[发明专利]一种可持续学习的信号调制类型识别方法

说明书

本发明公开了一种可持续学习的信号调制类型识别方法，属于频谱监测分析领域，包括陌生信号判断方案和持续学习方案，通过将陌生信号加入陌生类型信号样本库以完成对陌生信号的识别，同时在某一陌生信号样本库超过阈值时，将该样本库训练成新的分类器，以完成不断的学习过程。本发明可以区分当前信号属于陌生类型还是已知类型，对于已知类型，可直接给出信号的调制类型分类结果，对陌生调制类型也可以给出准确的识别结果并进行扩展，解决了现有方法所面临的识别难题，而且随着使用经验的增加，能识别的调制方式类型越来越多，具有学习能力。

技术领域

本发明属于频谱监测分析领域，具体涉及一种可持续学习的信号调制类型识别方法。

背景技术

在电磁频谱监测任务中，经常需要识别出某个信号的调制方式类型，为后续的信号解调和分析提供基础。传统的信号调制方式识别方法主要分为两类，第一类采用人工设计的判断准则，根据信号的特征来识别调制方式类型，第二类方法采用机器学习的方法，从信号样本中学习到信号调制方式的分类准则，这两种方法都面临相同的缺点：(1)一旦完成设计，算法所能识别的调制方式类型便固定下来，其识别能力无法扩展；(2)在遇到陌生的信号时，识别准确性将会严重下降。

现有技术方案包括以下步骤：第一步，通过人工设计或者机器学习的方式提取信号的特征信息；第二步，通过机器学习的方法，训练得到一个分类器，使用分类器判别信号特征所对应的调制方式类型。其中分类器所能识别的调制类型的数量是固定的，当出现陌生调制类型的信号时，将无法给出正确的识别结果。

综上所述，现有信号调制方式识别方法存在两大缺点：(1)识别能力固化，只能识别固定数量的调制方式类型，当在工作过程中遇到陌生的新型信号时，将无法进行识别；(2)识别准确性不足：采用单一的调制方式分类器，在遇到陌生信号的情况下，识别准确率会下降。上述两大缺点共同导致了现有信号调制方式识别方法难以很好满足现实场景下的识别需求。

发明内容

为了克服现有技术识别能力固化、识别准确性不足的两大缺陷，提升信号调制方式识别的有效性，本发明提出一种可持续学习的信号调制类型识别方法，包括陌生信号判断方案和陌生信号的持续学习方案，该方法可以区分当前信号属于陌生类型还是已知类型，对于已知类型，可给出信号的调制类型分类结果，对陌生调制类型可不断扩展识别能力。

本发明的技术方案如下：

一种可持续学习的信号调制类型识别方法，基于多分类器协同的信号调制方式对陌生信号进行判断识别，同时持续不断学习陌生信号并训练对应调制类型分类器，扩展对陌生信号的识别能力；具体步骤如下：

S1.根据已知的多种调制类型分别训练分类器，得到多个已知调制类型分类器；

S2.输入采集的电磁频谱监测目标信号，若所有分类器输出结果皆为非负数，则直接输出目标信号的调制类型；若所有分类器输出结果为负数，则判定该信号为陌生新类型的信号，执行步骤S3；

S3.若当前无陌生类型信号样本库，新建一个新的陌生类型信号样本库并加入该信号，同时输出目标信号的调制类型；若当前已有陌生类型信号样本库，将该信号与已建立的陌生类型信号样本库进行相似度比对，执行步骤S4；

S4.若相似度高于阈值，则将该信号放入陌生类型信号样本库，并输出对该陌生信号的分类结果；若相似度低于阈值，则再新建一个另外的陌生类型信号样本库，并把该信号放入新库中，同时输出目标信号的调制类型；

S5.若陌生类型信号样本库规模大于阈值，针对该陌生类型信号样本库训练新的分类器，该类陌生信号的分类器训练完成后，该陌生类型信号的分类处理方式与已知信号类型完全相同，视为已知信号类型；否则，进入下一次目标信号的类型识别与学习。

优选地，步骤S1中，分类器采用的算法包括神经网络、支持向量机。