一种结合神经网络实现2ASK信号及AM信号调制识别的方法专利检索-信噪比信号处理专利检索查询-专利查询网

一种结合神经网络实现2ASK 信号及AM信号调制识别的方法

阅读：907发布：2020-05-08

专利汇可以提供一种结合神经网络实现2ASK 信号及AM信号调制识别的方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种结合神经网络实现2ASK 信号及AM信号调制识别的方法，包括：将调制信号进行IQ解调，得到I路和Q路的离散数据序列；对I路和Q路组成的复数IQ序列归一化处理；对复数平面上时间连续的IQ坐标点进行聚类；对坐标平面上的IQ点进行旋转，利用每个点团聚类相对实轴正半轴的偏移角度对该点团聚类附近的所有IQ点进行旋转搬移，抵消频偏；将旋转后的IQ点转换成信号密度图；创建卷积神经网络模型作为信号分类识别模型，对AM信号和2ASK信号的密度图进行分类和识别。本发明可有效地在低信噪比，接收信号存在频偏、信号不完整等非理想情况下，完成对2ASK信号及AM信号调制方式的识别。，下面是一种结合神经网络实现2ASK 信号及AM信号调制识别的方法专利的具体信息内容。

权利要求

1.一种结合神经网络实现2ASK 信号及AM信号调制识别的方法，其特征在于，包括：
步骤S100：将接收机接收的调制信号进行IQ解调，分别得到I路和Q路的离散数据序列；
步骤S200：对I路和Q路组成的复数IQ序列进行归一化处理；
步骤S300：对复数平面上时间连续的IQ坐标点进行聚类，所述聚类的结果包括点团聚类；
步骤S400：对坐标平面上的IQ点进行旋转，利用每个点团聚类相对实轴正半轴的偏移角度对该点团聚类附近的所有IQ点进行旋转搬移，抵消频偏；
步骤S500：将旋转后的IQ点转换成信号密度图；
步骤S600：创建卷积神经网络模型作为信号分类识别模型，对AM信号和2ASK信号的密度图进行分类和识别，所述卷积神经网络模型是根据AM，2ASK信号密度图的纹理规律，人工生成的训练数据集进行训练得到。
2.根据权利要求1所述的一种结合神经网络实现2ASK信号及AM信号调制识别的方法，其特征在于，所述步骤S100具体为：
分别对接收到的信号乘以正弦函数和余弦函数，并分别进行积分操作，得到离散数据序列为：I1,Q1,I2,Q2,I3,Q3…In,Qn；n为序列的长度的一半。
3.根据权利要求2所述的一种结合神经网络实现2ASK信号及AM信号调制识别的方法，其特征在于，所述步骤S200具体为：
将得到的I1,Q1,I2,Q2,I3,Q3…In,Qn序列组合为长度为n的复数序列:I1+j*Q1,I2+j*Q2,I3+j*Q3…In+j*Qn，并采用最大值归一化或均值归一化进行处理，所述最大值归一化的公式为：
复数IQ序列中每一位复数÷序列中最大的复数模长；
所述均值归一化的公式为：
复数IQ序列中每一位复数÷序列平均复数模长。
4.根据权利要求1-3中任意一项所述的一种结合神经网络实现2ASK信号及AM信号调制识别的方法，其特征在于，所述步骤S300具体为：
对连续时间上相邻的若干个IQ点A，B、C、……、M，首先计算点A与坐标原点组成的向量接着计算点B与坐标原点组成的向量若两个向量的夹角小于阈值则将点A、B放入同一点团聚类；接下来继续计算点C与坐标原点组成的向量与向量的夹角，若依然小于阈值则将点C也放入同一点团聚类中，继续按同样方法寻找同一点团聚类的其他IQ点；直到查找到一个IQ点不满足阈值限定则该点团聚类寻找完毕；
继续以同样地方法寻找下一个点团聚类，直至计算完所有的IQ样本点并找出所有的点团聚类的IQ点放入同一点团聚类。
5.根据权利要求1-3中任意一项所述的一种结合神经网络实现2ASK信号及AM信号调制识别的方法，其特征在于，所述步骤S400具体为：对两个相邻点团聚类β与首先计算β点团聚类中所有IQ点的平均坐标位置，并计算该平均坐标位置与坐标原点所构成的向量与实轴正半轴的夹角Ω；然后将从点团聚类β中最后一个IQ点到点团聚类中最后一个IQ点之间的所有IQ点都顺时针旋转Ω角度；此时，这一段IQ点将被搬移到实轴正半轴附近；
对所有点团聚类及IQ点依次进行同样操作后，所有的IQ样本点都将被旋转搬移到坐标实轴正半轴上。

说明书全文

一种结合神经网络实现2ASK信号及AM信号调制识别的方法

技术领域

[0001] 本发明涉及无线电通信技术领域，具体的说，是一种结合神经网络实现2ASK信号及AM信号调制识别的方法。

背景技术

[0002] 通信信号调制方式的识别是信号处理研究的一个重要的课题,广泛应用于军用及民用领域。随着通信技术的飞速发展，通信信号的体制和调制样式变得更加复杂多样，信号环境日趋密集，使得常规的识别方法和理论很难适应实际需要，无法有效地对通信信号进行识别。目前识别AM、2ASK的常用算法有：

[0003] 1.基于信号瞬时幅度和判决门限等传统专家特征的决策识别；

[0004] 2.基于星群图/结合/盲均衡的矢量图等特征的识别；

[0005] 以上调制识别算法的缺点在于：

[0006] 1)对于使用信号幅度等传统特征的识别方式，没有考虑到真实环境下噪声影响变化等因素；

[0007] 2)对于基于星座图等的识别方式，频偏微量难以完全滤除，没有考虑到最终的累积频偏影响；

[0008] 同时，现有方法还未考虑到当码速率与采样率配比不合理时损失信号的情况，以及低信噪比下识别准确率的问题。

发明内容

[0009] 本发明的目的在于提供一种结合神经网络实现2ASK信号及AM信号调制识别的方法，用于解决现有技术中AM、2ASK识别中存在没有考虑幅值动态变化、累积频偏影响、码速率与采样率不匹配时的损失信号等因素，以及低信噪比下识别准确率低的问题。

[0010] 本发明通过下述技术方案解决上述问题：

[0011] 一种结合神经网络实现2ASK信号及AM信号调制识别的方法，包括：

[0012] 步骤S100：将接收机接收的调制信号进行IQ解调，分别得到I路和Q路的离散数据序列；

[0013] 步骤S200：对I路和Q路组成的复数IQ序列进行归一化处理；

[0014] 步骤S300：对复数平面上时间连续的IQ坐标点进行聚类，所述聚类的结果包括点团聚类；

[0015] 步骤S400：对坐标平面上的IQ点进行旋转，利用每个点团聚类相对实轴正半轴的偏移角度对该点团聚类附近的所有IQ点进行旋转搬移，抵消频偏；

[0016] 步骤S500：将旋转后的IQ点转换成信号密度图；将旋转后坐标平面上的IQ点投影为一张密度图，其中IQ点越密集的地方密度图颜色越深；

[0017] 步骤S600：创建卷积神经网络模型作为信号分类识别模型，对AM信号和2ASK信号的密度图进行分类和识别，所述卷积神经网络模型是根据AM，2ASK信号密度图的纹理规律，人工生成的训练数据集进行训练得到。人工生成的训练数据集可以通过随机改变IQ数据分布并加入高斯白噪声人工合成足够多的仿真训练密度图，供神经网络学习有效分布特征。

[0018] 进一步地，所述步骤S100具体为：

[0019] 分别对接收到的信号乘以正弦函数和余弦函数，并分别进行积分操作，得到离散数据序列为：I1,Q1,I2,Q2,I3,Q3…In,Qn；n为序列的长度的一半。

[0020] 进一步地，所述步骤S200具体为：

[0021] 将得到的I1,Q1,I2,Q2,I3,Q3…In,Qn序列组合为长度为n的复数序列:I1+j*Q1,I2+j*Q2,I3+j*Q3…In+j*Qn，并采用最大值归一化或均值归一化进行处理，所述最大值归一化的公式为：

[0022] 复数IQ序列中每一位复数÷序列中最大的复数模长；

[0023] 所述均值归一化的公式为：

[0024] 复数IQ序列中每一位复数÷序列平均复数模长。

[0025] 进一步地，所述步骤S300具体为：

[0026] 对连续时间上相邻的若干个IQ点A，B、C、……、M，首先计算点A与坐标原点组成的向量接着计算点B与坐标原点组成的向量若两个向量的夹角小于阈值则将点A、B放入同一点团聚类；接下来继续计算点C与坐标原点组成的向量与向量的夹角，若依然小于阈值则将点C也放入同一点团聚类中，继续按同样方法寻找同一点团聚类的其他IQ点；直到查找到一个IQ点不满足阈值限定则该点团聚类寻找完毕；

