[发明专利]基于深度学习和四阶滞后矩谱的STBC-OFDM信号盲识别方法和装置

说明书

本申请提出了一种基于深度学习和四阶滞后矩谱的STBC‑OFDM信号盲识别方法，涉及信号盲识别技术领域，包括：计算接收信号的四阶滞后矩，并生成四阶滞后矩向量；采用二维矢量拼接将四阶滞后矩向量合并成四阶滞后矩谱；构建注意力引导多尺度扩张卷积网络，其中，注意力引导多尺度扩张卷积网络包括注意力引导多尺度扩张卷积模块、特征融合层、残差层，将四阶滞后矩谱输入注意力引导多尺度扩张卷积模块，输出多尺度引导特征，之后将多尺度引导特征输入特征融合层和残差层，并经由以softmax为激活函数的全连接层输出识别结果。本申请识别性能获得了显著的提升，对强干扰环境具有良好的适应性，并且本申请不需要信道、噪声等先验信息，较现有算法更适用于非协作通信。

技术领域

本申请涉及信号盲识别技术领域，尤其涉及一种基于深度学习和四阶滞后矩谱的STBC-OFDM信号盲识别方法和装置。

背景技术

信号盲识别(Blind signal identification，BSI)在诸多的军事和民用领域有着广泛的应用，包括无线电监测、通信侦察、电磁对抗和频谱感知等方面。例如，在对发射机信号进行通信侦察时，往往需要在信道和噪声等先验信息均未知的条件下从接收数据中识别信号类型，以便进一步解码和恢复其发送端的原始信息。随着频谱资源的短缺，空时分组码(Space-time Block Code,STBC)与正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)技术的结合因其频带利用率高和抗多径干扰能力强的优势，得到了越来越广泛的应用。作为一种重要的信道编码方式，在非协作条件下对STBC-OFDM信号的盲识别展开深入研究，将进一步扩展其在无线电通信领域的应用范围，具有广泛而深远意义。

现有的大部分算法均为基于特征提取的传统识别方法，其性能依赖于专业知识和经验，并且常常需要较多的先验信息，对信道和噪声的限制条件比较多，不适用于非协作通信条件下的信号识别。依据STBC-OFDM信号编码方式的相关性差异，传统算法通过获取能够反映信号本质特征的统计特征量，进一步建立决策树并逐项进行假设检验以完成识别。基于信号的时空冗余，可以通过计算不同接收天线之间的互相关函数并将其作为辨识特征，实现了SM-OFDM(Special Multiplexing-Orthogonal Frequency DivisionMultiplexing)与AL-OFDM(Alamouti-Orthogonal Frequency Division Multiplexing)信号的有效识别。基于二阶信号循环平稳性，可以通过将接收信号的二阶循环统计量与阈值进行比较来确认信号类型。根据不同编码矩阵的相关性差异，可以通过计算接收信号的四阶滞后矩识别发射的STBC-OFDM信号类型。传统算法已经进行了较为深入的研究，但因其需要人为提取特征和设置检验阈值，因此仍然存在特征选取困难、调参过程复杂和对噪声较敏感等问题，对先验信息匮乏的非协作通信情景的适应性较差。

近年来，伴随着深度学习技术在计算机视觉(Computer Vision,CV)领域的快速发展，得益于GPU并行运算能力的提升，深度学习模型以其对海量数据的强大映射能力而获得了更强的分类性能。结合该技术的性能优势，国内外学者逐步将其应用于BSI领域，尤其是在调制识别、辐射源个体识别和雷达信号识别领域，深度学习方法已取得了十分广泛的应用。相比于视觉图像直观的、可视化的特征，信号的内在特征往往更加难以直接由深度学习模型发掘，因此以上许多算法需要首先对接收信号进行预处理，在获取其星座图、循环谱、时频图像等特征后，将其中之一或多项作为深度学习模型的输入并结合集成学习实现训练和识别。这些方法的成功应用说明了将深度学习引入STBC-OFDM识别的可行性，但STBC-OFDM信号的编码方式较为复杂，仅采用简单的变换方式或迁移其他领域的信号变换方法(星座图、循环谱等)无法对其进行有效识别。