一种基于小波近似系数熵的多信号智能调制模式识别方法技术

本发明专利技术提供了一种一种基于小波近似系数熵的多信号智能调制模式识别方法，构建训练信号集，基于深度神经网络方法对多信号调制模式识别系统进行训练，最后调制模式识别结果测试，实现复杂电磁环境下多信号的智能调制模式识别。本发明专利技术不仅降低了深度神经网络的复杂度，而且提升了其在低信噪比下的调制识别性能，在复杂电磁环境低信噪比下通过小幅增加深度神经网络训练次数可达到较高的识别率，证明了调制识别方法的有效性。另外，通过选择各尺度小波近似系数熵不同的指数权重矢量，可以将所提出模型扩展到更多的应用领域，表明模型具有较好的可移植性。

【技术实现步骤摘要】
一种基于小波近似系数熵的多信号智能调制模式识别方法
本专利技术涉及无线通信
，涉及到将小波熵理论和深度神经网络方法应用到多信号的调制模式识别中，以期在复杂电磁环境下准确识别信号调制模式的同时最小化系统复杂度。
技术介绍
近年来，小波分析在信号与信息处理、图像处理、计算机视觉等领域显示出了极大优势。同时，在下一代通信网络中，通过深度学习与通信网络的结合，可以帮助智能通信网络充分利用频谱资源，从而大幅度提升无线通信系统性能。目前，也有一些研究把小波分析和深度学习引入到无线通信领域中，比如，实现小波分析、深度神经网络和信号调制模式识别的融合，可以显著提升识别正确率和系统抗干扰能力。当前，已有相关工作将小波分析和深度学习方法引入到信号调制模式的识别中。这样做的优点是可以提高对调制信号的表征能力，增强对于噪声的抑制效果。小波分析是时间和频率的局部变换，能有效地从信号中提取信息，有利于感知周围的电磁环境，为了能够快速准确地掌握当前无线电频谱态势；同时，相较于传统的特征提取及分类识别方法而言，深度学习因其强大的分类能力和对非线性函数的拟合能力，也开始运用于通信信号的调制识别中。文献1“王兰勋,郭淑婷,贾层娟.基于小波包络差异性的数字调制方式识别技术[J].电子技术应用,2017,43(02):95-98.”提出基于小波变异系数差值和相似度特征的识别算法，对常见数字调制信号进行分类识别。文献2“YATu,LINYun,WANGHui.Modulationrecognitionofdigitalsignalbasedondeepauto-ancodernetwork[C]//2017IEEEInternationalConferenceonSoftwareQuality,ReliabilityandSecurityCompanion(QRS-C),Prague,2017:256-260.”采用两个深度自动编码器以及信号的循环谱特征进行调制识别，但在低信噪比环境下，识别性能欠佳。文献3“WANGYi,LIUMiao,YANGJie,etal.Data-drivendeeplearningforautomaticmodulationrecognitionincognitiveradios[J].IEEETransactionsonVehicularTechnology,2019,68(4):4074-4077.”提出一种基于深度学习的方法，并结合在不同数据集上训练的两种卷积神经网络，达到了比较高的自动调制识别率。文献4“ZHANGChaozhu,YANGLianbai,WANGXin.Discretewaveletneuralnetworkgroupsystemfordigitalmodulationrecognition[C]//2011IEEE3rdInternationalConferenceonCommunicationSoftwareandNetworks,Xi'an,2011:603-606.”采用自适应小波熵进行多信号调制识别，结合BP神经网络无噪声情况下平均识别率在95％左右，但在信噪比较低时，该方法对某些调制信号的识别性能会迅速下降，识别效果不好。文献5“杨发权,李赞,罗中良.基于聚类与神经网络的无线通信联合调制识别新方法[J].中山大学学报(自然科学版),2015,54(02):24-29.”采用聚类算法提取调制信号的特征参数，之后利用双隐藏层深度神经网络对调制信号进行识别分类，该方法深度神经网络复杂度较高且在低信噪比下的识别率较低。传统的特征提取及分类识别方法主要是通过特征统计量和聚类算法进行的(如文献3，5)，只利用小波分析的信号识别方法依赖于对通信信号参数的精确估计，噪声、频偏等干扰因素会给上述识别方法带来较大的误差，因而无法应用到复杂多变的电磁环境中(如文献1)，单独使用深度学习模型训练复杂度比较高，需要的空间开销比较大(如文献2)，采用自适应小波熵结合神经网络进行调制识别时，低信噪比下难以达到很好的识别效果(如文献4)。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于小波近似系数熵的多信号智能调制模式识别方法，针对复杂电磁环境，采用小波分析结合深度神经网络进行多信号调制模式识别，能够较好地实现低信噪比下多信号的调制模式识别，并有效降低系统复杂度。本专利技术降低了深度神经网络的复杂度，提升了其在低信噪比下的调制识别性能。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤一，构建训练信号集；采用的通信信号调制识别系统模型包括一个集成的信号处理中心和n个潜在的调制信号发射端；信号处理中心对各个不同的调试信号进行识别，各个调制信号构成识别网络的训练数据集，各种调试信号训练集的产生步骤如下：仿真生成各种调制信号，对各个调制信号依次进行幅度归一化和功率归一化，其中各调制信号中所添加的噪声均为加性高斯白噪声；设信号s(n)经离散小波变换后，在第j分解尺度下k时刻的高频分量系数为Dj(k)，低频分量系数为Aj(k)；由信号低频分量系数Aj(k)计算得到的熵值，小波近似系数矢量表示为Wm，将原信号的小波系数看作W0，则由W0,W1,W2,...,WM构成一个新的矢量序列{W}，对序列{W}中的每一子序列作2-范数加权处理，其中把2-范数中的指数项作为权值，计算得到每一尺度小波近似系数矢量的加权2-范数||Wm||，尺度m上的能量定义为Em，则每一尺度的小波近似系数熵表示为Em-approx；将各层小波近似系数熵构成熵矢量表示为Eapprox；由各尺度的小波近似系数熵构成矢量，产生一组训练集，训练集包括一组小波近似系数熵矢量和对应的调制识别输出，以供深度神经网络训练使用；步骤二，基于深度神经网络方法对多信号调制模式识别系统进行训练；深度神经网络模型分为输入层、隐藏层和输出层；训练前先确定模型参数，包括网络层数、网络每层节点数、学习规则和学习方法；采用的学习规则是随机梯度下降算法，相比于批量算法最大的优势在于较高处理速度，在输入复杂度较低时可以保证一定的稳定性，学习方法采用交叉熵损失函数驱动的反向传播算法，隐藏层的激活函数是Sigmoid函数，输出层的激活函数是Softmax函数；对不同的调制信号采用独热码编码，每一调制信号的独热码中只有一位是1，其他比特均为0，编码矩阵为D；将训练集各调制信号的小波近似系数熵矢量样本和对应的独热码编码输入模型；通过反向传播算法计算模型实际输出的调制信号编码与预期输出的调制信号编码的交叉熵误差；利用交叉熵损失函数对训练误差进行衡量，当训练过程中交叉熵损失函数值越小时，代表此时训练误差越小，并经深度神经网络由输出层向输入层逐层向前传播；基于最小化损失函数的原则，网络神经元间的权重值被自动调整并更新，直至迭代次数到达最大迭代次数或者误差门限小于给定阈值，训练完成后，得到训练好的神经网络模型；步骤三，调制模式识别结果测试；使用步骤二中由小波近似系数熵矢量训练好的深度神经网络模型本文档来自技高网...

