申请/专利权人：重庆邮电大学

申请日：2018-04-28

公开（公告）日：2020-11-24

公开（公告）号：CN108600137B

主分类号：H04L27/00(20060101)

分类号：H04L27/00(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.11.24#授权;2018.10.26#实质审查的生效;2018.09.28#公开

摘要：本发明涉及一种基于反向传播神经网络的新型多载波识别方法，属于移动通信技术领域。该方法，首先生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样；对采样得到的信号序列先后进行功率归一化处理和线性归一化处理；构建并训练反向传播神经网络；将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号的识别；并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识别，提高识别网络的泛化能力。

主权项：1.一种基于反向传播神经网络的新型多载波识别方法，其特征在于，该方法具体包括以下步骤：S1：生成三种具有多种幅度增益的基带多载波信号；S2：在接收端对上述基带多载波信号进行采样；S3：以步骤S2中三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；S4：构建初步的反向传播神经网络；采用三层结构的反向传播神经网络，分别为输入层、隐藏层和输出层；输入节点数设置为NFFT；输出节点数设置为期望向量值的列维数Nout；隐藏层节点数Nhidden设置为S5：将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，样本数为Nsamples，其中一个输入节点的样本数据表示为：则一个输入节点样本数据经过线性归一化后的序列为： 对每个输入节点的样本数据都进行上述线性归一化处理；S6：训练反向传播神经网络，具体包括：S61：将所述经过两步归一化处理后的训练样本输入到所述初步建立的反向传播神经网络的输入层并进入隐藏层；S62：所述反向传播神经网络的隐藏层根据初始连接权值和激活函数将输入样本转换成输出数据输入到输出层，输出层根据初始连接权值和激活函数将数据输出；S63：当输出层输出的数据与期望输出值之间的误差大于期望精度时，进入误差的反向传播环节，采用量化共轭梯度算法调整网络隐藏层的各连接权值和阈值，并跳转至步骤S61；S64：当输出层输出的数据与期望输出值的误差在期望精度内时，所述反向传播神经网络训练建立完成；S7：将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为0，根据输出向量值识别多载波信号。

