[發明專利]一種基于復值神經網絡的調制方式識別方法

有效

• 申請號: 202010173742.X
• 申請日: 2020-03-13
• 公開（公告）號: CN111314257B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 楊海芬;任艷;李航宇;王厚均;周軍
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/04
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

該發明公開了一種基于復值神經網絡的調制方式識別方法，涉及無線通信技術領域。針對通信領域中廣泛存在的復數信號，本發明提出一種利用時域接收到的復數信號，不需要對接收到的信號提取任何參數，只需將復數數據輸入到復值神經網絡中進行訓練，充分學習數據中實部與虛部的特征，便能得到較高的準確率，且比傳統高階累積方式高。相比實值，復數有更豐富的表達能力，復值神經網絡學習復數的實部與虛部特征，更適用于絕大多數為復數表現形式的通信信號；本發明不用人為計算觀察各個信號或特征值之間差異，不需人工設定閾值來區分信號的調制類型，神經網絡就有分類器的功能。

技術領域

本發明涉及無線通信技術領域，特別是涉及了一種利用復值神經網絡技術對復雜環境下的通信信號進行調制方式識別的方法。

背景技術

信號調制是使一種波形的某些特性按另一種波形或信號而變化的過程或處理方法。在無線電通信中，信息一般是待傳輸的基帶信號，其特點是頻率較低、頻帶較寬且相互重疊，為了適合單一信道傳輸，必須進行調制。所謂調制，就是將待傳輸的基帶信號加載到高頻振蕩信號上的過程，其實質是將基帶信號搬移到高頻載波上去，也就是頻譜搬移的過程，目的是把要傳輸的模擬信號或數字信號變換成適合信道傳輸的高頻信號。

調制方式識別是介于信號檢測和信號解調之間的一項關鍵技術，可以根據接收到的通信信號判斷其調制方式，實現調制信號的智能接收與處理。信號調制方式的有效識別對檢測到的非法通信信號的后續處理，包括信號的解調解碼，具有非常顯著和重要的作用。典型的調制識別算法可分為兩大類：一類以判決理論為基礎，利用似然函數或近似理論進行識別，又稱基于似然(likelihood-based,LB)的方法；另一類以模式識別和機器學習理論為基礎，通過從接收信號中提取分類特征進行識別，又稱為基于特征(feature-based,FB)的方法。

人工神經網絡(artificial neural network，縮寫ANN)，簡稱神經網絡(neuralnetwork，縮寫NN)或類神經網絡，是一種模仿生物神經網絡(動物的中樞神經系統，特別是大腦)的結構和功能的數學模型或計算模型，用于對函數進行估計或近似。神經網絡主要由輸入層、隱藏層、輸出層構成。卷積神經網絡(Convolutional Neural Networks,CNN)是深度學習(deep learning)的代表算法之一。CNN采用前向傳播計算出輸出值，反向傳播調整權重和偏置。經典的CNN包括卷積層(C)、池化層(S)和全連接層(F)三部分。卷積層的卷積核本質就是特征提取器，配合深度網絡模型可以自動提取輸入信號的深層信息。池化層即降采樣層，實現特征圖的采樣處理，在減少數據量的同時保留有用的信息，也使CNN具有抗畸變的能力。

發明內容

針對通信領域中廣泛存在的復數信號，本發明提出一種利用時域接收到的復數信號，不需要對接收到的信號提取任何參數，只需將復數數據輸入到復值神經網絡中進行訓練，充分學習數據中實部與虛部的特征，便能得到較高的準確率，且比傳統高階累積方式高。

技術方案為一種基于復值神經網絡的調制方式識別方法，包括以下步驟：

步驟1：處理接收信號；

對于公開數據集RML2016a，從中提取調制方式、信噪比向量、以及所有的信號樣本；對所有的數據進行打亂處理，并將訓練集、驗證集、測試集按照一定的比例劃分；

步驟2：建立復值神經網絡；

復值神經網絡包括兩部分，第一部分依次由多層復值卷積層、復值批量標準化層、平均池化層構成，第二部分由全連接層構成；

(1)復值神經網絡中對于復值卷積是使用實值來模擬復數算術，其中輸入數據為h＝x+iy，卷積核矩陣為W＝A+iB，x，y為實向量，A，B為實數矩陣，復值卷積過程為：

W*h＝(A*x-B*y)+i(B*x+A*y)

其中卷積核矩陣中A、B均為1×n維的矩陣，輸入x，y均為m維的輸入向量；