CN111865848A - 一种信号调制格式识别方法及系统 - Google Patents

Abstract

一种信号调制格式识别方法及系统，涉及通信应用领域，包括：接收端将N个原始接收信号经接收处理后得到的N个符号，两两相减后得到多个伪信号矢量；根据所述伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像；通过深度学习网络，识别出所述图像对应的原始接收信号所采用的调制格式；通过少量接收信号识别各种高阶调制格式，能在信道快速变化或数据量有限的条件下获得很高的识别成功率。

Description

一种信号调制格式识别方法及系统

技术领域

本发明涉及通信应用领域，具体来讲涉及一种信号调制格式识别方法及系统。

背景技术

为应对频谱资源日益短缺的问题，在室内通信场景下更倾向于使用诸如可见光、毫米波之类的光无线技术。典型的光无线通信场景下，信道SNR(Signal Noise Ratio，信噪比)并不平坦，多用户、信道衰落、非视距等因素更增加了系统的复杂性。为有效利用和管理信道，通常采用诸如信道均衡、DMT(Discrete Multi Tone，离散多音频技术)等技术，同时服务多个用户，提高系统通信容量。为应对信道衰落还使用诸如Bit-loading等技术，通过动态调整各子载波的调制格式，在不同SNR条件下实现最低误码率。因此，在光无线通信中复杂的信道条件下，接收端动态识别信号的调制格式对于频谱管理、干扰识别、窃听等应用都非常重要，成为光无线通信中的一个重要研究问题。

传统的调制格式分类方法可归为两大类：一种是基于最大似然(MaximumLikelihood，ML)算法，一类是基于特征分类方法。最大似然算法比较接收信号和已知调制格式信号的相似度来判决调制格式；而特征分类方法通过从信号观察值中提取出信号特征进行判决。已有的特征分类方法中，诸如支持向量机(Support Vector Machine，SVM)、累积量(Cumulants)、人工神经网络(Artificial Neural Network，ANN)等多种方法都能获得较高的识别正确率。基于特征提取的方法都需要足够的样本才能准确反应出其统计特征，但在实际应用当中，更多的接收信号增加了计算量和信号延迟，在光无线复杂变化的信道条件中，甚至难以获取可供识别的足够信号，因此更希望基于短时间内接收到的更少数据进行调制格式识别。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种信号调制格式识别方法及系统，通过少量接收信号识别各种高阶调制格式，能在信道快速变化或数据量有限的条件下获得很高的识别成功率。

为达到以上目的，一方面，采取一种信号调制格式识别方法，包括：接收端将N个原始接收信号经接收处理后得到的N个符号，两两相减后得到多个伪信号矢量；根据所述伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像；通过深度学习网络，识别出所述图像对应的原始接收信号所采用的调制格式。

优选的，所述接收端接收N个原始接收信号，接收处理后得到N个符号，两两相减后得到N(N-1)个伪信号矢量，所述伪信号矢量对应N个符号之间的矢量连线。

优选的，所述接收端保存有具有N个符号的列表，以及N²个伪信号矢量的列表；所述具有N个符号的列表可动态更新；当新接收一个符号时，第N+1个符号与前N个符号两两相减生成N个新的伪信号矢量；所述N个符号的列表中最旧的符号被删除，以其为端点的N个伪信号矢量也被删除；新接收的符号添加到所述N个符号的列表最后，新生成的N个伪信号矢量添加到伪信号集中。

优选的，根据所述伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像，具体包括：

对伪信号进行归一化，将归一化后的伪信号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅大小统一的M×M个像素的灰度图像。

