基于深度学习的智能通信方法.pdf

《基于深度学习的智能通信方法.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的智能通信方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910143497.5 (22)申请日 2019.02.26 (71)申请人 天津大学 地址 300072 天津市南开区卫津路92号 (72)发明人 汪清杜攀非 (74)专利代理机构 天津市北洋有限责任专利代 理事务所 12201 代理人 刘国威 (51)Int.Cl. H04L 27/00(2006.01) (54)发明名称 基于深度学习的智能通信方法 (57)摘要 本发明属于波形识别领域， 为基于认知环模 型的智能通信模块能够通过 “学习-感知-决策- 响应” 认知环模。

2、型进行通信信号的自主波形感知 和波形识别， 训练一个鲁棒的卷积神经网络模 型， 将模型集成到软件无线电上位机中， 实现实 时识别系统。 为此， 本发明采取的技术方案是， 基 于深度学习的智能通信方法， 预先产生各种含随 机噪声的调制信号样本， 搭建深度学习的框架进 行训练， 将训练后的模型及参数保存下来形成所 需的自动分类器， 将训练的模型集成到接收端软 件无线电计算机， 然后对识别出的调制方式用相 应的方式进行解调。 本发明主要应用于波形识别 场合。 权利要求书1页 说明书4页 附图2页 CN 109922019 A 2019.06.21 CN 109922019 A 1.一种基于深度学习的。

3、智能通信方法， 其特征是， 预先产生各种含随机噪声的调制信 号样本， 搭建深度学习的框架进行训练， 将训练后的模型及参数保存下来形成所需的自动 分类器， 将训练的模型集成到接收端软件无线电计算机， 然后对识别出的调制方式用相应 的方式进行解调。 2.如权利要求1所述的基于深度学习的智能通信方法， 其特征是， 所述模型包含连续两 个卷积层Conv和一个全连接层， 其中二维同相和正交分量IQ信号处理成2800的大小输入 模型， 两个卷积层分别包含256,128个卷积核， 第一个卷积层卷积核的大小为27， 第二个 卷积层卷积核大小为15， 最后全连接层输出6位的向量， 表示6类调制信号类别。 3.如。

4、权利要求1所述的基于深度学习的智能通信方法， 其特征是， 模型的每个卷积层采 用ReLU(rectified linear)作为激活函数， 采用softmax作为最后一层的激活函数， 模型采 用dropout技术防止过拟合， 在每层后面加上dropout层， 基于随机梯度下降来优化模型参 数。 采用批训练的方式， batch size为256， 模型训练30个周期epoch。 4.如权利要求1所述的基于深度学习的智能通信方法， 其特征是， 具体地： 利用原始IQ数据训练一个鲁棒的两层卷积神经网络模型， 其中需要选择合适的包括卷 积核、 激活函数、 目标函数的超参数； 使用软件无线电平台产生6种。

5、调制信号数据集： 二相相移键控BPSK、 正交相移键控QPSK (Quadrature Phase Shift Keying)、 8移相键控8PSK(8Phase Shift Keying)、 正交幅度调 制16QAM(Quadrature Amplitude Modulation)、 频移键控FSK(Frequency Shift Keying)、 四进制频移键控4FSK； 构建训练数据集和测试数据集， 并且随机调整数据集的顺序保证模 型的鲁棒性。 权利要求书 1/1 页 2 CN 109922019 A 2 基于深度学习的智能通信方法 技术领域 0001 本发明属于波形识别领域， 深度学习。

6、领域， 设计了一种基于深度学习和认知环模 型的智能通信系统。 背景技术 0002 复杂异构的电磁环境， 为信号处理带来巨大的挑战， 迫切需要发展军民融合特殊 应用、 公众系统与专用系统相结合的技术， 以有效提高频谱利用效率、 改善环境、 协同共存。 在通信领域， 通过对通信信号的识别和分析处理， 能够对接下来的信息处理与应用提供更 多的信息， 在军事侦察、 电子对抗、 无线网络安全等方面具有非常重要的意义。 0003 基于认知环的智能通信系统是一种可演示智能化网络体系及应用的高性能综合 平台。 智能宽带无线通信平台为采用软件无线电技术的宽带信号收发信机， 具有感知周围 通信环境的能力， 通过对。

7、周围电磁环境的变化进行感知和学习， 自适应调整内部通信机理， 灵活切换通信频段、 信号体制。 基于认知环模型的智能通信模块的主要目标为： 设计 “学习- 感知-决策-响应” 的认知环模型， 用于研究知识辅助的波形学习与感知、 环境频率与波形识 别、 多域协同波形优化、 宽带自主自适应重构控制等。 0004 通信信号的调制方式是其较为重要的一项技术特征， 识别通信信号调制类型将为 信号的进一步分析处理提供依据。 在非协作通信中， 信号调制模式识别作为信号检测和信 号解调的中间步骤， 是信号分析处理的关键一步。 随着通信技术的日益发展， 通信信号的种 类越来越多样， 信号环境也越来越复杂。 因此找。

