【技術實現步驟摘要】
本專利技術屬于信號調制識別，尤其涉及一種基于優化卷積神經網絡的ofdm信號調制識別方法。
技術介紹
1、隨著無線電系統的迅猛發展，信號面臨的電磁環境日益紛繁復雜，信號調制類型也紛繁復雜，因此調制識別在認知無線電、電磁信號監測中發揮重要的作用。正交頻分復用(ofdm，orthogonal?frequency?division?multiplexing)技術由于具有較高的頻譜利用率和很好的抗多徑衰落特性，成為新一代無線通信的研究熱點，已經被廣泛采用，如無人機通信系統、衛星互聯網和移動通信系統等。ofdm信號為多載波信號，其調制類型通常指其各個子載波的調制類型，一般包括有二進制相移鍵控(bpsk)、正交相移鍵鍵控(qpsk)、8進制相移鍵(8psk)和16進制正交幅度調制(16qam)等。對ofdm信號調制識別具有重要意義，能夠區分識別ofdm信號子載波采用的調制類型，將為后續進一步解調和分析作基礎。但目前復雜信號的調制識別的有關分析在許多方面，特別是針對ofdm此類多載波調制信號仍不成熟，需要開展進一步研究。傳統的調制識別方法多數是基于統計思想的，對于ofdm信號較難提取不同調制類型子載波固有信號特征，導致分類結果混淆。
2、已提出專利申請的類似方法有：1.一種正交頻分復用ofdm信號分選識別方法(申請號：cn202211336727.8)。該專利技術提供一種正交頻分復用ofdm信號分選識別方法，根據無信號情況的數字信道化處理后的數據計算檢測門限，對數據的幅度進行累加處理并進行門限檢測，從而實現識別ofdm體制信號，該方
3、ofdm信號廣泛地采用于移動通信、數字廣播系統、無人機通信系統等，實現ofdm信號的調制識別，對頻譜監測、認知無線電等領域具有重要的意義。如何對信號進行調制類型的正確識別，已成為熱點問題。但是，由于在很多實際應用場合中，接收機收到信號較弱；并且缺乏先驗信息或幾乎完全沒有任何的先驗知識條件，電磁環境也相對復雜，導致識別難度較大。傳統的識別算法不易提取和表征出復雜環境中ofdm信號的細化特征，所須的處理環節較多、運算量較大，并且需要設定合理門限值進行判斷，但由于強背景噪聲和信道起伏變化等因素使得識別門限閾值的準確性降低，識別成功率也受到嚴重影響。由此需要采用精細化、智能化的ofdm信號識別方法思路，達到復雜電磁環境中高效、精確的識別效果，提升低信噪比條件下的識別準確成功率。
技術實現思路
1、本專利技術的目的在于：為了克服現有技術問題，公開了一種基于優化卷積神經網絡的ofdm信號調制識別方法，本專利技術方法適用于低信噪比環境、復雜信道傳輸條件中的快速智能化處理，且無需事先獲取前導碼、同步信息等先驗信息以及額外的特征提取處理環節，也不需要利用mimo-ofdm多天線陣列傳輸信號的分布狀態信息進行大量的推導計算。
2、本專利技術目的通過下述技術方案來實現：
3、一種基于優化卷積神經網絡的ofdm信號調制識別方法，所述ofdm信號調制識別方法包括如下步驟：
4、s1：對ofdm信號樣本數據集進行預處理打標簽；
5、s2：構建cnn網絡模型，所述cnn網絡模型包括：輸入層、卷積層、池化層、全連接層和輸出層，
6、其中，卷積層用于通過二維卷積運算提取輸入數據的特征，然后使用池化層壓縮每個特征并減少要計算的參數數量，再饋送到全連接層中進行延展/解壓處理，實現輸入信號數據的調制分類；
7、s3：構建transformer-cnn網絡融合模型，將步驟s2中構建的cnn網絡模型和transformers模型進行融合形成新的分類訓練網絡：transformer-cnn網絡融合模型；
8、s4：基于ofdm信號數據集對步驟s3得到的transformer-cnn網絡融合模型完成分類訓練；
9、s5：transformer-cnn網絡融合模型通過識別處理ofdm信號數據集中測試集得到對ofdm信號調制類型識別的結果。
