基于短时傅里叶变换时频分析的多天线盲调制识别方法
技术领域
本发明涉及认知无线电、通信信号调制识别技术领域，尤其涉及基于短时傅里叶变换时频分析的多天线盲调制识别方法。
背景技术
盲调制识别技术是实现认知无线电的重要步骤，广泛应用于军用和民用通信中，如电子对抗战和电子监控等。然而，针对多天线系统，由于多路信号重叠对原始发送信号统计特性的破坏和对信道状态信息估计的困难，难以利用传统的基于似然估计和基于特征提取的调制识别方法来实现多天线系统的调制信号识别。
针对多天线系统盲调制识别的难题，学术界和工业界的研究才刚刚起步。现有的识别方法包括基于信道信息估计和特征提取的组合方法以及基于信道信息估计和似然估计的组合方法。这两类方法需要提前知道信道状态信息或信道信息进行估计，这在敌对(盲)环境下来实现是不现实的，且基于信道信息估计、特征提取、似然估计算法的缺陷，这类方法的精度往往不能让人满意。
发明内容
本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法，解决的技术问题是，现有多天线系统盲调制识别方法，需要提前知道信道状态信息或信道信息进行估计，不能应用在盲环境下，且识别精度不高。
为解决以上技术问题，本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法，包括步骤：
S1.利用信号发生器生成各种调制信号并模拟多天线系统的信道生成不同信噪比下的多路接收信号；
S2.对每路所述接收信号基于短时傅里叶变换进行时频分析，得到对应的多幅彩色时频图像；
S3.利用卷积神经网络对每幅所述彩色时频图像进行训练并测试分类，得到每路所述接收信号的分类结果；
S4.利用决策融合模块对每路所述接收信号的分类结果进行融合，得出所述多天线系统的调制类型。
进一步地，所述步骤S1中，所述信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成所述各种调制信号，所述多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。
进一步地，所述步骤S2具体包括步骤：
S21.对任一路所述接收信号y(n)利用汉明窗ω(n)加窗，得到第F个加窗后的信号yF(n)；
S22.对加窗后的信号yF(n)进行短时傅里叶变换，得到对应的信号谱fF(k)；
S23.将信号谱fF(k)取绝对值得到线性谱S(k,F)；
S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F)；
S25.组合归一化线性谱G(k,F)，得到接收信号y(n)的灰度时频图G；
S26.对灰度时频图G进行色彩映射得到RGB时频图Ic。
进一步地，所述步骤S21中：
所述汉明窗ω(n)表示为：
其中，Rωw(n)表示宽度为ωs的矩形窗；
加窗后的信号yF(n)表示为：
yF(n)＝y(Fδ+n)ω(n),n＝0,...,ωs (2)
其中，ωs为汉明窗的长度，δ为相邻汉明窗之间的间隔，相邻汉明窗之间的信号重叠长度为ωs-δ，汉明窗的数量为
进一步地，
所述步骤S22中，信号谱fF(k)表示为：
其中，N/2-1为傅里叶变换的点数；
所述步骤S23中，线性谱S(k,F)表示为：
S(k,F)＝|fF(k)| (4)
所述步骤S24中，归一化线性谱G(k,F)表示为：
其中，min(S)、max(S)分别表示S(k,F)中的最小和最大线性值。
进一步地，
所述步骤S25中，灰度时频图G表示为：
G＝[G(k,1)T,...,G(k,F)T,...,G(k,NF)T] (6)
所述步骤S26中，RGB时频图Ic表示为：
Ic＝fmap(G) (7)
RGB时频图Ic的大小为(N/2-1)×NF。
进一步地，所述步骤S4中，所述决策融合模块进行融合的步骤包括：
S41.根据对应的分类结果确定每路所述接收信号的调制方式；
S42.对多路所述接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。
进一步地，所述步骤S41中，第i路所述接收信号的最终调制方式mi表示为：
其中，K表示调制信号的种类数，dik表示第i路接收信号被识别为第k类调制方式的概率。
进一步地，所述步骤S42中，所述n-out-of-Nr的决策方式指：在Nr分类器中通过n个分类结果来确定最终调制方案，当n＝1、n＝Nr和
本发明提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法，采用短时傅里叶变换进行时频分析，可以清晰地提取到接收信号的时频特征，并生成接收信号的RGB时频图；采用卷积神经网络作为分类器，对RGB时频图进行训练分类，从而将传统意义上的信号识别问题转化为图像识别问题；对多天线系统各路接收天线的识别结果(采用“n-out-of-Nr”的准则)进行决策融合，实现调制模式识别。相比现有多天线盲调制识别方法，其有益效果在于：
结合短时傅里叶变换、卷积神经网络、决策融合，使得本发明在低噪声环境下仍然具有较高的识别精度，高达85％，并且本发明收敛速度快、复杂度低、易实现。
附图说明
图1是本发明实施例提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法的步骤流程图；
图2是本发明实施例提供的图1的工作流程图；
图3是本发明实施例提供的本发明仿真生成的RGB时频图样例；
图4是本发明实施例提供的本发明和其他方法的平均调制识别精度对比图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
(1)方法说明
为解决现有多天线系统盲调制识别方法，不能应用在盲环境下，且识别精度不高的技术问题，本发明提供基于短时傅里叶变换时频分析的多天线盲调制识别方法，如图1、2所示，包括步骤：
