一种基于孪生网络的盲调制信号识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114900406A(43)申请公布日2022.08.12(21)申请号202210427188.2(22)申请日2022.04.22(71)申请人深圳市人工智能与机器人研究院地址518000广东省深圳市龙岗区坂田街道雅宝路1号星河WORLDG2-14、15层申请人电子科技大学(72)发明人盛瀚民王豪邵晋梁马文建郑家骏刘鑫(74)专利代理机构成都行之智信知识产权代理有限公司51256专利代理师温利平(51)Int.Cl.H04L27/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书10页附图3页(54)发明名称一种基于孪生网络的盲调制信号识别方法(57)摘要本发明公开了一种基于孪生网络的盲调制信号识别方法，先建立调制数据集和支撑集，再通过利用粗频率偏移估计对调制数据集种的原始IQ数据进行简易频率校正，然后配对输入至孪生网络并训练；然后通过支撑集中的数据与待测数据进行配对，通过训练完成的孪生网络计算数据间欧氏距离以判断信号调制类型，这样的网络可通过少量样本构建支撑数据集，减少对数据量的依赖，而且能够在训练集未知的情况下实现盲调制信号识别，能够适应当前非合作通信对抗的发展。CN114900406ACN114900406A权利要求书1/3页1.一种基于孪生网络的盲调制信号识别方法，其特征在于，包括以下步骤：(1)、建立调制数据集；(1.1)、利用三台认知无线电设备搭建并模拟复杂电磁环境，其中，一台为发射机、一台为干扰机、一台为接收机；(1.2)、建立调制数据集；发射机作为识别目标依次以k种调制方式发送调制信号，干扰机用以模拟复杂电磁环境，接收机用于接收包含噪声及调制信号的原始IQ数据，并记录发射机发射当前的调制类型Li,i＝1,2,...,k；其中，每种调制方式下采集M组原始IQ数据，每组原始IQ数据的数据长度为N，对应的调制类型Li作为标签；将所有的原始IQ数据及对应标签Li组成调制数据集，调制数据集的总大小为k×M×N；(2)、数据预处理；(2.1)、数据切片；将所获取的原始数据剪裁成连续的时间序列片段，每组原始IQ数据的长度为128；(2.2)、对原始IQ数据进行归一化处理；利用线性函数归一化方法对每组原始IQ数据进行等比例放缩，将数据值固定在[‑1,1]范围内，记归一化后的每组原始IQ数据为y(n)，n＝1,2,…,ψ，(2.3)、频率偏移校正；(2.3.1)、记归一化后的信号y(n)的表达式为：其中，s(n)为符号信息序列，b(n)为干扰噪声，表示相位偏移，表示频率偏移；(2.3.2)、对信号y(n)取m次方：其中，e(n)表示加性噪声；(2.3.3)、忽略加性噪声e(n)统计分布特点，通过最大化周期图法粗略估计频率偏移(2.3.4)、根据频率偏移估计值对y(n)进行校正；其中，(3)、建立支撑集；支撑集包含k种调制方式，每种调制方式下仅含有1组预处理后的IQ数据；(4)、搭建孪生网络模型；孪生网络是由两个共享权值的分支网络相耦合组成，两个分支网络分别记为第一分支网络和第二分支网络；2CN114900406A权利要求书2/3页其中，每一个分支网络采用卷积神经网络结构，具体包含如下两部分：第一部分输入为校正后的IQ数据；其中，第一层接入卷积层，其卷积核尺寸为3×2，卷积核大小为16，激活函数采用ReLU函数；第二层连接池化层，缩减模型大小，池化类型为最大池化；第三层加入丢弃比率P＝0.5的Dropout层以防止过拟合；第四层连接类型为最大池化的池化层进一步缩减模型大小；第五层连接卷积核尺寸为3×2，大小为16的卷积层，激活函数采用ReLU函数；第六层连接类型为最大池化的池化层；第七层加入丢弃比率P＝0.5的Dropout层；第八层连接类型为最大池化的池化层；第九层连接展平层将输入数据一维化，以便后续数据合并；第十层加入全连接层，激活函数采用ReLU函数，将前九层提取的特征综合，输入到融合层；分支网络第二部分输入为校正后的IQ数据的幅值；其中，第一层接入卷积核尺寸为3×2，卷积核大小为16的卷积层，激活函数为ReLU函数；第二层连接类型为最大池化的池化层；第三层加入丢弃比率P＝0.5的Dropout层；第四层连接类型为最大池化的池化层；第五层连接展平层把多维输入一维化；第六层加入全连接层，激活函数为ReLU函数，将前五层提取的特征综合，输入到融合层；融合层将分支网络两部分的输入在一维方向上连接，最终接入一个全连接层，采用Softmax逻辑回归进行分类，输出即为当前输入样本的调制类型；(5)、训练孪生网络模型；(5.1)、首先对孪生网络权重Wl进行初始化；从偏移校正后的大小为k×M的数据集中进行无放回随机