[發(fā)明專利]基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)及實(shí)現(xiàn)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011368021.0
• 申請(qǐng)日: 2020-11-28
• 公開（公告）號(hào): CN112565128A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 李立欣;倪濤;黃俊生;狄慧;趙艷彬;李旭
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué);上海衛(wèi)星工程研究所
• 主分類號(hào): H04L27/00
• 分類號(hào): H04L27/00;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 金鳳

本發(fā)明提供了一種基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)及實(shí)現(xiàn)方法，利用卷積層提取調(diào)制信號(hào)的特征信息，對(duì)卷積層提取的特征信息進(jìn)行維度的劃分，將標(biāo)量特征轉(zhuǎn)化為矢量特征，從而使所提出混合神經(jīng)網(wǎng)絡(luò)模型充分抽取調(diào)制信號(hào)的空間特征，再利用門控循環(huán)單元層提取與時(shí)間相關(guān)的特征信息，所提出的混合網(wǎng)絡(luò)模型充分結(jié)合信號(hào)在時(shí)間和空間狀態(tài)的特征信息。本發(fā)明使得該模型能更加全面的抽取調(diào)制信號(hào)的空間特征，提升調(diào)制信號(hào)的分類性能；使得該模型能更加全面的抽取調(diào)制信號(hào)的空間和時(shí)間特征，進(jìn)而提升調(diào)制信號(hào)的分類性能。

技術(shù)領(lǐng)域

本發(fā)明無線通信技術(shù)領(lǐng)域，具體涉及一種調(diào)制識(shí)別網(wǎng)絡(luò)及實(shí)現(xiàn)方法。

背景技術(shù)

近年來，隨著通信技術(shù)的不斷更新，為了滿足不同的客戶需要，信號(hào)以不同的調(diào)制方式進(jìn)行傳輸。自動(dòng)調(diào)制識(shí)別可以在調(diào)制信息未知的情況下，準(zhǔn)確地確定信號(hào)的調(diào)制類型。

信號(hào)的自動(dòng)調(diào)制識(shí)別方法主要分為兩種，其一為基于似然比判決理論方法。根據(jù)已知的信號(hào)概率分布，選擇合適的似然函數(shù)作為調(diào)制信號(hào)的分類依據(jù)。據(jù)信號(hào)的統(tǒng)計(jì)特性，依據(jù)代價(jià)函數(shù)最小化原則，通過理論分析與推導(dǎo)得到檢驗(yàn)統(tǒng)計(jì)量，再將其與一個(gè)合適的門限進(jìn)行比較，形成判決準(zhǔn)則。最后由判決準(zhǔn)則確定輸出結(jié)果，完成通信信號(hào)調(diào)制方式的分類識(shí)別。然而，基于似然的方法雖然可以獲得較高的分類精度，但是需要大量的分析和推導(dǎo)，在缺乏部分參數(shù)特征時(shí)，基于似然的方法往往無法獲得較高的分類精度。

其二為基于統(tǒng)計(jì)模式的識(shí)別方法，例如：基于瞬時(shí)幅度、頻率和相位的調(diào)制識(shí)別方法；基于碼元序列的高階統(tǒng)計(jì)量的調(diào)制識(shí)別方法；基于時(shí)頻分析的調(diào)制識(shí)別方法。基于特征提取的調(diào)制識(shí)別算法的核心在于提取合適的用于分類的特征量。但是由于收到噪聲的影響，即使使用統(tǒng)計(jì)模式，僅使用閾值對(duì)不同的調(diào)制信號(hào)進(jìn)行劃分仍然存在偏差。

隨著深度學(xué)習(xí)的進(jìn)一步發(fā)展，開始嘗試使用深度學(xué)習(xí)的方法對(duì)調(diào)制信號(hào)進(jìn)行。與傳統(tǒng)方法相比，使用深度學(xué)習(xí)方法可以減少人為的干預(yù)，降低算法的復(fù)雜度。其中卷積神經(jīng)網(wǎng)絡(luò)通過提取信號(hào)的特征信息，對(duì)調(diào)制信號(hào)進(jìn)行區(qū)分。卷積神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練樣本，卷積神經(jīng)網(wǎng)絡(luò)在池化過程中會(huì)丟失一些特征，所以當(dāng)數(shù)據(jù)量小的時(shí)候訓(xùn)練出來的效果較差。隨著膠囊網(wǎng)絡(luò)在圖像分類中取得出色的性能，膠囊網(wǎng)絡(luò)相對(duì)于卷積神經(jīng)網(wǎng)絡(luò)，可以學(xué)習(xí)到更多的位置信息，旋轉(zhuǎn)信息，姿態(tài)信息。因此，探究膠囊網(wǎng)絡(luò)在信號(hào)自動(dòng)調(diào)制識(shí)別中的應(yīng)用將具有重要現(xiàn)實(shí)意義。

如在文獻(xiàn)1“Spectrum Analysis and Convolutional Neural Network forAutomatic Modulation Recognition[IEEE Wireless Communications Letters,vol.8,no.3,pp.929-932,Jun.2019.]”中將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制信號(hào)的頻譜分析，通過從信號(hào)的頻譜中提取相關(guān)的特征信息，實(shí)現(xiàn)對(duì)調(diào)制信號(hào)的分類。

專利公開號(hào)為CN 109802905A中，本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)自動(dòng)調(diào)制識(shí)別方法。該發(fā)明通過對(duì)接收的數(shù)字信號(hào)進(jìn)行循環(huán)譜分析，獲得低維特征向量，再利用卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)的特征信息，從而實(shí)現(xiàn)對(duì)調(diào)制信號(hào)的分類。該發(fā)明訓(xùn)練樣本數(shù)量較大，為進(jìn)一步分析在樣本數(shù)量較少時(shí)，卷積神經(jīng)網(wǎng)絡(luò)的分類性能。

專利公開號(hào)為CN 108282428A中，發(fā)明人設(shè)計(jì)了一種無需先驗(yàn)知識(shí)的常用通信信號(hào)調(diào)制方式的自動(dòng)識(shí)別方法，提取信號(hào)瞬時(shí)特征參數(shù)信息對(duì)信號(hào)進(jìn)行自動(dòng)識(shí)別,該方法中的信號(hào)既有數(shù)字調(diào)制信號(hào)、又有模擬調(diào)制信號(hào)，算法包含的調(diào)制信號(hào)種類豐富，其中處理數(shù)據(jù)和算法的判決規(guī)則簡(jiǎn)單并且收斂，能夠快速得到信號(hào)的識(shí)別結(jié)果。其研究通過基于統(tǒng)計(jì)模式的通信信號(hào)調(diào)制方式，事先需要大量的參數(shù)信息，未考慮現(xiàn)實(shí)意義中未知參數(shù)下調(diào)制信號(hào)的分類情況。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)及實(shí)現(xiàn)方法，以解決單獨(dú)使用神經(jīng)網(wǎng)絡(luò)提取特征信息時(shí)，無法充分提取信號(hào)特征信息，從而導(dǎo)致分類精度存在偏差的問題。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：