【技术实现步骤摘要】
一种基于SVM
‑
SRNN的调制信号识别方法
[0001]本专利技术属于通信调制信号识别领域,具体的讲,涉及一种基于SVM
‑
SRNN的调制信号识别方法。
技术介绍
[0002]近几年无线通信技术正在高速地发展,使用范围越来越广泛,特别是随着5G标准在6GHz以下范围的部署和物联网的蓬勃发展,无线电波已成为世界当中不可缺少的一部分。识别信号的调制方式是非常重要的一个部分,不法分子常常会理由漏洞来进行可疑的活动,比如入侵和干扰,从而影响正常通信系统的工作,甚至可能会威胁到社会的安全。因此,无线电信号监测与识别成为重要场合的紧要任务,具有十分重要意义。
[0003]调制识别算法主要有两类,一类是基于特征的识别方法,另一类是基于似然的方法。基于似然的方法主要取决于接收信号的似然函数,对于每个调制类型,需计算出接收信号的似然函数,再根据最大似然比测试做出决定。虽然这种方法准确性很高,但同时也存在高延迟和需要完整的先验知识的缺点,所以在实际上应用基于此种方法的算法很少。基与特征的方法可在时域中从瞬时振幅、频率和相位中提取特征,再通过分类器分类。而传统的分类器如决策树、SVM(支持向量机)、K
‑
近邻、人工神经网络等方法虽然研究较多,但是同样存在分类准确度较低的缺陷。
技术实现思路
[0004]为了解决上述问题,本专利技术提出了一种基于SVM
‑
SRNN的调制信号识别方法,能够提取基带上的同相(I)和正交(Q)成分的特征,对13种不同 ...
【技术保护点】
【技术特征摘要】
1.一种基于SVM
‑
SRNN的调制信号识别方法,其特征在于,包括以下步骤:S1:准备数据集:S2:数据预处理:S3:搭建SVM(支持向量机)模型得到SVM分类器,将每个信号通过S2数据预处理转换后输入SVM分类器,分离13种待分类信号和噪声信号,并去除噪声信号;S4:搭建切片双向循环神经网络,对SVM分类器分离噪声后的信号进行信号特征提取,再通过softmax分类器完成分类;S5:训练模型,将预处理后训练数据输入S3、S4中的SVM分类器和切片双向循环神经网络练参数,模型训练完毕后,再通过测试数据,对模型进行测试训练效果。2.根据权利要求1所示的一种基于SVM
‑
SRNN的调制信号识别方法,其特征在于,S1具体方法如下:数据集采用由GNUradio软件无线电平台产生的通信调制信号,包括训练数据和测试数据,其类型包括AM、FM、2ASK、4ASK、2FSK、4FSK、MSK、PSK、QPSK、PI/4DQPSK、OQPSK、QAM16、QAM64调制信号,除上述13种信号,还加入了噪声信号,噪声信号由上述13种信号随机选取2
‑
3种信号混合而成,其长度等同于待分类信号,共14种待分信号。3.根据权利要求1所示的一种基于SVM
‑
SRNN的调制信号识别方法,其特征在于,S2具体方法如下:调制信号是一种I/Q信号,由I路和Q路两组序列组成,每个信号的长度为2
×
128000;将所有的训练数据和测试数据通过DFT采样后再通过abs函数取实后,每个信号的格式变为1000
×
128的向量数据。4.根据权利要求1所示的一种基于SVM
‑
SRNN的调制信号识别方法,其特征在于,所述S3详细步骤为:S3.1:将所有S2数据预处理后的所有训练数据合并在训练样本集D={{(x1,y1),(x2,y2)},...,(x
i
,y
i
),...,(x
m
,y
m
)},其中x
i
表示第i个训练数据,为S2预处理后的向量数据,y
i
表示第i个训练数据的标签,m表示训练样本的总长度,13种待分类的调制信号为正类,噪声信为负类;S3.2:确定SVM模型参数:SVM分类器的核函数选择高斯核,超平面集为f(x)=wx+b;w为法向量,b为位移项;S3.3:求解SVM分类器的凸二次规划问题:其中α是拉格朗日乘子,α
i
是训练样本(x
i
,y
i
)的拉格朗日乘子,α
j
是第j个训练样本(x
j
,y
j
)的拉格朗日乘子,K()为高斯核函数。S3.4:求解S3.3的问题后得到参数w、b,并得到分类决策函数f(x);
S3.5:将数据通过f(x)函数后划分为13种待分信号和噪声信号,将噪声信号剔除并将13种待分信号输入后续网络中。5.根据权利要求1所示的一种基于SVM
...
【专利技术属性】
技术研发人员:金建国,潘勉,吕帅帅,胡馨之,唐金龙,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。