一种辐射源信号调制方式识别方法及系统

1.本发明属于未知辐射源信号分析技术领域，具体涉及一种辐射源信号调制方式识别方法及系统。


背景技术：

2.调制方式自动识别是介于信号检测与信号解调之间的一项技术，调制方式是区分不同性质通信信号的一个重要特征，调制方式的识别需要在未知辐射源调制信息内容的情况下，正确判断其信号调制方式，为后续的解调、解码奠定基础，从而获取有用的信息内容。
3.现有技术中，研究调制识别方法一般分为最大似然法和模式识别法，其中，最大似然法采用概率论和假设检验理论,通过最大化似然函数来进行预测，分析信号的统计特性并推导出检验统计量，由判决准则实现调制模式的自动识别。模式识别法通过特征提取从调制信号中提取包含调制模式信息的特征参数，再通过模式匹配进行调制模式的自动识别。但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：
4.采用现有技术进行识别的过程中，环境中的噪声会极大影响似然函数的构造及特征参数的计算，进而导致上述两种方法应用于低信噪比环境下时，识别精度降低。


技术实现要素：

5.本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种辐射源信号调制方式识别方法及系统。
6.为了实现上述目的，本发明采用以下技术方案：
7.第一方面，本发明提供了一种辐射源信号调制方式识别方法，包括：
8.接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息；
9.通过所述瞬时参数信息推算出所述辐射源信号的特征参数；
10.模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集；
11.构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码；
12.对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；
13.计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；
14.根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构；
15.将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。
16.本发明可在低信噪比环境下，提高辐射源信号调制方式识别的精度和稳定性。具体地，本发明提出了一种利用信号自身特征参数联合全局寻优神经网络的未知辐射源调制
方式识别方法，在实施过程中，先获取辐射源信号的特征参数，即估算辐射源信号自身浅层次特征，再通过构建神经网络并得到最优网络结构，可基于深度神经网络在非线性逼近方面的优越性能，将辐射源信号的特征参数输入到经过个体编码变化多层迭代的最优网络结构中，以便挖掘捕捉辐射源信号的潜在特征，由此可使得调制方式输出结果更加稳定高效，相比较于普通神经网络的识别，本发明在低信噪比环境下辐射源信号调制方式识别的抗噪性能和识别准确度有显著提升。
17.在一个可能的设计中，从所述辐射源信号中提取得到的瞬时参数信息包括：
[0018][0019]
式1中，ns为所述辐射源信号的采样点数，a(i)为所述辐射源信号在第i个采样点的的瞬时幅度，ma为所述辐射源信号的瞬时幅度均值；an(i)为所述辐射源信号在第i个采样点的的归一化瞬时幅度，a
cn
(i)为所述辐射源信号在第i个采样点的的零中心归一化瞬时幅度；为所述辐射源信号的归一化瞬时幅度均值；f(i)为所述辐射源信号在第i个采样点的的瞬时频率，为所述辐射源信号在第i个采样点的的归一化瞬时频率；rs为所述辐射源信号的码元速率；为所述辐射源信号在第i个采样点的的瞬时相位，fs为信号频率，fc为载波频率，为所述辐射源信号在第i个采样点的的非线性相位分量。
[0020]
在一个可能的设计中，通过所述瞬时参数信息推算出的所述辐射源信号的特征参数包括：
[0021][0022]
式2中，z1为幅度谱密度最大值，z2为瞬时幅度方差，z3为瞬时频率方差，z4为瞬时相位方差，为傅里叶算子，c为在所述辐射源信号的ns个采样点中非弱信号值的个数。
[0023]
在一个可能的设计中，模拟的各调制方式的模拟信号包括多幅移位键控调制信号、多频移位键控调制信号、多相移位键控调制信号、调幅信号、线性调频信号和连续波调制信号；其中，
[0024]
多幅移位键控调制信号如下：
[0025][0026]
式3中，e
mask
(t)为模拟所得随时间t变化的多幅移位键控信号，an为第n个码元的电平，g()为窗函数，ts是g()的时间间隔，ωc为载波信号角频率；
[0027]
多频移位键控调制信号如下：
[0028][0029][0030]
式4中，e
mfsk
(t)为模拟所得随时间t变化的多进制频移键控信号，a为信号幅度，ωi为第i个载波信号的角频率；
[0031]
多相移位键控调制信号如下：
[0032][0033]
式5中，e
mpsk
(t)为模拟所得随时间t变化的多进制相移键控信号，φn为第n个载波信号的初始相位；
[0034]
调幅信号如下：
[0035]eam
(t)＝an(1+mcv
ω
(t))cosωct；
