通信信号调制方式识别——综述/硕博
淺談通信信號調(diào)制樣式自動識別方法 -古相平
程磊, 葛臨東, 彭華,等. 通信信號調(diào)制識別現(xiàn)狀與發(fā)展動態(tài)[J]. 微計算機(jī)信息, 2005, 021(10S):154-156.
曾創(chuàng)展, 賈鑫, 朱衛(wèi)綱. 通信信號調(diào)制方式識別方法綜述[J]. 通信技術(shù), 2015(03):252-257.
1bit =6db
概念
- 通信信號的調(diào)制識別是指在未知調(diào)制信息內(nèi)容以及調(diào)制參數(shù)的前提下，判斷出信號所采用的調(diào)制方式并估計出某些調(diào)制參數(shù)，為解調(diào)器正確選擇解調(diào)算法提供參數(shù)依據(jù)，最終獲得有用的信息內(nèi)容的過程。
- 調(diào)制樣式識別是介于能量檢測和解調(diào)之間的過程，能量檢測只需要粗略地估計信號的帶寬和中心頻率，而解調(diào)需要精確的頻率信息和信號的調(diào)制樣式。因此，調(diào)制樣式的識別就需要在先驗知識較少的情況下完成識別的過程，并得到更加精確的一些參數(shù)值。
系統(tǒng)組成
- 調(diào)制樣式自動識別系統(tǒng)包括以下幾個部分：
信號預(yù)處理模塊、特征提取模塊和調(diào)制樣式識別模塊。
信號預(yù)處理模塊的主要功能是為后續(xù)處理提供合適的數(shù)據(jù)，其任務(wù)一般包括：A/D轉(zhuǎn)換、頻率下變頻、同相和正交分量分解、載頻估計和載頻分量的消除等。
特征提取模塊是從輸入的信號序列中提取對調(diào)制識別有用的信息，主要是從數(shù)據(jù)中提取信號的時域特征或變換域特征。時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的直方圖或其它統(tǒng)計參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時頻分布及其它統(tǒng)計參數(shù)。對于變換域特征，采用FFT方法就能很好的獲取，而幅度、相位和頻率等時域特征主要由Hi1bert變換法，同相正交(I—Q)分量法和過零檢測法等獲得。
識別方法
- 調(diào)制樣式識別的方法主要分為基于特征提取的統(tǒng)計模式識別和基于決策理論的最大似然假設(shè)檢驗，不論是決策論途徑還是模式識別途徑, 通信信號的自動調(diào)制識別實際上都是假設(shè)檢驗和統(tǒng)計推斷這兩個基本數(shù)學(xué)方法現(xiàn)。其中后者的兩個步驟包括:一、對信號進(jìn)行特征統(tǒng)計處理, 即構(gòu)造信號的特征統(tǒng)計量; 二、根據(jù)某種準(zhǔn)則, 將求得的信號特征量與門限進(jìn)行比較, 并對其調(diào)制種類做出判決。
統(tǒng)計模式識別方法首先要從接收的信號中提取出特征參數(shù)，然后通過模式識別系統(tǒng)來確定信號調(diào)制類型。①基于統(tǒng)計參數(shù)的特征提取方法；②基于譜相關(guān)分析的特征提取方法；③基于時頻分析的特征提取方法；④基于高階統(tǒng)計量的特征提取方法；⑤基于信號星座圖的特征提取方法。
決策論方法采用概率論和假設(shè)檢驗中的貝葉斯理論解決信號的識別問題，它根據(jù)信號的統(tǒng)計持性，通過理論分析與推導(dǎo)，得到檢驗統(tǒng)計量，然后與一個合適的門限進(jìn)行比較，進(jìn)行判定。
基于統(tǒng)計模式的調(diào)制識別方法
- 優(yōu)點： 理論分析簡單，預(yù)處理簡單易實現(xiàn)，高信噪比時信號特征易提取、適用類型多、識別性能較好。在某些條件下，識別性能能夠接近理論最優(yōu)算法。在預(yù)處理精度較差、先驗知識較少的非合作通信的環(huán)境下，基于統(tǒng)計模式的調(diào)制識別方法依舊能夠有較好的識別性能。
- 缺點：算法的識別體系較繁雜，識別框架沒有完備的理論基礎(chǔ)，因而并不完善; 算法通常基于特定的信號樣本來提取特征及設(shè)定判決門限，因而識別效果受噪聲影響較大，當(dāng)信道不理想時，特征比較模糊。此外，通常還需要額外的訓(xùn)練樣本且工程實現(xiàn)較困難，因為算法結(jié)合了很多現(xiàn)代信號處理方法，而這些處理方法又大多沒有能夠?qū)崿F(xiàn)工程應(yīng)用或工程實現(xiàn)的效率不高。
