一种基于紧凑自编码器的符号检测和调制识别方法与流程

1.本发明涉及一种符号检测和调制识别方法，特别是一种基于紧凑自编码器的符号检测和调制识别方法。


背景技术：

2.符号检测和调制识别是智能通信系统的基本任务。符号检测是指接收机端的检测器对受噪声干扰和信道损伤的发送信号进行重建，从而恢复发送的信息。调制识别是通过决策理论或模式识别的方法对收到的信号进行调制方式的分类。传统的符号检测和调制识别算法完全依赖于已知的信道模型和参数，然而，实际通信系统中信道模型的建立和参数的估计面临较大的挑战。
3.近年来，基于深度神经网络(deep neural network，dnn)的信号检测在物理层信号处理中得到了快速的发展，基于深度神经网络的智能信号检测方法为解决上述挑战提供了一种可能的途径。深度神经网络在物理层信号检测中的应用包括，基于卷积神经网络(convolutional neural network，cnn)的二进制相移键控(binary phase shift keying，bpsk)解调器，该方案可以实现在高斯白噪声信道(additive white gaussian noise,awgn)和瑞利衰落(rayleigh)信道下对二进制相移键控调制符号检测；利用全连接结构的深度神经网络实现端到端的通信系统，该系统中考虑了利用深度神经网络结构对符号间干扰和符号同步的处理；此外，基于卷积神经网络的调制识别分类器也得到了广泛的研究。
4.然而，传统的智能信号检测中需要先进行调制识别判定，然后根据调制方式选择解调器实现符号检测；同时，已知的工作中，基于深度神经网络的检测器仅能实现对单一信号的符号恢复，无法处理混合信号的检测；此外，大多数检测是在理想条件下进行的，忽略了信道损伤等因素对检测性能的影响。
5.因此，需要一种不依赖于信道模型和噪声假设，且可以同时完成混合信号符号检测和调制识别的智能检测器。


技术实现要素：

6.发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于紧凑自编码器的符号检测和调制识别方法。
7.为了解决上述技术问题，本发明公开了一种基于紧凑自编码器的符号检测和调制识别方法，包括紧凑自编码器-符号检测和调制识别cae-sdmc(compact autoencoder-symbol detection and modulation classification)检测器，cae-sdmc检测器在检测过程中，具体步骤如下：
8.步骤1，在接收端对不同调制方式的到达信号分别进行采样；
9.步骤2，利用累积量和矩运算对步骤1中的原始混合采样数据进行处理，用于提取不同调制方式的信号特征；
10.步骤3，采用cae-sdmc检测器对混合信号数据集进行符号检测和调制识别，即分别
找到cae-sdmc检测器的符号检测和调制识别最优判别函数。设计的cae-sdmc检测器包含对混合信号进行符号检测的紧凑自编码器符号检测器(compact autoencoder-symbol detection，cae-sd)和对混合信号进行调制识别的紧凑自编码器调制识别(compact autoencoder-modulation classification，cae-mc)检测器；
11.步骤4，利用步骤2预处理后的混合信号数据集对cae-sdmc检测器进行训练，进而确定步骤3中的符号检测和调制识别最优判别函数对应的参数。最优参数下的cae-sdmc可以恢复原始混合采样数据中各自的符号信息，同时输出原始混合采样数据分别对应的调制方式。
12.本发明包括一种可以同时完成混合信号符号检测和调制识别的cae-sdmc检测器，该检测器对不同调制类型的混合信号的误符号率性能接近最优检测理论值，且在低信噪比下的调制识别性能比已知的cnn检测器具有一定的提升。同时，cae-sdmc检测器对于频偏和相位偏移具有较强的鲁棒性。
13.步骤1中对不同调制方式的到达信号进行采样得到的数据特性如下：在每个符号周期内对接收到的每种信号进行l个采样，即r(i)＝[r(i)(0) r(i)(1) ... r(i)(l-1)]
t
。发送的信号经过信道传输，接收端的采样信号通常是非理想的，其包括信道噪声、频率偏移和相位偏移。
[0014]
步骤2中构造的累积量和矩特征向量如下：
[0015][0016]
式中，为接收信号采样值对应的归一化u阶v次共轭累计量，如2表示2阶累积量，1表示取1次共轭，为接收信号采样值对应的归一化矩运算，u表示矩的阶数，v表示矩运算中共轭项的次数，如e[
·
]表示取均值运算。
[0017]
步骤3中设计的cae-sdmc检测器同时输出混合信号的符号信息和对应的调制方式，符号检测和调制方式的判定问题分别描述为：
[0018][0019][0020]
式中，和分别表示符号检测和调制识别最优判别函数f
sd
(.,.)和f
mc
(.,.)对应的假设空间，和是接收端恢复的不同调制方式对应的符号序列，和是判定的混合信号的调制方式，表示数据的预处理，r(i)和r(
j)
为混合信号数据集中未知的两种采样信号，i,j＝1,2,...,k为采样信号对应的调制方式指数，ψ为受信道干扰的未知参数，θ是判别函数中的参数。
[0021]
步骤4中利用混合数据集训练分类器，进而寻找到cae-sdmc检测器的最优判别函数。判别函数对应的损失函数中包括交叉熵损失函数项、稀疏系数项和权重惩罚项，通过参数更新和迭代训练从而获得判别函数对应的最优参数。寻找最优判别函数等价为最小化
cae-sdmc检测器的损失函数，符号检测和调制识别检测器的损失函数中的参数更新过程如下：(参见f.meng,p.chen,l.wu and x.wang,"automatic modulation classification:a deep learning enabled approach,"in ieee transactions on vehicular technology,vol.67,no.11,pp.10760-10772,nov.2018,doi:10.1109/tvt.2018.2868698.)