ꢀꢀ
式6
[0036]
式6中，e
am
(t)为模拟所得随时间t变化的调幅信号，mc为调制指数，范围在[0,1]之间，ν
ω
(t)为调制信号；
[0037]
线性调频信号如下：
[0038][0039]
式7中，e
lfm
(t)为模拟所得随时间t变化的线性调频信号，rect为矩形函数变换符，k为线性调频率，exp()为以自然常数e为底的指数函数，j为虚数符号；
[0040]
连续波调制信号如下：
[0041]ecw
(t)＝a(t)cos[ωct+θ(t)]；
ꢀꢀ
式8
[0042]
式8中，e
cw
(t)为模拟所得随时间t变化的连续波调制信号，a(t)为振幅函数，θ(t)为相位函数。
[0043]
在一个可能的设计中，构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码，包括：
[0044]
构建初始深度神经网络；其中，所述初始深度神经网络采用三层神经网络，所述初始深度神经网络包括依次连接的输入层、隐藏层和输出层；
[0045]
对所述初始深度神经网络中的所有权值和阈值进行初始化；其中，所述初始深度神经网络中的权值包括在输入层与隐藏层之间的权值以及在隐藏层与输出层之间的权值，所述初始深度神经网络中的阈值包括隐藏层阈值以及输出层阈值；
[0046]
对所有权值和阈值均进行编码，得到多个个体编码。
[0047]
在一个可能的设计中，对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络，包括：
[0048]
对所述初始深度神经网络中同一层的两个相邻个体编码进行随机码位交叉操作；
[0049]
所有个体编码进行交叉操作后，在所述初始深度神经网络中每层随机选取一个个体编码进行码位变换操作；
[0050]
将所述带标签数据集中的各调制方式的模拟信号作为所述初始深度神经网络的输入数据，将各调制方式的模拟信号对应的特征参数作为所述初始深度神经网络的输出数据，以对所述初始深度神经网络进行训练。
[0051]
在一个可能的设计中，当第k个个体编码的第j位a
kj
和第l个个体编码的j位a
lj
进行码位交叉操作时，满足以下条件：
[0052]akj
＝a
kj
(1-b)+a
lj
b；
ꢀꢀ
式9
[0053]
式9中，b为[0,1]区间的随机数；
[0054]
当第i个个体编码的第j位a
ij
进行码位变换操作时，满足以下条件：
[0055][0056]
式10中，a
max
和a
min
分别为编码a
ij
每一位所能取到的最大值和最小值，g为当前迭代次数，r为[0,1]区间的随机数，r2为随机数，g
max
为预设的可承受最大迭代次数。
[0057]
在一个可能的设计中，所述训练后神经网络的偏方差为：
[0058][0059]
式11中，m为所述训练后神经网络输出样本的个数，每个样本为n维的矢量，实际输出为xj，期望输出为
[0060]
所述训练后神经网络的结构逼近度为(msef+1)的倒数，且
[0061]
在一个可能的设计中，根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构，包括：
[0062]
为所述结构逼近度设立逼近度阈值；
[0063]
当所述结构逼近度大于所述逼近度阈值，或当前迭代次数超过预设的最大迭代次数时，将所述训练后神经网络作为最优网络结构；
[0064]
否则，重新对指定个体编码进行码位交叉和码位变换操作，直到得到最优网络结构。
[0065]
第二方面，本发明提供了一种辐射源信号调制方式识别系统，用于实现如上述任一项所述的辐射源信号调制方式识别方法；所述辐射源信号调制方式识别系统包括：
[0066]
辐射源信号信息提取模块，用于接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息；还用于通过所述瞬时参数信息推算出所述辐射源信号的特征参数；
[0067]
神经网络构建模块，用于模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集；用于构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码；用于对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；用于计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；还用于根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构；
[0068]
调制方式预测模块，分别与所述辐射源信号信息提取模块和所述神经网络构建模块通信连接，用于将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。
[0069]
第三方面，本发明提供了一种电子设备，包括：
[0070]
存储器，用于存储计算机程序指令；以及，
[0071]
处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的辐射源信号调制方式识别方法的操作。
[0072]
