1.一种基于判别式受限玻尔兹曼机的数字调制识别方法,其特征在于,所述方法包括:S1将接收信号进行下变频、匹配滤波和离散化处理后获得数字基带信号的符号序列;
S2提取符号序列的高阶累积量特征,将高阶累积量特征进行能量归一化后取绝对值构建信号特征数据集,并构建每个符号序列对应的调制类型标签;
S3将信号特征数据集中的高阶累积量特征构成特征向量并进行最大值最小值归一化,即将所有特征取值缩放到[0,1]之间,获得归一化特征向量;
S4将所述归一化特征向量作为调制识别模型DRBM的输入、对应的调制类型标签作为输出,针对信号受干扰程度轻重,通过不同训练方式获得两个识别模型,第一个模型:基于判别目标函数训练所述DRBM模型,对网络超参数进行调优,获得DRBM_disc分类器,用于直接识别信噪比高于-2dB的数字信号的调制类型;第二个模型:基于生成目标函数训练所述DRBM模型,对网络参数进行调优,获得DRBM_gen模型后,基于对比散度算法,重构归一化特征向量,获得重构特征数据集;将重构特征数据集作为输入,再度基于判别式目标函数训练DRBM模型,对网络参数进行调优,即对于信噪比低于-2dB的信号,需经过重构、分类两步处理获得DRBM_gen+disc模型;
S5对新采集的、调制类型未知的数字信号经下变频、匹配滤波和离散化预处理获得基带符号序列,提取符号序列的高阶累积量特征,经过能量归一化构成特征向量,特征向量经最大值最小值归一化获得归一化特征向量,将归一化特征向量输入最终的识别模型进行调制类型识别,获得信号调制类型标签,识别过程中,对于信噪比较低,受严重干扰的数字信号,利用DRBM_gen+dis模型对其进行输入数据重构再进行调制类型识别;对于高信噪比下信号,可直接利用DRBM_disc模型进行调制类型识别。
2.根据权利要求1所述的方法,其特征在于,所述调制识别模型DRBM为在RBM的结构基础上将可见层分为输入层x和输出标签层y两部分,输入层x、输出标签层y分别和隐含层h对称连接,但是输入层和输出标签层的层内以及层间无连接。
3.根据权利要求1所述的方法,其特征在于,构建信号特征数据集和对应的调制类型标签,包括:分别构建训练集、验证集和测试集;其中,在训练集和验证集中,每个符号序列的平均信噪比为-10dB~18dB区间内的随机值;在测试集中,为方便分析不同信噪比下的识别性能,每种调制类型的符号序列对应特定的信噪比-10dB,-8dB,…,16dB,18dB;
符号序列对应的调制类型标签为y∈{1,2,…,C},C为调制类型;对标签进行One-Hot编码后作为模型的输出层单元值,即输出向量为:
4.根据权利要求1所述的方法,其特征在于,所述S2提取符号序列的高阶累积量特征,将高阶累积量特征进行能量归一化后取绝对值,包括:
2.1计算符号序列y(n)的p阶混合矩M
M
其中p,q为矩的阶数,E()表示求均值;y
2.2由矩-累积量转化公式计算出每个符号序列y(n)的二、四、六阶累积量特征,上标*表示取共轭;
C
C
C
2.3对于接收的符号序列样本,其混合矩的样本估计值为
其中,N为符号序列y(n)的采样点数,通常会预先对y(n)去均值,根据2.2中的各阶累积量公式估计出每个符号序列y(n)的二、四、六阶累积量特征估计值:
2.4对高阶累积量特征估计值进行能量归一化;
其中,
对二阶、四阶和六阶累积量估计值取绝对值得到
5.根据权利要求1所述的方法,其特征在于,所述S3将信号特征数据集中的高阶累积量特征构成特征向量,再经过最大值最小值归一化处理,得到的归一化特征向量表示为
6.根据权利要求1所述的方法,其特征在于,所述S4包括:
4.1利用二值随机隐含层单元h=(h
其中W,U分别为输入x,输出y与隐含层h之间的权重,b,c,d分别为x,h,y的偏置;F(x,y)为自由能函数;i表示输入层第i个单元,j表示隐含层第j个单元,b
4.2通过已知输入求输出的条件概率函数p(y|x)实现调制类型决策:其中,softplus(a)=log(1+exp(a));
取概率值最大的索引为目标调制类型。
7.根据权利要求6所述的方法,其特征在于,所述S4中训练所述DRBM模型可根据信号受干扰程度分为两种情况:
4.3基于判别式目标函数训练DRBM,简称为DRBM_disc,判别式目标函数为:利用随机梯度下降算法,求取网络参数θ∈{d,c,W,U}的偏导:F(y
网络参数d、c、W、U的梯度更新如下:
其中,y
通过网络超参数调优,获得最佳的调制识别模型DRBM_disc,最终获得的DRBM_disc模型用于识别高信噪比下信号,即信号信噪比高于-2dB时采用DRBM_disc进行识别;
4.4基于生成目标函数训练DRBM,简称为DRBM_gen,生成目标函数为:其中
采用随机梯度下降算法训练模型,求取网络参数θ∈{b,d,c,W,U}的偏导:F(y
采用k步对比散度算法降低上式右边第二项梯度的计算难度,即用k步吉布斯采样生成的样本点估计值作为期望的近似值;
网络参数b、d、c、W、U的梯度更新为:
上标k表示经过k步吉布斯采样获得的估计值,计算梯度更新时所需条件概率公式为:其中,sigmoid(a)=1/(1+exp(-a)),通过网络超参数调优,获得最佳的DRBM_gen模型,对于训练集样本,通过对比散度算法,重构归一化特征向量获得重构数据,将重构数据作为输入,训练基于判别目标函数的DRBM,实现调制识别,经过重构和分类两步操作获得模型DRBM_gen+disc,即信号信噪比高于-2dB时采用DRBM_gen+disc进行识别。
8.根据权利要求1所述的方法,其特征在于,所述接收信号包括加性高斯白噪声信道、时变相移信道和瑞利信道中BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种调制类型的信号。
9.一种基于判别式受限玻尔兹曼机的数字调制识别系统,其特征在于,所述系统采用权利要求1-8任一项所述的方法对接收信号进行调制识别。
10.权利要求1-8任一项所述的方法或权利要求9所述的数字调制识别系统在无线信号传输中的应用。