[0022][0023]
式中，θ
new
为更新后的参数，θ
old
为更新前的参数，γ＞0为学习率，，表示每次更新过程中cae-sdmc检测器损失函数的梯度运算，其中，表示梯度运算，j
cae
(
·
)表示cae-sdmc检测器的损失函数，θ是cae-sdmc检测器的更新参数
[0024]
步骤4中训练后的具有符号检测和调制识别功能的cae-sdmc检测器如下：首先加载训练好的模型参数，然后使用对应的混合信号开展信号检测。cae-sdmc检测器可以在高斯白噪声信道和瑞利衰落信道下实现多种混合信号的符号检测和调制识别，检测性能具有较强的鲁棒性。同时，cae-sdmc检测器对于不同的调制方式数据集仅需加载数据进行训练，无需更改检测器结构。
[0025]
有益效果：cae-sdmc检测器不依赖于信道模型和噪声假设，可以实现对混合信号的符号检测和调制识别。通过对高斯白噪声信道和瑞利衰落信道下具有不同调制方式的混合数据集进行性能仿真，并与传统的最优检测和卷积神经网络识别器进行对比分析，实验结果可知，cae-sdmc检测器在理想条件下的符号检测性能接近最优检测的理论值，调制识别性能优于卷积神经网络分类器，且cae-sdmc检测器结构简单。同时，在非理想条件下的检测性能具有较强的鲁棒性。
附图说明
[0026]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0027]
图1为本发明中符号检测和调制识别系统框图。
[0028]
图2为本发明中cae-sdmc检测器在高斯白噪声信道下对二进制相移键控(binary phase shift keying，bpsk)和正交相移键控(quadrature phase shift keying，qpsk)混合信号{bpsk,qpsk}的误符号率性能示意图。
[0029]
图3为本发明中cae-sdmc检测器在瑞利衰落信道下对二进制相移键控(binary phase shift keying，bpsk)和十六进制正交幅度调制(quadrature amplitude modulation-16，qam16)混合信号{bpsk,qam16}的误符号率性能示意图。
[0030]
图4为本发明中cae-sdmc检测器在瑞利衰落信道下对{qpsk,qam16}混合信号的误符号率性能示意图。
[0031]
图5为本发明中cae-sdmc检测器在高斯白噪声信道下的调制识别检测性能示意图。
具体实施方式
[0032]
本发明是一种基于紧凑自编码器的符号检测和调制识别方法，包括如下步骤：步骤1，在信号接收端对不同调制方式的到达信号进行采样得到原始混合采样数据；步骤2，利
用累积量和矩运算对原始混合采样数据预处理，提取信号特征并得到混合信号数据集；步骤3，采用cae-sdmc检测器对混合信号数据集进行符号检测和调制识别，即分别找到cae-sdmc检测器的符号检测和调制识别最优判别函数；步骤4：根据步骤3中的符号检测和调制识别最优判别函数确定cae-sdmc检测器的最优参数，进而实现恢复原始混合采样数据中的符号信息，同时输出原始混合采样数据对应的调制方式。
[0033]
本发明的一种基于紧凑自编码器的符号检测和调制识别方法，包括紧凑自编码器-符号检测和调制识别检测器，cae-sdmc检测器在检测过程中，具体步骤如下：
[0034]
步骤1，在接收端对不同调制方式的到达信号分别进行采样；
[0035]
步骤2，利用累积量和矩运算对步骤1中的原始混合采样数据进行处理，用于提取不同调制方式的信号特征；
