[发明专利]一种无线通信自动调制识别方法、装置与系统

说明书

本发明提供一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。本发明在高信噪比下，与现有的深度学习模型相比，所提的GuResNet的调制识别精度好于其他的DL模型；在低信噪比下，所提出的信噪比感知机制，可以显著提升识别性能。

技术领域

本发明涉及无线通信技术领域、尤其涉及低信噪比环境中高精度智能调制识别的方法和系统。

背景技术

自动调制识别(automatic modulation recognition，AMR)技术在军事和民事中都有广泛的应用，例如电子对抗，信号侦查和频谱检测。现有的自动调制识别方法通常分为基于似然(likelihood-based，LB)的方法和基于特征(feature-based，FB)的方法。具体而言，基于似然的方法在假设已知信道信息(例如，信道衰落模型)的条件下构造似然函数。然后，最大化似然函数获得接收信号可能的调制类别。然而，在实际环境中很难获得精确的信道信息，从而导致LB方法难以广泛应用。基于特征的方法可以显著解决以上问题。传统基于特征的方法包含两步，分别为特征提取和模式识别。对于特征提取，人工提取信号特征，例如高阶累积量、循环谱特征和星座图特征等。对于模式识别，基于提取的特征构造合适的分类器(例如决策树，支持向量机)识别该特征，从而区分信号不同的调制方式。然而，传统的FB方法严重依赖于人工提取的信号特征，而这些特征可能是低质量的，从而导致较低的调制识别精度。

近年来，深度学习(deep learning，DL)成功应用于各种领域，例如计算机视觉和语音分析。深度学习依赖多层神经网络自动抽象和提取高质量的特征，展示出强有力的分类和预测能力。因此，基于深度学习的FB方法已经开始应用于AMR任务以解决传统FB方法存在的问题。现有研究普遍基于成熟的用于图像分类任务的DL架构(例如，卷积神经网络)，在高斯白噪声(additive white gaussian noise，AWGN)和多径信道中表现很好。然而，在实际的通信信道中通常还包含一些其他的自然和人工的损伤，例如载波频率偏移、时钟漂移和相位偏移。并且这些损伤导致信号出现未知的缩放、平移和翻转，从而增加了AMR难度。现有研究由于直接采用DL模型，没有结合信号自身的特性(例如，时域信号包络特征)进行针对性设计，在包含损伤的信道环境中，难以保障高的识别精度。因此，有必要探索更加有效的DL架构，并结合信号特性提升AMR性能。

深度残差网络(deep residual network，ResNet)，主要包含输入模块、残差单元和输出模块，在图像分类任务中取得的性能好于一些其他的DL模型(例如，GoogLeNet模型，VGG模型)。一些研究开始在更加实际的通信场景中应用残差网络进行AMR，然而在低信噪比下(信噪比低于0dB)也无法提供很好的性能。存在的问题如下：对于输入模块，首先采用7×7的大尺寸卷积核，难以学习信号特征细节。卷积操作之后紧接着是池化层，其包含一些下采样操作，损失部分信号特征。对于残差单元，残差网络通常简单堆叠多个残差单元(例如，16个残差单元)，基于低层特征(例如边缘，梯度特征)抽象高层特征图(例如，信号包络特征)，导致网络更加复杂，容易过拟合。对于输出模块，通常采用全连接层将特征图转换为类别，极大增加了网络训练参数，使得网络泛化能力差。

此外，在低信噪比场景下信号容易淹没在噪声中，导致深度学习模型难以有效的抽象信号特征，并且现有的模型训练机制通常不区分信噪比训练深度学习模型，增加了模型识别的复杂度。

发明内容