[发明专利]一种基于卷积神经网络的QAM信号调制识别方法

说明书

本发明涉及一种基于卷积神经网络的QAM信号调制识别方法，包括：S1、获取多种QAM信号和其他信号；S2、对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；S3、对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算得到M个PSK信号预测样本，并输入到训练好的多维三输入卷积神经网络模型中对M个QAM信号预测样本进行预测得到M个预测结果；S4、对M个预测结果进行分析，选取预测最多的类型结果作为QAM信号的识别结果。本发明具有较强的特征融合能力，具有较高的识别准确率，具有很强的抗噪抗干扰能力，具有较快较稳定的处理速度。

技术领域

本发明涉及信号识别处理技术领域，一种基于卷积神经网络的QAM信号调制识别方法。

背景技术

在通信技术的发展过程中，为了提高通信的质量和效率，更加高效地利用信道容量以满足不同用户的需求，通信信号采用不同的调制体制，其可分为模拟调制和数字调制；模拟调制可以分为幅度调制和频率调制；数字信号的调制方式可分为幅移键控(ASK)、频移键控(FSK)、相移键控(PSK)和正交振幅调制(QAM)，而每一种调制方式又可进一步划分，比如正交振幅调制就可分为8QAM、16QAM、32QAM、64QAM、128QAM、256QAM等。

近年来深度学习技术在图像方面发展成熟，也被应用到越来越多的行业中取得了很好的效果；信号的不同调制方式其特性差异很大，且需要将多种信号特征相结合才能完成信号的调制识别，因此，如何将深度学习技术与无线电信号检测结合起来，以实现信号的快速调制识别，是目前需要考虑的问题。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种基于卷积神经网络的QAM信号调制识别方法，通过多维多输入的卷积神经网络对信号的特征进行融合与提取，实现QAM类别信号的调制识别。

本发明的目的通过以下技术方案来实现：一种基于卷积神经网络的QAM信号调制识别方法，所述调制识别方法包括：

S1、获取多种QAM信号和其他信号，其中，多种PSK信号生成数量为N，其他信号生成数量为3N，信号长度为L，并记录保存信号类型；

S2、对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据；

S3、对切分好的IQ数据进行星座图、瞬时相位和一阶频谱计算得到M个PSK信号预测样本，并输入到训练好的多维三输入卷积神经网络模型中对M个QAM信号预测样本进行预测得到M个预测结果；

S4、对M个预测结果进行分析，选取预测最多的类型结果作为QAM信号的识别结果。

所述多维三输入卷积神经网络模型对输入的三个数据进行预测包括：

对星座图依次使用256、128、64、32个卷积核进行特征处理，并进行2*2的池化，得到尺寸为64*64*32的特征矩阵；对瞬时相位和一阶频谱依次使用512、256、128个卷积核进行特征处理，并进行1*2的池化，分别得到两个尺寸为1*128*128的特征矩阵；

对三个特征矩阵进行平坦化后进行特征拼接，得到一个1*163840*1的特征矩阵，并对其依次使用64、32、16、8个卷积核进行特征处理，并进行1*2的池化，最后得到1*10240*8的特征矩阵；

将最后得到的特征矩阵通过平坦层并依次使用长度为1024和7的全连接层进行特征压缩，得到预测结果。

所述对接入的QAM信号的IQ数据进行处理，得到信号的星座图数据、瞬时相位数据和一阶频谱数据包括：将IQ数据映射到正交平面得到星座图，通过公式计算瞬时相位，通过公式F(t)＝FFT(I(t)+jQ(t))计算一阶频谱，其中，FFT为傅里叶变换，I(t)为I路数据，Q(t)为Q路数据。