[發(fā)明專利]基于BP網(wǎng)絡(luò)針對非合作通信中MPSK信號的識別研究

在審

• 申請?zhí)枺?/td>: 202011153288.8
• 申請日: 2020-10-26
• 公開（公告）號: CN112307927A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 張承暢;余灑;徐余
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提出了一種針對非合作通信系統(tǒng)中MPSK信號的類內(nèi)識別的BP?GA神經(jīng)網(wǎng)絡(luò)模型。首先根據(jù)MPSK信號的特點(diǎn)選取六個基于時域和頻域的特征作為模型的輸入樣本；設(shè)計(jì)一個含兩個隱藏層的BP神經(jīng)網(wǎng)絡(luò)作為調(diào)制識別的分類器，同時借助遺傳算法來對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化；最后，為了降低模型對信噪比的敏感性，打亂訓(xùn)練樣本的信噪比有序性之后再作為網(wǎng)絡(luò)模型的輸入進(jìn)行網(wǎng)絡(luò)訓(xùn)練。相比較現(xiàn)有的基于BP神經(jīng)網(wǎng)絡(luò)的調(diào)制識別算法而言，提高了低信噪比下MPSK信號的識別準(zhǔn)確率。此外，本發(fā)明可實(shí)現(xiàn)性強(qiáng)，識別準(zhǔn)確率高，能夠很好地運(yùn)用到非合作通信系統(tǒng)的相關(guān)工程里。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)的相關(guān)算法及信號處理相關(guān)理論屬于通信信號處理和人工智能領(lǐng)域。

背景技術(shù)

隨著5G開始商用、下一代移動通信技術(shù)的研究業(yè)已啟動，而衛(wèi)星通信、擴(kuò)頻通信、跳頻通信等新的通信技術(shù)也開始廣泛使用，無線通信技術(shù)已經(jīng)成為當(dāng)前發(fā)展最迅速、應(yīng)用最廣泛的通信技術(shù)之一，隨之而來的是越來越復(fù)雜的電磁環(huán)境，信號的調(diào)制方式也呈現(xiàn)出多樣化發(fā)展勢態(tài)，而在無線電頻譜資源監(jiān)管和現(xiàn)代電子戰(zhàn)爭等非合作通信系統(tǒng)中，應(yīng)用信號的自動調(diào)制識別技術(shù)是其中非常關(guān)鍵的一步。

早期的信號調(diào)制識別是通過對測量參數(shù)的人工解譯來實(shí)現(xiàn)的，因此嚴(yán)重依賴于操作人員的技術(shù)水平和工作經(jīng)驗(yàn)。1969年4月，Weaver C S等人在斯坦福大學(xué)技術(shù)報(bào)告上發(fā)表了第一篇研究調(diào)制方式自動識別的論文——“采用模式識別技術(shù)實(shí)現(xiàn)調(diào)制類型的自動分類”，由此開啟了信號自動調(diào)制識別的大門。

經(jīng)典的調(diào)制識別技術(shù)可以分為兩大類：1.基于假設(shè)檢驗(yàn)的最大似然(ML)方法，2.基于特征提取的模式識別方法。前者可以看作是多重假設(shè)檢驗(yàn)問題。它是在有背景干擾的條件下對所截獲信號的檢驗(yàn)統(tǒng)計(jì)量(通常采用似然比函數(shù))進(jìn)行理論推導(dǎo)，尋找合適的門限，然后在貝葉斯代價(jià)最小準(zhǔn)則下進(jìn)行判決。而后者是運(yùn)用特征提取的方法實(shí)現(xiàn)調(diào)制方式識別的，其需要選擇合適的分類器來進(jìn)行分類識別。分類器的任務(wù)是：根據(jù)某一準(zhǔn)則把一個給定的由特征向量表示的輸入模式歸入到一個適當(dāng)?shù)哪Ｊ筋悇e，完成從特征空間到判決空間的映射，最終給出識別結(jié)果。常用的分類器有：決策樹分類器、最近鄰(KNN)分類器、貝葉斯分類器、支持向量機(jī)(SVM)、隨機(jī)森林等。

如今，隨著深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等人工智能技術(shù)的不斷發(fā)展，將神經(jīng)網(wǎng)絡(luò)作為分類器應(yīng)用于調(diào)制識別領(lǐng)域已經(jīng)成為研究的一大趨勢。神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制識別領(lǐng)域的模型主要有兩類：1.卷積神經(jīng)網(wǎng)絡(luò)(CNN)，2.反向傳播(BP)神經(jīng)網(wǎng)絡(luò)。CNN主要由卷積層、池化層和全連接層組成。其中卷積層的主要作用是提取圖像的特征，池化層的主要作用是下采樣，而全連接層的主要作用是分類。卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于圖像識別領(lǐng)域，因此在將CNN應(yīng)用于調(diào)制方式識別時通常與信號的相關(guān)圖形特征(如星座圖)一起使用。2019年，翁建新等人設(shè)計(jì)了一種CNN-LSTM并聯(lián)網(wǎng)絡(luò)，直接將同向分量和正交分量作為輸入數(shù)據(jù)，無需人為設(shè)計(jì)特征參數(shù)，減少人為因素影響該算法在低信噪比下具有較好的識別性能。2019年，SiyangZhou等人針對當(dāng)前調(diào)制識別模型缺乏泛化性的缺點(diǎn)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒自動調(diào)制識別方法，能夠?qū)?5種信號進(jìn)行識別，而且在低信噪比下識別準(zhǔn)確性也很好。2020年，陳昌美等人提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可實(shí)現(xiàn)對七種不同的調(diào)制信號的分類，在信噪比不小于 5dB時，識別率可達(dá)97.99％，當(dāng)信噪比不小于9dB時，識別率可達(dá)100％。而BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三個部分。它主要通過將誤差反向傳播來解決多層神經(jīng)網(wǎng)絡(luò)隱藏層的權(quán)值學(xué)習(xí)問題。將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制識別領(lǐng)域通常與信號的瞬時特征結(jié)合使用。 2016年，王毅等人通過變梯度BP修正算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以提高收斂速度，縮短訓(xùn)練時間，在信噪比為10dB時，識別率達(dá)到95％。2019年，吳喜權(quán)等人提出一種基于BP神經(jīng)網(wǎng)絡(luò)的信號調(diào)制識別算法，在信噪比為0dB時，識別率均能達(dá)到85％以上。2019年，袁夢等人采用BP神經(jīng)網(wǎng)絡(luò)算法對六種常見的數(shù)字調(diào)制信號進(jìn)行自動識別，在信噪比大于10dB時，正確率達(dá)到98％以上。