[发明专利]一种基于卷积神经网络结构的QAM和PSK信号类内调制分类方法

说明书

本发明涉及一种基于卷积神经网络结构的QAM和PSK信号类内调制分类方法，本发明通过对接收到的I/Q两路信号进行绝对值运算处理提升了信号调制识别的分类准确率。本发明针对接收到的I/Q信号，分别对两路信号各自取绝对值；仿真生成高斯白噪声信道下的各调制类型信号数据集，并将其按一定的比例分割作为网络结构的训练、验证及测试使用；利用训练数据进行网络结构参数的训练，以建立输入数据与调制类型的映射关系；训练完毕就可以利用该网络结构对100*2的信号给出调制类型判断。

技术领域

本发明涉及一种基于卷积神经网络结构的QAM和PSK信号类内调制分类方法，属于无线数字传输技术领域。

背景技术

近年来，随着数字通信的发展，通信信号的调制样式更加多样和复杂，如何有效地识别出接收信号采用的调制方式尤为重要。调制方式识别在电子对抗、无线电监听、干扰识别等众多领域有着广泛应用。在非协作通信中，知道调制方式从而实现调制识别，主要是为解调器提供参数以选择相应的解调算法或者为干扰器提供发射波形参数。

目前，传统调制识别方法有两种算法，基于似然函数(LB)的调制识别算法和基于特征(FB)的调制识别算法。基于似然估计的方法是以贝叶斯准则为理论基础的信号检测方法，它利用接收信号的似然函数，通过比较似然比和阈值来做出决策。此种方法在贝叶斯意义下是最优的，可以提供很好的分类精度，但通常需要更多的先验知识和较高的计算复杂度且容易出现模型失配问题。基于特征的方法是以模式识别理论为基础，具有较低的计算复杂度，并且比前者容易实现。它使用基于光谱特征、小波特征、高阶统计特征和循环特征等多个特征。然后，根据他们的观察值的不同做出判决。虽然该方法实现简单，但其精度在很大程度上取决于信号预处理、所取特征以及决策者对于判决网络的选择。

与此同时，随着深度学习的快速发展，它在图像、自然语言处理领域均取得了良好的效果，发挥着重要作用。深度学习特点鲜明，它可以自动提取特征，并保证在特征选择时的特征冲突，并且其发展速度迅猛，在通信领域的应用也越来越多。

综上，目前使用传统方法实现信号调制类型分类存在着一定的弊端，比如计算复杂度高、准确率低等问题。

发明内容

针对现有技术的不足，本发明提供了一种基于卷积神经网络结构的QAM和PSK信号类内调制分类方法；

针对PSK和QAM信号的调制方式类内分类，本发明提出了基于卷积神经网络的信号调制识别，其原理是利用卷积神经网络结构学习QAM信号和PSK信号的特征，并对其进行分类。研究学者均是将采集到的IQ信号作为网络结构的输入从而实现信号调制分类。然而这类方法需要较长的数据来保证分类的准确度，从而加大了计算复杂度。本发明分析QAM和PSK调制信号特征，根据两类信号均是关于x轴和y轴对称的信号，每一种调制信号第一象限的信号特点完全可以代替该调制信号的特征，因此将I/Q信号分别进行绝对值运算以后通过CNN网络结构学习处理后得到新的信号特征，从而实现信号调制分类。本发明需要的数据长度更短，复杂度更低。本发明使用卷积神经网络或者其他网络结构直接学习I/Q信号需要的数据长度较长、从而计算参数较高。

本发明通过分析QAM和PSK调制信号具有关于坐标轴对称的特点，即通过对接收到的I/Q信号进行对折或者绝对值运算，实现信号聚类点更集中的思想，从而进一步实现信号调制类型识别。本发明针对采集的QAM和PSK信号需考虑两项因素，信号在发射前进行了归一化处理；信号的传输信道是高斯白噪声信道(AWGN)。本发明以卷积神经网络(CNN)为工具，以分别取绝对值后的I/Q信号作为网络结构的输入，从而实现信号调制类型的分类。