[发明专利]一种基于卷积神经网络识别信号调制方式的方法及系统

说明书

本发明公开了一种基于卷积神经网络识别信号调制方式的方法及系统，属于信号检测与识别技术领域。本发明方法，包括：对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；生成高阶累积量和二维矩阵作为训练标签，生成高阶累积量和二维矩阵作为数据输入量；获取多个去噪特征模型，生成识别模型；获取信号源发出的信号，提取I/Q信息，截断I/Q信息的高阶累积量并生成二维矩阵，将二维矩阵送入识别模型中对信号进行调制识别并输出信号调制方式。本发明提高了分类器的泛化能力和识别准确率；降低了实际接收信号样本数，利用无监督去噪声自编码有效抑制噪声的影响，提高最终识别模型的准确率。

技术领域

本发明涉及信号检测与识别技术领域，并且更具体地，涉及一种基于卷积神经网络识别信号调制方式的方法及系统。

背景技术

在无线通信快速发展及其广泛应用的背景下，频谱资源日益稀缺。信号的调制方式繁多，现代电磁环境越来越复杂。因此为适应通信多样化的发展趋势，实现对资源的动态管理、分配和使用，电磁频谱监测、管理愈发紧迫。对频谱资源进行监测的任务之一就是对信号调试方式进行识别。对信号调制方式的正确识别为之后的信号分析提供有力的帮助，从而提高频谱监测、管理能力。

当前，研究最为广泛的信号调制方式识别方法主要有基于似然比判决理论和统计模式识别两大类调制方式识别方法。前者运用假设检验，假设接受信号的概率密度函数已知，计算接收信号的似然函数的似然比，将其与选择的门限值进行比较，通过最小化错误分类概率来判决信号的调制方式。这种方法虽然理论完备，然而未知参数多，计算复杂，导致其通用性差，实现复杂度高，因而并不实用；后者通过由信号预处理、特征提取和分类识别三个主要部分组成，主要思路是提取信号的特征参数，然后依据提取的特征参数来判决信号的调制方式，此传统的模式识别方法虽然理论简单，但是其工程实现较为困难且实际识别率较低。然而，在模式识别进一步发展的背景下，结合深度学习的方法进行模型训练可以更好地对提取的特征进行训练，提高识别准确率，工程上也易实现。

如有一篇公开号为“103441974B”的中国专利，公开了一种基于高阶统计量(与本发明相似)和谱峰特征的调制识别装置及方法，其从预处理后的信号中提取高阶统计量和谱峰特征，将提取的两类特征联合处理，基于联合特征训练分类器，对输入信号进行模式特征匹配并输出识别结果。需要增加该专利与本发明的区别，可以重点突出基于卷积神经网络的分类识别方法。目的在于有利于对分类特征进行优化，简化工程实现，提高分类器的泛化能力。

最近，随着深度学习在分类方面出色的表现，逐渐有学者开始考虑用深度学习方法进行调制方式识别，如有一篇公开号为“108234370A”的中国专利，公开了一种基于卷积神经网络(与本发明相似)的通信信号调制方式识别方法，将基带信号的同相分量和正交分量作为信号的简单特征，将简单特征送入卷积神经网络模块中进行特征学习和分类，得出识别结果。需要增加该专利与本发明的区别，可以重点突出基于滑动窗口法减小样本数据和高阶累积量进行特征优化以及基于去噪声自编码后得到去噪声特征等特点。目的在于有利于小样本下进一步优化特征，抑制噪声干扰，提高信号调制方式识别的准确率。

当下对电磁频谱资源的动态管理、分配和使用上仍有缺陷，故而电磁频谱监测、管理愈发紧迫，而对频谱资源进行监测、管理的任务之一就是对信号调试方式进行识别。信号调制方式的识别方法主要由信号预处理、特征提取和类型识别三部分组成，传统的基于似然比判决理论方法运算量大、识别困难，而上述基于高阶统计量作为特征的模式识别方法训练复杂度高；仅简单的提取同相和正交分量作为特征直接输入卷积神经网络中的识别方法需要大量样本数据，而非合作频谱审计中能够获得的样本数据量特别少，加之其仅依靠神经网络自己学习噪声，不加去噪声手段，从而导致训练难度加大，训练出的模型的泛化能力弱。

发明内容

针对上述问题本发明提出了一种基于卷积神经网络识别信号调制方式的方法，包括：

控制信号源分别以不同的信号调制方式发出两路无噪信号，对信号源发出的两路无噪信号的其中一路无噪信号加入噪声；