一种基于卷积神经网络的信号调制类型分类方法及系统
技术领域
本发明涉及无线通信技术领域，特别是涉及一种基于卷积神经网络的信号调制类型分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在通信领域中，对通信信号的分析处理，首先需识别信号的调制类型，正确识别调制类型后继而根据调制类型进行对信号进行解调；目前有两种关于信号调制识别的方法：即基于似然比的判决理论法和基于特征提取的统计模式识别法；前者对参数偏差和模型失配比较敏感，存在难以形成正确假设的困难，很难确定正确的判决门限值；后者的关键在于特征参数的选取，识别结果容易受到噪声的干扰。故，发明人认为通信系统中信号调制识别方法存在准确率低，受频偏等干扰影响大等问题。
发明内容
为了解决上述问题，本发明提出了一种基于卷积神经网络的信号调制类型分类方法及系统，提取电磁信号的调制特征，并对调制特征进行载波去除，减少频偏的影响；将处理后的调制特征采用星座图映射方法转换为特征图像，利用卷积神经网络对特征图像进行分类，将调制识别转换为图像识别，实现对通信系统中电磁信号调制类型的分类与识别。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于卷积神经网络的信号调制类型分类方法，包括：
对接收的电磁信号提取调制特征，所述调制特征包括振幅特征和第一相位特征；
采用载波估计算法过滤第一相位特征的载波频率，得到第二相位特征；
对振幅特征和第二相位特征进行星座图映射，得到特征图像；
采用预先构建的卷积神经网络模型对特征图像进行分类，得到特征图像所属的调制类型，根据调制类型对电磁信号进行解调。
第二方面，本发明提供一种基于卷积神经网络的信号调制类型分类系统，包括：
特征提取模块，用于对接收的电磁信号提取调制特征，所述调制特征包括振幅特征和第一相位特征；
载波处理模块，用于采用载波估计算法过滤第一相位特征的载波频率，得到第二相位特征；
星座图映射模块，用于对振幅特征和第二相位特征进行星座图映射，得到特征图像；
分类模块，用于采用预先构建的卷积神经网络模型对特征图像进行分类，得到特征图像所属的调制类型，根据调制类型对电磁信号进行解调。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明采用卷积神经网络自动提取调制信号特征图片的特性，实现调制类型的识别，本发明提取与信号有关的调制特征，并在特征提取过程中，利用载波估计算法将与调制信息无关的载波成分进行剔除，大幅度减少频偏对信号特征提取的影响，有效的提高了信号调制特征的纯净性，最大程度提取了信号的差异。
本发明将调制特征转化成特征图像，直观地表达差异性，将调制识别问题转换成为图像识别问题，最后利用卷积神经网络模型对特征图像进行分类，有效提高了分类的准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的对接收信号的处理流程图；
图2(a)为本发明实施例1提供的BPSK信号的星座图；
图2(b)为本发明实施例1提供的QPSK信号的星座图；
图2(c)为本发明实施例1提供的8PSK信号的星座图；
图2(d)为本发明实施例1提供的16QAM信号的星座图；
图2(e)为本发明实施例1提供的32QAM信号的星座图；
图2(f)为本发明实施例1提供的64QAM信号的星座图；
图3为本发明实施例1提供的卷积神经网络调制识别框架图；
图4为本发明实施例1提供的用于卷积神经网络调制识别框架训练过程中的模型损失图；
图5为本发明实施例1提供的用于卷积神经网络调制识别框架训练过程中的模型准确率图；
图6为本发明实施例1提供的卷积神经网络识别框架预测结果的混淆矩阵。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种基于卷积神经网络的信号调制分类方法，本实施例应用于无线通信技术、通信对抗、电磁频谱管理等技术领域，基于深度学习领域的卷积神经网络，对BPSK、QPSK、8PSK、16QAM、32QAM、64QAM等6类调制信号类型进行分类；具体包括：
S1：对接收的电磁信号提取调制特征，所述调制特征包括振幅特征和初始相位特征；
S2：采用载波估计算法过滤初始相位特征的载波频率，得到相位特征；
S3：对振幅特征和相位特征进行星座图映射，得到特征图像；
S4：采用预先构建的卷积神经网络模型对特征图像进行分类，得到特征图像所属的调制类型，根据调制类型对电磁信号进行解调。
所述步骤S1中，使用信号发生器设置测试信号产生的参数，产生不同调制阶数的PSK和QAM信号；
在本实施例中，信号发生器采用SMW200A；不同调制阶数的调制信号包括：BPSK、QPSK、8PSK、16QAM、32QAM、64QAM等6类。
利用天线接收待调制电磁信号，在终端采用信号IQ采集工具箱对连接到PC端天线中的电磁信号进行接收和采样，并将采样后的电磁信号样本的I/Q两路数据保存在.mat格式的文件中。