[0027] 继续以同样地方法寻找下一个点团聚类，直至计算完所有的IQ样本点并找出所有的点团聚类的IQ点放入同一点团聚类。

[0028] 进一步地，所述步骤S400具体为：对两个相邻点团聚类β与，首先计算β点团聚类中所有IQ点的平均坐标位置，并计算该平均坐标位置与坐标原点所构成的向量与实轴正半轴的夹角Ω；然后将从点团聚类β中最后一个IQ点到点团聚类中最后一个IQ点之间的所有IQ点都顺时针旋转Ω角度；此时，这一段IQ点将被搬移到实轴正半轴附近；

[0029] 对所有点团聚类及IQ点依次进行同样操作后，所有的IQ样本点都将被旋转搬移到坐标实轴正半轴上。

[0030] 优选地，步骤S600具体为：将密度分布平面大小为50*50(也可以为其他值)的散点图作为输入，第1层卷积使用3*3卷积核，16张特征图提取输入特征，输出经过ReLU激活后进行3*3的池化处理，第2层卷积使用3*3卷积核，16张特征图，输出经过ReLU激活后进行3*3的池化处理，第3层卷积使用3*3卷积核，32张特征图，输出经过ReLU激活后进行3*3的池化处理，经过3层卷积池化处理后的输出数据进一步经过Dropout层后，最终通过32个神经元的全连接层和2个神经元的Sigmoid层输出识别结果，Sigmoid层输出一个长度为2的向量，向量中每个元素表示输入被识别为该类的概率，假设本示例中输出向量为(0.1，0.9)，则样本被神经网络识别为第二类的概率最高，为90％，作为神经网络的识别结果。

[0031] 本发明与现有技术相比，具有以下优点及有益效果：

[0032] (1)本发明首先利用特征提取算法对信号进行预处理，并利用神经网络具有的高度非线性映射能力和强大的模式识别能力学习信号相关特征并对信号进行识别，并自动进行识别结果优化，由于基于有效数据累量的方法一定程度可抵抗噪声数据干扰，旋转搬移有效抵消了频偏，有效数据抓取聚类不受码速率采样率影响，本发明可有效地在低信噪比、接收信号存在频偏、信号不完整等非理想情况下，完成对2ASK信号及AM信号调制方式的识别。

[0033] (2)本发明基于神经网络图像识别的技术，识别AM、2ASK信号密度图这一全新特征进而实现的调制，实际复杂通信环境对信号造成的影响反映在信号密度图上将造成图像拉伸、位移、旋转、缩放等畸变，但其基本轮廓纹理等特征将被保留，基于神经网络的图像识别可以很好地学习这些基本纹理特征而不受上述畸变影响，可在低信噪比、欠采样和过采样等实际通信情况下，实现对AM、2ASK信号的调制识别。附图说明

[0034] 图1为本发明的流程图；

[0035] 图2为密度图示意图；

[0036] 图3卷积神经网络结构示意图。

具体实施方式

[0037] 下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

[0038] 实施例1：

[0039] 结合附图1所示，一种结合神经网络实现2ASK信号及AM信号调制识别的方法，具体包括：

[0040] 1.对接收机收到的调制信号进行IQ解调，分别得到I路和Q路的离散数据序列：具体地，分别对接收到的载波信号乘以正弦函数和余弦函数，并分别进行积分操作，本示例中为方便演示讲解，假设得到长度为2*n的IQ数据序列为I1,Q1,I2,Q2,I3,Q3…In,Qn；

[0041] 2.对I路和Q路组成的复数IQ序列进行归一化，具体地：

[0042] 将得到的I1,Q1,I2,Q2,I3,Q3…In,Qn序列组合为长度为n的复数序列：I1+j*Q1,I2+j*Q2,I3+j*Q3…In+j*Qn，并对序列中每一位复数进行模长归一化，其中归一化可使用最大值归一化对每一位复数进行归一化，最大值归一化公式为：

