基于卷积神经网络的fsk信号识别方法
技术领域
1.本发明涉及信号识别领域，尤其涉及一种基于卷积神经网络的fsk信号识别方法。
背景技术：2.人类社会的发展一直伴随着通信技术的进步，从烽火狼烟到星链通信，通信技术得到了飞速发展和质的飞跃，通信手段也日趋丰富、高效和复杂。通信的目的在于快速准确地传递信息。回顾通信技术旳发展简史，虽不过百余年但通信技术的发展可谓是日新月异。经过百余年的发展，通信技术经历了模拟到数字的转变。在通信技术的发展过程中，为了提高通信的质量和效率，更加高效地利用信道容量，满足不同用户的需求，通信信号釆用不同的调制体制，通信信号的调制可分为模拟调制和数字调制。模拟调制可以分为幅度调制，频率相位调制；数字信号的调制方式则更为丰富，可分为幅移键控(ask)，频移键控(fsk)，相移键控(psk)，而每一种调制方式又可进一步划分，比如频移键控就可分为2fsk、4fsk、8fsk等。
3.近些年深度学习技术在图像方面发展成熟，也被应用到越来越多的行业当中，取得了很好的效果。将深度学习技术和无线电信号检测结合起来已经成为了一种趋势，但不同调制方式的信号特性差异很大，且需要将多种信号特征相结合才能完成信号的调制识别，如何能够将信号的自身特性与深度学习结合起来得到了越来越多研究人员的关注。
技术实现要素：4.本发明的目的就在于为了解决上述问题设计了一种基于卷积神经网络的fsk信号识别方法。
5.本发明通过以下技术方案来实现上述目的：
6.基于卷积神经网络的fsk信号识别方法，包括：
7.s1、随机生成多种fsk信号，并保存fsk信号的信号类别；
8.s2、对fsk信号的iq数据进行处理获得fsk信号的瞬时频率数据和一阶频谱数据；
9.s3、根据i路数据、q路数据、瞬时频率数据、一阶频谱数据和数据类型构建数据集；
10.s4、数据集导入并训练深度学习卷积神经网络模型；
11.s5、均匀切分待预测信号的原始iq数据，并进行瞬时频率和一阶频谱计算得到m个信号预测样本；
12.s6、m个信号预测样本导入优化后的深度学习卷积神经网络模型进行预测，并得到m个预测结果；
13.s7、对m个预测结果进行分析确定待预测信号的识别结果。
14.本发明的有益效果在于：
15.1、本发明具有较高的识别准确率。传统多信号类型识别方法需构建决策树，而该方法复杂、条件阈值因信号强弱很难设定，在信噪比较低的情况下，准确率不能保证，而本发明使用了深度学习的方式将信号的不同特征融合并提取出来，具有较高的准确率。
16.2、本发明具有很强的抗噪抗干扰能力。在一些通信环境中不可避免的存在噪声和干扰的情况，如无线传输环境，传统的调制识别方法需要对噪声和干扰进行特殊处理，其处理流程复杂，当信号较弱时会直接导致无法识别，而本发明具有很强的抗噪和抗干扰能力，在信号较弱时，依然具有较好的效果。
17.3、本发明具有较快较稳定的处理速度。传统的调制类型识别中，信号特征提取方法种类繁多，过程复杂，且不同特征进行有效融合方法实现困难，在处理不同情况时计算耗时也不同，本发明使用深度学习方法进行特征融合与提取，处理时间在各种复杂情况下都能控制在1秒以内。
18.4、本发明更新维护简单，可实施性强，迭代周期可控。传统调制类型识别在遇到突发情况时，会针对遇到的特定噪声或干扰增加策略，但这种方式维护成本高，迭代周期不稳定，计算代码会变得越来越冗杂，可维护性不高；而本发明中只需将所遇到的突发信号加入数据集中进行训练，得到的模型进行替换即可，维护方便。
附图说明
19.图1是本发明基于卷积神经网络的fsk信号识别方法的流程示意图；
20.图2是本发明深度学习卷积神经网络模型的示意图；
21.图3是本发明模型训练流程示意图；
22.图4是本发明信号调制识别流程示意图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
