一种基于改进卷积神经网络的信号调制识别系统及方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及信号调制识别技术领域,特别是涉及一种基于改进卷积神经网络的信号调制识别系统及方法。
背景技术
自动调制识别在现代无线通信中起着重要作用,无论是民用还是军用领域都有应用。在真实环境中,由于非合作通信和背景噪声的干扰,接收信号的某些特征会变得模糊,从而影响识别结果。自动调制识别是对接收信号解调前的一个处理过程,能够有效处理非协作通信中所接收到的信号,对信号的调制类型进行分类,以便后续的解调工作,其广泛应用于无线电信号监测、电子对抗、智能通信等领域。
基于假设检验调制方式的识别方法利用概率和假设检验的理论,通过决策阈值和统计量的比较来实现对信号调制方式的识别。此方法需要大量的先验信息,如调制信号的均值和方差等,这在非合作通信中是很难准确获得的。此外,在低信噪比下由于噪声的巨大影响,识别精度很低。
基于特征提取的调制识别方法通过提取不同调制类型信号在时域或频域中最具代表性和反射性的特征,并将其与理想值相比较,从而准确识别不同调制类型的信号,其方法一般有SVM、KNN等,此方法需要的先验知识少,同时理论分析简单、效率高、对各调制模式均匹配,但需要根据合适的特征参数设计泛化能力强的分类器,且在低信噪比下的识别性能有限。
基于深度学习的调制识别方法一般有直接识别方法和间接识别方法,直接识别方法即直接将基带信号放入神经网络中进行学习训练并完成识别分类,间接识别方法是将信号通过预处理转换成其他变换形态,再对其进行学习训练,实现分类。此方法很大程度的减少了特征提取的难度,甚至不需要进行特征提取,直接识别方法可以直接将原始信号输入进网络模型中,进行训练、测试和识别,无需预处理,也无需专家特征提取步骤,极大的简化了信号调制识别的过程。但目前的基于深度学习的调制识别算法在低信噪比的情况下,泛化性能较差,识别准确率并不理想。
发明内容
本发明实施例提供了一种基于改进卷积神经网络的信号调制识别系统及方法,可以解决现有技术中存在的问题。
本发明提供一种基于改进卷积神经网络的信号调制识别系统,包括信号样本集生成单元和神经网络单元;
所述信号样本集生成单元用于将基带信号生成不同的调制信号,并将所述调制信号输入至神经网络单元;
所述神经网络单元用于对调制信号进行识别分类,包括:
两层卷积神经网络模块,用于对所述调制信号进行初步的特征提取;
多尺度金字塔池化模块,用于对所述调制信号进行深层的特征提取;
混合级联注意力机制模块,用于对提取的特征进行权重优化;
全连接层模块,用于对特征进行整合。
优选的,每一层卷积神经网络模块均包括卷积层、BN层、激活层和最大池化层。
优选的,所述多尺度金字塔池化模块由三个金字塔池化模块组成,每个金字塔池化模块中的卷积块的输出特征图F
式中,
通过双线性插值构造一个上采样层,得到与F
优选的,所述混合型级联注意力机制模块包括挤压-激发块SEB和缩放点积注意力模块SDPA。
优选的,所述挤压-激发块SEB包含挤压映射函数和激励映射函数,所述挤压映射函数公式如下:
式中,F
所述激励映射函数公式如下:
式中,W
将不同通道的权重向量与输入特征空间X相乘进行特征通道加权,得到输出特征空间
式中,
优选的,所述缩放点积注意力模块SDPA包含特征空间转换公式,计算公式如下:
W
W
W
式中,X=[x
通过矩阵乘法从特征空间Q和K中得到注意力矩阵B∈R
B=Q
通过B和V的矩阵乘法得到输出特征空间A,计算公式如下:
A=B·V。
优选的,一种基于改进卷积神经网络的信号调制识别方法,包括以下步骤:
通过信号样本生成单元将基带信号生成不同的调制信号作为数据集;