第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的辐射源信号调制方式识别方法的操作。
附图说明
[0073]
图1是实施例1中一种辐射源信号调制方式识别方法的流程图；
[0074]
图2是实施例1中初始深度神经网络的结构示意图；
[0075]
图3是实施例1中无噪声情况下最优网络结构的识别结果；
[0076]
图4是实施例1中运用个体编码对神经网络进行优化前后不同信噪比下的识别结果；
[0077]
图5是实施例2中一种辐射源信号调制方式识别系统的模块框图。
具体实施方式
[0078]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
[0079]
实施例1：
[0080]
本实施例公开了一种辐射源信号调制方式识别方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行。
[0081]
如图1所示，一种辐射源信号调制方式识别方法，可以但不限于包括有如下步骤：
[0082]
s1.接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息。
[0083]
具体地，步骤s1中，从所述辐射源信号中提取得到的瞬时参数信息包括：
[0084][0085]
式1中，ns为所述辐射源信号的采样点数，即一共有ns个采样点，a(i)为所述辐射源信号在第i个采样点的的瞬时幅度，ma为所述辐射源信号的瞬时幅度均值；an(i)为所述辐射源信号在第i个采样点的的归一化瞬时幅度，a
cn
(i)为所述辐射源信号在第i个采样点的的零中心归一化瞬时幅度；为所述辐射源信号的归一化瞬时幅度均值；f(i)为所述辐射源
信号在第i个采样点的的瞬时频率，为所述辐射源信号在第i个采样点的的归一化瞬时频率；rs为所述辐射源信号的码元速率；为所述辐射源信号在第i个采样点的的瞬时相位，fs为信号频率，fc为载波频率，为所述辐射源信号在第i个采样点的的非线性相位分量。
[0086]
s2.通过所述瞬时参数信息推算出所述辐射源信号的特征参数；其中，所述特征参数包括幅度谱密度、瞬时幅度方差、瞬时频率方差和/或瞬时相位方差。
[0087]
步骤s2中，通过所述瞬时参数信息推算出的所述辐射源信号的特征参数包括：
[0088][0089]
式2中，z1为幅度谱密度最大值，z2为瞬时幅度方差，z3为瞬时频率方差，z4为瞬时相位方差，为傅里叶算子，c为在所述辐射源信号的ns个采样点中非弱信号值的个数。需要说明的是，本实施例中，非弱信号值为大于归一化瞬时幅度均值的信号值。
[0090]
本实施例中，设定z＝[z1,z2,z3,z4]，z为所述辐射源信号的自身特征向量，作为后续最优网络结构的输入值。
[0091]
s3.模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集。
[0092]
步骤s3中，模拟的各调制方式的模拟信号包括多幅移位键控调制信号、多频移位键控调制信号、多相移位键控调制信号、调幅信号、线性调频信号和连续波调制信号；其中，
[0093]
多幅移位键控调制信号如下：
[0094][0095]
式3中，e
mask
(t)为模拟所得随时间t变化的多幅移位键控信号，an为第n个码元的电平，g()为窗函数，一般为矩形窗，ts是g()的时间间隔，ωc为载波信号角频率；
[0096]
多频移位键控调制信号如下：
[0097][0098]
式4中，e
mfsk
(t)为模拟所得随时间t变化的多进制频移键控信号，a为信号幅度，ωi为第i个载波信号的角频率；
[0099]
多相移位键控调制信号如下：
[0100][0101]
式5中，e
mpsk
(t)为模拟所得随时间t变化的多进制相移键控信号，φn为第n个载波信号的初始相位；
[0102]
调幅信号如下：
[0103]eam
(t)＝an(1+mcv
ω
(t))cosωct；
ꢀꢀ
式6
[0104]
式6中，e
am
(t)为模拟所得随时间t变化的调幅信号，mc为调制指数，范围在[0,1]之间，ν
ω
(t)为调制信号，其反映着调制后的e
am
(t)信号包络变化规律；
[0105]
线性调频信号如下：
[0106][0107]
式7中，e
lfm
(t)为模拟所得随时间t变化的线性调频信号，rect为矩形函数变换符，k为线性调频率，exp()为以自然常数e为底的指数函数，j为虚数符号；
[0108]
连续波调制信号如下：
[0109]ecw
(t)＝a(t)cos[ωct+θ(t)]；
ꢀꢀ
式8
[0110]
式8中，e
cw
(t)为模拟所得随时间t变化的连续波调制信号，a(t)为振幅函数，θ(t)为相位函数。
[0111]
s4.构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码。本实施例中，初始深度神经网络的结构示意图如图2所示。
[0112]
步骤s4中，构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码，包括：
[0113]
s401.构建初始深度神经网络；其中，所述初始深度神经网络采用三层神经网络，所述初始深度神经网络包括依次连接的输入层、隐藏层和输出层；本实施例中，所述初始深度神经网络的激活函数采用sigmoid函数
