[发明专利]一种基于孪生网络的盲调制信号识别方法

说明书

本发明公开了一种基于孪生网络的盲调制信号识别方法，先建立调制数据集和支撑集，再通过利用粗频率偏移估计对调制数据集种的原始IQ数据进行简易频率校正，然后配对输入至孪生网络并训练；然后通过支撑集中的数据与待测数据进行配对，通过训练完成的孪生网络计算数据间欧氏距离以判断信号调制类型，这样的网络可通过少量样本构建支撑数据集，减少对数据量的依赖，而且能够在训练集未知的情况下实现盲调制信号识别，能够适应当前非合作通信对抗的发展。

技术领域

本发明属于通信信号识别技术领域，更为具体地讲，涉及一种基于孪生网络的盲调制信号识别方法。

背景技术

通信对抗已成为影响现代战争进程的决定性因素之一。盲调制识别是通信对抗中的关键技术，是复杂电磁环境下信号辨识的重要依据。通过盲调制识别，电台可在非合作条件下对电磁频谱空间中的用户进行识别，为信号的侦收、截获、干扰提供条件。民用领域中，无线通信设备数量呈几何式增长，无线电管理部门也迫切需要一种高效的调制分选识别技术，以提升复杂电磁环境下的频谱监管能力。

似然比检验法以及模式识别是当前盲调制识别研究的两个主要方向。似然比检验法基于信号的统计特性，通过假设检验实现调制模式判别。此类方法通常需要预知检测窗内的信号电平，并假定电平维持稳定。另一方面，由于检验量的计算过程较为复杂，且依赖先验信息，因此难以在通信对抗中得到推广应用。模式识别是另一类盲调制识别技术，此类算法通常包含特征提取以及模式匹配两个主要过程。特征提取的目标是获得不同调制模式的差异化特征，同时抑制无关信息所产生的干扰。传统的模式匹配算法通常基于信号的瞬时幅度、相位、频率以及频谱的对称性设计了多种信号特征，通过决策网络实现多类调制模式的划分。但这些方法往往仅凭借少数特征，对数据的利用率较低，且通用性较差。

近年来，基于机器学习的模式匹配算法发展迅速，此类方法可充分利用多维数据信息，并且具有较强的非线性拟合能力，是当下调制识别领域的研究热点。如利用高阶累积量与神经网络相结合的方法，并通过主成分分析法(Principle Component Analysis,PCA)减少信息冗余，提升识别的准确性。采用支持向量机构建了调制识别模型，充分发挥了支持向量机的运算效率以及小样本泛化优势，但是这些机器学习方法依赖于所选用的特征。相比神经网络、支持向量机等浅层学习算法，深度学习类方法具有更强的学习能力，更为重要的是，此类方法可自主提取信号特征，因此备受青睐。

基于卷积神经网络(Convolutional Neural Network,CNN)的调制识别算法，将一维无线信号特征转换为二维图像特征，从而实现高阶抽象特征的提取。为了充分发挥CNN在一维数据中的特征提取能力。基于循环神经网络(Recurrent Neural Network,RNN)的调制识别算法，可充分利用数据的时序特征。但是这些方法存在不足，需要基于大数据基础下有较好的性能，在复杂电磁环境下，尤其是新环境小样本的场景下，无法提供大量数据。而样本量不足则会导致学习不充分，无法准确获取识别结果。

虽然研究者们基于深度学习在调制识别领域取得了诸多研究成果，然而基于机器学习的训练方法对数据量、数据质量有着较高的要求。而在非合作、高对抗的电磁环境中，敌方目标电台的相关数据很可能极为稀缺，同时无法获得可靠的数据标签，因而数据量、数据质量均难以得到有效保障。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于孪生网络的盲调制信号识别方法，实现对未知调制样式的识别，同时提升识别准确率。

为实现上述发明目的，本发明一种基于孪生网络的盲调制信号识别方法，其特征在于，包括以下步骤：

(1)、建立调制数据集；

(1.1)、利用三台认知无线电设备搭建并模拟复杂电磁环境，其中，一台为发射机、一台为干扰机、一台为接收机；

(1.2)、建立调制数据集；