|
1.国防科技大学第六十三研究所，江苏 南京210007；2.国防科技大学 电子科学学院，湖南 长沙410073。为解决低信噪比条件下相移键控和正交幅度调制类信号利用时频图像分类时识别率低的问题，提出一种信号特征融合的方法。首先对接收信号数据进行高阶累积量计算，获取一维数值特征向量；其次采用时频分析方法预处理得到信号时频图，利用卷积神经网络提取其一维图像特征向量；将两类特征向量级联得到一维融合特征向量，基于融合后的特征向量经过全连接网络进一步运算后得出分类识别结果。仿真结果显示，在1 dB条件下，相比于单一图像特征，采用特征融合的方法可将调制信号的识别准确率提高10%～30%。在日趋复杂的电磁环境中，通常会接收到各种未知信号，该信号可能是己方的，也可能是敌方的，因此需要对信号的各种参数进行分析，以加强电磁频谱管控，调制样式就是其中一种关键参数。对非协作通信中接收信号的调制样式的识别与确定是频谱安全防护技术的重要一环，在电磁侦察、干扰信号识别、频谱监测等场景中都有着广泛的应用场景和巨大的发展潜力，在中低信噪比环境下进行增强调制识别率的理论及方法研究是一项很重要的课题。调制识别可以看作是一类模式识别问题，其原理就是通过提取样本的特征进行分类识别，主要包含三大模块，即预处理、特征提取和分类识别。常见的信号特征提取方法有：瞬时特征[1]、高阶累积特征[2]、小波变换[3]、时频分析[4]等。决策树[5]是常用的分类器，该方法易于理解但是泛化能力较差，于是产生了随机森林(Random Forest，RF)[6]的方法，利用多棵决策树对样本进行训练并预测的，有效地提高了泛化能力，但这两类方法需人工确定节点，较为繁琐。K最邻近(K-Nearest Neighbors，K-NN)[7]算法使用距离度量将新示例与现有的示例比较，以最近的类标进行分类。以上传统的方法结构简单，易于理解，但是存在效率低下、惰性学习等局限性。目前更多地采用积极学习的算法，如支持向量机(Support Vector Machines，SVM)[8]，把结构风险最小化原则应用于分类领域中，擅于处理小样本和二分类问题；神经网络(Neural Networks，NN)[9]，是模拟人脑功能的一种数学模型，在多分类问题中表现更好。此外，相比于浅层结构算法，深度学习通过深层非线性网络结构，提取数据的内在特征，在图像识别和语音识别等方面取得了引人瞩目的成绩。调制识别和图像识别及语音信号识别等方面存在很多关联性和相似性，因此采用深度学习的方法来解决调制识别问题是一个切实可行的研究方向。
|
