技术领域
本发明涉及I/Q调制信号分类技术领域,特别是涉及基于圆系有限穿越可视图建网的调制信号分类方法及系统。
背景技术
时间序列广泛存在于现实世界中,例如互联网、通信、生物、金融等各个领域。其中在通信领域中,I/Q调制信号的调制模式识别问题受到了广泛关注,如何从大量信号数据中提取出其潜藏的信息从而提高分类精度,是当前调制信号数据挖掘的基本任务之一。
针对调制信号分类问题,现有技术中,无法识别较低信噪比的I/Q调制信号,例如-10dB以下的信号调制模式。为解决该技术问题,研究人员将时间序列和复杂网络领域进行耦合,通过研究网络的拓扑结构挖掘出时间序列的结构特征,从而实现信号分类的目的,但是如何将时间序列映射成复杂网络是该方向的时间序列研究的一个需要重点攻克的问题。当今学界中已有多种通过可视图算法分析时间序列的方法,例如可视图VG、水平可视图HVG和有限穿越可视图LPVG等,并且实验证明这些从时间序列建立网络图的方法都能够提取并保留时间序列的一些基本特征。但这些建网算法获得的网络图较为单一,无法根据不同的任务或者用户需求从时间序列中建立包含更多有效信息的网络图。同时,现有技术中没有一种将可视图算法应用于无线电调制信号分类的方法。
因此,有必要提出一种灵活性及准确度高的I/Q调制信号分类系统及方法。
发明内容
本发明的目的是提供基于圆系有限穿越可视图建网的调制信号分类方法及系统,以解决现有技术中存在的技术问题,能够有效提高I/Q调制信号分类的灵活性及准确度。
为实现上述目的,本发明提供了如下方案:基于圆系有限穿越可视图建网的调制信号分类方法,包括如下步骤:
S1、采集I/Q调制信号,并对所采集的I/Q调制信号进行处理,将双通道的I/Q调制信号转换为四通道信号;
S2、采用圆系有限穿越可视图建网方法将所述四通道信号分别转换成加权有向网络图;
S3、对四个所述加权有向网络图进行特征提取,得到四个特征向量,并对所述特征向量进行空间扩展,得到每个所述I/Q调制信号的融合特征向量;
S4、基于随机森林构建调制信号分类模型,并采用所述融合特征向量对所述调制信号分类模型进行训练,分类精度小于预设阈值,调整圆系有限穿越可视图建网方法中的超参数,并重复步骤S2~S3,直到分类精度大于或等于预设阈值,得到训练好的调制信号分类模型,通过训练好的分类模型完成对I/Q调制信号的分类。
优选地,步骤S1将所述I/Q调制信号转换为四通道信号的具体方法为:
对每个I/Q调制信号I通道、Q通道的时间序列进行处理,得到每个所述I/Q调制信号的幅值数据A、相位数据W,从而得到每个所述I/Q调制信号的四通道的时间序列,四通道分别为I通道、Q通道、A通道、W通道。
进一步,幅值数据A、相位数据W的获取方法包括:所述幅值数据A的计算如式(1)所示:
式中,A
所述相位数据W以I通道为横坐标,Q通道为纵坐标进行计算,如式(2)所示:
式中,W
优选地,步骤S2所述加权有向网络图的节点由所述时间序列的时间点映射而成,所述加权有向网络图的有向连边由两个所述节点中,信号值较大的节点指向信号值较小的节点,所述加权有向网络图的连边权重由两个节点构成的圆系可视线被截断次数加一得到。
优选地,步骤S3对所述特征向量进行空间扩展的具体方法包括:
将每个所述I/Q调制信号得到的四个K维特征向量以横向拼接的形式进行特征空间扩展
本发明还提供基于圆系有限穿越可视图建网的调制信号分类方法的系统,包括数据采集及处理单元、网络图构建单元、特征提取单元、调制信号分类单元;所述数据采集及处理单元、网络图构建单元、特征提取单元、调制信号分类单元依次连接并单向馈送数据,所述调制信号分类单元向所述网络图构建单元馈送超参数调整控制信号,网络图构建单元、特征提取单元、调制信号分类单元构成一个循环;
所述数据采集及处理单元采集I/Q调制信号,并对所采集的I/Q调制信号进行处理,将双通道的I/Q调制信号转换为四通道信号,并将所述四通道信号传送至所述网络图构建单元;
