本发明涉及调制识别技术领域,具体涉及到一种基于分数低阶星座图和深度学习的信号调制识别方法。该方法以分数低阶星座图为特征,以深度神经网络为分类器,实现了脉冲噪声条件下多种信号调制的准确识别。
背景技术:
信号调制识别是信号解调,并获取其内容的重要前提。近年来,伴随着通信技术的发展,信号的传输环境也变得日益复杂。在没有充足的信号的先验知识的前提下,准确识别信号的调制方式就显得尤为重要。
传统的基于特征的信号调制识别方法,通常依赖于人工来选取不同种类的特征。但是,由于个人经验及主观判断的差异性,这种方法往往需要耗费较大的人力和时间成本。
近年来,伴随着人工智能技术的快速发展,深度学习作为机器学习的一个分支,已经广泛应用于计算机视觉、图像处理、语音识别等诸多方面,并在模式识别领域表现出了优异的性能。故而,借助于深度学习所涉及的深度神经网络,能够大大降低信号调制识别过程中特征选取阶段对于人工经验和主观判断的依赖性,并且出现了很多借助于深度学习的信号调制识别方法。但是现有的方法和技术尚没有同时解决该类方法常涉及的两个主要问题,即:非高斯噪声条件和轻量化的深度神经网络。
鉴于此,本发明提出了一种基于分数低阶星座图和深度学习的调制识别方法。本发明首先提出了能够抑制脉冲性噪声这一典型的非高斯噪声的分数低阶星座图的概念,然后设计了能够降低计算量的轻量化深度神经网络,最后提出了基于分数低阶星座图和深度学习的信号调试识别方法。从模式识别的角度来看,分数低阶星座图是特征,轻量化的神经网络是分类器。本发明所提出的方法能显著抑制脉冲性噪声对信号调制识别准确率的影响,同时轻量化的网络能够显著降低训练和使用过程中的计算量。
技术实现要素:
为了克服现有基于信号特征和深度学习的信号调制识别方法在脉冲性噪声条件下性能退化以及计算量大的问题,本发明提出了一种基于分数低阶星座图和深度学习的调制识别方法。
本发明采用以下方案实现:
a:获取信号并对其进行分数低阶处理。
a1:获取信号。
a2:对信号进行分数低阶处理。
b:计算分数低阶星座图特征并制作训练集和测试集。
b1:计算信号的分数低阶星座图特征。
b2:将上述特征充分混合,并将混合后的特征按照一定比例组成训练集、验证集和测试集。
c:设计与训练轻量化的深度神经网络。
c1:设计轻量化的深度神经网络。
c2:利用训练集训练该深度神经网络。
c3:利用验证集验证该深度神经网络。
d:测试深度神经网络并进行信号调制识别。
d1:利用测试集测试该深度神经网络。
d2:进行信号调制识别。
本发明的有益效果为:
解决现有的信号调制识别方法在脉冲性噪声这一典型的非高斯噪声条件下性能退化的问题,并降低深度神经网络所引入的较高的计算量的问题。同时,该信号调试识别方法所能识别的调试方式种类广泛。
附图说明
图1是本发明所涉及的一种基于分数低阶星座图和深度学习的调制识别方法的流程图。
图2是本发明所涉及的分数低阶映射函数的曲线图。其中,每条曲线对应不同的参数p。
图3是本发明所涉及的信号的分数低阶星座图。其中,信号以2psk、4psk、8psk、16qam、32qam和64qam为例;分数低阶映射函数所涉及的参数p的取值分别为1.2、1.5和1.8。
图4是本发明所涉及的轻量化的深度神经网络的结构图。
图5是本发明所涉及不同的噪声条件下不同方法的识别准确率曲线图。其中,分数低阶星座图所涉及的参数p的取值分别为1.1、1.3和1.5,对比方法采用传统的星座图作为特征。
具体实施方式
为了更好的理解,下面结合本发明的附图,对本发明实施过程中的技术方案进行清晰完整的描述。
一种基于分数低阶星座图和深度学习的调制识别方法,其主要步骤的流程图如图1所示,具体而言其包括如下步骤:
a:获取信号并对其进行分数低阶处理。
所述步骤a具体包含以下步骤:
a1:获取信号。既可以按照不同调制方式的原理利用计算机生成仿真信号,并对其添加仿真脉冲性噪声,也可以利用接收机和天线获取脉冲噪声条件下的真实信号。其中,采用广义信噪比(generalizedsignal-to-noiseratio,gsnr)衡量脉冲性噪声的强度,广义信噪比的定义式为:
其中,ps表示信号的功率,pn表示噪声的广义功率。当采用alpha稳定分布来刻画非高斯噪声时,pn=γ,γ表示alpha稳定部分的尺度参数。
a2:对信号进行分数低阶处理。利用分数低阶映射函数对信号进行分数低阶处理,具体公式如下:
yflo(n)=(y(n))<p-1>
=aflo(n)+jbflo(n)
其中,n表示采样时刻所对应的离散时间变量,y(n)表示经采样后的信号序列,yflo(n)表示经分数低阶(fractionallower-order,flo)处理后的信号序列,aflo表示信号的实部,bflo表示信号的虚部,<·>表示分数低阶操作符,其满足如下关系式:
其中,z表示复数域
本发明所涉及的分数低阶映射函数的曲线图如图2所示。其中,每条曲线对应不同的参数p。
b:计算分数低阶星座图特征并制作训练集和测试集。
所述步骤b具体包含以下步骤:
b1:计算信号的分数低阶星座图特征。以信号的实部aflo作为横坐标,以信号的虚部bflo作为纵坐标,按照采样时刻n逐一计算信号所对应的分数低阶星座图特征。
b2:将上述特征充分混合,并将混合后的特征按照一定比例组成训练集、验证集和测试集。将上述b1步骤得到的分数低阶星座图特征充分混合,然后按照m1:m2:m3的比例分别组成训练集、验证集和测试集。通常,可以设定该比例为m1:m2:m3=6:2:2。
本发明所涉及的信号的分数低阶星座图如图3所示。其中,信号以2psk、4psk、8psk、16qam、32qam和64qam为例;分数低阶映射函数所涉及的参数p的取值分别为1.2、1.5和1.8。
c:设计与训练轻量化的深度神经网络。
所述步骤c具体包含以下步骤:
c1:设计轻量化的深度神经网络。为了降低训练、验证和测试过程中的计算量,采用较少的卷积层来设计轻量化的深度神经网络。
c2:利用训练集训练该深度神经网络。将训练集中的特征作为c1中的深度神经网络的输入,对其进行训练。在训练过程中,采用rmsprop作为网络参数的优化方法,采用交叉熵(crossentropy)作为损失函数,并设定学习率为0.01。
c3:利用验证集验证该深度神经网络。将验证集中的特征作为c1中的深度神经网络的输入,对其进行验证。
本发明所涉及的深度神经网络结构图如图4所示,具体的网络结构参数设定在图4中进行了标注。
d:测试深度神经网络并进行信号调制识别。
所述步骤d具体包含以下步骤:
d1:利用测试集测试该深度神经网络。将测试集中的特征作为c1中的深度神经网络的输入,对其进行测试。
d2:进行信号调制识别。将未知调制方式的信号的分数低阶星座图特征作为c1中的深度神经网络的输入,得到信号调制方式的识别结果。
本发明所涉及不同的噪声条件下不同方法的识别准确率曲线图如图5所示。其中,分数低阶星座图所涉及的参数p的取值分别为1.1、1.3和1.5,对比方法采用传统的星座图作为特征。