[0036]
步骤3，采用cae-sdmc检测器对混合信号数据集进行符号检测和调制识别，即分别找到cae-sdmc检测器的符号检测和调制识别最优判别函数。设计的cae-sdmc检测器包含对混合信号进行符号检测的紧凑自编码器符号检测器(compact autoencoder-symbol detection，cae-sd)和对混合信号进行调制识别的紧凑自编码器调制识别(compact autoencoder-modulation classification，cae-mc)检测器；
[0037]
步骤4，利用步骤2预处理后的混合信号数据集对cae-sdmc检测器进行训练，进而确定步骤3中的符号检测和调制识别最优判别函数对应的参数。最优参数下的cae-sdmc可以恢复原始混合采样数据中各自的符号信息，同时输出原始混合采样数据分别对应的调制方式。
[0038]
本发明包括一种可以同时完成混合信号符号检测和调制识别的cae-sdmc检测器，该检测器对不同调制类型的混合信号的误符号率性能接近最优检测理论值，且在低信噪比下的调制识别性能比已知的cnn检测器具有一定的提升。同时，cae-sdmc检测器对于频偏和相位偏移具有较强的鲁棒性。
[0039]
步骤1中对不同调制方式的到达信号进行采样得到的数据特性如下：在每个符号周期内对接收到的每种信号进行l个采样，即r(i)＝[r(i)(0) r(i)(1) ... r(i)(l-1)]
t
。发送的信号经过信道传输，接收端的采样信号通常是非理想的，其包括信道噪声、频率偏移和相位偏移。
[0040]
步骤2中构造的累积量和矩特征向量如下：
[0041][0042]
式中，为接收信号采样值对应的归一化u阶v次共轭累计量，如2表示2阶累积量，1表示取1次共轭，为接收信号采样值对应的归一化矩运算，u表示矩的阶数，v表示矩运算中共轭项的次数，如e[
·
]表示取均值运算。
[0043]
步骤3中设计的cae-sdmc检测器同时输出混合信号的符号信息和对应的调制方式，符号检测和调制方式的判定问题分别描述为：
[0044]
[0045][0046]
式中，和分别表示符号检测和调制识别最优判别函数f
sd
(.,.)和f
mc
(.,.)对应的假设空间，和是接收端恢复的不同调制方式对应的符号序列，和是判定的混合信号的调制方式，表示数据的预处理，r(i)和r(j)为混合信号数据集中未知的两种采样信号，i,j＝1,2,...,k为采样信号对应的调制方式指数，ψ为受信道干扰的未知参数，θ是判别函数中的参数。
[0047]
步骤4中利用混合数据集训练分类器，进而寻找到cae-sdmc检测器的最优判别函数。判别函数对应的损失函数中包括交叉熵损失函数项、稀疏系数项和权重惩罚项，通过参数更新和迭代训练从而获得判别函数对应的最优参数。寻找最优判别函数等价为最小化cae-sdmc检测器的损失函数，符号检测和调制识别检测器的损失函数中的参数更新过程如下：(参见f.meng,p.chen,l.wu and x.wang,"automatic modulation classification:a deep learning enabled approach,"in ieee transactions on vehicular technology,vol.67,no.11,pp.10760-10772,nov.2018,doi:10.1109/tvt.2018.2868698.)
