一种基于卷积神经网络的盲信号调制类型识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112699777A(43)申请公布日2021.04.23(21)申请号202011585710.7(22)申请日2020.12.29(71)申请人成都信息工程大学地址610225四川省成都市西南航空港经济开发区学府路一段24号(72)发明人杜鸿文成玉夏金森代茂王金霞何再芝熊航廖聪慧(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T5/40(2006.01)G06T7/44(2017.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于卷积神经网络的盲信号调制类型识别方法(57)摘要本发明提供一种基于卷积神经网络的盲信号调制类型识别方法，其使用三个不同采样率计算出的相位差分直方图和一个幅度直方图作为信号特征参数，通过卷积神经网络分类器对信号特征参数进行分类，从而获得信号调制类型，由于相位差分直方图的纹理对频偏和不准确带宽不敏感，使得本方法对频偏和不精确带宽具有强壮的免疫力，适用于复杂电磁环境中的盲信号调制类型识别。CN112699777ACN112699777A权利要求书1/1页1.一种基于卷积神经网络的盲信号调制类型识别方法，其特征在于，包括：S1、射频接收机以采样率FS采集时域0中频复信号IQ流，将IQ流分割为采样数为MBLK的IQ块SBLK，计算IQ块SBLK的快速傅里叶变换幅度谱，根据幅度谱估计信号带宽，使用截止频率为的低通滤波器对IQ块SBLK执行滤波，获得滤波后IQ块；S2、根据采样率FS和信号带宽估值计算三个IQ数据抽取因子E4、E2和E1；S3、根据抽取因子E4、E2和E1计算信号相位差分直方图和幅度直方图；S4、在卷积神经网络分类器模型训练阶段，改变信号源调制类型、载噪比、符号率以及载波频偏，计算并记录S3所述相位差分直方图和幅度直方图，作为训练和验证数据集，用于训练卷积神经网络分类器模型；S5、在卷积神经网络分类器模型应用阶段，针对待识别信号，计算S3所述相位差分直方图和幅度直方图，使用卷积神经网络分类器模型识别信号的调制类型。2.根据权利要求1所述一种基于卷积神经网络的盲信号调制类型识别方法，其特征在于，S2所述抽取因子E4、E2和E1的具体计算步骤如下：，，。3.根据权利要求1所述一种基于卷积神经网络的盲信号调制类型识别方法，其特征在于，S3所述相位差分直方图和幅度直方图具体计算步骤如下：S31、使用抽取因子E4、E2和E1分别对IQ块SBLK进行整数抽取，获得三个降采样率IQ块SBLK4、SBLK2、和SBLK1；S32、对于降采样率IQ块SBLK4、SBLK2、和SBLK1，分别计算其相位阵列Sp4、Sp2和Sp1，计算相位差分阵列Spd4、Spd2和Spd1，其中，Spd4(k)=Sp4(k+1)‑Sp4(k)，Spd2(k)=Sp2(k+1)‑Sp2(k)，Spd1(k)=Sp1(k+1)‑Sp1(k)，k∈(0，…，N‑2)为相位阵列中数据点下标，N为每个数据块的实际采样点数；S33、将相位差分阵列S、S和S值从±180区间平移到0359区间并取整，计算三个pd4pd2pd1~相位差分阵列的分布直方图Hpd4、Hpd2和Hpd1，同时，置Hpd4(k4)为(Hpd4(178)+Hpd4(182))/2，k4∈(179，…，181)，置Hpd2(k2)为(Hpd2(177)+Hpd2(183))/2，k2∈(178，…，182)，置Hpd1(k1)为(Hpd1(176)+Hpd1(184))/2，k1∈(177，…，183)，将Hpd4、Hpd2和Hpd1作为信号的相位分布特征；S34、将降采样率IQ块S的幅度分布区间归化到0359并取整，计算幅度直方图H作BLK2~mag为信号的幅度分布特征。2CN112699777A说明书1/4页一种基于卷积神经网络的盲信号调制类型识别方法技术领域[0001]本发明属于无线电通信领域，具体涉及一种基于卷积神经网络的盲信号调制类型识别方法。背景技术[0002]在无线电信号监测领域，调制识别技术更多面对的是盲信号识别，即信号载频未知，信号带宽未知，信号符号率未知的情况。在复杂电磁环境中，准确测量盲信号的载频和带宽是一件困难的事情。从工程实用性的视点，需要调制识别技术具备频偏和不准确带宽的免疫能力。在使用一些著名生产商提供的调制识别产品时，面对一个盲信号，操作人员往往不得不使用几组载频和带宽分别进行识别，以确认识别结果的可信性。[0003]传统的基于瞬时参数和高阶累积量的调制类型识别方法中，其特征参数对接收机频偏和滤波器带宽较为敏