CN109274626B - 一种基于星座图正交扫描特征的调制识别方法 - Google Patents
一种基于星座图正交扫描特征的调制识别方法 Download PDFInfo
- Publication number
- CN109274626B CN109274626B CN201811389534.2A CN201811389534A CN109274626B CN 109274626 B CN109274626 B CN 109274626B CN 201811389534 A CN201811389534 A CN 201811389534A CN 109274626 B CN109274626 B CN 109274626B
- Authority
- CN
- China
- Prior art keywords
- signal
- constellation diagram
- scanning
- modulation
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于通信技术领域,具体的说是涉及一种基于星座图正交扫描特征的调制识别方法。本发明利用正交扫描,相比于采用密度统计窗将星座图转换为彩色密度谱图像的做法,将信号特征提取阶段的时间复杂度从O(n2)减少到了O(n),且由于提取到的信号特征是一维的,所以可以选用更为简单的神经网络分类器,占用资源较少,计算量较小,识别速度更快,识别准确率也有所提升。
Description
技术领域
本发明属于通信技术领域,具体的说是涉及一种基于星座图正交扫描特征的调制识别方法。
背景技术
自从C.S.Weaver等四名学者于1969年在斯坦福大学的技术报告上发表了第一篇研究通信信号自动调制识别的文章以来,通信信号的自动调制识别技术一直是通信领域的研究热点,其在电子侦察与对抗、频谱监测与管理等领域都有着广泛的应用,对于通信智能化具有重要意义。现有调制识别技术主要分为两大类:基于假设检验的最大似然方法和基于特征提取的模式识别方法。
基于假设检验的最大似然方法利用概率模型推导,在观测值的概率密度达到最大时找出最为合理的参数估计量,从贝叶斯估计的角度来说,其结果是最优的,但该类方法对于参数偏差和模型失配较为敏感,在现实的复杂通信环境中难以广泛应用。相比于基于假设检验的最大似然方法,基于特征提取的模式识别方法比较稳定,实用性更强。目前,用于调制识别的信号特征主要包括瞬时幅度、频率和相位等时域特征,星座图几何特征,时频分布特征,高阶统计量特征,循环平稳特征等。
数字调制信号的星座图可以直观地反映信号的调制类型,但传统基于星座图几何特征的识别方法如模糊C-均值聚类等统计星座图符号簇的做法,对于信噪比有着较高要求。针对这一问题,有研究人员提出可以采用密度统计窗将普通的星座图转换为彩色的密度谱视图,即关于星座图上符号采样点分布密度的统计图像,并利用神经网络识别该图像,使得基于星座图几何特征的方法在低信噪比下的适用性大大增强。但该方法在信号特征提取阶段的时间复杂度为O(n2),且为了达到较高的图像识别精度,采用了深度卷积神经网络,如GoogLeNet、AlexNet等模型,这些模型的参数数量都在百万和千万量级,占用资源较多,计算量较大,因而识别速度也较慢。
发明内容
本发明的目的,就是针对上述问题,提供一种基于星座图正交扫描特征的调制识别方法,本质依然是在对星座图上符号采样点的分布进行密度统计。
本发明采用的技术方案如下:
一种基于星座图正交扫描特征的调制识别方法,主要用于识别数字调制方式(PSK/QAM),其特征在于,所述调制识别方法包括以下步骤:
S1:准备信号数据
假设待识别的信号调制方式有v种,现用类别标签t表示各调制方式,则待识别的信号集可表示为T={t|t=1,2,…,v}。通过MATLAB生成仿真信号,然后模拟实际的信号发送、传输和接收过程,或是通过信号接收机直接采集实际信号。最终得到的是基带信号,设每次采集m个码元符号,得到符号序列序列元素(xi,yi)是符号si在星座图上的坐标。
S2:对星座图执行正交扫描
x=x0,y=y0
fork=1,2,…,ndo
x′=x+w/2
y′=y-w/2
dx(k)=countx(S,x,x′)
dy(k)=county(S,y,y′)
x=x′
y=y′
end for
其中,函数countx(S,x,x′)用于查找符号序列S中满足横坐标大于等于x而小于x′的符号,返回满足条件的符号采样点的数量;类似地,函数county(S,y,y′)是用于查找符号序列S中满足纵坐标小于等于y而大于y′的符号。
对星座图执行正交扫描得到的信号特征为dxy=(dx,dy)。
S3:训练神经网络分类器
重复步骤S1,S2,对于预设信号集中的每种调制方式,获取其大量的信号特征样本dxy,然后构造训练所用数据集D={(dxy,t)},同时搭建如图2所示的神经网络,利用Adam算法优化该神经网络。
S4:识别通信信号
利用步骤S2中提到的信号特征提取方法对未知调制方式的数字通信信号提取信号特征dxy,然后将其输入至步骤S3中训练完毕的神经网络分类器,得到识别结果t。