所述步骤S1中，根据PSK和QAM信号的调制原理，对接收的IQ样本中电磁信号提取与调制类型相关的调制特征，即振幅特征a(n)和相位特征
S101：接收电磁信号的I/Q数据表达式为：
其中，a(n)为电磁信号样本的振幅，f(n)为瞬时频率，
S102：振幅特征为：
S103：相位特征为：
S104：由于反正切函数的取值范围[-π/2,π/2]，而
判断IQ序列的正负分条件，根据该式求解
所述步骤S2中，由于提取的相位特征中含有载波频率成分，本实施例采用载波估计算法对信号进行载波估计，过滤电磁信号相位特征
在本实施例中，载波估计算法采用Rife算法，即双谱线法，根据Rife算法实现载波频率估计的步骤为：
S201：在MATLAB中导入电磁信号IQ样本，统计电磁信号IQ样本的采样率fs、快速傅里叶变换FFT的点数N，计算出Δf＝fs/N；
S202：对电磁信号IQ样本做N点FFT变换，得到频谱最大值M1，并记录其下标索引值x0；
S203：根据x2＝x0±1，得到频谱次大值M2，并记录其下标索引值x2；
S204：计算电磁信号频率与其FFT最大值处对应频率的相对偏差的绝对值|δ|为：
S205：比较x0、x2的大小；
S206：根据
S207：利用Rife算法估计得到载波频率
所述步骤S3中，将振幅特征a(n)和上述得到的相位特征进行星座图映射，进而转化为二维特征星座图，使用星座图计算公式为：
其中，j为虚数单位。
如图2(a)-图2(f)所示，分别为六类调制信号的星座图，将信号的调制特征参数映射为星座图后，星座图的水平X轴代表信号的同相分量，垂直Y轴代表信号的正交分量；点在X轴的投影是同相成分中的振幅最大值，点在Y轴的投影是正交成分中的振幅最大值，点到原点的连线的长度是该信号的峰值振幅，连线和X轴之间的角度是信号的相位。
所述步骤S4中：构建卷积神经网络模型的调制识别框架，对信号的特征星座图组成的数据集使用构建的卷积神经网络模型进行调制类型分类，根据调制类型对电磁信号进行解调。
如图3所示，本实施例构建的卷积神经网络模型包括3层卷积层；
每层卷积层输出的特征图经过ReLu激活后进行降采样的最大池化处理；
通过3个全连接层对前面的卷积层得到的特征进行组合，并使用dropout层降低过拟合的风险；
最后输出通过softmax函数进行调制类型的分类。
该网络模型仿照VGG网络，通过反复堆叠3*3的小卷积核和2*2的最大池化层，加深网络来提升性能，使得模型的泛化能力较强，在不同的图片数据集上都有良好的表现。
针对该模型的训练，本实施例采用tensorflow框架下的高级神经网络应用程序接口Keras，支持快速实验，能够把想法快速转换为结果；利用Keras搭建CNN框架，在模型编译时，损失函数采用类别交叉熵函数categorical_crossentropy，该函数用于多元分类问题；计算反向传播时，优化器采用自适应动量估计Adam，该算法不容易陷于局部优点速度更快，学习效果更为有效；
训练过程中，训练集的损失变化过程如图4所示，将训练集和验证集的数据迭代了32轮后，如图5所示，训练集的准确率稳定在97％以上，验证集的准确率稳定在97.6％。
在本实施例中，将卷积神经网络CNN用于信号调制分类时，不需要任何输入信号和输出类别之间精确的数学表达式，只要用已知的模式对卷积网络进行训练，网络就具有输入输出对之间的映射能力，其在对训练数据的学习过程中自动获得输入对输出的映射能力；其次，CNN的卷积层通过卷积运算自动提取特征，避免了显式的特征抽取，隐式地从训练数据中进行学习；相比其他深度学习的模型，CNN局部连接和权值共享的特性降低了网络的复杂度，减少了大量的训练参数。
在本实施例中，使用信号发生器SMW200A产生不同调制阶数的PSK和QAM信号，包括：BPSK、QPSK、8PSK、16QAM、32QAM、64QAM等；其实验验证依赖于计算机GPU的并行运算，计算机软件程序MATLAB和Python；
本实施例使用的图片数据集共有6480张图片，BPSK、QPSK、8PSK、16QAM、32QAM、64QAM的星座图各1080张；输入神经网络的图片大小为128×128像素；每张星座图所使用的IQ样本点为5000，每张图片大小为128×128像素；训练集、验证集、测试集的图片按6：2：2的比例划分，并保存在hdf5格式的文件中；训练好的模型同样被保存在h5文件中，为了检验模型的可用性，对测试集进行预测，预测结果的混淆矩阵如图6所示，总体的准确率为97.38％。
实施例2
本实施例提供一种基于卷积神经网络的信号调制类型分类系统，包括：
特征提取模块，用于对接收的电磁信号提取调制特征，所述调制特征包括振幅特征和第一相位特征；
载波处理模块，用于采用载波估计算法过滤第一相位特征的载波频率，得到第二相位特征；
星座图映射模块，用于对振幅特征和第二相位特征进行星座图映射，得到特征图像；
分类模块，用于采用预先构建的卷积神经网络模型对特征图像进行分类，得到特征图像所属的调制类型，根据调制类型对电磁信号进行解调。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
