[发明专利]一种基于CNN和组合高阶谱图像的调制样式识别方法和系统

说明书

本发明公开了一种基于CNN和组合多种高阶谱特征图像的调制样式识别方法，包括：接收来自信号源的射频信号，对该射频信号进行模数转换，以得到数字信号，对该数字信号先后进行数字下变频和滤波处理，以得到I/Q数据，对I/Q数据进行预处理，以得到组合高阶谱图像，获取得到的I/Q数据的信噪比，并判断该信噪比是否大于等于预设阈值，如果是则将得到的组合高阶谱图像输入训练好的第一卷积神经网络模型，以得到调制样式识别结果。本发明针对信号在不同信噪比下各高阶谱特性差异较大，本发明训练了两个卷积神经网络模型，提高了鲁棒性，并能对BPSK、QPSK、8PSK、16APSK、32APSK、16QAM、32QAM等信号进行调制样式识别。

技术领域

本发明属于无线通信和机器学习技术领域，更具体地，涉及一种基于CNN(Convolutional neutral network，简称CNN)和组合高阶谱图像的调制样式识别方法和系统。

背景技术

近年来，随着通信技术、信号处理技术的进步，无线电信号的种类也越来越多，调制样式也变得越来越复杂。使用传统的调制样式识别方法很难应对复杂的无线电信号，并且传统的调制样式识别的准确度非常依赖于人工对信号特征的提取。并且随着移动通信技术的广泛应用，通信环境中充满了各种各样的无线电信号，同时存在各种各样的噪声和干扰，给调制样式识别提出了很多技术难题。

现阶段调制样式自动识别主要分为两大类：基于判决理论的识别方法和基于深度学习的识别方法。

针对基于判决理论的识别方法而言，其把调制方式自动识别问题作为复合假设检验问题，基于似然函数检验，判决准则简单且能获得较高的准确率；对于基于深度学习的识别方法而言，其利用深度学习的概念，通过多隐层的人工神经网络提取深度特征，获取数据深层本质信息。

然而，上述两种识别方法存在几个不可忽略的缺陷：

第一、对于基于判决理论的识别方法而言，其需要有足够的先验知识，并且分类过程中存在较高的延迟；

第二、对于基于判决理论的识别方法而言，当有新的信号出现时，其需要考虑繁琐的判断条件和门限取值问题，算法改动相当大；

第三、对于基于深度学习的识别方法而言，其需要较高的图像像素，这会造成较大的计算量，造成识别速度慢、系统延时高的问题；

第四、对于基于深度学习的识别方法而言，其部分依赖于信号的星座图，当信号存在频偏时调制样式识别率低，这会导致在非合作通信领域无法应用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于CNN和组合高阶谱图像的调制样式识别方法和系统，其目的在于，解决现有基于判决理论的识别方法需要有足够的先验知识、并且分类过程中存在较高延迟的技术问题，以及在有新的信号出现时，由于需要考虑繁琐的判断条件和门限取值问题，导致算法改动相当大的技术问题，以及现有基于深度学习的识别方法由于需要较高的图像像素，导致计算量大、识别速度慢、系统延时高的技术问题，以及由于部分依赖于信号的星座图，导致当信号存在频偏时，调制样式识别率低，并进一步导致该方法在非合作通信领域无法应用的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于CNN和组合多种高阶谱特征图像的调制样式识别方法，包括以下步骤：

(1)接收来自信号源的射频信号，对该射频信号进行模数转换，以得到数字信号，对该数字信号先后进行数字下变频和滤波处理，以得到I/Q数据；

(2)对步骤(1)得到的I/Q数据进行预处理，以得到组合高阶谱图像；

(3)获取步骤(1)得到的I/Q数据的信噪比，并判断该信噪比是否大于等于预设阈值，如果是则进入步骤(4)，否则进入步骤(5)；

(4)将步骤(2)得到的组合高阶谱图像输入训练好的第一卷积神经网络模型，以得到调制样式识别结果，过程结束；