一种基于柯西Score星座图的调制方式识别方法

技术领域

本发明属于图像识别与通信技术领域，涉及到无线电信号的调制方式识别方法，特别涉及到基于柯西Score星座图和卷积神经网络的调制方式识别方法。

背景技术

调制方式识别是无线电信号检测和解调之间的重要步骤，被广泛应用于认知无线电、频谱管理、智能通信和电子战等领域。现有的调制方式识别方法主要分为两类，第一类基于最大似然估计，该方法通常可以获得较好的结果，但是计算的复杂度较高；第二类基于信号特征，该类方法则较好地解决了计算量过大的问题，同时也能取得较好的分类效果。近来，随着人工智能的快速发展，越来越多的研究人员尝试将深度学习应用到信号处理领域，提出了许多基于不同特征和神经网络的调制方式识别方法，并且取得了很好的效果。但是，现阶段的调制方式识别方法通常假设噪声是服从高斯分布的，该类方法在非高斯噪声，如脉冲性噪声条件下会出现性能退化。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种基于柯西Score星座图和卷积神经网络的调制方式识别方法，为解决脉冲性噪声条件下的调制方式识别问题提供了一种切实可行的方法。

本发明采用的技术方案是：

A：通过仿真获得被脉冲性噪声污染的各类调制信号。

A1：仿真生成各类调制信号。

A2：为上述调制信号添加脉冲性噪声。

B：计算并获得信号的柯西Score星座图。

B1：将信号离散化、标准化，获得复序列。

B2：使用柯西Score函数对复序列进行非线性映射。

B3：计算信号的柯西Score星座图。

C：设计轻量化的卷积神经网络。

D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。

D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集。

D2：利用训练集训练该卷积神经网络。

E：选取性能较好的网络模型对调制信号进行分类。

E1：利用测试集测试训练好的网络模型。

E2：将测试结果绘制成混淆矩阵和准确率曲线。

本发明的有益效果为：

本发明算法在解决脉冲性噪声条件下的调制方式识别问题时，取得了良好的效果，并且轻量化网络明显降低了训练过程中软硬件资源的占用率，为该技术的推广降低了门槛。

附图说明

图1是本发明所涉及的一种基于柯西Score星座图和卷积神经网络的调制方式识别方法的总体流程图。

图2是本发明所涉及的Score函数的曲线图。其中，α＝1所对应的曲线即为本发明使用的柯西Score函数的曲线。

图3是本发明所涉及的调制信号的柯西Score星座图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。

图4是本发明所涉及的轻量化卷积神经网络的结构图。

图5是本发明所涉及的不同调制方式的混淆矩阵图。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM、64QAM、2FSK和AM为例。

图6是本发明所涉及的不同调制方式的识别准确率曲线图。

图7是本发明所涉及的不同方法的识别准确率曲线图。对比方法采用传统的星座图作为特征。

具体实施方式

为了便于理解，下面将结合本发明的附图，对本发明实施过程中的技术方案进行详细描述。

一种基于柯西Score星座图和卷积神经网络的调制方式识别方法，其总体流程图如图1所示，主要包括以下步骤：

A：通过仿真获得被脉冲性噪声污染的各类调制信号。

所述步骤A具体包含以下步骤：

A1：仿真生成各类调制信号。可以调用仿真软件中的函数或者根据不同调制方式的原理生成所需的调制信号。

A2：为上述调制信号添加脉冲性噪声。信号模型为：

y(t)＝x(t)+v(t)

式中，x(t)和y(t)分别为连续时域中传输和接收的复信号，v(t)为服从Alpha稳定分布的脉冲性噪声。本文采用广义信噪比(generalizedsignal-to-noise ratio，GSNR)衡量信号和Alpha稳定分布噪声的强度之比，广义信噪比GSNR的定义式为：

式中，P

B：计算并获得信号的柯西Score星座图。

所述步骤B具体包含以下步骤：

B1：将信号离散化、标准化，获得复序列。即对y(t)进行离散化、标准化，获得复序列

y(n)。

B2：使用柯西Score函数对复序列进行非线性映射。具体公式如下：

y

式中，a

式中，f

B3：计算信号的柯西Score星座图。以a

本发明所涉及的Score函数曲线图如图2所示。其中，α＝1所对应的曲线即为本发明使用的柯西Score函数的曲线。

本发明所涉及的柯西Score星座图如图3所示。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。

C：设计轻量化的卷积神经网络。该轻量化的卷积神经网络以残差结构为核心，缩减了网络层数，在维持网络性能的前提下，降低了对软硬件等资源的需求。该网络的详细结构如图4所示。

D：将柯西Score星座图做成数据集，并用其训练卷积神经网络。

所述步骤D具体包含以下步骤：

D1：为柯西Score星座图添加标签，按照比例生成训练集、验证集和测试集。通常，该比例可以设置为6：2：2。

D2：利用训练集训练该卷积神经网络。训练过程中使用BatchNorm2d进行批归一化处理，ReLU激活函数，交叉熵损失函数以及RMSprop优化算法，学习率设置为0.01。首先，使用随机数据初始化网络的权重；其次，将训练样本及标签输入卷积神经网络，通过前向传播过程计算各层的输出值；然后，通过反向传播过程最小化各层的误差并更新网络的权重；最后，保存更新完权重的网络模型。

E：选取性能较好的网络模型对调制信号进行分类。

所述步骤E具体包含以下步骤：

E1：利用测试集测试训练好的网络模型。根据训练准确率选取性能最佳的网络模型用于测试集，将未知调制方式的信号的柯西Score星座图输入到C中的轻量化卷积神经网络中，进行调制方式识别。

E2：将测试结果绘制成混淆矩阵和准确率曲线。以此来衡量该轻量化卷积神经网络对于脉冲性噪声条件下各调制信号的分类效果。

本发明所涉及的不同调制方式的混淆矩阵图如图5所示。其中，调制信号以2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、16QAM、32QAM、64QAM、2FSK和AM为例，Alpha稳定分布噪声的特征指数取值为α＝1.2，广义信噪比的取值范围为GSNR∈[-5,15]dB，真实标签表示该信号真实的调试方式，预测标签表示该信号被预测成的调制方式。

本发明所涉及的不同调制方式的识别准确率曲线图如图6所示。

本发明所涉及的不同方法的识别准确率曲线图如图7所示。对比方法采用传统的星座图作为特征。