[发明专利]面向物联网的元学习调制模式识别方法

说明书

本发明属于通信信号调制识别技术领域，具体为一种面向物联网的元学习调制模式识别方法。本发明包括：对接收信号进行载波频率估计、相偏估计以及频偏估计；根据特征量进行星座图还原；然后对图像进行增强预处理，以抵抗恶劣环境带来的影响；利用阶段式元学习神经网络对预处理图像进行训练以及测试分类，赋予分类器更好的自学能力，得到初步的调制识别结果；对初步的识别结果进行决策并计算相似度，以最高相似度作为输出结果，提高鲁棒性的准确性。本发明通过多模块协同融合，在低信噪比环境下仍然具有较高的识别精度，高达91.5％，并且本方法训练样本少，训练成本低，复杂度低，易于实现。

技术领域

本发明属于通信信号调制识别技术领域，具体涉及元学习调制模式识别方法。

背景技术

调制识别技术是实现认知无线电的重要步骤，广泛应用于军用和民用通信中，如电子对抗战和电子监控等。通信技术广泛存在物与物的方方面面，驱动着万物互联，同时物联网的发展也离不开智能化，广泛化发展。在实际生活中，接收器处于恶劣环境时，由于环境对原始发送信号统计特性的破环和信道状态信息估计的困难，难以利用传统的CNN训练网络对信号的调制模式智能识别。

针对调制识别的难题，学术界和工业界研究也仅仅在于已知调制方式训练的情况下进行智能识别，不能对未纳入训练集的信号模式进行识别，无法做到自主学习，且训练成本巨大，需要依靠人力进行训练集的扩容，实现接收机智能化的提高；其次在信号环境恶劣，或者接收机处于恶劣环境下，信号特征模糊，无法做到精确识别。

发明内容

本发明的目的在于提供一种面向物联网的元学习调制模式识别方法，以解决现有技术中如下问题：智能调制模式识别，需要提前进行训练，且需要知道信道状态信息，不能应用在未知信号和未知环境下，且在恶劣环境下识别精度不高。

本发明提供面向物联网的元学习(OFDM)调制模式识别方法，采用阶段式元学习神经网络，以提高自主性和鲁棒性，构成元学习器作为分类器；对接收信号进行载波频率估计、相偏估计以及频偏估计；根据特征量进行星座图还原；然后对图像进行预处理，包括统一大小、色域以及偏移等多个方面的预处理，旨在抵抗恶劣环境带来的影响；然后将预处理图像送入元学习器模块，通过阶段式的训练和更新，得到初步的调制识别结果；对初步的识别结果进行决策并计算相似度，以最高相似度作为输出结果，提高了鲁棒性的准确性。具体步骤为：

S1.利用信号发生器生成各种OFDM调制信号，并模拟物联网系统的信道生成不同信噪比下的接收信号；

S2.对每种不同信噪比下的接收信号通过特征提取还原出近似的星座图图像；

S3.对星座图图像进行图像预处理(即图像增强处理，包括灰度处理、图像步幅旋转，大小均一化处理等)，得到预处理图像(增强图像)；

S4.利用阶段式元学习神经网络对预处理图像进行训练以及测试分类，得到接收信号的识别结果；

S5.对接收信号的识别结果进行决策验证，包括对接收信号的识别结果进行决策并计算相似度，得出调制类型。

进一步地，步骤S1中所述利用信号发生器生成各种调制信号，是信号发生器通过物联网的不同信道，在接收端随机生成4至16dB且间隔为4dB的信噪比范围内各种OFDM调制信号。

进一步地，步骤S2中所述还原出近似星座图图像的具体流程为：

S21.对接收信号y(t)进行信号子载波估计，包括子载波频率间隔估计、子载波数目估计和子载波频率估计；

S22.将信号分为I，II两路，进行基带信号还原，得到含有载波频偏和载波相偏的基带信号y₁(t)、y₂(t)；

S23.对相应的基带信号y₁(t)、y₂(t)分别进行频偏估计和相偏估计，获得频偏与相偏的估计值；