一种基于分数低阶极坐标和深度学习的调制识别方法与流程

1.本发明涉及无线通信技术领域，具体涉及到一种基于分数低阶极坐标和深度学习的调制识别方法。本发明以分数低阶极坐标为特征，以深度学习网络为分类器，高效而准确地实现了多种信号在脉冲性噪声干扰条件下的调制方式识别。


背景技术：

2.作为信号接收与信号解调的中间环节，信号调制方式识别是不可缺少的重要步骤。随着无线通信技术的发展，信号的种类、传输方式、传输环境等因素正日益变得多样和复杂。作为军事和民用领域的重要研究课题，信号调制方式识别在诸如通信侦察、电子干扰、电子对抗、异常信号识别等任务中日益凸显出它的重要性。这要求研究人员能研发出更加高效、准确、适用性广的信号调制识别方法。
3.而过去传统的基于特征的信号调制识别方法，通常以人工方式来选取不同种类的特征。大量的技术人员通过观察信号的频谱等信息，基于自己的经验来判断信号调制方式的种类。这种主观因素影响过大，且人力和时间成本高昂，这些缺陷正急需新的方法来填补。
4.自本世纪初hinton等人提出深度神经网络算法起，深度学习领域涌现出了如cnn、alexnet、googlenet、vggnet、resnet等诸多优秀的网络及算法，它们被广泛应用于计算机视觉、图像处理等领域。发展至今，以resnet(residual network，残差网络)为代表，深度学习网络执行分类识别任务的准确率以及时效性均已大幅优于传统的基于人工的判别方法。此外，借助这些网络，能够大大降低信号调制识别任务中，传统方法过分依赖人工经验和主观判断这一缺陷。不过尽管已经出现了许多基于深度学习网络的信号调制识别方法，但目前的方法和技术还没能同时解决该类方法常涉及的两个主要问题，即：非高斯噪声条件和轻量化的深度学习网络。


