基于轻量级深度网络的无线电信号认知识别方法

摘要

本发明公开一种基于轻量级深度网络的无线电信号认知识别方法，其实现步骤为：(1)构建编码调制联合信号；(2)生成训练样本集和测试样本集；(3)构建轻量级深度网络；(4)设置轻量级深度网络的参数；(5)训练轻量级深度网络；(6)获得认知识别准确率。本发明具有普适性强，可以直接处理一维无线电信号，不需要人工特征提取和先验知识，能同时认知识别无线电信号的信道编码方式和调制识别方式，复杂度低，模型轻量化，分类结果准确、稳定的优点，可用于无线电信号认知识别技术领域中。

说明书

技术领域

本发明属于通信技术领域，更进一步涉及信号处理技术领域中的一种轻量级深度网络的无线电信号认知识别方法。本发明模拟生物大脑认知识别的过程，可以在复杂的电磁环境下，自动提取各类无线电信号的层次化语义特征，实现无线电信号的自动信道编码类型与调制方式类型的联合认知识别。相比已有深度学习模型，本发明不仅具有计算复杂度低、参数规模小、易于硬件实现的特点，而且能在较低信噪比下获得准确的认知识别结果。

背景技术

无线电信号编码调制联合识别在军用电子对抗，敌对侦察和信号捕获分析上扮演着重要角色，在已知信息极度缺乏的情况下，信号的编码调制联合认识别作为信号处理流程关键工序，对信息的最终识别起到了决定性作用。目前国内外各大科研机构和高校的研究大都基于信号先验，采用人工设计特征的方法进行无线电信号的信道编码方式识别。这类传统方法需要大量的先验知识和专业系统的领域知识，所获得的特征在普适性和鲁棒性上存在诸多限制。随着通信环境的复杂化，信号所在的电磁环境的干扰也越来越多，在受到严重干扰的复杂通信环境下传统方法的缺点也愈发突出。另一方面，尽管基于传统方法的无线电信号信道编码类型的识别能在某类信号上能达到较满意的识别率，但在编码调制联合认知识别的准确性和有效性上有待进一步发展和提高。因此我们模拟生物大脑认知识别的过程，建立了一个轻量级深度网络模型，自动提取各类无线电信号的层次化语义特征，实现在复杂电磁环境下对无线电信号的自动特征提取和编码调制联合认知识别。

电子科技大学在其申请的专利文献“基于分数低阶循环谱的图域通信信号调制识别方法”(申请号201710546645.9申请公布号CN 107135176 A)中公开了一种基于分数低阶循环谱的图域通信信号调制识别方法。该方法的步骤是：利用接收信号的三维分数低阶循环谱，将被α稳定分布噪声干扰的调制信号转换到图域上，然后可以从图表示的稀疏邻接矩阵中提取有效特征参数行索引序列集合作为调制类型的特征，根据训练信号与接收信号的行索引序列集合汉明距离，来实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。该方法虽然提出了一种基于分数低阶循环谱的图域通信信号调制识别方法，但是，该方法仍然存在的不足之处是：该方法需要对信号进行图域转换才可以进行识别，过于依赖于人工特征提取，模型复杂。并且仅能单独识别信号的调制方式，无法对信号进行编码调制方式进行识别。

于沛东等人在其发表的论文“一种利用软判决的信道编码识别新算法”(电子学报2013年2月第2期)中阐述了一种利用软判决的编码识别新算法。该算法实现方法如下：基于含错方程模型，使用对数似然比，以方程成立的概率作为衡量解向量性能的量度，从而求解方程，完成信号的信道编码识别。该方法存在的不足之处是：该方法虽然提出了一种信道编码识别方法，但是需要了解大量信号先验知识，仅能单独识别信号的信道编码类型，无法对信号的调制方式进行识别，并且需要复杂的人工特征提取。

发明内容

本发明针对上述现有技术的不足，提出一种轻量级深度网络的无线电信号认知识别方法。

实现本发明目的的具体思路是，利用轻量级深度网络进行无线电信号认知识别。该算法在信号认知识别中能够达到较高的认知识别率，同时又能降低传统调制识别方法对人工特征提取和先验知识的高度依赖性，可以认知识别多种无线电信号的信道编码方式类型和调制方式类型，并简化了识别步骤。从而实现无线电信号编码调制联合认知识别，并使无线电信号编码调制联合认知识别更加灵活、高效。

实现本发明目的的具体步骤包括如下：

(1)构建编码调制联合信号：

(1a)将接收到的信息序列集合中的每一个信息序列，依次进行四种信道编码，生成不同的编码信号；

(1b)将编码后的每一个信号依次进行六种调制，得到编码调制联合信号；

(2)生成训练样本集和测试样本集：

(2a)对编码调制联合信号中每一个信号样本的所有信息点以100个信息点为间隔，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；

