最小错误准则下多传感器信号检测与调制识别.pdf
《最小错误准则下多传感器信号检测与调制识别.pdf》由会员分享,可在线阅读,更多相关《最小错误准则下多传感器信号检测与调制识别.pdf(9页珍藏版)》请在咨信网上搜索。
1、Journal of Jilin(IntormatScienceEditionUversil(May20232023年5月No.3Vol.41吉林大学生(信息科学版)第3期第41卷文章编号:16 7 1-58 9 6(2 0 2 3)0 3-0 38 7-0 9最小错误准则下多传感器信号检测与调制识别张凯,田瑶?(1.电子信息系统复杂电磁环境效应国家重点实验室,河南洛阳47 10 0 3;2.9 6 8 6 2 部队,河南洛阳47 10 0 3)摘要:针对多传感器分布式接收中的弱信号检测与调制识别稳健性不足的问题,提出了一种基于深度学习的联合处理算法。该方法采用分布式软信息融合处理策略,将信号
2、检测与调制识别综合为一个多元假设检验问题,借助深度神经网络优异的函数逼近能力,在对网络结构、目标函数和网络输输出进行分析基础上,给出了基于深度神经网络的联合后验概率求解及分类判决方法。通过仿真实验对所提方法性能进行了验证,结果表明,该方法能实现多个传感器信号有效融合,并且随着接收单元数目增加,分类准确率明显提升;与现有基于等权值合并的置信度融合方法相比,该方法性能更优,且在低信噪比、短数据和接收单元数目较多时优势体现更加明显。关键词:信号检测;调制识别;多传感器;分布式接收;联合处理;深度神经网络中图分类号:TN911.5文献标志码:ADetection and Modulation Reco
3、gnition of Multi-SensorSignals under Minimum Error CriterionZHANG Kail,TIAN Yao?(1.State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System,Luoyang 471003,China;2.96862 Troops,Luoyang 471003,China)Abstract:Aiming at the insufficient robustness problem
4、 of weak signal detection and modulation recognition inmulti-sensor distributed reception systems,a new joint processing method based on deep learning is proposed.The proposed method adopts the distributed soft information fusion processing strategy where the signal detectionand modulation recogniti
5、on are integrated into a multi-variate hypothesis test problem.With the help of theexcellent function approximation ability of DNN(Deep Neural Network),a method of joint posterior probabilitysolution and classification based on deep neural network DNN is proposed based on the analysis of networkstru
6、cture,objective function and network input and output.Finally,the performance of the proposed method isverified by simulation experiments,and compared with the existing methods.The results show that the proposedmethod can effectively fuse multiple sensor signals,and can significantly improve the cla