24.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
26.在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
27.此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
28.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连
接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
29.下面结合附图，对本发明的具体实施方式进行详细说明。
30.基于卷积神经网络的fsk信号识别方法，包括：
31.s1、随机生成六种fsk信号，分别为2afsk、2fsk、4fsk、8fsk、msk、gmsk和其他信号中的任意六种，其他信号为除fsk调制方式以外的其他调制方式的信号，并保存fsk信号的信号类别；2afsk、2fsk、4fsk、8fsk、msk和gmsk的信号生成数量为n，其他信号的生成数量为3n，fsk信号的信号长度为l，其中n为不小于10000的正整数。
32.s2、对fsk信号的iq数据进行处理获得fsk信号的瞬时频率数据和一阶频谱数据；
33.s3、根据i路数据、q路数据、瞬时频率数据、一阶频谱数据和数据类型构建数据集；
34.s4、数据集导入并训练深度学习卷积神经网络模型；
35.s5、以长度l均匀切分待预测信号的原始iq数据，不足l的进行补零，并进行瞬时频率和一阶频谱计算得到m个信号预测样本；
36.s6、m个信号预测样本导入优化后的深度学习卷积神经网络模型进行预测，并得到m个预测结果；
37.s7、选取m个预测结果中类型结果最多的作为待预测信号的识别结果。
38.深度学习卷积神经网络模型从输入到输出依次包括：
39.四个输入层；四个输入层用于分别输入i路数据、q路数据、瞬时频率、一阶频谱；
40.四个第一提取层；四个第一提取层分别对i路数据、q路数据、瞬时频率、一阶频谱进行特征提取并标准化，得到四个第一特征矩阵，四个第一提取层的卷积核尺度各不相同；
41.第一叠加池化层；第一叠加池化层用于对四个第一特征矩阵进行叠加并池化的到池化后的第一特征矩阵；
42.第二提取层；第二提取层用于对池化后的第一特征矩阵进行特征提取，得到第二特征矩阵；
43.四个第三提取层；四个第三提取层用于对第二特征矩阵进行特征提取并标准化，得到四个第三特征矩阵，四个第三提取层的卷积核尺度各不相同；
44.第二叠加池化层；第二叠加池化层用于对四个第三特征矩阵进行叠加并池化的到池化后的第三特征矩阵；
45.第四提取层；第四提取层用于对池化后的第三特征矩阵进行特征提取，得到第四特征矩阵；
46.四个第五提取层；四个第五提取层用于对第二特征矩阵进行特征提取并标准化，得到四个第五特征矩阵，四个第五提取层的卷积核尺度各不相同；
47.第三叠加池化层；第三叠加池化层用于对四个第五特征矩阵进行叠加并池化的到池化后的第五特征矩阵；
48.第六提取层；第六提取层用于对池化后的第五特征矩阵进行特征提取，得到第六特征矩阵；
49.第七提取层；第七提取层用于对第六特征矩阵进行特征提取，得到第七特征矩阵；
50.平坦层；平坦层用于把多维数据一维化，为全连接做数据处理；
51.第一全连接层；第一全连接层用于对第七特征矩阵进行特征压缩，第一全连接层为l；
52.第二全连接层；第二全连接层用于对压缩后的第七特征矩阵再次进行压缩，第二全连接层的压缩长度为7。
53.具体流程为：
