一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法技术

本发明专利技术涉及一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，包括：步骤1：数据获取与预处理：是指：采集信号，并分段加噪；步骤2：数据集搭建；包括：对信号进行切割处理；获取相位与幅度；构建同相

【技术实现步骤摘要】
一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法


[0001]本专利技术涉及一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，属于人工智能与通信系统的


技术介绍

[0002]时代发展日新月异，无线通信技术在促进人类文明进步中功不可没，它使人们可以摆脱空间束缚随时随地的进行信息传递与交换，极大地促进了社会生产力的发展。随着电磁环境的日益复杂和人们对信息传输效率的要求越来越高，各式各样的调制方式应运而生，各种调制方式以其独特的优点克服电磁环境中噪声影响，并提高信息传输速率，但旧问题解决的同时也带来了新的问题：在非协作通信中，保证发收双方的调制解调方式一致是有效通信的前提，因此，信号调制方式自动分类(Automatic Modulation Classification,AMC)成为信号解调前的必须解决的问题。
[0003]传统的AMC算法包括基于最大似然理论判决和基于信号特征参数判决两种，前者要求接收方知道信号的码元速率等先验参数，后者则要求研究人员对信号的各种参数提取算法具有一定的理论基础，然后输入人工设计好的判决器进行分类；随着机器学习算法的快速发展，尤其是深度学习在图像分类领域大有所为，将智能的深度学习算法应用到调制方式分类中已是大势所趋。目前已有许多研究人员进行了此方面的工作，如在“Automatic modulation recognition using deep learning architectures”一文中作者提出了一种信号预处理方法且同时利用IQ信号样本和高阶累积量特征作为神经网络的输入；论文“Spectrum Analysis and Convolution Neural Network for Automatic Modulation Recognition”中使用短时傅里叶时频图来代替原始信号作为输入样本；论文“Data
‑
Driven Deep Learning for Automatic Modulation Recognition in Cognitive Radios”中作者同时利用IQ调制信号以及星座图数据集实现对调制信号的识别；论文《基于轻量级深度神经网络的电磁信号调制识别技术》中作者根据归一化密度对星座图上色实现特征增强，在仿真信号下取得良好的识别效果。
[0004]目前，应用于调制识别的深度学习模型较难投入应用，主要有以下两点原因：第一，泛化能力较低，以IQ信号作为主要输入的网络由于样本维度较低通常会产生过拟合现象，譬如PN9随机序列产生的调制信号作为样本训练出的网络难以在PN16等高阶随机序列产生的调制信号上取得很好的识别结果；第二，泛化特征受噪声影响较大，以星座图为主要输入的网络多基于仿真信号构建，而真实信号多使用根升余弦滤波器以消除码间干扰，在码元跳变处会使星座图相互连接从而产生较大的影响。因此，如何提取更稳定并包含丰富信息的泛化特征并用以进行神经网络的训练是本专利技术致力于解决的问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于联合分布矩阵与多输入神经网络的
数字正交调制信号识别方法；
[0006]术语解释：
[0007]ResNet34：34层深度残差网络(Deep residual network)，其网络架构示意图如图1所示。
[0008]本专利技术的技术方案为：
[0009]一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，包括步骤如下：
[0010]步骤1：数据获取与预处理：是指：采集信号，并分段加噪；
[0011]步骤2：数据集搭建；包括：
[0012]步骤2.1：对步骤1得到的信号进行切割处理；
[0013]步骤2.2：获取相位与幅度；
[0014]步骤2.3：根据步骤2.1获得的结果构建同相
‑
正交联合分布矩阵，根据步骤2.2获得的结果构建相位
‑
幅度联合分布矩阵；
[0015]步骤3：神经网络模型搭建与训练；包括：
[0016]步骤3.1：神经网络模型搭建与微调；
[0017]步骤3.2：训练神经网络模型；
[0018]步骤4：将待识别的数字正交调制信号依次通过步骤1的所述预处理、步骤2，得到待识别的数字正交调制信号的同相
‑
正交联合分布矩阵和相位
‑
幅度联合分布矩阵，输入至步骤3.2训练好的神经网络模型，得到与调制方式按序对应的输出向量，其中，最大值所对应的调制方式即为神经网络模型的识别结果。
[0019]根据本专利技术优选的，步骤1的具体实现过程是指：
