基于复数卷积模块的多特征自动调制识别方法与流程

1.本发明属于通信信号处理技术领域，具体涉及基于复数卷积模块的多特征自动调制识别方法。


背景技术：

2.自动调制识别，也称自动调制分类，目前已经成为许多军事和民事应用中的重要技术。自动调制识别是通过对接收信号进行分析，识别出信号的调制方式。目前的自动调制识别技术可以分为两类，即基于决策理论的识别方法和基于特征提取的识别方法。前者解决了基于贝叶斯决策理论的调制识别问题，通过最小化错误分类概率可以实现最优性能。然而，这种方法需要大量的计算才能获得先验知识，难以在实际情况下使用。因此，基于特征提取的模式识别方法应用更为广泛。
3.基于特征提取的识别方法通过提取信号的关键特征，通过机器学习分类器对信号进行分类，使用不同的分类器以提高分类准确率，包括决策树、支持向量机、人工神经网络等。此方法具有更低的计算复杂度，并且易于实现，是目前的研究热点。
4.近年来，随着深度学习的不断发展，神经网络模型被广泛应用于计算机视觉、自然语言处理等多领域。tim o’shea首先提出将神经网络模型应用于信号调制识别当中，使用卷积神经网络进行特征提取，用计算机仿真的方法建立调制数据集，并将得到的i/q信号输入网络中，实现了使用计算机对信号数据进行自动特征提取。在此基础上，wu等人提出了基于cnn-lstm网络结构的自动调制识别方法，利用lstm提取信号的时间和空间特征进行识别，相比于单纯cnn网络结构实现了更好的分类效果。kristyna pijackova等人通过将卷积神经网络和长短时记忆网络结合提出了cldnn的网络结构，在相同的数据集上获得了比cnn更好的识别效果。为了结合信号的时间和空间上的不同特征，zhang等人使用i/q和幅度/相位(a/p)形式来表示信号，使用cnn-lstm网络分别提取特征再进行融合达到分类的效果。
5.但以上模型均没有同时考虑到信号的不同表示形式和复数特征，针对这一问题，我们提出了基于复数卷积网络的综合两路特征网络结构来实现信号调制识别。来解决以上问题。


技术实现要素：

6.本发明目的在于提供基于复数卷积模块的多特征自动调制识别方法，用于解决上述现有技术中存在的技术问题，如：没有同时考虑到信号的不同表示形式和复数特征。
7.为实现上述目的，本发明的技术方案是：
8.一种基于复数卷积模块的多特征自动调制识别方法包括以下步骤：
9.s1：建立复数卷积模块，所述复数卷积模块用于提取信号的复数特征；
10.s2：在步骤s1的基础上，通过所述复数卷积模块将信号的i/q向量特征与a/p向量特征进行融合；
11.s3：在步骤s2的基础上，建立多特征自动调制识别模型，使用基于复数卷积模块的
cnn-lstm提取信号的复数特征和时间空间特征，并融合两路特征进行信号分类。
12.进一步的，步骤s1具体如下：
13.信号以复数形式来表示，分解为同相分量和正交分量，即得到i/q两路信号，其中i分量和q分量分别对应复数坐标系当中的实数轴和虚数轴，即x＝i q
×
j；
14.i/q分量被表示为矩阵s，实数卷积核表示为矩阵k；卷积操作用来表示；
[0015][0016]
相应地，提出复数i/q矩阵sc，和复数卷积核kc，其卷积操作用来表示；
[0017][0018]
进一步的，复数卷积模块对经过特定的数学运算后能等效操作，其步骤如下：
[0019]
s11：对s矩阵进行预处理，进行翻转和补零操作，得到新矩阵s
′
；
[0020]
s12：进行卷积操作得到下图矩阵，记为s
″
；
[0021][0022]
s13：s
″
右乘如下常数矩阵，得到二维形式的结果；
[0023][0024]
进一步的，步骤s2具体如下：
[0025]
融合网络在i/q信号向量和振幅/相位(a/p)信号向量提取到的特征；经过复数卷积模块和lstm学习后的特征可被表示为
[0026][0027][0028]
其中，f
iq
表示输入为i/q向量时经过复数卷积网络-lstm后得到的特征向量，f
ap
