基于人工神经网络的无线通信信号自动调制识别方法研究.pdf

PAGE023设计与应用Design&Application对于一些复杂的调制方式，现有的自动调制识别方法可能无法完全准确地识别，现提出基于人工神经网络的无线通信信号自动调制识别方法。首先，基于人工神经网络构建无线通信信号调制模型，判定调制方式，并给出其对应的调制参数，然后，使用ma x o u t 函数作为人工神经网络卷积层和全连接层的激活函数，取代原先的R e L U 函数，增加卷积层的数量，降低池化层的层数，提取无线通信信号特征参数，构建适合神经网络训练的特征矢量。最后，结合自适应调整的识别阈值，进行无线通信信号初始自动调制识别，通过相似度进一步优化调制识别方法，实现无线通信信号自动调制识别。通过测试数据集验证该方法的有效性和准确性。实验结果表明，使用人工神经网路模型在识别方面相较于文献方法更具优势，因此，可以证明基于人工神经网络的无线通信信号自动调制识别方法具有更高的精准度。For some complex modulation methods,the existing automatic modulation recognition methods may not be able to completely accurately identify the wireless communication signals.First,a wireless communication signal modulation model is built based on artificial neural network,the modulation mode is determined,and the corresponding modulation parameters are given.Then,maxout function is used as the activation function of convolutional layer and fully connected layer of artificial neural network,replacing the original ReLU function,increasing the number of convolutional layers and reducing the number of pooling layers.The feature parameters of wireless communication signal are extracted and the feature vector suitable for neural network training is constructed.Finally,the automatic modulation identification of wireless communication signals is carried out based on the adaptive adjustment of the recognition threshold,and the modulation identification method is further optimized by similarity to realize the automatic modulation identification of wireless communication signals.The validity and accuracy of the method are verified by the test data set.The experimental results show that the artificial neural network model is more advantageous than the literature method in recognition,it can be proved that the method of automatic modulation recognition of wireless communication signal based on artificial neural network has higher accuracy.