基于U型卷积去噪自编码器的通信信号降噪方法

技术领域

本发明属于通信信号处理技术领域，具体涉及一种通信信号降噪方法，可用于减少通信信号识别过程中环境及噪声的影响，提高通信信号的可用性。

背景技术

通信信号识别伴随着传感器网络、移动通信技术的大幅度发展目前已经成为频谱管理、电子对抗、通信甄别等领域的重要环节。在通信信号的特征提取与识别方面，大多数常见算法主要着眼于专家特征的层面上，专家特征的提取对于信号传递环境要求严苛，要耗费大量人工分析时间，难以满足在复杂多变和多用户通信接入的环境下对传递的信号进行有效识别的需求。

深度学习能够自动从原始数据中提取有效的识别特征，且不需要提前预知信号的很多先验知识，通过表征学习的方式获取信号细微特征信息，可在一定程度上避免人工提取特征时耗时费力、鲁棒性差的缺点，实现对通信信号的有效智能识别。但由于电磁环境越来越复杂，通信系统受到的干扰也越来越严重，导致接收机所接收的通信信号存在大量噪声且信噪比较低。因而使用基于深度学习的通信信号识别方法对未进行降噪处理的通信信号识别准确率较低、模型适应性较差。为此探讨如何在复杂电磁环境中对低信噪比信号实现快捷有效的降噪处理对实现低信噪比下通信信号的智能识别具有重要的研究意义。

现有的通信信号降噪方法主要是基于传统信号处理的方法，如快速傅里叶变换去噪法、小波去噪法、基于奇异值分解、基于经验模态分解的去噪方法等。东北林业大学在申请号为CN202210395081.4[P]的专利文献中提出了一种公开的基于峰值包络谱的傅里叶分解信号降噪方法，其降噪后不会产生瞬时频率无物理意义的窄带分量，可以有效将信号信息丰富的频带与噪声频带分开，能够取得良好的降噪效果。

南京邮电大学在申请号为CN202011416034.0[P]的专利文献中提出了以一种基于改进EMD和MED的数据降噪方法，使用MED对原始信号进行降噪，增强了信号的冲击特性，使用改进的EMD分解和包络函数增强了信号的连续性。

上述基于传统方法的信号降噪方法存在以下两方的不足：

一是由于其只能处理单一类型噪声，因而在复杂环境下降噪效果较差，甚至会出现明显的失真，尤其是对于低信噪比信号的降噪能力较差。

二是由于其大量依赖专家知识和经验，导致信号降噪能力的适应性较差。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于U型卷积去噪自编码器的通信信号降噪方法，以减小信号降噪过程中产生的失真，提高复杂环境下低信噪比信号的降噪效果；降低对专家知识和经验的依赖，提升模型对不同噪声的降噪适应能力。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构建训练信号数据集：

获取n个原始通信信号样本数据，每个样本的尺寸为L*c，其中L为采样信号的长度，c表示采样信号的通道维数；

对这n个原始通信信号样本数据添加噪声获得其加噪后信号样本，构成训练信号数据集

(2)构建U型卷积去噪自编码器信号降噪模型：

(2a)建立由第一层卷积层→第一激活函数RELU→第二层卷积层→第二激活函数GLU级联组成的编码单元；

(2b)将4个编码单元依次级联，组成去噪自编码器信号降噪编码器；

(2c)建立由第1层卷积层→第1激活函数GLU→第2层卷积层→第2激活函数RELU组成的解码单元；

(2d)将4个解码单元依次级联，组成去噪自编码器信号降噪解码器；

(2e)将(2b)得到的去噪自编码器信号降噪编码器与(2d)得到的去噪自编码器信号降噪解码器进行级联，并将编码器的第一编码单元、第二编码单元、第三编码单元分别与解码器第二解码单元、第三解码单元、第四解码单元通过RELU激活函数连接，组成U型卷积去噪自编码器信号降噪模型；

