[发明专利]一种基于多端卷积神经网络的调制识别方法

说明书

本发明涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络的调制识别方法。本发明MICNN网络利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。该网络在复杂信道环境下对信号的调制方式有着优秀的识别性能。

技术领域

本发明涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络(Amulti-inputs convolutional neural network，MICNN)的调制识别方法。

背景技术

随着通信技术的飞速发展进步，全球通信业务量激增，这使得频谱、信道等通信资源愈发紧张。为缓解这一问题，人们发展出了多样化的通信手段与调制样式来提高有限频谱资源的利用率。与此同时，繁多的信号调制样式也为信息的获取制造了困难。这时通信信号的调制识别就显得尤为重要，只有明确了所接收到的信号是什么调制样式，人们才能将信号进行解调操作最终得到其传输的信息。所以说信号调制识别是从信号接收到信号解调的必要流程之一，其作用是在缺乏先验信息的情况下对调制样式未知的通信信号进行处理分析得到其确切的调制方式，从而为下一步的信号解调工作提供理论依据。

信号调制识别技术对于整个通信流程都有着重要的意义，有重大使用价值与研究意义。像自适应链路系统中信号调制识别技术就起着重要的作用，此系统是通过信号调制模块对信号进行自适应的调制。所以说在系统通信过程中，调制识别模块输出结果的对错直接决定了自适应链路系统是否可以实现有效的通信。另外在无线电监测领域也有着十分重要的作用，无线电监测是指探测管理区域内的无线电信号,并对该信号进行分析来获取其技术参数等信息的行为。而信号的调制方式更是其中重要的技术参数，需要进行探测获取。

如今通信用户不断增多，现代通信系统提出了更多性能需求，例如传输速率高、响应速度快、数据量大等，特别是在海量数据的处理和数据挖掘方面，现有的理论架构存在根本的局限性。如今大多数调制识别技术是基于特征提取与机器学习分类算法的。但这些方法一般为模型驱动，需要对信号进行预处理，并且适应信道环境单一，在复杂信道环境时识别性能较差。因为传统的特征提取方法是基于统计资料的，分类结果易受环境变化影响。基于机器学习的调制识别方法则需要人为进行信号特征的提取工作，不像深度学习方法可以自主进行信号特征提取。因此，诸多研究者将目光投向了深度学习技术，其被认为是突破性能瓶颈的有效方法。目前基于深度学习的通信技术在信号检测、信道估计和信号调制识别等方面都展现出了巨大的研究价值与发展潜力。

现有的深度学习神经网络方法在复杂信道环境下识别性能较差。基于深度学习的信号调制方法性能一般受两方面影响，一方面是输入深度学习网络的数据集，另一方面是深度学习网络结构参数。数据集方面，因为通信调制信号本身就是人为对需要传输的信息进行调制变换，使信息能够更好的在信道之间进行传输。所以调制信号有许多特征可以人为进行提取，并且这些特征一般都是区分信号最为本质的特征。所以相比于直接把信号本身作为网络输入，以这些特征作为网络的输入必然会带来网络性能的提高。在网络结构参数方面，则是利用一些算法使网络能够自动提取出不同信号之间差异较大的深层特征而不是流于表面特征。另外还需调整网络的参数结构在保证网络识别性能较高的情况下降低网络复杂度从而提高网络算法训练速度。

发明内容

本发明提出了一种基于多端卷积神经网络(Amulti-inputs convolutionalneural network，MICNN)的调制识别方法。其利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。仿真结果表明，该网络在复杂信道环境下有着优秀的识别性能。

本发明采用的技术方案为：一种基于多端卷积神经网络的调制识别方法，该方法包括以下步骤：

S1构造MICNN网络