一种频域上使用卷积神经网络识别STBC信号的方法技术

基于深度学习的通信信号识别是当前研究的热点，本发明专利技术公开了一种频域上使用卷积神经网络识别STBC信号的方法，在使用卷积神经网路对STBC进行识别时，通过进行傅里叶变换或求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法，提取信号特征，再输入卷积神经网络进行识别。通过本发明专利技术处理过的信号能够更好的提取接收信号特征，提高利用卷积神经网络识别的效果。

【技术实现步骤摘要】
一种频域上使用卷积神经网络识别STBC信号的方法
本专利技术属于信号处理领域中非协作通信信号处理技术，具体是指一种频域上使用卷积神经网络识别STBC信号的方法。
技术介绍
通信信号盲识别技术是当今学术界和工程界研究的热点，无论是在军事通信领域还是民用通信领域，通信盲识别技术都得到广泛应用。空时分组码识别是指在接收端不知道信道状态信息的情况下，只利用接收端识别发射端所采用的空时编码方式。目前关于STBC编码类型识别都是传统算法，主要分为基于特征提取和基于最大似然算法，其中基于特征提取算法不需要对信道等先验信息进行预估，因此适合应用非合作通信场合。近几年，机器学习在调制识别已经取得一定进展，文献中采用卷积神经网络识别11种调制信号，包括数字调制信号和模拟调制信号，且识别正确率在90％以上。目前CNN主要用于信号调制识别，尚未应用于信道编码识别。本专利技术的算法是针对信道编码中6种不同的STBC信号进行识别，包括两种码长相同的STBC信号。
技术实现思路
本专利技术的内容是在全盲条件下，对6种STBC信号进行识别。为解决上述技术问题，本专利技术是通过以下技术方案实现的：首先构建包含6种STBC数据集，以长度为128构成新的数据集r(n)，然后采用一种频域预处理算法对数据进行预处理，通过STBCCNN网络识别信号类型。本专利技术考虑的6种STBC信号编码方式详细的方案如下：SM(nt＝2,Ns＝2,L＝1)，AL(nt＝2,Ns＝2,L＝2)，STBC3-1(nt＝3,Ns＝3,L＝4)，STBC3-2(nt＝3,Ns＝3,L＝4)，STBC3-3(nt＝3,Ns＝4,L＝8)，STBC4(nt＝4,Ns＝4,L＝8)，其中nt代表发射天线个数，Ns代表编码矩阵传输符号个数，L代表码长，相应的编码矩阵为：不失一般性，假定r(0)截获的是第b个传输块的(n1+1)个信号，接收信号r(n)可以表示为：r(n)＝HS(n)+w(n)(7)其中，w(n)表示均值为0方差为白性高斯白噪声，代表信道向量，在观察周期内保持不变，S(n)表示Cp(Sq)，其中p＝(n+n1)modL和q＝b+(n+n1)divL。所述的构造一种频域预处理，具体为：将数据集r(n)进行FFT变换，然后实部虚部分开构建新的数据集。具体为：首先将长度为128的信号r(n)进行FFT运算，计算公式如下：由于卷积神经网络只能处理二维数据，因此分开X(k)信号实部和虚部构建一个二维的数据集，具体操作如下：其中，代表是实部，代表是虚部。所述的构造了一种频域预处理，具体为：将数据集r(n)计算自相关函数E[r(n)r(n)]，然后在进行FFT变换，最后实部和虚部分开构建新的数据集。首先计算r(n)的自相关函数：mr,2,0(n)＝E{r(n)r(n)}(10)然后对mr,2,0(n)进行FFT运算：由于卷积神经网络只能处理二维数据，执行式(9)的计算。所述的构造了一种频域预处理，具体为：将数据集r(n)计算自相关函数E[r(n)r*(n)]，然后在进行FFT变换，最后实部和虚部分开构建新的数据集。首先计算r(n)的自相关函数：mr,2,0(n)＝E[r(n)r*(n)](12)其中()*为共轭，然后执行式(11)计算和式(9)计算。本专利技术所提的算法主要依据是数据集的频域形式，采用STBCCNN识别文中所提的6种STBC信号。算法流程为：预处理原始数据，训练构建的卷积神经网络参数，识别目标信号。(1)预处理数据将原始的样本以长度为128构建数据，采用文中提到的三种频域处理算法中一种对原始样本进行预处理。(2)训练网络参数将预处理后得到的二维标签数据输入STBCCNN，对网络进行训练，当代价函数值取得最小值搭建模型参数为最优参数。(3)识别目标信号识别时，将未知信号经过预处理后，输入STBCCNN，识别出不同的STBC信号。本专利技术方法能识别在全盲条件下6种STBC信号，其中包括两种码长相同的STBC信号，且在低信噪比下识别效果较好。本专利技术方法能识别在全盲条件下6种STBC信号，其中包括两种码长相同的STBC信号，且在低信噪比下识别效果较好。附图说明图1是本专利技术所述方法的总体流程图。图2训练过程代价函数。图36种STBC信号的识别概率。图4在不同信噪比下混淆矩阵。图5不同频域预处理算法对比。具体实施方式本实施方式的总体流程图如图1所示，并采用的STBCCNN网络。本实施例所述方法实现过程如下：1)采样，初始化数据；2)预处理数据；3)搭建STBCCNN，并利用训练集训练网络参数；4)识别信号。实例中无特殊说明，仿真参数如下设置：数据集中包含6种STBC信号，分别为SM、AL、STBC3-1、STBC3-2、STBC3-3、STBC4，采用QPSK调制方式，信道采用Nakagami信道，信噪比定义为其中为每根发射天线的功率，为高斯噪声功率。正确识别概率pc(λ|λ)衡量算法性能。训练过程中代价函数变化如图2所示，整个训练和测试过程大约为1分钟，代价函数大概在epochs＝25时收敛。图3为6种不同STBC信号的识别概率，当SNR＝0dB时信号识别概率约为0.9，当SNR＝5dB时信号识别概率约为0.95，识别性能理想。图4为不同信噪比下混淆矩阵的情况，从图中可以发现，在SNR值高时，混淆矩阵呈现对角特征，在SNR值低时，会出现信号错判的现象，也侧面印证了图4的识别概率。图5为三种不同频域预处理的识别算法性能对比，从图中可以发现，两种自相关函数的预处理算法性能基本相同，优于直接采用FFT运算，主要是由于采用自相关函数后数据集的特征更明显，有利于后期数据识别。本文档来自技高网...

【技术保护点】
1.一种频域上使用卷积神经网络识别STBC信号的方法，其特征在于：通过进行傅里叶变换或求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法，再输入卷积神经网络对STBC信号进行识别。/n

【技术特征摘要】
1.一种频域上使用卷积神经网络识别STBC信号的方法，其特征在于：通过进行傅里叶变换或求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法，再输入卷积神经网络对STBC信号进行识别。


2.根据权利要求1所述的一种频域上使用卷积神经网络识别STBC信号的方法，其特征在于，所述的通过进行傅里叶变换的方式对接收信号进行预处理的方法，具体为：将数据集r(n)进行FFT变换，得到用于卷积神经网络训练的信号数据。


3.根据权利要求1所述的一种频域上使用卷积神经网络识别STBC信号的方法，其特征是，所述的通过求取自相关函数后进行傅里叶变换的方式对接收信号进行预处理的方法，具体为：将数据集r(n)计算自相关函数E[r(n)r(n)]，得到用于卷积神经网络训练的信号数...

【专利技术属性】
技术研发人员：凌青，闫文君，张立民，于柯远，王建雄，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东;37