[发明专利]一种基于分数低阶极坐标和深度学习的调制识别方法

说明书

一种基于分数低阶极坐标和深度学习的调制识别方法，包括步骤：采集信号并对其进行分数低阶处理；计算分数低阶极坐标特征并制作训练集和测试集；构建与训练轻量化的深度学习网络；测试深度学习网络并进行信号调制识别。本发明所提出的方法涵盖信号种类广泛，且能显著提升在脉冲性噪声干扰条件下信号调制方式的识别准确率，同时轻量化的深度学习网络能够显著降低训练和使用过程中的计算成本。

技术领域

本发明涉及无线通信技术领域，具体涉及到一种基于分数低阶极坐标和深度学习的调制识别方法。本发明以分数低阶极坐标为特征，以深度学习网络为分类器，高效而准确地实现了多种信号在脉冲性噪声干扰条件下的调制方式识别。

背景技术

作为信号接收与信号解调的中间环节，信号调制方式识别是不可缺少的重要步骤。随着无线通信技术的发展，信号的种类、传输方式、传输环境等因素正日益变得多样和复杂。作为军事和民用领域的重要研究课题，信号调制方式识别在诸如通信侦察、电子干扰、电子对抗、异常信号识别等任务中日益凸显出它的重要性。这要求研究人员能研发出更加高效、准确、适用性广的信号调制识别方法。

而过去传统的基于特征的信号调制识别方法，通常以人工方式来选取不同种类的特征。大量的技术人员通过观察信号的频谱等信息，基于自己的经验来判断信号调制方式的种类。这种主观因素影响过大，且人力和时间成本高昂，这些缺陷正急需新的方法来填补。

自本世纪初Hinton等人提出深度神经网络算法起，深度学习领域涌现出了如CNN、AlexNet、GoogLeNet、VGGNet、ResNet等诸多优秀的网络及算法，它们被广泛应用于计算机视觉、图像处理等领域。发展至今，以ResNet(Residual Network，残差网络)为代表，深度学习网络执行分类识别任务的准确率以及时效性均已大幅优于传统的基于人工的判别方法。此外，借助这些网络，能够大大降低信号调制识别任务中，传统方法过分依赖人工经验和主观判断这一缺陷。不过尽管已经出现了许多基于深度学习网络的信号调制识别方法，但目前的方法和技术还没能同时解决该类方法常涉及的两个主要问题，即：非高斯噪声条件和轻量化的深度学习网络。

发明内容

为克服现有的信号调制识别方法在信号受脉冲性噪声干扰下准确率低、识别信号种类少、计算成本高昂、时效性差等问题，本发明提出了一种基于分数低阶极坐标和深度学习的调制识别方法。本发明首先提出了能够抑制脉冲性噪声这一典型的非高斯噪声的分数低阶极坐标的概念。然后构建了低计算成本的轻量化深度学习网络，最后提出了一种基于分数低阶极坐标和深度学习的调制识别方法。从模式识别的角度来看，分数低阶极坐标是特征，充当网络的输入，轻量化的深度学习网络是分类器，实现对各类信号的分类识别。实验证明，本发明所提出的方法能够显著提高受脉冲性噪声干扰的信号识别准确率，同时轻量化的深度学习网络能够显著降低训练和使用过程中的计算成本。

本发明的方案具体如下：

一种基于分数低阶极坐标和深度学习的调制识别方法，包括以下步骤：

A：采集信号并对其进行分数低阶处理；

B：计算分数低阶极坐标特征并制作训练集和测试集；

C：构建与训练轻量化的深度学习网络；

D：测试深度学习网络并进行信号调制方式识别。

进一步的，所述步骤A包括：

A1：采集受脉冲性噪声干扰的不同调制方式的信号：通过计算机仿真或利用接收设备从自然界中采集足量的受脉冲性噪声干扰的信号，并以Alpha稳定分布来刻画这种非高斯噪声；采用广义信噪比衡量脉冲性噪声的强度，其定义式为：

GSNR＝10log₁₀(P_s/P_n)