[发明专利]基于判别式受限玻尔兹曼机的数字调制识别方法

说明书

本发明公开了一种基于判别式受限玻尔兹曼机的数字调制识别方法，属于信号处理技术领域。所述方法联合高阶累积量和DRBM，有效识别大动态信噪比条件下BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种数字调制类型，对于信噪比低于‑2dB的信号，先利用DRBM的生成能力对其进行重构后再进行分类，对重构后的信号再进行识别分类，有效提高了低信噪比下信号的识别率；本申请方法相对于传统识别方法，对于信噪比低于‑2dB的数字信号，在三种不同信道环境(AWGN信道，时变相移信道，瑞利信道)中均有明显提升。

技术领域

本发明涉及基于判别式受限玻尔兹曼机的数字调制识别方法，属于信号处理技术领域。

背景技术

现今，电磁环境日益复杂，不同频段的调制类型日益增多，有效识别调制类型可为频谱感知提供更多的用户信息，从而提升频谱和空间资源的利用率，因此数字调制识别在认知无线电领域具有较大的应用价值。在认知无线电领域的实际应用中，信号接收机工作环境中的信噪比通常难以保持稳定，而是呈现出一种实时大范围快速变化的特点，因此如何在大动态信噪比下保持良好的识别性能是具有研究意义的。

受限玻尔兹曼机(RBM，Restricted Boltzmann Machine)是一种可用随机神经网络来解释的概率图模型，因为具备较好的生成能力，所以多用于原始数据预处理或其他模型的初始化，但由于其不具备分类能力，所以不可直接用于分类任务。

目前有关RBM在调制识别领域的研究，多采用RBM前向预训练深度神经网络(如BP神经网络)，将所获网络参数作为深度神经网络的初始值，再通过反向传播算法微调网络，以提高网络性能，或者将RBM作为前端预处理模块，利用其生成能力，进一步提取信号隐性特征，再输入深度神经网络，此类应用中，RBM多作为辅助算法，不具有独立分类的能力；有研究将RBM堆叠为多层网络(如深度置信网络，深度受限玻尔兹曼机)，联合softmax分类器可有效实现调制识别，但此类应用中网络参数较多，占用系统内存大，且训练复杂度高。

发明内容

为了提高大动态信噪比下数字调制识别性能，本发明提供了一种基于判别式受限玻尔兹曼机的数字调制识别方法，所述方法包括：

S1将接收信号进行下变频、匹配滤波和离散化处理后获得数字基带信号的符号序列；

S2提取符号序列的高阶累积量特征，将高阶累积量特征进行能量归一化后取绝对值构建信号特征数据集，并构建每个符号序列对应的调制类型标签；

S3将信号特征数据集中的高阶累积量特征构成特征向量并进行最大值最小值归一化，即将所有特征取值缩放到[0,1]之间，获得归一化特征向量；

S4将所述归一化特征向量作为调制识别模型DRBM的输入、对应的调制类型标签作为输出，针对信号受干扰程度轻重，通过不同训练方式获得两个识别模型。第一个模型：基于判别目标函数训练所述DRBM模型，对网络超参数进行调优，获得DRBM_disc分类器，用于直接识别信噪比高于-2dB的数字信号的调制类型；第二个模型：基于生成目标函数训练所述DRBM模型，对网络参数进行调优，获得DRBM_gen模型后，基于对比散度算法，重构归一化特征向量，获得重构特征数据集；将重构特征数据集作为输入，再度基于判别式目标函数训练DRBM模型，对网络参数进行调优，即对于信噪比低于-2dB的信号，需经过重构、分类两步处理获得DRBM_gen+disc模型；

S5对新采集的、调制类型未知的数字信号经下变频、匹配滤波和离散化预处理获得基带符号序列，提取符号序列的高阶累积量特征，经过能量归一化构成特征向量，特征向量经最大值最小值归一化获得归一化特征向量，将归一化特征向量输入最终的识别模型进行调制类型识别，获得信号调制类型标签。识别过程中，对于信噪比较低(低于-2dB)，受严重干扰的数字信号，利用DRBM_gen+dis模型对其进行输入数据重构再进行调制类型识别；对于高信噪比下(高于-2dB)信号，可直接利用DRBM_disc模型进行调制类型识别。