一种基于卷积神经网络的多载波波形识别方法

技术领域

本发明涉及无线通信中的波形识别技术领域，具体地，涉及一种基于卷积神经网络的多载波波形识别方法。

背景技术

一直以来，OFDM技术被广泛应用于传统长期演进系统(Long Term Evolution，LTE)中，而5G的三大应用场景增强移动宽带(enhanced Mobile BroadBand，eMBB)、海量机器通信(massive Machine-Type-Communications，mMTC)、超高可靠低时延通信(ultra-Reliable Low-Latency Communications，uRLLC)对传输波形提出了更高的要求。近年来，为了满足通信系统更高的要求，多种新型多载波波形被提出，例如：W-OFDM、F-OFDM、FBMC、UFMC和GFDM等。然而，目前还没有一种多载波波形可以适用于所有的应用场景，因此多种多载波波形共存是未来通信场景中的必然趋势。因此，接收机需要对接收到的多载波波形进行检测和识别，根据识别结果对不同的多载波波形进行解调和进一步的分析和处理。

目前针对单载波信号及OFDM波形信号识别的研究较多，其中涉及的信号特征主要分为时域特征和变换域特征，主要可以分为以下几种：瞬时信息特征(如幅度、频率、相位等)、信号高阶累积量、时频分析(如小波变换、短时傅里叶变换、模糊函数等)、星座图特征、谱分析特征(如谱相关、高阶谱等)。然而，有关5G新型多载波波形的特征提取以及识别的相关研究较少。

授权公告日为2020-11-24的中国发明专利：一种基于反向传播神经网络的新型多载波识别方法中，首先会生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样；对采样得到的信号序列先后进行功率归一化处理和线性归一化处理；构建并训练反向传播神经网络；将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。其宣称通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号的识别；并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识别，提高识别网络的泛化能力。但现有技术仍有一定的局限性。

发明内容

针对现有技术的局限，本发明提出一种基于卷积神经网络的多载波波形识别方法，本发明采用的技术方案是：

一种基于卷积神经网络的多载波波形识别方法，包括以下步骤：

S1，获取待识别波形的接收信号；

S2，运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W-OFDM以及F-OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；

S3，对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、W-OFDM以及F-OFDM三种波形上的分类结果；

S4，对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。

相较于现有技术，本发明针对OFDM、W-OFDM、F-OFDM、UFMC、FBMC和GFDM六种新型多载波波形提出了一种基于CNN的多载波波形识别方案，运用卷积神经网络模型，同时结合FSST、DFT和小波变换提取波形的特征，从而进一步提高识别准确率，该方案在低信噪比时仍然具有较高的识别准确率

作为一种优选方案，在执行所述步骤S2之前，先对所述接收信号进行归一化处理。

作为一种优选方案，所述第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型分别由依序两层卷积层以及两层全连接层构成。

进一步的，第一层卷积层中采用了128个大小为1×3的滤波器，并以线性整流单元作为激活层。

进一步的，第二层卷积层中采用了64个大小为1×3的滤波器以及激活层ReLU。

进一步的，第一层全连接层具有128个神经元。

进一步的，第二层全连接层经由一个SoftMax输出。

本发明还包括以下内容：

一种基于卷积神经网络的多载波波形识别系统，其特征在于，包括信号接收模块、第一分类模块、第二分类模块以及第三分类模块；所述第一分类模块分别连接所述信号接收模块、第二分类模块以及第三分类模块；其中：

所述信号接收模块用于获取待识别波形的接收信号；

所述第一分类模块用于运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W-OFDM以及F-OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；

所述第二分类模块用于对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、W-OFDM以及F-OFDM三种波形上的分类结果；

所述第三分类模块用于对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。

一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前述的基于卷积神经网络的多载波波形识别方法的步骤。

一种通信设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的基于卷积神经网络的多载波波形识别方法的步骤。

附图说明

图1为OFDM调制框图；

图2为F-OFDM\UFMC调制框图；

图3为FBMC调制框图；

图4为GFDM调制框图；

图5为本发明实施例提供的一种基于卷积神经网络的多载波波形识别方法的步骤示意图；

图6为本发明实施例使用的CNN结构示意图；

图7为本发明实施例仿真实验中各个波形的识别准确率结果；

图8为本发明实施例仿真实验中波形的平均识别准确率结果；

图9为本发明实施例提供的一种基于卷积神经网络的多载波波形识别系统的示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。

为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例将从原理上对本实施例所采取的方案进行介绍，请参阅图1，OFDM的调制框图如图所示。OFDM是大多数多载波波形的基础，W-OFDM、F-OFDM、UFMC、FBMC和GFDM等多载波波形都是由OFDM发展而来。根据图1，N

其中，x

若x(k)为基带信号，则接收端的接收信号可以表示为

其中，l＝0，…，L

参考图2，F-OFDM的调制框图如图所示。为了减小OFDM较高的带外泄露，F-OFDM波形的每一个子频带都将通过一个带限滤波器。将F-OFDM符号的N

其中，s(m，r，q)为第r个子带上的第m个符号的第q个子载波上的传输数据。p

参考图3，FBMC的调制框图如图所示。为了进一步减小带外泄露，实现更高的频谱利用效率，FBMC在时域对K个连续多载波符号同时实施一个原型滤波器，这改善了其频率定位特性，但是在相邻的子载波之间引入了干扰。为了克服这个缺陷，FBMC运用了偏移的正交幅度调制(Offset Quadrature Amplitude Modulation，OQAM)技术，将OQAM符号的实部和虚部错开N

其中s

参考图2，UFMC的调制框图如图所示。为了避免符号之间的干扰，UFMC是针对每个子频带进行滤波，与F-OFDM不同的是，UFMC采用的是较短的原型滤波器。将UFMC波形的N

其中，s(m，r，q)表示第r个子频带上的第q个子载波上的第m个符号所传输的数据；p

参考图4，GFDM的调制框图如图所示。为了减小FBMC中的滤波器长度，GFDM将FBMC中的线性脉冲成形滤波器替换为循环脉冲成形滤波器，这样可以保证波形符号在滤波前后的长度保持不变。一个GFDM符号周期包含B个符号块，每个块由MN

其中，s(m,n,b)表示第b个块的第m个符号的第n个子载波上的传输数据。p

本实施例所要识别的六种波形中，OFDM、W-OFDM、F-OFDM三种波形较为相似，W-OFDM是在OFDM的基础上进行加窗操作得到的，F-OFDM是在OFDM的基础上对子载波进行滤波得到的。而FBMC、UFMC、GFDM三种波形相对来说较为复杂，波形特征也较为明显，比如相较于其他多载波波形而言，FBMC具有较小的频谱带外泄露，UFMC是针对子频带进行滤波，GFDM具有一定的循环特性。所以考虑先利用CNN对将六种波形进行二分类，一类为OFDM、W-OFDM、F-OFDM三种较为简单的波形，另一类为FBMC、UFMC、GFDM三种较为复杂的波形。再对这两类波形进行不同的处理和变换，对这两类波形分别进行三分类，从而对六种波形进行准确识别。

因此，请参考图5，一种基于卷积神经网络的多载波波形识别方法，包括以下步骤：

S1，获取待识别波形的接收信号；

S2，运用预设的第一卷积神经网络模型CNN#1对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W-OFDM以及F-OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；

S3，对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型CNN#2进行三分类，获得所述接收信号在OFDM、W-OFDM以及F-OFDM三种波形上的分类结果；

S4，对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型CNN#3进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。

相较于现有技术，本发明针对OFDM、W-OFDM、F-OFDM、UFMC、FBMC和GFDM六种新型多载波波形提出了一种基于CNN的多载波波形识别方案，运用卷积神经网络模型，同时结合FSST、DFT和小波变换提取波形的特征，从而进一步提高识别准确率，该方案在低信噪比时仍然具有较高的识别准确率。

作为一种优选实施例，在执行所述步骤S2之前，先对所述接收信号进行归一化处理。

具体的：令R(n)为多载波信号x(k)经过DFT变换之后所得模的平方，即

其中，n＝0，1，…，N

其中，ψ(p)为母小波，a和n分别为尺度和变换因子。由于识别方案的效果与母小波的种类选择无关，所以该方案选择复杂度较低的Haar小波作为母小波，即

对于第2类中的三种波形，对其进行FSST变换，提取其时频域中的特性，随后输入第三个CNN进行三分类，可以分别识别得到FBMC、UFMC和GFDM三种波形。多载波信号f(t)可以被分解为I个部分，即

其中，A

V

基于STFT的结果，FSST将STFT中的变量(η，t)转化为

其中，g(0)是滑动窗g(t)在t＝0时刻的值，δ(·)为狄拉克函数，

其中，操作符Re(·)的作用是取一个复数的实部。

作为一种优选实施例，请参阅图6，所述第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型分别由依序两层卷积层以及两层全连接层构成。

具体的，卷积层可以通过该层的神经元从输入数据中提取出相应的映射关系。CNN末端的全连接层则可以根据学习到的特征对其进行非线性组合，并输出相关的分类预测即分类结果。

本实施例所使用的三个CNN的结构和模型大致相同，区别在于输入数据和输出分类的不同。对于第一个CNN，输入数据为六种多载波分别进行归一化处理后的波形信号数据，输出为两个种类的波形。对于第二个CNN，输入数据为三种波形分别经过DFT和Haar小波变换之后的波形数据，输出为OFDM、W-OFDM、F-OFDM三种波形的分类结果。对于第三个CNN，输入数据为三种波形经过FSST变换之后的波形数据，输出为FBMC、UFMC、GFDM三种波形的分类结果。

