【技术实现步骤摘要】
本专利技术属于信号处理领域，具体涉及一种频谱自适应的amc(automaticmodulation classification，自动调制方式分类)场景迁移方法。
技术介绍
1、信号在信道传输前，通常经过不同的调制方式以提高其有效性和可靠性，从调制信号变为已调信号。为了达到最大的传输率，需要充分利用时变信道，自适应调制框架在民用无线通信中被广泛应用。
2、在这种情况下，通信过程中用到的特定调制方式需要通过网络协议，以协议的额外开销为代价，由传输机发送给接收机。当接收机能够识别调制方式时，达到减少消耗的目的。另外，包括信号拦截和干扰在内的很多军事应用都需要通过调制信号识别技术来识别来自敌方的信号。因此，自动调制分类技术(automatic modulation classification,amc)在军事和民用的自动接收机配置，干扰缓解和频谱管理方法，都有重要的应用。
3、近年来，随着深度学习的发展，人们也逐渐将其应用至无线通信领域，并在调制方式分类上取得了较好的效果。然而，在一些实际的情况下，深度学习的应用也存在一些局限性：例如，目前的深度学习方法只能够在同样分布的数据中应用，在实际情况下，数据的分布会随着信道环境中的噪声，传输过程中的频偏、相偏以及采样率的不同而不同。不同的数据分布形成了不同的域。深度学习模型通常在特定的域下进行训练，如果域发生变化，其性能就会衰落。对于深度学习这种需要数据驱动的学习方式，针对每个域都要建立大量有标签的信号数据集供其学习的标记成本非常高，显然是不现实的。
4、
技术实现思路
1、针对无人机在不同通信场景中调试方式分类性能下降的问题，本专利技术结合对抗域模型fcan，设计了一种基于频谱自适应的amc场景迁移方法；利用信号高频分量中所包含的频谱信息，通过交换源域与目标域的高频分量，减少信道中噪声的影响，从而减少源域与目标域信号分布的差异性，实现从无人机有直达径场景到无直达径场景的调制特征迁移，提升模型在无直达径场景下的识别效果。
2、所述基于频谱自适应的amc场景迁移方法，具体步骤如下：
3、步骤一、基于软件无线电usrp的通信信号采集系统，采集瑞利多径衰落信道和莱斯多径衰落信道场景下的amc仿真信号数据集；
4、步骤二、将瑞利多径衰落信道的amc实采信号数据作为源域，莱斯多径衰落信道的amc实采信号作为目标域；
5、源域表达式为目标域表达式为
6、其中，ns为源域有标签信号的样本量，nt为目标域无标签信号的样本量；第i个源域输入数据包含原信号xi、调制方式标签yi和信噪比snri，第j个目标域输入数据包含原信号xj和信噪比snrj。
7、步骤三、将有标签的源域数据和无标签的目标域数据进行预处理，将其分别转化为复信号后进行离散傅里叶变换dft；
8、源域和目标域的复信号进行离散傅里叶变换，公式分别为：
9、
10、
11、代表源域的复信号xs离散傅里叶变换，代表目标域的复信号xt离散傅里叶变换，其中n是时序离散信号的长度，源域信号数据与目标域信号数据均为1024；n为经过dft之后的频谱长度。
12、步骤四、将经过dft的各信号依次输入频谱自适应模块，通过设定长度比例l进行频谱交换信号，得到适应信号；
13、具体步骤如下：
14、首先，定义掩码代码ml,n＝1n∈[ln:]，除了单侧边缘区域为1外，其他均为0；设定长度比例l∈(0,1)；l初始值人为设定。
15、然后，将源域信号幅度的高频分量被目标域信号xt的高频分量所取代，进行修改；
16、修改后的源域信号幅度频谱表示为：
17、
18、
19、其中，代表离散傅里叶变换后频谱的幅度分量，目标域信号的频谱幅度经过掩码后，高频分量不变，其余部分为0；源域信号的频谱幅度经过对掩码取反得到的后，高频分量为0，其余部分不变；二者共同组成了修改后的频谱幅度分量
20、最后，源域信号修改后的频谱幅度分量以及未经修改的频谱相位分量通过离散傅里叶逆变换(idft)进行处理，并映射回信号xs→t，得到最终的频谱交换后的源域适应信号；