技术实现要素：

5.为克服现有的信号调制识别方法在信号受脉冲性噪声干扰下准确率低、识别信号种类少、计算成本高昂、时效性差等问题，本发明提出了一种基于分数低阶极坐标和深度学习的调制识别方法。本发明首先提出了能够抑制脉冲性噪声这一典型的非高斯噪声的分数低阶极坐标的概念。然后构建了低计算成本的轻量化深度学习网络，最后提出了一种基于分数低阶极坐标和深度学习的调制识别方法。从模式识别的角度来看，分数低阶极坐标是特征，充当网络的输入，轻量化的深度学习网络是分类器，实现对各类信号的分类识别。实验证明，本发明所提出的方法能够显著提高受脉冲性噪声干扰的信号识别准确率，同时轻量化的深度学习网络能够显著降低训练和使用过程中的计算成本。
6.本发明的方案具体如下：
7.一种基于分数低阶极坐标和深度学习的调制识别方法，包括以下步骤：
8.a：采集信号并对其进行分数低阶处理；
9.b：计算分数低阶极坐标特征并制作训练集和测试集；
10.c：构建与训练轻量化的深度学习网络；
11.d：测试深度学习网络并进行信号调制方式识别。
12.进一步的，所述步骤a包括：
13.a1：采集受脉冲性噪声干扰的不同调制方式的信号：通过计算机仿真或利用接收设备从自然界中采集足量的受脉冲性噪声干扰的信号，并以alpha稳定分布来刻画这种非高斯噪声；采用广义信噪比衡量脉冲性噪声的强度，其定义式为：
14.gsnr＝10log
10
(p
s
/p
n
)
15.上式中，p
s
表示信号的功率，p
n
表示噪声的广义功率，p
n
＝γ，γ表示alpha稳定分布的尺度参数；
16.a2：对采集到的信号进行分数低阶处理：利用分数低阶映射函数对采集的信号进行分数低阶处理，具体公式如下：
17.y
flo
(n)＝(y(n))
<p
‑
1>
18.＝ρ
flo
(n)exp(jθ
flo
(n))
19.式中，n表示采样时刻所对应的离散时间变量，y(n)表示经采样后的信号序列，y
flo
(n)表示经分数低阶处理后的信号序列，ρ
flo
表示信号的极径，θ
flo
表示信号的极角，<
·
>表示分数低阶操作符，分数低阶函数满足如下关系式：
20.z
<p
‑
1>
＝|z|
p
‑2z
*
,z∈￡
21.式中，z表示复数域￡中的一个复数，上角标*表示共轭操作符。
22.进一步的，所述步骤b包括：
23.b1：计算分数低阶处理后的信号的分数低阶极坐标特征：以信号的极角θ
flo
作为横坐标，以信号的极径ρ
flo
作为纵坐标，按照采样时刻n逐一提取信号所对应的分数低阶极坐标特征；
24.b2：将上述特征充分混合，并将混合后的特征按照一定比例组成训练集、验证集和测试集：将上述步骤b1中得到的分数低阶极坐标特征打乱并充分混合，然后按照m1:m2:m3的比例分别组成训练集、验证集和测试集。所述m1:m2:m3＝6:2:2。
25.5.根据权利要求3所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述步骤c包括：
26.c1：采用较少卷积层来构建一个轻量化的深度学习网络；
27.c2：将步骤b2中所得的训练集作为输入，对其进行训练，训练过程中，采用交叉熵作为损失函数，使用rmsprop作为网络优化器，并设定学习率为0.01，实现模参数的更新；
28.c3：将验证集中的特征作为步骤c1中的深度学习网络的输入，对其进行验证。
29.进一步的，所述步骤d包括：
30.d1：将测试集中的特征作为c1中的深度学习网络的输入，对其进行测试；
31.d2：将未知调制方式的信号的分数低阶极坐标特征作为步骤c1中的深度学习网络的输入，经过模型训练后得到不同信号调制方式的识别结果
32.与现有技术相比，本发明的有益技术效果：
33.本发明的方法通过改进在信号受到脉冲性噪声这一典型的非高斯噪声干扰环境下，现有调制方式识别方法准确率降低这一问题。同时，本发明涉及多种信号调制方式并改
善了深度学习网络普遍存在的计算成本高、时效性差等问题，实现对多种信号调制方式的高效而准确的识别。
附图说明
34.图1是本发明所涉及的一种基于分数低阶极坐标和深度学习的调制识别方法。
35.图2是本发明所涉及的分数低阶映射函数的曲线图。5条曲线分别对应分数低阶参数p＝1.1、1.3、1.5、1.7、1.9。
36.图3是本发明所涉及的信号的分数低阶极坐标特征图。以分数低阶函数参数p＝1.2、1.5和1.8时为例，列举了2psk、4psk、8psk、16qam、32qam和64qam这6种信号调制方式的分数低阶极坐标特征图。
37.图4是本发明所涉及的深度学习网络的结构图。
38.图5是本发明所涉及的不同噪声条件下不同方法的识别准确率曲线图。其中，分数低阶极坐标所涉及的参数p的取值分别为1.1、1.3和1.5，对照组采用原始的极坐标作为特征。
具体实施方式
39.为帮助理解，下面结合技术方案和附图，对本发明的实施过程进行清晰具体的描述。