基于決策論的調(diào)制識別算法
- 優(yōu)點： 其具有完備的理論基礎(chǔ)，能夠得到識別性能理論曲線，并保證在貝葉斯最小誤判代價準(zhǔn)則下其分類效果最優(yōu)，因而可以將其作為理論性能上界，用以檢驗其他識別方法的性能。此外，由于檢測統(tǒng)計量建模中充分考慮了噪聲因素，因此在低信噪比下也有較好的性能，并能通過其對信道信息的完備性來改進(jìn)算法以保證算法在非理想信道下的識別性能。
- 缺點：( 1) 似然函數(shù)推導(dǎo)復(fù)雜，未知變量較多時既難以處理，計算量還大。因而通常采用非似然比近似算法，但簡化處理會丟失分類信息導(dǎo)致分類性能下降;
( 2) 適用性差。由于似然函數(shù)的參數(shù)均是由特定條件下特定信號推導(dǎo)得到的，因而只適用于特定環(huán)境的調(diào)制識別問題;
( 3) 需要大量先驗知識，在參數(shù)估計存在偏差或所建模型與實際信道特性不匹配的情況下，算法性能急劇下降。
碩博論文
[1]陳蕙心. 通信信號調(diào)制識別技術(shù)研究[D].
創(chuàng)新點：
- 基于高階累積量和熵值聯(lián)合特征的調(diào)制識別算法
- 提出改進(jìn)粒子群（PSO）算法，構(gòu)造出改進(jìn)PSO-SVM分類器
文章中提到的研究現(xiàn)狀
假設(shè)檢驗似然比方法
特征提取的模式識別方法
信號預(yù)處理： 下變頻處理、載波頻率的估計及正交分量分解等
特征參數(shù)提取： 基于瞬時信息、高階累積量和熵值
分類識別： 通常采用的分類器有——決策樹、神經(jīng)網(wǎng)絡(luò)與支持矢量機(jī)三種。
模擬與數(shù)字通信分離
- 模擬與數(shù)字通信信號的最大區(qū)別是碼元速率的存在與否，對待識別信號進(jìn)行碼元速率的估計，通過判斷信號碼元速率是否存在就可以準(zhǔn)確地將數(shù)字通信信號和模擬通信信號分離開。對信號碼元速率的估計可利用信號的功率譜、非線性變換或小波變換來實現(xiàn)。基于小波變換的碼元速率估計方法大都適用于非零載頻的調(diào)制信號，故采用該方法實現(xiàn)對數(shù)字通信信號與模擬通信信號的分離。
- 連續(xù)小波變換（Continuous Wavelet Transform，CWT）
- 2.5理論未理解
論文中提出的三種調(diào)制識別
**七種特征參數(shù)：**幅度譜峰值、絕對幅度標(biāo)準(zhǔn)差、頻率均值、遞歸頻率均值2、遞歸頻率均值3、相位均值、遞歸相位均值
- 信號的瞬時特征受外部噪聲影響較大，故提取對噪聲不敏感的高階累積量作為信號分類的特征，選取合適的熵值特征可以識別高階累積量特征無法區(qū)分的信號。（高斯隨機(jī)變量對應(yīng)的高階累積量為零）
- 高階矩和高階累積量的定義and矩和累積量的轉(zhuǎn)換關(guān)系 (未理解）
- 由于決策樹的判決門限不具備自適應(yīng)性，即使在低信噪比條件下不同信號的特征參數(shù)具有很好的區(qū)分性，但此時特征值不滿足門限判決條件會出現(xiàn)誤判現(xiàn)象，致使算法性能下降。因此，選用具有自適應(yīng)性的分類器是本文研究提高調(diào)制識別算法性能的一個重點。
- 常用的分類器除決策樹外還有 神經(jīng)網(wǎng)絡(luò) （所需樣本數(shù)量大，易出現(xiàn)過學(xué)習(xí)、欠學(xué)習(xí)、陷入局部最小點）and 支持向量機(jī)SVM（處理有限樣本時有較好的分類性能和泛化能力，很好地處理非線性及高維模式識別等問題）
本文所研究課題在以下方面還可做進(jìn)一步改進(jìn)：
（1）真實的信號接收環(huán)境是復(fù)雜多變的，如何提取魯棒性更好的特征參數(shù)以提高調(diào)制識別算法的魯棒性是一個待研究的方向。
（2）本文提出的算法僅針對于單一的數(shù)字單載波信號調(diào)制樣式的分類識別，而在現(xiàn)實生活中信號的種類更加復(fù)雜多樣，如何改進(jìn)本文算法使之能用于對復(fù)雜調(diào)制信號的識別是一個待研究的方向。
