[发明专利]一种基于多端神经网络的卫星通信信号识别方法

说明书

本发明提供一种基于多端神经网络的卫星通信信号识别方法包括：构建信号样本库，将信号转化为更适合神经网络拓扑结构的样本表达形式；采用信号眼图、信号矢量图以及信号时频分析图作为样本表达形式；引入深度学习技术，构建多端卷积神经网络，对信号特征进行提取、优化、学习，最终建立稳定的信号识别网络模型，实现信号在低信噪比下高效准确识别。该方法可以应用在通信信号识别领域。

技术领域

本发明涉及卫星通信领域，涉及深度学习技术，具体地涉及一种基于多端神经网络的卫星通信信号识别方法。

背景技术

信号的自动调制识别是指已知信号所在调制集合，利用相关技术正确识别目标信号调制类型。其作为通信侦察和信号盲处理领域的一个重要研究方向，在很多领域都有相当大的需求。随着通信技术的发展，各种新型调制方式不断出现，调制识别技术也需要不断发展以适应不同情况下的识别要求。

自动调制识别方法中，以信号的相位、频率和幅度等时域信息作为特征的方法运用较广，但其受噪声影响较大，在低信噪比情况下性能严重下降。基于高阶统计量的方法，如利用信号的高阶累积量或循环谱，具有很好的抗噪声性能，但特征的选取缺乏理论指导，且在处理复杂多类调制信号识别过程中决策阈值难以设定。

相对于传统人工设计特征的算法，深度学习技术由于其自学习能力以及对样本潜在的容错性，在语音、图像领域取得了突出成就。近年来，从事通信领域的研究人员也逐步利用深度学习技术来解决信号处理相关问题。在调制识别领域，主要思想为建立信号的浅层特征表达，并构建深度学习神经网络对样本进行学习。其中，卷积神经网络是一种高级的深度学习神经网络，在使用与普通神经网络一样的损失函数、反向传播算法、参数更新策略、以及超参数的同时，引入了新的网络结构，包括卷积层、池化层等，常用于对二维或三维输入信号的分类识别。

时频分析是处理非平稳信号的一类重要方法，它将非平稳信号表示为时间和频率的二维函数，能更加直观地其进行分析和处理。传统的分析与处理平稳信号的常用方法是傅里叶变换(Fourier Transform，FT)，它建立了信号的时域与频域一一对应的映射关系。然而，FT的缺点是只能整体上分析信号的频率成分，不能获取信号局部上的频率变化。时频分析能够克服FT的这个缺点，用时间和频率的二维函数来表示信号，直观地反映信号时域与频域之间的关系。时频分析方法可分为线性时频和二次型时频两种，常见的线性时频表示有：短时傅里叶变换(Short Time Fourier Transform，STFT)和小波变换。二次型的时频也称时频分布，它可以描述信号的能量分布，典型的有Wigner-Ville分布(WVD)、Cohen类时频分布，其最大的特点是能有效抑制交叉项。

发明内容

本发明要解决的技术问题是提供一种基于多端神经网络的卫星通信信号识别方法，能够实现在低信噪比下高效准确地完成识别任务。本发明的目的是，通过引入深度学习的技术手段提高信号识别的抗噪声性能，克服人工提取高维统计特征稳健性差等缺陷，实现信号在低信噪比下准确高效识别。

本发明的技术方案是：一种基于多端神经网络的卫星通信信号识别方法，主要包括：

S1、构建信号样本库

本发明将信号转化为更适合神经网络拓扑结构的样本表达形式。采用信号眼图、信号矢量图以及信号时频分析图作为样本表达形式，该表达形式相对于传统的高维统计特征而言更易获得，且不会损失过多的信号原有信息。相对于波形而言，该表达形式更能够突出信号的调制特性，更易于神经网络进行分类。

S2、构建多端神经网络