【技术实现步骤摘要】
一种基于自适应降噪的自动调制识别方法
[0001]本专利技术属于通信信号调制识别
，具体涉及一种基于自适应降噪的自动调制识别方法
。
技术介绍
[0002]自动调制识别
(AMR)
通过截取的通信波形，识别非合作通信方采用通信的调制参数，是通信对抗的重要内容，在非合作通信场景下对敌方的频谱干扰
、
频谱感知有重要的意义，传统的基于决策判决的方法需要更多的先验知识基础，而利用深度学习
(DL)
，通过使用各类神经网络的组合从不同的信号中提取有利于调制识别的深层特征，这样的方法简洁且表现效果显著
。
常用的深度学习网络有：从卷积神经网络
(CNN)、
递归神经网络
(RNN)、
长短期记忆网络
(LSTM)、
卷积长短期深度神经网络
(CLDNN)、
门控循环单元
(GRU)、
多信道卷积长短期深度神经网络
(MCLDNN)
等深层卷积神经网络模型常被用于自...
【技术保护点】
【技术特征摘要】
1.
一种基于自适应降噪的自动调制识别方法，其特征在于，包括以下步骤：
S1.
利用
MATLAB
仿真通信过程，模拟真实信道影响，生成
N
种不同调制的信号；
S2.
提取信号的实部作为
I
路数据，虚部作为
Q
路数据，按照不同信噪比和不同调制方式进行封装，得到数据集；
S3.
使用基于前向传播的相位积累方法对数据集的信号样本进行特征增强表示；
S4.
基于注意力机制的自适应降噪模块对增强表示后的信号样本进行降噪处理；
S5.
通过
L2
正则化对自适应降噪模块得到的权重进行约束；
S6.
利用特征提取层提取信号样本特征，对信号样本进行分类预测，识别出调制方式；其中，特征提取层包括卷积神经网络和循环神经网络
。2.
根据权利要求1所述的一种基于自适应降噪的自动调制识别方法，其特征在于，所述步骤
S1
具体为：
S101.
利用
MATLAB
仿真通信过程，模拟真实信道影响，在发射端，根据给定的参数设置，考虑衰落信道影响，支持
BPSK、QPSK、8PSK、16PSK、4QAM、16QAM、64QAM、MSK
和
FSK
这9种调制；
S102.
根据信噪比从
‑
10dB
到
30dB
分别发送信号到接收端；
S103.
在接收端，对接收到的信号进行模拟解调，得到
IQ
信号
。3.
根据权利要求2所述的一种基于自适应降噪的自动调制识别方法，其特征在于，所述步骤
S2
具体为：
S201.
提取
IQ
信号的实部作为
I
路数据，虚部作为
Q
路数据，按照信噪比从
‑
10dB
到
30dB
划分数据集；
S202.
对信号制作以调制方式和信噪比构成的标签，
I
路数据和
Q
路数据按每条
600
位进行拼接，按照不同信噪比间隔
1dB
和不同调制方式生成
1000
条样本信号进行封装，得到数据集
。4.
根据权利要求3所述的一种基于自适应降噪的自动调制识别方法，其特征在于，所述步骤
S3
具体为：
S301.
将数据集按照6：2：2的方式划分训练集
、
验证集和测试集；
S302.
对信号样本给定
I
路和
Q
路输入形状为
[600
，
2]、[600]
或
[128
，
2]、[128]
；
S303.
对信号样本用顺序模型进行前向传播学习，包含三层全连接层；每层有
128
个神经元，前两层使用了
ReLU
激活层，最后一层不指定激活函数输出；具体地，将
k
个信号表征为全连接层的单个输入，经过全连接3层的学习表征得到最终输出的信号权值
x
；式中
x
表示经过全连接层最终输出的信号权值，
w
为全连接层学习到的权重，
i
为全连接层的层数；
S304.
对信号样本计算相位特征：其中，
x(t)
表示原始信号，是相位特征的参数，
t
是相位的时序特征，表示信号样本的相位特征，
b
表示虚部，是更具代表性的特征，有助于后续的模型学习和决策；
S305.
使用
Python
深度学习框架
Keras
的后端函数
K.cumsum
来沿着轴1计算相位累加和，增强表示相位特征，将得到的相位累加和作为自适应降噪模块的输入；
S306.
重复步骤
S301~S...
【专利技术属性】
技术研发人员：彭钰琳，文红，王永丰，赵润辉，杨墨，唐韬，石伟宏，
申请(专利权)人：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。