所述网络图构建单元采用圆系有限穿越可视图建网方法将所述四通道信号分别转换成加权有向网络图,并将四个所述加权有向网络图传送至所述特征提取单元;所述网络图构建单元还根据控制信号对圆系有限穿越可视图建网方法的超参数进行调整;
所述特征提取单元对四个所述加权有向网络图进行特征提取,得到四个特征向量,并对所述特征向量进行空间扩展,得到每个所述I/Q调制信号的融合特征向量,并将所述I/Q调制信号的融合特征向量传送至所述调制信号分类单元;
所述调制信号分类单元基于随机森林构建调制信号分类模型,并采用所述融合特征向量对所述调制信号分类模型进行训练,分类精度小于预设阈值,发送超参数调整控制信号至所述网络图构建单元,直到分类精度大于或等于预设阈值,得到训练好的调制信号分类模型,通过训练好的调制信号分类模型完成对I/Q调制信号的分类。
本发明公开了以下技术效果:
本发明采用圆系有限穿越可视图建网方法将I/Q调制信号时间序列分类任务转为网络图分类任务,在分类模型的训练过程中,通过调整圆系有限穿越可视图建网方法中的超参数设置,从I/Q调制信号时间序列中得到了含有更多有效信息的网络图,能够充分利用网络图潜在的结构信息,提高I/Q调制信号的分类精度,从而能够准确地从I/Q调制信号中分类出信号的调制类型,为信号的后续处理及获取信号中的信息提供技术基础;同时,通过调整超参数的设置,能够适用于不同类别的I/Q调制信号,灵活性得到极大提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于圆系有限穿越可视图建网的调制信号分类系统结构示意图;
图2为本发明的基于圆系有限穿越可视图建网的调制信号分类方法流程图;
图3为本发明实施例中圆系有限穿越可视图建网示意图;
图4为本发明实施例中过两点且以该两点的连线为弦所得的圆弧示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示,本实施例提供基于圆系有限穿越可视图建网的调制信号分类系统,用于对通信过程中的I/Q调制信号进行分类,包括:数据采集及处理单元、网络图构建单元、特征提取单元、调制信号分类单元;所述数据采集及处理单元、网络图构建单元、特征提取单元、调制信号分类单元依次连接,单向馈送数据,所述调制信号分类单元向所述网络图构建单元连接馈送超参数调整控制信号,网络图构建单元、特征提取单元、调制信号分类单元构成一个循环;
所述数据采集及处理单元用于采集I/Q调制信号,并对所采集的I/Q调制信号进行处理,将双通道的I/Q调制信号转换为四通道信号,并将所述四通道信号传送至所述网络图构建单元;
本实施例中,训练样本中的I/Q调制信号从RADIOML 2016.10A数据集中获取,RADIOML 2016.10A数据集是由GNU Radio生成的合成数据集,该数据集在第六届GNU年度无线电会议上首次发布;实际分类过程中,所述数据采集及处理单元通过无线电接收机的接收天线接收空中无线电信号,再通过滤波,IQ解调得到I/Q调制信号。
所述I/Q调制信号为包括I通道、Q通道的双通道时间序列;将所述I/Q调制信号转换为四通道信号的具体方法为:
对每个I/Q调制信号I通道、Q通道的时间序列进行处理,得到每个所述I/Q调制信号的幅值数据A、相位数据W,从而得到每个所述I/Q调制信号的四通道的时间序列,四通道分别为I通道、Q通道、A通道、W通道。
其中,所述幅值数据A的计算如式(1)所示:
式中,A
所述相位数据W以I通道为横坐标,Q通道为纵坐标进行计算,如式(2)所示:
式中,W
所述网络图构建单元采用圆系有限穿越可视图建网方法将所述四通道信号分别转换成加权有向网络图,并将四个所述加权有向网络图传送至所述特征提取单元;所述网络图构建单元还能根据控制信号对圆系有限穿越可视图建网方法的超参数进行调整;
本实施例中,所述网络图构建单元采用圆系有限穿越可视图建网方法将所述I通道、Q通道、A通道、W通道的时间序列分别转换成加权有向网络图G
将时间序列Y={y
其中,可视性准则的描述为:
如图4所示,以节点(t
f(t,y')=(t-t
