[發明專利]一種基于神經網絡的調制信號識別方法及其應用

在審

• 申請號: 202110664880.2
• 申請日: 2021-06-16
• 公開（公告）號: CN113361433A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 魏聲云;廖非凡;王振義;鄒順;賴榮煊;鄒力;周彥
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 雷霄

本發明公開了一種基于神經網絡的調制信號識別方法及其應用。該方法包括步驟：將調制信號轉換為至少兩種圖像數據，所述至少兩種圖像數據能夠表示調制信號的幅頻分布統計特性、或調制信號隨時間變化的相位轉移關系、或調制信號的時頻特征、或調制信號在極坐標體系分布特性中的至少兩種；將所述至少兩種圖像數據輸入到基于神經網絡的識別模型，輸出調制信號類別。本發明同時考慮調制信號的多種特性，將調制信號轉換為至少兩種圖像數據輸入到識別模型中，從而使得本發明更適用于復雜信號環境下的調制信號識別，對于多種類型的調制信號，都具有較好的識別精確度。

技術領域

本發明屬于人工智能與通信系統交叉技術領域，更具體地，涉及一種基于神經網絡的調制信號識別方法及其應用。

背景技術

深度學習在圖像、語音、自然語言游戲等領域具有廣泛且成功的應用，隨著技術的發展，以深度神經網絡取代傳統的模塊式設計模式已經在眾多科研領域逐漸成為研究主流。現代通信系統具有數據量大、傳輸速率高、響應速度快等性能需求，這對現有的通信技術提出了挑戰。特別是在海量數據的處理和數據挖掘方面，現有的理論架構存在根本的局限性。因此，諸多研究者將目光投向了深度學習技術，并且基于深度學習的通信技術在端到端的通信系統、信道估計、信號檢測、調制識別等方面已經展現了巨大的潛力。在通信領域，比如等，傳統的方法均是采用模塊化的設計，而隨著深度學習技術的興起，采用深度神經網絡代替信號檢測、智能通信系統、信號分類、通信收發機算法中各個模塊成為可能。

調制信號分類是一個典型的模式分類問題，傳統的調制識別系統基本架構由三部分組成：信號預處理、特征提取和信號分類。而基于深度學習的算法具有對數據的適應能力強、隨著數據量的增加性能提升顯著、算法落地條件成熟等特點。現有的基于深度學習的方法分為兩大類：一類是端到端的方法，另一類是先提取專家特征，然后構建模型的方法。其中，基于端到端的方法，能夠完全實現自動化的特征提取，無需提取專家特征，而基于專家特征的模型則對于特殊復雜的調制類型具有更好的分類性能。端到端的方法將特征提取完全交由網絡完成，而忽略了數據本身的特性，特別是在調制信號分類領域，信號本身具有非常多的物理意義，如果能夠將這些物理特征都體現到網絡的輸入端，對于算法的性能將會有更大的提升。其中，另一類提取專家特征后構建模型的方法中，現有技術多采用將信號轉換為星座圖，將星座圖輸入到模型中進行識別。這種方法的缺點在于：由于信道環境的復雜性，調制信號具有多樣性，該方法忽略了調制信號的多樣性，對于某些調制信號的識別精確度不高。例如， OQPSK和QPSK兩種調制信號的星座圖是相同的，現有技術無法很好地區分這兩種調制信號。

發明內容

針對現有技術的至少一個缺陷或改進需求，本發明提供了一種基于神經網絡的調制信號識別方法及其應用，同時考慮調制信號的多種特性，適用于復雜信號環境下的調制信號識別，對于多種類型的調制信號，都具有較好的識別精度。

為實現上述目的，按照本發明的第一方面，提供了一種基于神經網絡的調制信號識別方法，包括步驟：

將調制信號轉換為至少兩種圖像數據，所述至少兩種圖像數據能夠表示調制信號的幅頻分布統計特性、或調制信號隨時間變化的相位轉移關系、或調制信號的時頻特征、或調制信號在極坐標體系中分布特性中的至少兩種；

將所述至少兩種圖像數據輸入到基于神經網絡的識別模型，輸出調制信號類別。

優選的，所述至少兩種圖像數據為眼圖、或矢量圖、或極坐標圖、或星座圖中的至少兩種。

優選的，調制信號識別方法還包括步驟：從所述調制信號中提取統計特征；

所述識別模型包括特征提取網絡、特征融合層和全連接層，所述特征提取網絡用于從輸入的圖像數據中提取每種圖像數據的特征圖；

將所述統計特征和所述特征圖輸入到所述特征融合層進行特征融合，獲得融合特征；

將所述融合特征輸入到所述全連接層。