一种基于LSTM和SVM的通信信号调制模式识别方法及系统技术方案

本发明专利技术涉及一种基于LSTM和SVM的通信信号调制模式识别方法。包括步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。本发明专利技术能够解决现有的调制识别方法可适用的信噪比范围小，低信噪比下识别率低的问题。

A modulation pattern recognition method and system of communication signal based on LSTM and SVM

【技术实现步骤摘要】
一种基于LSTM和SVM的通信信号调制模式识别方法及系统
本专利技术涉及一种基于LSTM和SVM的通信信号调制模式识别方法及系统，属于信号处理领域中通信信号类型识别领域。
技术介绍
随着通信设备数量的大量增长，通信所面临的电磁环境也变得越发复杂，而无线电信号需要通过调制才能进行传输。不同的调制模式拥有着不同的适应场景以及不同的信号特性。在军事应用中，需要对截获信号进行调制识别之后才能进行包含信号解调在内的后续处理。而在认知无线电背景下，主用户需要对接收到的主次用户混合的信号进行调制模式识别才能知道哪个是次用户，哪个是主用户。不仅如此，调制识别还可以在用户身份鉴别，频谱检测与管理等方面发挥巨大作用。因此，调制模式识别已成为当前通信领域中最有价值的研究方向之一。近年来，随着电子设备计算力的大幅提升，机器学习尤其是深度学习技术得到了巨大的发展。而在对于信号的特征提取以及分类领域，深度学习技术也取得了许多成就。而这些成就被广泛的应用于计算机视觉和自然语言处理领域。而通信信号的调制模式识别本质上是一个模式识别问题，也需要通过特征提取然后分类。因此可以将深度学习技术应用于通信信号的调制模式识别领域。
技术实现思路
本专利技术的技术解决问题是：克服现有的调制识别方法可适用的信噪比范围小，低信噪比下识别率低的问题。基于长短时记忆网络(LongShort-TermMemory,LSTM)和支持向量机(SupportVectorMachine,SVM)，提供一种可适用于信噪比大动态变化环境下的通信信号调制模式识别方法。本专利技术的技术解决方案是：一种基于LSTM和SVM的通信信号调制模式识别方法，步骤如下：步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。进一步的，步骤一中的通信信号标准化处理公式为：式中：x为标准化之前的通信信号，x*为标准化之后的通信信号，μ为通信信号的均值，σ为标准差。进一步的，步骤二中将处理后的信号送入由LSTM组成的自编码机进一步提取特征，具体为：在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数；每层之后都使用批量正则化让提取出的特征在进入下一层之前重新标准化。进一步的，LSTM自编码机网络共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层；前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量。进一步的，所述LSTM自编码机的输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。进一步的，步骤三中进行分类具体为：通过在任意两类样本之间训练SVM分类器实现对多类通信信号的调制模式识别，k个类别的调制信号需要训练k(k-1)/2个SVM分类器。进一步的，每个SVM分类器的核函数都选择为高斯核函数k(x1,x2):其中，x1,x2为高斯核函数的两个输入参数，进一步的，为了缓解噪声的影响，添加松弛变量εi:yi(wTx+b)≥1-εi松弛变量表示对输入x在通过目标函数yi之后能够被允许的误差量，wT表示网络参数矩阵的转置，b为偏移量；非线性分类器的形式为：式中αi为拉格朗日乘子。进一步的，本专利技术还提出一种调制模式识别系统，包括：信号预处理模块：对接收到的不同信噪比下的信号进行标准化处理；特征提取模块：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；分类模块：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。本专利技术与现有技术相比的有益效果是：收集信噪比大动态变化下各个信噪比的通信调制信号，打好标签作为已知样本。通过训练LSTM自编码机来实现自动特征提取。相比于传统的手动特征提取方法而言，使用LSTM自编码机的方法可以最大限度的避免信息损失。这是因为通过手动方法提取的特征无论提取多少都不可避免的会造成信息损失，而这种信息很有可能是有用信息，而通过LSTM自动编码机提取的特征则是让网络自己学习提取哪些特征，去掉哪些无用的信息。这种做法可以最大限度的保留有用信息。采用LSTM则是因为LSTM可以通过信号之间的关联提取出有用的时域信息。而且采用深度学习的方法提取信息不受到信号调制模式的限制。对于手动提取方法而言，必须根据需要识别的调制模式集合决定采用哪些特征，有些特征提取方法对于一些相近的调制模式是无效的。而且需要识别的调制模式越多，需要提取的特征就越多，需要采用的手工提取方法也越多。但是采用本专利技术则是让网络自己提取特征，减小了计算复杂度，对于调制模式的增加也只需增加SVM分类器的个数即可。附图说明图1是本专利技术的基于LSTM和SVM的通信信号调制模式识别算法流程图。图2是本专利技术的基于LSTM的自编码机结构框图。图3是本专利技术的LSTM内部传播机制结构图。具体实施方式下面结合附图对本专利技术的具体实施方式进行进一步的详细描述。图1是本专利技术的基于LSTM和SVM的通信信号调制模式识别算法流程图。它包括以下步骤：步骤一：信号预处理：对接收到的不同信噪比范围下的信号进行标准化处理；步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；通过训练LSTM自编码机来实现自动特征提取。相比于传统的手动特征提取方法而言，使用LSTM自编码机的方法可以最大限度的避免信息损失。这是因为通过手动方法提取的特征无论提取多少都不可避免的会造成信息损失，而这种信息很有可能是有用信息，而通过LSTM自动编码机提取的特征则是让网络自己学习提取哪些特征，去掉哪些无用的信息。这种做法可以最大限度的保留有用信息。步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。其中，步骤一中的通信信号标准化处理公式为：式中：x*为标准化之后的通信信号。μ为通信信号的均值，σ为标准差。步骤二中，在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数。每层之后都使用批量正则化(BatchNormalization,BN)让提取出的特征在进入下一层之前重新标准化。本文档来自技高网...