表示输入为a/p向量时经过复数卷积网络-lstm后得到的特征向量；
[0029]
综合特征融合后得到的特征向量f中的第i个元素可表示为
[0030][0031]
进一步的，步骤s3具体如下：
[0032]
提出复数卷积模块代替普通的卷积层，使得网络能够从i/q、a/p数据中固有的联合相关性中学习；i/q和a/p数据经过复数卷积模块提取到的实/虚部联合信息，再经过两层lstm进一步提取到时间序列的特征，随后通过综合特征融合将i/q和a/的特征联合起来，增加特征的多样性，最后将联合特征输入softmax层进行信号分类。
[0033]
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如上述的一种基于复数卷积模块的多特征自动调制识别方法。
[0034]
一种电子设备，包括处理器和存储器，所述存储器用于存储所述处理器的可执行命令，所述处理器通过运行所述可执行命令以实现如上述的一种基于复数卷积模块的多特征自动调制识别方法。
[0035]
与现有技术相比，本发明所具有的有益效果为：
[0036]
本方案其中一个有益效果在于，提出了一种基于复数卷积模块的多特征调制识别方法，融合了信号多个维度的特征，充分提取信号的复数域特征，取得了优异的识别结果。具体来说，对信号进行预处理表示为i/q向量和振幅/相位a/p向量的双流结构，然后用复数卷积模块提取实部虚部之间的关联信息，接着使用lstm提取其时间上丰富的特征，充分利用复数卷积模块在空间特征提取上和lstm模块在处理时间序列数据上的优势。同时，多特征综合融合的引入使得不同特征相互作用，进一步提高了调制识别准确率。经实验验证，本文提出的模型相较于目前其他的主流方法具有更高的识别准确率，尤其在低信噪比、相似调制方式下的识别准确率提升显著。这些结果证明了所提出模型的优越性，还揭示了复数卷积模块在调制识别任务中的巨大潜力。但是目前的模型仍有一定的局限性，一方面，本文提出的模型改善了其他模型在低信噪比下识别准确率低的情况，但是实际通信环境含有大量噪声，因此，探索出能大幅度提高低信噪比下识别准确率的模型具有重要意义。
附图说明
[0037]
图1为本技术实施例的其中一个细化方案示意图。
[0038]
图2为本技术实施例的其中一个细化方案示意图。
[0039]
图3为本技术实施例的其中一个细化方案示意图。
[0040]
图4为本技术实施例的其中一个细化方案示意图。
[0041]
图5为本技术实施例的其中一个细化方案示意图。
[0042]
图6为本技术实施例的其中一个细化方案示意图。
[0043]
图7为本技术实施例的其中一个细化方案示意图。
[0044]
图8为本技术实施例的其中一个细化方案示意图。
[0045]
图9为本技术实施例的其中一个细化方案示意图。
具体实施方式
[0046]
下面结合本发明的附图1-9，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明
中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
信号模型部分
[0048]
一般而言，一个调制信号如公式所示
[0049]
r(t)＝s(t)
×
c(t) n(t)
ꢀꢀ
(1)
[0050]
其中s(t)是接收信号的无噪声复基带包络，n(t)是均值为零的家性高斯白噪声，c(t)是发射无线信号时变脉冲响应渠道。
[0051]
接收到的信号r(t)在模/数转换器中以固定频率fs进行采样，从而生成离散信号rn。离散信号rn被分解为同相分量ri[n]和正交分量rq[n]，即信号被表示为
[0052]rn
＝r(n)＝ri[n] j
×rq
[n]
ꢀꢀ
(2)
[0053]
其中j表示虚数单位，即j2＝-1。
[0054]
假设r[n]∈c，n＝0，1，
…
，n-1是原始信号的一系列时间序列，可以将其表示为一个数据向量。第k个数据向量可表示为：
[0055]rk
