《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于數(shù)值特征與圖像特征融合的調(diào)制識(shí)別方法
基于數(shù)值特征與圖像特征融合的調(diào)制識(shí)別方法
2022年電子技術(shù)應(yīng)用第11期
錢(qián) 磊1，2，吳 昊1，張 濤1，張 江1
1.國(guó)防科技大學(xué)第六十三研究所，江蘇 南京210007；2.國(guó)防科技大學(xué) 電子科學(xué)學(xué)院，湖南 長(zhǎng)沙410073
摘要： 為解決低信噪比條件下相移鍵控和正交幅度調(diào)制類(lèi)信號(hào)利用時(shí)頻圖像分類(lèi)時(shí)識(shí)別率低的問(wèn)題，提出一種信號(hào)特征融合的方法。首先對(duì)接收信號(hào)數(shù)據(jù)進(jìn)行高階累積量計(jì)算，獲取一維數(shù)值特征向量；其次采用時(shí)頻分析方法預(yù)處理得到信號(hào)時(shí)頻圖，利用卷積神經(jīng)網(wǎng)絡(luò)提取其一維圖像特征向量；將兩類(lèi)特征向量級(jí)聯(lián)得到一維融合特征向量，基于融合后的特征向量經(jīng)過(guò)全連接網(wǎng)絡(luò)進(jìn)一步運(yùn)算后得出分類(lèi)識(shí)別結(jié)果。仿真結(jié)果顯示，在1 dB條件下，相比于單一圖像特征，采用特征融合的方法可將調(diào)制信號(hào)的識(shí)別準(zhǔn)確率提高10%～30%。
中圖分類(lèi)號(hào)： TN911.72
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.222686
中文引用格式： 錢(qián)磊，吳昊，張濤，等. 基于數(shù)值特征與圖像特征融合的調(diào)制識(shí)別方法[J].電子技術(shù)應(yīng)用，2022，48(11)：89-93.
英文引用格式： Qian Lei，Wu Hao，Zhang Tao，et al. Modulation recognition method based on fusion of numerical features and image features[J]. Application of Electronic Technique，2022，48(11)：89-93.
Modulation recognition method based on fusion of numerical features and image features
Qian Lei1，2，Wu Hao1，Zhang Tao1，Zhang Jiang1
1.The 63rd Research Institute of National University of Defense Technology，Nanjing 210007，China； 2.School of Electronic Science，National University of Defense Technology，Changsha 410073，China
Abstract： In order to solve the problem of low recognition rate of phase shift keying and quadrature amplitude modulation signals when using time-frequency image classification under the condition of low signal-to-noise ratio, this paper proposes a method of signal feature fusion. Firstly, the method calculates the high-order cumulant of the received signal and obtains the one-dimensional numerical eigenvector. Then, the time-frequency diagram of the received signal is obtained by time-frequency analysis, and the one-dimensional image feature vector is extracted by convolution neural network. The two kinds of feature vectors are connected to obtain one-dimensional fusion feature vector. Finally, the fused feature vector is input into the full connection layer and the classification results are output. The simulation results show that under the condition of about 1 dB, the recognition rate of phase shift keying and quadrature amplitude modulation signals can be improved by about 10%～30% compared with the method of single image feature.
Key words : modulation recognition；high-order cumulant；time-frequency analysis；feature fusion

0 引言

    在日趨復(fù)雜的電磁環(huán)境中，通常會(huì)接收到各種未知信號(hào)，該信號(hào)可能是己方的，也可能是敵方的，因此需要對(duì)信號(hào)的各種參數(shù)進(jìn)行分析，以加強(qiáng)電磁頻譜管控，調(diào)制樣式就是其中一種關(guān)鍵參數(shù)。對(duì)非協(xié)作通信中接收信號(hào)的調(diào)制樣式的識(shí)別與確定是頻譜安全防護(hù)技術(shù)的重要一環(huán)，在電磁偵察、干擾信號(hào)識(shí)別、頻譜監(jiān)測(cè)等場(chǎng)景中都有著廣泛的應(yīng)用場(chǎng)景和巨大的發(fā)展?jié)摿?，在中低信噪比環(huán)境下進(jìn)行增強(qiáng)調(diào)制識(shí)別率的理論及方法研究是一項(xiàng)很重要的課題。

    調(diào)制識(shí)別可以看作是一類(lèi)模式識(shí)別問(wèn)題，其原理就是通過(guò)提取樣本的特征進(jìn)行分類(lèi)識(shí)別，主要包含三大模塊，即預(yù)處理、特征提取和分類(lèi)識(shí)別。常見(jiàn)的信號(hào)特征提取方法有：瞬時(shí)特征[1]、高階累積特征[2]、小波變換[3]、時(shí)頻分析[4]等。決策樹(shù)[5]是常用的分類(lèi)器，該方法易于理解但是泛化能力較差，于是產(chǎn)生了隨機(jī)森林(Random Forest，RF)[6]的方法，利用多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的，有效地提高了泛化能力，但這兩類(lèi)方法需人工確定節(jié)點(diǎn)，較為繁瑣。K最鄰近(K-Nearest Neighbors，K-NN)[7]算法使用距離度量將新示例與現(xiàn)有的示例比較，以最近的類(lèi)標(biāo)進(jìn)行分類(lèi)。以上傳統(tǒng)的方法結(jié)構(gòu)簡(jiǎn)單，易于理解，但是存在效率低下、惰性學(xué)習(xí)等局限性。目前更多地采用積極學(xué)習(xí)的算法，如支持向量機(jī)(Support Vector Machines，SVM)[8]，把結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則應(yīng)用于分類(lèi)領(lǐng)域中，擅于處理小樣本和二分類(lèi)問(wèn)題；神經(jīng)網(wǎng)絡(luò)(Neural Networks，NN)[9]，是模擬人腦功能的一種數(shù)學(xué)模型，在多分類(lèi)問(wèn)題中表現(xiàn)更好。此外，相比于淺層結(jié)構(gòu)算法，深度學(xué)習(xí)通過(guò)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，提取數(shù)據(jù)的內(nèi)在特征，在圖像識(shí)別和語(yǔ)音識(shí)別等方面取得了引人矚目的成績(jī)。調(diào)制識(shí)別和圖像識(shí)別及語(yǔ)音信號(hào)識(shí)別等方面存在很多關(guān)聯(lián)性和相似性，因此采用深度學(xué)習(xí)的方法來(lái)解決調(diào)制識(shí)別問(wèn)題是一個(gè)切實(shí)可行的研究方向。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://theprogrammingfactory.com/resource/share/2000005011。




作者信息：

錢(qián)  磊1，2，吳  昊1，張  濤1，張  江1

(1.國(guó)防科技大學(xué)第六十三研究所，江蘇 南京210007；2.國(guó)防科技大學(xué) 電子科學(xué)學(xué)院，湖南 長(zhǎng)沙410073)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。