[发明专利]一种基于神经网络集成的调制识别方法

说明书

本发明属于通信技术领域，具体的说是一种基于神经网络集成的调制识别方法。本发明基于神经网络集成的调制识别方法，利用了卷积神经网络自动提取综合的抽象化特征，避免了传统方法的设计和选用信号特征，事实上，可以通过改变训练集的方式得到不同的分类器来适应绝大多数的调制方式，此外，本发明使用集成策略加强了在低信噪比下的识别性能。

技术领域

本发明属于通信技术领域，具体的说是涉及一种基于神经网络集成的调制识别方法。

背景技术

自从C.S.Weaver等四名学者于1969年在斯坦福大学的技术报告上发表了第一篇研究通信信号自动调制识别的文章以来，通信信号的自动调制识别技术一直是通信领域的研究热点，其在电子侦察与对抗、频谱监测与管理等领域都有着广泛的应用，对于通信智能化具有重要意义。现有调制识别技术主要可分为两大类：基于假设检验的最大似然方法和基于特征提取的模式识别方法。

基于假设检验的最大似然方法是一种统计方法，其利用概率模型推导，在观测采样值、观测值的概率密度达到最大时找出最为合理的参数估计量。从贝叶斯估计的角度来说，基于假设检验的最大似然方法的结果是最优的，但该类方法对参数偏差和模型失配较为敏感，在现实的复杂通信环境中难以广泛应用。

相比于基于假设检验的最大似然方法，基于特征提取的模式识别方法比较稳定，实用性更强。目前，用于调制识别的信号特征主要包括时域或变换域特征参数：时域特征包括瞬时幅度、瞬时频率和瞬时相位；变换域特征包括功率谱、谱相关函数、时频分布以及其它的统计参数。但绝大多数基于特征提取的模式识别方法受其所选用特征的限制，往往只能针对特定的某几种调制方式，可识别范围比较狭窄，特征的设计与选择是此类方法的最大障碍。此外，多数基于特征提取的模式识别方法对于信噪比有一定要求，在低信噪比下的识别性能并不理想。

发明内容

本发明的目的，就是针对上述问题，提供一种基于神经网络集成的调制识别方法，本质上依然是基于特征提取的模式识别方法，但相比于传统方法需要预先确定设计特征，本发明利用卷积神经网络从信号基带波形中自动地提取综合的抽象化特征，且通过改变数据集重新训练即可适应新的调制方式，应用性显然更强。此外，本发明通过集成策略加强了分类器决策边界的鲁棒性，使得该方法在低信噪比下的表现更为优异。

本发明采用的技术方案为：

一种基于神经网络集成的调制识别方法，主要用于识别数字调制方式(PSK/QAM)，其特征在于，所述调制识别方法包括以下步骤：

S1：准备数据集

通过MATLAB生成仿真信号，然后模拟实际的信号发送、传输和接收过程，或是通过信号接收机直接采集实际信号。在接收到信号后，经下变频、低通滤波可得到基带信号。每次采样8个码元长度的数据，经重采样构成128维的样本，并归一化样本，不间断连续采样，获取大量样本构成带标签的数据集。

若需要识别的信号调制方式有k种，构建数据集为：

D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}

其中y∈{1,2,…,k}；

S2、训练识别器：

建立k个二元的数据子集S₁,…,S_k，其中：

数据子集S_i是数据集D中标签为i而标注标签值为+1(否则为-1)的样本点集合；符号“label”指标签，即带有该标签的数据集；

对于每一种调制类别i∈[k]，都需要训练一个基于S_i专用于识别这第i种信号的识别器，训练过程描述如下：