一种调制方式确定方法及装置制造方法及图纸

本发明专利技术实施例提供了一种调制方式确定方法及装置，可以获取已调信号的循环相关熵谱密度，基于循环相关熵谱密度，确定已调信号的循环相关熵谱特征，基于循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定已调信号的调制方式，基于上述处理，已调信号的循环相关熵谱特征可以表示已调信号的高阶矩特征，由于已调信号的高阶矩特征不会因噪声的影响发生改变，因此，已调信号的高阶矩特征能够表示已调信号的真实特征，基于已调信号的循环相关熵谱特征，确定出的已调信号的调制方式的准确度较高，进而，可以在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。

A method and device for determining modulation mode

【技术实现步骤摘要】
一种调制方式确定方法及装置
本专利技术涉及无线通信
，特别是涉及一种调制方式确定方法及装置。
技术介绍
在无线通信系统中，发送端在发送原始信号之前，需要通过预设的调制方式对原始信号进行调制，得到已调信号。然后，发送端可以向接收端发送已调信号。接收端接收到已调信号之后，需要确定出已调信号的调制方式，进而，基于已调信号的调制方式对应的解调方式，对已调信号进行解调，得到发送端发送的原始信号。现有技术中，接收端确定调制方式的过程包括以下步骤：基于已调信号的自相关方程，确定已调信号的循环谱图，进而，确定已调信号的循环谱图中波峰对应的数据点(可以称为目标数据点)，计算目标数据点的循环谱特征，将计算得到的循环谱特征输入至预先训练的调制方式预测网络模型，进而，可以基于调制方式预测网络模型输出的预设各调制方式的概率，确定已调信号的调制方式。然而，已调信号的自相关方程包含已调信号的二阶矩特征，已调信号在传输至接收端的过程中会受到噪声的影响，导致已调信号的二阶矩特征发生较大的改变，因此，基于已调信号的自相关方程，确定出的包含已调信号的二阶矩特征的循环谱特征，不能准确的体现已调信号的真实特征，导致基于循环谱特征确定出的已调信号的调制方式的准确度较低，进而，可能会导致接收端无法解调获得正确的原始信号。
技术实现思路
本专利技术实施例的目的在于提供一种调制方式确定方法及装置，可以提高确定出的已调信号的调制方式的准确度，进而，在一定程度上避免现有技术中接收端无法解调获得正确的原始信号的问题。具体技术方案如下：第一方面，为了达到上述目的，本专利技术实施例提供了一种调制方式确定方法，所述方法包括：获取已调信号的循环相关熵谱密度，其中，所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征；基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征；基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，其中，所述调制方式预测网络模型为基于预设训练样本进行训练得到的，所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。可选的，所述获取已调信号的循环相关熵谱密度，包括：基于所述已调信号的相关熵方程，生成所述已调信号的循环相关熵方程；对所述循环相关熵方程进行傅里叶变换，得到所述已调信号的循环相关熵谱密度。可选的，所述基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征，包括：基于所述循环相关熵谱密度，生成所述已调信号的循环相关熵谱密度图；提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征，其中，所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度，所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点，所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。可选的，所述基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，包括：将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型，得到所述调制方式预测网络模型输出的预设各调制方式的概率；将所述预设各调制方式中概率最大的调制方式，作为所述已调信号的调制方式。可选的，所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络；所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型，得到所述调制方式预测网络模型输出的预设各调制方式的概率，包括：通过所述LSTM网络，对所述循环相关熵谱特征进行特征提取，得到表示所述已调信号的时域特征的第一特征向量；通过所述DenseNet网络，对所述第一特征向量进行特征提取，得到表示所述已调信号的高阶矩特征的第二特征向量；通过所述预测网络，根据第一预设公式，以及所述第二特征向量，确定所述预设各调制方式的概率，其中，所述第一预设公式为：Pm表示所述预设各调制方式中第m个调制方式的概率，e表示自然常数，a表示第一预设系数，F表示所述第二特征向量，表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角，表示所述第二特征向量与所述预设各调制方式中第m个调制方式的权重系数向量的夹角的余弦值，b表示第二预设系数，K表示所述预设各调制方式的数目，表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角，表示所述第二特征向量与所述预设各调制方式中第l个调制方式的权重系数向量的夹角的余弦值，所述权重系数向量中一个元素为所述第二特征向量中对应的一个特征元素的权重系数。第二方面，为了达到上述目的，本专利技术实施例提供了一种调制方式确定装置，所述装置包括：获取模块，用于获取已调信号的循环相关熵谱密度，其中，所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征；第一确定模块，用于基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征；第二确定模块，用于基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，其中，所述调制方式预测网络模型为基于预设训练样本进行训练得到的，所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。可选的，所述获取模块，具体用于基于所述已调信号的相关熵方程，生成所述已调信号的循环相关熵方程；对所述循环相关熵方程进行傅里叶变换，得到所述已调信号的循环相关熵谱密度。可选的，所述第一确定模块，具体用于基于所述循环相关熵谱密度，生成所述已调信号的循环相关熵谱密度图；提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征，其中，所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度，所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点，所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。可选的，所述第二确定模块，具体用于将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型，得到所述调制方式预测网络模型输出的预设各调制方式的概率；将所述预设各调制方式中概率最大的调制方式，作为所述已调信号的调制方式。可选的，所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络；所述第二确定模块，具体用于通过所述LSTM网络，对所述循环相关熵谱特征进行特征提取，得到表示所述已调信号的时域特征的第一特征向量；通过所述DenseNet网络，对所述第一特征向量进行特征提取，得到表示所述已调信号的高阶矩特征的第二特征向量；通过所述预测网络，根据第一预设公式，以及所述第二特征向量，确定所述预设各调制方式的概率，其中，所述第一预设公式为：Pm表示所述预设各调制方式中第m个调制方式的概率，e表示自然常数，a表示第一预设系数，F表示所本文档来自技高网...

