一种基于柯西Score极坐标图调制方式识别方法

技术领域

本发明属于图像识别与通信技术领域，涉及无线电信号的调制方式识别，特别涉及一种基于柯西Score极坐标图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，其任务是在没有先验知识或者先验知识不足的情况下，例如在非协作通信中，通过已掌握的信息来判断无线电信号的调制方式。该技术被广泛应用于认知无线电、频谱管理和电子对抗等领域。现有的调制方式识别方法主要分为两类，分别基于最大似然估计和基于信号特征。基于最大似然估计的方法把调制方式识别当作一个假设检验问题，将信号的似然函数同阈值进行比较，该方法通常可以获得更优的解，但是计算复杂度较高。而基于信号特征的方法首先需要提取信号的各类特征，然后将特征送入分类器进行分类，该方法可能无法获得最优解，但是易于实践，计算量相对较低。

近年来，随着人工智能的快速发展，越来越多的研究人员尝试将机器学习以及深度学习的技术应用到信号处理领域，提出了许多基于不同特征和各种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，现有的调制方式识别方法通常是基于高斯噪声环境下的，该类方法在非高斯噪声，如脉冲性噪声条件下容易出现性能退化。针对此类问题，本发明提出了一种基于柯西Score极坐标图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。

发明内容

本发明提供了一种基于柯西Score极坐标图的调制方式识别方法。

本发明采用的技术方案是：

A：获取无线电信号并对其进行柯西Score处理。

A1：获取无线电信号。

A2：对无线电信号进行柯西Score处理。

B：计算柯西Score极坐标图特征并制作训练集和测试集。

B1：计算无线电信号的柯西Score极坐标图特征。

B2：将上述特征充分混合，并将混合后的特征按照一定比例组成训练集、验证集和测试集。

C：设计与训练轻量化的卷积神经网络。

C1：设计轻量化的卷积神经网络。

C2：利用训练集训练该卷积神经网络。

C3：利用验证集验证该卷积神经网络。

D：测试卷积神经网络并进行无线电信号调制方式识别。

D1：利用测试集测试该卷积神经网络。

D2：进行无线电信号调制方式识别。

本发明的有益效果为：

本发明算法对于解决脉冲性噪声条件下的调制方式识别问题具有较好的效果，此外，发明中使用的轻量化网络拥有更低的计算复杂度，这对于本发明方法的实际应用具有重要意义。

附图说明

图1是本发明所涉及的一种基于柯西Score极坐标图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是本发明所涉及的柯西Score极坐标图。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。对比方法采用传统星座图和极坐标图作为特征。

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极坐标图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：获取无线电信号并对其进行柯西Score处理。

所述步骤A具体包含以下步骤：

A1：获取无线电信号。通过相关软件生成仿真无线电信号，并添加脉冲性噪声，或者通过接收机等设备获取脉冲性噪声条件下的真实无线电信号。添加了脉冲性噪声的无线电信号模型为：

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(generalized signal-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

A2：对无线电信号进行柯西Score处理。将获取的无线电信号进行离散化、标准化，使用柯西Score函数分别对所得复序列的实部和虚部进行非线性映射。柯西Score函数的具体公式如下：

y

式中，a

式中，f

B：计算柯西Score极坐标图特征并制作训练集和测试集。

所述步骤B具体包含以下步骤：

B1：计算无线电信号的柯西Score极坐标图特征。将非线性映射后的实部和虚部分别作为横坐标和纵坐标，通过计算极坐标获得有序数对(ρ,θ)，将ρ和θ分别作为直角坐标系的横坐标和纵坐标，按照采样时刻n逐一计算无线电信号所对应的柯西Score极坐标图特征。

B2：将上述特征充分混合，并将混合后的特征按照一定比例组成训练集、验证集和测试集，该比例通常为6：2：2。

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极坐标图如图3所示。其中，调制信号以2ASK、4ASK、8ASK、 2PSK、4PSK、8PSK、16QAM、32QAM和64QAM为例。

C：设计与训练轻量化的卷积神经网络。

所述步骤C具体包含以下步骤：

C1：设计轻量化的卷积神经网络。以ShuffleNet V2网络为基础，通过缩减其卷积层数和输入输出通道数来搭建本发明的轻量化卷积神经网络。

本发明所涉及的轻量化卷积神经网络的结构图如图4所示。

C2：利用训练集训练该卷积神经网络。将包含柯西Score极坐标图和相应标签的训练集作为C1所述卷积神经网络的输入，对其进行训练。训练过程中，使用BatchNorm2d进行批归一化处理，使用ReLU激活函数引入非线性变换，使用交叉熵损失函数评价样本拟合度，使用 RMSprop算法对训练过程进行优化，学习率设置为0.01。

C3：利用验证集验证该卷积神经网络。将验证集作为C1所述卷积神经网络的输入，对其分类效果进行验证。

D：测试卷积神经网络并进行无线电信号调制方式识别。

所述步骤D具体包含以下步骤：

D1：利用测试集测试该卷积神经网络。选取训练准确率和验证准确率较高的网络用于测试集，对网络的分类效果进行测试。

D2：进行无线电信号调制方式识别。将未知调制方式的无线电信号的柯西Score极坐标图特征作为C1所述卷积神经网络的输入，获得无线电信号调制方式的预测结果，基于该结果绘制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实际的调试方式，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。对比方法采用传统星座图和极坐标图作为特征。