一种随机多径干扰条件下基于CBD网络的调制信号识别方法

一种随机多径干扰条件下基于cbd网络的调制信号识别方法
技术领域
1.本发明涉及调制信号识别领域，特别涉及一种随机多径干扰条件下基于cbd网络的调制信号识别方法。


背景技术：

2.通信信号在各种信道中传播时，由于受天气、环境、温度等因素影响，会产生各式各样的干扰，多径效应是一种典型的通信干扰形式。当信号在较为开阔的地界传播时，由于可发生散射的媒介较少，多径效应不明显，产生的干扰可忽略。但在环境较为复杂的条件下，通常不得不考虑多径可能带来的影响。实际上，生活中最为常见的通信场景均在多径环境，如何在多径干扰和低信噪比条件下实现通信信号的自动调制类型识别是本领域研究的难点和热点问题。
3.通信信号的调制识别发展于60年前，其本质是一种模式识别，即将已调信号作为模式识别的对象，识别信号的调制类型，统称为调制识别。上世纪六十年代，c.s.weaver等人发表了关于调制识别开拓性的研究论文，经过近半个世纪的发展，已经发展了许多有关多径信号调制识别的研究成果。李艳玲等人于2011年提出了一种全盲的基于小波变换与高阶循环累积量相结合的算法，可以在0db环境下，对2ask、2psk和4qam达到近100％的识别率；张凯超等人结合了高阶累积量与阈值判别分类器，可在4db噪声下，对9类多径信号达到90％以上的识别率；宋旭等人设计了9层的神经网络模型，实现了snr大于5db时，对15种调制方式的多径信号平均90％的识别率。
4.上述方法大多只能在snr较高、调制类型较少或调制种类简单的条件下，完成调制识别任务，并需要对原数据进行人工特征提取；且已有的基于深度网络的识别方法仅考虑了高斯信道噪声模型，导致网络在不同噪声环境和随机多径条件下的泛化分类能力较差。在上述研究基础上，本专利申请将使用cnn
‑
bilstm(attention)
‑
dnn结构的深度学习模型，对多径干扰下的信号进行调制识别，并尝试在训练样本的基础上，扩大识别的信号的多径干扰强度，再进一步进行识别。该方法可实现对原信号的直接处理并识别，且可实现在0db下对5类调制方式的信号的较好识别效果。


技术实现要素：

5.为了克服现有技术中的不足，本发明提供一种随机多径干扰条件下基于cbd网络的调制信号识别方法，可识别低信噪比下，一定多径干扰范围下的信号调制方式，可为多径干扰下的调制信号识别提供更丰富的细节。
6.为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
7.一种随机多径干扰条件下基于cbd网络的调制信号识别方法，包括以下步骤：
8.步骤s100：复杂噪声和多径干扰条件下通信信号建模和数据集生成：根据无线信号传输系统，基于多种噪声模型生成多径干扰下不同调制类型的通信信号，构成数据集；
9.步骤s200：cbd网络模型设计：设计基于注意力机制的cnn
‑
bilstm
‑
dnn模型，包括
cnn特征提取模块、双向长短时记忆网络模块和全连接层分类模块；
10.步骤s300：cbd网络模型训练：使用固定多径参数生成的数据集对模型进行训练与验证，保存最佳模型；
11.步骤s400：基于cbd网络的调制信号识别和泛化性功能分析：评估验证集的表现，与此同时，重新生成多径参数在训练集基础上随机波动的测试数据集，使用上述最佳模型测试对其识别效果，对比验证集与测试集表现，进行泛化性分析。
12.进一步的，在步骤s100中，所述调制信号识别的数据对象为低信噪比、随机多径干扰、不同噪声环境下的已调信号，信号调制类型包括：2fsk、bpsk、qpsk、wb
‑
fm和dsb
‑
am。
13.进一步的，在步骤s100中，所述数据集的生成模拟实际信号传播的方式，如公式：
14.y(t)＝m(s(t))*h(t)+n(t)
15.其中，y(t)为输出信号，s(t)为原信号，m(
·
)为信号调制，h(t)为信道响应，n(t)为加性噪声；
16.上述信号生成方法中，信道为多径信道，即信道响应h(t)需添加时延与衰减，添加两个多径干扰信道，信号延迟分别为0.16μs和0.4μs，信号衰减分别为
‑
10db和
‑
15db；
17.上述信号生成方法中，加性噪声共分3类，分别为高斯白噪声、单分形噪声和多重分形噪声，信噪比均服从snr＝信号功率/噪声功率。
18.进一步的，在步骤s200中，所述cbd网络模型的结构包括cnn特征提取模块中的三层cnn、双向长短时记忆网络模块中的两层bilstm+attention层和全连接层分类模块中的两层dnn，模型具体包括：