利用两层卷积神经网络模块、多尺度金字塔池化模块、混合级联注意力机制模块和全连接层模块搭建神经网络模型;
通过数据集对所述神经网络模型进行训练;
将待测的调制信号输入至训练好的神经网络模型,对调制信号进行识别。
优选的,所述通过信号样本生成单元将基带信号生成不同的调制信号作为数据集包括以下步骤:
对所述基带信号进行信源调制得到信号原始样本;
将所述信号原始样本依次通过加性高斯白噪声信道和莱斯多径衰落通道,并施加时钟偏移,生成获得干扰后的原始信号样本;
将所述原始信号样本作为数据集。
优选的,利用两层卷积神经网络模块、多尺度金字塔池化模块、混合级联注意力机制模块和全连接层模块搭建神经网络模型包括以下步骤:
将两层卷积神经网络作为前两层网络;
将多尺度金字塔池化模块作为第三至第五层网络;
将混合级联注意力机制模块作为第六层网络;
将全连接层模块作为第七层网络;
按顺序连接各层网络得到神经网络模型。
优选的,通过数据集对所述神经网络模型进行训练包括以下步骤:
将数据集输入至前两层网络,对所述数据集进行初步的特征提取;
将进行初步特征提取后的数据集输入至第三至第五层网络,对所述数据集进行深层的特征提取;
将进行深层特征提取后的数据集输入至第六层网络,对提取的特征进行权重优化;
将优化后的特征输入至第七层网络,对特征进行整合。
与现有技术相比,本发明的有益效果是:
本发明提出的基于改进卷积神经网络的调制识别算法,在设计时结合了多尺度金字塔和混合级联注意力机制两种模块,优化网络结构,并提取信号的深层特征使网络进行更好的训练和学习以得到更好的结果,并提高模型对噪声的泛化性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的算法流程图;
图2为本发明的多尺度金字塔池化模块示意图;
图3为本发明的HCAM模块图;
图4为本发明的SEB模块图;
图5为本发明的仿真示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-5,本发明提供了一种基于改进卷积神经网络的信号调制识别系统及方法,信号调制识别系统包括信号样本生成单元和神经网络单元。信号样本生成单元用于将序列通过基带载波生成不同的调制信号。神经网络单元用于对调制信号进行识别分类,包括两层卷积神经网络模块、多尺度金字塔池化模块、混合级联注意力机制模块和全连接层模块。两层卷积神经网络模块用于对调制信号进行初步的特征提取,多尺度金字塔池化模块用于对调制信号进行深层的特征提取,混合级联注意力机制模块用于对提取的特征进行权重优化,全连接层模块用于对征进行整合。
每一层卷积神经网络模块均包括卷积层、BN层、激活层和最大池化层。
参照图2,多尺度金字塔池化模块由三个金字塔池化模块组成,除了第一个块外,每个卷积块的最后一个卷积层后面都连接了三个金字塔级下集成特征映射的各个模块。首先,将每个块x的输出特征图F
其中,
参照图3,混合型级联注意力机制模块HCAM包括挤压-激发块SEB和缩放点积注意力SDPA。通过非线性变换提取输入和输出数据之间的全局依赖关系,它可以从空间和通道维度获得输入图像的内部相关信息,从而提取有利于调制识别的有用特征信息。
假设X=[x
然后,SEB通过激励映射函数自适应地学习信道间的非线性关系,由下式计算:
其中W
在SEB模块中引入了两个全连接(FC)层,第一个FC层的作用是降维,第二个FC层则是用来恢复原始特征信息,然后将不同通道的权重向量与原始特征输入特征空间X相乘进行特征通道加权(F
对于HCAM中的SDPA模块,输入特征空间X被转换为三个不同的特征空间Q,K和V,相应的计算过程如下:
