[發明專利]基于振幅和頻譜幅度特征的調制方式識別方法

有效

• 申請號: 202010138848.6
• 申請日: 2020-03-03
• 公開（公告）號: CN111404852B
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 高明;黃鳳杰;李靖;潘毅恒;廖覃明
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/04
• 代理公司: 鄭州芝麻知識產權代理事務所(普通合伙) 41173
• 代理人: 董曉勇

1.一種基于振幅和頻譜幅度特征的調制方式識別方法，其特征是：含有以下步驟：

步驟1、獲取樣本：

接收端接收N條樣本信號，并分別對N條樣本信號進行處理，獲取到N個行向量H和N個標簽；每條樣本信號的行向量H的獲取方法為：接收端對信號進行采樣處理得到離散序列，提取離散序列的振幅得到行向量A；對離散序列進行傅里葉變換得到頻譜序列，提取頻譜序列的幅度得到行向量F_FT；橫向合并行向量A和行向量F_FT得到行向量H；每條樣本信號的標簽的獲取方法為：應用one-hot編碼法則將信號的調制方式編碼，得到標簽；

將獲取的樣本信號的N個行向量H和N個標簽組成樣本，將樣本分成訓練樣本和測試樣本；

步驟2、構建一維卷積神經網絡；

步驟3、訓練一維卷積神經網絡：

將訓練樣本輸入一維卷積神經網路，選取Adam優化算法加快訓練速度，采用“早停法”訓練一維卷積神經網絡；“早停法”是指：當一維卷積神經網絡在訓練樣本上識別性能好，但在測試樣本上識別性能開始下降時停止訓練；

步驟4、應用訓練好的一維卷積神經網絡識別信號的調制方式：

接收端接收一條被識別信號，按照樣本信號的行向量H的獲取方法獲取到該被識別信號的行向量H，然后將該被識別信號的行向量H輸入到訓練好的一維卷積神經網絡，得到該被識別信號的調制方式。

2.根據權利要求1所述的基于振幅和頻譜幅度特征的調制方式識別方法，其特征是：所述步驟1中，樣本信號含有BPSK信號、QPSK信號、2ASK信號、4FSK信號、16QAM信號、64QAM信號、MSK信號、DSB信號和FM信號。

3.根據權利要求1所述的基于振幅和頻譜幅度特征的調制方式識別方法，其特征是：所述步驟1中，每條樣本信號的行向量H的獲取方法具體為：

步驟1.1﹑接收端接收一條信號R，對信號R進行M點采樣得到離散序列R′，R′＝[r₁,...r_i,...r_M]，1≤i≤M，其中r_i是一個復數點，r_i的數學表達式為r_i＝x_i+jy_i，計算離散序列R′的振幅|R′|，|R′|＝[|r₁|,...|r_i|,...|r_M|]，其中提取振幅|R′|中的M個點的振幅，得到維度為1×M的行向量A；

步驟1.2﹑確定傅里葉變換點數M′：若M等于2的整數次冪，則M′＝M；若M不等于2的整數次冪，則M′取距離M最短的2的整數次冪；

步驟1.3﹑對離散序列R′進行傅里葉變換得到頻譜序列F，F＝[F₁,...F_i...F_M′]，計算頻譜序列F的前點的幅度|F′|，提取幅度|F′|中的個點的幅度得到維度為的行向量F_FT；

步驟1.4﹑橫向合并行向量A和行向量F_FT，得到行向量H，H＝[A,F_FT]。

4.根據權利要求1所述的基于振幅和頻譜幅度特征的調制方式識別方法，其特征是：所述步驟2中，一維卷積神經網絡含有兩層卷積層和兩層全連接層；卷積層中的卷積核的大小均設置為256×3，每層卷積層之后依次連接max pooling層、dropout層，dropout率設置為0.5；兩層全連接層的神經元數量設置為256和9；選用交叉熵函數為一維卷積神經網絡的代價函數。