[發明專利]基于聯合學習的噪聲水平未知條件下的盲調制識別方法和裝置

有效

• 申請號: 202110187412.0
• 申請日: 2021-02-18
• 公開（公告）號: CN112910811B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 陳為;喬建森;艾勃
• 申請（專利權）人: 北京交通大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/04;G06N3/08;H04B17/373
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 麻吉鳳

本發明實施例提供了一種基于聯合學習的噪聲水平未知條件下的盲調制識別方法和裝置，所述方法包括：步驟1，獲取用于訓練神經網絡的訓練集、驗證集以及用于測試模型性能的測試集；步驟2，構建聯合學習調制識別網絡JDMC?Net；步驟3，訓練所述聯合學習調制識別網絡JDMC?Net；步驟4，使用訓練好的所述聯合學習調制識別網絡JDMC?Net，預測接收信號的調制類型。

技術領域

本發明涉及信號處理領域，尤其涉及一種基于聯合學習的噪聲水平未知條件下的盲調制識別方法和裝置。

背景技術

盲調制識別(Blind Modulation Classification，BMC)作為SDR(software-defined radio，軟件定義無線電)的熱點研究問題，主要特點是非協作通信下的接收機需要在沒有接收到關于信號調制方式的顯式信息情況下，只憑借接收到的在信道中傳輸過的已調信號波形來判斷信號的調制方式。

傳統的盲調制識別方法主要是基于特征類的方法，這類方法首先將數據進行預處理，之后設計一系列特征來對數據進行特征提取，最后將數據的特征輸入分類器進行分類。而近年來出現大量基于深度學習的調制識別方法，這些方法無需人工設計特征，避免了繁雜的數據預處理步驟，因此得到廣泛的應用。然而這些基于特征類尤其是基于深度學習的調制識別方法大多都忽視了噪聲的影響，且各類特征以及基于深度學習的深度神經網絡(DNN)很容易受到噪聲干擾，從而導致這些方法在低信噪比下性能下降明顯。而當前已有的去噪預處理技術包括高階統計量(High-Order Statistics，HOS)抑制噪聲以及分離式去噪子網絡，前者需要計算并存儲已調信號復雜的高階統計量、需要設計較為復雜的判決準則和判決門限，且高階統計量種類繁多人為設計困難。后者在預測信號調制方式時需要明確信號噪聲水平、需要在每個信噪比條件下分別訓練去噪網絡和分類網絡、分離的網絡訓練開銷巨大且部署困難。且這兩種方法在低信噪比下性能依舊下降依舊明顯。

發明內容

本發明的實施例提供了一種基于聯合學習的噪聲水平未知條件下的盲調制識別方法和裝置，提高了在各個噪聲水平下的識別。

一種基于聯合學習的噪聲水平未知條件下的盲調制識別方法，包括：

步驟1，獲取用于訓練神經網絡的訓練集、驗證集以及用于測試模型性能的測試集；

步驟2，構建聯合學習調制識別網絡JDMC-Net；

步驟3，訓練所述聯合學習調制識別網絡JDMC-Net；

步驟4，使用訓練好的所述聯合學習調制識別網絡JDMC-Net，預測接收信號的調制類型。

一種基于聯合學習的噪聲水平未知條件下的盲調制識別裝置，包括：

獲取單元，準備用于訓練神經網絡的訓練集、驗證集以及用于測試模型性能的測試集；

構建單元，構建聯合學習調制識別網絡JDMC-Net；

訓練單元，訓練所述聯合學習調制識別網絡JDMC-Net；

預測單元，使用訓練好的所述聯合學習調制識別網絡JDMC-Net，預測接收信號的調制類型。

由上述本發明的實施例提供的技術方案可以看出，本發明實施例通過將去噪自編碼器網絡和深度神經分類子網絡CDNN聯合，構建聯合學習網絡JDMC-Net并聯合優化。在不同的信噪比的條件下，經過本發明實施例的基于聯合學習的盲調制識別方法與傳統調制識別算法相比較，在各個噪聲水平下的識別明顯提升。

本發明附加的方面和優點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發明的實踐了解到。

附圖說明