＝[r[0]，r[1]，
…
，r[n-1]]
t
ꢀꢀ
(3)
[0056]
其中t表示信号向量的转置。为了表示调制信号的特征，将信号表示为i/q向量和a/p(幅度/相位)向量。
[0057]
数据处理部分
[0058]
i/q向量表示：
[0059]
i/q向量将原始信号数据转换为实数的两路信号特征，一路表示为同相信号分量，一路表示为正交信号分量。第k个i/q向量可表示为：
[0060][0061]
其中
[0062]
振幅/相位(a/p)向量表示：
[0063][0064]
a/p向量将原始信号数据转换为实数的两路信号特征，一路表示为信号的幅度向量，一路表示为相位向量。第k个向量可表示为：
[0065][0066][0067]
其中表示幅度向量，表示相位向量。相位和幅度向量中的每个元素的值可由(6)(7)式计算得出。
[0068]
复数卷积模块
[0069]
信号常以复数形式来表示，其可被分解为同相分量和正交分量，即得到i/q两路信号，其中i分量和q分量分别对应复数坐标系当中的实数轴和虚数轴，即x＝i q
×
j。由此可
见，将信号使用i/q分量表示时，其具有复数意义，因此如何提取i/q分量中丰富的复值信息是十分重要的。引入的复数卷积模块可以使用在复数数据上计算卷积，并提取复数特征。
[0070]
i/q分量被表示为矩阵s，实数卷积核表示为矩阵k。卷积操作我们用来表示。
[0071][0072]
图1i/q矩阵向量s和实数卷积核矩阵k
[0073]
相应地，我们提出复数i/q矩阵sc，和复数卷积核kc，如下图所示，其卷积操作我们用来表示。
[0074][0075]
图2复数卷积矩阵sc和复数卷积核kc[0076]
我们提出的复数卷积模块旨在对经过特定的数学运算后能等效操作，以实现复数卷积提取丰富复值信息的功能。具体而言，我们分为了三步：
[0077]
1.对s矩阵进行预处理，进行翻转和补零操作，得到新矩阵s
′
[0078]
2.进行卷积操作得到下图矩阵，记为s
″
[0079][0080]
3.s
″
右乘如下常数矩阵，得到二维形式的结果
[0081][0082]
特征融合方法
[0083]
i/q信号向量能提取到原始复信号的时间特征，a/p信号向量能提取到原始复信号中与幅度和相位相关的时间/空间特征。两路提取到的特征携带有不同的信息和属性，需要结合两路信息特征以充分发挥两路信号提取结构的优势。我们将计算机视觉领域中的特征
融合方法引入无线电信号调制识别领域，但大多特征融合方法在amc领域存在缺陷。例如，对特征向量进行concatenate会丢失特征之间的联系，使得低信噪比下的识别准确率下降。对特征向量进行外积运算会升高特征向量的维度，使得运算量急剧增大。conv fusion操作通过卷积学习两路信号向量特征，但是会导致参数量增大，并丢失特征细节。
[0084]
为了更好地融合网络在i/q信号向量和振幅/相位(a/p)信号向量提取到的特征，本文采取综合特征融合方法。综合融合既没有引入额外的开销，又充分利用了两路向量的特征信息，保留了特征细节。实验证明，综合特征融合方法可以大幅提高模型在低信噪比下信号识别的准确率。
[0085]
经过复数卷积模块和lstm学习后的特征可被表示为
[0086][0087][0088]
其中，f
iq
表示输入为i/q向量时经过复数卷积网络-lstm后得到的特征向量，f
ap
表示输入为a/p向量时经过复数卷积网络-lstm后得到的特征向量。
[0089]
使用综合特征融合方法后得到的特征向量f中的第i个元素可表示为
[0090][0091]
多特征自动调制识别网络结构
[0092]
如图1所示，我们的模型基于cnn-lstm模型进行了改进，bcnn的双路结构结合了i/q、a/p多特征融合、复数特征表示和lstm时序相关性提取的优点，它的输入包括两部分：第i个i/q向量和第i个a/p向量每个输入部分将由复数卷积网络(complex-valued cnn)和长短时记忆网络(lstm)处理。
