基于短时傅里叶变换时频分析的多天线盲调制识别方法.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CN111901267A(43)申请公布日2020.11.06(21)申请号202010731525.8(22)申请日2020.07.27(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人蒋卫恒喻莞芯邬小刚陈泊霖张瑜(74)专利代理机构重庆敏创专利代理事务所(普通合伙)50253代理人陈千(51)Int.Cl.H04L27/00(2006.01)H04B7/0404(2017.01)G06F17/14(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于短时傅里叶变换时频分析的多天线盲调制识别方法(57)摘要本发明涉及认知无线电、通信信号调制识别技术领域，具体公开了一种基于短时傅里叶变换时频分析的多天线盲调制识别方法，采用短时傅里叶变换进行时频分析，可以清晰地提取到接收信号的时频特征，并生成接收信号的RGB时频图；采用卷积神经网络作为分类器，对RGB时频图进行训练分类，从而将传统意义上的信号识别问题转化为图像识别问题；对多天线系统各路接收天线的识别结果(采用“n‑out‑of‑Nr”的准则)进行决策融合，实现调制模式识别。相比现有多天线盲调制识别方法，本发明有益效果在于：结合短时傅里叶变换、卷积神经网络、决策融合，使得本发明在低噪声环境下仍然具有较高的识别精度，高达85％，并且本发明收敛速度快、复杂度低、易实现。CN111901267ACN111901267A权利要求书1/2页1.基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于，包括步骤：S1.利用信号发生器生成各种调制信号并模拟多天线系统的信道生成不同信噪比下的多路接收信号；S2.对每路所述接收信号基于短时傅里叶变换进行时频分析，得到对应的多幅彩色时频图像；S3.利用卷积神经网络对每幅所述彩色时频图像进行训练并测试分类，得到每路所述接收信号的分类结果；S4.利用决策融合模块对每路所述接收信号的分类结果进行融合，得出所述多天线系统的调制类型。2.如权利要求1所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于：所述步骤S1中，所述信号发生器利用信号序列在-2至10dB且间隔2dB的信噪比范围内随机生成所述各种调制信号，所述多天线系统的每一路发送天线在每次模拟发送时所发送的调制信号的调制方式相同。3.如权利要求1所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于，所述步骤S2具体包括步骤：S21.对任一路所述接收信号y(n)利用汉明窗ω(n)加窗，得到第F个加窗后的信号yF(n)；S22.对加窗后的信号yF(n)进行短时傅里叶变换，得到对应的信号谱fF(k)；S23.将信号谱fF(k)取绝对值得到线性谱S(k,F)；S24.对线性谱S(k,F)归一化得到归一化线性谱G(k,F)；S25.组合归一化线性谱G(k,F)，得到接收信号y(n)的灰度时频图G；S26.对灰度时频图G进行色彩映射得到RGB时频图Ic。4.如权利要求3所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于，所述步骤S21中：所述汉明窗ω(n)表示为：其中，表示宽度为ωs的矩形窗；加窗后的信号yF(n)表示为：yF(n)＝y(Fδ+n)ω(n),n＝0,...,ωs(2)其中，ωs为汉明窗的长度，δ为相邻汉明窗之间的间隔，相邻汉明窗之间的信号重叠长度为ωs-δ，汉明窗的数量为L为信号长度。5.如权利要求4所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于：所述步骤S22中，信号谱fF(k)表示为：2CN111901267A权利要求书2/2页其中，N/2-1为傅里叶变换的点数；所述步骤S23中，线性谱S(k,F)表示为：S(k,F)＝|fF(k)|(4)所述步骤S24中，归一化线性谱G(k,F)表示为：其中，min(S)、max(S)分别表示S(k,F)中的最小和最大线性值。6.如权利要求5所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于：所述步骤S25中，灰度时频图G表示为：TTTG＝[G(k,1),...,G(k,F),...,G(k,NF)](6)所述步骤S26中，RGB时频图Ic表示为：Ic＝fmap(G)(7)RGB时频图Ic的大小为(N2-1)×NF。7.如权利要求4所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其特征在于，所述步骤S4中，所述决策融合模块进行融合的步骤包括：S41.根据对应的分类结果确定每路所述接收信号的调制方式；S42.对多路所述接收信号的调制方式采用n-out-of-Nr的决策方式进行融合。8.如权利要求7所述的基于短时傅里叶变换时频分析的多天线盲调制识别方法，其