(2b)从信号样本集中随机抽取80％的信号样本组成训练样本集，剩余的信号样本组成测试样本集；

(3)构建轻量级深度网络：

(3a)搭建一个自动提取编码调制联合信号特征的16层轻量级深度网络；

(3b)设置轻量级深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数设置为修正线性单元激活函数；

(4)设置轻量级深度网络的参数：

(4a)设置输入层为440个输入神经单元；

(4b)设置轻量级深度网络中不同卷积层的不同卷积核的参数如下：第一卷积层为64个卷积核，每个卷积核为1×19的矩阵；第二卷积层为64个卷积核，每个卷积核为1×21的矩阵；第三卷积层为128个卷积核，每个卷积核为1×19的矩阵；第四卷积层为128个卷积核，每个卷积核为1×21的矩阵；第五卷积层为256个卷积核，每个卷积核为1×19的矩阵；第六卷积层为256个卷积核，每个卷积核为1×21的矩阵；

(4c)将第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式设置为最大池化方式；将分类器层设置为多分类函数Softmax；

(4d)设置轻量级深度网络中第一全连接层和第二全连接层的神经元个数分别为64和24；

(5)训练轻量级深度网络：

将训练样本集输入到轻量级深度网络中训练18次，得到训练好的轻量级深度网络；

(6)获得认知识别准确率：

(6a)将测试样本集输入到训练好的轻量级深度网络中，得到认知识别结果；

(6b)将认知识别结果与测试样本集的真实类别进行对比，统计认知识别正确率。

本发明与现有技术相比具有以下优点：

第一，由于本发明在设置轻量级深度网络的参数时，将输入层设置为440个输入神经单元，用于对原始信息序列进行直接处理，克服了现有技术中需要对信号进行图域转换才可以进行认知识别的问题，使得本发明可以利用轻量级深度网络模型直接对一维信号进行认知识别。

第二，由于本发明在设置轻量级深度网络的参数时，在不同的卷积层中设置不同数量和大小的卷积核，用于逐层提取信号的深层次特征，同时增加了特征的多样性，克服了现有技术过于依赖于人工特征提取的缺点，使本发明中轻量级深度网络模型可以自动处理多种类型信号的认知识别。

第三，由于本发明搭建一个自动提取编码调制联合信号特征的16层轻量级深度网络，使用一维卷积自动对信号进行特征提取与分析，克服了现有技术在进行认知识别时需要了解大量信号先验知识的缺点，同时降低了模型的参数数量，使得本发明的模型更加轻量化,提高了网络信号认知识别的效率。

第四，由于本发明搭建一个自动提取编码调制联合信号特征的16层轻量级深度网络，用于对构建的编码调制联合信号进行编码调制联合认知识别，克服了现有技术仅能单独识别信号的调制方式或者仅能单独识别信号的信道编码类型的问题，使本发明中轻量级深度网络模型可以进行信号的调制编码联合认知识别，增强了轻量级深度网络模型的普适性。

附图说明

图1为本发明的流程图；

图2是本发明构建的24种编码调制联合信号的仿真图；

图3是本发明仿真实验的结果图。

具体实施方式

下面结合附图对发明做进一步描述。

参照附图1，对本发明的具体步骤做进一步的描述。

步骤1，构建编码调制联合信号。

第一步，将接收到的信息序列集合中的每一个信息序列，依次进行四种信道编码，生成不同的编码信号。

所述四种信道编码是指，汉明码信道编码、二分之一码率的216非系统卷积码信道编码、三分之二码率的216非系统卷积码信道编码、四分之三码率的432非系统卷积码信道编码。

第二步，将编码后的每一个信号依次进行六种调制，得到编码调制联合信号。

所述六种调制是指，二进制相移键控调制、四进制相移键控调制、八进制相移键控调制、二进制数字频率调制、二进制数字频率调制与频率调制结合的二次调制、四进制相移键控与频率调制结合的二次调制。

步骤2，生成训练样本集和测试样本集。

第一步，对编码调制联合信号中每一个信号样本的所有信息点以100个信息点为间隔，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集。

第二步，从信号样本集中随机抽取80％的信号样本组成训练样本集，剩余的信号样本组成测试样本集。

步骤3，构建轻量级深度网络。

第一步，搭建一个自动提取编码调制联合信号特征的16层轻量级深度网络。

所述的16层轻量级深度网络的结构为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第二池化层→第四卷积层→第三池化层→第五卷积层→第四池化层→第六卷积层→第五池化层→第一全连接层→第二全连接层→分类器层→输出层。