[0093]
我们借鉴了[10]的思想，i/q数据能有效反映信号的时间特征，a/p向量也能有效反映信号的时间和空间特征，从幅度、相位上补充了一定的信号特征，本文融合两者特征提出了基于i/q和a/p的两路的特征提取模型，运用多模态融合的思想，对两路特征经行综合融合，充分利用两路信号提取的特征信息，使得网络的敏感性和鲁棒性有所提升。
[0094]
进一步地，我们使用本文提出的复数卷积结构代替了普通的卷积层，使得网络能够从i/q、a/p数据中固有的联合相关性中学习，而非对数据的实/虚部孤立地学习。所有的操作在实数域上执行，但可以被解释为复数域的操作，使得网络能够提取丰富的实/虚部的联系特征。
[0095]
由于bcnn在i/q和a/p结构上是相同的，为简单起见，仅详细描述i/q路的结构，具体参数如表格1所示。
[0096][0097][0098]
表1本文模型在特征融合前的单路网络结构参数表
[0099]
i/q和a/p数据经过复数卷积模块提取到丰富的实/虚部联合信息，再经过两层lstm进一步提取到时间序列的特征，随后通过综合特征融合将i/q和a/p的特征联系起来，增加了特征的多样性，最后将联合特征输入softmax层进行信号分类。
[0100]
实施例：
[0101]
将详细介绍实验中用到的数据集，实验设置，实验流程，并通过与信号调制识别的典型模型进行对比来说明本文中提出的模型具有更高的准确性。为了说明不同调制识别模型的准确率之间的差异，本部分中进行的对比实验都是在同一个数据集下进行的。
[0102]
数据集部分本文使用的数据集是tim o’shea使用具有信号处理模块的gnu radio仿真模拟得到的公开数据集radioml2016.10a，该数据集使用了大量真实语音信号来产生通信调制信号，并仿真通信环境产生频偏、相偏、高斯白噪声干扰等。数据集共包含11种调制方式，其中8种为数字调制，3种为模拟调制。每个数据样本由经过正交解调后的i/q两路信号并结而成，每路有128个采样点。每种调制信号设置20种信噪比，范围从-20db到18db，以2db为增量，每种信噪比均采样1000个信号样本，总体数据集共有220000个。该数据集的具体参数如下表所示。
[0103]
[0104]
表格2数据集radioml2016.10a的参数
[0105]
实验设置部分
[0106]
神经网络由api keras、tensorflow后端实现，所有模型在kaggle平台提供的nvidia tesla p100上进行训练。训练集和测试集比例为7：3，batch_size设置为1024，初始学习率设置为0.001，随着迭代次数增加而逐渐减小。在训练过程中即如果验证集的识别准确率在10个epoch内没有提高，则模型将停止训练。
[0107]
模型训练与测试部分
[0108]
在实验中，我们把数据集随机分为训练集和测试集，amc本质上是多分类问题，因此模型在训练过程中采用交叉熵作为损失函数，表达式如下
[0109][0110]
其中m表示类别的数量；y
ic
表示如果样本i的真实类别等于c取1，否则取0；p
ic
表示观测样本i属于类别c的预测概率。
[0111]
选择adam优化器，结合了adagrad和rmsprop两种优化算法的优点。对梯度的一阶矩估计(first moment estimation)和二阶矩估计(second moment estimation)进行综合考虑，计算出更新步长。
[0112]
在神经网络反向传播的过程中，权重更新的表达式为：
[0113][0114]
其中w表示权重参数，η表示学习率，表示误差对权重参数的导数。
[0115]
参数集w和loss随着网络迭代不断更新，直至loss最小或达到上限迭代次数。因此，具体的训练过程描述如下。
[0116]
步骤1：初始化模型权重w
[0117]
步骤2：选定batch，将其定义为本次训练的输入
[0118]
步骤3：将i/q和a/p导入模型中，流经各隐藏层，最后给出分类结果
