[发明专利]一种基于星座图和深度学习的混合卫星通信调制识别方法及系统

说明书

本发明提出了一种基于星座图和深度学习的混合卫星通信调制识别方法及系统，包括如下步骤：步骤1、接收机通过频谱分析获得预定信号，并进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号；步骤2、估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点；步骤3、通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图；步骤4、通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类。本发明在传统调制识别方法的基础上，通过均值漂移聚类方法进行精细的分类和识别，两种方法的结合能够提高识别正确率，同时简化计算复杂度，在正确率和复杂度之间取得良好的平衡。

技术领域

本发明涉及一种基于星座图和深度学习的混合卫星通信调制识别方法及系统，涉及 H04W：无线通信网络领域。

背景技术

卫星通信处于开放的环境，时刻面临着各种有意或无意的干扰，需要采用有效的手段来监测和对抗这些干扰才能实现可靠的通信。因此，需要进一步研究针对卫星通信信号的调制识别技术，逐步建立适用于我国卫星通信系统的调制识别系统。

卫星通信信号认知技术主要包括信号多址方式、信噪比、载波频率、符号速率、调制方式等参数的估计与识别，其主要作用是在非合作通信环境下有效分析接收到的载波信号，以实现对卫星转发器工作状态的实时监控，保证卫星通信系统正常运行。

目前，卫星通信信号调制识别的方法主要有传统调制识别方法和基于机器学习的调制识别方法。传统调制识别方法分为两种：基于似然的调制识别方法和基于特征的调制识别方法。基于似然的调制识别可以看作是多重假设检验问题。依据所选模型的不同，常用的基于似然的调制识别方法是：平均似然比检验法(ALRT)，广义似然比检验法 (GLRT)、混合似然比检验法(HLRT)。基于特征的调制识别方法的技术关键在于特征参数和判决准则的选取。常用的特征参数有信号瞬时特征、信号统计量、小波变换幅度和峰值幅度极值等。常用的判决准则有基于概率密度、基于欧氏距离和基于二进制判决树的判决准则。基于机器学习的调制识别方法主要是通过神经网络来对调制识别某一重要参数进行聚类，将接收的信号根据这一参数进行分离，以此来分辨调制识别的方式。

传统方法卫星通信信号调制识别方法中SNR和同步对正确率的影响较大，对数据长度(采样点数/符号个数)要求高，正确率较低，且近似的调制识别方法难分离，调制识别集合也不能太大；而基于机器学习的卫星通信信号调制识别方法要求数据集比较完备，需要很长时间的数据积累，且训练时间长，复杂度高，想要提升正确率，需要复杂的多层神经网络模型，资源耗费严重，在卫星载荷受限条件下较难适用。

发明内容

发明目的：一个目的是提出一种基于星座图和深度学习的混合卫星通信调制识别方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。

技术方案：一种基于星座图和深度学习的混合卫星通信调制识别方法，包括以下步骤：

步骤1、接收机通过频谱分析获得预定信号，并进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号；

步骤2、估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点；

步骤3、通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图；

步骤4、通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类。

在进一步的实施例中，步骤1进一步包括：

步骤1-1、对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形：