[发明专利]基于深度残差网络的通信协议信号识别方法

说明书

本发明属于无线电信号识别技术领域，特别涉及一种基于深度残差网络的通信协议信号识别方法，包含：对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；利用灰度图像对深度残差网络模型进行训练；通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。本发明将深度残差网络运用到通信信号识别领域，克服传统方法对信号质量要求高、先验信息需求多等缺陷；在低信噪比，多径时延，多普勒频偏，以及信号部分特征被强干扰噪声所遮挡的情况下，依旧能准确识别协议类别，不依赖接收信号先验信息，可以直接对中频接收信号进行处理，性能稳健、运行高效，为后续该领域的相关研究提供思路，具有较强实际应用价值。

技术领域

本发明属于无线电信号识别技术领域，特别涉及一种基于深度残差网络的通信协议信号识别方法。

背景技术

短波通信协议识别是短波通信对抗以及认知无线电领域的一个重要研究课题，对信号协议的准确识别，在通信干扰以及目标识别中发挥着极其重要的作用，如何对信号协议精准识别一直成为非合作接收方领域研究的热点。

传统的通信协议识别方法主要是人工观察时频谱法，为保证信号不被漏检，该方法需要大批经验丰富的专业人员对其所属频段进行不间断地观察，从而导致了严重的资源浪费。现代先进的通信协议自动识别技术主要涉及到软件无线电、调制识别、以及编码识别等众多技术领域。通信协议自动识别方法大体分为两类：一是基于信号调制特征的协议识别分析，二是基于比特流的协议识别分析。对于调制特征提取的协议识别方法中，基于时域特征模板匹配的识别算法，在先验信息充足时可取得较好的效果；基于频谱模板匹配的识别算法，在一定程度上克服了先验知识需求高的缺陷，但对信噪比较为敏感，在低信噪比下容易造成虚警。对于分类算法而言，基于支持向量机的方法已经运用于信号识别领域，能够呈现出较好的识别效果。但SVM自身存在许多不足：(1)支持向量对误差边界敏感，不适合大数据实验；(2)由于缺乏必要的概率信息，严重影响分类问题后续处理。(3)核函数的选取缺乏理论性指导。

发明内容

为此，本发明提供一种基于深度残差网络的通信协议信号识别方法，将时域模板匹配和频谱模板匹配拓展为时频谱模板匹配，并运用深度残差网络从时频数据中学习并挖掘最佳时频谱图模板，最终完成协议识别，提高信号识别率。

按照本发明所提供的设计方案，一种基于深度残差网络的通信协议信号识别方法，包含如下内容：

对样本库中通信协议信号进行时频分析，将信号的时频谱图转换成灰度图像；

利用灰度图像对深度残差网络模型进行训练；

通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。

上述的，通过短时傅里叶变换作为时频分析手段，分析样本库中已知协议规格的通信协议信号的视觉特征。

优选的，通过短时傅里叶变换作为时频分析手段进行处理过程中，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，得到由各段信号构成的时频谱图。

优选的，设置协议信号时频谱图影响因素，对样本库中已知协议规格的通信协议信号进行时频分析，获取作为视觉特征的分类特征，其中，影响因素至少包含信号调制方式、参数设置、帧结构设置和传输模式。

上述的，深度残差网络模型为通过增加身份映射并利用网络模型去学习理想残差映射。

优选的，通过网络模型学习理想残差映射过程中，将H(x)标记为潜在映射，堆叠网络拟合的残差映射表示为F(x)＝H(x)-x，则原始映射修正为F(x)+x；通过对残差映射学习，自动整和网络模型中低维/中维/高维的视觉特征。

上述的，深度残差网络模型中，根据网络模型内部结构及实际训练需求，将输入的时频谱图灰度图像大小设置为一致，当输入图像和经过一个残差处理单元后输出特征图维度不匹配时，采用设定卷积核对输入图像进行升维操作。