全文数据：一种基于反向传播神经网络的新型多载波识别方法技术领域[0001]本发明属于移动通信技术领域，涉及一种基于反向传播神经网络的新型多载波波形识别方法。背景技术[0002]在5G系统的需求中，提出了更加多样化的业务类型、更高的频谱效率和更多的连接数等要求。在5G无线技术架构白皮书中，提出了4类主要应用场景，其中低功耗大连接场景主要针对以传感及数据采集为目的的物联网应用，具有小数据包、低功耗、低成本、海量连接等特性。在上述复杂的应用场景下，OFDM较高的带外泄露、对时频同步偏差敏感以及全频带需统一配置参数等缺点，将成为5G系统性能提升的主要障碍。基于上述原因，各种新型非正交多载波技术的研究应运而生。目前备选的多载波波形有滤波器组多载波FilterbankbasedMulticarrier1FBMC、通用滤波器多载波技术UniversalFilteredMulticarrier，UFMC、滤波器正交频分复用技术Filter0FDM，F_0FDM等。而单一波形很难满足所有的需求，多种波形技术将共存，在不同场景下发挥各自作用。[0003]当多种波形技术共存时，多模终端需具备多种波形的接收能力。上述的多种备选多载波技术，在实现方式上与OFDM具有相似性，接收端可以采用同一基带电路解调不同的多载波波形，降低硬件成本及功耗。而接收多种波形的前提，就是具备对各种多载波波形进行识别的能力。[0004]作为信号检测和信号解调中间的步骤，调制识别技术在国防、安全监测等领域应用广泛且不可或缺。目前，调制识别技术集中在单载波的类内识别以及单载波与多载波之间的识别，并没有提供新型多载波技术的类内识别技术。并且传统的调制识别技术主要包括:1.基于特征提取;2.基于最大似然比。而前者的识别效果依赖于人工对特征量的正确选择，后者的识别效果依赖于分析信号的统计特性并需要一些先验信息。在实际应用中上述两种技术的复杂度都很高并且对人工依赖性强。[0005]专利文献“一种基于特征提取的通信信号调制方式进行识别的方法”（申请公布号:CN104022837A中将接收信号的归一化功率谱中大于常数B时的谱峰个数、归一化零中心瞬时幅度谱密度的最大值以及圆环特征参数结合起来快速准确识别单载波信号。该专利中信号识别效果依赖于谱峰特征提取的好坏。专利文献“一种基于混合高斯模型的最大似然调制识别方法”（申请公布号:CN104158633A中扩展了传统信号星座图，通过混合高斯模型来模拟真实环境下的信号处理机误差并提高了星座模型的稳健性。该专利中先验的信道信息的准确与否对识别效果有影响。[0006]反向传播神经网络因其具有很强的非线性映射能力和柔性的网络结构而受到广泛应用，但是应用传统的反向传播神经网络归一化方法线性归一化法、零均值归一化法、函数归一化法等对具有多种增益的多载波信号数据进行预处理时会导致训练出来的网络泛化能力较弱，即当待识别信号不是标准化幅度信号时，识别率大大降低。发明内容[0007]有鉴于此，本发明的目的在于提供一种基于反向传播神经网络的新型多载波波形识别方法。通过该方法，能够以低复杂度、快速准确地实现对三种新型多载波信号0FDM、UFMC、FBMC的识别。并能实现在低信噪比下对非标准化幅度信号的归一化处理和正确识另1J，提尚识别网络的泛化能力。[0008]为达到上述目的，本发明提供如下技术方案：[0009]一种基于反向传播神经网络的新型多载波识别方法，首先生成具有多种幅度的三种基带多载波信号，对多载波信号进行采样;对采样得到的信号序列先后进行功率归一化处理和线性归一化处理;构建并训练反向传播神经网络;将待识别信号做上述两步归一化处理并输入至网络，根据输出值判别多载波信号类型。该方法具体包括以下步骤：[0010]Sl:生成三种具有多种幅度增益的基带多载波信号；[0011]S2:在接收端对上述基带多载波信号进行采样；[0012]S3:以步骤S2所述的三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；[0013]S4:构建初步的反向传播神经网络；[00M]S5:将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理；[0015]S6:训练反向传播神经网络；[0016]S7:将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为〇，根据输出向量值识别多载波信号。[0017]进一步，所述的三种基带多载波信号分别为0FDM、UFMC和FBMC;所述的训练样本以及待识别输入集均为信号幅度序列。[0018]进一步，所述步骤S3具体包括：IFFT采样点数为NFFT，一个IFFT采样周期内的信号幅度序列表示为：，则功率归一化后的幅度序列为：[0019][0020]对每个信号幅度序列均做上式归一化处理。[0021]进一步，所述步骤S5具体包括:将经过功率归一化处理后的数据作为反向传播神经网络的训练样本，样本数为NsampIes，其中一个输入节点的样本数据表示为：则一个输入节点样本数据经过线性归一化后的序列为：[0022][0023]对每个输入节点的样本数据都进行上述线性归一化处理。[0024]进一步，所述步骤S6具体包括以下步骤：[0025]S61:将所述经过两步归一化处理后的训练样本输入到所述初步建立的反向传播神经网络的输入层并进入隐藏层；[0026]S62:所述反向传播神经网络的隐藏层根据初始连接权值和激活函数将所述输入样本转换成输出数据输入到输出层，输出层根据初始连接权值和激活函数将数据输出；[0027]S63:当输出层输出的数据与期望输出值之间的误差大于期望精度时，进入误差的反向传播环节，采用量化共辄梯度算法调整网络隐藏层的各连接权值和阈值，并跳转至步骤S61;[0028]S64:当输出层输出的数据与期望输出值的误差在期望精度内时，所述反向传播神经网络训练建立完成。[0029]本发明的有益效果在于：1本发明考虑了5G通信应用多波形共存场景下，多模终端需具备用同一基带电路对多种新型多载波波形进行识别的问题。2利用反向传播神经网络对三种新型多载波波形进行了识别，克服了传统调制识别技术需要提取接收信号特征量和分析统计特性而导致复杂度高和人工依赖性强的缺点。3在输入反向传播神经网络数据预处理步骤中加入了功率归一化处理，能够大大提升神经网络对非标准化幅度信号的识别率，增强了反向传播神经网络识别新型多载波波形的泛化能力；该处理方法也使得神经网络识别率在低信噪比下依然取得较高的识别率。