基于深度混合路由网络识别通信信号的方法技术

本发明专利技术公开了一种基于深度混合路由网络识别通信信号的方法，该方法包括：获取信号数据，并提取相应信号特征；设计混合路由网络模型，该模型以CNN神经网络为基础模型，添加多路由单元，各个单元之间通过跨层连接网络方式相结合，设计不止一个混合多路由网络模型；利用获取的信号数据对网络模型进行训练，根据训练效果选择混合多路由单元的的网络模型；利用获取的混合多路由网络模型对信号数据进行识别，最终输出识别结果。本发明专利技术提供的混合路由网络结构为复杂的路由逻辑网络设计提供了一种简单的形式，所使用的网络可以生成多种路由模式，从而增强了提取信号特征的性能，并具有更快的训练速度。快的训练速度。快的训练速度。

【技术实现步骤摘要】
基于深度混合路由网络识别通信信号的方法


[0001]本专利技术涉及深度学习算法
，尤其是涉及到一种基于通信信号种类分类识别的方法。

技术介绍

[0002]随着无线通信的发展，在发射机处识别某些发射参数已成为电信研究领域中的热点话题，具有广泛的用途。通常，信号的时频信息来自未知或部分已知的来源。如今，信号种类分类一直是军事和民用无线通信中采用的智能无线电的重要组成部分。
[0003]信号种类识别在军事领域具有重要地位。现代电子战(Electronic Warfare，EW)包括三个主要方面：电子支持(Electronic Support，ES)，电子攻击(Electronic Attack，EA)和电子保护(Electronic Protect，EP)。ES的目标是从无线电信号发射中获取信息。成功的信号检测由信号种类识别算法确定，分类结果可以为EA提供有价值的支持，可以扩展到EW中的所有模块中。随着通信资源的拥挤和消费者的涌现，民用无线领域频谱稀缺的瓶颈问题变得更加严重。然而，对于最大容量和最佳服务质量的实际要求在通信过程中面临多重干扰的巨大困难。随着认知无线电(Cognitive Radio，CR)的出现，关注民用地区的信号分类系统越来越受到关注，认知无线电通过收发器的灵活功能来重建传输参数。CR收发器与传统收发器的显著不同之处在于对传输源的环境感知。因此，CR被认为民用地区信号分类系统的重要组成部分和最有吸引力的研究领域。在上述两个领域中，信号种类识别是实现智能无线电的基础。
[0004]在水下声通道中通常认为是最困难的通信信道之一。鉴于信号衰减低，声波是水下通信中最通用的传输方式，被认为是极低频率(只有几kHz)的宽带系统。以这种方式，在带宽的情况下中心频率不是不可感知的。多径干扰会对声传播产生巨大影响，并且众所周知，水中的声速非常慢，接近1500m/s。水下设备运动造成了过多的多普勒影响，并且延迟扩展有数十甚至数百毫秒，从而导致信号频率选择性衰落。这是水下无线通信的一个突出限制，特别是与光波和电磁波的传输性能相比尤其明显。
[0005]调制分类算法主要由基于似然(Likelihood-Based，LB)的方法和基于特征(Feature-Based,FB)的方法组成。当分类器需要掌握理想的信道参数时，LB算法可在分类精度上实现最佳性能。LB分类器的一般解决方案包括两部分。首先，每个信号种类假设都会评估接收信号的可能性，选择的通道模型源自概率函数，该概率函数可满足低复杂度要求或适应非合作环境；其次，多样化信号种类假设的概率与分类确定之间存在对比。实际上，最关键的追求是非合作策略中的多功能性和计算复杂性的进步。它主要由平均似然比检验(Average Likelihood Ratio Test，ALRT)，广义似然比检验(Generalized Likelihood Ratio Test，GLRT)和混合似然比检验(Hybrid Likelihood Ratio Test，HLRT)组成。假设随后的ALRT，GLRT和HLRT分类器知道了理想的信道信息，或者在某些情况下，它们不知道一两个信道参数。在这些分类器中，最复杂的分类器是ALRT的似然函数，它可以使用指数运算和多积分计算。GLRT似然函数具有更容易表达的方法，但有偏差分类的结果。HLRT融合了
ALRT和GLRT的优点，在复杂性和分类性能之间的两个因素是平等的。这些方法试图降低最大似然分类器的复杂度，这始终是主要问题。
[0006]LB提供了出色的分类精度，这主要基于决策理论的。LB算法的高复杂度带来了FB分类器的机会。FB具有次优的性能，并且计算量比LB低。通过FB研究信号的基于频谱的特征，并且调制分类的各种信号特征因子都利用频谱特性。FB分类器的通常结构包括小波函数捕获的基于小波的特征，检查信号类型和顺序的高阶统计特征，以及基于循环平稳分析的循环特征等。
[0007]机器学习算法(Machine Learning Algorithms，MLA)也广泛用于AMC，属于FB之一。一些达到的分类判断为多层决策树指定了一种基础类型，其中每个阶段都在可分辨的信号特征上进行处理。但是，对于各种判断阈值和决策树设计的优化存在一些不便。为了增强基于MLA的算法，已采用各种方法来完成信号种类分类中的两个主要方式。首先，MLA使分类决策阈值更易于实现。其次，MLA可以是一种改变信号模式数据尺寸的工具，这可以通过自动生成和自动选择的特征来实现。因此，为了满足分类器的计算需求，存在变化的特征。MLA分类器，即支持向量机，通常与信号特征相关联，以升至高维。此外，MLA在信号特征空间中实现降维，它选择k最近邻，遗传算法和线性回归等。
[0008]深度学习算法(Deep Learning Algorithms，DLA)属于MLA的一个分支，广泛用于计算机视觉(Computer Vision，CV)，自然语言理解(Natural Language Understanding，NLU)和语音识别(Speech Recognition，SR)。信号种类识别的DLA主要涉及递归神经网络(Recurrent Neural Network，RNN)，卷积神经网络(Convolutional Neural Network，CNN)，以及地面通信中两种网络方法的合并使用。在现有研究中，重新设计的轻量级ResNet获得更好的分类结果，它包含较浅的层，而网络结构中没有较大的接收卷积核；网络是具有更多层的可扩展结构，可以更容易地捕获深层信号特征以提高信号种类识别效果；在衰落的通信环境中进行了分析，并且信号种类识别的问题已通过整个联合神经网络得到了适当处理；长期短期记忆(Long-Short Term Memory，LSTM)和CNN组成一个混合网络，成为具有两个流的新网络结构形式，它提取了各种不同的信号特征，以有助于提高分类性能；通过对比传统网络结构，对CNN的结构进行了调整，信号种类识别效果有了显著改善。
[0009]在水下通信中，在信号种类识别任务中对DLA的研究还很少；考虑到水下信号的随机干扰，有效的结果可以通过在自动模式下运行的外部深度编码器来执行识别；将创新的DLA与传统的统计方法进行比较，后者在信号种类识别任务中具有明显的优势。
[0010]由上述，DLA在信号识别中具有广阔的应用前景，但是目前仍缺乏性能好的深度识别方法。