8、到一种高效可持续的自动信号识别技术成 为研究热点。 0005 无线电系统， 特别是移动通信系统的领域的扩大和技术复杂度的不断提高， 投入 的成本越来越大， 硬件系统也越来越庞大。 为了克服技术复杂度带来的问题和满足应用多 样性的需求， 特别是军事通信对宽带技术的需求， 提出在通用硬件基础上利用不同软件编 程的方法。 20世纪80年代初开始的软件无线电的革命， 将把无线电的功能和业务从硬件的 束缚中解放出来。 软件无线电技术是， 以现代通信理论为基础， 以数字信号处理为核心， 以 微电子技术为支撑， 以一个通用、 标准、 模块化的硬件平台为依托， 通过软件编程来实现无 线电台的各种功能。 从基于。

9、硬件、 面向用途的电台设计方法中解放出来。 可以说未来采用软 件无线电技术的软件无线电台在通信系统中的作用完全可以同通用PC(个人电脑)在计算 机领域所起的作用相提并论。 0006 常见的调制识别的基本方法有两种： 第一种是基于特征提取的模式识别方法， 第 二种是基于数据的深度学习方法。 本项目的关键问题是自动分类器的设计。 本项目采用基 于数据的深度学习方法。 深度学习与传统机器学习最大的区别就在于其 “深度” 。 所谓 “深” ， 就是在学习过程中， 它可以将难以理解的复杂概念进行分解， 放入多个 “层次” 中， 这样一 来， 每个单独的 “层次” 中的概念就相对简单很多， 学习起来也更加。

10、容易。 这种层次化的方式 会导致那些分解得到的简单概念之间是一种建立在彼此之上的关系， 这种层次堆叠的关系 图， 就是 “深” 的图。 卷积神经网络与普通神经网络的区别在于， 卷积神经网络包含了一个由 说明书 1/4 页 3 CN 109922019 A 3 卷积层和子采样层构成的特征抽取器。 在卷积神经网络的卷积层中， 一个神经元只与部分 邻层神经元连接。 卷积神经网络具有权值共享、 局部连接和尺度不变性。 本发明利用卷积神 经网络的识别模型， 基于软件无线电平台设计了智能通信系统。 发明内容 0007 为克服现有技术的不足， 本发明旨在基于认知环模型的智能通信模块能够通过 “学习-感知-决。

11、策-响应” 认知环模型进行通信信号的自主波形感知和波形识别。 基于卷积 神经网络强大的特征提取能力， 利用原始IQ(同相和正交分量)调制数据训练一个鲁棒的卷 积神经网络模型， 将模型集成到软件无线电上位机中， 实现实时识别系统。 为此， 本发明采 取的技术方案是， 基于深度学习的智能通信方法， 预先产生各种含随机噪声的调制信号样 本， 搭建深度学习的框架进行训练， 将训练后的模型及参数保存下来形成所需的自动分类 器， 将训练的模型集成到接收端软件无线电计算机， 然后对识别出的调制方式用相应的方 式进行解调。 0008 所述模型包含连续两个卷积层Conv和一个全连接层， 其中二维同相和正交分量I。

12、Q 信号处理成2800的大小输入模型， 两个卷积层分别包含256,128个卷积核， 第一个卷积层 卷积核的大小为27， 第二个卷积层卷积核大小为15， 最后全连接层输出6位的向量， 表 示6类调制信号类别。 0009 模型的每个卷积层采用ReLU(rectified linear)作为激活函数， 采用softmax作 为最后一层的激活函数， 模型采用dropout技术防止过拟合， 在每层后面加上dropout层， 基 于随机梯度下降来优化模型参数。 采用批训练的方式， batch size为256， 模型训练30个周 期epoch。 0010 具体地： 0011 利用原始IQ数据训练一个鲁棒的。

13、两层卷积神经网络模型， 其中需要选择合适的包 括卷积核、 激活函数、 目标函数的超参数； 0012 使用软件无线电平台产生6种调制信号数据集： 二相相移键控BPSK、 正交相移键控 QPSK(Quadrature Phase Shift Keying)、 8移相键控8PSK(8Phase Shift Keying)、 正交幅 度调制16QAM(Quadrature Amplitude Modulation)、 频移键控FSK(Frequency Shift Keying)、 四进制频移键控4FSK； 构建训练数据集和测试数据集， 并且随机调整数据集的顺 序保证模型的鲁棒性。 0013 本发明的。

