技术摘要：
本发明公开了一种频移键控通信信号调制方式识别方法，涉及通信技术领域，通过提升信号时频图的信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频移键控通信信号类内调制模式的识别，提出一种高斯白噪声背景下基于时频图信噪比提升和卷积神经网  全部
背景技术：
目前通信技术快速发展，作为接受信号与信号解调之间的中间环节，通信信号的 调制识别技术在电子对抗、频谱管理、认知无线电等领域发挥着重要作用。频移键控信号由 于调制简单、成本便利等优点，在军事及民用领域有着广泛的应用，因此对频移键控信号调 制方式识别的研究具有重要意义。 现有信号调制方式识别主要分为两类：基于决策理论的最大似然假设检验方法和 基于特征提取的模式识别方法。对于频移键控信号的调制识别，基于决策理论的最大似然 假设检验方法所需先验知识较多，并且判决运算复杂，不具有工程实时应用性。基于特征提 取的模式识别方法首先需要提取信号特征，再根据特征设计分类器做出决策分类。常用的 基于瞬时特征以及高阶累积量等特征的识别方法，存在受信噪比影响较大以及阀值难以确 定的问题，导致基于特征提取的模式识别方法调制识别效果较差。因此如何在低信噪比下 简便、有效地识别频移键控通信信号调制方式是通信信号识别领域亟需解决的问题。 本申请提供了一种频移键控通信信号调制方式识别方法，通过提升信号时频图的 信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频移键控通 信信号类内调制模式的识别，提出一种高斯白噪声背景下基于时频图信噪比提升和卷积神 经网络相结合的频移键控信号调制方式识别方法。
技术实现要素：
本发明的目的在于提供一种频移键控通信信号调制方式识别方法，通过提升信号 时频图的信噪比，凸显调制信号瞬时频率特征，利用卷积神经网络进行实现低信噪比下频 移键控通信信号类内调制模式的识别。 本发明提供了一种频移键控通信信号调制方式识别方法，包括以下步骤： S1：对频移键控信号进行采样，对采样的频移键控信号进行平滑伪Wigner-Ville 分布SPWVD变换时频分析； S2：利用SPWVD时频分布的能量沿瞬时频率集中的特性，估计调制信号的瞬时频 率； S3：利用估计得到的信号瞬时频率重构解析信号，利用SPWVD生成信号时频图，把 信号时频分布图处理为灰度图，作为卷积神经网络的输入； S4：利用卷积神经网络对含有信号时频特征的灰度图进行分类识别。 进一步地，对步骤S1中的采样的频移键控信号做分段处理，对长度为L的信号进行 分段，共分为N段，每段长度为2048个采样点，N的取值为50或100。 进一步地，在较低信噪比的情况下实现步骤S2中迭代的瞬时频率的估计，其步骤 为： 4 CN 111612130 A 说　明　书 2/8 页 S21：对原始信号z0(t)进行SPWVD变换，得到信号时频分布图，检测SPWVD时频分布 每个时刻对应的能量峰值点，得到该时刻能量峰值点对应频率，并作为初次估计的瞬时频 率 S22：根据初次估计的瞬时频率在时间上的积分求出估计信号的瞬时相位，进而重 构信号时间序列 该时间序列为原始信号的估计值； S23：对重构信号进行下一次的SPWVD时频分布峰值检测，得到下一次的瞬时频率 估计值 重构信号 S24：若第n次迭代得到频率和第n-1次瞬时频率估计的误差小于预设阀值，则此时 瞬时频率估计值 为含噪信号的精确瞬时频率估计值，否则继续迭代。 进一步地，如步骤S3中所述生成信号时频图的步骤为： S31：采用瞬时频率估计值 重构时域信号 然后对其进行SPWVD时频变换 得到待检信号三维时频图SPWVD(t,f)，在所述S2所述迭代信噪比提升方法的基础上分别得 到三种频移键控信号各N幅三维时频图像； S32：对所有三维时频图进行灰度变换，读取每段信号时频图的俯视图，通过 matlab中的灰度变换函数对三维时频图的俯视图进行灰度变换，每类调制类型信号都生成 N幅二维灰度图片，所述二维灰度图片含有信号的调制类型特征； S33：对二维灰度图像进行标记，标记后的二维时频灰度图像集合作为后续卷积神 经网络的训练集和验证集。 进一步地，所述S4中的卷积神经网络的训练步骤为： S41：设置神经网络结构及参数，选用的神经网络为多层卷积神经网络，首先设置 卷积层和池化层的个数，然后设置每个卷积层和池化层中卷积核以及池化核的个数和大 小，最后设置全连接层的神经元个数以及输出层神经元的个数； S42：训练设置好的卷积神经网络，将作为训练数据的已知调制类型的频移键控信 号信噪比提升后生成的二维时频灰度图像作为输入，设置训练参数，对设置好的卷积神经 网络进行训练； S43：调整卷积神经网络参数，根据卷积神经网络输出的分类结果与真实标签的比 较，通过反向传播算法调整更新模型参数，达到最优的网络参数； S44：保存训练好的神经网络，将训练并调整好参数的卷积神经网络模型保存，用 于后续对待识别数据的信号调制识别。 与现有技术相比，本发明具有如下显著优点： 第一，本发明以信号时频分布图中能量极值点作为信号瞬时频率估计值，提取频 移键控信号的瞬时频率特征，通过迭代操作减少噪声引起的伪能量峰值点的影响，得到较 为准确的信号瞬时频率估计，由其构造的信号时频图信噪比明显提升，更能清晰显示出信 号的时变特征。 第二，本发明采用SPWVD时频分布作为产生信号时频分布图方法，以其作为迭代瞬 时频率估计的输入，可显著提高单次信号瞬时估计精度。SPWVD相较传统WVD时频分析方法 5 CN 111612130 A 说　明　书 3/8 页 增加了时间和频率两个方向上的窗函数，不仅对高斯白噪声起到了抑制作用，还具有较高 时频聚集性和抑制交叉项干扰的能力，因此以SPWVD二维时频图为基础的瞬时频率估计准 确度更高。 第三，与现有调制识别方法相比，本发明采用时频图信噪比提升和容错能力较好 的卷积神经网络相结合的方法，有效地解决了在低信噪比下频移键控信号调制识别识别率 低的问题。 附图说明 图1为本发明提供的基于时频图信噪比提升和卷积神经网络的调制识别方法流程 图； 图2为本发明提供的训练数据处理流程图； 图3为本发明提供的待识别数据处理流程图； 图4为本发明提供的基于时频峰值检测的迭代瞬时频率估计方法流程图； 图5为本发明提供的-5dB训练数据信号时域图； 图6为本发明提供的-5dB训练数据信号频率估计结果图； 图7为本发明提供的-5dB训练数据信号时频图； 图8为本发明提供的-5dB训练数据信号信噪比提升时频图； 图9为本发明提供的-5dB待识别数据信号时域波形图； 图10为本发明提供的-5dB待识别数据信号迭代时频峰值检测频率估计结果图； 图11为本发明提供的-5dB待识别数据信号时频图； 图12为本发明提供的-5dB待识别数据信号信噪比提升时频图； 图13为本发明提供的多层深度卷积神经网络结构图； 图14为本发明提供的最大池化算法示意图； 图15为本发明提供的调制识别方法性能曲线图。