[0043] 序列中每一位复数÷序列中最大的复数模长或使用均值归一化对每一位复数进行归一，均值归一化公式为：

[0044] 序列中每一位复数÷序列平均复数模长

[0045] 以最大值归一化为例，首先寻找复数序列中模长最大的一个复数，设该复数为Ik+j*Qk，该复数的模长为Lk，归一化后的复数序列为：(I1+j*Q1)/Lk,(I2+j*Q2,)/Lk,(I3+j*Q3)/Lk…(In+j*Qn)/Lk。

[0046] 3.对复数平面上时间连续的IQ坐标点进行聚类

[0047] 对连续时间上相邻的三个IQ点A，B与C，首先计算点A与坐标原点组成的向量接着计算点B与坐标原点组成的向量若两个向量的夹角小于阈值则表明此两点足够靠近，在逻辑上是表征同一码元的“码原点”，遂将点A、B放入同一点团聚类；接下来继续计算点C与坐标原点组成的向量与向量的夹角，若依然小于阈值则将点C也放入同一点团聚类中；若不满足阈值限定则该点团聚类寻找完毕，开始以同样地方法寻找下一个点团聚类，以此类推直至计算完所有的IQ样本点并找出所有的点团聚类。

[0048] 4.依据聚类出的点团对坐标平面上的IQ点进行旋转，抵消频偏

[0049] 对两个相邻聚类点团β与首先计算β点团中所有IQ点的平均坐标位置，并计算该平均坐标与坐标原点所构成的向量与实轴正半轴的夹角Ω；然后将从点团β中最后一个IQ点到点团中最后一个IQ点之间的所有IQ点都顺时针旋转Ω角度；此时，这一段IQ点将被搬移到实轴正半轴附近；对所有点团及IQ点依次进行上述操作后，所有的IQ样本点都将被旋转搬移到坐标实轴正半轴上。

[0050] 5.通过旋转后的信号数据生成信号密度图

[0051] 将旋转后坐标平面上的IQ点投影为一张密度图，其中IQ点越密集的地方密度图颜色越深。AM信号的密度图上IQ点将呈带状分布，其反应了幅值区间连续变换的范围，如图2(b)所示；2ASK信号密度图上IQ点将出现明显的2聚类分布，其反应了两个离散幅值的聚类，如图2(a)所示；

[0052] 6.设计卷积神经网络(convolutional neural network)分类器模型，用于对2ASK，AM两种信号进行分类。

[0053] 具体地，如图3所示，将50*50的散点图作为输入，第1层卷积使用3*3卷积核，16张特征图提取输入特征，输出经过ReLU激活后进行3*3的池化处理，第2层卷积使用3*3卷积核，16张特征图，输出经过ReLU激活后进行3*3的池化处理，第3层卷积使用3*3卷积核，32张特征图，输出经过ReLU激活后进行3*3的池化处理，经过3层卷积池化处理后的输出数据进一步经过Dropout层后，最终通过32个神经元的全连接层和2个神经元的Sigmoid层输出识别结果，Sigmoid层输出一个长度为2的向量，向量中每个元素表示输入被识别为该类的概率，假设本示例中输出向量为(0.1，0.9)，则样本被神经网络识别为第二类的概率最高，为90％，作为神经网络的识别结果。

[0054] 尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

标题	发布/更新时间	阅读量
光信号的处理方法和装置	2020-05-08	748
一种基于可调狭缝的波长可调谐掺铒光纤锁模激光振荡器	2020-05-08	884
图像的质量评价方法、电子设备和计算机可读存储介质	2020-05-08	957
一种Gm-APD激光雷达最远探测距离的计算方法	2020-05-11	744
质谱检测乳制品中A1、A2型β酪蛋白的质谱模型及其构建方法	2020-05-11	296
一种基于干扰感知多图的V2V通信异质频谱分配方法	2020-05-08	574
一种基于FPGA的实时三维重建系统及其方法	2020-05-08	838
一种基于MDM-SDM的量子与经典融合通信系统及传输方法	2020-05-08	756
全波形反演中分时窗提取数据的方法及装置	2020-05-11	204
线路可移动监控方法及装置及计算机可读介质	2020-05-11	162

一种结合神经网络实现2ASK信号及AM信号调制识别的方法

一种结合神经网络实现2ASK信号及AM信号调制识别的方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：

一种结合神经网络实现2ASK 信号及AM信号调制识别的方法