附图说明[0030]为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：[0031]图1为本发明所述的新型多载波波形识别方法的整体流程图；[0032]图2为本发明中所述反向传播神经网络的结构示意图。[0033]图3为本发明的实验结果仿真图。具体实施方式[0034]下面将结合附图，对本发明的优选实施例进行详细的描述。[0035]如图1所示，对本发明的具体步骤作进一步的描述。[0036]SI:生成具有多种幅度的三种基带多载波信号。所述多载波信号包括OFDM正交频分复用调制）、FBMC滤波器组调制）和UFMC通用滤波器组调制）。步骤Sl具体包括以下步骤：[0037]SI1:生成随机比特流，并采用64QAM对比特流进行星座映射，得到复数序列。[0038]S12:对复数序列分别进行OFDM、UFMC、FBMC调制。其中IFFT采样点数Nfft均为1024;UFMC调制中设置参数为:子带数为10，每个子带包含20个频点；采用长度为43，旁瓣衰减为40dB的切比雪夫滤波器;FBMC调制中设置参数为:采用PHYDYAS滤波器，重叠因子K=4;采用多相结构进行滤波。[0039]S13:在每种调制波形的传输数据中分别随机设置四种范围在HT2到IO2的不同幅度增益的等量调制信号并将他们的顺序随机打乱。[0040]S2:在接收端对上述基带多载波信号进行采样。[0041]本发明中三种多载波信号通过信噪比为5dB的加性高斯白噪声信道，并在接收端按IFFT点数为周期进行采样，得到一系列以Nfft为长度的时域符号序列。[0042]S3:以这三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理。[0043]取每个时域符号的幅度值，即复数的模值，得到信号幅度序列。一个长度为Nfft的信号幅度序列表示为：^，则功率归一化后的幅度序列为：[0044]1[0045]对每个信号幅度序列均做上式归一化处理。[0046]S4:构建初步的反向传播神经网络。[0047]本发明采用三层结构的反向传播神经网络，分别为输入层、隐藏层和输出层。输入节点数设置为Nfft;输出节点数设置为期望向量值的列维数Nciut;隐藏层节点数Nhldden设置为[0048][0049]S5:将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理。[0050]将经过功率归一化处理后的数据作为反向传播神经网络的训练样本，样本数为NsampIf3s，其中一个输入节点的样本数据表示为：1，则一个输入节点样本数据经过线性归一化后的序列为：[0051]⑵[0052]对每个输入节点的样本数据都进行上述线性归一化处理。[0053]S6:训练反向传播神经网络。[0054]如图2所示，Xi表示输入层第i个节点的输入数据，i=l，2,3,...NFFT;Wij表示为输入层第i个节点至隐藏层第j个节点的连接权值，j=1,2,...Nhidden;bj表示隐藏层第j个节点的阈值;f·为激活函数sigmoid;wjk为隐藏层第j个节点至输出层第k个节点的连接权值，k=1，2，3..N.;ak表示为输出层第k个节点的阈值;Ok表示第k个输出节点的输出值。[0055]给神经网络中各连接权值分别赋予区间为_1，1内的随机数，设定总体误差函数，其中Tkm为第m个样本数据在k个输出节点的期望输出值、期望精度ε、学习速率λ和最大学习次数M。本发明中，期望精度ε设定为HT7，学习速率λ设定为〇.1，最大学习次数M设定为200次，期望输出向量值对应于0FDM、UFMC、FBMC分别为0，1、（1，0、（1，1，则输出层节点数隐藏层节点数Nhidden为33。[0056]S61:将所述经过两步归一化处理后的训练样本输入到所述初步建立的反向传播神经网络的输入层并进入隐藏层。[0057]S62:所述反向传播神经网络的隐藏层根据初始连接权值将所述输入样本转换成输出数据输入到输出层，输出层根据初始连接权值和激活函数将数据输出。[0058]上述步骤为输入样本前向传播过程，具体如下：[0059]隐藏层第j个节点的输入netj为：[0060]3[0061]隐藏层第j个节点的输出hoj为：[0062]hoj=fnetj4[0063]输出层第k个节点的输入yk为：[0064]5[0065]输出层第k个节点的输出y〇⑹为：[0066]yok=fyk6[0067]S63:当所述输出层输出的数据与所述期望输出值之间的误差大于期望精度时，进入误差的反向传播环节，采用量化共辄梯度算法调整网络隐藏层的各连接权值和阈值并跳转至步骤S61。[0068]由于输入节点个数多，样本数大，故采用量化共辄梯度算法来调整各连接权值和阈值。量化共辄梯度算法实施过程如下：[0069]利用总体误差函数e对各层连接权值和阈值求梯度，其中A为输入层至隐藏层连接权值梯度，AWjk为隐藏层至输出层连接权值梯度，Abj为隐藏层阈值梯度，AakS输出层阈值梯度。[0070]以Awlj搜索算法为例，其余三个参数的搜索算法与Awlj—致。第一步迭代的修正值，则第t次迭代时权值Wij的修正式为：[0071]⑺[0072]其中1为第t-Ι次迭代后的梯度;β为共辄因子，保证共辄，2通过.计算得到第t步的共辄因子。[0073]S64:当所述输出层输出的数据与所述期望输出值的误差在期望精度内时，所述反向传播神经网络训练建立完成。[0074]S7:将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理并输入至上述反向传播神经网络，将大于0.5的输出节点值判定为1，小于0.5的输出节点值判定为0，根据输出向量值识别多载波信号。[0075]下面结合仿真实验对本发明的效果作进一步的描述：[0076]本实验中训练样本数设定为18000个，每种波形的训练样本数设定为6000个，顺序随机打乱。通过1500个测试样例来对训练好的反向传播神经网络进行测试，每种波形信号使用500个测试样例，顺序随机打乱。仿真结果如图3显示，在信噪比范围为OdB到20dB时，使用传统不加功率归一化处理的神经网络进行识别，识别准确率均低于80%，而加入功率归一化处理后神经网络的平均识别准确率达到87.2%。[0077]最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

