[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

本發明公開了一種基于深度學習的適用于不同多徑信道環境的數字信號調制識別方法。包括以下步驟：OFDM發射機產生多載波數字信號，并將信號輸入多徑衰落信道；OFDM接收機接收不同多徑信道下的傳輸信號；對不同多徑信道下的傳輸信號進行信號預處理；構建RSN?MI神經網絡，并對其進行訓練；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。本發明具有更好的識別精度，同時對于不同信號環境中的接收數據具有魯棒性，大大減少了網絡的訓練數目。

技術領域

本發明屬于信號分析領域，具體涉及一種基于深度學習的數字信號調制識別方法。

背景技術

數字信號調制識別在無線移動通信系統中具有重要的研究意義，作為信號解調前的必經步驟，引起了人們越來越多的關注。數字信號調制識別的任務主要是不利用任何先驗信息或者利用少量的先驗信息對接受信號的調制方式進行確認，從而對后續的信號解調和信息的獲取打下基礎。在軍用和民用領域,數字信號調制識別都扮演者重要的角色，尤其在軍事領域，調制信號識別是對敵方通信進行干擾和監聽的前提，在民用領域可用于頻譜檢測和信號確認等方面。

傳統的數字信號調制類型識別大致上分為兩種方法：一種是基于決策理論的最大似然假設檢驗法，另一類是基于特征提取的模式識別法。對于決策理論法，是基于接收信號的似然函數，并將似然比和適當的門限值進行比較，在貝葉斯最小誤差準則下達到最佳分類效果。這類方法通常需要較多的先驗知識，并且算法復雜度高。同時算法會因為信號模型變化產生失配問題，不具有適用性。對于模式識別法，需要對接收信號進行變換提取不同維度的特征，然后選用合適的機器學習分類器，例如SVM、決策樹等進行分類。這種方法分類性能受所選取特征的影響，并且很難從多種調制方式中提取同一種特征，另外當任務數據量很大時，這種方法效率不高。

隨著計算機科學的進步和硬件水平的提升，深度學習技術得到了飛速發展，在分類識別任務中得到了廣泛的應用，并取得了優異的性能。近些年來，得益于深度學習對大數據的充分運用和低算法復雜度，深度學習也逐漸被應用于無線通信領域的數字信號調制任務中，并取得了顯著的成績。然而目前存在的深度學習方法重點研究神經網絡結構和參數對分類效果的影響，并沒有考慮信道的變化對識別帶來的精度損失。其中大部分工作都是在加性高斯白噪聲(AWGN) 信道中展開的，或者是靜態的多徑實驗場景，并且在訓練模型的時候沒有對信號進行通信相關的任何處理，這樣產生的結果就是已經訓練好的網絡不能對來自其他信道環境中產生的信號數據集進行有效的識別，在實際的無線通信系統中無法使用。另外，目前的大部分通信系統都是以OFDM技術為基礎的，但是與OFDM相關的數字信號調制識別研究較少。因此找到一種有效的適用于多載波OFDM通信系統數字信號調制識別方法極具研究價值。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于深度學習的數字信號調制識別方法解決了現有技術中的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于深度學習的數字信號調制識別方法，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；

S2、通過OFDM接收機接收不同多徑信道下的傳輸信號；

S3、對傳輸信號進行信號預處理；

S4、構建RSN-MI神經網絡，并對其進行訓練；

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。

進一步地，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：