[发明专利]一种基于神经网络的调制信号识别方法及其应用

说明书

本发明公开了一种基于神经网络的调制信号识别方法及其应用。该方法包括步骤：将调制信号转换为至少两种图像数据，所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系分布特性中的至少两种；将所述至少两种图像数据输入到基于神经网络的识别模型，输出调制信号类别。本发明同时考虑调制信号的多种特性，将调制信号转换为至少两种图像数据输入到识别模型中，从而使得本发明更适用于复杂信号环境下的调制信号识别，对于多种类型的调制信号，都具有较好的识别精确度。

技术领域

本发明属于人工智能与通信系统交叉技术领域，更具体地，涉及一种基于神经网络的调制信号识别方法及其应用。

背景技术

深度学习在图像、语音、自然语言游戏等领域具有广泛且成功的应用，随着技术的发展，以深度神经网络取代传统的模块式设计模式已经在众多科研领域逐渐成为研究主流。现代通信系统具有数据量大、传输速率高、响应速度快等性能需求，这对现有的通信技术提出了挑战。特别是在海量数据的处理和数据挖掘方面，现有的理论架构存在根本的局限性。因此，诸多研究者将目光投向了深度学习技术，并且基于深度学习的通信技术在端到端的通信系统、信道估计、信号检测、调制识别等方面已经展现了巨大的潜力。在通信领域，比如等，传统的方法均是采用模块化的设计，而随着深度学习技术的兴起，采用深度神经网络代替信号检测、智能通信系统、信号分类、通信收发机算法中各个模块成为可能。

调制信号分类是一个典型的模式分类问题，传统的调制识别系统基本架构由三部分组成：信号预处理、特征提取和信号分类。而基于深度学习的算法具有对数据的适应能力强、随着数据量的增加性能提升显著、算法落地条件成熟等特点。现有的基于深度学习的方法分为两大类：一类是端到端的方法，另一类是先提取专家特征，然后构建模型的方法。其中，基于端到端的方法，能够完全实现自动化的特征提取，无需提取专家特征，而基于专家特征的模型则对于特殊复杂的调制类型具有更好的分类性能。端到端的方法将特征提取完全交由网络完成，而忽略了数据本身的特性，特别是在调制信号分类领域，信号本身具有非常多的物理意义，如果能够将这些物理特征都体现到网络的输入端，对于算法的性能将会有更大的提升。其中，另一类提取专家特征后构建模型的方法中，现有技术多采用将信号转换为星座图，将星座图输入到模型中进行识别。这种方法的缺点在于：由于信道环境的复杂性，调制信号具有多样性，该方法忽略了调制信号的多样性，对于某些调制信号的识别精确度不高。例如， OQPSK和QPSK两种调制信号的星座图是相同的，现有技术无法很好地区分这两种调制信号。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于神经网络的调制信号识别方法及其应用，同时考虑调制信号的多种特性，适用于复杂信号环境下的调制信号识别，对于多种类型的调制信号，都具有较好的识别精度。

为实现上述目的，按照本发明的第一方面，提供了一种基于神经网络的调制信号识别方法，包括步骤：

将调制信号转换为至少两种图像数据，所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种；

将所述至少两种图像数据输入到基于神经网络的识别模型，输出调制信号类别。

优选的，所述至少两种图像数据为眼图、或矢量图、或极坐标图、或星座图中的至少两种。

优选的，调制信号识别方法还包括步骤：从所述调制信号中提取统计特征；

所述识别模型包括特征提取网络、特征融合层和全连接层，所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图；

将所述统计特征和所述特征图输入到所述特征融合层进行特征融合，获得融合特征；

将所述融合特征输入到所述全连接层。