论文部分内容阅读
现如今随着5G和物联网的诞生,海量设备的接入和更多广域低功耗业务信号的出现已成为必然。为了适应不同业务场景涌现出越来越多的业务信号,信号业务类型的识别已经成为一个热门的研究课题。不论在军事领域还是日常生活都有很广阔的应用前景。如今信号识别领域大多数的研究集中在无线信号的调制方式的识别,传统且常用的方法是提取无线信号IQ数据的专家特征如高阶循环谱特征、高阶累积量等,传统专家特征计算复杂而且不能对所有信号进行统一的标识,需要进行多次标记才能实现对一种调制方式进行识别。虽然近几年已经有团队结合深度学习和机器学习来改进信号特征提取,使得无线信号特征提取更加容易且高效,但大多仍旧是基于IQ数据对信号调制方式的识别。随着越来越多业务场景的出现,不同的业务信号类别的涌现,各种业务信号采用了更为复杂的多重调制方式,甚至很多新型的物联网信号的调制方式就是在传统无线信号的调制方式下得到的。所以仅仅识别信号的调制方式并不能获得信号的所有信息,单一的进行调制方式的识别已经不能满足需求。不同于传统的信号识别研究本文主要工作是利用无线信号的功率谱数据结合深度学习算法模型对无线信号的业务类型进行识别。主要成果如下:1、提出了一种基于无线信号功率谱波形曲线的拟合因子的特征提取方法,并构建了神经网络分类器模型利用该方法提取的特征对不同业务的无线信号进行识别,10万次迭代训练之后模型识别准确率在97%以上,给出了识别效果和模型构建的相关信息,并对比了与统计特征提取的差异。2、构建了卷积神经网络模型实现了对无线信号功率谱波形特征的自动提取,给出了模型构建的相关信息和实验结果,500次以上的训练模型识别准确率就达到99%以上。并且与传统机器学习进行了对比实验,还对模型泛化性能和迁移性能进行了实验仿真并给出了结果,数据失真低于80%的情况下,卷积神经网络分类模型的识别准确率仍能保持在90%以上。3、提出了引入空间金字塔池化层改进卷积模型,实现了对任意尺寸输入信号功率谱数据的特征提取和识别。给出了空间金字塔池化层结构信息以及利用空间金字塔池化层对整个卷积模型进行信号识别的影响,实验表明改进后的卷积神经网络针对不同尺寸的数据输入都可以达到99%以上的识别准确率。4、构建了反卷积模型实现了对卷积神经网络模型每一层的可视化。给出了反卷积模型构建参数和可视化结果。5、首次提出了利用卷积自编码器实现对无线信号功率谱波形的模板制作以及利用模板进行匹配识别的相关步骤。给出了卷积自编码器模型结构参数,以及模板匹配的效果可视化。利用模板作为特征向量进行信号业务识别准确率可以达到9 9%以上。6、利用python的Django框架搭建了无线信号业务识别的展示系统。本文通过结合深度学习和机器学习算法对无线信号的功率谱数据进行特征提取并实现业务类型的分类。用有监督和无监督的学习算法来进行特征提取和分类,本文提出的基于拟合因子的特征提取方法相比于传统的信号特征提取方法,计算更加简单,特征标记统一无需对不同信号提取不同特征来进行标记。最终的卷积神经网络分类模型针对几种实验信号的业务识别准确率可以达到99%以上,并且通过一系列的对比实验验证了文中模型的优越性。最后还引入了无监督学习的方法来实现对无线信号的特征提制作模板,利用模板匹配的方法实现信号业务类型的识别。