System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及移动通信的,特别涉及一种基于循环谱特征的智能调制识别方法及系统。
技术介绍
1、随着通信技术快速发展,移动设备数量的急剧增加以及通信传输速率的提高,通信系统的调制样式种类也日益丰富和复杂,加之各种新应用场景的不断涌现,使得电磁环境越来越复杂,在这种背景下,高精度的调制识别技术研究愈发受到大量科研人员的注意。
2、目前,信号调制方式的识别方法主要可分为两大类:基于最大似然理论的方法和基于特征参数提取的调制识别方法,基于最大似然理论的方法在理论上是一种有效的方法,但由于其计算复杂度过高,在实际场景下难以实施,倾向于采用基于特征参数提取的调制识别方法,在基于特征参数提取的调制识别方法中,循环谱特征因其能保留信号的调制信息并可以有效隔离信号中的高斯白噪声而备受瞩目,研究人员已成功利用循环谱特征和基于判决树的分类器实现了对信号的调制类型识别。然而在实际场景中,由于信号传感器只能接收有限长的信息,因此估算出的循环谱特征存在噪声泄漏,这将降低调制识别精度,为了应对这一挑战,现有技术提出了将神经网络和循环谱特征结合起来,利用神经网络从循环谱特征中进一步提取出包含信号调制信息和与噪声无关的特征,从而提升调制识别精度,但现有对神经网络和循环谱特征的研究多数仅停留搭建简单的神经网络,而未设计出针对性的降噪网络以应对泄漏在循环谱特征中的噪声,因此限制了调制识别精度的进一步提升。
技术实现思路
1、为解决上述现有技术存在调制识别精度低的问题,本专利技术提出一种基于循环谱特征的智能调
2、为了达到上述技术效果,本专利技术的技术方案如下:
3、一种基于循环谱特征的智能调制识别方法,包括以下步骤:
4、s1.获取若干种调制信号,对所述调制信号进行预处理,得到不含零点的循环谱α截面特征数据集;
5、s2.将所述循环谱α截面特征数据集作为预构建的降噪深度神经网络模型的输入,对所述降噪深度神经网络模型进行训练和测试,得到用于识别调制信号的智能调制识别模型。
6、优选地,所述调制信号从调制信号数据集中的含噪信道下获取,每一种调制信号含有若干种信噪比。
7、优选地,所述对所述调制信号进行预处理,包括:
8、s11.对调制信号的循环谱进行估计,得到循环谱;
9、s12.基于所述循环谱,提取循环谱中不含零点的α截面,将所述α截面作为循环谱的特征参数;
10、s13.利用所述循环谱的特征参数组成所述循环谱α截面特征数据集。
11、优选地,所述对调制信号的循环谱进行估计,得到循环谱,包括:
12、s11.计算所述调制信号的快速傅里叶变化,其计算表达式如下:
13、
14、其中,xt(rl,fk)表示调制信号在偏移时间为rl和频率fk处的快速傅里叶变化结果,r表示窗口号,l表示数据分段长度,k表示数据分段的段号,fk表示第k段数据的频率,n′表示滤波器数量,x表示待处理数据;
15、s12.基于所述调制信号的快速傅里叶变化结果,对调制信号的循环谱进行估计,其计算表达式如下:
16、
17、其中,表示循环谱函数,x表示接收信号,fs表示采用频率,q表示循环谱分辨率倍数,n表示当前时刻,fl表示第l段数据的频率,*表示共轭,表示调制信号在偏移时间为rl和频率fl处的复共轭傅里叶变换结果,t表示调制信号的周期,gc(·)表示汉明窗口函数,j表示复数。
18、优选地,所述提取循环谱中不含零点的α截面,所述α截面的表达式为f表示频率,将所述α截面作为循环谱的特征参数。
19、优选地,所述对所述降噪深度神经网络模型进行训练和测试,包括:
20、s21.将所述循环谱α截面特征数据集划分为训练集和测试集;
21、s22.利用所述训练集对所述降噪深度神经网络模型进行训练,得到训练好的降噪深度神经网络模型;
22、s23.利用所述测试集对训练好的降噪深度神经网络模型进行测试,得到所述智能调制识别模型。
23、优选地,所述降噪深度神经网络模型包括输入模块、残差卷积注意力降噪模块和输出模块,输入模块与残差卷积注意力降噪模块的输入端连接,残差卷积注意力降噪模块的输出端与输出模块连接。
24、优选地,利用所述训练集对所述降噪深度神经网络模型进行训练,包括:
25、s221.将所述训练集输入至输入模块,通过所述输入模块对所述训练集进行域变换,得到第一特征图;