[0119]
步骤4：通过损失函数计算测量结果与目标结果的差距
[0120]
步骤5：对迭代次数评定，确认是否超过预设值，利用公式完成梯度推导和计算，反向更新所有隐藏层参数w
[0121]
步骤6：重复步骤2-5，直至loss收敛或满足预设迭代次数
[0122]
步骤7：对网络的结构和所有参数进行保存，用于完成测试集的验证和性能评估。
[0123]
(1)实验参数确定
[0124]
图2展示了改变本模型中lstm层数对于识别准确率的影响。从图中可以清晰地看出，2层lstm的效果在高信噪比下最好，在信噪比为6db时就能达到92％左右的识别准确率。在低信噪比下，2层lstm与4层lstm的分类表现相差不大，仅在信噪比小于-10db的极端情况下有2％左右的差距。
[0125]
我们研究了复数卷积模块的数量对于识别准确率的影响。如图3所示，当模型中有三个复数卷积模块时识别准确率在几乎所有信噪比的情况下都是最高的。在低信噪比情况下，两层复数卷积模块和三层的效果非常接近，四层的效果稍差。在高信噪比情况下，三层
复数卷积模块的识别准确率最高。
[0126]
我们将复数卷积模块和lstm的层数对实验结果的影响汇总在图4上加以展示，信噪比为0db和18db分别代表低信噪比于高信噪比情况。我们可以看出，在两种信噪比情况下，3层复数卷积模块和2层lstm的网络结构的分类效果是最好的。
[0127]
(2)实验结果分析
[0128]
图5和图6分别使用折线图和混淆矩阵的方式显示了本文提出的模型在不同调制方式上的识别准确率随信噪比的变化而变化的趋势。首先，在信噪比一定时，针对不同的调制方式，模型的识别准确率存在较大差异。在低信噪比情况下，也就是信号中的大部分是噪声信号，这在一定程度上影响了模型的识别，除am-ssb的识别准确率大于95％外，其他调制方式的识别准确率较低。在snr＝0db时，由于qam16和qam64在调制方式上的相似性，导致二者的识别准确率偏低，但在其他的调制方式上表现优异。当信噪比大于0db时，随着信噪比的提高，几乎所有的调制方式的识别准确率均能达到98％以上，尽管qam16和qam64由于在调制方式上的相似性导致二者的识别准确率相较其他调制方式而言有所降低，但qam16的识别准确率也能达到96％左右。
[0129]
其次，随着信噪比的增加，识别准确率有明显提高，尤其是am-dsb在snr＝-14db时就能达到68％的识别准确率，推测本模型从原始信号中提取了振幅/相位特征作为第二路的输入对于振幅调制的识别具有帮助。从折线图可以看出，在snr＝-10db时信噪比的增加对于大部分调制方式的识别准确率有极大提高，其中gfsk和pam4以及cpfsk的提高尤其明显，提高速度很快几乎呈现线性趋势。除个别调制方式外，几乎所有的调制方式在snr＝0db时即可达到90％左以上的识别准确率，之后能够上升到几乎100％的识别准确率。而qam64和qam16的上升速度较慢，在snr＝6db时达到最大值。值得注意的是，am-ssb的识别准确率则几乎不受信噪比影响，一直保持在97％左右的高准确率水平。
[0130]
(3)模型对比
[0131]
由图7中的折线图可以看出，本文提出的模型在信噪比为0db时就已经能够达到82％的准确率，在信噪比大于等于2db时的识别准确率达到87％左右，最高可达到92.5％的准确率。cnn网络结构在同样条件下的识别最高准确率为77％，cnn-lstm网络结构考虑了信号在时间和空间上的特征，识别准确率最高为87％，cldnn网络结构最高识别准确率为76％，使用复数卷积网络结构的complex-valued cnn结构可以提取信号的复数特征，其识别准确率最高可达83％，层次更深的inception网络结构最高可达85％，将信号表示为i/q向量和a/p向量的基于双路信号特征输入cnn-lstm网络结构最高识别率为87％。
[0132]