（3）本文主要研究了 AWGN 信道中數(shù)字通信信號調(diào)制樣式的識別，但在實際應(yīng)用中信號的傳播還受到多徑衰落、瑞利衰落及其他噪聲的影響，因此還需探索在上述噪聲環(huán)境中對通信信號調(diào)制識別算法的改進(jìn)。
[2] 周龍梅. 基于深度學(xué)習(xí)的通信信號識別技術(shù)研究[D]. 2018. （短時傅里葉變換、小波 神經(jīng)網(wǎng)絡(luò)）
研究意義
- 通信信號識別的兩個主要過程，即特征提取與分類識別，大多基于淺層學(xué)習(xí)算法。
- 特征提取過程中，傳統(tǒng)的通信信號識別算法大多通過大量的人工分析提取目標(biāo)信號在理想模型或環(huán)境中的屬性特征，對于復(fù)雜的環(huán)境或復(fù)雜的感知任務(wù)的適用性不強(qiáng)。眾多學(xué)者利用已有的一些模型如主成分分析、稀疏編碼等對語音信號、圖像信號、文本信號等進(jìn)行抽象特征提取，即**“表征學(xué)習(xí)”（Representation Learning）。在表征學(xué)習(xí)用于通信信號的特征學(xué)習(xí)與提取方面，目前的研究大多數(shù)僅限于嘗試?yán)?/strong>機(jī)器學(xué)習(xí)的一些普式模型**（如PCA、稀疏編碼、自動編碼器、LLE等），或者借助其他語音及圖像領(lǐng)域的經(jīng)驗學(xué)習(xí)模型對通信信號進(jìn)行處理。
- 在分類識別過程中，隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，人工判決樹算法（根據(jù)特征閾值進(jìn)行決策的判決樹）逐漸被機(jī)器學(xué)習(xí)分類器取代，在一定程度上提升了分類器對于復(fù)雜通信環(huán)境、復(fù)雜信號類型分類問題的自適應(yīng)性，但目前主要利用機(jī)器學(xué)習(xí)中的淺層網(wǎng)絡(luò)和經(jīng)典模型，如SVM、Ｋ均值、貝葉斯模型等，解決通信中遇到的分類、識別、決策判斷等方面的問題。部分學(xué)者也開始嘗試?yán)贸墒斓纳疃葘W(xué)習(xí)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN），進(jìn)行通信信號特征提取和信號識別等任務(wù)，然而結(jié)合通信信號本身和信號傳輸系統(tǒng)的特點對深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行重新建模很少有嘗試。結(jié)合通信信號本質(zhì)進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)研究，構(gòu)建具有自適應(yīng)性、自我學(xué)習(xí)、自主決策能力的通信信號處理機(jī)制因此具有重大的意義。
文章所提國內(nèi)外現(xiàn)狀
通信信號識別應(yīng)用方面，許多學(xué)者采用SVM對提取的特征進(jìn)行分類，如利用通信信號的循環(huán)平穩(wěn)性質(zhì)構(gòu)造循環(huán)累積量域內(nèi)的信號分類特征矢量，采用支持矢量機(jī)將分類特征矢量映射到高維空間并構(gòu)建最優(yōu)分類超平面，實現(xiàn)對多類數(shù)字調(diào)制信號的自動識別 （上一篇文章用到的） ；或通過小波變換將輸入信號映射到一個高維特征空間，再利用支持向量機(jī)對數(shù)字調(diào)制信號進(jìn)行分類。還有【1】采用 隨機(jī)森林算法 對雷達(dá)信號的時頻圖像特征進(jìn)行脈內(nèi)調(diào)制識別；【2】利用 反向傳播神經(jīng)網(wǎng)絡(luò) 分別對基于 小波變換 提取的特征和基于 領(lǐng)域粗糙集屬性快速約簡算法 選擇的調(diào)制特征參數(shù)進(jìn)行信號識別。
- 大多停留在淺層學(xué)習(xí)層面，即利用機(jī)器學(xué)習(xí)算法完成通信系統(tǒng)任務(wù)中的識別、檢測、估計等任務(wù)，用于識別、檢測的特征仍采用專家特征，不僅需要大量的人力且依賴于專業(yè)的知識和分析，同時不便于推廣。深度學(xué)習(xí)與傳統(tǒng)模式識別方法的最大區(qū)別在于它從大數(shù)據(jù)中自動學(xué)習(xí)特征，而非采用手工設(shè)計的專家特征。
問題綜述
區(qū)間縮放：將特征的取值區(qū)間縮放到某個特定的范圍內(nèi)，將特征縮放到[0,1]范圍內(nèi)。
標(biāo)準(zhǔn)化：將服從正態(tài)分布的數(shù)據(jù)轉(zhuǎn)換成服從標(biāo)準(zhǔn)正態(tài)分布數(shù)據(jù)的過程。利用特征的均值和標(biāo)準(zhǔn)差s。
歸一化：針對各個樣本的不同特征屬性值進(jìn)行處理。
常用的時頻分析方法：
①短時傅立葉變換：不同于傅立葉變換之處在于前者在分析信號的過程中引入了窗函數(shù)的概念。利用窗函數(shù)截取小片段信號再分析該片段信號的頻譜特性，可以獲得該片段信號對應(yīng)時間附近的局部頻譜，當(dāng)窗函數(shù)隨時間變換平移，則可以獲得信號的二維時頻譜（反應(yīng)信號頻譜隨時間的變化情況）。短時傅立葉變換的加窗操作可以將非平穩(wěn)或時變信號分成許多近似平穩(wěn)的小片段信號，從而可對這些小片段信號進(jìn)行傅立葉變換分析。將短時傅立葉變換用于非平穩(wěn)信號的分析時，為了更好地反應(yīng)信號頻譜隨時間變化的規(guī)律，窗函數(shù)的長度需要根據(jù)信號的不同進(jìn)行適當(dāng)調(diào)整，從而獲得適當(dāng)時間或頻率分辨率的特征，如：對于變化平緩的低頻信號應(yīng)采用具有較高頻率分辨率的窗函數(shù)，而對于變化劇烈的信號則應(yīng)采用具有較高的時間分辨率的窗函數(shù)。
②小波變換：利用一系列由母小波函數(shù)經(jīng)時間平移和伸縮變化得到的子小波函數(shù)對信號進(jìn)行時移比較，并利用小波系數(shù)表征信號與一系列子小波的相似程度。由于子小波可以通過不同的時間平移和伸縮變化達(dá)到任意小的規(guī)定精度，也能精確度量有限長的信號，因此可以獲得信號局部時間區(qū)域內(nèi)的信息，這是傅立葉分析做不到的。
③Winger-Ville（ＷＶ）分布：又稱為雙線性時頻分析，具有良好的時頻聚集性，對于線性調(diào)頻信號具有良好的檢測性能。基于ＷＶ分布提取的信號特征也可以反應(yīng)信號頻率隨時間的變換規(guī)律，較好地識別信號是單分量還是多分量。
識別算法的優(yōu)劣性可以從幾個方面進(jìn)行評估：①識別率，特別是低信噪比條件下的正確識別率；②算法復(fù)雜度，包括算法計算復(fù)雜度、算法設(shè)計復(fù)雜度、算法實時性等；③算法的場景適用性，包括對不同的信號傳輸場景的適用性、對多種信號的準(zhǔn)確識別等；④分類器的自動化和智能化水平。
基于人工設(shè)定閾值的分析決策樹缺乏自動化和智能化設(shè)計，場景轉(zhuǎn)換和信噪比等參數(shù)變化都會導(dǎo)致分類效果的大大降低。基于機(jī)器學(xué)習(xí)算法設(shè)計的分類器被廣泛應(yīng)用于調(diào)制識別等任務(wù)中常用的分類算法及分類器有：KNN（基于少數(shù)服從多數(shù)原則，將一個樣本的類別選定為特征空間中該樣本最鄰近的Ｋ個樣本中大多數(shù)樣本所屬的類別）、SVM（針對線性可分的兩類數(shù)據(jù)，以結(jié)構(gòu)風(fēng)險最小化為歸納原則構(gòu)造特征空間中的最優(yōu)超平面，以最大化特征空間中數(shù)據(jù)到該超平面的距離。線性不可分的數(shù)據(jù)則需要通過核函數(shù)將低維特征映射到高維特征空間使其線性可分）
- 淺層學(xué)習(xí)如支持向量機(jī)、最大熵方法、提升方法等對人工分析獲取的不具有層次結(jié)構(gòu)的單層樣本特征進(jìn)行學(xué)習(xí)，而深度學(xué)習(xí)則通過構(gòu)建多個非線性操作層獲取原始信號經(jīng)逐層特征變換得到層次化的特征表示，深度學(xué)習(xí)獲得的特征不依賴于人工分析，是自主學(xué)習(xí)得到的。基于無監(jiān)督特征學(xué)習(xí)和特征層次結(jié)構(gòu)的深度學(xué)習(xí)算法能夠很好地解決傳統(tǒng)機(jī)器學(xué)習(xí)過程中由依賴于人工設(shè)計特征帶來的實際操作困難、局限性大的問題，從而大大提高識別系統(tǒng)的性能。
