基于Resnet-LSTM的信号调制分类方法与系统

摘要

本发明提供了基于Resnet‑LSTM的信号调制分类方法与系统，涉及信号调制方法技术领域，包括如下步骤：步骤一：模型训练数据集；步骤二：Resnet‑LSTM调制模型的搭建；步骤三：Resnet‑LSTM模型训练及性能评估；步骤四：数据采集；步骤五：数据预处理；步骤六：调制分类。本发明构建了基于Resnet‑LSTM的通信信号调制分类方法及系统，能够对八种调制类型的在6dB至20dB信噪比条件下实现高精度识别，并且基于Resnet‑LSTM的通信信号调制分类方法构建了完整的调制类型识别系统。

说明书

技术领域

本发明涉及信号调制方法技术领域，尤其涉及基于Resnet-LSTM的信号调制分类方法与系统。

背景技术

自动调制识别在非合作通信领域发挥了关键作用。在军事领域中，面对敌方的通信信号，正确截获并破译是干扰敌方战术信息的基础。在民用领域中，相关部门可以利用通信信号调制识别技术区分正常信号和非正常信号，保障无线通信安全。因此，信号调制识别分类无论在军事还是民用领域都有着重要作用。

在通信信号调制识别领域，相继发展出各种各样的调制识别算法，不同算法之间的算法适用范围、识别性能等方面都存在差异。传统的信号识别算法包括利用无线电信号的信号特征实现调制识别，如功率密度谱和循环平稳特性等，再通过比较不同的调制类型特点；以及包括结合传统的机器学习技术进行，将待识别分类信号的专家特征提取出来，并设计相应的分类器，例如支持向量机SVM、决策树、K-NN等方法，实现调制信号识别。构建传统的信号识别算法需要消耗大量的时间进行特征提取，并且传统的信号识别算法计算复杂高、准确率低。

发明内容

为了实现上述目的，本发明提供如下技术方案：一种基于Resnet-LSTM的信号调制分类方法，包括如下步骤：

构建模型训练数据集；

基于ResNet残差网络部分与LSTM长短期记忆循环神经网络部分构建Resnet-LSTM调制分类模型；

使用模型训练数据集对Resnet-LSTM调制分类模型进行训练；

无线电通过频谱带采集原始数据，并对原始数据进行预处理；

使用训练后的Resnet-LSTM调制分类模型对预处理后的原始数据调制类型进行判别。

优选的，所述构建模型训练数据集具体为：所述模型训练数据集时使用RadioML2016.10a数据集。

优选的，各网络部分的构成如下：

ResNet残差网络部分由4个堆叠残差块构成，一个ResNet堆叠结构由一个卷积层、两个基本ResNet块结构和一个Max pooling层组成；

LSTM长短期记忆循环神经网络部分由两个LSTM层构成，每一层LSTM由128个LSTMcells组成。

优选的，所述原始数据包括n个样本，堆叠成数据向量

优选的，所述对原始数据进行预处理，包括如下步骤：

将被堆叠后的数据向量

所述信号处理工具对数据向量

优选的，采用分类准确率和混淆矩阵对所述Resnet-LSTM调制分类模型进行性能评估，其具体包括：

通过所述混淆矩阵判断分类准精度的评价标准，确认每个类别是否与数据标签相同；

判断每一类列表它的分类正确数量和误分类的数量以及被错误分为哪个类别；

所述分类准确率计算公式为：

其中，TP为将正类预测为正类数，TN为将负类预测为负类数，FP为将负类预测为正类数，FN为将正类预测为负类数。

一种基于Resnet-LSTM的信号调制分类系统，包括：

数据集构建单元，用于构建模型训练数据集；

分类模型构建单元，用于基于ResNet残差网络部分与LSTM长短期记忆循环神经网络部分构建Resnet-LSTM调制分类模型；

模型训练单元，用于使用模型训练数据集对Resnet-LSTM调制分类模型进行训练；

数据采集单元，使用无线电通过频谱带采集原始数据，并对原始数据进行预处理；

信号调制单元，使用训练后的Resnet-LSTM调制分类模型对预处理后的原始数据调制类型进行判别。

本发明与现有技术相比具有以下有益效果：本发明所达到的有益效果是:本发明构建了基于Resnet-LSTM的通信信号调制分类方法及系统，能够对八种调制类型的在6dB至20dB信噪比条件下实现高精度识别，并且基于Resnet-LSTM的通信信号调制分类方法构建了完整的调制类型识别系统。

附图说明

图1为本发明方法的流程图；

图2为本发明的Resnet网络以及堆叠结构图；

图3为本发明的双LSTM网络结构图；

图4为本发明的Resnet-LSTM调制分类模型构建示意图；

图5为本发明的调制分类混淆矩阵图；

图6为本发明的调制分类准确率图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提出了一种基于Resnet-LSTM的信号调制分类方法，其包括如下步骤：

S1：构建模型训练数据集。

S2：基于ResNet残差网络部分与LSTM长短期记忆循环神经网络部分构建Resnet-LSTM调制分类模型。

S3：使用模型训练数据集对Resnet-LSTM调制分类模型进行训练。

S4：无线电通过频谱带采集原始数据，并对原始数据进行预处理。

S5：使用训练后的Resnet-LSTM调制分类模型对预处理后的原始数据的调制类型进行判别。

其中，构建模型训练数据集具体为：所述模型训练数据集时使用RadioML2016.10a数据集。

各网络部分的构成如下：ResNet残差网络部分由4个堆叠残差块构成，一个ResNet堆叠结构由一个卷积层、两个基本ResNet块结构和一个Max pooling层组成；LSTM长短期记忆循环神经网络部分由两个LSTM层构成，每一层LSTM由128个LSTM cells组成。