21、频谱交换过程形式化为：
22、
23、其中，f-1代表离散傅里叶逆变换；
24、源域适应信号xs→t的调制格式与源域信号xs相同，但具有目标域中样本的特征。
25、通过回归网络，在频谱自适应模块中为每个单独的信号分别训练一个l值，若l为0，则源域适应信号xs→t保持与源域信号xs相同；相应地，l为1表示源域信号xs的频谱幅度完全被目标域信号xt取代。
26、步骤五、将适应信号输入fcan网络，通过损失函数和优化器adamw，利用反向传播训练，更新频谱自适应模块的长度比例l，并得到最终分类结果。
27、损失函数lc表示为：
28、
29、其中，表示源域标签调制分类损失，表示目标域标签调制分类损失，lcross-entropy表示计算ys'和ys之间的交叉熵损失函数，ys'表示标签判别器对源域信号调制方式的分类标签，ys表示源域数据的真实标签，lentropy表示计算yt的熵作为损失函数；yt'表示标签判别器对目标域信号调制方式的分类标签；
30、在实际实现中，回归网络的参数同fcan网络本身的参数一起，通过分类准确率的损失函数，反向传播和经过优化器adamw进行优化，更新频谱交换长度比例l。
31、在fcan网络收敛后，使用其对目标域信号数据进行调制方式识别分类，即实现跨场景下信号调制方式的识别分类。
32、本专利技术具有以下优点：
33、1)一种基于频谱自适应的amc场景迁移方法，针对采集信号难以观察其调制方式、获取标记成本高的问题，放宽了对于目标域信号数据的要求。目标域信号数据无需标记，可高效利用大量未标记数据提升新场景下amc任务性能。
34、2)一种基于频谱自适应的amc场景迁移方法，通过交换源域和目标域的高频频谱分量，减小因通信场景不同而引起的信号数据分布的差异，提高跨场景通信信号调制方式识别的鲁棒性和泛化性。
35、3)一种基于频谱自适应的amc场景迁移方法，在深度学习中引入傅里叶变换这一传统方法，结合了信号处理的相关理论，有利于提取域不变调制特征，并增加了网络结构的可解释性。
本文档来自技高网...【技术保护点】
1.一种基于频谱自适应的AMC场景迁移方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于频谱自适应的AMC场景迁移方法，其特征在于，所述源域表达式为目标域表达式为
3.如权利要求1所述的一种基于频谱自适应的AMC场景迁移方法，其特征在于，所述源域和目标域的复信号进行离散傅里叶变换，公式分别为：
4.如权利要求1所述的一种基于频谱自适应的AMC场景迁移方法，其特征在于，所述源域适应信号xs→t的调制格式与源域信号xs相同，但具有目标域中样本的特征；
5.如权利要求1所述的一种基于频谱自适应的AMC场景迁移方法，其特征在于，所述损失函数Lc表示为：
6.如权利要求4所述的一种基于频谱自适应的AMC场景迁移方法，其特征在于，在实际实现中，所述回归网络的参数同FCAN网络本身的参数一起，通过分类准确率的损失函数，反向传播和经过优化器adamw进行优化，更新频谱交换长度比例L；
【技术特征摘要】
1.一种基于频谱自适应的amc场景迁移方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于频谱自适应的amc场景迁移方法，其特征在于，所述源域表达式为目标域表达式为
3.如权利要求1所述的一种基于频谱自适应的amc场景迁移方法，其特征在于，所述源域和目标域的复信号进行离散傅里叶变换，公式分别为：
4.如权利要求1所述的一种基于频谱自适应的amc场景迁移方法，其特征在于，所述源...
【专利技术属性】
技术研发人员：王玉峰，马沁言，陈柏赫，丁文锐，
申请(专利权)人：北京航空航天大学，
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。