一种基于一维多输入卷积神经网络的信道编码盲识别方法技术

本发明专利技术公开了一种基于一维多输入卷积神经网络的信道编码盲识别方法，包括：S1、构建信道编码样本集；S2、对信道编码样本集中的样本分别进行传统特征提取和组词处理，将组词处理后的词作为第一输入值；S3、将传统特征提取中提取的特征均表示为一维特征向量，进行维度补齐后合并为特征矩阵，特征矩阵为第二输入值；S4、构建一维多输入卷积神经网络模型；S5、训练并获得最终模型；S6、采集待识别的信道编码二进制流数据，获取第一输入值和第二输入值后输入最终模型进行编码识别，判定类别次数中最多的一类作为实际编码类型和编码参数。本申请提高了信道编码识别准确度和泛化性，简化了传统生成矩阵识别的方法，计算量少、扩展性强。

【技术实现步骤摘要】
一种基于一维多输入卷积神经网络的信道编码盲识别方法
本专利技术属于通信
，具体涉及一种基于一维多输入卷积神经网络的信道编码盲识别方法。
技术介绍
近年来，随着通信技术的不断发展，无论是在卫星、移动互联网通信领域，还是软件无线电通信领域，如何在信号传输过程中进行噪声干扰识别、在非合作通信系统中进行信息与信号的截获识别、以及在复杂恶劣通信环境中实现自适应的智能可靠的通信系统，都是当前研究热点，而信道编码识别及参数估计是其中必须解决的关键部分和技术难点。信道编码识别技术通常指在没有控制信道辅助的情况下，接收端根据收到的数据快速地分析出信号的编码类型和编码参数(码率)，为进一步数据分析处理提供可靠保障。当前应用范围较广的信道编码类型主要有BCH码、卷积码、RS码、卷积码的级联编码、Turbo码和LDPC码，不同编码类型的特点不同，如卷积码属于非分组码，与线性分组码不同的是，卷积码具有记忆性。但在实际信道编码识别过程中，现有技术的算法主要是针对同种类型的编码进行参数估计，较少有对多种类型的编码同时实现编码类型及编码参数的估计。且针对不同的编码类型采用不同的算法的泛化能力不强，复杂度较高，部分还需要先验信息。如现有技术中，中国西安电子科技大学张陈和在其论文《卷积码盲识别技术研究》中针对传统的卷积码参数识别中求解校验序列识别方法的不足加以改进，提出了一种基于统计原理的卷积码盲识别算法。该方案的缺点是在高误码的情况下，无法直接通过提取数据分析矩阵方法得到码长，导致无法求取校验序列。法国南部列塔尼大学M.Marazin等人在其论文《DualCodeMethodforBlindIdentificationofConvolutionalEncoderforCognitiveRadioReceiverDesign》中提出了一种基于BM的快速双合冲算法，通过采用Grobner基理论进行建模，解决了1/2码率卷积码的盲识别，但无法解决卷积码高码率情况下的信道编码识别问题。专利申请号202010293872.7《一种基于深度卷积神经网络的信道编码编码参数识别方法》中公开了一种利用软解调后的信道编码序列进行min-max归一化之后的数据作为数据集，构建卷积神经网络进行信道编码识别的方法。该方案操作复杂、计算量大，且未使用传统的信道编码特征，忽略了重要的专家知识，并只在码长较短的卷积码上验证模型性能，对于码长较长如LDPC编码的信道编码信号难以保证性能。因此，如何降低算法模型复杂度的同时，实现长度不同的编码类型以及编码参数的识别还亟待研究。
技术实现思路
本专利技术的目的在于针对上述问题，提出一种基于一维多输入卷积神经网络的信道编码盲识别方法，解决了卫星信道编码信号的编码类型识别以及编码参数估计问题，有效提高识别准确度和泛化性，并简化了通过生成矩阵来识别的传统方法，计算量少、可扩展性强。为实现上述目的，本专利技术所采取的技术方案为：本专利技术提出的一种基于一维多输入卷积神经网络的信道编码盲识别方法，包括如下步骤：S1、获取信道编码二进制流数据，构建信道编码样本集；S2、对信道编码样本集中的样本分别进行传统特征提取和组词处理，组词处理将样本的数据以每四比特表示为一个词，满足关系式(X1，X2，X3，…，Xn)＝(X1X2X3X4，X5X6X7X8，…，Xn-3Xn-2Xn-1Xn)，其中，X1至Xn分别为各样本中的第1个至第n个比特数据，并对每个词进行量化处理，量化处理后的词为第一输入值；S3、将传统特征提取中提取的特征均表示为一维特征向量，对各一维特征向量以零元素填充进行维度补齐，并将各一维特征向量合并为特征矩阵，特征矩阵为第二输入值；S4、构建一维多输入卷积神经网络模型，一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层，第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块，特征提取模块包括至少一个Inception模块，第二输入层包括第五特征提取层，第五特征提取层包括至少一个Inception模块，第一输入值经第一输入层输出第一提取特征，第二输入值经第二输入层输出第二提取特征，第一提取特征和第二提取特征经特征融合层进行融合输出第三提取特征，第三提取特征输出至分类层进行编码识别，并输出识别结果；S5、根据信道编码样本集训练一维多输入卷积神经网络模型，获得最终一维多输入卷积神经网络模型；S6、采集待识别的信道编码二进制流数据，并根据待识别的信道编码二进制流数据获取第一输入值和第二输入值，将第一输入值和第二输入值输入最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为待识别的信道编码二进制流数据的实际编码类型和编码参数。优选地，信道编码样本集的构建过程如下：设定样本截断长度为M比特、固定滑动长度为N比特、随机滑动长度为L比特，自信道编码二进制流数据的起点，每间隔M比特截取一个样本后，滑动N+L比特再次截取，直至信道编码二进制流数据的终点，截取的样本总和构成信道编码样本集。优选地，传统特征提取中提取的特征包括广义码重特征、码重相似度特征、深度谱特征、GFFT特征和游程特征。优选地，以每四比特表示为一个词对应有十六种组词方式，量化处理为将十六种组词方式分别对应量化为0～15。优选地，Inception模块包含沿输入侧至输出侧依次连接的四个并列的卷积层、一个通道拼接层、一个第二最大池化层和一个软阈值模块，且卷积层其一为空洞卷积层。优选地，软阈值模块集成有注意力机制和软阈值函数，通道拼接层为Concat层。优选地，特征提取模块包括沿输入侧至输出侧依次连接的第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，第一特征提取层包括一个Inception模块，第二特征提取层包括两个相互串连的Inception模块，第三特征提取层和第四特征提取层均包括三个相互串连的Inception模块，第五特征提取层包括两个相互串连的Inception模块。优选地，分类层包括第一辅助分类层、第二辅助分类层、以及沿输入侧至输出侧依次连接的第六特征提取层、第七特征提取层、第一全局平均池化层和最终分类层，第六特征提取层和第七特征提取层均包括三个相互串接的Inception模块，第一辅助分类层的输入侧与第六特征提取层的输入侧连接，第二辅助分类层的输入侧与第七特征提取层的输入侧连接，第一辅助分类层、第二辅助分类层和第一全局平均池化层的输出侧均与最终分类层的输入侧连接。优选地，第一辅助分类层和第二辅助分类层均包括沿输入侧至输出侧依次连接的平均池化层、卷积层、丢弃层、两个全连接层和Softmax激活函数，最终分类层包括第二全局平均池化层、全连接层和Softmax激活函数。优选地，各卷积层的输出侧还连接有LeakyReLU激活函数。与现有技术相比，本专利技术的有益效果为：1)采用多输入一维卷积神经网络模型解决了卫星信道编码信号的编码类型识本文档来自技高网...

