[发明专利]基于卷积神经网络的通信信号调制方式识别方法

说明书

本发明公开了一种基于卷积神经网络的调制方式识别系统和方法，解决现有技术特征提取步骤复杂且低信噪比下识别率低的问题。识别系统中的简单特征构造为将基带信号的同向分量和正交分量作为信号的简单特征，将简单特征送入到卷积神经网络模块进行识别；识别方法实现步骤：调制发送信号并脉冲成型；将发送信号上变频后通过加性高斯白噪声信道发送；接收端先进行预处理，得到解析信号的同向分量r(t)；构造简单特征是将解析信号的同向分量r(t)和正交分量构造为二维矩阵；经卷积神经网络特征学习和分类；将调制方式送到解调端，得到解调后的信号。本发明特征设计复杂度低、避免了显式提取特征、分类正确率高，可应用于对识别性能要求较高的通信系统中。

技术领域

本发明属于通信技术领域，主要涉及通信信号识别技术领域和深度学习，具体是一种基于卷积神经网络的通信信号调制方式识别方法，用于认知无线电、干扰识别、频谱管理、电子对抗等领域。

背景技术

通信信号调制方式识别是信号检测和解调的中间步骤，在军用和民用领域都有重要的研究价值，被广泛应用于认知无线电、干扰识别、频谱管理、电子对抗等领域。

目前，国内外已经发表的有关调制识别的文献中，调制识别方法可以分为判决模式识别和统计理论识别两大类。判决模式识别的方法基于概率论和假设检验中的贝叶斯理论，通过将接收信号的似然函数的似然比和一个门限值进行对比得到信号的具体调制方式，这种方式可以得到最优识别性能，但是似然函数推导复杂，未知变量多时计算量多，并且需要知道信号的一些先验知识；统计模式识别的方法首先提取信号的特征参数，然后根据这些特征参数来判决信号的调制方式，该种方式的优点为理论简单，预处理简单易实现，缺点是识别框架没有完备的理论基础，并且通常需要额外的训练样本且工程实现比较困难。

2008年邹宝娟、李迟生和万国金发表的期刊文章“特征提取及其在数字调制方式识别中的应用”中提出了一种基于分层结构的神经网络分类器的自动识别方法，《信号处理》，24(2):201-203。该方法提出了四个特征参数，再采用分层结构的神经网络分类器进行自动识别，该方法的缺点是特征参数的获取计算量大。2011年徐斌、雷菁和李保国发表的期刊文章“一种数字信号调制方式识别方法”中提出了一种基于信号功率谱和谱相关为特征的调制方式识别方案，《通信技术》，11(44):22-24,102。该方法提取了以信号功率谱的各种特征为主要的特征参数，根据信号循环密度中谱峰的数目、峰值和分布识别出信号，该方法能识别的信号的种类有限，不能将该方法扩展到一些常用信号。2004年王建新和宋辉发表的期刊文章“基于星座图的数字调制方式识别”中提出了一种基于星座图的分类算法，《通信学报》，25(6):166-173。该算法是先对信号减法聚类，再提取聚类中心与理想星座图模型进行匹配。该方法算法复杂，很难做到实时的调制方式识别。

调制方式识别算法，尽管取得了很多成果，但是这些进步并不能掩盖其发展中的不足：现有的调制方式识别算法特征提取步骤复杂，系统识别所需要的特征几乎都是手工设计的，低信噪比下识别率低等。

发明内容

本发明的目的在于针对背景中的不足之处，提出一种不需提前设定复杂特征的基于卷积神经网络的调制方式识别系统和方法。

本发明是一种基于卷积神经网络的调制方式识别系统，依照信号的传输方向依次连接有系统发送端、信道、接收端，信号依次通过上述单元后进行解调操作，接收端中又依次连接有预处理操作、简单特征构造模块、卷积神经网络模块，将卷积神经网络识别出的调制信号的调制方式用于信号解调，其特征在于，所述简单特征构造模块将预处理后的基带信号的同向分量和正交分量作为信号的简单特征，信号的简单特征送入到卷积神经网络模块进行抽象特征提取和分类，得到通信信号的调制方式。

本发明还是一种基于卷积神经网络的调制方式识别方法，其特征在于，包括有如下步骤:

(1)发送端调制发送信号并且进行脉冲成型：在发送端，按照不同的星座图映射调制发送信号，采用矩形脉冲进行脉冲成型，选取码元长度M；