一种基于集成学习的多分类通信信号自动调制识别方法技术

本发明专利技术公开一种基于集成学习的多分类通信信号自动调制识别方法，以Adaboost.M2算法框架为基础，以CLDNN神经网络作为基分类器，对样本权重、基分类器和集成分类器的预测函数进行改进，构建了一种适用于低信噪比大样本通信信号自动调制识别的新型集成学习模型。改进后的样本权重不仅可以适应当前学习率，而且在保证基分类器不忽略简单样本的前提下更加重视难分类的样本；改进后的预测函数使得基分类器对同一样本正确与错误标签的分类间隔增大，提升基分类器和集成分类器对难分类样本的预测性能。性能。性能。

【技术实现步骤摘要】
一种基于集成学习的多分类通信信号自动调制识别方法


[0001]本专利技术属于无线通信信号处理领域，具体是指一种基于集成学习的多分类通信信号自动调制识别方法。

技术介绍

[0002]通信信号自动调制识别(Automatic Modulation Recognition,AMR)技术实现在通信接收端自动辨识通信信号的调制类型，为下一步的信号解调等处理提供依据。AMR技术主要用于干扰识别、无线频谱监测等领域，目的是确保通信系统安全高效工作，提高频谱利用率等。随着通信技术的快速发展，信号调制类型日益多样，工作环境也日趋复杂，通信信号易受到频率偏移、相位偏移、信道衰落、多径衰落和环境噪声等因素影响，使得准确识别调制类型的难度越来越大。
[0003]自动调制识别相关问题的研究由来已久，在通信系统发展的初期，电磁环境相对理想且信号类型较少，掌握通信领域专业知识的人士可以通过观察时域波形和频谱图像对信号进行分类。随着通信技术的发展，诞生出了基于人工特征提取的信号分类方法，即通过归纳总结通信信号的先验特征，人为设定信号特征提取模型，根据特征值的差异实现通信信号分类。近年来，飞速发展的通信技术和大数据技术背景下，研究人员将目光转向了大力发展的机器学习技术，例如2017年美国国防高级研究计划局开展了射频机器学习系统计划(Radio Frequency Machine Learning)，该项目旨在基于机器学习方法提取信号特征以提升特征的表征能力。2020年，在6G白皮书中提及，采用深度学习方法实现信号识别等信号处理技术是6G通信网络的重点研究方向之一。
[0004]在基于深度学习的AMR方法研究方面，研究者首先考虑将接收到的通信信号转化为星座图，基于图片分类的深度神经网络对调制方式进行分类，但由于图像和信号在特点上存在差异，将信号作为图像处理并不合理。因此，研究人员开始将信号的同相分量(I路)和正交分量(Q路)合并为2
×
N(N为信号序列长度)的时间序列输入卷积神经网络(Convolutional Neural Networks,CNN)进行分类；也有研究者通过深度置信网络(Deep Belief Networks,DBN)和CNN实现通信信号调制识别。然而，CNN的原理是采用局部卷积运算识别通信信号的局部变化特征，未考虑信号数据的时序属性。因此，研究者考虑将长短期记忆网络(Long Short
‑
Term Memory,LSTM)引入AMR领域，将CNN和LSTM结合起来构建CNN
‑
LSTM
‑
DNN(CLDNN)结构的神经网络，并取得了良好的分类效果。在CLDNN神经网络中，输入数据为I/Q路合并后的时间序列，CNN提取信号特征，并通过LSTM的门结构实现模型参数在时序方向上的传递，大大提高了网络对通信信号的分类识别性能。
[0005]由于深度学习方法需要大量特定样本数据实现模型训练，因此导致用于信号调制分类的神经网络模型普遍存在着专用性强、泛化能力弱的问题。例如CLDNN网络在特定信噪比(Signal Noise Ratio，SNR)条件下表现优异，但是在其他SNR下表现不佳。为了提高对大范围SNR通信信号样本的分类性能，能够将具备不同特点的分类器相结合的集成学习方法开始获得关注。集成学习方法能够增强原有深度学习模型的泛化能力，提高深度学习模型
的适用范围。
[0006]集成学习是本身并不是一种机器学习算法，而是通过算法将多个机器学习模型相结合达到比单个模型更好的效果，典型的集成学习框架包括bagging、boosting等。其中，boosting通过对样本集的操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的基分类器，再将基分类器加权融合成一个性能更强的分类器。其中，典型的boosting方法为Adaboost算法，Adaboost算法由Boosting算法衍生而来，被誉为数据挖掘十大算法之一，该算法还衍生出解决多分类问题的Adaboost.M1、Adaboost.M2算法，以及针对回归问题的Adaboost.R算法。其中Adaboost.M2算法通过设置样本权重、标签权重及分类器权重，使集成算法框架和基分类器结合更加紧密，有效提升了集成学习解决多分类问题的性能。
[0007]然而，由于需要计算样本权重，Adaboost.M2算法仅适用于样本量较小的情况，而用于通信信号调制分类问题的分类模型通常需要大量样本训练，这将导致Adaboost.M2算法框架下的样本权重在数值上很小，从而使加权后的样本数据过小，在特定的学习率和数据精度下模型收敛困难。同时，在低信噪比条件下，Adaboost.M2算法对于相似性较高的调制类型识别能力不足。