[0114]
s402.对所述初始深度神经网络中的所有权值和阈值进行初始化；其中，所述初始深度神经网络中的权值包括在输入层与隐藏层之间的权值以及在隐藏层与输出层之间的权值，所述初始深度神经网络中的阈值包括隐藏层阈值以及输出层阈值；
[0115]
s403.对所有权值和阈值均进行编码，得到多个个体编码。需要说明的是，本实施例中，且每个个体编码均与对应的权值或阈值存在对应关系。
[0116]
需要说明的是，本实施例中，个体编码可以但不仅限于采用二进制编码、实数编码，当个体编码采用二进制编码时，每个个体均是一个二进制数串，由在输入层与隐藏层之间的权值、隐藏层阈值、在隐藏层与输出层之间的权值以及输出层阈值4部分组成。当个体编码采用实数编码时，每个个体均为一个实数串，由在输入层与隐藏层之间的权值、隐藏层阈值、在隐藏层与输出层之间的权值以及输出层阈值4部分组成。
[0117]
s5.对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；本实施例中，通过该步骤，达到了基于个体编码算法最优化网络权值结构的作用，可利于实现辐射源信号在低信噪比环境
下调制方式的高精度识别。
[0118]
步骤s5中，对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络，包括：
[0119]
s501.对所述初始深度神经网络中同一层的两个相邻个体编码进行随机码位交叉操作；其中，当第k个个体编码的第j位a
kj
和第l个个体编码的j位a
lj
进行码位交叉操作时，满足以下条件：
[0120]akj
＝a
kj
(1-b)+a
lj
b；
ꢀꢀ
式9
[0121]
式9中，b为[0,1]区间的随机数；
[0122]
s502.所有个体编码进行交叉操作后，在所述初始深度神经网络中每层随机选取一个个体编码进行码位变换操作；其中，当第i个个体编码的第j位a
ij
进行码位变换操作时，满足以下条件：
[0123][0124]
式10中，a
max
和a
min
分别为编码a
ij
每一位所能取到的最大值和最小值，g为当前迭代次数，r为[0,1]区间的随机数，r2为随机数，g
max
为预设的可承受最大迭代次数；
[0125]
s503.将所述带标签数据集中的各调制方式的模拟信号作为所述初始深度神经网络的输入数据，将各调制方式的模拟信号对应的特征参数作为所述初始深度神经网络的输出数据，以对所述初始深度神经网络进行训练。
[0126]
s6.计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；需要说明的是，偏方差用于量化实际输出和期望输出之间的误差。
[0127]
步骤s6中，所述训练后神经网络的偏方差为：
[0128][0129]
式11中，m为所述训练后神经网络输出样本的个数，每个样本为n维的矢量，实际输出为xj，期望输出为
[0130]
所述训练后神经网络的结构逼近度为(msef+1)的倒数，且
[0131]
本实施例中，考虑到均方误差等于0的情况，把(msef+1)的倒数称为结构逼近度，并记为显然当越接近1，输出效果越接近期望值，即此时网络结构对应的权值、阈值性能也越好。
[0132]
s7.根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构。
[0133]
步骤s7中，根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构，包括：
[0134]
s701.为所述结构逼近度设立逼近度阈值；
[0135]
s702.当所述结构逼近度大于所述逼近度阈值，或当前迭代次数超过预设的最大迭代次数时，将所述训练后神经网络作为最优网络结构；
[0136]
否则，重新对指定个体编码进行码位交叉和码位变换操作，即重新执行步骤s5、s6和s7，直到得到最优网络结构。
[0137]
s8.将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。
[0138]
作为示例，本实施例中，无噪声情况下最优网络结构的识别结果如图3所示。运用个体编码对神经网络进行优化前后不同信噪比下的识别结果如图4所示，显然可知，本实施例中，由于对指定个体编码进行码位交叉和码位变换操作，可使得最终得到的最优网络结构在不同信噪比下的调制方式识别结果的准确度得以提升。
[0139]
本实施例可在低信噪比环境下，提高辐射源信号调制方式识别的精度和稳定性。具体地，本实施例提出了一种利用信号自身特征参数联合全局寻优神经网络的未知辐射源调制方式识别方法，在实施过程中，先获取辐射源信号的特征参数，即估算辐射源信号自身浅层次特征，再通过构建神经网络并得到最优网络结构，可基于深度神经网络在非线性逼近方面的优越性能，将辐射源信号的特征参数输入到经过个体编码变化多层迭代的最优网络结构中，以便挖掘捕捉辐射源信号的潜在特征，由此可使得调制方式输出结果更加稳定高效，相比较于普通神经网络的识别，本实施例在低信噪比环境下辐射源信号调制方式识别的抗噪性能和识别准确度有显著提升。
[0140]
实施例2：
[0141]
本实施例公开了一种辐射源信号调制方式识别系统，用于实现实施例1中辐射源信号调制方式识别方法；如图5所示，所述辐射源信号调制方式识别系统包括：
