[发明专利]一种信号调制方式识别方法及装置

说明书

本发明提供本发明提供一种信号调制识别方法，首先通过小波变换将原始信号从时域映射到频域，然后构建信号的小波系数图，再利用VGG卷积神经网络联合自编码器提取信号小波系数图片特征，计算已知类样本信号特征集和未知类样本信号特征集之间的CORAL损失，计算已知类样本信号集的分类损失，联合优化两损失之和使VGG卷积神经网络参数达到最优，进而使得神经网络可以对无标签目标域信号进行识别；本发明还提供一种信号调制方式识别装置，包括信号接收模块、数字化模块、数据处理模块和电源；本发明方法可以通过接收非合作方无标签调制信号，联合己方有标签信号训练，达到对无标签非合作方信号的识别。

技术领域

本发明涉及信号识别技术领域，具体涉及一种信号调制方式识别方法和一种信号调制方式识别装置。

背景技术

调制识别，又称调制方式分类，指对接收信号调制类别分类。通信调制识别技术对提升通信对抗效率具有十分重要的意义。通过调制识别技术可辅助确定敌军通信源类别，进而可以对敌电台威胁程度做出评估。传统的通信调制识别技术基于通信信号的时频分布、瞬时幅度、相位、频率，高阶统计量，循环谱等作为分类特征参数。

与早期手动提取特征识别信号调制类别的方法不同，卷积神经网络可以通过构建多个卷积层来自动提取信号深层次的特征并对信号分类，近年来国内外研究人员在信号调制识别方面也取得了不错的效果。例如Rajendran等人使用深度卷积神经网络提取信号短时傅里叶变换(short-time Fourier transform,STFT)的特征并分类识别，Rajendran S,Meert W,Giustiniano D,et al.Deep learning models for wireless signalclassification with distributed low-cost spectrum sensors[J].IEEETransactions on Cognitive Communications and Networking,2018,4(3):433-445，其在衰落信道下有较高的识别率；O'Shea等人使用VGG(Visual Geometry Group)深度卷积神经网络结合ResNet(Residual Networks)残差网络将分类的调制样式数目提升到了24种并取得了不错的分类效果，O'Shea T J,Roy T,Clancy T C.Over the Air Deep LearningBased Radio Signal Classification[J].IEEE Journal ofSelected Topics in SignalProcessing,2017,PP(99):1-1。

虽然基于上述卷积神经网络的调制方式分类技术具有较高的识别率和鲁棒性，但是需要大量的带标签训练数据作为支撑。在实际使用环境中，信号接收端总会不断出现新的、没有标签的且与训练数据存在分布差异的目标域信号，此时利用有标签源域信号预先训练好的神经网络很难去准确识别这种新类别且无标签信号。

发明内容

为了克服现有技术的不足，本发明提供一种信号调制方式识别方法。其先通过小波变换将原始信号从时域映射到频域，然后构建信号的小波系数图，再利用VGG卷积神经网络联合自编码器提取信号小波系数图片特征，计算已知类样本信号特征集和未知类样本信号特征集之间的CORAL损失，计算已知类样本信号集的分类损失，联合优化两损失之和使VGG卷积神经网络参数达到最优，进而使得神经网络可以对无标签目标域信号进行识别。本发明方法的核心是将待识别目标域信号与有标签源域信号的特征空间进行对齐，具体包括：

步骤A：信号采集及处理，得到数字零中频信号；

步骤B：将数字零中频信号进行小波变换，生成源域小波系数绝对值图片和目标域小波系数绝对值图片；

步骤C：将步骤B得到的源域小波系数绝对值图片和目标域小波系数绝对值图片输入到VGG卷积神经网络中，提取小波系数图片特征，将提取的高维特征接入自编码器进行特征降维处理，得到源域特征矩阵和目标域特征矩阵；