10、根據一個優選的實施方式，步驟s1包括：對數據樣本進行加性高斯白噪聲和萊斯rician選擇性衰落信道處理。
11、根據一個優選的實施方式，步驟s1還包括：萊斯rician選擇性衰落信道生成的ofdm信號被轉換為iq樣本，獲得ofdm信號樣本數據集用于訓練cnn；
12、ofdm信號樣本數據集被劃分成3份：訓練集、驗證集、測試集，同時對每個數據打上對應信號的標簽，以供識別時使用。
13、根據一個優選的實施方式，步驟s3還包括：對cnn網絡模型進行優化設計步驟，通過對cnn網絡模型進行優化以使得改進的cnn模型與transformer模型融合。
14、根據一個優選的實施方式，步驟s3中對cnn網絡模型進行優化設計包括：通過對cnn網絡模型池化層位置、卷積核大小、卷積塊數量以及有無批歸一化層的設置選擇優化方向。
15、根據一個優選的實施方式，步驟s3中對cnn網絡模型進行優化設計具體包括：
16、通過對cnn網絡模型池化層位置的分析，在4個卷積層后進行池化層設置，以使得樣本特征能夠被充分提??；且對卷積層的卷積核大小分別設置為1×1，2×2，3×3，4×4；
17、cnn網絡模型中卷積塊由若干卷積層和1個池化層組合而成，卷積核數量取值為2～5；
18、通過在網絡中選取調節有/無批歸一化層來判斷cnn網絡模型對信號分類的影響，從而進行相應設置。
19、前述本專利技術主方案及其各進一步選擇方案可以自由組合以形成多個方案，均為本專利技術可采用并要求保護的方案。本領域技術人員在了解本專利技術方案后根據現有技術和公知常識可明了有多種組合，均為本專利技術所要保護的技術方案，在此不做窮舉。
20、本專利技術的有益效果：
21、隨著無線信號傳輸的電磁環境日趨復雜，因此對ofdm信號調制識別的研究提出了更高的要求，同時需要通用性較強的智能化識別方法。本專利申請的識別方法提高了對ofdm信號調制識別方法的抗噪性能，而且適用于復雜電磁環境中實現正確識別，如萊斯信道環境本文檔來自技高網...
【技術保護點】
1.一種基于優化卷積神經網絡的OFDM信號調制識別方法，其特征在于，所述OFDM信號調制識別方法包括如下步驟：
2.如權利要求1所述的OFDM信號調制識別方法，其特征在于，步驟S1包括：對數據樣本進行加性高斯白噪聲和萊斯Rician選擇性衰落信道處理。
3.如權利要求2所述的OFDM信號調制識別方法，其特征在于，步驟S1還包括：萊斯Rician選擇性衰落信道生成的OFDM信號被轉換為IQ樣本，獲得OFDM信號樣本數據集用于訓練CNN；
4.如權利要求1所述的OFDM信號調制識別方法，其特征在于，步驟S3還包括：對CNN網絡模型進行優化設計步驟，通過對CNN網絡模型進行優化以使得改進的CNN模型與Transformer模型融合。
5.如權利要求4所述的OFDM信號調制識別方法，其特征在于，步驟S3中對CNN網絡模型進行優化設計包括：通過對CNN網絡模型池化層位置、卷積核大小、卷積塊數量以及有無批歸一化層的設置選擇優化方向。
6.如權利要求5所述的OFDM信號調制識別方法，其特征在于，步驟S3中對CNN網絡模型進行優化設計具
...【技術特征摘要】
1.一種基于優化卷積神經網絡的ofdm信號調制識別方法，其特征在于，所述ofdm信號調制識別方法包括如下步驟：
2.如權利要求1所述的ofdm信號調制識別方法，其特征在于，步驟s1包括：對數據樣本進行加性高斯白噪聲和萊斯rician選擇性衰落信道處理。
3.如權利要求2所述的ofdm信號調制識別方法，其特征在于，步驟s1還包括：萊斯rician選擇性衰落信道生成的ofdm信號被轉換為iq樣本，獲得ofdm信號樣本數據集用于訓練cnn；
4.如權利要求1所述的of...
【專利技術屬性】
技術研發人員：夏明赟，謝瑞云，熊剛，
申請(專利權)人：中國電子科技集團公司第三十研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。