54.在本具体实施例中，如图1所示，为本发明整体识别流程示意图，其分为模型训练部分和预测部分，训练部分使用仿真信号进行模型训练，得到权重文件；预测时使用预测信号输入到带有权重的深度学习卷积神经网络模型中，就可以得到预测结果。
55.训练部分流程如3所示，首先随机生成六种fsk信号，分别为2afsk、2fsk、4fsk、8fsk、msk、gmsk和其他信号，其中前六种信号生成数量为10000个，其他信号为其他调制方式的信号，生成数量为30000个，信号长度为1024，噪声、符号速率等参数随机，并记录保存信号类别；对生成的信号iq数据进行处理，得到信号的瞬时频率数据和一阶频谱数据；使用仿真信号的i路数据、q路数据、瞬时频率数据、一阶频谱数据和数据类型构建数据集；使用针对fsk信号所设计的四输入深度学习卷积神经网络对数据集进行训练，损失值收敛后停止训练，得到模型权重文件。
56.预测部分流程如图4所示，首先对预测信号原始iq数据分别进行长度为1024的均匀切分处理，不足1024的进行补零，并对切分好的iq数据进行瞬时频率和一阶频谱计算，得到m个信号预测样本；使用所设计的专用深度学习卷积神经网络和训练好的模型权重文件对m个信号预测样本进行预测，得到m个预测结果；对m个预测结果进行分析，选取预测最多的类型结果即为信号的识别结果。
57.在本施例中，本发明针对fsk的信号特性设计了一种四输入的卷积神经网络，该卷积神经网络如图2所示，
58.该卷积神经网络网络的四个输入层的输入分别为信号的i路数据、q路数据、瞬时频率、一阶频谱，输入的尺寸都为1*1024；
59.四个第一提取层分别对四个输入进行特征提取并标准化，得到四个第一特征矩阵，四个第一提取层的卷积核尺度分别为1*1、1*3、1*5、1*7；
60.第一叠加池化层对四个第一特征矩阵进行叠加并池化，得到1*512*256的池化后的第一特征矩阵；
61.第二提取层使用256个1*3的卷积核对池化后的第一特征矩阵进行特征提取，得到第二特征矩阵；
62.四个第三提取层对第二特征矩阵进行特征提取并标准化，得到四个第三特征矩阵，四个第三提取层的卷积核尺度分别为1*1、1*3、1*5、1*7；
63.第二叠加池化层对四个第三特征矩阵进行叠加并池化，得到池化后的第三特征矩阵；
64.第四提取层使用512个3*3卷积核对池化后的第三特征矩阵进行特征提取，得到1*256*512的第四特征矩阵；
65.四个第五提取层对第四特征矩阵进行特征提取并标准化，得到第五特征矩阵，四个第五提取层的卷积核尺度分别为1*1、1*3、1*5、1*7；
66.第三叠加池化层对第五特征矩阵进行叠加并池化，得到1*128*1024的池化后的第
五特征矩阵；
67.第六提取层使用256个1*3卷积核对池化后的第五特征矩阵进行特征提取并池化处理，得到1*64*256的第六特征矩阵；
68.第七提取层使用128个1*3卷积核对第六特征矩阵进行特征提取，得到1*64*128的第七特征矩阵；
69.第七特征矩阵通过平坦层并使用1024的第一全连接层进行特征压缩；
70.最后使用长度为7的第二全连接层进行特征压缩。
71.本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
技术特征：1.基于卷积神经网络的fsk信号识别方法，其特征在于，包括：s1、随机生成多种fsk信号，并保存fsk信号的信号类别；s2、对fsk信号的iq数据进行处理获得fsk信号的瞬时频率数据和一阶频谱数据；s3、根据i路数据、q路数据、瞬时频率数据、一阶频谱数据和数据类型构建数据集；s4、数据集导入并训练深度学习卷积神经网络模型；s5、均匀切分待预测信号的原始iq数据，并进行瞬时频率和一阶频谱计算得到m个信号预测样本；s6、m个信号预测样本导入优化后的深度学习卷积神经网络模型进行预测，并得到m个预测结果；s7、对m个预测结果进行分析确定待预测信号的识别结果。