无线通信信号 人工神经网络 信号调制 自动识别wireless communication signal;artificial neural network;signal modulation;automatic recognitionDoi:10.3969/j.issn.1673-5137.2024.02.001摘 要 Abstract关键词 Key Words0.引言随着无线通信技术的快速发展，无线通信信号的调制方式变得越来越复杂。无线通信信号的自动调制识别是一种通过机器学习和信号处理技术自动识别无线通信信号调制方式的方法。它是现代无线通信领域的一项重要技术，对于提高通信系统的性能、优化频谱利用以及实现智能化通信具有重要意义。传统的调制识别方法通常需要手动操作和分析，效率低下且容易出错。因此，开发一种基于人工神经网络的自动调制识别方法具有重要意义。在无线通信系统中，调制是一种将信息编码到载波信号上的过程，以便在信道中传输。不同的调制方式具有不同的特征，因此可以通过对信号的特征进行分析来识别其调制方式。人工神经网络是一种模拟生物神经系统的计算模型，具有强大的学习和自适应能力。通过训练神经网络模型，可以使其自动识别出无线通信信号的调制方式。这种方法具有高效、准确和自动化的特点，可以提高调制识别的效率和准确性1。1.基于人工神经网络的无线通信信号自动调制识别方法的设计1.1 基于人工神经网络构建无线通信信号调制模型基于人工神经网络的无线通信信号自动调制识别方法研究 刘学燕（山东省邮电规划设计院有限公司 山东 济南 250101）PAGE024设计与应用Design&Application人工神经网络的一个计算模块,由大量的结点彼此互相连接组成。这些节点表示一种特定的输出变量,称为激励函数。任何二个节点间的连接都代表了一种对于通过该点连接信号的加权值,又称为权重,这就等于对人工神经网络的记忆。因此，本文选择人工神经网络进行无线通信信号的调制识别，在通信系统中，无线通信信号的调制方式是区别不同类型通信信号的关键。针对已收到的一段无线通信信号，调制辨识的目标是在已知的情况下，对其进行调制方式的判定，并给出其对应的调制参数，从而指导解调算法的选取，从而得到有价值的信息2。设定接收的无线通信实值信号p(t)的表达公式如下：p(t)=a(t)+w(t)（1）公式中：a(t)代表不含噪声的接收信号，w(t)表示高斯白噪声。接收到的无线通信信号p(t)被传输至无线通信信号调制模型中，通过特征提取和识别决策，输出调制信号的调制模型。人工神经网络作为自动调制分类系统，用于处理接收到的调制信号，人工神经网络的基本结构有卷积神经网络和循环神经网络。其中，卷积神经网络无需对数据进行复杂的预处理3，直接输入原始数据即可进行训练，其中二维卷积神经网络还适用于对信号空间特征信息的提取，常应用于图像识别等任务。循环神经网络具有对序列数据建模泛化的能力，当前的输出取决于历史输入过的信息，实现长期的记忆。本文基于人工神经网络构建的无线通信信号调制模型结构如下图1所示4。图1：无线通信信号调制模型结构该人工神经网络结构具有输入层、隐藏层和输出层，该模型的输入过程为一个调制过程，输入层的输入是原始信号，输出层的输出是经过调制的信号。设定此时人工神经网络中的加工处理层包含m个节点，对应人工神经网络的m个无线通信输入信号，也是样本特征矢量空间的维数，则此时，无线通信信号调制模型的表达公式如下：（2）公式中：i代表经过输出层的输出调制信号。1.2 提取无线通信信号特征参数在构建基于人工神经网络的无线通信信号调制模型后，考虑到无线通信信号调制模式的识别，需要选择并处理输入信号样本的特征，以体现信号调制模式的差异，或对其进行某些处理后，可以显示出不同的信号调制模式。特征的选取直接关系到分类器的设计和性能，对整个分类体系的设计至关重要5。因此，解析信号。任何一个实值信号都能组成一个复杂的解析信号，并且该信号是一个具有任意幅值、任意相位的转动矢量。由实值信号(t)的频谱对称性X(f)=X*(-f)可知，整个信号的信息内容只需一半信号频谱就能获得。因此，任意一个实信号都可以由它的右半谱来表示，也就是其解析信号的频谱。设定该实值信号z(t)的解析信号的表达公式如下：z(t)=(t)+y(t)（3）公式中：y(t)代表实值信号的希尔伯特变换，表示频谱参数。解析信号z(t)的频域表达公式如下：（4）公式中：Y(f)表示等效频域。