14、特点及有益效果是： 0014 本发明设计了一套基于软件无线电平台的智能认知系统， 硬件环境配置如图2所 示。 发送端和接收端通过天线发送和接收信号。 PC端完成模型预训练、 处理接收信号， 识别 信号以及显示等功能。 0015 基于软件无线电平台， 能够对70MHz-5GHz的通信信号进行频率感知和识别。 能够 通过 “学习-感知-决策-响应” 认知环模型进行调制信号的自主波形感知和波形识别。 利用 SDR(软件无线电)平台采集并保存了2FSK， 4FSK,16QAM,8PSK,QPSK,BPSK等6种数字调制信 号， 构成了智能认知系统的波形库。 图4展示了卷积神经网络识别模型在波形库上的识。

15、别效 果。 总体可达95的实时识别准确率。 说明书 2/4 页 4 CN 109922019 A 4 附图说明： 0016 图1系统架构。 0017 图2智能通信系统实物图。 0018 图3识别模型。 0019 图4不同调制信号的识别性能(SNR(信噪比)10dB)。 具体实施方式 0020 本发明技术方案如下。 0021 (1)系统架构 0022 本发明的系统架构如图1所示。 系统实物图如图2所示。 0023 针对调制方式识别问题， 需要预先产生各种调制信号(含随机噪声)的样本， 搭建 深度学习的框架进行训练， 将训练后的模型及参数保存下来便是我们所需的自动分类器。 将训练的模型集成到接收端。

16、软件无线电的上位机， 然后对识别出的调制方式用相应的方式 进行解调。 0024 (2)数据集产生 0025 本发明使用软件无线电平台产生了6种调制信号(BPSK,QPSK,8PSK,16QAM,FSK, 4FSK)作为数据集。 发射信号的处理过程包含调制、 成形滤波、 上采样和定点化， 通过射频模 块发射。 在接收端， 采用馈线直连或者天线辐射的方式接收信号， 经下变频、 采样、 量化后输 出基带信号。 每采集一帧便进行存储， 改变不同的调制方式和噪声参数， 便可得到各种调制 信号经发射接收后的数据， 软件无线电接收机采样频率设为1.92MHz。 0026 存储过程中， 每个样本分别包含I路和。

17、Q路各N个采样点， 采用Python的字典存储结 构， 字典键对应标签(BPSK等)， 字典的值对应M个样本。 为了提高模型可靠性， 每个样本加入 不同的随机噪声。 数据集包含信噪比从-9dB到10dB的6种调制信号数据， 每个样本存储形式 为2800的IQ数据。 将43200个样本随机打乱作为训练集， 余下的43200个样本随机打乱作 为测试集。 0027 (3)模型设计和训练 0028 模型包含连续两个卷积层(Conv)和一个全连接层， 如图3所示， 其中IQ信号(二维) 处理成2800的大小输入网络。 两个卷积层分别包含256,128个卷积核， 第一个卷积层卷积 核的大小为27， 第二个。

18、卷积层卷积核大小为15， 最后全连接层输出6位的向量， 表示调 制信号类别(6类)。 0029 模型的每个卷积层采用rectified linear(ReLU)作为激活函数， 采用softmax作 为最后一层的激活函数。 为了避免过拟合， 模型采用dropout技术防止过拟合， 在每层后面 加上dropout层， 设置dropout为0.5。 基于随机梯度下降来优化模型参数。 采用批训练的方 式， batch size为256， 模型在GTX1080的GPU上训练30个epoch(周期)。 0030 (1)针对调制方式识别问题， 预先产生各种调制信号(含随机噪声)的样本， 搭建深 度学习的框架。

19、进行训练， 将训练后的模型及参数保存下来。 将训练的模型集成到接收端软 件无线电的上位机， 然后对识别出的调制方式用相应的方式进行解调。 0031 (2)利用原始IQ数据训练一个鲁棒的两层卷积神经网络模型， 无需手工提取信号 特征。 其中需要选择合适的超参数(如卷积核， 激活函数， 目标函数等)以得到最优的网络模 说明书 3/4 页 5 CN 109922019 A 5 型和最优的参数更新策略。 0032 (3)使用软件无线电平台产生6种调制信号数据集(BPSK,QPSK,8PSK,16QAM,FSK, 4FSK)。 产生数据集时注意数据的完备性。 构建训练数据集和测试数据集， 并且随机调整数 据集的顺序保证模型的鲁棒性。 0033 (4)发送端软件无线电发射数据， 接收端接收信号并实时识别。 说明书 4/4 页 6 CN 109922019 A 6 图1 图2 图3 说明书附图 1/2 页 7 CN 109922019 A 7 图4 说明书附图 2/2 页 8 CN 109922019 A 8 。