基于深度学习算法的无线电信号识别技术制造技术

本发明专利技术涉及无线电信号分析领域，具体涉及一种基于深度学习算法对接收机捕获到的空中电磁信号进行分析识别的技术。本发明专利技术提供了一种基于深度学习算法的无线电信号分类识别技术，通过将接收机接收信号的IQ数据进行处理分析从而达到调制方式识别的目的，克服了现有信号识别软件对特定接收机的依赖缺陷，模块化的技术架构，可以适配更多类型接收设备、可以通过软件升级识别更多类型调制信号，同时基于深度学习的卷积神经网络(CNN，Convolutional Neural Networks)进行调制方式识别，在低信噪比条件下具有更加稳定的识别性能。比条件下具有更加稳定的识别性能。

【技术实现步骤摘要】
基于深度学习算法的无线电信号识别技术


[0001]本专利技术涉及无线电信号分析领域，具体涉及一种基于深度学习算法对接收机捕获到的空中电磁信号进行分析识别的技术。

技术介绍

[0002]无线电接收机捕获到信号后所进行的信号分析识别，尤其是在没有先验信息条件的盲信号处理，在军民无线电监管领域有着广泛的需求。同时，无线电信号识别也是无线电监测过程中比较困难的任务，原因在于实际监测过程中往往缺乏信号的先验信息、待测信号使用的数字调制技术越来越复杂以及信号所处的电磁环境比较繁杂等。
[0003]在现有的无线电监测系统当中，信号分析识别部分一般是作为具体厂商系列接收机的“软延伸”，以“嵌入式”的形式存在于整个接收系统中，这种“软硬绑定”的强耦合关系导致A家信号识别软件无法运行在B家接收机上；另外，现有信号识别软件往往存在低信噪比情况下的识别稳定性不好等问题。
[0004]现代接收机往往都具备IQ数据输出功能，IQ数据中会包含信号的三个特征参数：瞬时幅度、瞬时相位和瞬时频率，这样就为信号分析识别以及参数测量提供了充足信息，同时也为信号分析识别功能脱离接收机的捆绑提供了先决条件。
[0005]深度学习算法可以通过学习自动提取目标特征的优点，并已在图像识别和语音识别领域得到广泛应用，在调制识别领域，深度学习也具有稳定的性能和可靠性。