【技术保护点】
1.一种基于小波近似系数熵的多信号智能调制模式识别方法，其特征在于包括下述步骤：/n步骤一，构建训练信号集；/n采用的通信信号调制识别系统模型包括一个集成的信号处理中心和n个潜在的调制信号发射端；信号处理中心对各个不同的调试信号进行识别，各个调制信号构成识别网络的训练数据集，各种调试信号训练集的产生步骤如下：/n仿真生成各种调制信号，对各个调制信号依次进行幅度归一化和功率归一化，其中各调制信号中所添加的噪声均为加性高斯白噪声；设信号s(n)经离散小波变换后，在第j分解尺度下k时刻的高频分量系数为D

【技术特征摘要】
1.一种基于小波近似系数熵的多信号智能调制模式识别方法，其特征在于包括下述步骤：
步骤一，构建训练信号集；
采用的通信信号调制识别系统模型包括一个集成的信号处理中心和n个潜在的调制信号发射端；信号处理中心对各个不同的调试信号进行识别，各个调制信号构成识别网络的训练数据集，各种调试信号训练集的产生步骤如下：
仿真生成各种调制信号，对各个调制信号依次进行幅度归一化和功率归一化，其中各调制信号中所添加的噪声均为加性高斯白噪声；设信号s(n)经离散小波变换后，在第j分解尺度下k时刻的高频分量系数为Dj(k)，低频分量系数为Aj(k)；由信号低频分量系数Aj(k)计算得到的熵值，小波近似系数矢量表示为Wm，将原信号的小波系数看作W0，则由W0,W1,W2,...,WM构成一个新的矢量序列{W}，对序列{W}中的每一子序列作2-范数加权处理，其中把2-范数中的指数项作为权值，计算得到每一尺度小波近似系数矢量的加权2-范数||Wm||，尺度m上的能量定义为Em，则每一尺度的小波近似系数熵表示为Em-approx；将各层小波近似系数熵构成熵矢量表示为Eapprox；由各尺度的小波近似系数熵构成矢量，产生一组训练集，训练集包括一组小波近似系数熵矢量和对应的调制识别输出，以供深度神经网络训练使用；
步骤二，基于深度神经网络方法对多信号调制模式识别系统进行训练；
深度神经网络模型分为输入层、隐藏层和输出层；训练前先确定模型参数，包括网络层数、网络每层节点数、学习规则和学习方法；采用的学习规则是随机梯度下降算法，学习方法采用交叉熵损失函数驱动的反向传播算法，隐藏层的激活函数是Sigmoid函数，输出层的激活函数是Softmax函数；对不同的调制信号采用独热码编码，每一调制信号的独热码中只有一位是1，其他比特均为0，编码矩阵为D；
将训练集各调制信号的小波近似系数熵矢量样本和对应的独热码编码输入模型；通过反向传播算法计算模型实际输出的调制信号编码与预期输出的调制信号编码的交叉熵误差；利用交叉熵损失函数对训练误差进行衡量，并...

【专利技术属性】
技术研发人员：左晓亚，姚如贵，王鹏，潘璐璐，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61