【技术实现步骤摘要】
本专利技术涉及光纤通信领域，特别是涉及一种信号调制格式识别方法、系统、设备及介质。
技术介绍
1、在光纤通信系统中，为了满足不断增长的数据需求和提高传输性能，概率整形(peobabilistic shaping，ps)技术逐渐崭露头角，因为它能够显著提高光纤通信系统的性能。概率整形技术通过动态调整信号星座点的概率分布以优化数据传输，特别是在高阶调制格式下，这对提高系统传输容量和频谱效率至关重要。然而，由于星座点的概率分布变化，接收端需要精准识别传输信号的调制格式，以进行有效的解调。信号调制格式识别对于确保数据在光纤通信系统中的正确传输至关重要。不同的调制格式需要不同的解调方法，因此需要一种智能的机制来确定信号所采用的具体调制格式。
2、传统的信号调制格式识别方法主要针对标准调制格式设计，但在概率星座整形技术中，传统方法的识别精度可能会受到影响。这是因为经过概率整形后的信号调制格式在某些情况下可能与其他均匀整形(uniform shaping，us)信号调制格式相似，特别是在通道质量发生变化的情况下。这就需要更加高效的信号信号调制格式识别方法。
技术实现思路
1、本专利技术的目的是提供一种信号调制格式识别方法、系统、设备及介质，可精准识别光纤通信系统的概率整形信号和均匀整形信号的调制格式。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种信号调制格式识别方法，包括：
4、构建多特征输入混合神经网络；所述多特征输入混合神经网络包括
5、采集光纤通信系统中不同类型的信号，并提取每个信号的星座图特征和方向梯度直方图特征；其中，不同类型的信号包括概率整形信号和均匀整形信号；
6、将每个信号的星座图特征输入所述多尺度卷积神经网络，每个信号的方向梯度直方图特征输入所述深度神经网络，训练所述多特征输入混合神经网络，获得调制格式识别模型；
7、从待识别信号中提取星座图特征和方向梯度直方图特征后，输入所述调制格式识别模型，输出待识别信号的调制格式。
8、可选地，提取每个信号的星座图特征和方向梯度直方图特征，具体包括：
9、将采集的不同类型的信号进行归一化后转化为星座图；
10、对每个信号的星座图进行灰度化，得到每个信号的灰度星座图；
11、将所有灰度星座图构成星座图集合，并将星座图集合按照4:1的比例划分成训练集和测试集；
12、对每个灰度星座图进行二值化和下采样操作，得到每个信号的星座图特征；
13、对每个灰度星座图进行梯度计算，得到每个灰度星座图的梯度信息；其中，所述梯度信息包括梯度幅值和梯度方向；
14、将灰度星座图划分为多个特征块，每个特征块划分为多个同等大小的特征单元，并将梯度方向划分为若干个区间；
15、将每一个特征单元的梯度幅值按梯度方向对应的区间进行累加，形成每一个特征单元的方向梯度直方图特征；
16、将每一个特征块内的所有特征单元的方向梯度直方图特征串接起来，归一化后得到每一个特征块的方向梯度直方图特征；
17、将所有特征块的方向梯度直方图特征串接起来作为每个信号的方向梯度直方图特征。
18、可选地，对每个灰度星座图进行梯度计算，得到每个灰度星座图的梯度信息，具体包括：
19、依据公式对灰度星座图进行梯度计算，得到灰度星座图在水平方向的梯度和在垂直方向的梯度；式中，ui(i,j)表示像素点(i,j)在水平方向的梯度，uj(i,j)表示像素点(i,j)在垂直方向的梯度，h(i+1,j)表示像素点(i+1,j)的像素值，h(i-1,j)表示像素点(i-1,j)的像素值，h(i,j+1)表示像素点(i,j+1)的像素值，h(i,j-1)表示像素点(i,j-1)的像素值；
20、根据灰度星座图在水平方向的梯度和在垂直方向的梯度，利用公式计算灰度星座图上每个像素点的梯度幅值和梯度方向；式中，g(i,j)为像素点(i,j)的梯度幅值，θ(i,j)为像素点(i,j)的梯度方向。
21、可选地，将每个信号的星座图特征输入所述多尺度卷积神经网络，每个信号的方向梯度直方图特征输入所述深度神经网络，训练所述多特征输入混合神经网络，获得调制格式识别模型，具体包括：
22、将训练集中的星座图特征输入所述多尺度卷积神经网络，训练集中的方向梯度直方图特征输入所述深度神经网络，训练所述多特征输入混合神经网络，获得训练后的多特征输入混合神经网络；
23、根据测试集中的星座图特征和方向梯度直方图特征，测试训练后的多特征输入混合神经网络的性能，并将测试通过的训练后的多特征输入混合神经网络确定为调制格式识别模型。
24、可选地，所述多尺度卷积神经网络包括：三个并行的卷积神经网络和一个平均池化层；
25、每个卷积神经网络包括依次连接的卷积层、线性修正单元启动函数和一维最大池化层；所述卷积层用于对输入的星座图特征进行卷积操作，输出特征图；所述线性修正单元启动函数用于对卷积层输出的特征图进行非线性变换，获得非线性变换后的特征图像；所述一维最大池化层用于对非线性变换后的特征图像进行最大池化，形成特征矢量；
26、三个卷积神经网络的一维最大池化层均与平均池化层连接；所述平均池化层用于对三个卷积神经网络得到的特征矢量进行平均池化，输出星座图特征矢量；
27、三个并行的卷积神经网络中的卷积层采用不同大小的卷积核。
28、可选地，所述深度神经网络包括依次连接的一个输入层和一个隐藏层；所述输入层用于接收方向梯度直方图特征，并传输至隐藏层；所述隐藏层用于根据所述方向梯度直方图特征，生成方向梯度直方图特征矢量；
29、平均池化层和隐藏层均与融合层连接；
30、所述融合层用于合并星座图特征矢量和方向梯度直方图特征矢量；
31、所述全连接层用于将合并后的星座图特征矢量和方向梯度直方图特征矢量变为一个一维矢量，并经软最大值函数，输出预测的调制格式分类结果。
32、一种信号调制格式识别系统，包括：
33、混合神经网络构建模块，用于构建多特征输入混合神经网络；所述多特征输入混合神经网络包括多尺度卷积神经网络、深度神经网络、融合层和全连接层，多尺度卷积神经网络的输出端和深度神经网络的输出端均与融合层的输入端连接，融合层的输出端与全连接层的输入端连接；
34、特征提取模块，用于采集光纤通信系统中不同类型的信号，并提取每个信号的星座图特征和方向梯度直方图特征；其中，不同类型的信号包括概率整形信号和均匀整形信号；
35、训练模块，用于将每个信号的星座图特征输入所述多尺度卷积神经网络，每个信号的方向梯度直方图特征输入所述深度本文档来自技高网...
【技术保护点】
1.一种信号调制格式识别方法，其特征在于，包括：
2.根据权利要求1所述的信号调制格式识别方法，其特征在于，提取每个信号的星座图特征和方向梯度直方图特征，具体包括：
3.根据权利要求2所述的信号调制格式识别方法，其特征在于，对每个灰度星座图进行梯度计算，得到每个灰度星座图的梯度信息，具体包括：
4.根据权利要求2所述的信号调制格式识别方法，其特征在于，将每个信号的星座图特征输入所述多尺度卷积神经网络，每个信号的方向梯度直方图特征输入所述深度神经网络，训练所述多特征输入混合神经网络，获得调制格式识别模型，具体包括：
5.根据权利要求1所述的信号调制格式识别方法，其特征在于，所述多尺度卷积神经网络包括：三个并行的卷积神经网络和一个平均池化层；
6.根据权利要求5所述的信号调制格式识别方法，其特征在于，所述深度神经网络包括依次连接的一个输入层和一个隐藏层；所述输入层用于接收方向梯度直方图特征，并传输至隐藏层；所述隐藏层用于根据所述方向梯度直方图特征，生成方向梯度直方图特征矢量；
7.一种信号调制格式识别系统，其特征
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的信号调制格式识别方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至6中任一项所述的信号调制格式识别方法。
...【技术特征摘要】
1.一种信号调制格式识别方法，其特征在于，包括：
2.根据权利要求1所述的信号调制格式识别方法，其特征在于，提取每个信号的星座图特征和方向梯度直方图特征，具体包括：
3.根据权利要求2所述的信号调制格式识别方法，其特征在于，对每个灰度星座图进行梯度计算，得到每个灰度星座图的梯度信息，具体包括：
4.根据权利要求2所述的信号调制格式识别方法，其特征在于，将每个信号的星座图特征输入所述多尺度卷积神经网络，每个信号的方向梯度直方图特征输入所述深度神经网络，训练所述多特征输入混合神经网络，获得调制格式识别模型，具体包括：
5.根据权利要求1所述的信号调制格式识别方法，其特征在于，所述多尺度卷积神经网络包括：三个并行的卷积神经网络和一个平...
【专利技术属性】
技术研发人员：张琦，忻向军，姚海鹏，黄之琦，高然，刘博，田凤，王富，田清华，王拥军，杨雷静，李志沛，李欣颖，潘晓龙，常欢，郭栋，周思彤，田博，董泽，
申请(专利权)人：北京邮电大学，
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。