[發明專利]一種基于深度學習的高精度頻譜識別方法及系統

在審

• 申請號: 201911234417.3
• 申請日: 2019-12-05
• 公開（公告）號: CN111191515A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 吳賽;王智慧;汪莞喬;李哲;李許安;段鈞寶;丁慧霞;鄭偉軍;李志;孟薩出拉;滕玲
• 申請（專利權）人: 中國電力科學研究院有限公司;國網浙江省電力有限公司;國家電網有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 姜麗樓

本發明公開了一種基于深度學習的高精度頻譜識別方法及系統，其中方法包括：對加入噪聲的已調信號進行預處理，對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖；根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征；將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡；通過訓練后的深度學習網絡對待識別信號進行識別，輸出所述待識別信號的調制方式。

技術領域

本發明涉及無線通信技術領域，更具體地，涉及一種基于深度學習的高精度頻譜識別方法及系統。

背景技術

我國對無線電頻譜進行授權分配，不同的通信系統使用分配好的不同頻段，這有效地抑制了通信系統之間的干擾。但是隨著無線業務的迅猛增長，對頻譜的需求在持續增加，頻譜資源日益緊缺。為解決這個問題，認知無線電技術誕生，其盡可能的發現授權用戶的空閑時段，動態的進行頻譜接入以充分地利用這些空閑的頻段。這不僅保證了授權用戶的正常通信，還極大的提高了頻譜利用率。頻譜感知是認知無線電的基礎，其通過對無線電環境進行感知來判斷頻譜的使用情況，從而進行進一步的頻譜動態管理等任務。而頻譜感知的關鍵是對感知到的無線電環境中的信號進行調制方式識別。頻譜監測、管理、分配，信號的解調和參數估計等環節都依托于信號調制方式的識別。這些后續環節只有在正確識別調制方式的基礎上才能得到可靠的施行。故而，對調制方式識別技術的研究對于認知無線電具有重要的意義。

國內外現有的有關通信調制方式識別的文獻中，主要采用兩類方法：一類是基于最大似然決策理論的方法；另一類是基于特征提取分析的統計模式識別方法。基于最大似然決策理論的方法利用假設檢驗從理論推導上計算信號的統計特性，將計算得到的統計量與設定的門限值進行比較，以此為標準進行信號調制方式的識別。但是使用這種方法需要知道載波頻率、碼元速率、信道參數以及信噪比等先驗知識，而且，計算分類統計量的復雜度也因未知參數的存在而大大增加。因此，基于最大似然判決理論的方法并不適用于非合作通信場景。第二類基于特征提取的統計模式識別方法主要由信號預處理、特征提取以及分類器設計三大部分組成。其中，最重要的是特征的選取，選取的特征能否有效地表征各類調制信號將會直接影響到調制方式分類識別準確率的高低，現有文獻中已知選取的特征有星座圖投影、高階累積量特征和功率譜特征等等。由于選取的特征一般是數值形式，不同信噪比下特征值的波動比較明顯，而目前已知的一些特征在低信噪比下特別的不穩定，極大的影響到了分類識別的準確率。另一方面，對于不同的調制方式，特定幾種調制方式分類識別情況下選取的特征不一定適用于其他的分類情況，選取的特征能夠識別的調制種類數目有限，可推廣性差。所以幾乎很難找到一種完美的、通用的特征。

因此，需要一種技術，以實現對高精度頻譜進行識別。

發明內容

本發明技術方案提供了一種基于深度學習的高精度頻譜識別方法及系統，以解決如何基于深度學習對高精度頻譜進行識別的問題。

為了解決上述問題，本發明提供了一種基于深度學習的高精度頻譜識別方法，所述方法包括：

對加入噪聲的已調信號進行預處理，對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖；

根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征；

將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡；

通過訓練后的深度學習網絡對待識別信號進行識別，輸出所述待識別信號的調制方式。

優選地，所述對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖，包括：

對經過預處理的已調信號采用循環周期檢測算法進行計算得到循環相關熵譜。