7、ssification accuracy withthe increase of the number of receiving units.Compared to the existing confidence fusion methods based on equalweight combination,the proposed method has better performance,which is more obvious at low SNR(Signal-to-Noise Ratio)values,short signal lengths and large receiving
8、 units numbers.Key words:signal detection;modulation recognition;multiple sensors;distributed reception;joint processing;deep neural network(DNN)收稿日期:2 0 2 2-0 6-16基金项目:国家自然科学基金资助项目(6 2 0 0 147 6)作者简介:张凯(19 8 8 一),男,河南洛阳人,电子信息系统复杂电磁环境效应国家重点实验室工程师,博士,主要从事无线通信、通信信号处理研究,(Tel)86-379-81862137(E-mail)zk_。
9、LWX(n)+W(1第41卷吉林大学学报(信息科学版)3880引言随着电子器件的小型化和集成度持续提升,无线传感网(WSNs:W i r e l e s s Se n s o r Ne t w o r k s)因具有造价低廉、易于部署、使用灵活等诸多优点得到广泛应用1-5。在诸如频谱检测、目标跟踪、解调译码等应用中,信号检测与调制识别是后端处理的前提和基础,典型做法采用信号检测和调制识别分离的处理策略,首先进行信号检测6-8,然后提取表征信号调制类型的参数对信号调制样式进行判别,该解耦处理方式结构简单,但未考虑到信号处理不同环节的关联性,易带来一定的性能损失。在无线传感网中,受尺寸和成本制约,
10、低成本硬件设备(如小口径天线和低分辨率模数转换器等)广泛使用9-10,单个节点信号往往信噪比较低,其对环境噪声和信道衰落非常敏感,使用单个传感器节点独立完成信号检测和调制识别稳健性不足,设计鲁棒高效的处理方法对来自多个传感器信号进行有效融合至关重要。目前主要有集中式1-2 1和分布式两种处理策略13-6 1。集中式处理选取一个节点作为融合中心,其他节点数据都传输到融合中心进行处理。分布式处理则是各接收单元首先对观测数据进行处理,将处理结果分别输人中心节点进行进一步融合判决。集中式处理虽然性能更优,但对中心节点的处理能力要求较高,且数据传输容易带来较大的通信负担。在无线传感网中,单个节点能力受限
11、,为降低数据传输负担,多采用分布式处理策略,包含决策(硬判决)融合和软信息融合两种。决策融合方法中,各传感器节点利用其自身观测信号作出决策,然后输人融合中心进行判决,代表性的融合准则有:“与”准则、“或准则和“表决式”准则13,当单个接收信号信噪比较低时,节点处理性能将大大降低,决策融合容易引起较大的误差传播,造成系统性能严重下降。与之相比,在判决前对软信息进行融合无疑是更好的选择。Zheng等17 研究了基于卷积神经网络的多传感器调制识别融合方法,给出了特征融合、置信度融合和决策融合3种方法的对比分析结果,其中特征融合和置信度融合属于软信息融合范畴,二者分类性能均优于决策融合方法,但由于其采
12、用等权值合并的策略,而未考虑接收信号质量差异,因此面对实际不同接收单元信号质量差异,等权合并容易造成系统性能损失。笔者给出了一种新的多传感器信号联合处理方法,将信号检测与调制识别综合为一个多元假设检验问题,在最小错误概率准则下通过联合后验概率的求解实现分类判决,避免了权值计算和加权合并过程。所提方法采用分布式处理策略,借助深度神经网络(DNN:D e e p Ne u r a l Ne t w o r k)优异的函数逼近能力,各独立接收单元独立计算观测信号属于各调制样式的后验概率(软信息),然后输入融合中心,计算联合后验概率,做出分类判决。仿真结果表明,笔者所提方法能实现多个传感器信号进行有效
13、融合,与现有基于等权值合并的置信度融合方法相比,在低信噪比、短数据和接收单元数目较多时,具有明显优势。1问题描述考虑典型的多传感器分布式接收模型,使用K(K2)个独立接收单元对同一目标信号进行接收考虑多径情况下,第k(k=1,2,,K)个单元等效基带接收信号为目标信号存在,目标信号不存在,其中x(n)为第k个接收单元处的目标信号分量,w(n)为加性噪声,这里假设不同接收单元间噪声相互独立。不失一般性,假设辐射源到达不同接收单元路径损耗及信道衰落相互独立,且存在独立的传输时延和残余频偏,则有x(n)=hts(n-dh)exp(j2mfin/f.),(2)其中s(n)为源信号序列,h为信道系数,不
