一种复合调制识别系统及方法

技术领域

本发明涉及调制识别技术领域，具体是一种复合调制识别系统及方法。

背景技术

复合调制是将常规已调制信号再进行PM/FM/AM等模拟调制，实现在数字调制的基础上进行模拟调制信号的传输，同时具备模拟调制设备复杂度低和数字调制保密性强的特点，因此其在遥控遥测系统中广泛使用，在卫星通信、广播系统中的应用也日益增长。在非合作通信环境中，调制方式作为信号的关键特征，信号调制方式的自动识别至关重要。调制识别是通信侦察、电子对抗、无线电侦听与拦截等应用的基础和前提。传统通信领域已有相对成熟的通信信号识别理论和方法，而复合调制识别是自动调制信号识别的拓展。随着复合调制信号应用领域不断扩展，调制技术不断升级，对该类信号的自动调制识别成为非合作通信领域中亟需解决的问题。

目前，对复合调制的识别，主要采取提取内部调制特征等参数后通过决策树算法实现对复合调制信号的识别。该类算法需首先提取信号外部调制特征，判断外部调制类型，然后采用盲解调算法，对信号载频等参数进行估计，通过所估计的参数实现解调并获取内部调制信号后，再提取内部调制特征，判别内部调制特征。不仅算法流程复杂，而且当内部调制信号提取不佳时，识别性能急剧下降。

发明内容

为克服现有技术的不足，本发明提供了一种复合调制识别系统及方法，解决现有技术存在的算法流程复杂、性能稳定性低、低信噪比下识别率低等问题。

本发明解决上述问题所采用的技术方案是：

一种复合调制识别系统，包括依次连接的射频接收通道、模数转换模块、正交下变频模块、调制识别模块；

其中，

接收通道用于：接收外界射频信号，经变频处理得到中频信号；

模数转换模块用于：对中频信号进行采样，得到中频数字信号；

正交数字下边频模块用于：将中频数字信号变换为零中频信号，得到基带信号I、基带信号Q；其中，I表示同相分量，Q表示正交分量，I与Q同相且正交；

调制识别模块用于：对基带信号I、基带信号Q的调制制式进行自动识别。

作为一种优选的技术方案，调制识别模块包括：相位计算子模块、卷积神经网络，相位计算子模块、卷积神经网络依次连接；其中，相位计算子模块用于计算接收到的信号的瞬时相位，卷积神经网络用于对输入的瞬时相位进行识别并输出调制制式识别结果。

作为一种优选的技术方案，瞬时相位通过下式进行计算：

其中，k表示接收时间序列中的离散时间点序号，k为正整数且k的范围是[1,N],N为总点数，

作为一种优选的技术方案，卷积神经网络包括依次连接的输入层、N层串联的卷积块、平坦层、第一全连接层、激活层、第二全连接层、归一化指数函数层、分类输出层；其中，N为正整数且N≥2。

作为一种优选的技术方案，每个卷积块包括串联的卷积层、激活层、池化层，卷积层包括多个卷积核，激活层采用RELU函数，池化层采取的策略为最大池化或平均池化。

作为一种优选的技术方案，卷积层为1×7空间滤波器或1×3空间滤波器，卷积块中的激活层采用线性整流函数。

作为一种优选的技术方案，N＝4。

作为一种优选的技术方案，正交数字下边频模块包括正交下变频模块包括数字控制振荡器、90°相移器、第一乘法器、第二乘法器、第一低通滤波器、第二低通滤波器，模数转换模块的输出端与第一乘法器、第二乘法器分别连接；

其中，

数字控制振荡器、90°相移器、第一乘法器、第一低通滤波器、相位计算子模块依次连接，第一低通滤波器输出基带信号I；

数字控制振荡器、第二乘法器、第二低通滤波器、相位计算子模块依次连接，第二低通滤波器输出基带信号Q。

作为一种优选的技术方案，外界射频信号包括但不限于以下调制信号：FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK。

一种复合调制识别方法，基于所述的一种复合调制识别系统，包括以下步骤：

S1，接收通道接收外界射频信号，经变频处理得到中频信号；

S2，模数转换模块对中频信号进行采样，得到中频数字信号；

S3，正交数字下边频模块将中频数字信号变换为零中频信号，得到基带信号I、基带信号Q；

S4，相位计算子模块通过基带信号I、基带信号Q计算出接收到的信号的瞬时相位；

S5，将瞬时相位输入已训练好的卷积神经网络；

S6，卷积神经网络输出调制制式识别结果。

本发明相比于现有技术，具有以下有益效果：

(1)算法流程简单：本发明采用深度学习算法，在获取I、Q信号后，无需对信号进行参数估计和解调，无需提取内部调制信号；本发明通过卷积神经网络自动计算信号特征，实现复合调制信号的识别；

(2)识别性能稳定：传统技术中，由于需要提取出内调制信号才能实现，当内调制信号提取不佳、信噪比损失严重时，性能迅速下降；本发明避免了内调制信号提取和信噪比损失，从而提高了识别算法的稳定度。

(3)低信噪比下识别率高：在对常规调制信号或复合调制信号的深度学习算法中，常采用I、Q信号组成一个2×N的向量作为神经网络的输入；本发明通过I、Q信号计算信号的瞬时相位，瞬时相位组成1×N的向量作为神经网络的唯一输入，实现在低信噪比下获得更高的识别率。