2.根据权利要求1所述的基于卷积神经网络的fsk信号识别方法，其特征在于，在s1中随机生成六种fsk信号，包括2afsk、2fsk、4fsk、8fsk、msk、gmsk和其他信号中的任意六种，其他信号为除fsk调制方式以外的调制方式的信号。3.根据权利要求3所述的基于卷积神经网络的fsk信号识别方法，其特征在于，在s1中，2afsk、2fsk、4fsk、8fsk、msk和gmsk的信号生成数量为n，其他信号的生成数量为3n，fsk信号的信号长度为l，其中n为不小于10000的正整数。4.根据权利要求1所述的基于卷积神经网络的fsk信号识别方法，其特征在于，深度学习卷积神经网络模型从输入到输出依次包括：四个输入层；四个输入层用于分别输入i路数据、q路数据、瞬时频率、一阶频谱；四个第一提取层；四个第一提取层分别对i路数据、q路数据、瞬时频率、一阶频谱进行特征提取并标准化，得到四个第一特征矩阵；第一叠加池化层；第一叠加池化层用于对四个第一特征矩阵进行叠加并池化的到池化后的第一特征矩阵；第二提取层；第二提取层用于对池化后的第一特征矩阵进行特征提取，得到第二特征矩阵；四个第三提取层；四个第三提取层用于对第二特征矩阵进行特征提取并标准化，得到四个第三特征矩阵；第二叠加池化层；第二叠加池化层用于对四个第三特征矩阵进行叠加并池化的到池化后的第三特征矩阵；第四提取层；第四提取层用于对池化后的第三特征矩阵进行特征提取，得到第四特征矩阵；四个第五提取层；四个第五提取层用于对第二特征矩阵进行特征提取并标准化，得到四个第五特征矩阵；第三叠加池化层；第三叠加池化层用于对四个第五特征矩阵进行叠加并池化的到池化后的第五特征矩阵；第六提取层；第六提取层用于对池化后的第五特征矩阵进行特征提取并池化处理，得到第六特征矩阵；第七提取层；第七提取层用于对第六特征矩阵进行特征提取，得到第七特征矩阵；平坦层；平坦层用于把多维数据一维化；
第一全连接层；第一全连接层用于对第七特征矩阵进行特征压缩；第二全连接层；第二全连接层用于对压缩后的第七特征矩阵再次进行压缩，第一全连接层和第二全连接层的压缩长度不同。5.根据权利要求4所述的基于卷积神经网络的fsk信号识别方法，其特征在于，四个第一提取层的卷积核尺度各不相同，四个第三提取层的卷积核尺度各不相同，四个第五提取层的的卷积核尺度各不相同，第一全连接层和第二全连接层的压缩长度分别为l和7。6.根据权利要求1所述的基于卷积神经网络的fsk信号识别方法，其特征在于，在s5中，对待预测信号的原始iq数据分别进行长度为l的均匀切分处理，不足l的进行补零。7.根据权利要求1所述的基于卷积神经网络的fsk信号识别方法，其特征在于，在s6中，选取m个预测结果中类型结果最多的作为待预测信号的识别结果。
技术总结本发明公开了基于卷积神经网络的FSK信号识别方法，涉及信号识别领域，包括S1、生成FSK信号；S2、处理FSK信号获得瞬时频率数据和一阶频谱数据；S3、构建数据集；S4、数据集导入训练深度学习卷积神经网络模型；S5、均匀切分待预测信号的原始IQ数据，进行瞬时频率和一阶频谱计算得到信号预测样本；S6、信号预测样本导入优化后的深度学习卷积神经网络模型进行预测得到预测结果；S7、确定待预测信号的识别结果；本发明具有较高的识别准确率，传统多信号类型识别方法需构建决策树，而该方法复杂、条件阈值因信号强弱很难设定，在信噪比较低的情况下，准确率不能保证，而本发明使用了深度学习的方式将信号的不同特征融合并提取出来，具有较高的准确率。较高的准确率。较高的准确率。
技术研发人员：王珂 楚鹰军 王圣川 张俊 景亮
受保护的技术使用者：电信科学技术第五研究所有限公司
技术研发日：2022.07.25
技术公布日：2022/11/1