①受限波爾茲曼機(jī)(RBM)②Gibbs采樣與對比散度算法③卷積受限波爾茲曼機(jī)（CRBM)④深度信念網(wǎng)絡(luò)關(guān)鍵算法
基于短時傅里葉變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)（深度學(xué)習(xí) 先略過）
基于小波變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)（同略）
基于深度學(xué)習(xí)的通信信號識別與檢測(未細(xì)看）
對2ASK、4ASK、2FSK、GFSK、16QAM、OQPSK六類調(diào)制信號進(jìn)行識別。
利用基于CRBM的STFT特征學(xué)習(xí)網(wǎng)絡(luò)和基于RBM的STFT特征學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建了完整的數(shù)字調(diào)制識別網(wǎng)絡(luò)，考察三種傳統(tǒng)算法和兩種基于深度神經(jīng)網(wǎng)絡(luò)的算法）在不同的信噪比下對六種調(diào)制信號的識別精度，驗證了本文提出的基于深度神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)越性，并通過比較網(wǎng)絡(luò)的訓(xùn)練、測試速度證明了基于RBM的特征學(xué)習(xí)網(wǎng)絡(luò)在計算復(fù)雜度的優(yōu)勢。最后，針對無線通信信道中的信號檢測問題，基于直接型和間接型DWT特征學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建了完整的信號檢測網(wǎng)絡(luò)，考察直接型特征學(xué)習(xí)網(wǎng)絡(luò)輸出特征、不同組成的間接型特征學(xué)習(xí)網(wǎng)絡(luò)輸出特征和傳統(tǒng)小波變換提特征對信號檢測識別準(zhǔn)確率的影響。
總結(jié)
針對傳統(tǒng)算法中專家特征提取算法的場景局限性、人工分析成本高等問題，本文創(chuàng)新地將深度學(xué)習(xí)網(wǎng)絡(luò)引進(jìn)通信信號的特征提取中，利用多層非線性網(wǎng)絡(luò)獲得抽象的高層特征表示和屬性類別特征等，并利用深層特征實現(xiàn)通信信號的高精度分類與識別。
從注意力機(jī)制的提出原理中獲得啟發(fā)，提出基于基本的通信信號時頻分析方法構(gòu)造更適用于通信信號識別場景的深度學(xué)習(xí)網(wǎng)絡(luò)，包括引入時傅立葉變換機(jī)制和離散小波變換機(jī)制構(gòu)建基于通信信號深度特征學(xué)習(xí)網(wǎng)絡(luò)和信號識別網(wǎng)絡(luò)。對于深度學(xué)習(xí)網(wǎng)絡(luò)而言，網(wǎng)絡(luò)復(fù)雜度也是一個重要性能指標(biāo)，網(wǎng)絡(luò)越復(fù)雜，對硬件的要求越高，網(wǎng)絡(luò)訓(xùn)練和運(yùn)算執(zhí)行的速度也會越慢。為了降低深度學(xué)習(xí)網(wǎng)絡(luò)對高性能硬件的要求，加快網(wǎng)絡(luò)訓(xùn)練速度，本文改進(jìn)了基于卷積受限玻爾茲曼機(jī)實現(xiàn)的基于短時傅立葉變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)，通過分析網(wǎng)絡(luò)模型的計算過程，適當(dāng)調(diào)整網(wǎng)絡(luò)層順序和網(wǎng)絡(luò)結(jié)構(gòu)，利用非卷積網(wǎng)絡(luò)實現(xiàn)相同的數(shù)據(jù)計算處理過程，從而大大降低網(wǎng)絡(luò)復(fù)雜度，提升網(wǎng)絡(luò)訓(xùn)練速度。
缺點：數(shù)據(jù)集仿真生成/深度學(xué)習(xí)處理數(shù)據(jù)為實數(shù)信號(通信信號分析和處理一般為復(fù)數(shù)信號)
