[发明专利]一种基于卷积神经网络STBC信号识别方法

说明书

本发明公开了一种认知无线电中STBC信号识别方法，首先考虑样本多样性和实际接收信号存在多方面因素的影响，建立训练样本；然后对训练样本进行预处理，将一维训练样本预处理为二维训练样本；建立模型框架，将预处理后的样本集输入到模型训练网络，得到最优的网络结构；最后将未知的测试集导入到训练好的网络中识别STBC类型。该方法能在信道参数、噪声系数等参数未知的条件下，识别STBC类型，且在低信噪比下识别效果较好，收敛速度较快，算法的实时性较好。

技术领域

本发明属于信号处理领域中非协作通信信号处理技术，具体是指一种基于卷积神经网络STBC信号识别方法。

背景技术

通信信号自动识别技术最初应用在军事通信中，例如电子战、干扰识别和干扰信号设计。近几年，通信信号自动识别技术已经逐渐应用在民用通信领域，例如频谱监测、软件无线电和认知无线电。通信信号自动识别要求在无任何发射端的先验信息和前端处理的前提下，能够在较低的信噪比(Signal Noise Ratio,SNR)条件下较好地识别接收端信号参数。因此通信信号自动识别技术一直是信号处理领域的重点和难点。

目前大多数STBC识别技术主要采用传统的识别算法，主要包括基于最大似然的算法(LB)和基于特征参数的算法(FB)。传统的算法在识别精度和实时性上等方面尚不理想，机器学习能够深度挖掘数据的特征，快速的对信号进行分类识别，因此近年来在图像处理、语音识别等方面应用广泛，且识别性能优于特征提取算法，将机器学习应用到无线电信号识别领域，能够提高识别的精度和实时性。本发明算法是采用卷积神经网络对STBC信号进行自动识别。

发明内容

本发明的内容是在非合作条件下，对截获的STBC信号的类型进行自动识别。

为解决上述技术问题，本发明是通过以下技术方案实现的：首先建立训练样本集，然后将训练样本集预处理，建立神经网络模型框架，将预处理后样本集输入到模型训练网络，得到最优的网络结构；最后将测试样本集输入到训练的网络中，得到识别结果。

SM信号和AL信号编码方式详细的方案如下：

第b个块的N_s个复信号以列向量其中T代表转置，假定符号为独立同分布变量，且均值为零方差为1，调制方式设为QPSK调制，编码矩阵为N_t×L，N_t为发射天线数，L为编码矩阵长度。

SM信号编码方式为：发射天线数N_t＝2，发射信号为：

AL信号编码方式为：发射天线数N_t＝2，码矩阵长度L＝2，码矩阵长度的信号为：

不失一般性，假定第一个接收信号为r(0)，截获的第(k₁+1)列，0≤k₁＜L，第b个发射块，定义为C_k1(X_b)。在上述假定条件下，第k个(k≥0)接收信号表示为：

r(k)＝HS(k)+w(k) (3)

其中，S(k)＝C_p(X_q)，其中，p＝(k+k₁)modL，q＝b+(k+k₁)divL，其中zmodL和zdivL分别代表取余和取商运算，代表信道系数向量，w(k)代表复加性高斯白噪声且均值为零方差为

所述的对样本进行预处理，是指将一维的STBC信号的实部和虚部分开，转换为二维样本集。卷积神经网络最初应用在图像识别上，图像一般是二维数据，里面包含像素，受图像识别启发，将时间序列信号也转换为二维的数据，便于后续神经网络处理。为了进一步说明问题，接收信号为r(k)，维度为1×N，将STBC信号实部取出排成行向量，维度为1×N：