模拟调制在通讯系统中占有举足轻重的地位，其中幅度调制与角度调制是最为常见且最为关键的一种。振幅调制以正弦波为载波，包含双边带抑制调幅、传统双边带调幅及单边带调幅。在频率调制中，载波的频率会随着调制信号的变化而变化，从而实现信息的传输。角度调制中的频率调制和相位调制虽然是非线性调制，但它们之间存在紧密的联系，可以通过其中一个性质推导出另一个性质。因此，本节将以频率调制为例进行讨论6，提取无线通信信号特征参数，提取的特征参数即为适合神经网络训练的特征向量，特征类型包括瞬时特征、频谱特征、循环特征、高阶累积量和高阶谱特征、统计特征。在该特征提取过程中，利用人工神经网络来提取特征参数。相较于传统的人工神经网络，本文方法对其进行了显著的改进。主要的改进之处在于，使用了maxout函数作为卷积层和全连接层的激活函数，取代了原先的ReLU函数。原始的模型存在神经网络退化现象，为了有效地解决这一问题，引入了maxout函数作为激活函数。Maxout函数通过取多个线性函数中的最大值来提供更强的非线性表达能力，这有助于网PAGE025设计与应用Design&Application络更好地捕捉和表达数据的复杂特征。此外，还增加了卷积层的数量，增加后的数量为6层，并对卷积核等特征进行了调整，以适应更复杂的特征提取需求。同时，为了平衡网络的复杂度和计算效率，降低了池化层的层数，降低后的层数为2层。这样的优化结构不仅改善了人工神经网络的退化现象，而且使得网络在训练过程中仅需关注输出与输入的差异部分，从而降低了训练难度，提高了学习效率。通过这一系列改进，本文成功构建了一个更加高效、准确的人工神经网络模型。如图2所示，这一改进后的模型结构展示了其在特征提取和分类任务中的优势，为后续的无线通信信号自动调制识别应用提供了强有力的支持。图2：改进后的人工神经网络模型结构将maxout函数作为该模型卷积层与全连接层的激活函数，其函数表现形式具体如下式：（5）公式中：Fij表示第i个输出特征中的第j个线性函数的输出，n代表人工神经网络神经元的最大数量。在maxout函数确定后，在第e个神经元的输出为：re(t)=er(t)+be （6）公式中：表示权重，b表示偏置项。基于第e个神经元的输出，提取无线通信信号特征参数，表达公式如下：c(t)=cos(2fct+c-re(t)（7）公式中：fc代表载波频率，c表示初始相位，在本文设计中c=0。提取无线通信信号特征参数是无线通信系统中的重要步骤，这些参数可以帮助理解和分析信号的特性，为后续的信号处理和通信系统设计提供关键信息7。1.3 无线通信信号自动调制识别实现基于提取的无线通信信号特征参数，构建无线通讯信号的自动调制识别方法，实现自动调制识别。在自动调制识别中，通常所需的信号预处理工作主要是对残留载波频率进行估计、对残留载波成分进行剔除等，假定前面可以进行的信道搜索和提取。特征提取部分从信息中抽取对识别有用的数据,也可以视为一个映射关系,即将输入的信息顺序反映到指定的特征空间中。而信号调制的类型识别部分则是确定了信息的调制类型8，调制识别类型包括2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、2FSK、MSK、16QAM、32QAM、64QAM。设定调制后的无线通信信号的表达公式为：（8）公式中：v(t)代表复包络，代表调制因子。求解S(t)的L阶差分序列，同时取其绝对值，其计算公式如下：SL(t)=S(t+L)-S(t),t=0,1,L-1 （9）基于以上分析可知，SL(t)的均值ms的计算公式如下：（10）公式中：ms代表识别阈值。此外，神经网络能够自动选择识别阈值，并且阈值的选择也具有一定的自学习能力，从而提高了识别率。自适应调整的识别阈值为：（11）公式中：代表学习率。根据ms对序列SL(t)进行初始自动识别，若SL(t)ms，则自动识别的无线通信信号调制类型对应的概率可为一类，识别输出趋近1，相反SL(t)ms，识别输出趋近0。为了进一步提高无线通信信号自动调制识别的准确性，引入相似度项，优化识别方法。以上述分类的调制后的无线通信信号为基础，计算其与被归类为同类信号的相似度，公式为：（12）公式中：SjL(t)代表通过识别阈值识别出的与SiL(t)同类的无线通信信号。选择相似度大于阈值的调制信号分类为同一类型，实现调制信号的识别9。2.实验测试与分析在实验测试之前，需要一些准备工作，保证本次实验的准确性。