【技术保护点】
1.一种调制方式确定方法，其特征在于，所述方法包括：/n获取已调信号的循环相关熵谱密度，其中，所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征；/n基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征；/n基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，其中，所述调制方式预测网络模型为基于预设训练样本进行训练得到的，所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。/n

【技术特征摘要】
1.一种调制方式确定方法，其特征在于，所述方法包括：
获取已调信号的循环相关熵谱密度，其中，所述循环相关熵谱密度用于表示所述已调信号的高阶矩特征；
基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征；
基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，其中，所述调制方式预测网络模型为基于预设训练样本进行训练得到的，所述训练样本包括样本信号的循环相关熵谱特征和所述样本信号的调制方式为预设各调制方式的概率。


2.根据权利要求1所述的方法，其特征在于，所述获取已调信号的循环相关熵谱密度，包括：
基于所述已调信号的相关熵方程，生成所述已调信号的循环相关熵方程；
对所述循环相关熵方程进行傅里叶变换，得到所述已调信号的循环相关熵谱密度。


3.根据权利要求1所述的方法，其特征在于，所述基于所述循环相关熵谱密度，确定所述已调信号的循环相关熵谱特征，包括：
基于所述循环相关熵谱密度，生成所述已调信号的循环相关熵谱密度图；
提取所述循环相关熵谱密度图中的目标数据点的循环相关熵谱特征，其中，所述循环相关熵谱特征包括所述目标数据点的谱频率、循环频率和幅度，所述目标数据点为所述循环相关熵谱密度图中表示所述已调信号的高阶矩特征的数据点，所述谱频率和幅度表示所述已调信号的功率随所述已调信号的频率变化而变化的规律。


4.根据权利要求1所述的方法，其特征在于，所述基于所述循环相关熵谱特征，以及预先训练的调制方式预测网络模型，确定所述已调信号的调制方式，包括：
将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型，得到所述调制方式预测网络模型输出的预设各调制方式的概率；
将所述预设各调制方式中概率最大的调制方式，作为所述已调信号的调制方式。


5.根据权利要求4所述的方法，其特征在于，所述调制方式预测网络模型包括长短期记忆LSTM网络、密集卷积DenseNet网络和预测网络；
所述将所述循环相关熵谱特征输入至预先训练的调制方式预测网络模型，得到所述调制方式预测网络模型输出的预设各调制方式的概率，包括：
通过所述LSTM网络，对所述循环相关熵谱特征进行特征提取，得到表示所述已调信号的时域特征的第一特征向量；
通过所述DenseNet网络，对所述第一特征向量进行特征提取，得到表示所述已调信号的高阶矩特征的第二特征向量；
通过所述预测网络，根据第一预设公式，以及所述第二特征向量，确定所述预设各调制方式的概率，其中，所述第一预设公式为：



Pm表示所述预设各调制方式中第m个调制...

【专利技术属性】
技术研发人员：冯志勇，黄赛，林春生，张奇勋，尉志青，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11