基于轻量型网络的单载波信号调制识别.pdf
《基于轻量型网络的单载波信号调制识别.pdf》由会员分享,可在线阅读,更多相关《基于轻量型网络的单载波信号调制识别.pdf(6页珍藏版)》请在咨信网上搜索。
1、基于轻量型网络的单载波信号调制识别刘高辉,王壮壮(西安理工大学自动化与信息工程学院,西安710048)通信作者:刘高辉,E-mail:摘要:针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题,本文提出了在改进的 MobileNetV3 轻量级神经网络中使用信号星座图调制识别的方法.首先,将接收到的 MPSK 和MQAM 信号转换成星座图像,将其进行灰度图像提取,灰度图像增强,构建星座图的图像数据集,然后将 ResNet 中的跨层结构引入 MobileNetV3 网络,解决了随着网络层数的增加,权重减小而导致的梯度消失现象.最后将星座图数据集用于训练 Mobi
2、leNetV3 的轻量型神经网络权重,对星座图像进行识别.MobileNetV3 基于深度卷积可分离和神经架构搜索(networkarchitecturesearch,NAS)技术在保证识别精度的前提下,大大降低了参数量和训练时间,将对于简单信号的调制识别,轻量型神经网络可以有效简化网络结构,降低对硬件设备的要求.仿真结果表明,针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM),能实现识别率为 99.76%的调制识别,相较于传统应用深度学习实现调制识别的网络,网络参数量和计算量明显减小.关键词:调制识别;信号星座图;MobileNetV3;深度学习;信号调制;特征提取引用格
3、式:刘高辉,王壮壮.基于轻量型网络的单载波信号调制识别.计算机系统应用,2023,32(8):238243.http:/www.c-s- Recognition of Single Carrier Signal Based on Lightweight NetworkLIUGao-Hui,WANGZhuang-Zhuang(SchoolofAutomationandInformationEngineering,XianUniversityofTechnology,Xian710048,China)Abstract:Inviewofcomplexnetworks,largecomputation
4、amount,andhighhardwareplatformrequirementsinthecurrentprocessofapplyingdeeplearningtorealizedigitalsignalmodulationandrecognition,thisstudyproposesamethodofusingsignalconstellationdiagrammodulationandrecognitionintheimprovedMobileNetV3lightweightneuralnetwork.Firstly,thereceivedMPSKandMQAMsignalsare
5、convertedintoconstellationdiagrams,whichareextractedfromgrayimages,andgrayimagesareenhanced.Theimagedatasetofconstellationdiagramsisthenconstructed,andthecross-layerstructureofResNetisintroducedintotheMobileNetV3network.Asaresult,thephenomenonofvanishinggradientcausedbydecreasingweightwithincreasing
6、networklayersissolved.Finally,thedatasetofconstellationdiagramsisusedtotraintheweightoftheMobileNetV3lightweightneuralnetwork,andthentheconstellationdiagramsarerecognized.MobileNetV3greatlyreducesthenumberofparametersandtrainingtimeonthepremiseofensuringrecognitionaccuracybasedondeepconvolutionsepar
7、abletechnologyandnetworkarchitecturesearch(NAS)technology.Forthemodulationandrecognitionofsimplesignals,thelightweightneuralnetworkcaneffectivelysimplifythenetworkstructureandreducehardwarerequirements.Thesimulationresultsshowthatthemodulatedsignals(BPSK,QPSK,8PSK,16QAM,and64QAM)canachievemodulation
8、andrecognitionwitharecognitionrateof99.76%.Comparedwithtraditionalnetworksusingdeeplearningtorealizemodulationandrecognition,thelightweightneuralnetworkcansignificantlyreducethenumberofnetworkparametersandcomputationalcosts.计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(
9、8):238243doi:10.15888/ki.csa.009213http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041收稿时间:2023-01-05;修改时间:2023-02-24,2023-03-20;采用时间:2023-03-30;csa 在线出版时间:2023-06-09CNKI 网络首发时间:2023-06-09238软件技术算法SoftwareTechniqueAlgorithmKey words:modulationrecognition;signalconstellationdiagram;MobileNetV3;deeplearn