26、s222.将所述第一特征图输入至所述残差卷积注意力降噪模块,通过所述残差卷积注意力降噪模块将所述第一特征图映射为第二特征图,对所述第二特征图进行全局池化,得到第三特征图,对所述第三特征图进行非线性计算,得到注意力得分,将所述注意力得分与第二特征图中的每个特征相乘并加权求和,得到融合特征,将所述融合特征与预设特征相加,得到特征信号;
27、s223.将所述特征信号输入至输出模块,通过所述输出模块输出所述特征信号属于不同的调制方式的概率。
28、本专利技术还提出了一种基于循环谱特征的智能调制识别系统,包括
29、数据获取模块,用于获取若干种调制信号的循环谱,对所述循环谱进行预处理,得到特征数据集;
30、识别处理模块,用于将所述特征数据集作为预构建的降噪深度神经网络模型的输入,对所述降噪深度神经网络模型进行训练和测试,得到用于识别调制信号的智能调制识别模型。
31、本专利技术还提出了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
32、所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如所述的基于循环谱特征的智能调制识别方法的操作。
33、与现有技术相比,本专利技术技术方案的有益效果是:
34、本专利技术提出一种基于循环谱特征的智能调制识别方法及系统,首先通过对调制信号进行预处理,获取到不含零点的循环谱α截面特征数据集,目的是对循环谱α截面提取作出改进,依据循环谱泄露噪声分布特点,去除含零点的循环谱α截面特征数据集,得到不含零点的循环谱α截面特征数据集,然后以不含零点的循环谱α截面特征数据集作为预构建的降噪深度神经网络模型的输入,对所述降噪深度神经网络模型进行训练和测试,使得降噪深度神经网络模型能够学习循环谱α截面中的调制信息特征,舍弃泄露噪声特征,有效提高了调制识别精度,便于通信系统的高效运行,保证了通信传输的可靠性和安全性。
本文档来自技高网...【技术保护点】
1.一种基于循环谱特征的智能调制识别方法,其特征在于,包括:以下步骤:
2.根据权利要求1所述的基于循环谱特征的智能调制识别方法,其特征在于,所述调制信号从调制信号数据集中的含噪信道下获取,每一种调制信号含有若干种信噪比。
3.根据权利要求1所述的基于循环谱特征的智能调制识别方法,其特征在于,所述对所述调制信号进行预处理,包括:
4.根据权利要求3所述的基于循环谱特征的智能调制识别方法,其特征在于,所述对调制信号的循环谱进行估计,得到循环谱,包括:
5.根据权利要求4所述的基于循环谱特征的智能调制识别方法,其特征在于,所述提取循环谱中不含零点的α截面,所述α截面的表达式为f表示频率,将所述α截面作为循环谱的特征参数。
6.根据权利要求1所述的基于循环谱特征的智能调制识别方法,其特征在于,所述对所述降噪深度神经网络模型进行训练和测试,包括:
7.根据权利要求6所述的基于循环谱特征的智能调制识别方法,其特征在于,所述降噪深度神经网络模型包括输入模块、残差卷积注意力降噪模块和输出模块,输入模块与残差卷积注意力降噪模
8.根据权利要求7所述的基于循环谱特征的智能调制识别方法,其特征在于,利用所述训练集对所述降噪深度神经网络模型进行训练,包括:
9.一种基于循环谱特征的智能调制识别系统,其特征在于,包括:
10.一种计算机设备,其特征在于,包括::处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
...【技术特征摘要】
1.一种基于循环谱特征的智能调制识别方法,其特征在于,包括:以下步骤:
2.根据权利要求1所述的基于循环谱特征的智能调制识别方法,其特征在于,所述调制信号从调制信号数据集中的含噪信道下获取,每一种调制信号含有若干种信噪比。
3.根据权利要求1所述的基于循环谱特征的智能调制识别方法,其特征在于,所述对所述调制信号进行预处理,包括:
4.根据权利要求3所述的基于循环谱特征的智能调制识别方法,其特征在于,所述对调制信号的循环谱进行估计,得到循环谱,包括:
5.根据权利要求4所述的基于循环谱特征的智能调制识别方法,其特征在于,所述提取循环谱中不含零点的α截面,所述α截面的表达式为f表示频率,将所述α截面作为循环谱的特征参数。
6.根据权利要求1所述的基于循...
【专利技术属性】
技术研发人员:张琳,杨易木,李雯佳,苏攀月,赖彤晞,
申请(专利权)人:中山大学,
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。