一种基于Mask R-CNN的无线通信调制模式识别方法

技术领域

本发明涉及智能通信中信号调制样式识别领域，具体涉及一种基于Mask R-CNN神经网络的信号调制样式识别方法。

背景技术

随着无线通信技术的发展，无线通信技术的应用范围越来越广泛，无线通信系统承载着信息的通过无线信道远距离传输的任务。通常，为了提高通信系统的效率和可靠性，无线信号采用了不同的调制样式，即将调制信号转换成适用于无线信道传输的已调制信号。无论在无线通信，还是通信对抗等领域，只有接收机正确地识别出发射机信号的调制模式，接收机才能进行后续的解调、信息的处理和分析等工作流程。

在实际应用环境中，通信系统的射频信号、信道模型及噪声具有不可预知的强随机性，加之信道衰落、多径传播、干扰等影响，信号调制模式的识别本质上对具有多个未知参数的模式分类问题。传统模拟调制模式，如调幅、单边带、调频等，大多采用人工识别的方法，效率低、精度差，难以适用于当前大规模复杂场景的无线通信系统。就数据信号调制模式识别方法而言，当前逐步采用了以自动化识别的技术，如基于特征的统计模式识别、基于最大似然假设的识别方法。

当前，在更加灵活、更加开放的智能无线通信领域，上述传统的基于统计或传统浅层机器学习的数字信号调制模式识别技术不再具有优势，主要表现在三个方面：首先，难以适应多种调制识别模式相互混淆信号的调制模式；其次，难以适应无先验信息、低信噪比的信号调制模式识别；最后，难以适应多径信道环境下所导致信号畸变情况下调制模式的识别，为此，我们提出一种基于Mask R-CNN神经网络的信号调制样式识别方法。

发明内容

本发明的目的在于提供一种基于Mask R-CNN的无线通信调制模式识别方法，解决了现有的难以适应多种调制识别模式相互混淆信号的调制模式；难以适应无先验信息、低信噪比的信号调制模式识别；难以适应多径信道环境下所导致信号畸变情况下调制模式的识别的问题。

为实现上述目的，本发明提供如下技术方案：一种基于Mask R-CNN的无线通信调制模式识别方法，包括所述基于Mask R-CNN的无线通信调制模式识别方以下步骤：

S101：不同调制模式射频信号的归一化处理；

S102：信号调制模式识别Mask R-CNN神经网络的训练；

S103：信号调制模式识别Mask R-CNN神经网络的优化。

优选的，所述步骤S101中调制主要是使待传输的信号与信道相匹配，提高通信系统的传输效率；为了适应不同应用领域，特别是不同无线信道介质，发射机通常使用不同的调制模型；不同的调制模式是以不同的量纲或量纲单位的表示方式，以不同射频信号输入到Mask R-CNN神经网络训练之前需使用数据标准化或归一化，使得不同调制模式下的信号能在同一量纲单位下输入到待训练的Mask R-CNN神经网络。

优选的，所述不同的调制模型包括幅移键控（Ask modulation，ASK）、二进制相移键控（Binary Phase Shift Keying，BPSK）、正交相移键控（Quadrature Phase ShiftKeying，QPSK）等。

优选的，所述步骤S102中与传统的CNN、Faster R-CNN等神经网络不同，Mask R-CNN神经网络通过添加了一个mask预测分值，实现更加精确和细粒度的实例分割；在卷积层中，进行信号的特征提取，由残差网络ResNet与特征金字塔网络FPN（Feature PyramidNetwork）组成，能快速准确地进行信号特征提取；提取的特征交付给区域生成网络（RegionProposal Network，RPN），RPN是一个轻量级的神经网络，使用滑动窗口扫描特征，并寻找存在目标的区域，在通过RoI Align层统一候选框的尺度，并使用全连接层对射频信号进行检测获得类别。

优选的，所述步骤S103中损失函数的恰当地表示对提升深度学习网络训练、学习和识别的精度起到至关重要的作用，针对Mask R-CNN的训练过程中所包含的RPN网络损失、Fast R-CNN网络损失和Mask分割网络损失，定义统一的损失函数，使得Mask R-CNN网络训练和优化过程中有统一的标尺，提升网络的训练效率。

与现有技术相比，本发明的有益效果如下：

本发明中，通过引入了对射频信号的归一化技术，使得不同调制模型相互混杂和叠加的信号能以统一的量纲输入到Mask R-CNN神经网络中进行训练，通过对Mask R-CNN神经网络的训练，充分利用神经网络的强大的分类能力，识别出混杂信号中的调制模式；此外，通过对Mask R-CNN神经网络中基于同一损失函数的端到端优化策略，进一步提升调制模式识别及分类的精度。

附图说明

图1为本发明工作流程示意图；

图2为本发明中多调制信号模式识别流程图；

图3为本发明中使用的Mask R-CNN神经网络示意图；

图4为本发明中使用的ResNet残差网络结构示意图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步的详细说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明的实施例及实施例中的特征可以互相结合。

本发明技术方案如图1-4所示，首先对不同体制模式的射频信号进行归一化预处理，以统一的量纲单位输入到Mask R-CNN深度神经网络中进行训练，在训练过程中直至满足特定阈值后停止训练。

S101：不同调制模式射频信号的归一化处理

调制就是用基带信号对载波波形的某些参量如幅度、相位、频率进行控制并使载波的这些参量随基带信号的变化而变化，其的目的使得待传输的信号与信道相匹配，将不利于传输的基带信号通过载波“转换成适用于远距离传输”并具有抗干扰能力的高频信号，使得通信系统能高效地传输信号。因此，为了适应不同的无线信道介质以及应用环境，发射机使用不同的调制模型，如ASK、BPSK、QPSK等。

不同的调制模式是以不同的量纲或量纲单位的表示方式，具体来讲，调制信息可以通过瞬时幅度、瞬时频率和瞬时相位等特征来标识，合理地选择这些特征是构建模式识别网络的关键，在数字通信领域，星座图包含了数字调制信号的结构和状态，是能反映信号调制模式的重要特征，充分利用这种关系是构建高效信号调制识别分类的基础。

因此，以不同射频信号再输入到Mask R-CNN神经网络训练之前需使用数据标准化或归一化，使得不同调制模式下的信号能在同一量纲单位下输入到待训练的Mask R-CNN神经网络。

将不同调制模式的射频信号进行归一化处理后，能提升后续Mask R-CNN神经网络训练过程中的收敛速度及调制模式识别的精度。

S102：信号调制模式识别Mask R-CNN神经网络的训练

Mask R-CNN神经网络模型如图3所示，通过两个阶段进行调频模式识别。使用射频信号对Mask R-CNN神经网络的训练过程为：

（1）归一化预处理：输入层是经过归一化处理的射频信号灰度图像。

（2）特征提取：在第一层的卷积网络中实现卷积特征提取以及特征金字塔（FPN）融合，具体来讲，通过ResNet101进行卷积特征提取，ResNet101网络如图3所示，其中，网络由第一卷积层、第二卷积层、第三卷积层和第五卷积层组成，样本在每一层经过卷积、正则化、激活函数三步特征提取获得不同尺度的特征图进入FPN神经网络。FPN神经网络利用特征图建立特征图金字塔，通过卷积、池化、融合等操作获得各尺度融合后的特征图。

在图4所示的ResNet101深度残差网络中，采用了跨层的连接设计，网络的输出为

（3）生成候选框：区域生成网络RPN通过前景、背景分类和边框回归，进行候选框的提取操作，并生成相应的候选框。

RPN网络通过滑动窗口的方式实现候选框的选取，每个滑动窗口位置生成不同的尺度、不同宽高的候选窗口，提取对应候选窗口的特征，用于目标分类和边框回归。

（4）池化过程：在池化层（ROI Align）进行池化操作，即将特征图的像素与原图对应起来，再将特征图和固定的特征对应起来。

（5）ROI分类：池化结果分成两个并行线路进入头部网络，分别通过边界框和classes实现边框回归和softmax多元分类，在掩膜分值中使用反卷积的方法，将最后一层的特征图进行上采样，得到与原图大小一致的热图，即每个位置输出该点所对应的类别概率，并输出与class结果相同的掩膜。

此外，在Mask R-CNN神经网络的训练过程中，作为改进的池化层，ROI Align层采用了双线性差值的方法获得每个位置的精确值，消除了传统神经网络粗糙量化操作带来的误差，保证了所提取信号特征的精准性。

在训练的过程中，根据不同的射频信号数据集，对Mask R-CNN网络参数初始以加快训练速度，再将训练集输入到Mask R-CNN神经网络中前向传播通过网络，在第一卷积层、RPN层、ROI Align层、第二卷积层等都能得到相应的误差，再利用反向传播通过梯度计算来更新相应参数的权值，直到误差在预先设定的阈值范围内，最终完成整个Mask R-CNN神经网络的训练。

S103：信号调制模式识别Mask R-CNN神经网络的调优

从理论上，合理的损失函数对提升深度学习网络训练、学习和识别的精度起到至关重要的作用。因此，针对Mask R-CNN的对射频信号数据集的训练过程中所包含的RPN网络损失、Fast R-CNN网络损失和Mask分割网络所涉及的损失函数，本发明中，定义统一的损失函数表示，使得Mask R-CNN网络训练和优化过程中有统一的标尺进行训练和优化，进一步提升网络的训练效率。

使用统一的损失函数能将特征提取网络、RPN神经网络、Fash R-CNN神经网络和Mask神经网络整合到一个统一的神经网络中，实现了Mask R-CNN神经网络端到端的联合训练及优化过程，实现了对整个Mask R-CNN网络统一的训练和优化。

另外，预训练也能显著提供神经网络的性能，因此，在进行射频信号实际数据训练之前，可采用不同体制信号样本数量大小均等的SigPreText训练集对Mask R-CNN神经网络进行初步的训练，得到了在SigPreText数据集上分类效果最好的网络模型后，再将网络中的参数作为实际训练的Mask R-CNN网络中的待估作为初始参数。

将Mask R-CNN神经网络训练完毕后，需要在测试数据集上使用混淆矩阵对MaskR-CNN模型进行评价，通过准确率、精准率、召回率和交并比（IOU）等，以进一步提升信号体制识别的精度。

综上，得益于计算机算力以及以深度学习为代表人工智能技术的发展，通过深度学习实现更加高效和精确的信号调制模式识别是通向智能通信的重要一步。本发明中，利用Mask R-CNN深度神经网络自组织和自学习的能力，能自主地发现蕴含在射频信号样本中所包含调制模型的特性及规律，是一种非参数模型的调制模式识别方法，省去了传统模式识别中的建模、参数估计、检验以及模型重构等一系列复杂的过程。另外，采用Mask R-CNN神经网络应用调制模式识别，在无需人工对射频信号做标记，使用神经网络自动抽取射频信号特征，并进行分类识别。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中的描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。