优选的，所述深度学习网络采用人工神经网络。

另一方面，提供一种信号调制格式识别系统，包括：

矢量生成单元，用于将接收端收到的N个原始接收信号经接收处理后得到N个符号，N个符号两两相减得到多个伪信号矢量；

图像生成单元，用于根据矢量生成单元得到的多个伪信号矢量生成伪信号星座图，将伪信号星座图生成大小统一的图像；

深度学习网络，用于通过输入所述图像，输出图像对应的原始接收信号所采用的调制格式。

上述技术方案中的一个具有如下有益效果：

基于少量接收信号得到能识别调制格式的大量信号间伪信号矢量，并基于信号间的伪信号矢量构造伪星座图的图像，利用深度学习网络对图像进行判决，识别各种高阶调制格式。相比于传统方法，本发明所需的接收符号数量少一个数量级，但可获得充足的样本用于信号识别，能在信道快速变化或数据量有限的条件下获得很高的识别成功率。

附图说明

图1为本发明实施例构造星座点间伪信号矢量的过程示意图；

图2为发明实施例基于伪信号生成图像的示意图；

图3为本发明实施例信号调制格式识别系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供一种信号调制格式识别方法的实施例，包括步骤：

在接收端，接收N个原始接收信号，通过接收处理流程后得到N个符号，N个符号两两相减，得到N(N-1)个伪信号矢量，上述伪信号矢量对应N个接收符号之间的矢量连线。在星座图上标出这些伪信号矢量对应的伪信号，可以得到密集的伪信号星座图，将伪信号星座图生成大小统一的图像。

由于伪信号星座图包含了原始接收信号的幅度、相位等调制格式信息，可以通过深度学习网络，识别出生成图像对应的原始接收信号所采用的调制格式。而且由于伪信号比原始接收信号的样本数量更多，通过深度学习识别成功率更高。

本发明实施例中，为了与伪信号进行区分，原始接收信号是指接收端接收到的信号，经过接收处理流程且两两相减后得到的信号是伪信号。

进一步的，通常接收处理流程包括A/D转换、串并转换、IFFT、载波恢复、信道均衡等步骤，尚未进行符号映射得到0/1序列，上述N个原始接收信号是接收端截取的连续调制符号(Symbol)序列。

上述步骤中，N大于20，并可以根据实际情况进行设置；优选的，50≤N≤200。

如图1所示，是以QPSK信号为例构造星座点间伪信号矢量的过程示意图。多个接收的QPSK信号对应图1中左侧4个星座点，箭头表示各种可能的信号点之间的伪信号矢量，根据矢量大小和方向一共有9种，对应到右侧的伪信号星座图上即为9个伪星座点。

如图2所示，根据伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像具体包括：

对伪信号矢量对应的伪信号的幅值进行归一化，将所有伪信号放入大小统一的图像中。假如众多伪信号中最大幅值为L_max,伪信号S_i归一化后得到S_i，＝S_i/L_max。假定所有伪信号的完整星座图生成M×M个像素的图像，将归一化后的伪信号S_i，按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅M×M个像素的灰度图像。优选的，M＝224。

并且，每N个原始接收符号生成一幅图像，针对不同的调制格式，N的取值应支持DL网络达到最高的识别率。

将星座图生成对应的图像作为深度学习网络的输入，以供识别和判决。优选的，深度学习网络可以是人工神经网络，如基于AlexNet、GoogLeNet等。

本发明还提供一种信号调制格式识别方法的实施例，与上述实施例大致相同。本实施例中，接收端保存有两个列表，其中一个是具有N个符号的列表，另一个是具有N²个伪信号矢量的列表；上述列表均可动态更新。

具有N个符号的列表，列表始终维持N个符号的长度，每当新接收一个符号时，该列表中最旧的符号被删除，以其为端点的N个伪信号矢量也被删除；新接收的符号添加到该列表的最后，新生成的N个伪信号矢量添加到伪信号集中。例如，当接收到第N+1个符号，其与前面N个符号两两相减生成N个新的伪信号矢量。本实施例中，根据伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像的过程与上述实施例相同，此处不再赘述。

