《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 基于數(shù)值特征與圖像特征融合的調(diào)制識別方法
基于數(shù)值特征與圖像特征融合的調(diào)制識別方法
2022年電子技術應用第11期
錢 磊1，2，吳 昊1，張 濤1，張 江1
1.國防科技大學第六十三研究所，江蘇 南京210007；2.國防科技大學 電子科學學院，湖南 長沙410073
摘要： 為解決低信噪比條件下相移鍵控和正交幅度調(diào)制類信號利用時頻圖像分類時識別率低的問題，提出一種信號特征融合的方法。首先對接收信號數(shù)據(jù)進行高階累積量計算，獲取一維數(shù)值特征向量；其次采用時頻分析方法預處理得到信號時頻圖，利用卷積神經(jīng)網(wǎng)絡提取其一維圖像特征向量；將兩類特征向量級聯(lián)得到一維融合特征向量，基于融合后的特征向量經(jīng)過全連接網(wǎng)絡進一步運算后得出分類識別結果。仿真結果顯示，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)制信號的識別準確率提高10%～30%。
中圖分類號： TN911.72
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222686
中文引用格式： 錢磊，吳昊，張濤，等. 基于數(shù)值特征與圖像特征融合的調(diào)制識別方法[J].電子技術應用，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

    在日趨復雜的電磁環(huán)境中，通常會接收到各種未知信號，該信號可能是己方的，也可能是敵方的，因此需要對信號的各種參數(shù)進行分析，以加強電磁頻譜管控，調(diào)制樣式就是其中一種關鍵參數(shù)。對非協(xié)作通信中接收信號的調(diào)制樣式的識別與確定是頻譜安全防護技術的重要一環(huán)，在電磁偵察、干擾信號識別、頻譜監(jiān)測等場景中都有著廣泛的應用場景和巨大的發(fā)展?jié)摿Γ谥械托旁氡拳h(huán)境下進行增強調(diào)制識別率的理論及方法研究是一項很重要的課題。

    調(diào)制識別可以看作是一類模式識別問題，其原理就是通過提取樣本的特征進行分類識別，主要包含三大模塊，即預處理、特征提取和分類識別。常見的信號特征提取方法有：瞬時特征[1]、高階累積特征[2]、小波變換[3]、時頻分析[4]等。決策樹[5]是常用的分類器，該方法易于理解但是泛化能力較差，于是產(chǎn)生了隨機森林(Random Forest，RF)[6]的方法，利用多棵決策樹對樣本進行訓練并預測的，有效地提高了泛化能力，但這兩類方法需人工確定節(jié)點，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，以最近的類標進行分類。以上傳統(tǒng)的方法結構簡單，易于理解，但是存在效率低下、惰性學習等局限性。目前更多地采用積極學習的算法，如支持向量機(Support Vector Machines，SVM)[8]，把結構風險最小化原則應用于分類領域中，擅于處理小樣本和二分類問題；神經(jīng)網(wǎng)絡(Neural Networks，NN)[9]，是模擬人腦功能的一種數(shù)學模型，在多分類問題中表現(xiàn)更好。此外，相比于淺層結構算法，深度學習通過深層非線性網(wǎng)絡結構，提取數(shù)據(jù)的內(nèi)在特征，在圖像識別和語音識別等方面取得了引人矚目的成績。調(diào)制識別和圖像識別及語音信號識別等方面存在很多關聯(lián)性和相似性，因此采用深度學習的方法來解決調(diào)制識別問題是一個切實可行的研究方向。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000005011。




作者信息：

錢  磊1，2，吳  昊1，張  濤1，張  江1

(1.國防科技大學第六十三研究所，江蘇 南京210007；2.國防科技大學 電子科學學院，湖南 長沙410073)




wd.jpg

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