本发明的有益效果为,本发明基于星座图正交扫描特征的调制识别方法,利用了正交扫描的优势,相比于采用密度统计窗将星座图转换为彩色密度谱图像的做法,将密度统计窗的滑动次数从n2减少至n,使得信号特征提取阶段的时间复杂度从O(n2)下降到了O(n);且因为该方法得到的信号特征是一维的,所以相对于识别三维的彩色图像特征,可以选用更简单的神经网络分类器,占用资源较少,计算量较小,识别速度更快;此外,由对星座图执行正交扫描得到的密度统计特征,相当于对星座图的密度谱在X轴方向和Y轴方向上做二次统计,形成的信号特征会更加地稳定和有效,有助于提升最终的识别准确率,实验也证明了这一点。
附图说明
图1是本发明提出的对信号星座图执行正交扫描的过程示意;
图2是本发明选用的神经网络分类器的结构示意;
图3是本发明实施例中信号的平均识别准确率随信噪比变化的情况;
图4是本发明实施例中信噪比为5dB时的信号识别结果。
具体实施方式
下面结合附图和实施例对本发明进行详细描述,以便本领域的技术人员能够更好地理解本发明。
实施例
本实施例的目的是对不同调制方式的数字通信信号进行识别,并对识别准确率进行验证。本实施例中的数据来源于实际的无线通信信号,信号传输速率为2M Baud,包含有五种数字调制方式{BPSK,QPSK,8PSK,16QAM,64QAM}。由信号接收机负责接收信号,经一系列信号预处理流程,得到的基带信号信噪比大约为35dB。每次采样得到8192个码元符号,即m=8192,构成符号序列S,设定密度统计窗的宽度w=0.15,扫描长度n=256,对S所描绘的星座图执行正交扫描,得到信号特征dxy,对每种调制方式的信号重复2万次该操作,得到总计10万个信号特征样本,然后构造数据集D={(dxy,t)},这里的t=1,2,…,5,对应于前述五种调制方式。接着用数据集D训练神经网络分类器。为了测试本发明所提方法在低信噪比下的性能,通过对基带信号直接添加不同强度的高斯白噪声,使得信噪比在0到9dB之间变化,且在每种信噪比下,采用交叉验证取平均识别准确率,结果如图3所示,其中信噪比为4dB时的具体识别情况如图4所示。
Claims (1)
1.一种基于星座图正交扫描特征的调制识别方法,其特征在于,包括以下步骤:
S1、获取信号数据:
假设待识别的信号调制方式有v种,用类别标签t表示各调制方式,则将待识别的信号集表示为T={t|t=1,2,…,v};
S2、对星座图执行正交扫描:
其中,函数countx(S,x,x′)用于查找符号序列S中满足横坐标大于等于x而小于x′的符号,返回满足条件的符号采样点的数量;函数county(S,y,y′)用于查找符号序列S中满足纵坐标小于等于y而大于y′的符号;
对星座图执行正交扫描得到的信号特征为dxy=(dx,dy);
S3、训练神经网络分类器:
重复步骤S1,S2,对于预设信号集中的每种调制方式,获取其大量的信号特征样本dxy,然后构造训练所用数据集D={(dxy,t)},同时搭建神经网络,并根据数据集对神经网络进行训练;
S4、识别通信信号:
利用步骤S2中的信号特征提取方法对未知调制方式的数字通信信号提取信号特征dxy,然后将其输入至步骤S3中训练完毕的神经网络分类器,得到识别结果t。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389534.2A CN109274626B (zh) | 2018-11-21 | 2018-11-21 | 一种基于星座图正交扫描特征的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389534.2A CN109274626B (zh) | 2018-11-21 | 2018-11-21 | 一种基于星座图正交扫描特征的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274626A CN109274626A (zh) | 2019-01-25 |
CN109274626B true CN109274626B (zh) | 2020-11-13 |
Family
ID=65190304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811389534.2A Active CN109274626B (zh) | 2018-11-21 | 2018-11-21 | 一种基于星座图正交扫描特征的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109274626B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309854A (zh) * | 2019-05-21 | 2019-10-08 | 北京邮电大学 | 一种信号调制方式识别方法及装置 |
CN111314254A (zh) * | 2019-12-25 | 2020-06-19 | 中国传媒大学 | 信号调制模式识别方法及设备 |
CN111865848B (zh) * | 2020-06-16 | 2023-03-24 | 武汉邮电科学研究院有限公司 | 一种信号调制格式识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263716A (zh) * | 2011-07-26 | 2011-11-30 | 苏州大学 | 一种调制类型识别方法及系统 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN107707497A (zh) * | 2017-05-09 | 2018-02-16 | 电子科技大学 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