如图3所示，本实施例中还提供一种信号调制格式识别系统的实施例，系统具体包括矢量生成单元、图像生成单元和深度学习网络。

矢量生成单元，用于将接收端收到的N个原始接收信号经接收处理后得到N个符号，N个符号两两相减得到多个伪信号矢量，优选的，50≤N≤200。

图像生成单元，用于根据矢量生成单元得到的多个伪信号矢量生成伪信号星座图，将伪信号星座图生成大小统一的图像。并且，每N个原始接收符号生成一幅图像。

深度学习网络，用于通过输入图像生成单元生成的图像，输出图像对应的原始接收信号所采用的调制格式。

优选的，接收端接收N个原始接收信号，通过DMT接收处理流程后得到N个符号，N个符号两两相减，得到N(N-1)个伪信号矢量，上述伪信号矢量对应N个接收符号之间的矢量连线。

优选的，矢量生成单元还可以包括具有N个符号的列表，以及N²个伪信号矢量的列表。当新接收一个符号时，第N+1个符号与前N个符号两两相减生成N个新的伪信号矢量；N个符号的列表中最旧的符号被删除，以其为端点的N个伪信号矢量也被删除；新接收的符号添加到该N个符号的列表最后，新生成的N个伪信号矢量添加到伪信号集中。

上述图像生成单元对伪信号进行归一化，将归一化后的伪信号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅大小统一的M×M个像素的灰度图像。

深度学习网络基于主流的各种深度学习网络构建，输入为M×M个像素的灰度图像，输出为可能的调制格式之一。深度学习网络需要先试用大量的各种调制格式的图像进行训练，将在相同信道环境下采集的数据生成的图像分成两组，一组标注上已知的调制类型进行训练，之后，对另一组图像用训练好的人工神经网络进行判别，对照其实际调制类型，计算正确率，使深度学习网络达到稳定后，用于后续图像的调制格式判别。

上述图像生成单元、深度学习网络还可以选择基于其他技术。

本发明的上述实施例所需的接收符号数量相比于传统方法少一个数量级，但是可以通过符号两两相减得到的矢量获得充足的样本，用于信号识别，能在信道快速变化或数据量有限的条件下获得很高的识别成功率。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。

Claims (6)

1.一种信号调制格式识别方法，其特征在于，包括：

接收端将N个原始接收信号经接收处理后得到的N个符号，两两相减后得到多个伪信号矢量；根据所述伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像；

通过深度学习网络，识别出所述图像对应的原始接收信号所采用的调制格式。

2.如权利要求1所述的一种信号调制格式识别方法，其特征在于：所述接收端接收N个原始接收信号，接收处理后得到N个符号，两两相减后得到N(N-1)个伪信号矢量，所述伪信号矢量对应N个符号之间的矢量连线。

3.如权利要求2所述的一种信号调制格式识别方法，其特征在于：所述接收端保存有具有N个符号的列表，以及N²个伪信号矢量的列表；所述具有N个符号的列表可动态更新；

当新接收一个符号时，第N+1个符号与前N个符号两两相减生成N个新的伪信号矢量；

所述N个符号的列表中最旧的符号被删除，以其为端点的N个伪信号矢量也被删除；新接收的符号添加到所述N个符号的列表最后，新生成的N个伪信号矢量添加到伪信号集中。

4.如权利要求1所述的一种信号调制格式识别方法，其特征在于，根据所述伪信号矢量对应的伪信号得到伪信号星座图，将伪信号星座图生成大小统一的图像，具体包括：

对伪信号进行归一化，将归一化后的伪信号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅大小统一的M×M个像素的灰度图像。

5.如权利要求1所述的一种信号调制格式识别方法，其特征在于：所述深度学习网络采用人工神经网络。

6.一种信号调制格式识别系统，其特征在于，包括：

矢量生成单元，用于将接收端收到的N个原始接收信号经接收处理后得到N个符号，N个符号两两相减得到多个伪信号矢量；

图像生成单元，用于根据矢量生成单元得到的多个伪信号矢量生成伪信号星座图，将伪信号星座图生成大小统一的图像；

深度学习网络，用于通过输入所述图像，输出图像对应的原始接收信号所采用的调制格式。

Images