【技术保护点】
1.一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于步骤如下：/n步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；/n步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；/n步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。/n

【技术特征摘要】
1.一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于步骤如下：
步骤一：信号预处理：对接收到的不同信噪比下的信号进行标准化处理；
步骤二：特征提取：将步骤一中处理后的信号送入由LSTM组成的自编码机进一步提取特征，从而得出可以进行SVM分类的特征；
步骤三：进行分类：将已经提取好的特征送入已经训练完成的SVM分类器中，根据SVM给出的分到每一类概率的输出值来实现对通信信号的调制识别。


2.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤一中的通信信号标准化处理公式为：



式中：x为标准化之前的通信信号，x*为标准化之后的通信信号，μ为通信信号的均值，σ为标准差。


3.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤二中将处理后的信号送入由LSTM组成的自编码机进一步提取特征，具体为：在层与层之间采用随机梯度下降法实现反向传播，以此得到各层的各个参数；每层之后都使用批量正则化让提取出的特征在进入下一层之前重新标准化。


4.根据权利要求3所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：LSTM自编码机网络共有14层，依次排列为一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层，一个BN层，一个LSTM层；前4组LSTM与BN层为编码层，后面4组LSTM层和BN层为解码层，其中在第7层输出特征向量。


5.根据权利要求4所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：所述LSTM自编码机的输入和输出相同，均为各个信噪比下的通信信号本身，通过让输入和输出相同在中间层提取维度低的特征。


6.根据权利要求1所述的一种基于LSTM和SVM的通信信号调制模式识别方法，其特征在于：步骤三中进行分类具体为：通过在任意两类样本之间训练SVM分类器实现对多类通信信号的调制模式识...

【专利技术属性】
技术研发人员：禹航，辛宁，丁睿，陈东，刘亮，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：北京;11