10、ing;signalmodulation;featureextraction调制识别是信号解调的关键,准确的识别调制方式,是信号进行下一步分析处理的前提.无论在军用领域中的比低情况下的调制方式的识别,通过信息熵的方式去提取信号的特征,在改进遗传算法后送到超限学习机中,识电子对抗还是民用领域频谱管理,准确、高效的通信信号调制方式识别都至关重要1.通信信号自动调制识别技术发展至今,主要有3 个技术方向:判决理论、统计模式和深度学习为基础的识别方法24.利用判决理论去识别的方法对信号的先验信息要求高,需要人为设置判决门限使其性能受限.使用统计模式的方法去识别主要依赖于特征提取和分类器的选择,对先验信
11、息的要求相对不高.随着人工智能和通信的融合的发展,应用深度学习的方法则充分利用通信系统中的大数据,改善识别精度;自动提取信号特征;利用深度学习工具迅速迭代演进,解决复杂通信场景下复杂调制识别的难题.常见的信号预处理方式有时频图、星座图、高阶累积量、循环谱、眼图、熵以及特征融合等5.Shannon提出6信息熵理论,最初用来描述信息的不确定度.近几年,国内学者将信息熵理论应用在基于深度学习的调制识别特征提取.文献 7 研究的是在信噪别 11 种混合信号,在 2dB 信噪比下整体的识别精度可以达到92.5%.文献 8 通过短时傅里叶变化,实现时频信号转换,利用图像处理方法,使用卷积神经网络完成 7
12、种信号的调制识别.文献 9 搭建了深度置信网络,应用提取到的信号数据,去完成数字调制方式和 OFDM 信号的调制方式识别.上述的识别方法如卷积神经网络(CNN)、深度置信网络(DBN)等,凭借强大的复杂拟合能力,有效提升了通信信号调制方式识别的精度,但其网络架构复杂,运算量大,对于设备过度依赖.因此本文针对自动调制识别中的简单调制方式识别,将 MPSK、MQAM信号转换为星座图像,对星座图像进行图像增强10,使用轻量型神经网络 MobileNetV3 作为分类网络,解决调制识别中网络复杂的问题.在保持识别精度的前提下,网络的参数量有效减小,降低训练时间,在自动调制识别实际应用中具有重要意义.1
13、信号模型和训练图像生成 1.1 信号模型通信信号接收器对接收到的信号进行下变频和同步处理,处理后的信号为基带采样信号.接收信号的候选集为BPSK、QPSK、8PSK、16QAM、64QAM之一.离散信道下的信号模型如下:y(t)=nan(t)s(tn(t)(1)n(t)其中,s(t)表示带通输入信号,为相应的传播时延,s(t)的表达式如下:s(t)=Re sej2fct(2)那么信道的输出表示如下:y(t)=Renan(t)ej2fcn(t)s(tn(t)ej2fct(3)那么输出的复包络为:y=nan(t)ej2fcn(t)s(tn(t)=n an(n,t)s(tn(t)(4)1.2 星座图
14、像数据集生成以 QAM 调制为例,经过信道编码的二进制比特流进入 QAM 调制器,信号被分为两路,一路给 I(同相分量),另一路给 Q(正交分量),每一路一次给 3 比特数据,这 3 比特的二进制数据一共有 8 种不同状态,分别对应 8 种不同的电平幅度,I 有 8 个不同幅度电平,Q 有 8 个不同幅度电平,且 I、Q 两路信号正交,任意一个 I 的幅度与任意一个 Q 的幅度组合都会在极坐标图上映射一个相应的星座点,每个星座点代表由 6 个比特的数据组成的一个映射,I 和 Q 共有 88 共 64 中组合状态,最后映射的星座图如图 1 所示.1.2.1星座图星座图已经广泛地应用于调制信号的二
15、维表示将接收信号的样本映射到复平面的散射点,但是复平面可以无限延伸,而图像可以描绘的区域是有限的.因此选取复平面的一部分来生成星座图图像,如果选取的区域太小,则一些信号样本可能由于噪声不在图像中,2023年第32卷第8期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法239反之,选取的面积过大,信号样本可能聚集在一个小区域内,产生重叠.图 2(a)给出了星座图图像示例,该星座图有 1000 个 8PSK 调制信号样本产生,信噪比为 2dB.QI8 个电平8 个电平图 164QAM 星座图1234567891011121314
16、1516:一个样本点:一个像素i222202200220In-phase(a)星座图(b)采样点和像素(c)灰度图像(d)灰度增强图像Quadrature图 2信噪比为 2dB 的 8PSK 不同类型图像1.2.2灰度图像假设像素的密度很大,星座图像就可以等效为一个完整的信号样本.在这种情况下每个样本可以由一个或多个像素表示.然而,由于像素密度有限,一个像素内可能含有一个或多个样本,如图 2(b)所示.星座图是一个二进制图像,其中具有一个或多个采样点的像素被类似表示.将像素强度值定义为像素内的采样数,例如像素 3、7、14 的强度值可以表示为 0、2、5.这样就可以实现星座图与灰度图像的转换,
17、如图 2(c)所示.1.2.3增强灰度图像灰度图像仍然有两个局限性,不考虑每个样本在像素内的位置和默认忽视了像素里各个样本对旁边像素的干扰.为解决这两种局限,将图像处理中的增强灰度图像思想引入.此外,采用了衰减指数模型:Bi,j=Pedi,j(5)其中,Bi,j表示采样点 i 对像素 j 的影响,P 是每个采样点之间的功率,di,j为采样点 i 和像素 j 的质心之间的距离,是指数衰减率.生成增强的灰度图像如图 2(d).2基于 MobileNetV3 改进的轻量型神经网络算法MobileNetV3 是 Google 提出11的新一代基于互补搜索技术和新型架构的轻量级卷积神经网络.Mobile
18、-NetV3 是基于神经架构搜索(networkarchitecturesearch,NAS)实现的 MnasNet 网络架构,以 MobileNetV1 和MobileNetV2 模型为基础,使用 SE 模块(squeeze-and-excitation)和 h-swish 激活函数去达到提高网络模型性能的目的.根据针对高低资源的目标,可以将 Mobile-NetV3 定义为 MobileNetV3-large 和 MobileNetV3-small 的两种不同架构复杂性的模型.它们的通用架构如图 3 所示.2.1 深度可分离卷积D2FD2KMND2KD2FM+11MND2FDFDK1/N+
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 轻量型 网络 载波 信号 调制 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。