权利要求：1.一种基于反向传播神经网络的新型多载波识别方法，其特征在于，该方法具体包括以下步骤：SI:生成三种具有多种幅度增益的基带多载波信号；S2:在接收端对上述基带多载波信号进行采样；S3:以步骤S2所述的三种多载波信号的IFFT采样点数为单元对多载波信号的幅度进行功率归一化处理；S4:构建初步的反向传播神经网络；S5:将经过功率归一化处理后的数据单元作为反向传播神经网络的训练样本，并对这些样本进行线性归一化处理；S6:训练反向传播神经网络；S7:将待识别基带多载波信号按照步骤S3和S5所述方法进行归一化处理，并输入至上述反向传播神经网络，将大于〇.5的输出节点值判定为1，小于0.5的输出节点值判定为O，根据输出向量值识别多载波信号。2.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述的三种基带多载波信号分别为〇FDM、UFMC和FBMC;所述的训练样本以及待识别输入集均为信号幅度序列。3.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述步骤S3具体包括：IFFT采样点数为NFFT，一个IFFT采样周期内的信号幅度序列表示为：’则功率归一化后的幅度序列为：对每个信号幅度序列均做上式归一化处理。4.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述步骤S5具体包括:将经过功率归一化处理后的数据作为反向传播神经网络的训练样本，样本数为Nsa_ies，其中一个输入节点的样本数据表示为:S=%¾，…，则一个输入节点样本数据经过线性归一化后的序列为：对每个输入节点的样本数据都进行上述线性归一化处理。5.根据权利要求1所述的一种基于反向传播神经网络的新型多载波识别方法，其特征在于，所述步骤S6具体包括以下步骤：S61:将所述经过两步归一化处理后的训练样本输入到所述初步建立的反向传播神经网络的输入层并进入隐藏层；S62:所述反向传播神经网络的隐藏层根据初始连接权值和激活函数将所述输入样本转换成输出数据输入到输出层，输出层根据初始连接权值和激活函数将数据输出；S63:当输出层输出的数据与期望输出值之间的误差大于期望精度时，进入误差的反向传播环节，采用量化共辄梯度算法调整网络隐藏层的各连接权值和阈值，并跳转至步骤S61；S64:当输出层输出的数据与期望输出值的误差在期望精度内时，所述反向传播神经网络训练建立完成。

百度查询： 重庆邮电大学 一种基于反向传播神经网络的新型多载波识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD