[发明专利]一种基于复值神经网络的调制方式识别方法

说明书

该发明公开了一种基于复值神经网络的调制方式识别方法，涉及无线通信技术领域。针对通信领域中广泛存在的复数信号，本发明提出一种利用时域接收到的复数信号，不需要对接收到的信号提取任何参数，只需将复数数据输入到复值神经网络中进行训练，充分学习数据中实部与虚部的特征，便能得到较高的准确率，且比传统高阶累积方式高。相比实值，复数有更丰富的表达能力，复值神经网络学习复数的实部与虚部特征，更适用于绝大多数为复数表现形式的通信信号；本发明不用人为计算观察各个信号或特征值之间差异，不需人工设定阈值来区分信号的调制类型，神经网络就有分类器的功能。

技术领域

本发明涉及无线通信技术领域，特别是涉及了一种利用复值神经网络技术对复杂环境下的通信信号进行调制方式识别的方法。

背景技术

信号调制是使一种波形的某些特性按另一种波形或信号而变化的过程或处理方法。在无线电通信中，信息一般是待传输的基带信号，其特点是频率较低、频带较宽且相互重叠，为了适合单一信道传输，必须进行调制。所谓调制，就是将待传输的基带信号加载到高频振荡信号上的过程，其实质是将基带信号搬移到高频载波上去，也就是频谱搬移的过程，目的是把要传输的模拟信号或数字信号变换成适合信道传输的高频信号。

调制方式识别是介于信号检测和信号解调之间的一项关键技术，可以根据接收到的通信信号判断其调制方式，实现调制信号的智能接收与处理。信号调制方式的有效识别对检测到的非法通信信号的后续处理，包括信号的解调解码，具有非常显著和重要的作用。典型的调制识别算法可分为两大类：一类以判决理论为基础，利用似然函数或近似理论进行识别，又称基于似然(likelihood-based,LB)的方法；另一类以模式识别和机器学习理论为基础，通过从接收信号中提取分类特征进行识别，又称为基于特征(feature-based,FB)的方法。

人工神经网络(artificial neural network，缩写ANN)，简称神经网络(neuralnetwork，缩写NN)或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络主要由输入层、隐藏层、输出层构成。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习(deep learning)的代表算法之一。CNN采用前向传播计算出输出值，反向传播调整权重和偏置。经典的CNN包括卷积层(C)、池化层(S)和全连接层(F)三部分。卷积层的卷积核本质就是特征提取器，配合深度网络模型可以自动提取输入信号的深层信息。池化层即降采样层，实现特征图的采样处理，在减少数据量的同时保留有用的信息，也使CNN具有抗畸变的能力。

发明内容

针对通信领域中广泛存在的复数信号，本发明提出一种利用时域接收到的复数信号，不需要对接收到的信号提取任何参数，只需将复数数据输入到复值神经网络中进行训练，充分学习数据中实部与虚部的特征，便能得到较高的准确率，且比传统高阶累积方式高。

技术方案为一种基于复值神经网络的调制方式识别方法，包括以下步骤：

步骤1：处理接收信号；

对于公开数据集RML2016a，从中提取调制方式、信噪比向量、以及所有的信号样本；对所有的数据进行打乱处理，并将训练集、验证集、测试集按照一定的比例划分；

步骤2：建立复值神经网络；

复值神经网络包括两部分，第一部分依次由多层复值卷积层、复值批量标准化层、平均池化层构成，第二部分由全连接层构成；

(1)复值神经网络中对于复值卷积是使用实值来模拟复数算术，其中输入数据为h＝x+iy，卷积核矩阵为W＝A+iB，x，y为实向量，A，B为实数矩阵，复值卷积过程为：

W*h＝(A*x-B*y)+i(B*x+A*y)

其中卷积核矩阵中A、B均为1×n维的矩阵，输入x，y均为m维的输入向量；