[发明专利]基于深度学习的调制信号识别方法及系统

权利要求书

1.一种基于深度学习的调制信号识别方法，其特征在于，包括以下步骤：

S1：生成不同种类含噪声的调制信号；

S2：对含噪声的调制信号进行维纳滤波，进行降噪处理；

S3：对降噪后的调制信号进行循环谱估计，提取循环谱二维截面图；

S4：构建深度神经网络，将循环谱二维截面图作为输入特征输入深度神经网络中，对深度神经网络进行训练；

S5：使用训练好的深度神经网络对未知信号的调制方式进行识别。

2.根据权利要求1所述的一种基于深度学习的调制信号识别方法，其特征在于，所述步骤S1具体为：选择码元速率和载波信号生成不同种类的调制信号，将调制信号经过高斯白噪声信道进行传输，从而得到含噪声的调制信号。

3.根据权利要求1所述的一种基于深度学习的调制信号识别方法，其特征在于，在所述步骤S2中，对调制信号进行维纳滤波的过程具体为：

计算调制信号s(n)和含噪声的调制信号x(n)的互相关矩阵R_xs(j)，具体公式为：

式中，R_xs(j)表示调制信号s(n)和含噪声调制信号x(n)的互相关矩阵；N表示滤波器长度；h(m)表示滤波器的频率响应函数；j的取值范围为[0，N-1]，m为求和变量；

接着，计算含噪声的调制信号x(n)的自相关矩阵R_xx，具体公式为：

式中，R_xx(j)表示含噪声信号的自相关矩阵；

维纳滤波的滤波矩阵H具体表示为：

式中，r_xs表示互相关矩阵R_xs(j)的第一列的列向量。

将含噪声的调制信号通过滤波矩阵进行滤波，实现对调制信号的降噪处理。

4.根据权利要求3所述的一种基于深度学习的调制信号识别方法，其特征在于，在所述步骤S3中，对降噪后的调制信号进行循环谱估计，提取循环谱二维截面图的计算公式具体表示为：

其中：

为循环自相关函数；·_t为时间平均统计；接着提取循环谱二维截面图，具体为：

式中，f为频谱频率，α为周期频率。

5.根据权利要求4所述的一种基于深度学习的调制信号识别方法，其特征在于，在所述步骤S4中，所述深度神经网络的训练过程包括离线训练阶段和在线部署阶段；其中：

在离线训练阶段，将步骤S1-步骤S3获得得到的多个循环谱二维截面图作为数据集，并将数据集拆分为训练数据集和验证数据集；由训练数据集对深度神经网络进行离线训练，获得深度神经网络的bn权重和变量权重；

在在线部署阶段，将获得的bn权重和变量权重作为深度神经网络的参数，完成对深度神经网络的部署，使其能对任意输入的调制信号进行调制方式的识别。

6.一种基于深度学习的调制信号识别系统，其特征在于，包括含噪声调制信号生成模块、维纳滤波模块、循环谱估计模块、神经网络构建模块、神经网络训练模块、识别模块；其中：

所述含噪声调制信号生成模块用于生成不同种类含噪声的调制信号；

所述维纳滤波模块用于对含噪声的调制信号进行维纳滤波，进行降噪处理；

所述循环谱估计模块用于对降噪后的调制信号进行循环谱估计，提取循环谱二维截面图；

所述神经网络构建模块用于构建深度神经网络；

所述神经网络训练模块用于将循环谱二维截面图作为输入特征输入深度神经网络中，对深度神经网络进行训练；

所述识别模块用于保留训练好的深度神经网络，用于对未知信号的调制方式的识别。

7.根据权利要求6所述的一种基于深度学习的调制信号识别系统，其特征在于，所述含噪声调制信号生成模块包括信号生成单元和高斯白噪声信道单元，其中：所述信号生成单元根据选择的码元速率和载波信号生成不同种类的调制信号，调制信号经由高斯白噪声信道单元提供的高斯白噪声信道进行传输，进而得到含噪声的调制信号。