2.1 实验准备为验证本文提出的基于人工神经网络的无线通信信号自动调制识别方法在信号处理领域中具有一定的可行性，现提出一实验测试。本次实验将检测人工神经网络模型与文献1和文献3的识别方法的识别性能，首先，需要收集一定数量的无线通信信号数据，包括不同调制方式、不同信噪比、不同传输条件下的信号数据。这些数据可以来自于实际场景、模拟实验或者公开数据集。确保数据具有足够的多样性和代表性，以便能够全面评估人工神经网络在自动调制识PAGE026设计与应用Design&Application别方面的性能。选取Matlab软件作为此次测试平台，实验中的各项参数如下表1所示。实验中的噪声采用高斯白噪声。表1：实验参数在仿真实验过程中，分别对每种通信信号在信噪比为-10dB和30dB之间的情况下，生成了3000个样本作为训练数据。利用该样本对其进行分类，得到一个训练集合。其次，将训练样本与每一层神经网路相对应的训练样本与训练样本集合来训练。在训练时，可按要求设置训练目标的SSE和最大训练步数。2.2 实验结果与分析根据上述实验准备，现进行对比测试，其测试结果如下图3所示。图3：测试结果根据上述测试结果可以看出，本文使用的人工神经网路模型在识别方面相较于文献方法更具优势，本文方法的识别精度达到了0.93，而文献1方法和文献3方法的识别精度分别为0.70和0.81，因此，可以证明基于人工神经网络的无线通信信号自动调制识别方法具有更高的精准度，并且具有较强的可扩展性，能够适应不同场景和数据集的需求。综上所述，基于人工神经网络的无线通信信号自动调制识别方法在无线通信系统的设计和优化中，可以利用该方法对无线信号进行自动识别和分类，实现对不同调制方式的信号进行高效传输和可靠通信。3.结束语通过对基于人工神经网络的无线通信信号自动调制识别方法的研究，深入探讨神经网络在信号处理领域的应用潜力。通过构建和训练神经网络模型，成功实现了对多种调制方式的准确识别。这一方法不仅提高了识别的准确性和效率，还有助于推动无线通信领域的发展。本研究展示了神经网络在识别无线通信信号调制方式方面的有效性，为无线通信领域提供了新的解决方案。然而，本研究仍存在一定的局限性。未来研究可以进一步优化神经网络模型，提高识别准确率，同时考虑更多复杂多变的通信环境因素。此外，对于大规模数据的处理和实时性要求，需要进一步研究高效的数据处理方法和硬件实现方案。总之，基于人工神经网络的无线通信信号自动调制识别方法具有广阔的应用前景，为无线通信领域的发展提供了新的思路和方向。未来研究应继续关注这一领域的发展动态，为推动无线通信技术的进步做出贡献。参数数据载波频率150kHz采样速率1200kHz调制信号带宽4kHzAM调幅指数0.6FM调频指数5调制信号码元速率12.5kbps1 李立欣，倪涛，裘俊，等.基于混合神经网络的无线电信号自动调制识别J.上海航天(中英文)，2023,40(04):32-37.2 杨作骞，施威，王景景.基于并联网络的水声信号自动调制识别方法J.移动通信，2023,47(06):122-130.3 艾散帕合提，吾斯曼玉山.基于多端CNN的通信信号自动调制识别研究J.计算机测量与控制，2023,31(08):245-250+286.4 贺超，陈进杰，金钊，等.基于多模态时-频特征融合的信号调制格式识别方法J.计算机科学，2023,50(04):226-232.5 李汀，邢怀志，张进标.Alpha稳定分布噪声下基于轻量级网络的自动调制识别技术J.信号处理，2023,39(05):899-909.参考文献PAGE027设计与应用Design&Application6 李育恒，张敏，蔡敏康，等.基于YOLOv6框架实现典型通信信号调制快速识别方法J.遥测遥控，2023,44(04):63-72.7 孙桂萍，唐艳娜，于爱华.基于深度卷积神经网络的变换域通信网络抗干扰优化算法J.计算技术与自动化，2023,42(02):119-123+163.8 马冬云，王景，魏正荣.基于深度学习YOLOv2算法的无线通信网络干扰信号准确识别方法J.长江信息通信，2023,36(06):37-39.9 胡雅琳，付晓梅，暴纪欣，等.基于被动时间反转-自编码器的水声通信信号调制识别方法J.厦门大学学报(自然科学版)，2023,62(04):590-597.参考文献作者简介刘学燕，1979年9月生，女，重庆梁平人，大学本科学历，副高级工程师。主要从事无线通信设计方面的研究。