[0048][0049]
式中，θ
new
为更新后的参数，θ
old
为更新前的参数，γ＞0为学习率，，表示每次更新过程中cae-sdmc检测器损失函数的梯度运算，其中，表示梯度运算，j
cae
(
·
)表示cae-sdmc检测器的损失函数，θ是cae-sdmc检测器的更新参数
[0050]
步骤4中训练后的具有符号检测和调制识别功能的cae-sdmc检测器如下：首先加载训练好的模型参数，然后使用对应的混合信号开展信号检测。cae-sdmc检测器可以在高斯白噪声信道和瑞利衰落信道下实现多种混合信号的符号检测和调制识别，检测性能具有较强的鲁棒性。同时，cae-sdmc检测器对于不同的调制方式数据集仅需加载数据进行训练，无需更改检测器结构。
[0051]
实施例
[0052]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
[0053]
符号检测和调制识别检测系统如图1所示，接收端(信号接收机)对到达的不同调制方式的信号分别进行采样，接收机端的时域信号可表示为：
[0054][0055]
式中，是某种调制格式的发送符号且调制方式属于调制类型池mk表示调制类型池中的第k种调制方式，n是发送符号的数量，i表示调制方式指数，δf是频率偏移，是相位偏移，g(t)＝h(t)*p(t)，其中h(t)是信道冲激响应，p(t)是脉冲成型函数，ts是符号周期，z(t)是均值为0，方差为σ2的独立同分布的高斯白噪声，t表示时间。表示调制方式指数i对应的未知参数。
[0056]
调制方式指数i对应的时域信号采样后可表示为:其中l表示每个符号内的采样点数目，采样的符号周期数目为p，采样后的信号进行去均值归一化等预处理；采样和预处理后的混合数据集的大小为[d
×
p
×
n]，其中，d是预处理后数据集的维度，n是混合信号的种类数目；发送的信号经过信道传输，接收端的采样信号通常是非理想条件下的信号，其包括信道噪声、频率偏移和相位偏移。假定每个发送符号采用矩形脉冲成形函数，接收信号含有信道噪声干扰、频率偏移和相位偏移影响。考虑多进制数字相位调制、二进制频率调制和m进制正交幅度调制(m-quadrature amplitude modulation，m-qam)混合信号数据集，即混合信号数据集分别为{bpsk,qpsk}、{bpsk,qam16}、{qpsk,qam16}和{bpsk,bfsk}。
[0057]
通过基于累积量和矩的特征提取方法，对采样信号进行预处理，用于提取不同调制方式信号的特征；最终形成cae-sdmc检测器的混合数据集。构造的累积量和矩特征向量如下：
[0058][0059]
式中，为接收信号采样值对应的归一化u阶v次共轭累计量，为接收信号采样值对应的归一化矩运算，u表示矩的阶数，v表示矩运算中共轭项的次数。
[0060]
本实施例中，cae-sdmc检测器可以同时输出混合信号的符号信息和对应的调制方式，符号检测和调制识别的最优判别函数分别描述为：
[0061][0062][0063]
通过最小化最优判别函数的错误概率寻找最优判别函数对应的参数。其中，最小化最优判别函数的错误等价为最小化sdmc检测器的损失函数。符号检测和调制识别问题可通过判别函数或损失函数分别表示为
[0064][0065][0066]
式中，和是接收端恢复的不同调制方式对应的符号序列，和是判定的混合信号的调制方式，f
sd
(.,.)和f
mc
(.,.)是cae-sdmc检测器的符号检测和调制识别最优判
别函数，表示数据的预处理，r(i)和r
(j)
为混合信号数据集中未知的采样信号，i,j＝1,2,...,k为采样信号对应的调制方式指数，ψ为受信道干扰的未知参数，θ是判别函数中的参数，j
cae
(.)是检测器对应的损失函数。
[0067]
本实施例中，cae-sdmc检测器包含一个符号检测器和一个调制识别检测器，两个检测器均使用紧凑自编码器(compact autoencoder)架构，具有1个输入层，2个隐藏层和1个输出层，但根据任务的不同(符号检测或调制识别)设计为具有不同的节点数目。为了提高紧凑自编码器(compact autoencoder)网络对采样信号的表达能力，隐藏层中使用了稀疏系数对激活的神经元的数量进行控制。紧凑自编码器(compact autoencoder)检测器的整体损失函数包括：交叉熵损失项，稀疏系数控制项和权重惩罚项。由于cae-sd检测器和cae-mc检测器具有相似的训练和参数更新过程，下述以cae-sd检测器为例进行分析。cae-sd检测器的整体损失函数如下式所示：
[0068][0069]
式中，j(θ)表示交叉熵损失项，是使用kl散度对隐藏层进行约束以实现特征的高效利用，为权重惩罚项，避免网络的过拟合。α≥0是权重因子，sm是第m个隐藏层上激活的神经元的数目，ρ是稀疏系数，是隐藏层神经元w的平均激活度，β是惩罚因子，m m'是标签的总类别数目。
[0070]
根据上述cae-sd检测器的整体损失函数，利用上述获得的混合采样数据集对cae-sd检测器进行迭代训练，通过最小化损失函数获得检测器的最优参数，即通过更新下式，找到最优参数值，损失函数中的参数更新式具体如下(参见f.meng,p.chen,l.wu and x.wang,"automatic modulation classification:a deep learning enabled approach,"in ieee transactions on vehicular technology,vol.67,no.11,pp.10760-10772,nov.2018,doi:10.1109/tvt.2018.2868698.)：
[0071][0072]
式中，θ
new
为更新后的参数，θ
old
为更新前的参数，γ＞0为学习率，表示每次更新过程中cae-sdmc检测器损失函数的梯度运算，其中，表示梯度运算，j
cae
(
·
)表示cae-sdmc检测器的损失函数，θ是cae-sdmc检测器的更新参数
[0073]
最终，分别使用{bpsk,qpsk}，{bpsk,qam16}和{qpsk,qam16}混合数据集在高斯白噪声信道和瑞利衰落信道下对cae-sdmc检测器的符号检测性能进行仿真验证，使用{bpsk,bfsk}和{qpsk,qam16}混合数据集在高斯白噪声信道下对cae-sdmc检测器的调制识别性能进行仿真验证。其中，混合采样数据集中包含未知噪声、频率偏移和相位偏移的影响。
[0074]
图2为二进制相移键控和正交相移键控混合数据集在高斯白噪声信道下的误符号率性能曲线。横轴表示信噪比，纵轴表示误符号率。ml-bpsk和ml-qpsk分别表示二进制相移键控和正交相移键控使用最大似然检测(maximum likelihood,ml)获得的误符号率性能，cae-sdmc-bpsk和cae-sdmc-qpsk分别表示二进制相移键控和正交相移键控使用紧凑自编
码器符号检测和调制识别检测器获得的误符号率性能。由图2可知，本发明的cae-sdmc检测器在理想条件下，使用10k大小的数据集，混合信号的符号检测性能均可接近最大似然检测(maximum likelihood,ml)的理论值，同时，在归一化频偏为1.4
×
10-4
时，二进制相移键控和正交相移键控的最大性能损失约为0.3db和0.5db。
[0075]
图3、图4分别为二进制相移键控和十六进制正交幅度调制混合数据集，正交相移键控和十六进制正交幅度调制混合数据集在瑞利衰落信道下的解调性能曲线。横轴表示信噪比，纵轴表示误符号率。ml-qam16和cae-sdmc-qam16分别表示十六进制正交幅度调制采用最大似然检测和紧凑自编码器符号检测和调制识别检测器获得的误符号率性能。非混合qpsk信号和非混合qam16信号表示单一的正交相移键控和十六进制正交幅度调制使用深度神经网络检测器得到的误符号率性能。由仿真结果可知，在理想条件下，cae-sdmc检测器的解调性能与最大似然检测理论值最大的性能损失小于1db，在最大相位偏移为15度时，cae-sdmc检测器仍具有较强的鲁棒性。此外，正交相移键控和16进制正交幅度调制混合数据集分别使用20k和30k的数据，即可达到非混合信号深度神经网络检测器使用40k数据才能实现的性能，说明本发明中提出的cae-sdmc检测器具有较好的特征提取能力。
[0076]
图5为cae-sdmc检测器对不同混合信号的调制识别性能曲线。横轴为信噪比，纵轴为调制识别准确率。cae-sdmcd-bfsk bpsk表示cae-sdmcd对二进制频移键控(binary frequencyshift keying，bfsk)和二进制相移键控混合信号的调制识别，cnn-bfsk bpsk表示卷积神经网络对bfsk和bpsk混合信号的调制识别,cae-sdmcd-qpsk qam16表示cae-sdmcd对qpsk和qam16混合信号的调制识别,cnn-qpsk qam16表示cnn对qpsk和qam16混合信号的调制识别,cae-sdmcd-po-qpsk qam16表示cae-sdmcd在最大相位偏移为15度时对qpsk和qam16混合信号的调制识别,cnn-po-qpsk qam16表示cnn在最大相位偏移为15度时对qpsk和qam16混合信号的调制识别。由图5可知，对于不同的混合信号数据集，cae-sdmc的调制类型识别性能在低信噪比时超过已知的卷积神经网络分类器，且当信噪比大于10db时，识别准确率均超过98％。此外，cae-sdmc检测器在相位偏移下的检测性能具有较好的鲁棒性。
[0077]
通过对本技术中cae-sdmc检测器在matlab平台上进行验证，从得到的仿真结果可以看出，该检测器在理想条件下的符号检测性能接近最优检测的理论值，调制识别性能比卷积神经网络分类器具有更好的效果，且结构简单。同时，在非理想条件下的检测性能具有较强的鲁棒性。
[0078]
本发明提供了一种基于紧凑自编码器的符号检测和调制识别方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。