[0020]使用信号源发射若干中心频率、码元速率不等的数字正交调制信号，信号的类型包括2ASK、BPSK、QPSK、OQPSK、8PSK、PI/4DQPSK、16PSK、16QAM、32QAM、64QAM、128QAM共11种；
[0021]设置频谱分析仪或信号接收机中心频率与信号源对应相同，调整采样带宽为码元速率的2
‑
6倍；
[0022]采集每种中心频率、码元速率下的同相I(n)和正交Q(n)信号；
[0023]使用matlab加入5
‑
20dB信噪比不同的高斯白噪声；
[0024]根据本专利技术优选的，步骤2.1中，对步骤1得到的信号进行切割处理，是指：对步骤1中的信号进行切割，每条信号以同相信号I(n)与正交信号Q(n)构成的2*L矩阵形式表示，L＞2000。
[0025]根据本专利技术优选的，步骤2.2中，预处理并提取各帧信号的幅度与相位，具体包括如下：
[0026]首先，将各帧信号的同相信号I(n)与正交信号Q(n)中的各点进行归一化，得到I
normal
(n)与Q
normal
(n)，分别如式(Ⅰ)、式(Ⅱ)所示：
[0027][0028][0029]式(Ⅰ)、式(Ⅱ)中，n＝1,2
…
,L；
[0030]然后，分别通过式(Ⅲ)、式(Ⅳ)做3点的中值滤波得到II(n)与QQ(n)；
[0031][0032][0033]式(Ⅲ)、式(Ⅳ)中，n＝1,2,3,
…
,L；
[0034]最后，分别通过式(
Ⅴ
)、式(
Ⅵ
)提取幅度A(n)与相位P(n)，
[0035][0036][0037]式(
Ⅴ
)、式(
Ⅵ
)中，n＝1,2,3,
…
,L。
[0038]根据本专利技术优选的，利用步骤2.2中的A(n)、Q(n)构建相位
‑
幅度联合分布矩阵，具体方法如下：
[0039](1)构建初始值均为0的80*80矩阵；
[0040](2)定义相位分辨率幅度分辨率
[0041](3)判定对于每个n对应的P(n)和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，其特征在于，包括步骤如下：步骤1：数据获取与预处理：是指：采集信号，并分段加噪；步骤2：数据集搭建；包括：步骤2.1：对步骤1得到的信号进行切割处理；步骤2.2：获取相位与幅度；步骤2.3：根据步骤2.1获得的结果构建同相
‑
正交联合分布矩阵，根据步骤2.2获得的结果构建相位
‑
幅度联合分布矩阵；步骤3：神经网络模型搭建与训练；包括：步骤3.1：神经网络模型搭建与微调；步骤3.2：训练神经网络模型；步骤4：将待识别的数字正交调制信号依次通过步骤1的所述预处理、步骤2，得到待识别的数字正交调制信号的同相
‑
正交联合分布矩阵和相位
‑
幅度联合分布矩阵，输入至步骤3.2训练好的神经网络模型，得到与调制方式按序对应的输出向量，其中，最大值所对应的调制方式即为神经网络模型的识别结果。2.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，其特征在于，步骤1的具体实现过程是指：使用信号源发射若干中心频率、码元速率不等的数字正交调制信号，信号的类型包括2ASK、BPSK、QPSK、OQPSK、8PSK、PI/4DQPSK、16PSK、16QAM、32QAM、64QAM、128QAM共11种；设置频谱分析仪或信号接收机中心频率与信号源对应相同，调整采样带宽为码元速率的2
‑
6倍；采集每种中心频率、码元速率下的同相I(n)和正交Q(n)信号；使用matlab加入5
‑
20dB信噪比不同的高斯白噪声。3.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，其特征在于，步骤2.1中，对步骤1得到的信号进行切割处理，是指：对步骤1中的信号进行切割，每条信号以同相信号I(n)与正交信号Q(n)构成的2*L矩阵形式表示，L＞2000；步骤2.2中，预处理并提取各帧信号的幅度与相位，具体包括如下：首先，将各帧信号的同相信号I(n)与正交信号Q(n)中的各点进行归一化，得到I
normal
(n)与Q
normal
(n)，分别如式(Ⅰ)、式(Ⅱ)所示：)所示：式(Ⅰ)、式(Ⅱ)中，n＝1,2
…
,L；然后，分别通过式(Ⅲ)、式(Ⅳ)做3点的中值滤波得到II(n)与QQ(n)；
式(Ⅲ)、式(Ⅳ)中，n＝1,2,3,
…
,L；最后，分别通过式(
Ⅴ
)、式(
Ⅵ
)提取幅度A(n)与相位P(n)，)提取幅度A(n)与相位P(n)，式(
Ⅴ
)、式(
Ⅵ
)中，n＝1,2,3,
…
,L。4.根据权利要求1所述的一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法，其特征在于，利用步骤2.2中的A(n)、Q(n)构建相位
‑
幅度联合分布矩阵，具体方法如下：(1)构建初始值均为0的80*80矩阵；(2)定义相位分辨率幅度分辨率(3)判定对于每个n对应的P(n)和A(n)所处的矩阵下标，行标列标其中，ceil为取上整函数；(4)将相位
‑
幅度联合分布矩阵对应于(loc
phase
，loc
...

【专利技术属性】
技术研发人员：王洪君，刘东杰，张艳艳，张学林，徐红玉，
申请(专利权)人：山东大学，
类型：发明
国别省市：