第二步，设置轻量级深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数设置为修正线性单元激活函数。

步骤4，设置轻量级深度网络的参数。

第一步，设置输入层为440个输入神经单元。

第二步，设置轻量级深度网络中不同卷积层的不同卷积核的参数如下：第一卷积层为64个卷积核，每个卷积核为1×19的矩阵；第二卷积层为64个卷积核，每个卷积核为1×21的矩阵；第三卷积层为128个卷积核，每个卷积核为1×19的矩阵；第四卷积层为128个卷积核，每个卷积核为1×21的矩阵；第五卷积层为256个卷积核，每个卷积核为1×19的矩阵；第六卷积层为256个卷积核，每个卷积核为1×21的矩阵。

第三步，将第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式设置为最大池化方式；将分类器层设置为多分类函数Softmax。

第四步，设置轻量级深度网络中第一全连接层和第二全连接层的神经元个数分别为64和24。

步骤5，训练轻量级深度网络模型。

将训练样本集输入到轻量级深度网络模型中进行训练18次，得到训练好的轻量级深度网络模型。

步骤6，获得认知识别准确率。

第一步，将测试样本集输入到训练好的轻量级深度网络中，得到认知识别结果。

第二步，将认知识别结果与测试样本集的真实类别进行对比，统计认知识别正确率。

1.仿真条件：

本发明的仿真实验在Intel(R)E5-2630CPU 2GHz，GTX1080，Ubuntu16.04LTS系统下，TensorFlow1.0.1运行平台上，完成本发明以及构建编码调制联合信号和轻量级深度网络的无线电信号认知识别的仿真实验。

2.仿真实验内容：

本发明的仿真实验所用的24种编码调制联合信号的波形图如图2所示，图2(a)所示为汉明码信道编码联合二进制相移键控调制的联合信号波形图、图2(b)所示为二分之一码率的216非系统卷积码信道编码联合二进制相移键控调制的联合信号波形图、图2(c)所示为三分之二码率的216非系统卷积码信道编码联合二进制相移键控调制的联合信号波形图、图2(d)所示为四分之三码率的432非系统卷积码信道编码联合二进制相移键控调制的联合信号波形图、图2(e)所示为汉明码信道编码联合八相移相键控调制的联合信号波形图、图2(f)所示为二分之一码率的216非系统卷积码信道编码联合八相移相键控调制的联合信号波形图、图2(g)所示为三分之二码率的216非系统卷积码信道编码联合八相移相键控调制的联合信号波形图、图2(h)所示为四分之三码率的432非系统卷积码信道编码联合八相移相键控调制的联合信号波形图、图2(i)所示为汉明码信道编码联合二进制数字频率调制的联合信号波形图、图2(j)为二分之一码率的216非系统卷积码信道编码联合二进制数字频率调制的联合信号波形图、图2(k)所示为三分之二码率的216非系统卷积码信道编码联合二进制数字频率调制的联合信号波形图、图2(l)所示为四分之三码率的432非系统卷积码信道编码联合二进制数字频率调制的联合信号波形图、图2(m)所示为汉明码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(n)所示为二分之一码率的216非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(o)所示为三分之二码率的216非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(p)所示为四分之三码率的432非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(q)所示为汉明码信道编码联合四进制数字频率调制的联合信号波形图、图2(r)所示为二分之一码率的216非系统卷积码信道编码联合四进制数字频率调制的联合信号波形图、图2(s)所示为三分之二码率的216非系统卷积码信道编码联合四进制数字频率调制的联合信号波形图、图2(t)所示为四分之三码率的432非系统卷积码信道编码联合四进制数字频率调制的联合信号波形图、图2(u)所示为汉明码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(v)所示为二分之一码率的216非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(w)所示为三分之二码率的216非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形图、图2(x)所示为四分之三码率的432非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形图。

3.仿真实验结果分析：

本发明的仿真实验结果如图3所示。图3中的横轴代表训练迭代次数，纵轴对应每次迭代的损失函数值train loss。在对轻量级深度网络训练的过程中，统计每次训练结果的损失函数值，损失函数值越小代表模型的训练效果越好。由图3可见，随着迭代次数的增加损失函数值递减并最终收敛至稳定，说明本仿真实验的训练效果随着训练次数的增多而提高。

将测试样本输入训练好的轻量级深度网络中，得到24种信号中每个信号的认知识别结果，再将每个信号的认知识别结果与测试样本集的真实类别进行对比，统计认知识别结果正确的测试样本的个数，求出认知识别结果正确的测试样本所占测试样本的百分比，得到本仿真实验的认知识别准确率为94％。

由以上的仿真实验可以说明，针对无线电信号编码调制联合认知识别，本发明可以完成不同类别无线电信号的认知识别任务，方法可行。