【技术保护点】
1.一种基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述基于一维多输入卷积神经网络的信道编码盲识别方法包括如下步骤：/nS1、获取信道编码二进制流数据，构建信道编码样本集；/nS2、对所述信道编码样本集中的样本分别进行传统特征提取和组词处理，所述组词处理将所述样本的数据以每四比特表示为一个词，满足关系式(X

【技术特征摘要】
1.一种基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述基于一维多输入卷积神经网络的信道编码盲识别方法包括如下步骤：
S1、获取信道编码二进制流数据，构建信道编码样本集；
S2、对所述信道编码样本集中的样本分别进行传统特征提取和组词处理，所述组词处理将所述样本的数据以每四比特表示为一个词，满足关系式(X1,X2,X3,…,Xn)＝(X1X2X3X4,X5X6X7X8,…,Xn-3Xn-2Xn-1Xn)，其中，X1至Xn分别为各样本中的第1个至第n个比特数据，并对每个词进行量化处理，所述量化处理后的词为第一输入值；
S3、将所述传统特征提取中提取的特征均表示为一维特征向量，对各所述一维特征向量以零元素填充进行维度补齐，并将各所述一维特征向量合并为特征矩阵，所述特征矩阵为第二输入值；
S4、构建一维多输入卷积神经网络模型，所述一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层，所述第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块，所述特征提取模块包括至少一个Inception模块，所述第二输入层包括第五特征提取层，所述第五特征提取层包括至少一个Inception模块，所述第一输入值经所述第一输入层输出第一提取特征，所述第二输入值经所述第二输入层输出第二提取特征，所述第一提取特征和第二提取特征经所述特征融合层进行融合输出第三提取特征，所述第三提取特征输出至所述分类层进行编码识别，并输出识别结果；
S5、根据所述信道编码样本集训练所述一维多输入卷积神经网络模型，获得最终一维多输入卷积神经网络模型；
S6、采集待识别的信道编码二进制流数据，并根据所述待识别的信道编码二进制流数据获取所述第一输入值和第二输入值，将所述第一输入值和第二输入值输入所述最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为所述待识别的信道编码二进制流数据的实际编码类型和编码参数。


2.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述信道编码样本集的构建过程如下：
设定样本截断长度为M比特、固定滑动长度为N比特、随机滑动长度为L比特，自所述信道编码二进制流数据的起点，每间隔M比特截取一个样本后，滑动N+L比特再次截取，直至所述信道编码二进制流数据的终点，截取的样本总和构成所述信道编码样本集。


3.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述传统特征提...

【专利技术属性】
技术研发人员：廖志州，夏少杰，马宇锋，冯秋晨，董赵宇，许文祥，祝中科，张永晋，瞿崇晓，范长军，
申请(专利权)人：中国电子科技集团公司第五十二研究所，
类型：发明
国别省市：浙江;33