19.cnn特征提取模块：
20.第一层卷积层，内含48个30*1的卷积核，卷积步长为1；第一层最大池化层，窗长为4；dropout层；
21.第二层卷积层，内含36个30*1的卷积核，卷积步长为1；第二层最大池化层，窗长为4；dropout层；
22.第三层卷积层，内含16个30*1的卷积核，卷积步长为1；第三层最大池化层，窗长为4；dropout层；
23.双向长短时记忆网络模块：
24.第一层bilstm，隐层节点数为128，保留双向所有输出；dropout层；
25.第二层bilstm，隐层节点数为128，保留双向所有输出；dropout层；
26.自注意力层；平铺层；
27.全连接层分类模块：
28.第一层全连接层，隐层节点数256；dropout层；
29.输出层，隐层节点数5；
30.上述自注意力层的激活函数选择sigmoid，输出层的激活函数选择softmax，其余所有层的激活函数选择relu；模型的损失函数为交叉熵函数；所有dropout均保留1/4原结点。
31.进一步的，所述自注意力层的原理如下公式：
[0032][0033]
e
t
＝σ(w
a
h
t
+b
a
)
[0034]
a
t
＝softmax(e
t
)
[0035]
l
t
＝a
t
·
x
t
[0036]
其中，x
t
为原时间序列，w
t
、w
a
为可训练权重，b
t
、b
a
为可训练偏置，σ(
·
)为激活函数，原时间序列x
t
经一系列自注意力变换后，得到新的时间序列l
t
。
[0037]
进一步的，在步骤s400中，所述基于cbd网络的调制信号识别和泛化性功能分析，其实现过程包括：
[0038]
原信号首先进入cnn特征提取模块，通过三层cnn，提取得抽象特征序列；接着所得的抽象特征序列再通过两层bilstm，并在attention机制的帮助下学习到具有更强记忆性的连续特征；最后使用两层的全连接层将最终结果分类，并得到相应的输出；
[0039]
同时，cbd网络模型的使用中，将用于训练的全部数据按一定比例分为训练集与验证集，训练集用于训练模型，验证集用于在同分布的数据上验证模型的效果；
[0040]
此外，将在设定的多径参数基础上，划定一个小范围，使新数据的多径信道影响在划定范围上波动，由此得到一组新数据，用作测试集，再用训练阶段保存的最佳模型来测试在该组数据上的表现，并将结果与模型在验证集上的表现对比，由此进行cbd网络模型泛化性功能分析。
[0041]
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
[0042]
本发明提出一种随机多径干扰条件下基于cbd网络的调制信号识别方法，充分利用cnn模型的抽象特征提取与bilstm对时序信号的特征学习能力，并结合注意力机制，可以很好的识别低信噪比下的随机多径信号，为复杂噪声与多径环境下的调制信号识别提供一种新的技术途径。
附图说明
[0043]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
[0044]
图1为本发明一种随机多径干扰条件下基于cbd网络的调制信号识别方法的流程示意图；
[0045]
图2为snr＝15db下gwn环境中5种调制方式的原信号与多径信号对比；(a)2fsk；(b)bpsk；(c)16qam；(d)wb
‑
fm；(e)dsb
‑
am；
[0046]
图3为snr＝0db条件下gwn(a)、dfgn(b)、mfn(c)噪声环境的多径信号的基于cbd模型训练损失(第一列)与识别率(第二列)；
[0047]
图4为snr＝0db的gwn(a)、dfgn(b)、mfn(c)环境下cbd模型识别的混淆矩阵。
具体实施方式
[0048]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
本实施例公开一种随机多径干扰条件下基于cbd网络的调制信号识别方法，其流程示意图如图1所示，包括以下步骤：
[0050]
步骤s100：复杂噪声和多径干扰条件下通信信号建模和数据集生成：根据无线信号传输系统，基于多种噪声模型生成多径干扰下不同调制类型的通信信号，构成数据集；
[0051]
步骤s200：cbd网络模型设计：设计基于注意力机制的cnn
‑
bilstm
‑
dnn模型，包括cnn特征提取模块(c模块)、双向长短时记忆网络模块(b模块)和全连接层分类模块(d模块)；
[0052]
步骤s300：cbd网络模型训练：使用固定多径参数生成的数据集对模型进行训练与验证，保存最佳模型；