技术实现思路

[0011]本专利技术的目的是提供一种基于深度混合路由网络识别通信信号的方法，以弥补现有技术的不足。
[0012]CNN类网络形式和RNN类网络形式仅在直接分层覆盖或它们之间的简单组合连接的情况下使用，在网络结构设计方面尚未进行深度优化。与地面通信相比，恶劣环境对水下声音信号通信的影响更大。
[0013]为实现本专利技术的目的，本专利技术采取的具体技术方案如下：
[0014]一种基于深度混合路由网络识别通信信号的方法，该方法包括以下步骤：
[0015]S1：获取信号数据，并提取相应信号特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度混合路由网络识别通信信号的方法，其特征在于，该方法包括以下步骤：S1：获取信号数据，并提取相应信号特征；S2：设计混合路由网络模型，该模型以CNN神经网络为基础模型，添加多路由单元，各个单元之间通过跨层连接网络方式相结合，设计不止一个混合多路由网络模型；S3：利用S1获取的信号数据对S2的网络模型进行训练，根据训练效果选择混合多路由单元的的网络模型；S4：利用S3获取的混合多路由网络模型对信号数据进行识别，最终输出识别结果。2.如权利要求1所述的方法，其特征在于，所述S1中，还包括将信号特征以可变数据组的形式输入至混合路由网络模型中；各种不同的信号数据组表示为其中，M是分组总数，m是分组编号；φ(
·
)是与组号相对应的信号比特序列，Φ是信号的总数，信号位c(
·
)是当前检索组，h是获得的信号位号，用作所使用网络中信号种类的输入序列，φ
′
是当前信号比特序列。3.如权利要求1所述的方法，其特征在于，所述混合路由网络模型的基本组成包括输入层、卷积层、maxPooling层、多路由单元层、轨道重组和连接层，全局映射池层和全连接层。4.如权利要求3所述的方法，其特征在于，所述输入层直接接收原始信号数据；所述卷积层和MaxPooling层对信号数据进行预处理，它们的卷积核为3
×
3。5.如权利要求3所述的方法，其特征在于，所述多路由单元中，主分支l0由7个基本层组成，包括具有l1的卷积核的GConv，批量归一化，relu激活函数，具有卷积核的深度卷积，在2
×
2的二维卷积中，卷积核为1
×
1；在辅助路径上可选择的三个分支分别对应于l1，l2，l3；其中，辅助分支l1由五个基本层组成，包括具有3
×
3卷积内核的DepthConv_2，两个BN，Conv_2和ReLU；辅助分支l2包括平均池，辅助分支l3是直接连接的链接层；多路由单元不仅仅包括上述多路由单元的层级结构形式，还包括其他形式和组合的多路由层。6.如权利要求3所述的方法，其特征在于，所述多个多路由单元的叠加来实现该结构，对应的公式如下：其中...

【专利技术属性】
技术研发人员：王岩，
申请(专利权)人：泰山学院，
类型：发明
国别省市：