[发明专利]基于BP网络针对非合作通信中MPSK信号的识别研究

说明书

本发明提出了一种针对非合作通信系统中MPSK信号的类内识别的BP‑GA神经网络模型。首先根据MPSK信号的特点选取六个基于时域和频域的特征作为模型的输入样本；设计一个含两个隐藏层的BP神经网络作为调制识别的分类器，同时借助遗传算法来对神经网络的参数进行优化；最后，为了降低模型对信噪比的敏感性，打乱训练样本的信噪比有序性之后再作为网络模型的输入进行网络训练。相比较现有的基于BP神经网络的调制识别算法而言，提高了低信噪比下MPSK信号的识别准确率。此外，本发明可实现性强，识别准确率高，能够很好地运用到非合作通信系统的相关工程里。

技术领域

本发明涉及神经网络的相关算法及信号处理相关理论属于通信信号处理和人工智能领域。

背景技术

随着5G开始商用、下一代移动通信技术的研究业已启动，而卫星通信、扩频通信、跳频通信等新的通信技术也开始广泛使用，无线通信技术已经成为当前发展最迅速、应用最广泛的通信技术之一，随之而来的是越来越复杂的电磁环境，信号的调制方式也呈现出多样化发展势态，而在无线电频谱资源监管和现代电子战争等非合作通信系统中，应用信号的自动调制识别技术是其中非常关键的一步。

早期的信号调制识别是通过对测量参数的人工解译来实现的，因此严重依赖于操作人员的技术水平和工作经验。1969年4月，Weaver C S等人在斯坦福大学技术报告上发表了第一篇研究调制方式自动识别的论文——“采用模式识别技术实现调制类型的自动分类”，由此开启了信号自动调制识别的大门。

经典的调制识别技术可以分为两大类：1.基于假设检验的最大似然(ML)方法，2.基于特征提取的模式识别方法。前者可以看作是多重假设检验问题。它是在有背景干扰的条件下对所截获信号的检验统计量(通常采用似然比函数)进行理论推导，寻找合适的门限，然后在贝叶斯代价最小准则下进行判决。而后者是运用特征提取的方法实现调制方式识别的，其需要选择合适的分类器来进行分类识别。分类器的任务是：根据某一准则把一个给定的由特征向量表示的输入模式归入到一个适当的模式类别，完成从特征空间到判决空间的映射，最终给出识别结果。常用的分类器有：决策树分类器、最近邻(KNN)分类器、贝叶斯分类器、支持向量机(SVM)、随机森林等。

如今，随着深度学习、机器学习等人工智能技术的不断发展，将神经网络作为分类器应用于调制识别领域已经成为研究的一大趋势。神经网络应用于调制识别领域的模型主要有两类：1.卷积神经网络(CNN)，2.反向传播(BP)神经网络。CNN主要由卷积层、池化层和全连接层组成。其中卷积层的主要作用是提取图像的特征，池化层的主要作用是下采样，而全连接层的主要作用是分类。卷积神经网络主要应用于图像识别领域，因此在将CNN应用于调制方式识别时通常与信号的相关图形特征(如星座图)一起使用。2019年，翁建新等人设计了一种CNN-LSTM并联网络，直接将同向分量和正交分量作为输入数据，无需人为设计特征参数，减少人为因素影响该算法在低信噪比下具有较好的识别性能。2019年，SiyangZhou等人针对当前调制识别模型缺乏泛化性的缺点，提出了一种基于卷积神经网络的鲁棒自动调制识别方法，能够对15种信号进行识别，而且在低信噪比下识别准确性也很好。2020年，陈昌美等人提出一种改进的卷积神经网络结构可实现对七种不同的调制信号的分类，在信噪比不小于 5dB时，识别率可达97.99％，当信噪比不小于9dB时，识别率可达100％。而BP神经网络包括输入层、隐含层和输出层三个部分。它主要通过将误差反向传播来解决多层神经网络隐藏层的权值学习问题。将BP神经网络应用于调制识别领域通常与信号的瞬时特征结合使用。 2016年，王毅等人通过变梯度BP修正算法对神经网络进行训练，以提高收敛速度，缩短训练时间，在信噪比为10dB时，识别率达到95％。2019年，吴喜权等人提出一种基于BP神经网络的信号调制识别算法，在信噪比为0dB时，识别率均能达到85％以上。2019年，袁梦等人采用BP神经网络算法对六种常见的数字调制信号进行自动识别，在信噪比大于10dB时，正确率达到98％以上。