本发明公开了一种用于通信载波监视系统的干扰信号调制识别方法，该方法包括：步骤S1：离线学习，构建级联ResNet神经网络分类器，用于对生成的二维信号分析图进行调制类型分类识别；并通过构建一个全连接BP网络分类器以捕获残差信号r的特征参数信息；步骤S2：在线学习，计算生成r的二维信号分析图和循环谱统计特征参数，然后分别输入级联ResNet神经网络和全连接BP网络进行调制类型分类识别，进行最终预测结果。本发明基于级联ResNet神经网络和全连接BP神经网络并联的神经网络调制识别分类器：级联ResNet神经网络学习和挖掘干扰信号的二维信号分析图结构特征，全连接BP神经网络学习挖掘干扰信号的循环谱参数特征，通过结合这两种神经网络进行处理判断，有效的提高干扰信号的调制识别率。
1.一种用于通信载波监视系统的干扰信号调制识别方法，其特征在于：所述调制识别方法包括如下步骤：步骤S1：离线学习
S101：计算载波信号的残差信号r，对残差信号r的时间相关函数进行傅里叶逆变换得到二维信号分析图；
S102：构建级联ResNet神经网络分类器，用于对生成的二维信号分析图进行调制类型分类识别；
S103：对残差信号r提取特征参数，所述的特征参数主要为基于循环谱的高阶统计特征参数；
S104：构建一个全连接BP网络分类器以捕获残差信号r的特征参数信息；
S105：输入用于训练的载波信号，并采用交叉熵为损失函数，以最小化损失函数为目标，然后利用二维信号分析图训练级联ResNet神经网络分类器，同时利用残差信号r提取的特征参数训练全连接BP网络；
S201：将步骤S1训练好的ResNet神经网络分类器、全连接BP网络部署到监视系统；
S202：计算信号的误差矢量幅度EVM指标，当EVM≥T％时，判定残差信号r中存在干扰信号，进入步骤S204；否则判断无干扰信号；
S203：计算生成r的二维信号分析图和循环谱统计特征参数，然后分别输入级联ResNet神经网络和全连接BP网络进行调制类型分类识别；
S204：最后将级联ResNet神经网络、全连接BP神经网络的输出结果相加，并进行归一化处理得到融合的最终预测结果；
其中，Z为预处理得到的待测信号，Y为生成的理想参考信号；
步骤S101，对残差信号r的时间相关函数进行傅里叶逆变换得到二维信号分析图，具体如下：所述的残差信号r的时间相关函数表达式：
R(m,k)＝r(m+k)r(m‑k) (1)式中，m、k为时间相关函数自变量；
式中，Wn＝e ，i为虚部单位，n为离散傅里叶变换点数，j、k为二维离散傅里叶变换函数自变量；
步骤S102，所述的级联ResNet神经网络分类器包括多个残差单元串联、并最后跟随一个全连接层和一个输出层分类器；
其中，每个所述的残差单元包括一个激活层、一个或多个卷积层、连接在卷积层后的跳跃连接单元；
所述的跳跃连接单元：用于将残差单元的输入和输出进行连接。
2.根据权利要求1所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：在步骤S101之前，还需要先对用于训练的存在干扰的载波信号进行预处理。
3.根据权利要求2所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：所述的预处理具体步骤如下：对用于训练的载波信号数据进行归一化、插值处理，以提高在选择最优采样点时的精度，通过采样点模值方差的最小值点确定最优测量位置，最后对频偏和相偏进行补偿。
4.根据权利要求1所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：所述的高阶统计特征参数包括高阶循环谱特征参数、高阶循环矩特征参数、高阶循环累积量特征参数。
5.根据权利要求4所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：所述的全连接BP网络分类器包括6层的隐含层、输入层、输出层、激活层；其中所述的输入层与隐含层之间的激活函数采用tansig函数；隐含层与输出层之间的激活函数采用线性purelin函数；神经网络优化算法采用L‑M算法；
