一种基于柯西Score星座图的调制方式识别方法技术

一种基于柯西Score星座图的调制方式识别方法，属于图像识别与通信技术领域，该方法主要包括：通过仿真获得被脉冲性噪声污染的各类调制信号；计算并获得信号的柯西Score星座图；设计轻量化的卷积神经网络；将柯西Score星座图做成数据集，并用其训练卷积神经网络；选取性能较好的网络模型对调制信号进行分类。实验证明本发明专利技术的算法能够在脉冲性噪声条件下对信号进行调制方式识别，取得了较好的效果，同时轻量化网络明显降低了训练过程中软硬件资源的占用率。源的占用率。

【技术实现步骤摘要】
一种基于柯西Score星座图的调制方式识别方法


[0001]本专利技术属于图像识别与通信
，涉及到无线电信号的调制方式识别方法，特别涉及到基于柯西Score星座图和卷积神经网络的调制方式识别方法。

技术介绍

[0002]调制方式识别是无线电信号检测和解调之间的重要步骤，被广泛应用于认知无线电、频谱管理、智能通信和电子战等领域。现有的调制方式识别方法主要分为两类，第一类基于最大似然估计，该方法通常可以获得较好的结果，但是计算的复杂度较高；第二类基于信号特征，该类方法则较好地解决了计算量过大的问题，同时也能取得较好的分类效果。近来，随着人工智能的快速发展，越来越多的研究人员尝试将深度学习应用到信号处理领域，提出了许多基于不同特征和神经网络的调制方式识别方法，并且取得了很好的效果。但是，现阶段的调制方式识别方法通常假设噪声是服从高斯分布的，该类方法在非高斯噪声，如脉冲性噪声条件下会出现性能退化。