附图说明

图1是本发明所述的一种复合调制识别系统的结构框图。

图2是本发明的卷积神经网络正向网络示意图。

图3是调频指数为1、输入为基带信号I和基带信号、Q时的识别性能图。

图4是调频指数为1、输入为相位时的识别性能图。

图5是当输入为相位时，不同调频指数情景下的识别性能图。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1至图5所示，本发明涉及无线通信和自动调制识别，提供一种用于无线通信系统中非合作接收环境下的基于深度学习的复合调制识别系统及方法。

本发明的目的是针对传统的复合调制识别方法算法流程复杂、识别性能不稳定、信噪比要求高的情况，提出了一种复合调制识别系统及方法，本发明具有算法流程简单、识别性能稳定、低信噪比下识别率高等优点。

一种复合调制识别系统包含以下模块：射频接收通道、模数转换模块(AD)、正交下变频模块和调制识别模块。其中，射频接收通道将外界收到的射频信号转换为中频信号；AD模块实现模数转换，得到数字中频信号；正交下变频模块完成数字中频信号的去载波过程，提取出信号的同相部分和正交部分,正交下变频模块包括NCO(Numerically ControlledOscillator，数字控制振荡器)、90°相移器、第一乘法器、第二乘法器、第一低通滤波器、第二低通滤波器；低通滤波模块滤除I((In-phase,同相分量)、Q(Quadrature，正交分量)两路信号中的倍频项，得到数字基带信号I、Q；调制识别模块对信号的调制制式进行自动识别。

本发明适用于非合作接收环境下的FM类复合调制识别，包含但不限于FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK。

本发明相比于现有技术具有如下有益效果：

(1)算法流程简单：本发明采用深度学习算法，在获取I、Q信号后，无需对信号进行参数估计和解调，无需提取内部调制信号；本发明通过卷积神经网络自动计算信号特征，实现复合调制信号的识别；

(2)识别性能稳定：传统技术中，由于需要提取出内调制信号才能实现，当内调制信号提取不佳、信噪比损失严重时，性能迅速下降；本发明避免了内调制信号提取和信噪比损失，从而提高了识别算法的稳定度。

(3)低信噪比下识别率高：在对常规调制信号或复合调制信号的深度学习算法中，常采用I、Q信号组成一个2×N的向量作为神经网络的输入；本发明通过I、Q信号计算信号的瞬时相位，瞬时相位组成1×N的向量作为神经网络的唯一输入，实现在低信噪比下获得更高的识别率。

实施例2

如图1至图5所示，作为实施例1的进一步优化，在实施例1的基础上，本实施例还包括以下技术特征：

参阅图1。一种复合调制识别方法，包括以下步骤：

(1)外界射频(RF)信号通过天线进入接收通道，在接收通道中经变频处理得到中频(IF)信号；

(2)AD模块对IF信号进行采样，得到中频数字信号；

(3)正交数字下边频模块对A/D采样后的中频数字信号与NCO产生的两路同相正交的载波进行混频，送入低通滤波器中；

(4)低通滤波器模块对混频后的信号进行滤波，滤除信号中的高频分量，得到同相正交基带信号I、Q；

(5)通过I、Q信号计算出瞬时相位：

(6)将瞬时相位输入已训练好的卷积神经网络；

(7)调制制式识别结果输出。

参阅图1。在可选的实施例中，通过图1非合作接收系统对FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK四种调制方式不同调频指数下各采集10000个相位样本并进行信号标注，相位通过下式进行计算：

参阅图2。在可选的实施例中，将所采集的样本数据作为输入对图2所设计的卷积神经网络进行训练。该神经网络包括4个卷积层、2个全连接层、1个softmax层。在第一层卷积层中，包含256个1×7空间滤波器，Relu激活层，及1×4最大池化层；第二个卷积层包含128个1×7空间滤波器，Relu激活层，及1×4最大池化层；第三个卷积层包含96个1×3空间滤波器，Relu激活层，及1×4最大池化层；第四个卷积层包含16个1×7空间滤波器，Relu激活层，及1×4平均池化层；第一个全连接层包含16个神经元；第二个全连接层包含4个神经元。

网络训练结束后，保存训练好的网络及网络参数，封装为调制识别模块，对实时输入的信号进行识别。

参阅图3、图4。在可选的实施例中，通过图1非合作接收系统对FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK四种调制方式(调频指数＝1)下各采集2400个I和2400个Q信号样本进行测试验证；其中，/表示混合，先进行/之后的调制方式，再进行/之前的FM调制。如图3所示，当信噪比≥10dB时，FM/2FSK、FM/BPSK、FM/QPSK的调制识别率大于90％，但FM/8PSK的识别率未能高于90％；如图4所示，当信噪比≥5dB时，FM/2FSK、FM/BPSK、FM/QPSK的调制识别率大于90％，当信噪比≥10dB时，FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK的识别率均高于95％。可见，本发明的方法性能优于传统神经网络。

参阅图5。在可选的实施例中，通过图1非合作接收系统对FM/2FSK、FM/BPSK、FM/QPSK、FM/8PSK四种调制方式不同调频指数下各采集2400个相位样本进行测试验证。可见，当信噪比≥5dB、调频指数≥1.5时，整体识别率≥90％；当信噪比≥10dB，调频指数≥0.5时，整体识别率≥85％，调频指数≥1时，整体识别率大于90％。可见，本发明的方法适应于各种调频指数下的复合调制信号识别。

如上所述，可较好地实现本发明。

本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。