[发明专利]一种基于LSTM的分级式无线信号调制类型识别方法

说明书

本发明公开了一种基于LSTM的分级式无线信号调制类型识别方法，包括(1)对获取的无线信号样本进行归一化处理和K‑means聚类，(2)构建信噪比分类网络，利用无线信号样本训练信噪比分类网络，获得信噪比分类模型；(3)对信噪比不大于0dB的无线信号进行滤波降噪处理；(4)在步骤(3)之后，针对每类信噪比构建一个无线信号调制类型识别网络，利用与信噪比等级对应的无线信号子集训练无线信号调制类型识别网络，最终获得k个无线信号调制类型识别模型；(5)将待识别无线信号经归一化处理后输入至信噪比分类模型中，根据获得的信噪比等级，选择对应的无线信号调制类型识别模型进行识别，输出调制类型。

技术领域

本发明属于调制信号识别研究领域，具体涉及一种基于LSTM的分级式无线信号调制类型识别方法。

背景技术

自1969年Weaver等发表了第一篇研究自动调制识别的论文《采用模式识别的调制类型自动分类》以来，调制识别的研究在信号的分类特征提取等方面均取得大量研究成果。Sanderson等提出一种全盲的基于高阶循环累积量和最大似然检测的调制分类算法；Like等通过提取信号的循环谱特征进行调制识别，对信号进行了分类。在分类器构造方面，根据分类准则不同，研究出了基于距离的分类，统计分类，机器学习等分类学习方法。常用的分类器有判决树分类器，最小距离分类器，神经网络分类器，支持向量机(SVM)分类器等。相对应的识别方法大致分为判决理论法和统计理论法，其中统计理论法又包括：基于高阶累积量的识别方法，基于支持向量机的信号识别。基于小波变换的信号识别等等。

信噪比(SNR)是度量信号质量可靠性的一个主要技术指标，信号指的是来自设备外部需要通过这台设备进行处理的电子信号，噪声是指经过该设备后产生的原信号中并不存在的无规则的额外信号(或信息)，并且该种信号并不随原信号的变化而变化。信噪比也是区分不同信号的一个重要特征。

K均值聚类算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。此算法以k为参数，把C个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。此算法首先随机选择k个对象，每个对象代表一个聚类的质心。对于其余的每一个对象，根据该对象与各聚类质心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重复上述过程，直到准则函数收敛。

LSTM(Long Short-Term Memory)神经网络是长短期记忆网络，是一种时间递归神经网络，相比于其他网络更适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。当下，LSTM已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。LSTM区别于其他算法主要在它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多。无线信号数据正是时序性数据，十分合适用LSTM进行分类处理。

当前理想环境下的调制识别研究已较为成熟，但当前方法还只能工作于5dB以上的信噪比环境，且工程实现上有较大困难。

发明内容

本发明的目的是提供一种基于LSTM的分级式无线信号调制类型识别方法，通过多级分类处理，LSTM深度神经网络训练模型，从而有效提高其在进行调制识别类型分类任务时的准确度。

为实现上述发明目的，本发明提供以下技术方案：

一种基于LSTM的分级式无线信号调制类型识别方法，包括以下步骤：