CN108809434A (zh) * | 2017-05-01 | 2018-11-13 | 谷歌有限责任公司 | 减轻相干光通信系统的光调制器的缺陷 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8238436B2 (en) * | 2007-03-30 | 2012-08-07 | Mediatek Inc. | Methods and device for fast acquisition of digital video signals |
KR102048758B1 (ko) * | 2014-11-21 | 2019-11-26 | 후아웨이 테크놀러지 컴퍼니 리미티드 | 정보 송신 방법, 장치 및 기기 |
-
2018
- 2018-11-21 CN CN201811389534.2A patent/CN109274626B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263716A (zh) * | 2011-07-26 | 2011-11-30 | 苏州大学 | 一种调制类型识别方法及系统 |
CN108809434A (zh) * | 2017-05-01 | 2018-11-13 | 谷歌有限责任公司 | 减轻相干光通信系统的光调制器的缺陷 |
CN107707497A (zh) * | 2017-05-09 | 2018-02-16 | 电子科技大学 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
Non-Patent Citations (3)
Title |
---|
Automatic modulation classification using compressive sensing based on High-Order Cumulants;Ziwen Zhang 等;《2017 9th International Conference on Advanced Infocomm Technology (ICAIT)》;20171124;第120-125页 * |
Robust classification of quadrature amplitude modulation constellations based on GMM;Hao Zhang, Hongshu Liao, Lu Gan;《2014 IEEE International Conference on Communiction Problem-solving》;20150319;第546-549页 * |
基于深度卷积神经网络的数字调制方式识别;彭超然,刁伟鹤,杜振宇;《计算机测量与控制》;20180831;第26卷(第8期);第222-226页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109274626A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN111083079A (zh) | 基于星座图的正交调制格式识别方法 | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
CN109450829A (zh) | 数字调制信号码速率估计方法和装置 | |
CN113542169B (zh) | 数字调制信号差分星座图信息提取与调制识别方法 | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
Xu et al. | PSK/QAM modulation recognition by convolutional neural network | |
Shah et al. | Automatic Modulation Classification Using Deep Learning Polar Feature | |
CN115935252A (zh) | 基于自监督对比学习的通信信号调制样式识别方法和装置 | |
CN107395540A (zh) | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 | |
Li et al. | Algorithm for modulation recognition based on high-order cumulants and subspace decomposition | |
Xue et al. | Radio signal modulation recognition algorithm based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |