一种基于循环二维谱图去模糊的深度学习调制识别方法

技术领域

本发明涉及通信与信息技术领域，特别是涉及一种基于循环二维谱图去模糊的深度学习调制识别方法。

背景技术

随着信息技术的发展，各种通信方式和通信技术不断更新，为了更好的利用信道资源，满足用户不同的需求，通信信号采用不同的调制方式。调制识别是介于信号检测与信号解调之间的一项技术，主要任务是识别出截获信号所使用的调制方式。

信号调制识别本质上是一个模式识别问题，主要包含了4个部分：信息获取，预处理，特征提取，分类器设计。信号的输入可以是中频信号，经过载波参数估计后进行正交下变频的复基带信号，或者是进行同步采样后的码元同步复信号；预处理主要包括一些滤波，放大等信号处理手段；特征提取可分为：频谱特征，瞬时特征(瞬时幅度，瞬时相位，瞬时频率)的统计量，瞬时特征直方图，高阶累积量等方法；分类器有最大似然分类器，基于门限判决的树型分类器，神经网络分类器等。然而这些特征提取方法存在一些劣势，如人工特征设计的复杂性，在低信噪比下的识别率性能下降，使其难以适应复杂的场景和需求。

随着深度学习的发展，凭借着神经网络强大的特征提取能力，越来越多调制识别任务采用端到端深度学习网络架构。常见的应用于调制识别任务中网络主要是CNN和LSTM两类，以及CNN和LSTM的级联组合，综合国内外的各种文献来看，基于深度学习的信号调制识别方法要优于基于手工设计特征和分类器的传统方法，在10dB以上信噪比识别率能达到90％以上，0dB以上信噪比条件下能达到80％，但是信噪比0dB以下识别率一般不到50％。为了解决低信噪比识别率低的问题，一些抗噪性能比较好的信号处理手段比如循环谱被引入，但是一些高阶调制信号的循环谱是类似，由此带来了高信噪比下由于混淆问题导致识别率下降问题。

发明内容

本发明提供一种基于循环二维谱图去模糊的深度学习调制识别方法，解决循环谱在调制识别中的模糊问题。

本发明解决其技术问题所采用的技术方案是：提供一种基于循环二维谱图去模糊的深度学习调制识别方法，包括以下步骤：

制作易混淆信号的循环二维谱图的模板，并得到的模板保存至模板库；

接收待识别信号，并将待识别信号转换为循环二维谱图；

将待识别信号的循环二维谱图与模板库中的模板进行匹配；

若匹配成功则使用第一识别模型对所述待识别信号的循环二维谱图进行识别，其中，所述第一识别模型是采用易混淆信号的样本数据训练得到的；

若匹配失败则使用第二识别模型对所述待识别信号的循环二维谱图进行识别，其中，所述第二识别模型是采用不易混淆信号的样本数据训练得到的。

所述制作易混淆信号的循环二维谱图的模板，具体包括：

获取每种调制样式信号在预设信噪比下的多张循环二维谱图；

将同一调制样式信号在预设信噪比下的多张循环二维谱图进行像素点加权平均，得到模板。

所述将待识别信号转换为循环二维谱图，具体包括：

对所述待识别信号进行处理得到三维循环谱密度图；

通过俯视投影将所述三维循环谱密度图投影成二维图像，得到循环二维谱图。

所述对所述待识别信号进行处理得到三维循环谱密度图，具体包括：

将所述待识别信号的自相关函数展开为傅里叶级数，得到循环自相关；

对循环自相关作傅里叶变换得到三维循环谱密度图。

所述将待识别信号的循环二维谱图与模板库中的模板进行匹配，具体为：计算所述待识别信号的循环二维谱图与模板库中每个模板的像素点的均方差，并通过设置的阈值判断所述待识别信号的循环二维谱图是否与所述模板库中的目标匹配。

所述第一识别模型基于MCLDNN网络构建而成。

所述第二识别模型基于CNN神经网络构建而成。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过提前制作了这些易混淆信号的循环谱图作为模板，然后当信号输入时，作出其循环谱图，与模板库进行匹配，如果匹配上，说明其属于易混淆的一类，将其分流出来通过专门的网络进行处理；反之，则通过传统的网络对循环谱图进行分类，通过上述方式解决了部分高阶调制信号循环谱图相似而造成识别性能下降问题，提升网络的整体识别性能。

附图说明

图1是本发明实施方式基于循环二维谱图去模糊的深度学习调制识别方法的流程图；

图2是本发明实施方式基于循环二维谱图去模糊的深度学习调制识别方法的原理图；

图3是本发明实施方式中四个易混淆信号的循环二维谱图的模板图；

图4是本发明实施方式中DSSS信号的三维循环谱密度图；

图5是本发明实施方式中DSSS信号的三维循环谱密度的二维投影图；

图6是13种调制样式信号与模板库中四种模板的相似度示意图；

图7是MCLDNN网络的结构示意图；

图8是CNN神经网络的结构示意图；

图9是不同算法识别率比较图；

图10是-20-18dB的混淆矩阵图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于循环二维谱图去模糊的深度学习调制识别方法，该方法通过提前制作了易混淆信号的循环谱图的模板，当信号输入时，作出其循环谱图，并与模板库中的模板进行匹配，如果匹配上，说明其属于易混淆的一类，将其分流出来通过专门的网络进行处理；反之，则通过传统的网络对循环谱图进行分类。如图1和图2所示，包括以下步骤：