14、同支路信道系数相互独立,且均为零均值复高斯分布,d为传输时延,f为残余频偏,f,为采样频率。笔者的目的是利用多个传感器观测信号样本,对目标信号存在性进行判断,并对其调制样式进行分类识别,将式(1)中噪声w(n)视为特殊的调制信号,则可将信号检测与调制识别统一为多元假设检验问题进行综合考虑。假设待识别的调制样式有L种(含噪声),记为(A,I=1,A,为噪声样本,则对应L中张凯,等:最小错误准则下多传感号检测与调制识别389第3 期调制样式有L种假设检验(H,=1。基于最小错误概率准则18,如果联合后验分布p(H,lyi,y2,.,yk)p(H,lyt,2,.,yk),ij=l,2,L,ij,(3
15、)则判为H,,其中y=y(1),y(2),,y(N),=1,2,,K,为第k个接收单元处的离散观测信号样本组成的矢量,N为各观测信号样本长度。对K个观测样本,由于不同单元接收信号中加性噪声相互独立,由贝叶斯准则,联合后验分布为P(y1,J2,Jx|H,)P(H,)P(H/y1,2,jx)=P(yi,J2,yk)KKKII P(H)P(y;/H,)IIP(y.)IIP(H,ly,)=1K-1(4)P(y1,2,.,yk)pk-I(H,)P(y1,J2,.,yk)pk-(H,)其中p(y1,J2,,Jk|H)为联合似然函数,P(H)为H,的先验概率,P(y)和P(y1,J2,Jk)分别为观测样本y
16、,和y1,J2,,Jk 的边缘概率,对每次观测,二者均为一常数。将式(4)代人式(3)可得如果II P(H:lyk)PK-I(H,)K=Ti#j,Kpk-1(H,)(5)I P(H,ly,)则判为H,后验概率p(H,l y,)的求解是关键环节。传统方法主要依赖于确知的信道模型,或基于简化的便于分析处理的数学模型,通过模型参数的估计获得概率分布函数。而实际中信道模型可能未知或非常复杂,甚至在某些情形下无法获得解析信道模型,这就造成其在面对实际复杂信道环境时遇到困难。此外,在无线传感网中,单个节点能力受限,需要使用高效、高鲁棒性的处理算法以应对低信噪比、短数据等不利影响,随着接收单元规模的快速增长
17、,大数据量问题进一步增加了处理的难度。深度神经网络已被证明是一个通用的函数逼近算法19,即使在复杂信道条件下仍然具有优越的学习能力,且具有分布式和并行计算体系结构的特性,保证了计算速度和处理能力,非常适合多传感器分布式接收处理的应用场景。为此,笔者基于深度神经网络进行后验概率的求解。2基于深度神经网络的联合处理方法基于深度神经网络的联合处理方法,包含离线训练和在线处理两个阶段。离线训练阶段,利用标记好的训练数据集对网络参数进行训练;在线处理阶段,采用分布式处理策略,每个接收单元利用训练好的网络对各自接收信号进行检验统计量的提取,输出为后验概率估计值,然后将该结果输人融合中心计算联合后验分布,并
18、做出判决。2.1基于深度神经网络的后验概率估计将仅含噪声的观测样本视为一种特定调制信号,信号检测与调制识别可综合为一个多元假设检验问题,深度神经网络解算实际上变成了一个多元分类过程。首先,需要通过训练获得网络参数,数据集如下:(Y,Z)=(y(1),z(1),(y(2)(M),z(2)(M(M)(6)其中(y(m),z(m)为训练集(Y,Z)中的第m个样本,y(m)为神经网络的输入数据,z(m)为L1维的one-hot向量2 0,贝则有7(m)=1(y(m)E A,),1(y(m)E A2),.,1(y(m)E A,)JT,(7)其中1()为示性函数,当输人信号样本y(m)调制样式为A,即当y
19、(m)A,满足时,1(y(m)A,)=1,否则其值为O,A,,可以是相移键控(PSK:Ph a s e-Sh i f t K e y i n g),频移键控(FSK:Fr e q u e n c y-Sh i f t K e y i n g),正交幅度调制(QAM:Q u a d r a t u r e A mp l i t u d e M o d u l a t i o n),噪声等。即z(m)中仅有一个元素为1,其他元素全为0。相应地,深度神经网络的输出为归一化的多元分类度量向量2 1h(y(m)=holH),.,he|H(y(m)JT,(8)390第41卷吉林大学报(信息科学版)L其中h