进一步的，第一层卷积层中采用了128个大小为1×3的滤波器，并以线性整流单元作为激活层。

进一步的，第二层卷积层中采用了64个大小为1×3的滤波器以及激活层ReLU。

进一步的，第一层全连接层具有128个神经元。

进一步的，第二层全连接层经由一个SoftMax输出。

更具体的，请参考图7，为所提多载波波形识别方案的识别准确率和信噪比的关系图。由图可以看到，随着信噪比不断增大，六种多载波波形的识别准确率都会相应提高。GFDM、FBMC、UFMC这三种较为复杂的波形的识别准确率整体上均高于OFDM、W-OFDM和F-OFDM这三种较为简单的波形。本技术所提出的多载波波形识别方案的识别准确率要明显优于现有技术[S.Duan,K.Chen,X.Yu,and M.Qian,“Automatic multicarrier waveformclassification via PCA and convolutional neural networks,”IEEE Access,vol.6,pp.51 365–51 373,Sept.2018](图中标号为[12])和现有技术[K.Zerhouni,E.M.Amhoud,and M.Chafii,“Filtered multicarrier waveforms classification:A deep learning-based approach”,IEEE Access,vol.9,pp.69 426–69 438,May 2021](图中标号为[13])所提出的识别方法，尤其是在低信噪比的环境中。例如，当SNR＝-4dB时，本技术所提出的方案对于OFDM的识别准确率为0.88，而在上述两种现有技术中，OFDM的识别准确率仅为0.52和0.54。对于FBMC，当SNR＝-4dB时，本技术所提方案的识别准确率为0.94，而上述两种现有技术对于FBMC的准确率仅为0.68和0.78。同样地，当SNR＝-4dB时，本技术所提方案对于F-OFDM的识别准确率为0.93，高于其中一种现有技术中的0.78。

参考图8，为所提多载波波形识别方案的平均识别准确率和信噪比的关系图。由图可以看到，随着信噪比不断增大，六种多载波波形的平均识别准确率逐步提高。本技术所提方案的平均识别准确率要优于上述两种现有技术所提出的识别方法。例如，当SNR＝-4dB时，本技术所提方案的平均识别准确率为0.94，而此时上述两种现有技术所提识别方法的平均识别准确率为0.76和0.82。在本技术所提的识别方案中，平均识别准确率达到1时的SNR为0dB，而在上述两种现有技术中，识别准确率达到1所需的SNR分别为6dB和14dB。

本技术提出的设计方案结合DFT、Haar小波变换、FSST和CNN，可以较为准确地对OFDM、W-OFDM、F-OFDM、GFDM、FBMC和UFMC这六种新型多载波波形进行识别。首先利用一个4层的CNN将六种波形分为两类，一类为基于OFDM做简单加窗和滤波处理的波形，包括OFDM、W-OFDM和F-OFDM。另一类为较为复杂的波形，包括GFDM、FBMC和UFMC。对于第1类波形，对其进行DFT和Haar小波变换提取其边缘特征，再由4层CNN进行三分类，从而分别识别出OFDM、W-OFDM和F-OFDM这三种波形。对于第2类波形，对其进行FSST变换，再由4层CNN进行三分类，从而分别识别出GFDM、FBMC和UFMC这三种波形。仿真结果验证了该方案的有效性，且优于已有的多载波识别方案，具有较强的工程实施意义。

实施例2

请参阅图9，一种基于卷积神经网络的多载波波形识别系统，其特征在于，包括信号接收模块1、第一分类模块2、第二分类模块3以及第三分类模块4；所述第一分类模块2分别连接所述信号接收模块1、第二分类模块3以及第三分类模块4；其中：

所述信号接收模块1用于获取待识别波形的接收信号；

所述第一分类模块2用于运用预设的第一卷积神经网络模型对所述接收信号划按照第一类波形与第二类波形进行二分类；其中，所述第一类波形涵盖OFDM、W-OFDM以及F-OFDM三种波形；所述第二类波形涵盖FBMC、GFDM以及UFMC三种波形；

所述第二分类模块3用于对在所述步骤S2中划分为第一类波形的波形信号进行离散傅里叶变换以及Haar小波变换，输入预设的第二卷积神经网络模型进行三分类，获得所述接收信号在OFDM、W-OFDM以及F-OFDM三种波形上的分类结果；

所述第三分类模块4用于对在所述步骤S2中划分为第二类波形的波形信号进行傅里叶变换，输入预设的第三卷积神经网络模型进行三分类，获得所述接收信号在FBMC、GFDM以及UFMC三种波形上的分类结果。

实施例3

一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于卷积神经网络的多载波波形识别方法的步骤。

实施例4

一种通信设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于卷积神经网络的多载波波形识别方法的步骤。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。