[发明专利]基于数据增强和卷积神经网络的信号调制识别算法

说明书

为了提高调制识别的正确率，本发明提出基于数据增强和卷积神经网络的信号调制识别算法。本发明首先把数据集RML2016.10a里的时域信号处理成星座图，并把图片按8:2的比例分为训练集和测试集；其次对训练集分别使用旋转、随机擦除、翻转、CutMix 4种数据增强方法进行处理，得到4种增强后的训练集；然后把4种增强后的训练集分别输入到GoogleNet网络中进行训练，根据反向传播不断优化网络参数，得到训练好的网络。最后把测试集送进训练好的GoogleNet网络中进行测试，绘制出正确率随信噪比变化的曲线，对比不同数据增强方法对正确识别率的改善效果，得到最优的数据增强方法。相比于其他没有进行数据增强的调制识别算法，本发明减小了模型过拟合的风险，提高了模型的泛化能力。

技术领域

本发明涉及的卷积神经网络相关算法属于计算机视觉和人工智能领域，数据增强属于图像处理领域，信号调制识别属于通信技术领域。

背景技术

自动调制分类(Automatic Modulation Classification，AMC)是指已知信号所在调制集合，利用信息技术与计算机技术，对己调制的目标信号进行分析从而确定信号调制类型的过程，其在军事领域和民用领域都有着相当广泛的应用。在军事领域，自动调制分类可以应用于通信对抗和电子侦察等应用，在通信对抗时需要对敌方信号进行检测、干扰和解调以窃取敌方重要情报。在民用领域，自动调制识别技术可以应用于异常信号识别、频谱资源监测与管理等任务，以保障通讯的合法性。

传统的调制识别技术可大致分为两类：基于假设检验的最大似然比识别方法和基于特征提取的模式识别方法。前者首先针对不同调制方式做出不同假设，然后在不同假设下对信号进行似然函数处理，并比较不同假设下的似然比，选取其中最大值作为最终判别结果。后者是通过从待识别信号中提取适当的特征，并根据这些特征的具体数值识别信号调制类型，其主要包括特征提取和识别分类两个步骤。传统方法中，基于假设检验的最大似然比识别方法在理论上可获得最优效果，但是存在计算复杂度高、识别信号数量较少、以及过于依赖先验知识等不足之处；基于特征提取的模式识别方法虽然有较大的优势，但是无法直接处理原始数据，需要大量的专业知识和工程技术来手动设计特征，且当信道环境不理想时，模糊的特征会导致判决结果不理想。近年来，随着无线通信技术的快速发展，无线通信环境愈加恶劣，信号的调制方式越来越复杂化和多样化，这些因素给自动调制识别带来了前所未有的难度和挑战，传统的调制识别方法的分类精度与鲁棒性到了瓶颈期，因此，研究更多更优的自动调制识别方法具有至关重要的意义。

近年来，大数据的兴起和高性能计算设备的迅速普及促进了深度学习(DeepLearning，DL)的空前发展，并在机器视觉、自然语言处理、经济学等领域取得巨大突破。DL的思想来自于大脑深层组织结构和生物神经元数学模型，旨在从数据中自主地学习不同层次的特征，从原始输入中提取低级特征，并基于前一级别特征表示提取更高级别的特征。言外之意，它可以自动识别不同模式而不需要人工构造特征，也称数据驱动特征提取。因此，部分研究人员将其引入调制识别领域中。卷积神经网络(Convolutional Neural Network，CNN)作为深度学习方法的重要模型之一，在调制信号识别领域内也开始逐渐兴起，并取得了一定的成效。Wang z等人利用信号星座图及一个5层的CNN实现了QPSK、8PSK、16QAM和64QAM的识别。Peng S等人将调制信号的星座图输入CNN的经典模型AlexNet中进行训练，实现了QPSK、8PSK、16QAM和64QAM的分类。刘明骞等人通过提取MPSK信号循环谱的等高图获得二维特征信息，利用卷积神经网络对二维特征进行训练，实现了BPSK、QPSK、8PSK的分类。Hauser S C等人提出了一种分层深度神经网络，利用IQ数据经过FFT变换得到信号时频图，实现了11类信号的分类，最终达到90％的总准确率，但该网络对QPSK、8PSK的识别效果均低于70％。