技术实现思路

[0006]本专利技术提供了一种基于深度学习算法的无线电信号分类识别技术，通过将接收机接收信号的IQ数据进行处理分析从而达到调制方式识别的目的，克服了现有信号识别软件对特定接收机的依赖缺陷，模块化的技术架构，可以适配更多类型接收设备、可以通过软件升级识别更多类型调制信号，同时基于深度学习的卷积神经网络(CNN，Convolutional Neural Networks)进行调制方式识别，在低信噪比条件下具有更加稳定的识别性能。
[0007]本专利技术解决上述技术问题的技术方案如下：提供了一种基于深度学习算法的无线电信号分类识别技术，包括在线控制模块、预处理模块、CNN识别模块，采用模块化设计，可以适配更多类型接收机并可通过软件升级识别更多类型调制信号。所述在线控制模块，具备对上游接收机的控制能力，通过IP地址连接接收机并配置接收机工作频率、频率跨度、中频带宽、RBW、采样率等参数以便输出对应的IQ数据；所述预处理模块，具有数据转换处理功能，将接收机输出的IQ数据转换为统一标准格式，具有实复转换功能，将IQ数据构建为标准解析信号形式，具有采样率转换功能，将IQ数据进行抽取来降低采样率，或将IQ数据进行插值来提升采样率，具有滤波功能，将带外杂波进行滤除，以提升输入信噪比；所述CNN识别模块，通过学习形成针对大量时域特征的匹配滤波器，匹配滤波器在低信噪比情况下具有增益，为进一步的信号分类打下稳定的基础。CNN识别模块由CNN模型经过真实信号验证优化以及进一步封装生成。CNN模型使用GNU Radio生成的调制信号数据集进行训练和测试，数
据集包含常见模拟和数字调制类型，且信噪比从低到高以固定间隔均匀分布，CNN模型学习训练完成后，针对高信噪比时的信号分类准确率达到90％以上，针对中高信噪比范围内的平均分类准确率达到80％以上，针对低中高信噪比范围内的平均分类准确率达到50％以上。
[0008]本专利技术的有益效果为：所述在线控制模块，以通用的IP地址方式连接到接收机，通过接收机开放的接口命令配置工作频率、频率跨度、中频带宽、RBW、采样率等基本参数，结合主流接收机一般都具备IQ数据输出功能的现状，达到了适配更多接收机的目的。
[0009]进一步的，所述预处理模块，利用实复转换功能构建标准解析信号形式，利用采样率转换功能将IQ数据采样率调整在信号带宽的3
‑
20倍之间，利用滤波功能将带外信号、各类干扰及带外噪声进行滤除，以提升整体输入信噪比。通过统一的数据转换处理，将不同接收机输出的IQ数据调整为标准形式以适配后端CNN识别模块，以使信号识别软件可以适配更多接收机类型。
[0010]进一步的有效效果为：所述CNN识别模块，通过学习形成针对时域特征的匹配滤波器，类似通信系统中的接收链路的处理效果，使得在低信噪比情况下的信号分类具有更加稳定的效果。
[0011]进一步的，所述CNN模型，使用GNU Radio生成目标调制信号数据集进行训练和测试，数据集中信号的信噪比由低到高以固定间隔均匀分布。CNN模型经过大量目标调制信号数据集学习训练形成权重和偏置，并通过真实信号验证、优化以及进一步封装生成CNN识别模块，保证了在实际的信号识别过程中具有更好的适应性，同时可以通过升级来识别更多类型的调制信号。
[0012]进一步的有效效果为：所述CNN模型学习训练的目标为，信号高信噪比时的信号分类准确率达到90％以上，信噪比从0dB开始的中高信噪比范围内的平均分类准确率达到80％以上，信噪比在低中高范围内的平均分类准确率达到50％以上，通过设定CNN模型明确的分类准确率目标，可以保证CNN识别模块在实际的信号识别中具有更加稳定的效果和更好的实用性。
[0013]附图说明图1为基于深度学习算法的无线电信号识别技术系统架构。
[0014]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，并不构成对本专利技术的限定。
[0015]具体实施方式以下所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0016]以下结合图1和具体实施例进一步描述。
[0017]图1所示本专利技术的基于深度学习算法的无线电信号识别技术，包括在线控制模块、预处理模块、CNN识别模块，采用模块化设计，可以适配更多类型的接收机和调制信号。所述在线控制模块，通过接收机IP地址进行连接及控制，包括配置接收机工作频率、频率跨度、中频带宽、RBW、采样率等参数以便输出对应的IQ数据；所述预处理模块，将接收机输出的IQ数据转换为统一格式并构建为标准解析信号形式，将IQ数据进行抽取或插值来降低或提升采样率，将带外杂波进行滤除，以提升输入信噪比；所述CNN识别模块，通过学习训练获得信号分析识别能力，CNN识别模块的基础和核心是CNN模型。CNN模型使用GNU Radio生成的调制信号数据集进行训练和测试，数据集包含目标调制类型，且数据集的信噪比分布是，从小于0dB的低信噪比开始，到大于0dB的高信噪比结束，并以固定间隔均匀分布。CNN模型学习
训练完成后，针对高信噪比时的信号分类准确率达到90％以上，针对中高信噪比情况下的平均分类准确率达到80％以上，针对低中高信噪比情况下的平均分类准确率达到50％以上。
[0018]实施例本实施例的在线控制模块，手动输入接收机的IP地址并通过网口实现与接收机连通，进一步将接收机的中心频率与待测信号频率保持一致，并根据信号特点设置适宜的中频带宽、ADC的采样率等参数，以输出对应的IQ数据。
[0019]本实施例的预处理模块，将接收机输出的IQ数据进行实复转换、构建解析信号、调整采样率为信号带宽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的无线电信号分类识别技术，其特征在于，模块化设计可以适配更多类型接收机并可通过软件升级识别更多类型调制信号，包括在线控制模块、预处理模块、CNN识别模块。所述在线控制模块，具备对现有接收机的连接和基本参数配置能力，以便输出对应信号的IQ数据；所述预处理模块，具有数据转换处理功能，以适应后端CNN识别模块输入要求；所述CNN识别模块由CNN模型经过调制信号数据集训练测试、真实信号验证优化以及进一步封装而生成。CNN模型使用GNU Radio生成的调制信号数据集进行训练和测试，数据集包含目标调制信号类型，且信噪比从低到高以固定间隔均匀分布，CNN模型学习训练完成后，针对高信噪比时的信号分类准确率达到90％以上，针对中高信噪比范围内的平均分类准确率达到80％以上，针对低中高信噪比范围内的平均分类准确率达到50％以上。2.如权利要求1所述的一种基于深度学习算法的无线电信号分类识别技术，其特征在于，所述在线控制模块，以通用的IP地址方式连接到接收机，通过接收机开放的接口命令配置工作频率、频率跨度、中频带宽、RBW、采样率等基本参数，以便输出对应信号的IQ数据。3.如权利要求1所述的一种基于深度学习算法的无线电信号分类识别技术，其特征在于，所述预处理模块，利用实复转换功能构建标...

【专利技术属性】
技术研发人员：姚建明，姚辰熙，姚泽玺，
申请(专利权)人：西安博亚盛亿通讯技术有限公司，
类型：发明
国别省市：