許多值得研究的內(nèi)容，如：利用深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建完整的無線通信系統(tǒng)、利用深度學(xué)習(xí)算法構(gòu)建多類型通信信號濾波器等。在后續(xù)的研宄中，除了需要采集實際數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練和測試外，我們將進(jìn)一步模擬通信信號循環(huán)譜特征的提取方法，構(gòu)建新的通信信號特征學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于更復(fù)雜多樣的調(diào)制方式識別等問題中。
[3]周江. 基于神經(jīng)網(wǎng)絡(luò)的通信信號調(diào)制識別研究及實現(xiàn)[D]. CNN LSTM長短時記憶
全文概述
兩者的輸入：前者需要基于通信信號的領(lǐng)域知識構(gòu)造精巧的人工特征作為神經(jīng)網(wǎng)絡(luò)的輸入（通信信號的特征向量）；而后者則可以直接將采樣得到的通信信號樣點作為神經(jīng)網(wǎng)絡(luò)的輸入。**兩者的計算資源需求：**基于人工神經(jīng)網(wǎng)絡(luò)的通信信號調(diào)制識別器計算資源開銷主要有三個方面，一是通信信號的預(yù)處理及特征提取，二是神經(jīng)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)集上的訓(xùn)練學(xué)習(xí)，三是神經(jīng)網(wǎng)絡(luò)對于待識別通信信號的推理判斷。其中，對于通信信號的預(yù)處理是兩者都需要，而特征提取工作則只是淺層神經(jīng)網(wǎng)絡(luò)調(diào)制識別器需要進(jìn)行的。神經(jīng)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)集上的訓(xùn)練學(xué)習(xí)則是最大的計算資源開銷，其取決于訓(xùn)練數(shù)據(jù)集的規(guī)模和神經(jīng)網(wǎng)絡(luò)的規(guī)模，那么顯然后者相比于前者會花費(fèi)更多的計算資源。同樣，對于未知調(diào)制模式信號的推理判斷，前者需要提取特征然后輸入進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行計算推理得到調(diào)制模式，后者則直接將采樣信號輸入進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行計算推理得到調(diào)制模式，相比之下，后者還是會消耗更多的計算資源。綜合來講，由于最大的計算資源開銷在于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，因此我們可以斷定后者相比前者會消耗更大的計算資源代價。
神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
Sigmoid函數(shù) ：幾個明顯的缺陷——梯度飽和性(對基于反向傳播算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練極為不利，易導(dǎo)致網(wǎng)絡(luò)無法收斂）、全局非負(fù)性（值域非負(fù)，均值大于0，不符合神經(jīng)網(wǎng)絡(luò)數(shù)值期望為0的設(shè)想）、計算復(fù)雜性。
Tanh函數(shù) ：為解決均值非 0 問題提出一種激活函數(shù)，tanh(x) = 2sigmoid(2x)-1 ,均值為0，但仍梯度飽和且計算復(fù)雜。
ReLU函數(shù) ：線性整流函數(shù)。 優(yōu)：解決了sigmoid在x正半軸梯度飽和問題，計算復(fù)雜度更低。 缺：期望非0、x負(fù)半軸梯度為0，無法傳播梯度更新權(quán)重—"死區(qū)“
Leaky_ReLU函數(shù) ：性能不夠穩(wěn)定
P_ReLU函數(shù) ：參數(shù)化修正線性單元函數(shù)。增加了網(wǎng)絡(luò)的自由度，增加網(wǎng)絡(luò)的過擬合風(fēng)險。
