[發明專利]基于CNN-LSTM多支流結構和多種信號表示的調制識別模型

在審

• 申請號: 202110649792.5
• 申請日: 2021-06-10
• 公開（公告）號: CN113486724A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 張承暢;徐余;余灑
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

針對現有基于深度學習的調制識別方法大都忽略了不同深度學習模型之間的相互作用，以及不同信號表示能在不同層面反映信號的特性，本發明提出基于CNN?LSTM多支流結構和多種信號表示的調制識別模型。首先將公開數據集RML2016.10a里的時域信號處理成I/Q,A/φ,循環譜圖表示作為模型的輸入樣本。其次，構建一個基于CNN?LSTM的多支流模型對不同信號表示進行特征提取，其中第一條支流負責提取I/Q信號表示的特征，第二條支流負責提取A/φ信號表示的特征，第三條支流負責提取循環譜信號表示的特征。最后，將三條支流提取到的特征外積以得到特征矩陣，然后通過flatten層將特征矩陣轉換為特征向量，利用基于softmax的神經網絡作為分類器進行分類。本發明充分考慮了不同網絡之間的互補性以及不同信號表示反映的多層面特征，利用CNN和LSTM的組合結構提取信號空間上和時間上的相關信息，提高了調制識別的正確率，可實現性強，能夠很好地運用到非合作通信系統的相關工程中。

技術領域

本發明涉及深度學習的相關算法及信號處理相關理論屬于通信信號處理和人工智能領域。

背景技術

無線通信技術日新月異的發展給人類生活方式帶來了巨大改變，并逐漸成為人類日常生活中不可或缺的一部分。在信息需求日益凸顯的時代背景下，通信環境變得越來越復雜，調制方式越來越復雜化和多樣化。各種無線業務和無線產品層出不窮，周圍環境中信號密度也大大增加，要確保信息在如此復雜的環境中能夠高速傳輸，就必須準確地識別出每種信號調制方式。因此，信號的調制識別在通信系統中扮演著重要的角色。

傳統的調制識別技術可大致分為兩類：基于假設檢驗的最大似然比識別方法和基于特征提取的模式識別方法。前者首先針對不同調制方式做出不同假設，然后在不同假設下對信號進行似然函數處理，并比較不同假設下的似然比，選取其中最大值作為最終判別結果。后者是通過從待識別信號中提取適當的特征，并根據這些特征的具體數值識別信號調制類型，其主要包括特征提取和識別分類兩個步驟。傳統方法中，基于假設檢驗的最大似然比識別方法在理論上可獲得最優效果，但是存在計算復雜度高、識別信號數量較少、以及過于依賴先驗知識等不足之處；基于特征提取的模式識別方法雖然有較大的優勢，但是無法直接處理原始數據，需要大量的專業知識和工程技術來手動設計特征，且當信道環境不理想時，模糊的特征會導致判決結果不理想。近年來，隨著無線通信技術的快速發展，無線通信環境愈加惡劣，信號的調制方式越來越復雜化和多樣化，這些因素給自動調制識別帶來了前所未有的難度和挑戰，傳統的調制識別方法的分類精度與魯棒性到了瓶頸期，因此，研究更多更優的自動調制識別方法具有至關重要的意義。

近年來，大數據的興起和高性能計算設備的迅速普及促進了深度學習(DeepLearning，DL)的空前發展，并在機器視覺、自然語言處理、經濟學等領域取得巨大突破。DL的思想來自于大腦深層組織結構和生物神經元數學模型，旨在從數據中自主地學習不同層次的特征，從原始輸入中提取低級特征，并基于前一級別特征表示提取更高級別的特征。言外之意，它可以自動識別不同模式而不需要人工構造特征，也稱數據驅動特征提取。因此，部分研究人員將其引入調制識別領域中。卷積神經網絡(Convolutional Neural Network，CNN)作為深度學習方法的重要模型之一，在調制信號識別領域內也開始逐漸興起，并取得了一定的成效。Wang z等人利用信號星座圖及一個5層的CNN實現了QPSK、8PSK、16QAM和64QAM的識別。Peng S等人將調制信號的星座圖輸入CNN的經典模型AlexNet中進行訓練，實現了QPSK、8PSK、16QAM和64QAM的分類。劉明騫等人通過提取MPSK信號循環譜的等高圖獲得二維特征信息，利用卷積神經網絡對二維特征進行訓練，實現了BPSK、QPSK、8PSK的分類。Hauser S C等人提出了一種分層深度神經網絡，利用IQ數據經過FFT變換得到信號時頻圖，實現了11類信號的分類，最終達到90％的總準確率，但該網絡對QPSK、8PSK的識別效果均低于70％。