[发明专利]一种喷泉码识别模型的训练方法、装置及识别方法

说明书

本发明实施例提供的一种喷泉码识别模型的训练方法、装置及识别方法，其中所述训练方法包括：获取喷泉码样本集，所述喷泉码样本集中包含使用喷泉码编码的样本以及不使用喷泉码编码的样本；将所述喷泉码样本集输入预设的第一模型进行训练，获得第一目标模型；对所述喷泉码样本集进行调制，获得调制方式样本集；将所述调制方式样本集输入预设的第二模型进行训练，获得第二目标模型；将所述第一目标模型与所述第二目标模型，构建为喷泉码识别模型。本发明解决了目前难以在非协作式传输中难以对喷泉码进行自动识别的问题。

技术领域

本发明涉及通信技术领域，具体而言，涉及一种喷泉码识别模型的训练方法、装置及识别方法。

背景技术

21世纪初，软件无线电(Software Defined Radio，SDR)诞生。软件无线电以可编程力强的DSP(Digital Signal Processing，DSP)器件代替专用数字电路，使系统硬件结构与功能相对独立。这样就可基于一个相对通用的硬件平台，通过软件实现不同的通信功能，并对工作频率、系统带宽、调制方式、信源编码等进行编程控制，系统灵活性大为增强，也对于非协作接收提出了迫切的需求。

而目前采用的机器学习的方式均是协作式接收，大致具有两类方案：

其一：在获取IQ(In-phase/Quadrature，I/Q)数据后，需要对IQ数据进行特征提取，主要包括时域特征参数或变换域特征参数。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。该类现有技术针对调制方式识别精度不高，尤其是针对QAM16、QAM64识别精度更低；提取特征要求较高的通信领域专业知识，并且人工提取特征的同时也间接丢失了原始数据的一些信息。

其二：使用卷积神经网络自动提取调制方式特征，卷积神经网络直接叠加，在层数加深之后反而会出现预测精度下降，通常网络结构层数少于8层。

以上的两类现有技术中所使用的识别模型均存在的缺陷为：喷泉码通信均为协作式接收，因此均只对调制方式进行识别，难以在非协作式传输的情况下进行喷泉码的识别。

发明内容

有鉴于此，本发明实施例的目的在于提供一种喷泉码识别模型的训练方法、装置及识别方法，解决了目前难以在非协作式传输中难以对喷泉码进行自动识别的问题。

第一方面，本申请通过一实施例提供如下技术方案：

一种喷泉码识别模型的训练方法，包括：

获取喷泉码样本集，所述喷泉码样本集中包含使用喷泉码编码的样本以及不使用喷泉码编码的样本；

将所述喷泉码样本集输入预设的第一模型进行训练，获得第一目标模型，其中，所述第一模型为神经网络模型；

对所述喷泉码样本集进行调制，获得调制方式样本集；

将所述调制方式样本集输入预设的第二模型进行训练，获得第二目标模型，其中，所述第二模型为神经网络模型；

将所述第一目标模型与所述第二目标模型，构建为喷泉码识别模型；其中，所述第二目标模型用于识别IQ数据的调制方式；所述第一目标模型用于识别原始编码数据中的喷泉码，所述原始编码数据为采用所述第二目标模型识别出的解调方式对所述IQ数据进行解调获得的数据。

优选地，所述获取喷泉码样本集，包括：

获取喷泉码数据集；

对所述喷泉码数据集中采用喷泉码编码的样本，标记第一标记；

对所述喷泉码数据集中未采用喷泉码编码的样本，标记第二标记；

将标记过所述第一标记以及所述第二标记的喷泉码数据集，作为喷泉码样本集。