一种基于级联网络的通信信号调制识别方法技术

本发明专利技术提出了一种基于级联网络的通信信号调制识别方法，属于通信技术领域

【技术实现步骤摘要】
一种基于级联网络的通信信号调制识别方法


[0001]本专利技术属于通信
，尤其涉及一种基于级联网络的通信信号调制识别方法
。

技术介绍

[0002]自动调制识别
(AMR)
是非合作通信系统中的关键技术，在信号检测和解调之间起着重要作用
。
只有确定接收信号的调制方式，才能选择相应的解调器对信号进行解调，从而获得有用信息
。
该技术广泛应用于军事和民用领域，在信息截获
、
干扰识别
、
电子对抗和频谱管理等方面发挥着重要作用
。
[0003]AMR
方法分为基于似然估计和基于特征提取的两类方法
。
基于似然估计的方法中，调制识别问题被表示为一个多重假设检验问题
。
通过最大似然估计法对信号进行处理，将各信号的似然比与阈值进行比较，实现信号调制方式的分类，该方法可以获得较好的识别率，但计算复杂度过高
。
基于特征提取的调制识别方法，是从不同信号的时域和频域信息中提取典型特征，其识别率主要取决于提取到的不同调制方式的特征参数，但是传统分类器在进行特征提取时需要人为干预，而且特征学习能力较弱，因此其识别率普遍较低
。
近年来，随着深度学习在计算机视觉
、
机器翻译
、
语音识别和自然语言处理中表现出色，深度学习在通信领域的应用也逐渐引起关注
。
[0004]通信领域的深度学习算法具有模型灵活/>、
能够进行端到端学习的特点
。
专家们使用
CNN、RNN
等网络构建不同的模型，以实现通信信号的调制识别
。
但是近年来由于通信场景日益复杂，许多深度学习网络对调制信号的总体识别率并不理想
。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于级联网络的通信信号调制识别方法，以解决现有深度学习方法对通信信号识别率低的问题
。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0007]一种基于级联网络的通信信号调制识别方法，包括以下步骤：
[0008]S1
：对获取到的通信信号进行采样，得到待分类的
IQ
信号；
[0009]S2
：构建堆叠式降噪自动编码器，以最小化真实数据与输出数据之间的误差为目标，通过编码和解码来重构真实数据，提取真实数据的深层信息，对采样信号进行降噪；
[0010]S3
：在卷积长短时记忆全连接深度神经网络的基础上构建信号特征提取网络；
[0011]S4
：通过信号特征提取网络对降噪后的信号进行特征提取，并根据特征提取结果对信号调制方式进行识别，输出分类结果
。
[0012]进一步地，步骤
S1
中，对获取到的通信信号进行采样，每个信号的样本数量为
1024
，每个样本有
I
和
Q
两路信号，将待分类的
IQ
信号看成单通道的
1024
×2大小的图像数据进行处理，对应图像中的高
×
宽
×
通道，表示为
1024
×2×1的形式
。
[0013]进一步地，步骤
S2
中，堆叠式降噪自动编码器通过堆叠3个降噪自编码器的方式构
成，每个降噪自编码器均由输入层
、
隐藏层
、
输出层3层网络组成，从输入层到隐藏层属于编码部分，在编码部分中将含噪声的采样数据转换为隐藏层中的潜在表征，隐藏层到输出层属于解码部分，在解码部分中将内部表征转换为输出；
[0014]编码部分中：假设真实信号为
X
，
X
由
N
组数据样本组成，每组数据样本由
x1、x2、
…
、x
n
组成；
X
′
为采样信号，设隐藏层特征向量集合为
H
，
H
由
N
组特征向量组成，每组特征向量由
h1、h2、
…
、h
n
组成，
n
为每组特征向量中的向量个数，则
X
′
与
H
的编码关系为：
[0015]H(X
′
)
＝
s
f
(WX
′
+B)
[0016]式中：
W
为输入层和隐藏层之间的权重矩阵，
B
为输入层与隐藏层之间的偏置矩阵，
s
f
为编码部分的神经元激活函数；
[0017]解码部分的运算是编码部分运算的逆过程，解码部分以隐藏层的特征向量作为输入向量，重构原始输入，设
y
为输出数据，则
H
与
y
的解码关系为：