技术实现思路

[0008]针对上述问题，本专利技术提出一种基于集成学习的多分类通信信号自动调制识别方法，以Adaboost.M2算法框架为基础，以CLDNN神经网络作为基分类器，对样本权重、基分类器和集成分类器的预测函数进行改进，构建了一种适用于低信噪比大样本通信信号自动调制识别的新型集成学习模型。
[0009]本专利技术基于集成学习的多分类通信信号自动调制识别方法，包括以下步骤：
[0010]步骤一、构建基分类器模型，同时设计基分类器中预测函数的输入乘以λ，λ为大于1的常量，使特征向量间隔扩大λ倍。
[0011]步骤二、初始化基分类器各个样本权重均为1。
[0012]步骤三、改进其余基分类器的样本权重，方法为：
[0013][0014][0015]式中，D(i)为第t个基分类器的样品原始权重；μ表示D(i)的均值；σ为D(i)的标准差；D
′
(i)为归一化调整后的权重；D
new
(i)为改进后的新权重，A和ψ为常数。
[0016]步骤四、训练第t个基分类器。
[0017]步骤五、更新第t+1个基分类器的迭代中间量，返回步骤三，训练第t+1个基分类器。
[0018]步骤六、通过加权融合形成强分类器，可直接应用于自动调制识别任务。
[0019]本专利技术具有以下优点：
[0020](1)本专利技术基于集成学习的多分类通信信号自动调制识别方法，提出的改进预测函数增大了基分类器和集成分类器对同一个样本正确与错误标签的分类间隔，增强了基分类器对不同样本的针对性，也提升了集成分类器的分类精度和泛化性能。
[0021](2)本专利技术基于集成学习的多分类通信信号自动调制识别方法，提出的样本权重调整方法能够适应大样本量的模型训练，在保证了基分类器对不同样本实现不同程度的关注的同时，使损失函数不会因为加权后的样本数值过小而无法收敛。
[0022](3)本专利技术基于集成学习的多分类通信信号自动调制识别方法中，改进后的样本权重不仅可以适应当前学习率，而且在保证基分类器不忽略简单样本的前提下更加重视难分类的样本；改进后的预测函数使得基分类器对同一样本正确与错误标签的分类间隔增大，提升基分类器和集成分类器对难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的多分类通信信号自动调制识别方法，其特征在于：包括以下步骤：步骤一、构建基分类器模型，同时设计基分类器中预测函数的输入乘以λ，λ为大于1的常量，使特征向量间隔扩大λ倍；步骤二、初始化基分类器各个样本权重均为1；步骤三、计算基分类器的迭代中间量及权重，改进其余基分类器的样本权重，方法为：步骤三、计算基分类器的迭代中间量及权重，改进其余基分类器的样本权重，方法为：式中，D(i)为第t个基分类器的样本原始权重；μ表示D(i)的均值；σ为D(i)的标准差；D
′
(i)为归一化调整后的权重；D
new
(i)为改进后的新权重，A和ψ为常数；步骤四、训练第t个基分类器；步骤五、更新第t+1个基分类器的迭代中间量，返回步骤三，训练第t+1个基分类器；步骤六、通过加权融合形成强分类器。2.如权利要求1所述一种基于集成学习的多分类通信信号自动调制识别方法，其特征在于：步骤四中第t个基分类器的训练方法为：将通信信号样本集S和改进后的样本权重D
new
作为输入数据，开始第t个基分类器的训练，令基分类器为I，训练过程可表示为：h
t
←
I(S,D
new
)其中，h
t
为第t个基分类器对于样本集S的分类概率输出；计算h
t
的伪损失为：其中，括号里第二项中的y
i
为第...

【专利技术属性】
技术研发人员：刘春辉，王沛，卢英建，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：