20、elm(y(m))为y(m)A,的置信度,满足)=1,为网络模型参数的集合,其值通过网络训练获得。在给定训练数据集和目标函数的基础上,使用优化算法,如随机梯度、Adam优化算法等,即可求得的最大后验(MAP:M a x i m u m A Po s t e r i o r i)估计结果0*=arg max P(Z|Y;0)。(9)上述分析中,h。(m)可视为矢量z(m)的估计结果,二者均表征了第m个信号样本y(m)属于各调制样式的概率,通常使用交叉损失函数作为估计值与真实值差异性大小的度量,则有MML=ZH(zm),2(m)H(z(m)+Dk(z(m)/(m),(10)m=1m.=1其中H(z
21、(m)z(m)为z(m)真实值与其估计结果z(m)=h。(y(m))的交叉熵,Dk(I)为KL散度。损失函数最小化等价于交叉熵的最小化。在训练阶段,在交叉熵最小化的准则下,可使用反向传播算法逐步更新深度神经网络参数,并得到稳定后最终的网络输出h,(y(m)=holn(y(m),hol(y(m),holH(y(m)7T(11)结合文献2 1的分析,矢量h。(y(m)中L个元素分别对应L个假设的后验概率,即=P(H,ly(m),*(m)1=1,2,.:,L。1=1,2,.:,L。(12)2.2联合后验概率计算及分类判决在完成网络训练基础上,在线处理阶段,各节点即可实现后验概率的计算,处理流程如图1
22、所示。K个接收单元各自完成信号采集,然后对采集数据进行分割、归一化等处理,生成适合网络处理的数据结构,进而分别利用训练好的网络对各自采样数据进行处理,网络输出为h。(y h)=h o i n(y a),h e l m(y e),h o i n(y),k=1,2,K。(13)结合式(12),将单个接收网络输出代入式(5),可求得联合后验概率,并作出接收信号样式的分类到决,即:如果则判为H。2.3算法总结KKIIP(H:y.)IIhoiHpK-I(H,)K-1K-1ij=1,2,L,i+j,(14)Kpk-I(H,)KIIP(H,Iyk)hk=1k=节点110*y2DNN()节点20*联合后验概率
23、计算DNN&分类判决*信号源节点KyKDNNE图1在线处理流程框图Fig.1Online processing flow diagram综上分析,笔者方法将多传感器信号检测与调制识别综合为一个多元假设检验问题进行处理。首先,基于最小错误概率准则,将问题转化为联合后验分布求解,在观测样本独立性假设前提下,联合后验可表示为单个观测样本后验概率和先验假设概率乘积的形式,采用分布式处理策略,使用深度神经网络对单个样本进行处理,提取信号属于各个类别的后验概率,然后输入融合中心,计算联合后验,并做出分类判决。与传统方法依赖严密的数学推导不同,基于深度神经网络的方法不需人工的参数解析和特征提取,而是通过网络
24、训练的方式求解网络参数,并据此求得检验统计量,该过程为z=f(f-(f-2(f(y),(15)391张凯,等最小错误准则下多传感验测与调制识别第3 期其中y为观测数据,即标记数据集(训练阶段)或预处理后的采样数据;f,i=1,,L-1为第i层网路函数,为网络输出层;为网络输出。深度神经网络实际上是构建了观测样本与不同假设后验概率的映射。受篇幅所限,以高斯信道为例对上述进行分析。实际上,深度神经网络是一个通用的函数逼近算法,具有较强的泛化能力,能适用于多种不同的信道模型。而在面对不同的应用场景,信道特性往往存在较大差异,理论上需要针对不同信道环境设计网络模型,并构建相应的数据集,对网络进行训练。
25、实际信道环境的复杂性和时变的特性,如布设位置的改变、周边环境的变化等,进一步增加了训练和布署的难度。但深度学习中的迁移学习提供了快速训练的方法,其结构如图2 所示,在预先训练好的网络基础上,结合任务需要对网络输出层进行微调,然后利用新的数据集对网络进行再训练,能大大降低训练时间和训练数据的需求量。利用迁移学习技术,在完成某些特定具有代表性信道环境训练的基础上,可以较容易推广到其他相应的应用场景,降低训练和部署的难度,从而有效应对信道环境的变化。输入口输出训练好的网络网络结构修改网络训练图2 迁迁移学习框图Fig.2Transfer learning block diagram无线传感网节点能力
- 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:
- 最小 错误 准则 传感器 信号 检测 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。