40.一种基于分数低阶极坐标和深度学习的调制识别方法，其主要步骤的流程图如图1所示，具体而言其包括如下步骤：
41.a：采集信号并对其进行分数低阶处理。
42.所述步骤a具体包含以下步骤：
43.a1：采集足量的受脉冲性噪声干扰的不同调制方式的信号。
44.通过计算机仿真或利用接收设备从自然界中采集足量的受脉冲性噪声干扰的信号，并以alpha稳定分布来刻画这一经典的非高斯噪声。当alpha稳定分布的特征指数α<2时，噪声的二阶矩不收敛，所以无法采用信噪比(signal
‑
to
‑
noise ratio,snr)来衡量噪声的强度，故而采用广义信噪比(generalized signal
‑
to
‑
noise ratio，gsnr)衡量脉冲性噪声的强度，其定义式为：
45.gsnr＝10log
10
(p
s
/p
n
)
46.上式中，p
s
表示信号的功率，p
n
表示噪声的广义功率，p
n
＝γ，γ表示alpha稳定分布的尺度参数。采集的信号种类包括am、fm、msk、2ask、2psk、4psk、8psk、16qam、32qam、64qam。广义信噪比覆盖范围从
‑
5db到 15db。
47.a2：对采集到的信号进行分数低阶处理。
48.利用分数低阶映射函数对采集的信号进行分数低阶处理，具体公式如下：
49.y
flo
(n)＝(y(n))
<p
‑
1>
50.＝ρ
flo
(n)exp(jθ
flo
(n))
51.式中，n表示采样时刻所对应的离散时间变量，y(n)表示经采样后的信号序列，y
flo
(n)表示经分数低阶(fractional lower
‑
order，flo)处理后的信号序列，ρ
flo
表示信号的极径，θ
flo
表示信号的极角，<
·
>表示分数低阶操作符，分数低阶函数满足如下关系式：
52.z
<p
‑
1>
＝|z|
p
‑2z
*
,z∈￡
53.式中，z表示复数域￡中的一个复数，上角标*表示共轭操作符。
54.本发明所涉及的分数低阶映射函数的曲线图如图2所示。5条曲线分别对应参数p＝1.1、1.3、1.5、1.7、1.9。
55.b：计算分数低阶极坐标特征并制作训练集和测试集。
56.所述步骤b具体包含以下步骤：
57.b1：计算分数低阶处理后的信号的分数低阶极坐标特征。
58.以信号的极角θ
flo
作为横坐标，以信号的极径ρ
flo
作为纵坐标，按照采样时刻n逐一提取信号所对应的分数低阶极坐标特征。特征的信号类型、广义信噪比范围与步骤a1中所采集的信号相匹配。
59.b2：将上述特征充分混合，并将混合后的特征按照一定比例组成训练集、验证集和测试集。
60.将上述步骤b1中得到的分数低阶极坐标特征打乱并充分混合，然后按照m1:m2:m3的比例分别组成训练集、验证集和测试集。一般情况下设定该比例为m1:m2:m3＝6:2:2。
61.本发明中步骤b1所涉及的分数低阶极坐标特征图如图3所示。以分数低阶映射函数所涉及的参数p的取值等于1.2、1.5和1.8为例，列举了2psk、4psk、8psk、16qam、32qam和64qam这6种信号调制方式的分数低阶极坐标特征图。
62.c：构建与训练轻量化的深度学习网络。
63.所述步骤c具体包含以下步骤：
64.c1：构建轻量化的深度学习网络。
65.为降低训练的计算和时间成本，采用较少卷积层来构建一个轻量化的深度学习网络，以此解决传统深度学习网络训练过程中计算成本过高这一问题。
66.c2：利用训练集训练该深度学习网络。
67.将步骤b2中所得的训练集作为输入，对其进行训练。训练过程中，采用交叉熵(cross entropy)作为损失函数，使用rmsprop作为网络优化器，并设定学习率为0.01，实现模参数的更新。
68.c3：利用验证集验证该深度学习网络。
69.将验证集中的特征作为步骤c1中的深度学习网络的输入，对其进行验证。
70.本发明所涉及的深度神经网络结构图如图4所示，具体的网络结构参数设定在图4中进行了标注。
71.d：测试深度学习网络并进行信号调制识别。
72.所述步骤d具体包含以下步骤：
73.d1：利用测试集测试该深度学习网络。
74.将测试集中的特征作为c1中的深度学习网络的输入，对其进行测试。
75.d2：进行信号调制识别。
76.将未知调制方式的信号的分数低阶极坐标特征作为步骤c1中的深度学习网络的输入，经过模型训练后得到不同信号调制方式的识别结果。
77.表1给出了α＝1.5，gsnr＝15db条件下，以分数低阶参数p＝1.1为例，10种受脉冲性噪声干扰的信号的分类识别结果。
78.表1信号调制识别结果
[0079][0080][0081]
本发明所涉及不同噪声条件下不同信号调制方式的识别准确率平均曲线图如图5所示。其中，分数低阶极坐标所涉及的参数p的取值分别为1.1、1.3和1.5，对比方法采用传统的原始极坐标作为特征。