[0053]
步骤s400：基于cbd网络的调制信号识别和泛化性功能分析：评估验证集的表现，与此同时，重新生成多径参数在训练集基础上随机波动的测试数据集，使用上述最佳模型测试对其识别效果，对比验证集与测试集表现，进行泛化性分析。
[0054]
下面对上述各步骤进行详细说明：
[0055]
在步骤s100中，所述数据集的生成模拟实际信号传播的方式，如公式：
[0056]
y(t)＝m(s(t))*h(t)+n(t)
[0057]
其中，y(t)为输出信号，s(t)为原信号，m(
·
)为信号调制，h(t)为信道响应，n(t)为加性噪声。加性噪声共分3类，分别为高斯白噪声(gwn)、单分形噪声(dfgn)和多重分形噪声(mfn)，信噪比均服从snr＝信号功率/噪声功率。
[0058]
优选的，在步骤s100中，所述调制信号识别的数据对象为低信噪比、随机多径干扰、不同噪声环境下的已调信号，信号调制类型包括：2fsk、bpsk、qpsk、wb
‑
fm和dsb
‑
am。信号调制方式与标签对应如表1，基准多径参数的设置如表2。
[0059]
表1多径信号调制方式标签
[0060]
调制方式标签2fsk0bpsk116qam2wb
‑
fm3dsb
‑
am4
[0061]
表2多径信号建模设置
[0062]
通道序号延迟/μs衰减/db00010.16
‑
1020.4
‑
15
[0063]
其中，通道0为原信号，通道1、2为两个多径干扰源，分别在原信号基础上添加了0.16μs、0.4μs的时延与
‑
10db、
‑
15db的衰减，三个信道的信号共同组成了原始多径信号，最后再在其基础上添加gwn、dfgn、mfn三种噪声，控制snr＝0db，最终得到所述数据集，此外，5种调制方式中，bpsk未添加多径效果，其余调制方式均加入了多径干扰，最终，得到每种调制方式1000条数据，共5000条。
[0064]
图2列举了15db下的gwn环境中，五类调制信号多径前后的对比。从图中可以看出，
即使在15db的环境下，添加多径效应后的不同调制方式信号还是会发生很大变化，因此，当信噪比降低时，对多径干扰下信号调制方式的识别难度会更大。
[0065]
在步骤s200中，设计基于注意力机制的cnn
‑
bilstm
‑
dnn模型。具体的，模型的结构参考如图1，所述cbd网络模型的结构包括cnn特征提取模块(c模块)中的三层cnn、双向长短时记忆网络模块(b模块)中的两层bilstm+attention层和全连接层分类模块(d模块)中的两层dnn，模型具体包括：
[0066]
cnn特征提取模块(c模块)：
[0067]
第一层卷积层，内含48个30*1的卷积核，卷积步长为1；第一层最大池化层，窗长为4；dropout层；
[0068]
第二层卷积层，内含36个30*1的卷积核，卷积步长为1；第二层最大池化层，窗长为4；dropout层；
[0069]
第三层卷积层，内含16个30*1的卷积核，卷积步长为1；第三层最大池化层，窗长为4；dropout层；
[0070]
双向长短时记忆网络模块(b模块)：
[0071]
第一层bilstm，隐层节点数为128，保留双向所有输出；dropout层；
[0072]
第二层bilstm，隐层节点数为128，保留双向所有输出；dropout层；
[0073]
自注意力层(self_attention)；平铺层；
[0074]
全连接层分类模块(d模块)：
[0075]
第一层全连接层，隐层节点数256；dropout层；
[0076]
输出层，隐层节点数5。
[0077]
上述各层的参数设置如表3所示：
[0078]
表3 cbd模型各层参数设置
[0079]
[0080][0081]
上述自注意力层的激活函数选择sigmoid，输出层的激活函数选择softmax，其余所有层的激活函数选择relu；模型的损失函数为交叉熵函数；所有dropout均保留1/4原结点。
[0082]
进一步的，所述自注意力层的原理如下公式：
[0083][0084]
e
t
＝σ(w
a
h
t
+b
a
)
[0085]
a
t
＝softmax(e
t
)
[0086]
l
t
＝a
t
·
x
t
[0087]
其中，x
t
为原时间序列，w
t
、w
a
为可训练权重，b
t
、b
a
为可训练偏置，σ(
·
)为激活函数，原时间序列x
t
经一系列自注意力变换后，得到新的时间序列l
t
。
[0088]