所述的输入层的神经元数为所提取的循环谱特征参数的数量所述的输出层的神经元数为调制类型数。
6.根据权利要求5所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：步骤S202，所述的误差矢量幅度EVM指标，计算公式如下其中，Z为预处理得到的待测信号，Y为生成的理想参考信号。
7.根据权利要求6所述的用于通信载波监视系统的干扰信号调制识别方法，其特征在于：在步骤S201之后，步骤S202之后，还需要对接收到的载波信号进行预处理；
所述的预处理具体步骤如下：对用于训练的载波信号数据进行归一化、插值处理，以提高在选择最优采样点时的精度，通过采样点模值方差的最小值点确定最优测量位置，最后对频偏和相偏进行补偿。
一种用于通信载波监视系统的干扰信号调制识别方法
技术领域
[0001] 本发明涉及卫星通信技术领域，更具体的，涉及一种用于通信载波监视系统的干扰信号调制识别方法。
背景技术
[0002] 卫星通信极易受到干扰信号的影响，卫星载波监视系统通过对卫星转发的载波信号进行实时检测，分析干扰信号的调制类型，来为干扰排查和定位提供支撑服务。虽然有用信号和干扰信号的时频域特征通常相差较大，但两类信号的复合会对各自类型的识别产生一定的影响，若简单地将单一类型的信号调制识别方法进行组合，在信噪比较低时(例如SNR＝5dB)，通常会导致干扰信号调制识别混淆或者遗漏，很难达到高精准的识别效果。
[0003] 此外，移动卫星通信信道同时具有时变、频率选择性、多径等衰落特性。卫星载波监视系统由于无法获取载波信号中存在的非合作干扰信号的码率、频偏和相偏等先验信息，只能对接收的有用信号进行载频和频偏估计，下变频、频偏补偿及下采样等预处理，而无法对干扰信号进行有效地采样和频偏及相偏补偿，导致后续对干扰信号的调制识别成功率降低。
[0004] 目前对干扰信号调制识别主要从接收信号提取的循环频率特性，利用接收信号高阶矩、高阶累积量和谱特征等构建分类特征，用决策树、神经网络和支撑向量机等方法进行分类识别。
[0005] 现有方法通常考虑加性高斯白噪声信道、平坦衰落信道或瑞利衰落，如中国专利公开号CN108234370A，公告日：2018‑06‑29，其公开了一种基于卷积神经网络的通信信号调制方式识别方法，本发明公开了一种基于卷积神经网络的调制方式识别系统和方法，解决现有技术特征提取步骤复杂且低信噪比下识别率低的问题。识别系统中的简单特征构造为将基带信号的同向分量和正交分量作为信号的简单特征，将简单特征送入到卷积神经网络模块进行识别；识别方法实现步骤：调制发送信号并脉冲成型；将发送信号上变频后通过加性高斯白噪声信道发送；接收端先进行预处理，得到解析信号的同向分量r(t)；构造简单特征是将解析信号的同向分量r(t)和正交分量构造为二维矩阵；经卷积神经网络特征学习和分类；将调制方式送到解调端，得到解调后的信号。并不适合于实际的卫星通信系统中频率选择性多径衰落信道，且对信号调制参数、载频和码率等先验信息有一定要求，在低信噪比下识别精度较低。
[0006] 然而这种方法并不适合于卫星通信干扰信号调制识别的实际应用场景。因此，研究在频率选择性多径衰落信道条件下，含未知码率、频偏和相偏的干扰信号调制识别方法具有实际的工程意义。
发明内容
[0007] 本发明为了解决在实际的卫星载波监视系统中，低信噪比的多径衰落信道条件下，含有未知频偏和相偏的干扰信号调制识别的问题，提供一种用于通信载波监视系统的干扰信号调制识别方法，其能有效的提高干扰信号的调制识别率。
[0008] 为实现上述本发明目的，采用的技术方案如下：一种用于通信载波监视系统的干扰信号调制识别方法，其特征在于：所述调制识别方法包括如下步骤：
[0009] 步骤S1：离线学习
[0010] S101：计算载波信号的残差信号r，对残差信号r的时间相关函数进行傅里叶逆变换得到二维信号分析图；
[0011] S102：构建级联ResNet神经网络分类器，用于对生成的二维信号分析图进行调制类型分类识别；
[0012] S103：对残差信号r提取特征参数，所述的特征参数主要为基于循环谱的高阶统计特征参数；