步骤1，制作易混淆信号的循环二维谱图的模板，并得到的模板保存至模板库。

本实施方式中易混淆信号的循环二维谱图包括包含了四种，分别为QPSK的循环谱二维灰度图，8PSK的循环谱二维灰度图，16QAM的循环谱二维灰度图和64QAM的循环谱二维灰度图。本步骤在制作易混淆信号的循环二维谱图的模板时，具体包括：

获取每种调制样式信号在预设信噪比下的多张循环二维谱图，即获取QPSK调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图，获取8PSK调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图，获取16QAM调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图，获取64QAM调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图；

将同一调制样式信号在预设信噪比下的多张循环二维谱图进行像素点加权平均，得到模板，即将QPSK调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图进行像素点加权平均，得到QPSK调制样式信号的循环二维谱图的模板；将8PSK调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图进行像素点加权平均，得到8PSK调制样式信号的循环二维谱图的模板；将16QAM调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图进行像素点加权平均，得到16QAM调制样式信号的循环二维谱图的模板；将64QAM调制样式信号在信噪比(0：2：18dB)下的100张循环二维谱图进行像素点加权平均，得到64QAM调制样式信号的循环二维谱图的模板，如此便可得到四种调制样式信号的循环二维谱图的模板(见图3)。

步骤2，接收待识别信号，并将待识别信号转换为循环二维谱图。

本步骤中的待识别信号可以是经天线接收且通过射频前端下变频到一个固定频点的中频信号。将待识别信号转换为循环二维谱图时，具体包括：对所述待识别信号进行处理得到三维循环谱密度图；通过俯视投影将所述三维循环谱密度图投影成二维图像，得到循环二维谱图。

由于通信信号循环平稳特性，因此待识别信号的自相关函数具有周期性，由于周期函数可展开为傅里叶级数，因此可以得到

以直接序列扩频(DSSS)信号为例，其循环谱密度

步骤3，将待识别信号的循环二维谱图与模板库中的模板进行匹配，具体匹配过程如下：计算所述待识别信号的循环二维谱图与模板库中每个模板的像素点的均方差，并通过设置的阈值判断所述待识别信号的循环二维谱图是否与所述模板库中的目标匹配。也就是说，本实施方式将待识别信号的循环二维谱图与模板库中每个模板的像素点的均方差作为相似度，图6给出了13中调制样式信号与模板库中四种模板的相似度，基于此图，将阈值设为2.5，当相似度小于2.5，则表明该待识别信号属于模板库中的一种，反之，该待识别信号则不属于模板库中的任意一种。

步骤4，若匹配成功则使用第一识别模型对所述待识别信号的循环二维谱图进行识别。也就是说，当相似度小于2.5时，将所述待识别信号的循环二维谱图输入至第一识别模型，从而实现对待识别信号的识别。

本步骤中的第一识别模型基于MCLDNN网络构建而成，MCLDNN网络被训练成专门用来区分四种易混淆信号(QPSK、8PSK、16QAM、64QAM)的识别模型，其网络结构如图7所示。MCLDNN网络将CNN、LSTM和全连接(Fully Connected，FC)深度神经网络集成在统一的结构中，利用它们的互补性和协同性进行时空特征提取和分类。

步骤5，若匹配失败则使用第二识别模型对所述待识别信号的循环二维谱图进行识别。也就是说，当相似度大于或等于2.5时，将所述待识别信号的循环二维谱图输入至第二识别模型，从而实现对待识别信号的识别。

本步骤中的第二识别模型基于CNN神经网络构建而成，该CNN神经网络被训练成专门用来区分不易混淆信号的识别模型，其网络结构如图8所示，主要完成对循环谱的二维谱图进行特征提取和分类。

本实施方式还进行了对比实验，对比实验的数据集具体的参数设置如下表1所示。数据集以2：1：1的比例划分为训练集，验证集，测试集，初始学习率设置为0.00001，梯度下降算法选择Adam。

表1数据集参数设置

为证明本实施方式的方法(Template_CNN_MCLDNN)相比其他算法的优势，选择了几个比较算法，分别是CNN_IQ，LSTM_AmpPhase，MCLDNN，所有实验均在相同的硬件和软件平台上运行(基于keras深度学习框架的RTX3060平台)。实验结果如图9所示。可以发现，高信噪比4dB以上，本实施方式的方法的识别率基本是最高的，同时在低信噪比-5dB以下，本实施方式的方法的识别率也领先其他算法。信噪比-20到18dB范围内总的混淆矩阵如图10所示。不难发现，本实施方式的方法解决了部分高阶调制信号循环谱图相似而造成识别性能下降问题，提升网络的整体识别性能。