在步骤s300中，模型设计完成后，使用生成的固定参数多径数据来训练cbd模型，训练参数的设置如表4。
[0089]
表4 cbd模型训练参数设置
[0090]
learning_rate0.0003optimizer
‘
adam’batchsize128epoch150train/val data0.95:0.05
[0091]
模型在三种噪声下对多径数据的训练效果如图3所示。图中，在gwn背景下，模型约于20次epoch处达到收敛，总体收敛速度较快，进而训练后期出现过拟合，但最终最高识别率仍可达93.60％；在dfgn与mfn下，训练收敛较慢，最终最高识别率分别可达93.20％与94.80％，其中，mfn环境下模型收敛地较平滑。
[0092]
为进一步展现其效果，图4列举了三种噪声0db下模型对所有数据的识别混淆矩阵。由图4可以看出，模型对含多径的16qam信号的识别率较低，结合第一节中多径信号效果的展示，其中16qam的多径影响亦是最大，符合一定客观事实；bpsk的表现最好，基本达到100％的识别率，一定程度上反应了该模型对多径信号相位变换的敏感性，5类调制方式的平均识别率由高到低依次为bpsk、dsb
‑
am、2fsk、wb
‑
fm、16qam。
[0093]
在步骤s400中，基于cbd的调制信号识别和泛化性功能分析，为进一步的体现cbd模型对多径信号调制识别的效果，本实施例改变snr，对所有信噪比下的三类噪声数据进行实验，实验结果如表5。
[0094]
表5不同snr下，cbd模型最高识别率(多径)
[0095]
信噪比/db0351015gwn93.60％98.00％98.80％99.60％100.00％dfgn93.20％96.80％96.80％98.40％100.00％mfn94.80％97.60％97.20％99.20％99.60％
[0096]
由上表可以看出，cbd模型对5类调制方式的信号的识别率随snr的增大而增大，且高snr下，识别率无限接近100％，0db下，平均识别率也可达到93％以上。对比不同噪声类型下模型的表现，可以发现，模型在gwn环境下，各个snr的最高识别率效果总体优于dfgn与mfn，mfn的表现略次之，与dfgn的表现相差也不大。
[0097]
进一步的，为验证模型的泛化能力，本实施例重新生成了一组多径参数在训练数据基础上随机波动的测试数据集，并使用训练好的模型测试对其识别效果，并与模型在验证集上的表现对比，分析其泛化能力。
[0098]
其中，新的多径信号构建参数设置如表6，其中，snr＝0db。每种调制方式200条数据，共1000条。
[0099]
表6多径信号(重建)建模设置
[0100]
通道序号延迟/μs衰减/db00010.15～0.17
‑
11～
‑
920.3～0.5
‑
16～
‑
14
[0101]
与原数据类似，bpsk调制方式未添加多径，其余设置均参考上表。由上表可知，重建的多径信号各个信道的延迟与衰减在原多径信号基础上进行了波动偏移。在此基础上，
给偏移多径信号分别添加snr＝0db的gwn、dfgn与mfn，再使用步骤s300中所训练的cbd模型最优模型，对该数据进行识别率测试，并对比其识别率的变化，具体实验结果如表7所示。
[0102]
表7 cbd模型泛化性分析
[0103]
数据\噪声类型gwndfgnmfn原多径数据93.60％93.20％94.80％偏移多径数据91.40％91.80％92.70％
[0104]
由表7可以看出，cbd模型在原信号多径参数发生微小变动时，可以一定程度上保持识别率，三类噪声环境下平均识别率波动为1.90％，验证了cbd模型具有一定的泛化能力。
[0105]
利用本实施例提供的基于cbd模型的低信噪比随机多径干扰条件下的调制信号识别方法，对snr＝0db下的gwn、dfgn、mfn噪声环境的5类调制方式的多径信号进行调制识别，可达到平均93.87％的识别率。在模型训练完成后，使用原多径参数基础上微小偏移的新数据，平均识别率下降了1.90％，在接受范围内，验证了该方法对低信噪比一定范围内随机多径干扰条件下信号调制方式的识别效果。
[0106]
因此，本实施例提供的基于cbd模型的低信噪比随机多径干扰条件下的调制信号识别方法，可充分利用cnn模型的抽象特征提取与bilstm对时序信号的特征学习能力，并结合注意力机制，可以很好的识别低信噪比下的随机多径信号，为复杂多径条件下的调制信号识别提供一种新的技术途径。
[0107]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。