[发明专利]一种基于HLNN的5G信号数字调制方式自动识别方法

说明书

本发明提供了一种基于HLNN的5G信号数字调制方式自动识别方法，包括如下步骤：S1、仿真模拟出多种数字调制方式的数据集Φsubgt;x/subgt;；S2、根据工程经验设计预训练的卷积神经网络模型netsubgt;raw/subgt;，并对卷积神经网络模型netsubgt;raw/subgt;进行训练，得到训练好的卷积神经网络模型netsubgt;train/subgt;；S3、得到最终的HLNN卷积神经网络模型netsubgt;final/subgt;；S4、利用HLNN卷积神经网络模型netsubgt;final/subgt;对未知信号数字调制方式进行自动识别。本发明所述的一种基于HLNN的5G信号数字调制方式自动识别方法，通过添加筛选控制器和辅助信息层对预训练的卷积神经网络进行改进，提高了在低信噪比条件下的信号识别成功率。

技术领域

本发明属于信号检测与识别领域，尤其是涉及一种基于HLNN的5G信号数字调制方式自动识别方法。

背景技术

目前复杂的电磁环境使得各界十分重视调制识别技术，准确识别目标信号数字调制方式能够有效的侦察在较差信道环境下传输的目标信号，提高目标信号数字调制方式的识别率。因此，为了推动信号检测与识别研究的发展，克服传统的调制识别方法在非理想信道环境下信号特征不易提取的缺陷，众多国内外专家学者不断探索准确识别信号数字调制方式的新方法、新技术。传统调制方式的识别，依赖于专业通信人员的经验，不仅识别速度慢，而且浪费人力物力，无法应对复杂多样的调制信号。因此，如何有效的提取调制信号的特征参数、采用不同的识别算法与分类器实现调制方式的自动识别成为一个具有挑战性的研究课题。

近年来，深度学习高速发展，在语音识别、图像识别以及自然语言处理等领域展现出巨大的潜力，由于不需要明显的模型和专家特征，而仅仅是依赖先前学习的低层次的环境特征(对于图像识别是边界、亮度等特征)，通过在不同层的神经元产生不同的抽象，获得对要识别对象的表征。通过信息在多层神经网络的传输，达到逐层抽象。将深度学习应用于调制方式识别，通过对这些分层特征做出决策，使得识别系统做出调制方式的正确判断。这样的决策过程不需要先验信息，而且能对噪声和信道环境的变化进行适应，并且对未知信号具有一定的泛化能力，尤其适用于非合作的电磁环境监测领域。因此，越来越多的国内外信号处理领域专家学者将深度学习应用于通信信号的调制识别领域，旨在不使用过多的组合特征情况下，获得较好的识别率。

信号检测与识别作为目前信号处理领域的研究热点，利用深度学习技术提高低信噪比下多种5G信号数字调制方式的识别率具有极其重要的工程意义。现有识别方法通过对深度学习中的神经网络不断改进，各种数字调制方式的识别率也有了质的提升。根据3GPPR15协议建议在5G的通信场景中，调制方式主要有π/2-BPSK，QPSK，16QAM，64QAM及256QAM等，然而，目前现有的深度学习技术算法复杂度较高，并且对低信噪比下的数字调制方式识别率较低，工程实现困难，而且现有识别方法受电磁干扰和恶劣的环境影响，接收的目标信号信噪比较低，导致数字调制方式的识别率大幅降低，在实际非理想信道环境下低信噪比的数字调制方式识别率仍然较低。

发明内容

有鉴于此，本发明旨在提出一种基于HLNN的5G信号数字调制方式自动识别方法，以提高非理想信道环境下低信噪比的数字调制方式识别率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于HLNN的5G信号数字调制方式自动识别方法，包括如下步骤：

S1、仿真模拟出多种数字调制方式的数据集Φ_x，对数据集Φ_x进行加噪处理，并添加标签后得到网络输入样本数据集Φ_{xs_label}；

S2、根据工程经验设计预训练的卷积神经网络模型net_raw，并利用网络输入样本数据集Φ_{xs_label}对卷积神经网络模型net_raw进行训练和测试，得到训练好的卷积神经网络模型net_train；