号进行预处理，构建信号调制类别标签；/nS2：将预处理后获得的带标签的信号数据集随机调整顺序，构建训练集、测试集；/nS3：构建识别网络模型；/nS4：通过训练集，对所述识别网络模型进行训练，得到训练好的所述识别网络模型，通过所述测试集，测试网络模型泛化性能和信号识别率；/nS5：检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的所述识别网络模型中，进行信号调制方式类别的识别；/n其特征在于：/n在步骤S3中，所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，进行归一化处理，将其作为第二层网络的输入；最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别。/n

【技术特征摘要】
1.基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其包括以下步骤：
S1：获取原始积累的无线通信信号，对原始信号进行预处理，构建信号调制类别标签；
S2：将预处理后获得的带标签的信号数据集随机调整顺序，构建训练集、测试集；
S3：构建识别网络模型；
S4：通过训练集，对所述识别网络模型进行训练，得到训练好的所述识别网络模型，通过所述测试集，测试网络模型泛化性能和信号识别率；
S5：检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的所述识别网络模型中，进行信号调制方式类别的识别；
其特征在于：
在步骤S3中，所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，进行归一化处理，将其作为第二层网络的输入；最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别。


2.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：所述第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；所述第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核。


3.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：所述识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法逐层构建。


4.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4中，对所述识别网络模型进行训练的过程中，两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的，即先局部寻优；对每个所述卷积受限玻尔兹曼机网络单独训练时，其训练方法包括如下步骤：
S4-1:初始化卷积受限玻尔兹曼机网络的权重、即滤波器w，以及初始化可见层v的偏置b、隐含层h的偏置c；
S4-2:将所述训练集的数据随机分成小批次数据；
S4-3:采用小批次随机梯度下降法，利用步骤S4-2中获得的所述小批次数据，基于代价函数进行训练获得最优网络参数；
S4-4：采用对比散度算法简化网络模型参数梯度的计算，不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c。


5.根据权利要求4所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4-3中，训练所述卷积受限玻尔兹曼机网络时，采用的代价函数为：

【专利技术属性】
技术研发人员：李正权，林媛，黄云龙，孙煜嘉，李梦雅，刘洋，吴琼，李宝龙，武贵路，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32