一种频域上使用卷积神经网络识别STBC信号的方法与流程

本发明属于信号处理领域中非协作通信信号处理技术，具体是指一种频域上使用卷积神经网络识别stbc信号的方法。

背景技术：

通信信号盲识别技术是当今学术界和工程界研究的热点，无论是在军事通信领域还是民用通信领域，通信盲识别技术都得到广泛应用。空时分组码识别是指在接收端不知道信道状态信息的情况下，只利用接收端识别发射端所采用的空时编码方式。目前关于stbc编码类型识别都是传统算法，主要分为基于特征提取和基于最大似然算法，其中基于特征提取算法不需要对信道等先验信息进行预估，因此适合应用非合作通信场合。近几年，机器学习在调制识别已经取得一定进展，文献中采用卷积神经网络识别11种调制信号，包括数字调制信号和模拟调制信号，且识别正确率在90％以上。目前cnn主要用于信号调制识别，尚未应用于信道编码识别。本发明的算法是针对信道编码中6种不同的stbc信号进行识别，包括两种码长相同的stbc信号。

技术实现要素：

本发明的内容是在全盲条件下，对6种stbc信号进行识别。

为解决上述技术问题，本发明是通过以下技术方案实现的：首先构建包含6种stbc数据集，以长度为128构成新的数据集r(n)，然后采用一种频域预处理算法对数据进行预处理，通过stbccnn网络识别信号类型。

本发明考虑的6种stbc信号编码方式详细的方案如下：sm(nt＝2,ns＝2,l＝1)，al(nt＝2,ns＝2,l＝2)，stbc3-1(nt＝3,ns＝3,l＝4)，stbc3-2(nt＝3,ns＝3,l＝4)，stbc3-3(nt＝3,ns＝4,l＝8)，stbc4(nt＝4,ns＝4,l＝8)，其中nt代表发射天线个数，ns代表编码矩阵传输符号个数，l代表码长，相应的编码矩阵为：

不失一般性，假定r(0)截获的是第b个传输块的(n1+1)个信号，接收信号r(n)可以表示为：

r(n)＝hs(n)+w(n)(7)

其中，w(n)表示均值为0方差为白性高斯白噪声，代表信道向量，在观察周期内保持不变，s(n)表示cp(sq)，其中p＝(n+n1)modl和q＝b+(n+n1)divl。

所述的构造一种频域预处理，具体为：将数据集r(n)进行fft变换，然后实部虚部分开构建新的数据集。具体为：首先将长度为128的信号r(n)进行fft运算，计算公式如下：

由于卷积神经网络只能处理二维数据，因此分开x(k)信号实部和虚部构建一个二维的数据集，具体操作如下：

其中，代表是实部，代表是虚部。

所述的构造了一种频域预处理，具体为：将数据集r(n)计算自相关函数e[r(n)r(n)]，然后在进行fft变换，最后实部和虚部分开构建新的数据集。

首先计算r(n)的自相关函数：

mr,2,0(n)＝e{r(n)r(n)}(10)

然后对mr,2,0(n)进行fft运算：

由于卷积神经网络只能处理二维数据，执行式(9)的计算。

所述的构造了一种频域预处理，具体为：将数据集r(n)计算自相关函数e[r(n)r^*(n)]，然后在进行fft变换，最后实部和虚部分开构建新的数据集。

首先计算r(n)的自相关函数：

mr,2,0(n)＝e[r(n)r^*(n)](12)

其中()^*为共轭，然后执行式(11)计算和式(9)计算。

本发明所提的算法主要依据是数据集的频域形式，采用stbccnn识别文中所提的6种stbc信号。算法流程为：预处理原始数据，训练构建的卷积神经网络参数，识别目标信号。

(1)预处理数据

将原始的样本以长度为128构建数据，采用文中提到的三种频域处理算法中一种对原始样本进行预处理。

(2)训练网络参数

将预处理后得到的二维标签数据输入stbccnn，对网络进行训练，当代价函数值取得最小值搭建模型参数为最优参数。

(3)识别目标信号

识别时，将未知信号经过预处理后，输入stbccnn，识别出不同的stbc信号。

本发明方法能识别在全盲条件下6种stbc信号，其中包括两种码长相同的stbc信号，且在低信噪比下识别效果较好。

本发明方法能识别在全盲条件下6种stbc信号，其中包括两种码长相同的stbc信号，且在低信噪比下识别效果较好。

附图说明

图1是本发明所述方法的总体流程图。

图2训练过程代价函数。

图36种stbc信号的识别概率。

图4在不同信噪比下混淆矩阵。

图5不同频域预处理算法对比。

具体实施方式

本实施方式的总体流程图如图1所示，并采用的stbccnn网络。

本实施例所述方法实现过程如下：

1)采样，初始化数据；

2)预处理数据；

3)搭建stbccnn，并利用训练集训练网络参数；

4)识别信号。

实例中无特殊说明，仿真参数如下设置：数据集中包含6种stbc信号，分别为sm、al、stbc3-1、stbc3-2、stbc3-3、stbc4，采用qpsk调制方式，信道采用nakagami信道，信噪比定义为其中为每根发射天线的功率，为高斯噪声功率。正确识别概率pc(λ|λ)衡量算法性能。

训练过程中代价函数变化如图2所示，整个训练和测试过程大约为1分钟，代价函数大概在epochs＝25时收敛。

图3为6种不同stbc信号的识别概率，当snr＝0db时信号识别概率约为0.9，当snr＝5db时信号识别概率约为0.95，识别性能理想。

图4为不同信噪比下混淆矩阵的情况，从图中可以发现，在snr值高时，混淆矩阵呈现对角特征，在snr值低时，会出现信号错判的现象，也侧面印证了图4的识别概率。

图5为三种不同频域预处理的识别算法性能对比，从图中可以发现，两种自相关函数的预处理算法性能基本相同，优于直接采用fft运算，主要是由于采用自相关函数后数据集的特征更明显，有利于后期数据识别。