[发明专利]一种基于深度学习及盲识别的MCS识别方法

说明书

本发明提供一种基于深度学习及盲识别的MCS识别方法，包括如下步骤：分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据；建立基于深度学习的调制方式识别模块，并利用基带训练数据对该识别模块进行训练验证；对接收端接收到的信号样本数据进行预处理，并将预处理得到的基带信号数据输入识别模块；识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；根据识别出的调制方式构建LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵和接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案。本发明能够实现接收端快速准确地识别MCS，灵敏度高、适应性强、识别准确率高。

技术领域

本发明涉及一种基于深度学习及盲识别的MCS识别方法,属于数字信号处理技术领域。

背景技术

MCS(Modulation and Coding Scheme)即调制编码方案，其中Modulation特指调制过程中的映射过程，Coding特指信道编码。在基带的信号处理流程中，一般先进行信道编码，再进行调制，接收方反之。信号盲处理是指在信号参数完全未知或部分未知的情况下，对第三方非协作接收的信号开展全盲或半盲的检测、识别、还原等处理，从而全面获取信号承载内容与目标属性等信息。信号调制识别与编码识别是信号盲处理的重要组成部分，面对愈发复杂的战场环境，现有单一调制方式识别技术或信道编码盲识别技术显然无法满足智能通信、军事信息侦察、军事信息对抗需求，非协作方接收机如何快速准确识别MCS，进一步获取目标信息并实现军事信息对抗仍是一个亟待解决的问题。

发明内容

本发明提出一种基于深度学习及盲识别的MCS识别方法，能够实现接收端快速准确地识别MCS，灵敏度高、适应性强、识别准确率高。

本发明通过以下技术方案实现：

一种基于深度学习及盲识别的MCS识别方法，包括如下步骤：

步骤S1、分别对多种不同调制方式的数字调制数据进行预处理，得到基带训练数据；

步骤S2、建立基于深度学习的调制方式识别模块，该识别模块包括多个堆叠的基于VGG思想构造的vgg_1d_block模块，vgg_1d_block模块包括一个卷积层，并利用训练集和测试集对该识别模块进行训练验证，训练集和测试集由步骤S1得到的基带训练数据组成；

步骤S3、对接收端接收到的信号样本数据进行如步骤S1所述的预处理，得到基带信号数据，将该基带信号数据输入步骤S2所述识别模块，以进行调制方式的识别；

步骤S4、识别出调制方式后，对基带信号数据进行解调，得到接收信号序列；

步骤S5、根据识别出的调制方式构建包含有多种编码方案的LDPC编码器候选集合，分别根据各编码方案所对应的校验矩阵与步骤S4所述的接收信号序列，计算各编码方案对应的平均对数似然比，并判定平均对数似然比最大的编码方案为最终编码方案。

进一步的，所述步骤S2具体包括如下步骤：

步骤S21、基于VGG思想构造vgg_1d_block模块：vgg_1d_block模块包括一个卷积层，卷积层通过批量标准化和激活后接一个最大池化层，卷积层输出的高度与输入相同，池化层输出的高度为输入的一半；

步骤S22、依次设置一层用于处理预处理后的基带信号数据的平铺Reshape层、堆叠的n个vgg_1d_block模块、一层用于将输出打平到特征通道维度上的一维的全局平均池化层、两层用于整合特征的全连接层和一层用于输出的全连接层，以形成所述识别模块；

步骤S23、由多种不同调制方式的数字调制数据组成训练集和测试集，分别将训练集和测试集中的数字调制数据输入Reshape层，基于随机梯度下降法进行若干轮训练和验证，损失函数为使用添加了L2范数正则化项的交叉熵。