[發明專利]一種基于深度學習的數字信號調制識別方法

有效

• 申請號: 202110232691.8
• 申請日: 2021-03-03
• 公開（公告）號: CN113014524B
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 胡蘇;張嘉文;高原;林迪;曹江;尹峻松;王雙雙
• 申請（專利權）人: 電子科技大學;中國人民解放軍軍事科學院戰爭研究院
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/08;G06N3/04
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

1.一種基于深度學習的數字信號調制識別方法，其特征在于，包括以下步驟：

S1、通過OFDM發射機產生多載波數字信號，并將數字信號輸入多徑衰落信道；

所述步驟S1中數字信號的調制方式為BPSK、QPSK、8PSK、16QAM、32QAM或64QAM；

所述數字信號具體為：

其中，s_cp(k)表示第k個發射的OFDM符號，k＝1,2,...,K，K表示要發送的總的OFDM符號數，均表示第k個OFDM符號的數字離散序列，cp點數選用D，D＝1/4N，N表示子載波數，P＝N+D＝5D，P表示OFDM符號長度；

S2、通過OFDM接收機接收不同多徑衰落信道下的傳輸信號；

所述步驟S2具體為：

S2.1、構建多徑衰落信道的離散單位沖擊響應模型c(n)為：

其中，h_l表示第l條信道衰落系數，l＝0,1,2,...,L-1，L-1表示信道總數，LD，n表示抽樣后的離散時刻，τ_l表示第l條信道經采樣時間T_s歸一化的路徑時延；

S2.2、通過OFDM接收機經過多徑衰落信道后的傳輸信號r(n)為：

r(n)＝s(n)*c(n)+w(n)

其中，s(n)表示n時刻發送的數字信號，w(n)表示n時刻的高斯白噪聲，*表示卷積運算；

S2.3、獲取接收的第k個OFDM符號r_cp(k)為：

其中，H₀表示第一行為[h₀ 0...0]^T,第一列為[h₀...h_L-1 0...0]^T大小為P×P的Topelize矩陣；H₁表示第一行為[0...0 h_L-1...h₁]^T,第一列[0 0...0]^T為大小為P×P的Topelize矩陣；w_P(k)＝[w₁(k)w₁(k)...w_P(k)]，w_P(k)表示信號上疊加的高斯白噪聲向量，w₁(k)w₁(k)...w_P(k)均表示高斯白噪聲向量中點數；

S3、對傳輸信號進行信號預處理；

所述步驟S3具體為：

S3.1、根據OFDM符號r_cp(k)，獲取接收的OFDM符號的自相關矩陣為：

其中，E表示求取數學期望，表示重新構造的接收序列，H表示共軛轉置，表示將r_cp(k)均分為長度為D的5段等長序列，0≤i≤5，i表示序列的序列號；

S3.2、對自相關矩陣進行特征值分解，獲取最小D個特征值所對應的特征向量為g₀,g₁,...,g_i,...,g_D-1，并構建衰落系數關系式為：

其中，H(h)表示H₀和H₁構成的中間矩陣；

S3.3、以特征向量g_i構成大小為(D+1)*8D的特征矩陣G_i；并根據特征矩陣G_i對衰落系數關系式整理得到：

h^HG_i＝0,0≤i≤D-1

其中，h^H表示信道系數向量；

S3.4、以特征矩陣G_i構建中間關系式Q為：

S3.5、對中間關系式Q進行特征值分解，獲取最小特征值對應的歸一化向量，得到信道衰落系數h；

S3.6、采用子空間盲信道估計算法獲取信道衰落系數h的模糊因子，根據模糊因子并采用MMSE均衡器對信道進行補償，完成信號預處理；

S4、構建RSN-MI神經網絡，并對其進行訓練；

所述步驟S4中RSN-MI神經網絡包括依次連接的輸入層、第一卷積層、第二卷積層、殘差收縮單元、和運算層、BPG層、第一全連接層和輸出層；所述第二卷積層的輸出端還與和運算層的輸入端連接；

所述殘差收縮單元包括第三卷積層、第二全連接層、第三全連接層、第四全連接層、乘運算層以及特征修改層；

所述第三卷積層的輸入端為殘差收縮單元的輸入端，其輸出端分別與第二全連接層的輸入端和特征修改層的輸入端連接；所述第二全連接層的輸出端分別與乘運算層的輸入端和第三全連接層的輸入端連接，所述第三全連接層的輸出端通過第四全連接層與乘運算層的輸入端連接，所述乘運算層輸出端與特征修改層的輸入端連接，所述特征修改層的輸出端為殘差收縮單元的輸出端；

所述第一卷積層、第二卷積層和第三卷積層的卷積核大小分別為(1,2)、(1,4)和(1,2)，且卷積核數目均設置為50；所述第一卷積層、第二卷積層和第三卷積層的激活函數均為PRelu函數；所述第三卷積層的輸入數據通過Batch Normalization操作進行批歸一化處理，所述第二全連接層的輸出數據分別通過Flatten操作、Dropout操作和BatchNormalization操作進行處理，所述第三全連接層的輸出數據均通過Batch Normalization操作進行處理，所述第四全連接層的激活函數為sigmoid函數；所述乘運算層用于將第二全連接層輸出的特征圖與第四全連接層中每個通道的壓縮系數a相乘，獲取第四全連接層中每個通道的軟閾值τ；所述特征修改層用于根據軟閾值τ對第三卷積層輸出的特征圖進行修訂更新，更新模型為：

其中，y表示更新后的特征圖，x表示更新前的特征圖；

所述BPG層表示由Batch Normalization操作、Prelu函數和Global Average Pooling操作封裝組成的層，所述第一全連接層的激活函數為Softmax激活函數；

S5、將預處理后的數據輸入RSN-MI神經網絡，得到數字信號調制識別結果。