通信信號調(diào)制模式及特征抽取
通信信號的譜特征是針對信號的瞬時幅度、相位和頻率以及信號功率所提取的統(tǒng)計量，常用五個譜特征：最大功率譜/瞬時幅度絕對值標(biāo)準(zhǔn)差/瞬時相位絕對值標(biāo)準(zhǔn)差/瞬時相位標(biāo)準(zhǔn)差/瞬時頻率絕對值標(biāo)準(zhǔn)差
余圖略。根據(jù)特征的不同可區(qū)分信號。
信號的累積量特征指信號的各階矩特性，我們通常會計算信號的二階、三階、四階矩，原因一是信號的高階矩能排除噪聲的影響，高斯噪聲的高階矩為 0；二是對于信號來講，過于高階的矩計算會很復(fù)雜。
針對離散信號，求各階矩。針對通信信號，對信號向量做希爾伯特變換，與原始信號組成解析信號，然后取其實部和虛部，構(gòu)成各階高階累積量。
- 我們必須組合全部特征來對我們的調(diào)制信號進(jìn)行分類。人工神經(jīng)網(wǎng)絡(luò)正是基于這樣一個假設(shè)“一個信號的各類特征經(jīng)過線性組合再經(jīng)過非線性映射就能得到它的調(diào)制模式標(biāo)簽”來對我們的信號進(jìn)行調(diào)制模式識別的。
淺層神經(jīng)網(wǎng)絡(luò)通信信號調(diào)制識別器的設(shè)計與實現(xiàn)
- 輸入是通信信號的特征向量，輸出是其相應(yīng)的調(diào)制模式類別標(biāo)簽。
- 通過第三章的描述可知，我們在分析中采用的信號特征包括 5 個譜特征和 12 個累積量特征，那么對每個信號就可以由一個 17 維度的特征向量來描述，因此我們設(shè)置輸入層神經(jīng)元數(shù)目為 17。因為我們需要進(jìn)行識別的調(diào)制信號共七類，因此我們設(shè)置輸出層神經(jīng)元數(shù)目為 7。
- ReLU激活函數(shù)用于隱藏層神經(jīng)元的激活。Softmax 激活函數(shù)作用于輸出神經(jīng)層神經(jīng)元。損失函數(shù)就可以明確的設(shè)計為交叉熵?fù)p失函數(shù)。對數(shù)據(jù)的真實標(biāo)簽進(jìn)行獨熱編碼。（對于樣本的真實標(biāo)簽，也必須轉(zhuǎn)換為一個相同維度的概率分布向量才能計算交叉熵?fù)p失。正好，獨熱編碼能達(dá)到這樣的目的）
- CPU很擅長處理串行的復(fù)雜的邏輯運(yùn)算任務(wù)；而 GPU 則特別適合處理高并行的計算密集型任務(wù)，尤其是SIMD 的任務(wù)。對于神經(jīng)網(wǎng)絡(luò)而言，則是一個典型的 SIMD 任務(wù)。但是 GPU 的工作需要在 CPU 的引導(dǎo)下完成，也就是說 CPU 和 GPU 構(gòu)成一對 master 和 slaver，本章后續(xù)的內(nèi)容就主要介紹在 CPU 和 GPU 平臺上協(xié)同實現(xiàn)神經(jīng)網(wǎng)絡(luò)
https://blog.csdn.net/sean_xyz/article/details/44156215 SIMD任務(wù)含義
基于深度學(xué)習(xí)技術(shù)的通信信號調(diào)制識別研究 （卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)-LSTM）
- 在淺層的神經(jīng)網(wǎng)絡(luò)中，我們需要從原始的通信信號采樣數(shù)據(jù)中人工設(shè)計和提取特征，用于神經(jīng)網(wǎng)絡(luò)的輸入。要求特征的設(shè)計者具備良好通信與信號領(lǐng)域的專業(yè)知識，這也就是所謂的“特征工程”的一個弊端。為了避免這個弊端，我們可以考慮實現(xiàn)一個端到端的通信信號調(diào)制識別系統(tǒng)，即將原始通信信號采樣數(shù)據(jù)作為系統(tǒng)輸入，直接輸出信號的調(diào)制模式，而不必考慮如何設(shè)計優(yōu)良的特征描述通信信號。對機(jī)器而言，這是一種更高層次的學(xué)習(xí)，而深度學(xué)習(xí)技術(shù)給我們提供了這樣的途徑。
總結(jié)
[4] 孫汝峰. 基于高階累積量與譜分析的數(shù)字調(diào)制信號識別[D]. 2016.