S1.利用信号发生器生成各种调制信号x1(t)～xNr(t)，并模拟多天线系统各个信道上的高斯白噪声n1(t)～nNr(t)从而生成不同信噪比下的多路接收信号y1(t)～yNr(t)；
S2.对每路接收信号基于短时傅里叶变换进行时频分析，得到对应的多幅彩色时频图像Ic1～IcNr；
S3.利用卷积神经网络(CNN分类器)对每幅彩色时频图像进行训练并测试分类，得到每路接收信号的分类结果；
S4.利用决策融合模块对每路接收信号的分类结果进行融合，得出多天线系统的调制类型。
具体的，步骤S1中，信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成各种调制信号，多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。
进一步地，步骤S2具体包括如下步骤S21-S26。
S21.对多路接收信号y1(t)～yNr(t)中任一路接收信号y(n)利用汉明窗ω(n)加窗，得到第F个加窗后的信号yF(n)。
在该步骤S21中，汉明窗ω(n)表示为：
其中，
加窗后的信号yF(n)表示为：
yF(n)＝y(Fδ+n)ω(n),n＝0,...,ωs (2)
其中，ωs为汉明窗的长度，δ为相邻汉明窗之间的间隔，相邻汉明窗之间的信号重叠长度为ωs-δ，汉明窗的数量为
S22.对加窗后的信号yF(n)进行短时傅里叶变换，得到对应的信号谱fF(k)。
在该步骤S22中，信号谱fF(k)表示为：
其中，N/2-1为傅里叶变换的点数。
S23.将信号谱fF(k)取绝对值得到线性谱S(k,F)：
S(k,F)＝|fF(k)| (4)
S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F)：
其中，min(S)、max(S)分别表示S(k,F)中的最小和最大线性值。
S25.组合归一化线性谱G(k,F)，得到接收信号y(n)的灰度时频图G：
G＝[G(k,1)T,...,G(k,F)T,...,G(k,NF)T] (6)
S26.对灰度时频图G进行色彩映射得到RGB时频图Ic：
Ic＝fmap(G) (7)
进一步地，在步骤S4中，决策融合模块进行融合的步骤包括：
S41.根据对应的分类结果确定每路接收信号的调制方式。
步骤S3中，第i路接收信号yi(n)的决策结果可以表示为di＝[di1,...,dik,...,diK]，其中K为调制信号的种类数。则本步骤S41中第i路接收信号的最终调制方式mi表示为：
其中，dik表示第i路接收信号被识别为第k类调制方式的概率。
S42.对Nr路接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。
n-out-of-Nr的决策方式，即：在Nr分类器中通过n个分类结果来确定最终调制方案，当n＝1、n＝Nr和
本发明实施例提供的基于短时傅里叶变换时频分析的多天线盲调制识别方法，采用短时傅里叶变换进行时频分析，可以清晰地提取到接收信号的时频特征，并生产接收信号的RGB时频图；采用卷积神经网络作为分类器，对RGB时频图进行训练分类，从而将传统意义上的信号识别问题转化为图像识别问题；对多天线系统各路接收天线的识别结果(采用“n-out-of-Nr”的准则)进行决策融合，实现调制模式识别。相比现有多天线盲调制识别方法，其有益效果在于：
结合短时傅里叶变换、卷积神经网络、决策融合，使得本发明在低噪声环境下仍然具有较高的识别精度，高达85％，并且本发明收敛速度快、复杂度低、易实现。
(2)实验仿真
为了证明本实施例上述方法实现的识别效果，本实施例进行了实验仿真，在仿真中，建立多天线系统时，考虑了[0,1]之间的随机信道衰减和一个符号间隔内的随机相移，并在调制信号中添加不同信噪比的高斯白噪声。多天线系统包括2根发射天线和4根接收天线，即Nt＝2，Nr＝4。调制信号包含：Θ1＝{2ASK,2FSK,2PSK,4ASK,4FSK,4PSK,8PSK,16QAM}(K＝8，即8种调制信号)。此外，生成调制信号的参数设置如下：采样频率为16kHz，载波频率为2kHz，符号速率为100Hz，原始数字信号的长度为14，即每个调制信号包含(16000/100)×14＝2240个样本点。在对基于迁移学习的AlexNet卷积神经网络的训练阶段，每种调制信号的信噪比由-2dB至10dB且以2dB为间隔变化(7个信噪比)，每个信噪比下共生成100个调制信号(共7*100调制信号)。在测试阶段，每种调制信号在随机信噪比条件下生成100个测试调制信号(共8*7*100＝5600个测试调制信号)。在RGB时频图生成过程中的参数设置如下，ωs＝320，δ＝5，N＝2048，L＝2240，NF＝365。
如图3所示，图3(a)、(b)、(c)分别展示了本发明所提方法生成的10dB信噪比条件下的2ASK、2PSK和2FSK信号的RGB时频图，可以发现不同调制方式的RGB时频图具有很大的区别，具有图像识别的可行性。
将本发明所提方法在数据集Θ1下实现，并分别与基于特征提取、GoogLeNet和SqueezeNet的盲调制识别方法进行对比。基于特征提取的方法的基本思想为：提取原始信号的时频特征，转化为时频图，利用神经网络进行训练分类，不进行决策融合；基于GoogLeNet的盲调制识别方法的基本思想为：利用GoogLeNet替代所提算法中的AlexNet；基于SqueezeNet的盲调制识别方法的基本思想为：利用SqueezeNet替代所提算法的AlexNet。
图4展示了本发明算法和对比算法在数据集Θ1下的平均调制识别精度。本发明所提方法在-4dB的低信噪比情况下也可以达到80％以上的识别精度，在高信噪比下识别精度可以达到85％，识别性能明显优于基于特征提取、GoogLeNet和SqueezeNet的盲调制识别方法。可以看出，本实施例所提方法相对于基于特征提取的方法能明显提升多天线系统下的调制识别精度，并且具有良好的抗噪性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