原始数据包括n个样本，堆叠成数据向量

对原始数据进行预处理包括如下步骤：

将被堆叠后的数据

所述信号处理工具对数据向量

采用分类准确率和混淆矩阵对Resnet-LSTM调制分类模型进行性能评估具体包括：

通过所述混淆矩阵判断分类准精度的评价标准，确认每个类别是否与数据标签相同。

判断每一类列表它的分类正确数量和误分类的数量以及被错误分为哪个类别。

分类准确率计算公式为：

其中，TP为将正类预测为正类数，TN为将负类预测为负类数，FP为将负类预测为正类数，FN为将正类预测为负类数。

本发明提供了一种基于Resnet-LSTM的信号调制分类系统，包括：

数据集构建单元，用于构建模型训练数据集。

分类模型构建单元，用于基于ResNet残差网络部分与LSTM长短期记忆循环神经网络部分构建Resnet-LSTM调制分类模型。

模型训练单元，用于使用模型训练数据集对Resnet-LSTM调制分类模型进行训练。

数据采集单元，使用无线电通过频谱带采集原始数据，并对原始数据进行预处理。

信号调制单元，使用训练后的Resnet-LSTM调制分类模型对预处理后的原始数据调制类型进行判别。

下面对一种基于Resnet-LSTM的信号调制分类方法及系统进行具体说明：

图1为基于卷积神经网络的数字数字信号调制分类方法的总体流程图，下面结合附图进行说明，包括以下几个步骤：

步骤一：模型训练数据集的构建。本发明使用RadioML2016.10a 数据集来验证本发明所设计的算法。该数据集是通过GNU Radio生成,数据为涵盖了各种被广泛使用的调制方式的正交同相I/Q信号，同时该数据集中的数据也存在如多径衰落产生的高斯白噪声、频率偏移等常见的信道误差，信噪比范围广，能较为真实地模拟各种情况的信号。RadioML2016.10a数据集的参数如表1所示。

表1 RadioML2016.10a 数据集的参数

步骤二：Resnet-LSTM调制模型的搭建。本文的深度特征网络结构上分为两部分，分别为ResNet残差网络部分以及LSTM长短期记忆循环神经网络部分。其中ResNet残差网络部分由4个堆叠残差块构成，LSTM长短期记忆循环神经网络部分由两个LSTM层构成。

其中，ResNet堆叠结构如图2所示。一个ResNet堆叠结构由一个卷积层、两个基本ResNet块结构和一个Max pooling层组成。

其中，双层LSTM结构如图3所示。每一层LSTM由128个LSTM cells组成。第二个LSTM层的最终输出是一个维度为128的向量，在所有时间步骤之后，被送入模型的全连接层，之后再输入Softmax层，从而输出分类结果。

本文，所构成的Resnet-LSTM的结构如图4所示。本文构建的Resnet-LSTM分为两部分，ResNet残差网络部分由4个堆叠残差块构成，LSTM长短期记忆循环神经网络部分由两个LSTM层构成，如图4所示。

步骤四：Resnet-LSTM模型训练及性能评估。

首先，使用RadioML2016.10a数据集作为Resnet-LSTM模型的数据集进行模型训练。然后，构建Resnet-LSTM模型性能评价指标，使用分类准确率和混淆矩阵两个方法对Resnet-LSTM模型进行性能评估。

混淆矩阵用来判断分类准精度的评价标准，它可以而确认每个类别是否与数据标签相同，并且可以看出每一类列表它的分类正确数量和误分类的数量以及被错误分为哪个类别。

准确率accuracy计算公式为：

其中，True Positive真正，TP：将正类预测为正类数；True Negative真负，TN：将负类预测为负类数；False Positive假正，FP：将负类预测为正类数；False Negative假负，FN：将正类预测为负类数。

图5是调制分类混淆矩阵，QAM16, QAM64, 8PSK, QBSK, CPFSK, GFSK, PAM4,BPSK八种调制类型的分类准确率在在6dB至20dB信噪比条件下的分类准确率分别为：85%、74%、98%、98%、100%、100%、99%、99%，平均准确率为94.05%，Resnet-LSTM模型能够实现高精度的QAM16, QAM64, 8PSK, QBSK, CPFSK, GFSK, PAM4, BPSK八种调制类型识别。

图6是调制分类准确率，本发名所构建基于Resnet-LSTM的通信信号调制分类方法在6dB至20dB信噪比条件下对QAM16, QAM64, 8PSK, QBSK, CPFSK, GFSK, PAM4, BPSK八种调制类型的分类平均准确率能够达到90%以上。

将训练好的基于Resnet-LSTM的通信信号调制分类方法嵌入信号调制分类系统。

步骤四：数据采集。无线电首先通过从各种频谱带收集原始数据，原始数据包括n个样本，堆叠成数据向量。

步骤五：数据预处理。数据预处理涉及收集的频谱数据的分析和操作，目的是获得良好的数据表示。原始样本在数据采集步骤中被组织成数据向量，作为信号处理工具的输入，这些工具分析、处理和转换数据，以获得简单的数据表示，如频率、振幅、相位。

步骤六：调制分类。将采集到的无线电数据通过步骤四和步骤五的处理后，输入已经训练完成的Resnet-LSTM模型对检测无线信号的调制类型进行判别。

从而基于Resnet-LSTM的通信信号调制分类方法构建了完整的基于Resnet-LSTM的通信信号调制分类系统。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。