[发明专利]基于星座图特征的调制类型识别方法、装置、计算机设备

说明书

本申请实施例属于信号处理领域，涉及一种基于星座图特征的调制类型识别方法，包括：获取输入信号；预处理输入信号，得到预处理后的信号；计算处理后的信号的星座图，得到信号星座图；根据信号星座图生成灰度图以及二值图，得到信号星座图的特征；将信号星座图的特征输入至训练好的神经网络，得到输入信号的类型识别结果。本申请还提供一种基于星座图特征的调制类型识别装置、计算机设备及存储介质。提高了基于星座图特征的调制类型识别的识别效果。

技术领域

本申请涉及信号处理领域，尤其涉及一种基于星座图特征的调制类型识别方法、装置、计算机设备及存储介质。

背景技术

基于星座图特征的调制类型识别方法主要用于调幅调相信号。不同的调制类型其对应的星座图各不相同，可以作为调制类型识别的依据。科研人员利用星座图特征匹配的算法，实现了不同信号调制类型的识别，实验结果表明此方法可以较好地防止噪声干扰。牛景昌等人通过将星座图的幅度统计特征、盲聚类特征和模板匹配特征提取为特征信息，实现了信号的调制类型识别，实验结果表明此算法计算量小，具有较高的分类准确率和鲁棒性。舒畅等人提出一种基于四次方谱和星座图结构的信号调制类型识别算法，此算法根据星座图特点以及四次方谱特点提取出特征信息，通过分类器对进行调制类型识别。由于基于星座图特征的调制类型识别方法基于复基带码元序列，因此需要大量的先验知识以及较多的信号预处理，导致调制类型识别效果不佳。

发明内容

本申请实施例的目的在于提出一种基于星座图特征的调制类型识别方法、装置、计算机设备及存储介质，提高了信号识别的准确率。

为了解决上述技术问题，本申请实施例提供一种基于星座图特征的调制类型识别方法，采用了如下所述的技术方案：

获取输入信号；

预处理所述输入信号，得到预处理后的信号；

计算所述处理后的信号的星座图，得到信号星座图；

根据所述信号星座图生成灰度图以及二值图，得到所述信号星座图的特征；

将所述信号星座图的特征输入至训练好的神经网络，得到所述输入信号的类型识别结果。

进一步的，所述将所述信号星座图的特征输入至训练好的神经网络，得到所述输入信号的类型识别结果的步骤具体包括：

将所述灰度图以及所述二值图输入至第一层卷积神经网络，得到第一卷积输出，所述第一层卷积神经网络为64个7x7大小的卷积核，卷积步长为4x4的卷积层；

将所述第一卷积输出输入至第一BN层，并Relu函数处理所述第一BN层输出，得到第一层输出结果；

将所述第一层输出结果输入至最大池化层，得到第一层特征图；

将所述第一层特征图输入至第二层卷积神经网络，得到第二卷积输出，所述第二层卷积神经网络为128个4x4大小的卷积核，卷积步长为1x1的卷积层；

将所述第二卷积输出输入至第二BN层，并Relu函数处理所述第二BN层输出，得到第二层输出结果；

将所述第二层输出结果输入至最大池化层，得到第二层特征图；

将所述第二层特征图输入至第三层卷积神经网络，得到第二卷积输出，所述第三层卷积神经网络为256个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第三卷积输出输入至第三BN层，并Relu函数处理所述第三BN层输出，得到第三层输出结果；

将所述第三层输出结果输入至第四层卷积神经网络，得到第四卷积输出，所述第四层卷积神经网络为128个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第四卷积输出输入至第四BN层，并Relu函数处理所述第四BN层输出，得到第四层输出结果；