[0013] S104：构建一个全连接BP网络分类器以捕获残差信号r的特征参数信息；
[0014] S105：输入用于训练的载波信号，并采用交叉熵为损失函数，以最小化损失函数为目标，然后利用二维信号分析图训练级联ResNet神经网络分类器，同时利用残差信号r提取的特征参数训练全连接BP网络；
[0015] 步骤S2：在线学习
[0016] S201：将步骤S1训练好的ResNet神经网络分类器、全连接BP网络部署到监视系统；
[0017] S202：计算信号的误差矢量幅度EVM指标，当EVM≥T％时，判定残差信号r中存在干扰信号，进入步骤S204；否则判断无干扰信号；
[0018] S203：计算生成r的二维信号分析图和循环谱统计特征参数，并分别输入级联ResNet神经网络和全连接BP网络进行调制类型分类识别；
[0019] S204：最后将级联ResNet神经网络、全连接BP神经网络的输出结果相加，并进行归一化处理得到融合的最终预测结果。
[0020] 本发明的有益效果如下：
[0021] 本发明基于级联ResNet神经网络和全连接BP神经网络并联的神经网络调制识别分类器：级联ResNet神经网络学习和挖掘干扰信号的二维信号分析图结构特征，全连接BP神经网络学习挖掘干扰信号的循环谱参数特征，通过结合这两种神经网络进行处理判断，有效的提高干扰信号的调制识别率。
附图说明
[0022] 图1是实施例1所述的离线学习流的程图。
[0023] 图2是实施例1所述的残差单元的示意图。
[0024] 图3是实施例1所述的在线识别的流程图。
[0025] 图4是不同信干比条件下，不同调制识别算法的干扰调制识别成功率对比。
[0026] 图5是并联ResNet+BP网络对不同干扰调制类型信号的调制识别成功率。
具体实施方式
[0027] 下面结合附图和具体实施方式对本发明做详细描述。
[0028] 实施例1
[0029] 本实施例所针对的干扰信号的调制方式包括MPSK(BPSK、QPSK、8PSK)、MQAM(16QAM、64QAM)、MFSK(2FSK、4FSK)、AM、FM、PM这10种。
[0030] 一种用于通信载波监视系统的干扰信号调制识别方法，该方法可用于包括但不限于卫星通信、微波通信等通信载波监视系统中，所述调制识别方法包括如下步骤：
[0031] 步骤S1：离线学习
[0032] 将经过前期调制分类并做好标记的卫星载波受干扰信号进行预处理，然后对基于级联ResNet网络和全连接BP网络并联的神经网络进行训练，流程如图1所示：
[0033] 在步骤S101之前，需要对用于训练的存在干扰的载波信号进行预处理，所述的预处理包括对数据归一化、插值处理，用于以提高在选择最优采样点时的精度，通过采样点模值方差的最小值点确定最优测量位置，最后针对载波信号存在的频偏和相偏进行补偿。
[0034] S101：计算预处理后的载波信号的残差信号r，其计算公式如下
[0035] r＝Z‑Y
[0036] 其中，Z为预处理得到的待测信号，Y为生成的理想参考信号。
[0037] 对残差信号r的时间相关函数进行傅里叶逆变换得到二维信号分析图，所述的二维信号分析图能有效反应不同调制类型信号的纹理特征，且对加性噪声的影响不敏感。
[0038] r的时间相关函数表达式如下：
[0039] R(m,k)＝r(m+k)r*(m‑k) (1)
[0040] 式中，m、k为时间相关函数自变量。
[0041] 所述的残差信号r的时间相关函数的傅里叶逆变换：
[0042]
[0043] 式中，Wn＝e(‑2πi)/n，i为虚部单位，n为离散傅里叶变换点数，j、k为二维离散傅里叶变换函数自变量。
[0044] S102：构建级联ResNet神经网络分类器，用于对生成的二维信号分析图进行调制类型分类识别；
[0045] 所述的级联ResNet神经网络包括多个残差单元串联，并最后跟随一个全连接层和一个输出层分类器，所述的输出层分类器采用softmax，所述的级联ResNet神经网络的优化器采用Adam。
[0046] 其中，每个残差单元包括一个激活层、一个或多个卷积层，连接在卷积层后的跳跃连接单元，如图2所示：