技术实现思路

[0003]针对现有技术中存在的技术问题，本专利技术提供了一种基于柯西Score星座图和卷积神经网络的调制方式识别方法，为解决脉冲性噪声条件下的调制方式识别问题提供了一种切实可行的方法。
[0004]本专利技术采用的技术方案是：
[0005]A：通过仿真获得被脉冲性噪声污染的各类调制信号。
[0006]A1：仿真生成各类调制信号。
[0007]A2：为上述调制信号添加脉冲性噪声。
[0008]B：计算并获得信号的柯西Score星座图。
[0009]B1：将信号离散化、标准化，获得复序列。
[0010]B2：使用柯西Score函数对复序列进行非线性映射。
[0011]B3：计算信号的柯西Score星座图。
[0012]C：设计轻量化的卷积神经网络。
[0013]D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。
[0014]D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集。
[0015]D2：利用训练集训练该卷积神经网络。
[0016]E：选取性能较好的网络模型对调制信号进行分类。
[0017]E1：利用测试集测试训练好的网络模型。
[0018]E2：将测试结果绘制成混淆矩阵和准确率曲线。
[0019]本专利技术的有益效果为：
[0020]本专利技术算法在解决脉冲性噪声条件下的调制方式识别问题时，取得了良好的效果，并且轻量化网络明显降低了训练过程中软硬件资源的占用率，为该技术的推广降低了
门槛。
附图说明
[0021]图1是本专利技术所涉及的一种基于柯西Score星座图和卷积神经网络的调制方式识别方法的总体流程图。
[0022]图2是本专利技术所涉及的Score函数的曲线图。其中，α＝1所对应的曲线即为本专利技术使用的柯西Score函数的曲线。
[0023]图3是本专利技术所涉及的调制信号的柯西Score星座图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。
[0024]图4是本专利技术所涉及的轻量化卷积神经网络的结构图。
[0025]图5是本专利技术所涉及的不同调制方式的混淆矩阵图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM、64QAM、2FSK和AM为例。
[0026]图6是本专利技术所涉及的不同调制方式的识别准确率曲线图。
[0027]图7是本专利技术所涉及的不同方法的识别准确率曲线图。对比方法采用传统的星座图作为特征。
具体实施方式
[0028]为了便于理解，下面将结合本专利技术的附图，对本专利技术实施过程中的技术方案进行详细描述。
[0029]一种基于柯西Score星座图和卷积神经网络的调制方式识别方法，其总体流程图如图1所示，主要包括以下步骤：
[0030]A：通过仿真获得被脉冲性噪声污染的各类调制信号。
[0031]所述步骤A具体包含以下步骤：
[0032]A1：仿真生成各类调制信号。可以调用仿真软件中的函数或者根据不同调制方式的原理生成所需的调制信号。
[0033]A2：为上述调制信号添加脉冲性噪声。信号模型为：
[0034]y(t)＝x(t)+v(t)
[0035]式中，x(t)和y(t)分别为连续时域中传输和接收的复信号，v(t)为服从Alpha稳定分布的脉冲性噪声。本文采用广义信噪比(generalizedsignal
‑
to
‑
noise ratio，GSNR)衡量信号和Alpha稳定分布噪声的强度之比，广义信噪比GSNR的定义式为：
[0036][0037]式中，P
s
表示信号的功率，γ表示Alpha稳定分布噪声的分散系数。
[0038]B：计算并获得信号的柯西Score星座图。
[0039]所述步骤B具体包含以下步骤：
[0040]B1：将信号离散化、标准化，获得复序列。即对y(t)进行离散化、标准化，获得复序列
[0041]y(n)。
[0042]B2：使用柯西Score函数对复序列进行非线性映射。具体公式如下：
[0043]y
SC
(n)＝ρ1(y(n))＝a
SC
(n)+jb
SC
(n)
[0044]式中，a
SC
和b
SC
分别为信号的实部和虚部，ρ
α
(
·
)为Score函数，其表达式如下：
[0045][0046]式中，f
α
(x)为Alpha稳定分布的概率密度函数。当α＝1时，Alpha稳定分布退化为柯西分布，此时有f1(x)＝1/[π(1+x2)]和ρ1(x)＝(2x)/(1+x2)。
[0047]B3：计算信号的柯西Score星座图。以a
SC
(n)为横坐标，以b
SC
(n)为纵坐标计算柯西Score星座图。
[0048]本专利技术所涉及的Score函数曲线图如图2所示。其中，α＝1所对应的曲线即为本专利技术使用的柯西Score函数的曲线。
[0049]本专利技术所涉及的柯西Score星座图如图3所示。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。
[0050]C：设计轻量化的卷积神经网络。该轻量化的卷积神经网络以残差结构为核心，缩减了网络层数，在维持网络性能的前提下，降低了对软硬件等资源的需求。该网络的详细结构如图4所示。
[0051]D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。
[0052]所述步骤D具体包含以下步骤：
[0053]D1：为柯西Score星座图添加标签，按照比例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于柯西Score星座图的调制方式识别方法，其特征在于，包括以下步骤：A：通过仿真获得被脉冲性噪声污染的各类调制信号；B：计算并获得信号的柯西Score星座图；C：设计轻量化的卷积神经网络；D：将柯西Score星座图做成数据集，并用其训练卷积神经网络；E：选取性能较好的网络模型对调制信号进行分类。2.根据权利要求1所述的一种基于柯西Score星座图的调制方式识别方法，其特征在于，所述通过仿真获得被脉冲性噪声污染的各类调制信号具体为：将仿真生成的各类调制信号添加上实验条件下的脉冲性噪声，以模拟真实环境中的无线电信号。3.根据权利要求1所述的一种基于柯西Score星座图的调制方式识别方法，其特征在于，所述计算并获得信号的柯西Score星座图具体为：将仿真生成的信号离散化、标准化，从而获得复序列，使用柯西Score函数对其进行非线性映射，再以所获信号的实部为横坐标，虚部为纵坐标来计算柯西Score星座图特征。4.根据权利要求1所述的一种基于柯西Score星座图的调...

【专利技术属性】
技术研发人员：高银锐，栾声扬，赵明龙，许朋，张兆军，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：