[发明专利]基于深度学习的调制信号识别方法及系统

说明书

本发明提出了一种基于深度学习的调制信号识别方法，包括：生成不同种类含噪声的调制信号；对含噪声的调制信号进行维纳滤波降噪；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；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；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。本发明还提供一种基于深度学习的调制信号识别系统，通过维纳滤波先对调制信号进行降噪处理，能有效减少噪声对识别精度的影响；同时，利用循环谱二维截面图作为输入特征，一方面由于其对噪声并不敏感，能有效减小噪声对于识别结果的影响，另一方面，其能大大减低算法的复杂度，提高识别的效率。

技术领域

本发明涉及通信技术应用技术领域，特别是涉及一种基于深度学习的调制信号识别方法及系统。

背景技术

调制识别技术的目的是在民用或军事应用中，从短时间内接收或截获的信号中识别调制方案，因此，它们可以使无线电收发机具备对监视、电子战等应用场景的认知能力。调制识别算法可以分为两种主要类型，一种是基于最大似然的算法，另一种是基于特征提取的算法。与特征提取方法相比，最大似然方法可以获得更好的识别精度，但需要信道状态信息(CSI)或接收信号的统计特性的先验知识。相比之下，特征提取系统不需要优先级信息，因此实用性较好。

在现有应用中，常需要通过对接收信号或拦截信号的载波频率、瞬时幅值、相位等人工特征进行盲提取来实现调制识别。由于这些直接表征信号的参数对噪声和干扰很敏感，研究人员试图通过间接的方式提取信号的特征。例如，采用小波变换提取频谱特征，提出用频谱循环函数、高阶矩和累积量来评价统计特征。

近年来已有相关技术对信号循环平稳特性进行定义并使用信号循环谱特征对数字信号调制方式进行识别。文献[1]R.S.Roberts,W.A.Brown and H.H.Loomis,Jr,Computationally Efficient Algorithms for Cyclic Spectral Analysis,IEEE SignalProcessing Magazine,vol.8,no.2,pp.38-49,April 1991.doi:10.1109/79.81008.中提出了估计循环谱特征的几种计算方法。文献[2]B.Ramkumar,Automatic modulationclassification for cognitive radios using cyclic feature detection,in IEEECircuits and Systems Magazine,vol.9,no.2,pp.27-45,Second Quarter 2009,doi:10.1109/MCAS.2008.931739.利用循环谱特征分析和基于判决树的分类器实现了对信号的调制类型识别，但是该种方法需要手动提取循环谱的几种特征，运算复杂度较大。为了克服运算复杂度大的问题，文献[3]Z.Wu,E.Like and V.Chakravarthy,Reliable ModulationClassification at Low SNR Using Spectral Correlation,20074th IEEE ConsumerCommunications and Networking Conference,2007,pp.1134-1138,doi:10.1109/CCNC.2007.228.中分析了使用循环谱特征中α截面和f截面进行提取，且使用深度学习神经网络对截面特征进行分类，但是该种方法受到噪声的影响较大，降低了调制信号识别精度。

发明内容

本发明为了解决以上至少一种技术缺陷，提供一种基于深度学习的调制信号识别方法及系统，在降低运算复杂度的同时，提高调制信号调制方式的识别精度。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度学习的调制信号识别方法，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；