[0047] 本实施例所述的激活层：采用ReLU函数，利用ReLU函数将小于等于0的输入滤掉，从而从极为稀疏的二维信号分析图中筛选出有效的信息特征，进一步实现并维持稀疏性以更好地挖掘相关性特征。
[0048] 所述的一个或多个卷积层：由一个或多个维度为3×3的卷积核组成。通过选用合适维度的卷积核，使得无需引入池化层就能够获得良好的细节信息聚合效果，从而避免由于引入池化层而导致的信息特征提取不精确，以及训练误差增加等问题。
[0049] 所述的跳跃连接单元：该跳跃连接单元用于直接将残差单元的输入和输出连接起来，提高了输入信号图像信息的流通性，确保ResNet神经网络对特征的无阻碍提取，解决梯度消失和深层网络退化问题。
[0050] S103：对残差信号r提取特征参数，该特征参数主要为基于循环谱的高阶统计特征参数，其中包括：高阶循环谱特征参数、高阶循环矩特征参数和高阶循环累积量特征参数。所述的循环谱能够抑制平稳噪声和频偏、相偏的干扰，并且强化所反映的特征。
[0051] S104：构建一个全连接BP网络分类器以捕获残差信号r的特征参数信息。所述的全连接BP网络分类器包括6层隐含层、输入层、输出层、激活层；
[0052] 其中所述的输入层的神经元数为所提取的循环谱特征参数数量，
[0053] 所述的输出层的神经元数为调制类型数(即为10种)
[0054] 所述的输入层与隐含层之间的激活函数采用tansig函数；
[0055] 所述的隐含层与输出层之间的激活函数采用线性purelin函数；
[0056] 所述的全连接BP网络分类器的神经网络优化算法采用L‑M算法。
[0057] S105：输入用于训练的载波信号数据Z，采用交叉熵为损失函数，以最小化损失函数为目标，利用残差信号r的二维信号分析图训练级联ResNet神经网络，同时利用从残差信号r中提取的特征参数训练全连接BP神经网络。
[0058] 步骤S2：在线识别
[0059] S201：将步骤S1训练好的ResNet神经网络分类器、全连接BP网络部署到卫星载波监视系统，用于对实时接收到的载波信号进行干扰调制识别，具体流程如图3所示。
[0060] 为了提高在选择最优采样点时的精度，在步骤S201之后，步骤S202之前，需要对接收到的载波信号进行预处理，所述的预处理包括对数据归一化、插值处理，用于以，通过采样点模值方差的最小值点确定最优测量位置，最后对频偏和相偏进行补偿。
[0061] S202：计算信号误差矢量幅度EVM指标，该指标可由式(3)计算得到：
[0062]
[0063] 当EVM≥10％时，判定残差信号r中存在干扰信号，进入步骤S204；否则判断无干扰信号。
[0064] S203：通过式(1)和式(2)计算生成r的二维信号分析图，并计算循环谱统计特征参数，然后分别输入级联ResNet神经网络和全连接BP网络进行调制类型分类识别。
[0065] S204：最后将级联ResNet神经网络、全连接BP神经网络的输出结果相加，并进行归一化处理得到融合的最终预测结果。
[0066] 为了进一步验证本发明所述的干扰信号调制识别方法，本实施例还进行了相关的实验，如图4所示，为采用不同调制识别算法在不同信干比条件下，对干扰信号的调制识别成功率对比。其中，TC、SVM、BP、ResNet分别为经典的基于信号统计特性的树形识别分类器，支持向量机识别分类器，全连接BP神经网络分类器和ResNet分类器，CLDNN为经典的深度学习识别分类器。由图4可知，所提的并联ResNet+BP网络识别分类器具有更高的干扰调制识别成功率。其原因在于并联ResNet+BP网络不仅通过其BP网络学习了信号的循环谱统计特征，还通过ResNet学习了信号时频变换域下的二维分析特征。
[0067] 如图5所示，为在不同信干比条件下，采用并联ResNet+BP网络对不同调制类型干扰信号的调制识别成功率对比。由图5可知并联ResNet+BP网络对不同干扰调制类型的均能够稳定检测。
[0068] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