[0018]y(X
′
)
＝
s
g
(W
′
H(X
′
)+B
′
)
[0019]式中：
W
′
为隐藏层与输出层之间的权重矩阵，
B
′
为隐藏层与输出层之间的偏置矩阵，
s
g
为解码器的神经元激活函数；
[0020]对于每个降噪自编码器，通过最小化输入真实信号
X
与输出数据
y(X
′
)
之间的重构误差来实现特征学习，利用梯度下降算法不断调整网络权重和偏置，降低重构误差；重构误差
L
为：
[0021][0022]其中，
||||
表示欧几里得范数；
[0023]训练好一个降噪自编码器后，将该降噪自编码器的隐藏层的输出数据作为下一个降噪自编码器的输入数据，从而使堆叠式降噪自动编码器以无监督的贪婪分层方式进行训练，对数据进行深层特征挖掘
。
[0024]进一步地，步骤
S3
的具体方式为：
[0025]S301
：构建卷积长短时记忆全连接深度神经网络，该网络包括顺次级联的5个部分：
1)
输入层，
2)
五层卷积层，
3)
一层长短时记忆网络，
4)
两层深度神经网络层，
5)
输出层；
[0026]其中，长短时记忆网络的大小为
50
，第1层深度神经网络层的节点数为
256
，第2层深度神经网络层的节点数为
K
，
K
为待识别调制样式的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于级联网络的通信信号调制识别方法，其特征在于，包括以下步骤：
S1
：对获取到的通信信号进行采样，得到待分类的
IQ
信号；
S2
：构建堆叠式降噪自动编码器，以最小化真实数据与输出数据之间的误差为目标，通过编码和解码来重构真实数据，提取真实数据的深层信息，对采样信号进行降噪；
S3
：在卷积长短时记忆全连接深度神经网络的基础上构建信号特征提取网络；
S4
：通过信号特征提取网络对降噪后的信号进行特征提取，并根据特征提取结果对信号调制方式进行识别，输出分类结果
。2.
如权利要求1所述的一种基于级联网络的通信信号调制识别方法，其特征在于，步骤
S1
中，对获取到的通信信号进行采样，每个信号的样本数量为
1024
，每个样本有
I
和
Q
两路信号，将待分类的
IQ
信号看成单通道的
1024
×2大小的图像数据进行处理，对应图像中的高
×
宽
×
通道，表示为
1024
×2×1的形式
。3.
如权利要求1所述的一种基于级联网络的通信信号调制识别方法，其特征在于，步骤
S2
中，堆叠式降噪自动编码器通过堆叠3个降噪自编码器的方式构成，每个降噪自编码器均由输入层
、
隐藏层
、
输出层3层网络组成，从输入层到隐藏层属于编码部分，在编码部分中将含噪声的采样数据转换为隐藏层中的潜在表征，隐藏层到输出层属于解码部分，在解码部分中将内部表征转换为输出；编码部分中：假设真实信号为
X
，
X
由
N
组数据样本组成，每组数据样本由
x1、x2、
…
、x
n
组成；
X
′
为采样信号，设隐藏层特征向量集合为
H
，
H
由
N
组特征向量组成，每组特征向量由
h1、h2、
…
、h
n
组成，
n
为每组特征向量中的向量个数，则
X
′
与
H
的编码关系为：
H(X
′
)
＝
s
f
(WX
′
+B)
式中：
W
为输入层和隐藏层之间的权重矩阵，
B
为输入层与隐藏层之间的偏置矩阵，
s
f
为编码部分的神经元激活函数；解码部分的运算是编码部分运算的逆过程，解码部分以隐藏层的特征向量作为输入向量，重构原始输入，设
y
为输出数据，则
H
与
y
的解码关系为：
y(X
′
)
＝
s
g
(W
′
H(X
′
)+B
′
)
式中：
W
′
为隐藏层与输出层之间的权重矩阵，
B
′
为隐藏层与输出层之间的偏置矩阵，
s
g
为解码器的神经元激活函数；对于每个降噪自编码器，通过最小化输入真实信号
X
与输出数据
y(X
′
)
之间的重构误差来实现特征学习，利用梯度下降算法不断调整网络权重和偏置，降低重构误差；重构误差
L
为：其中，
||||<...

【专利技术属性】
技术研发人员：侯艳丽，刘春晓，贾昊，付长军，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：