W
W
W
其中,C'=C/h,h表示降维系数。通过矩阵乘法从特征空间Q和K中得到注意力矩阵B∈R
B=Q
再使用Softmax函数对注意力矩阵B的每一行进行归一化处理,计算过程如下:
然后通过B和V的矩阵乘法得到输出特征空间A,具体表达式如下:
A=B·V (10)
HCAM可以从特征通道和空间维度进行特征提取,得到关键信息
本发明还提出一种基于改进卷积神经网络的信号调制识别方法,包括以下步骤:
第一步:通过信号样本生成单元将基带信号生成不同的调制信号作为数据集。
对基带信号进行信源调制,得到形式为a+bi形式的信号原始样本。
将信号通过AWGN通道,给信号增加了信噪比为-18dB至18dB的AWGN。
通过莱斯多径衰落信道,信号是复高斯信号和直射分量的叠加(即正弦波加窄带高斯过程),其包络的概率密度函数服从莱斯分布,即下式:
其中,z为正弦(余弦)信号加窄带高斯随机信号的包络,参数A主信号幅度的峰值,
给信号施加时钟偏移,时钟偏移是由于时钟源到达不同寄存器所经历路径的驱动和负载的不同,时钟边沿的位置有所差异,由此造成了时钟偏移,其中时钟偏移因子C的公式为:
其中,Δ
f
SFO=C×f
将通过上述处理的调制信号作为数据集。
第二步:利用两层卷积神经网络模块、多尺度金字塔池化模块、混合级联注意力机制模块和全连接层模块搭建神经网络模型;将两层卷积神经网络作为前两层网络,将多尺度金字塔池化模块作为第三至第五层网络,将混合级联注意力机制模块作为第六层网络,将全连接层模块作为第七层网络,按顺序连接各层网络得到神经网络模型。
第三步:通过数据集对神经网络模型进行训练。具体包括以下步骤:
将数据集输入至第一个卷积层,进行内卷积计算,内卷积公式如下:
其中,假设A和B为矩阵,其大小分别为M×N和m×n。其中M≥m,N≥n。
在本模型中,其计算公式为:
其中,x
经过BN层对处理后的样本进行批量归一化,BN层置于卷积层与激活层之间,能够将数据都转换在均值为0,方差为1的状态下。经过第一个BN层其归一化过程表示为以下公式:
x
其中,x
处理后的特征图经过激活函数层,施加激活函数为提取的特征加入非线性因素,选取ReLU激活函数σ(·)对x
x
ReLU激活函数公式为:
ReLU(x)=max(0,x)(20)
进入池化层,池化层步幅为2,池化块大小为n×n,n为池化层大小数。第一个池化层的池化过程可表示为:
x
其池化类型为最大池化,对
/>
以上即第一个卷积层所进行的步骤,其包含了卷积、批量归一化、激活和池化四步,前两层结构相同。对数据集进行初步的特征提取。
第三至五层,进入多尺度金字塔池化模块,公式如下:
x
其中,l为3、4、5,池化块大小为n×n,经过多尺度金字塔池化,得到输出x
经过最后一个卷积层,使用平均池化层,池化块大小为1×32,其输入为x
x
最终得到大小为1×1×96的输出。而其中,对
第三至五层对数据集进行深层的特征提取。
将此输出输入进混合型级联注意力机制中,提取更为关键的特征与信息,得到输出x
x
将x
y
其中,w
在网络训练完成后,将待测的调制信号输入至训练好的神经网络模型,完成信号自动调制识别。
参照图5,本发明还对根据真实通信环境生成不同信噪比下的12种数字、模拟调制信号进行调制方式识别训练和测试。将本发明与现有的一般卷积神经网络模型、支持向量机SVM算法和邻近算法KNN进行仿真,仿真结果表明在-18dB时,模型具有60%以上的识别准确率,在18dB时达到90.96%,识别率全程高于其他,三种算法,验证了本发明算法的有效性和高识别率。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。