式中,t表示时间,y’表示可视线上数据点的值,α表示超参数,α的大小可调,α>0时,可视线呈凹形,α<0时,可视线呈凸形。图4中,点虚线表示相较可视图VG多的连边,粗虚线表示相较有限穿越可视图LPVG多的连边。
通过调整α的大小,能够得到不同弧度的圆弧可视线;根据式(3)计算时间点t
若节点(t
所述特征提取单元用于对四个所述加权有向网络图进行特征提取,得到四个特征向量,并对所述特征向量进行空间扩展,得到每个所述I/Q调制信号的融合特征向量,并将所述I/Q调制信号的融合特征向量传送至所述调制信号分类单元;
本实施例中所述特征提取单元采用特征提取方法分别对每个所述I/Q调制信号的四个加权有向网络图G
本实施例中,特征提取方法采用网络嵌入中的Graph2vec算法;Graph2vec是第一个整个网络的无监督的嵌入方法,该方法基于扩展的文字和嵌入技术,在NLP展现出巨大优势;Graph2vec使用与doc2vec类似的模型在网络和有根子图之间建立关系;Graph2vec首先提取有根的子图并提供对应的标签放入词汇表中,然后训练Skip-Gram模型以获取整个网络的表示。该方法在网络图分类任务中表现出色,在许多图分类任务中优于大部分人工特征的分类效果。
所述调制信号分类单元基于随机森林构建调制信号分类模型,并采用所述融合特征向量对所述调制信号分类模型进行训练,分类精度小于预设阈值,发送超参数调整控制信号至所述网络图构建单元,直到分类精度大于或等于预设阈值,得到训练好的调制信号分类模型,通过训练好的调制信号分类模型完成对I/Q调制信号的分类。
参照图2所示,本实施例还提供基于圆系有限穿越可视图建网的调制信号分类方法,具体包括如下步骤:
S1、采集I/Q调制信号,并对所采集的I/Q调制信号进行处理,将双通道的I/Q调制信号转换为四通道信号;
其中,所述I/Q调制信号为包括I通道、Q通道的双通道时间序列;将双通道的I/Q调制信号转换为四通道信号的具体方法包括:
对每个I/Q调制信号I通道、Q通道的时间序列进行处理,得到每个所述I/Q调制信号的幅值数据A、相位数据W,从而得到每个所述I/Q调制信号的四通道的时间序列,四通道分别为I通道、Q通道、A通道、W通道。
其中,所述幅值数据A的计算如式(1)所示:
式中,A
所述相位数据W以I通道为横坐标,Q通道为纵坐标进行计算,如式(2)所示:
式中,W
S2、采用圆系有限穿越可视图建网方法将所述四通道信号分别转换成加权有向网络图;
所述加权有向网络图的节点由所述时间序列的时间点映射而成,所述加权有向网络图的有向连边由两个所述节点中,信号值较大的节点指向信号值较小的节点,所述加权有向网络图的连边权重由两个节点构成的圆系可视线被截断次数加一得到,其中,通过加一能够有效避免出现权重为0的情况。
所述四通道信号分别转换成加权有向网络图的具体方法包括:
将时间序列Y={y
其中,可视性准则的描述为:
以节点(t
f(t,y')=(t-t
式中,t表示时间,y’表示可视线上数据点的值,α表示超参数,α的大小可调,α>0时,可视线呈凹形,α<0时,可视线呈凸形。
通过调整α的大小,能够得到不同弧度的圆弧可视线;根据式(3)计算时间点t
若节点(t
S3、对四个所述加权有向网络图进行特征提取,得到四个特征向量,并对所述特征向量进行空间扩展,得到每个所述I/Q调制信号的融合特征向量。
本实施例中采用特征提取方法分别对每个所述I/Q调制信号的四个加权有向网络图G
S4、基于随机森林构建调制信号分类模型,并采用所述融合特征向量对所述调制信号分类模型进行训练,分类精度小于预设阈值,调整圆系有限穿越可视图建网方法中的超参数,并重复步骤S2~S3,直到分类精度大于或等于预设阈值,得到训练好的调制信号分类模型,通过训练好的分类模型完成对I/Q调制信号的分类。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
机译: 从节点的角度创建网络图形视图的系统和方法
机译: 从节点的角度创建网络图形视图的系统和方法
机译: 从节点的角度创建网络图形视图的系统和方法