通信信号调制识别方法及装置制造方法及图纸

本申请公开了一种通信信号调制识别方法及装置；该方法包括：获取多种调制信号中每种调制信号对应的IQ数据；根据每种调制信号对应的IQ数据，获取每种调制信号的星座图，每个星座图包含基带符号；对于每个星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；将灰度图输入至目标神经网络模型，进行调制方式的识别。本申请能够在低SNR环境下进行调制识别的准确率。在低SNR环境下进行调制识别的准确率。在低SNR环境下进行调制识别的准确率。

【技术实现步骤摘要】
通信信号调制识别方法及装置


[0001]本申请属于通信
，具体涉及一种通信信号调制识别方法及装置。

技术介绍

[0002]无论有线通信还是无线通信系统，为了使基带信号能够以更高的通信速率进行传输，并获得更高的频谱利用率，都必须经过自适应选择调制方式，即信号调制。
[0003]然而专利技术人发现，传统的通信信号调制识别方法的准确率较低。

技术实现思路

[0004]为了提高调制识别的准确率，本申请提供了一种通信信号调制识别方法及装置。
[0005]第一方面，本申请提供了一种通信信号调制识别方法，所述方法包括：
[0006]获取多种调制信号中每种所述调制信号对应的IQ数据；
[0007]根据每种所述调制信号对应的IQ数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；
[0008]对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；
[0009]将灰度图输入至目标神经网络模型，进行调制方式的识别。
[0010]可选地，所述采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图，包括：
[0011]将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；
[0012]统计每个所述方格内基带符号的数量；
[0013]根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0014]将得到的像素值作为灰度图的像素值。
[0015]可选地，所述根据每个所述方格内基带符号的数量得到对应方格的像素值，包括：
[0016]按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0017]所述修正公式为：O
ij
＝min{C
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
[0018]其中，所述O
ij
表示第i行j列的方格的像素值；所述C
ij
表示第i行j列的方格中基带符号的数量。
[0019]可选地，在所述将灰度图输入至目标神经网络模型之前，所述方法还包括：
[0020]获取每种所述调制信号的特征灰度图数据集；
[0021]采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。
[0022]可选地，所述采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型，包括：
[0023]构建深度学习网络模型并初始化所述深度学习网络模型；
[0024]执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各SNR中各调
制方式的灰度图均匀分布于数据集中；
[0025]将所述特征灰度图数据集分为训练数据集和测试数据集；
[0026]将所述训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型；
[0027]当所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；
[0028]采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；
[0029]当训练次数达到预设值时，更新学习率；
[0030]当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
[0031]第二方面，提供一种通信信号调制识别装置，所述装置包括：
[0032]第一获取模块，用于获取多种调制信号中每种所述调制信号对应的IQ数据；
[0033]第二获取模块，用于根据每种所述调制信号对应的IQ数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；
[0034]提取模块，用于对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；
[0035]调制模块，用于将灰度图输入至目标神经网络模型，进行调制方式的识别。
[0036]可选地，所述提取模块，包括：
[0037]划分子模块，用于将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；
[0038]统计子模块，用于统计每个所述方格内基带符号的数量；
[0039]确定子模块，用于根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0040]第一处理子模块，用于将得到的像素值作为灰度图的像素值。
[0041]可选地，所述确定子模块，用于：
[0042]按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0043]所述修正公式为：Oij＝mm{C
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
[0044]其中，所述Oij表示第i行j列的方格的像素值；所述Cij表示第i行j列的方格中基带符号的数量。
[0045]可选地，所述装置还包括：
[0046]第三获取模块，用于获取每种所述调制信号的特征灰度图数据集；
[0047]第四获取模块，用于采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。
[0048]可选地，所述第四获取模块，包括：
[0049]构建子模块，用于构建深度学习网络模型并初始化所述深度学习网络模型；
[0050]重排子模块，用于执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各SNR中各调制方式的灰度图均匀分布于数据集中；
[0051]第二处理子模块，用于将所述特征灰度图数据集分为训练数据集和测试数据集；
[0052]第三处理子模块，用于将所述训练数据集划分为多组，将多组训练数据集依次输
入至深度学习网络模型；
[0053]第一更新子模块，用于在所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；
[0054]验证子模块，用于采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；
[0055]第二更新子模块，用于在训练次数达到预设值时，更新学习率；
[0056]执行子模块，用于在深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；在深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
[0057]第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
[0058]本申请实施例提供的通信信号调制识别方法，先获取多种调制信号中每种调制信号对应的IQ数据，再获取每种调制信号的星座图，之后采用灰度特征图像生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通信信号调制识别方法，其特征在于，所述方法包括：获取多种调制信号中每种所述调制信号对应的IQ数据；根据每种所述调制信号对应的IQ数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；将灰度图输入至目标神经网络模型，进行调制方式的识别。2.根据权利要求1所述的方法，其特征在于，所述采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图，包括：将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；统计每个所述方格内基带符号的数量；根据每个所述方格内基带符号的数量得到对应方格的像素值；将得到的像素值作为灰度图的像素值。3.根据权利要求2所述的方法，其特征在于，所述根据每个所述方格内基带符号的数量得到对应方格的像素值，包括：按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；所述修正公式为：O
ij
＝min{C
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，其中，所述O
ij
表示第i行j列的方格的像素值；所述C
ij
表示第i行j列的方格中基带符号的数量。4.根据权利要求1所述的方法，其特征在于，在所述将灰度图输入至目标神经网络模型之前，所述方法还包括：获取每种所述调制信号的特征灰度图数据集；采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。5.根据权利要求1所述的方法，其特征在于，所述采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型，包括：构建深度学习网络模型并初始化所述深度学习网络模型；执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各SNR中各调制方式的灰度图均匀分布于数据集中；将所述特征灰度图数据集分为训练数据集和测试数据集；将所述训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型；当所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；当训练次数达到预设值时，更新学习率；当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作。6.一种通信信号调制识别装置，其特征在于，所述装置包括：
...

【专利技术属性】
技术研发人员：王岳彪，尚渭萍，吴向军，王哲，
申请(专利权)人：陕西尚品信息科技有限公司，
类型：发明
国别省市：