[发明专利]基于特征参数与BP神经网络的调制识别方法

权利要求书

1.基于特征参数与BP神经网络的调制识别方法，其特征在于，包括以下步骤：

S1：设置调制参数标准基础并生成调制信号数据集；

S2：根据调制信号数据集制成数字信号时域图并根据数字信号时域图对调制信号进行分类；

S3：提取数字信号中的瞬时特征，瞬时特征通过瞬时幅度、瞬时频率和瞬时相位三种瞬时统计量来表征；

S4：利用瞬时幅度和瞬时相位构造瞬时特征参数，实现数字信号的调制识别；

S5：提取高阶积累量并用高阶积累量进行调制识别；

S6：当接收信号相位改变时，记录高阶累积量出现的正负相交的计算结果，并采用所述结果取高阶累计量绝对值形式构造特征，根据所述特征通过比值方式构造特征参数；

S7：将提取及构造出的特征参数带入BP神经网络调制识别模型进行调制识别。

2.根据权利要求1所述的基于特征参数与BP神经网络的调制识别方法，其特征在于，所述步骤S1中包括：

S1.1：设置调制参数标准基础；

S1.2：使用Python数字信号模块Commpy中的高斯信道模型生成调制信号数据集。

3.根据权利要求1所述的基于特征参数与BP神经网络的调制识别方法，其特征在于，在所述步骤S3中：

对于已调制信号x(t)，其IQ两路的复域信号z(t)的表达式为：

z(t)＝x(t)+jy(t)

其中y(t)是x(t)的希尔伯特变换，表示该信号经调制之后得到的复包络；

分别计算得到瞬时幅度和瞬时相位：

θ(t)是通过对2π取模计算得到的，取值范围为(-π,π]；

对调制信号进行去相位卷叠处理，去相位卷叠处理中包括一个修正因子c(i)，

其中i表示对信号序列进行离散化处理，则实际的瞬时相位可表示为：

φ(i)＝θ(i)+C(i)

瞬时频率可以通过瞬时相位的差分来求得，其表达式为：

式中T为采样周期。

4.根据权利要求3所述的基于特征参数与BP神经网络的调制识别方法，其特征在于，所述修正因子c(i)定义如下：

5.根据权利要求1所述的基于特征参数与BP神经网络的调制识别方法，其特征在于，在所述步骤S5中：

在均值为零的平稳随机过程X(t)中，其k阶累积量可表示为：

c_kx(τ₁,...,τ_k-1)＝cum(X(t),X(t+τ₁),...,X(t+τ_k-2),X(t+τ_k-1))

式中cum(·)表示累积量，τ表示时延；

假设时延为零，X(t)的p阶混合矩可表示为如下形式：

M_pq＝E[X(t)^p-qX^*(t)^q]

其中E表示计算期望，X^*(t)为X(t)的共轭；

令X₁＝X(t)，X₂＝X(t+τ₁)，…，X_k＝X(t+τ_k-1)，随机过程的高阶累积量可表示为：

式中q为子集个数，U_p为第p个子集元素下标的集合。

6.根据权利要求1所述的基于特征参数与BP神经网络的调制识别方法，其特征在于，在所述步骤S7中包括：

S7.1：将瞬时特征和高阶累积量特征组成的联合特征参数作为输入数据，并将数值最大最小归一化处理；

S7.2：构建BP神经网络，确定输入层和隐含层的神经元数量，初始化权值矩阵和偏置，设置网络训练过程中的学习率；

S7.3：设置网络训练过程中批大小和迭代次数，将瞬时特征和高阶累积量特征构成的联合特征参数作为训练集输入BP神经网络中；在前向传播计算中，计算代价函数；在反向传播计算中，更新权重矩阵和偏置参数；

S7.4：将BP神经网络中输出的特征矩阵输入至Softmax分类器中，利用梯度下降法计算代价函数的最小值，并对网络参数值进行更新；

S7.5：使用Snapshot集成策略，在每一循环周期结束时保存模型；分别输入每一模型的识别结果，通过投票的方式得到调制信号的最终识别结果。