- 常用的特征提取方法如基于時域頻域瞬時特征以及變換域特征等方法。基于變換域特征的方法主要分為兩部分來實現(xiàn)，第一部分將要識別的信號轉(zhuǎn)變到其他特征空間，第二部部分主要分析信號在新特征空間中的特征并提取出特征參數(shù)，進(jìn)而實現(xiàn)對信號的分類。基于傅里葉變換、小波變換和循環(huán)譜的分類特征就屬于該類方法。
- 傳統(tǒng)的信號處理一般是采用平穩(wěn)隨機(jī)過程作為研究模型，但實際信號經(jīng)過諸如采樣、掃描、編碼、調(diào)制等周期性操作后不再具有平穩(wěn)特性，即其統(tǒng)計參數(shù)諸如平均值和自相關(guān)函數(shù)等不再是時不變的，而是隨時間呈現(xiàn)周期特性，該特性也被稱為循環(huán)平穩(wěn)性。
高斯信道下基于高階累積量與二次方譜的數(shù)字調(diào)制信號的識別
本文提出了一種基于信號八階累積量和二次方譜的方法。利用從信號的八階累積量以及四階累積量中提取的特征參數(shù)對所要識別的 12 種信號進(jìn)行分類，對于不能直接識別的QPSK 和 OQPSK、8PSK 和π/4-QPSK 的兩類信號，本文首先對該類信號進(jìn)行差分處理，之后推導(dǎo)出信號差分后的八階矩和八階累積量，從中提取出兩個特征參數(shù)，實現(xiàn)對這兩類信號的識別。由于 2/4/8FSK 信號的高階累積量值都相同，不能夠利用高階累積量進(jìn)行識別，本文利用 MFSK 信號的二次方譜的譜線特征，提取出一個特征參數(shù)，實現(xiàn)該類信號的識別。本文用了四個特征參數(shù)實現(xiàn)了對 4ASK、2PSK、QPSK、OQPSK、8PSK、π/4-QPSK、2/4/8FSK、8QAM、16QAM、32QAM 等 12 種信號的識別。
非高斯信道下基于循環(huán)譜的數(shù)字信號的調(diào)制識別
本文提出了一種基于循環(huán)譜的識別方法：首先將被 Alpha 噪聲污染的數(shù)字信號進(jìn)行預(yù)處理，以解決 Alpha 噪聲下信號循環(huán)譜失效的問題，然后對處理之后的信號求循環(huán)譜，通過分析各信號循環(huán)譜的譜線特征，提取出 4 個特征參數(shù)對信號進(jìn)行識別。仿真結(jié)果表明，在 Alpha 噪聲環(huán)境下，該方法可以實現(xiàn)對 2PSK、QPSK、2FSK、4FSK、MSK 五種信號的識別，并且取得了較高的識別率，具有良好的性能。
- Alpha 穩(wěn)定分布是一種廣義化的高斯分布，高斯分布只是它的一個特例。Alpha 穩(wěn)定分布沒有統(tǒng)一閉式的概率密度函數(shù)，所以在描述它時經(jīng)常采用特征函數(shù)來描述。
- 實際應(yīng)用中，通信信號更接近于一個周期平穩(wěn)過程，其統(tǒng)計特性常呈現(xiàn)出時間的周期性。
- 由于 Alpha 噪聲不存在二階及二階以上的統(tǒng)計量，所以被 Alpha 噪聲污染的信號也就不會存在有效的循環(huán)譜，分析原因主要是因為 Alpha 噪聲中存在著很大的沖激脈沖，致使受污染后的信號存在著較大的幅度。
展望
(1）高斯噪聲環(huán)境中，實現(xiàn)信噪比在 0dB 以下信號的高識別率。
(2)對多徑、瑞利信道下的調(diào)制識別技術(shù)研究。
(3)第四代移動通信的信號主要是 OFDM 信號，本文并未對該信號進(jìn)行識別，下一步的研究方向可以針對復(fù)雜信道環(huán)境下OFDM 信號的識別展開研究。
(4)對于采用高階累積量的分類方法，常常需要知道調(diào)制信號精確的載頻信息，因此在對載頻進(jìn)行估計時對估計算法的要求較高，因此需要對載頻估計算法做進(jìn)一步研究。
[5] 吳添. 基于機(jī)器學(xué)習(xí)的數(shù)字信號解調(diào)與識別的研究[D]. 2019. （軟件無線電）
總結(jié)
以上是生活随笔為你收集整理的通信信号调制方式识别——综述/硕博的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： sql number转varchar_M
- 下一篇： python之爬虫（四）之 Reques