[發明專利]聯合深度神經網絡和專家先驗特征的信號調制識別方法及系統

有效

• 申請號: 202210095595.8
• 申請日: 2022-01-26
• 公開（公告）號: CN114422311B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 章昕亮;李天昀;龔佩;劉人瑋;查雄;唐文岐;寸陳韜;朱家威
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/08;G06N3/0464;G06N3/044;G06F18/243
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 周艷巧

本發明屬于無線電通信領域，特別涉及一種聯合深度神經網絡和專家先驗特征的信號調制識別方法及系統，構建信號調制識別網絡模型并利用已知信號調制類別的信號樣本數據進行模型訓練，其中，模型包含：用于依據特征參數的不同進行類間分類的一級神經網絡，及與一級神經網絡連接用于針對不同的特征參數類間分類結果通過提取對應子類內部信號特征進行類內分類的二級神經網絡，該二級神經網絡數量與特征參數類間分類個數一致；依據對信號先驗信息依賴程度和區分度選取多個用于信號調制識別的目標信號特征參數，利用已訓練的信號調制識別網絡模型識別目標信號的調制類別。本發明提高識別準確率，在多徑衰落和頻偏的影響情形下，保證信號識別效果。

技術領域

本發明屬于無線電通信領域，特別涉及一種聯合深度神經網絡和專家先驗特征的信號調制識別方法及系統。

背景技術

信號調制識別是信號截獲分析必不可少的部分，一直以來都是無線電通信領域的研究熱點。隨著電磁頻譜環境的日益復雜，調制方式層出不窮，如何快速且準確地自動識別出不同信號的調制方式對于能否進行后續的解調以及分析處理起到關鍵性作用。目前，傳統的自動調制識別技術主要是基于專家先驗特征的識別方法。該方法主要分為特征提取、模式識別兩個步驟，從接收到的信號數據中提取出能夠表征調制方式的特征，然后根據提取出來的特征設計分類規則實現調制識別。其中，比較常見的有通過觀測和對比瞬時幅度、頻率和相位區分調制樣式，但是該類特征在低信噪比條件下的表征能力不強；高階統計量和星座圖等特征需要對原始信號數據進行最佳采樣等預處理，基于循環譜特征的識別算法計算復雜度相對較高。對于相對復雜的待識別信號集，基于專家先驗特征的模式識別方法一般都會與決策樹相結合，選取多種特征，根據不同信號所表征的特征值不同，設置合適的門限實現分類識別，但是其識別精度受門限設置的影響很大。

深度學習技術在視覺圖像和自然語言處理領域取得突破性發展，近些年來研究學者致力于將深度學習技術應用于無線電通信相關領域，改善甚至解決目前存在的難題。基于深度學習的自動調制識別是深度學習在無線電通信應用較早，也是較為成熟的領域之一，并且已經部署到實際應用中，如：利用卷積神經網絡(Convolutional?NeuralNetworks,CNN)進行調制信號的分類識別，并取得不錯的效果，但是當輸入數據是具有記憶性的時序數據時，CNN的表現欠佳。

發明內容

為此，本發明提供一種聯合深度神經網絡和專家先驗特征的信號調制識別方法及系統，選取信號先驗信息依賴程度較低、區分度較高的多種特征信息作為網絡輸入，利用多級網絡結構進行信號調制類間和類內的分類識別，代替現有分類的判決門限，提高識別準確率，在多徑衰落和頻偏的影響情形下，保證信號識別效果。

按照本發明所提供的設計方案，提供一種聯合深度神經網絡和專家先驗特征的信號調制識別方法，包含如下內容：

構建信號調制識別網絡模型并利用已知信號調制類別的信號樣本數據進行模型訓練，其中，信號調制識別網絡模型包含：用于依據特征參數的不同進行類間分類的一級神經網絡，及與一級神經網絡連接用于針對不同的特征參數類間分類結果通過提取對應子類內部信號特征進行類內分類的二級神經網絡，該二級神經網絡數量與特征參數類間分類個數一致；

依據對信號先驗信息依賴程度和區分度選取多個用于信號調制識別的目標信號特征參數；將選取的目標信號特征參數作為模型輸入，利用已訓練的信號調制識別網絡模型來識別目標信號的調制類別。

作為本發明聯合深度神經網絡和專家先驗特征的信號調制識別方法，進一步地，一級神經網絡為包含依次連接的卷積網絡CNN、雙向長短期記憶神經網絡Bi-LSTM和完全連接網絡DNN的深層神經網絡結構CLDNN，信號特征參數作為一級神經網絡輸入，首先通過卷積網絡CNN對輸入數據的頻域*時域進行卷積處理，然后利用雙向長短期記憶神經網絡Bi-LSTM提取卷積處理后信號時序特征，利用完全連接網絡DNN將提取的信號時序特征轉化到分離空間進行分類。