(3)将训练信号数据集输入到U型卷积去噪自编码器信号降噪模型，利用反向传播算法对其训练，得到训练好的U型卷积去噪自编码器信号降噪模型；

(4)将待测试有噪声测试样本输入到训练好的U型卷积去噪自编码器信号降噪模型中进行测试推理，输出降噪后的信号样本。

本发明与现有技术相比，具有如下优点：

第一、本发明由于引入基于数据驱动的智能信号降噪模型，不依赖于传统信号特征，能够适应复杂环境下的信号及不同类型的信号降噪任务。

第二、本发明由于引入无监督学习的信号降噪模型，不使用先验降噪数据，能够减少对于专家知识和经验的依赖。

第三、本发明由于引入对比均方误差损失函数，将降噪后的信号与加噪前的信号进行对比，能够有效减少信号降噪后的失真。

附图说明

图1是本发明实现流程图；

图2是本发明实施例采用的U型卷积去噪自编码器信号降噪模型的结构图；

图3是本发明中U型卷积去噪自编码器信号降噪模型编码器编码单元；

图4是本发明中U型卷积去噪自编码器信号降噪模型解码器解码单元。

具体实施方式

本实例设计了一个U型卷积去噪自编码器信号降噪模型，从原始信号中直接提取高质量特征实现信号的智能降噪，以有效的提升智能信号识别模型对于低信噪比信号识别的准确率。

下面结合附图对本发明的实施例作进一步详细说明。

参照图1，本实例的实现步骤如下：

步骤1，构建训练信号数据集：

获取n个原始通信信号样本数据，每个样本的尺寸为L*c，其中L为采样信号的长度，c表示采样信号的通道维数；

对这n个原始通信信号样本数据添加噪声获得其加噪后信号样本，构成训练信号数据集

步骤2，构建U型卷积去噪自编码器信号降噪模型。

参照图2，U型卷积去噪自编码器信号降噪模型由编码器和解码器两部分构成，其中编码器由四个结构相同的编码单元组成，解码器由四个结构相同的解码单元组成，其构建如下：

(2.1)建立编码器的编码单元：

参照图3，编码单元包括两个卷积层和两个激活函数，其结构关系和参数如下：

结构：第一层卷积层→第一激活函数ReLU→第二层卷积层→第二激活函数GLU。

参数：第一层卷积层为C

第二层卷积层为C

其中，1≤i≤4，H＝48,i表示当前编码单元的序号，H表示初始隐藏通道数；

第一个激活函数RELU，公式表示如下：

第二个激活函数GLU，公式表示如下：

其中，x为网络的中间向量，w、b、v、c为分别为四个不同的待学习参数。

(2.2)将4个编码单元按顺序级联，构成编码器，编码单元序号i分别为1、2、3、4，编码单元1的输入为输入样本

(2.3)建立解码器的解码单元：

参照图4，解码单元包括两个卷积层和两个个激活函数，其结构关系及参数如下：

结构：第1层卷积层→第1激活函数GLU→第2层卷积层→第2激活函数RELU；

参数：第1层卷积层为具有C

第2层卷积层为具有输出通道C

其中1≤i≤4，H＝48,i表示当前解码单元的序号，H表示初始隐藏通道数；

第1个激活函数GLU，公式如下：

其中，x为网络的中间向量，w、b、v、c为分别为四个不同的待学习参数。

第2个激活函数RELU，公式如下：

/>

(2.4)将4个编码单元按顺序级联，构成解码器，该解码单元序号i分别为1、2、3、4,解码单元1的输入为输入样本

(2.5)将(2.2)得到的编码器与(2.4)得到解码器进行级联，并将编码器的第一编码单元、第二编码单元、第三编码单元分别与解码器第2解码单元、第3解码单元、第4解码单元连接，组成U型卷积去噪自编码器信号降噪模型。

步骤3，利用反向传播算法对U型卷积去噪自编码器信号降噪模型使用训练信号数据集进行训练：

(3.1)将训练信号数据集随机打乱顺序输入U型卷积去噪自编码器信号降噪模型；

(3.2)设定模型训练的优化器为Adam，学习率为0.001，最大迭代数T＝50。

(3.3)模型损失函数采用均方误差损失，计算公式为：

其中，f(·)表示卷积去噪自编码器信号降噪模型的编码器函数，g(·)代表卷积去噪自编码器信号降噪模型的解码器函数，n为原始通信信号样本个数；

(3.4)计算模型的损失函数值，采用(3.2)设定的优化器对模型的权重进行更新；

(3.5)判断当前训练代数t是否达到最大迭代次数T，若t≤T,返回(3d)继续迭代，否则，结束迭代，获得训练好的U型卷积去噪自编码器信号降噪模型；

步骤4，对待测试数据进行降噪：

将待测试有噪声测试样本送入到训练好的U型卷积去噪自编码器信号降噪模型中进行测试推理，输出降噪后的信号样本。

下面结合仿真实验，对本发明的技术效果作进一步说明。

1、仿真条件

仿真的硬件平台为：处理器Intel i9-10900K，内存为64GB，显卡为NVIDIAGTXbaidu3090。操作系统为ubuntu 18.04。软件平台为python 3.8.11和torch 1.10.0。

2.仿真参数：

采用的数据集是五类通信调制信号，调制方式为8PSK、QPSK、BPSK、QAM16、PAM4。信号码元速率为1000B，采样率为Fs＝4.8e4，载波频率为6000Hz，设置五种信噪比范围，分别为0db、-2db、-4db、-6db、-8db。

每种信噪比下各生成5*10000个无噪信号和对应加噪信号的样本对，作为深度降噪模型的数据集，样本采样点为1024，数据集的样本总数为5*10000*5共25万，其中5为类别数，10000为每类样本数，5为五种信噪比。

3.仿真内容：

在上述仿真参数下，对本发明中的数据集按照6：2：2的比例划分为模型的训练集、验证集和测试集，使用训练集对U型卷积去噪自编码器信号降噪模型进行训练识别，使用验证集验证模型的有效性，最后使用测试集测试模型的效果，比较降噪前后信号的整体识别正确率acc，即识别正确的测试样本个数与测试样本的样本总数之比，结果如表1所示。

表1

从表1中可以看出，降噪后的五种典型信号在大部分信噪比下的识别正确率以及五个信噪比整体平均识别正确率均优于未降噪信号的识别正确率结果，说明通过本发明降噪模型的设计对待识别的信号数据进行降噪学习可以提升信号的质量，提升后续信号识别模型的分类性能。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围内。