本文提出的结构在信噪比等于0db时就表现出了82％的识别准确率，在同样的信噪比下，cnn、cnn-lstm、cldnn、complex-valued cnn、inception、cnn-lstm based dual-stream的准确率分别为65％、82％、74％、78％、82％、76％，均小于本文提出的网络结构所能达到的准确率。
[0133]
在低信噪比的情况下，上述几种神经网络结构的识别准确率均不理想，本文提出的结构在信噪比为-20db时，识别准确率高于15％，而其他网络结构均为10％左右。由图7可以看出，在信噪比在-18db与-12db之间时，本文提出的结构在识别率上有明显的提升，而其他网络结构在此区间内的识别准确率没有明显提高。在-10db的信噪比情况下，本文的结构具有31％的识别准确率，明显高于其他网络结构。
[0134]
在相同信噪比下，本文对mqam的调制识别更为准确，图8对比了proposed，cldnn，inception和cnn-lstm based dual-stream模型在信噪比为18db下的调制识别准确率。可以看出，在相同信噪比下，本文提出的模型相比于cldnn，inception和cnn-lstm based dual-stream模型，对于mqam的识别准确率更高。在18db信噪比下，cldnn模型对于qam16和qam64的识别准确率分别为59％和39％，inception对于qam16和qam64的识别准确率分别为38％和55％，cnn-lstm based dual-stream则分别为4％和91％，此信噪比下我们的模型正确识别了96％的qam16，对qam64的识别准确率也有79％，表现出很强的mqam识别能力。
[0135]
表格3展示了我们提出的模型和cnn-lstm based dual-stream、cldnn及inception模型中不同调制方式在信噪比为0db到18db上识别准确率的均值。从表格3可以清晰地看出，本文提出的模型在绝大多数调制方式的识别准确率上相比其他模型有优势。另外，不同模型在调制方式为qam16和qam64的识别准确率都普遍偏低，但本文提出的模型在qam16和qam64的识别
[0136]
上比其他模型均高出25％以上，改善了mqam低识别准确率的问题。整体来看，本文提出的结构在11种调制方式上都是具有优越性的。
[0137]
表3我们提出的模型与已有模型在11种调制识别方式上的识别准确率
[0138][0139]
此外，我们还对比了所提出的模型与其他模型在计算复杂度上的比较，如表4所示。所提出的模型与cnn-lstm based dual-stream训练时间更长，但就网络参数而言，所提出的模型在训练参数数量上的花销最少，且在-20db到18db的所有调制方式上取得的平均识别准确率相比其他模型有显著的优势，因此所提出的模型有更好的性能。
[0140]
(4)特征融合方法对比
[0141]
本文提出的综合特征融合方法能够有效地融合复数卷积模块和长短时记忆网络在i/q信号向量和幅度/相位(a/p)信号向量提取到的特征，在小于-5db的低信噪比下表现出优秀的调制识别准确率。
[0142]
图9展示了本文提出的综合特征融合方法与目前已有的concatenation fusion，outer-product fusion以及conv fusion在信噪比变化的情况下总体识别准确率的变化。
可以看出，outer-product fusion的表现最为普通，推测是因为对特征向量进行外积操作会导致特征维度增大，因此参数的选择十分受限。在高信噪比时，综合特征融合方法的识别准确率可以达到90％以上，而concatenation fusion的识别准确率也在89％左右，conv fusion的识别准确率较低，在83％左右。在低信噪比下，本文提出的方法显示出了优越性，在小于-6db时的识别准确率能够明显高于其他特征融合方法。
[0143]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。