[0142]
辐射源信号信息提取模块，用于接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息；还用于通过所述瞬时参数信息推算出所述辐射源信号的特征参数；
[0143]
神经网络构建模块，用于模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集；用于构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码；用于对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；用于计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；还用于根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构；
[0144]
调制方式预测模块，分别与所述辐射源信号信息提取模块和所述神经网络构建模块通信连接，用于将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。
[0145]
实施例3：
[0146]
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，电子设备包括：
[0147]
存储器，用于存储计算机程序指令；以及，
[0148]
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的辐射源
信号调制方式识别方法的操作。
[0149]
实施例4：
[0150]
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的辐射源信号调制方式识别方法的操作。
[0151]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0152]
最后应说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种辐射源信号调制方式识别方法，其特征在于：包括：接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息；通过所述瞬时参数信息推算出所述辐射源信号的特征参数；模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集；构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码；对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构；将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。2.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：从所述辐射源信号中提取得到的瞬时参数信息包括：式1中，n
s
为所述辐射源信号的采样点数，a(i)为所述辐射源信号在第i个采样点的的瞬时幅度，m
a
为所述辐射源信号的瞬时幅度均值；a
n
(i)为所述辐射源信号在第i个采样点的的归一化瞬时幅度，a
cn
(i)为所述辐射源信号在第i个采样点的的零中心归一化瞬时幅度；为所述辐射源信号的归一化瞬时幅度均值；f(i)为所述辐射源信号在第i个采样点的的瞬时频率，为所述辐射源信号在第i个采样点的的归一化瞬时频率；r
s
为所述辐射源信号的码元速率；为所述辐射源信号在第i个采样点的的瞬时相位，f
s
为信号频率，f
c
为载波频率，为所述辐射源信号在第i个采样点的的非线性相位分量。3.根据权利要求2所述的一种辐射源信号调制方式识别方法，其特征在于：通过所述瞬
时参数信息推算出的所述辐射源信号的特征参数包括：式2中，z1为幅度谱密度最大值，z2为瞬时幅度方差，z3为瞬时频率方差，z4为瞬时相位方差，为傅里叶算子，c为在所述辐射源信号的n
s
个采样点中非弱信号值的个数。4.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：模拟的各调制方式的模拟信号包括多幅移位键控调制信号、多频移位键控调制信号、多相移位键控调制信号、调幅信号、线性调频信号和连续波调制信号；其中，多幅移位键控调制信号如下：式3中，e
mask
(t)为模拟所得随时间t变化的多幅移位键控信号，a
n
为第n个码元的电平，g()为窗函数，t
s
是g()的时间间隔，ω
c
为载波信号角频率；多频移位键控调制信号如下：式4中，e
mfsk
(t)为模拟所得随时间t变化的多进制频移键控信号，a为信号幅度，ω
i
为第i个载波信号的角频率；多相移位键控调制信号如下：式5中，e
mpsk
(t)为模拟所得随时间t变化的多进制相移键控信号，φ
n
为第n个载波信号的初始相位；调幅信号如下：e
am
(t)＝a
n
(1+m
c
v
ω
(t))cosω
c
t；
ꢀꢀ
式6式6中，e
am
(t)为模拟所得随时间t变化的调幅信号，m
c
为调制指数，范围在[0,1]之间，ν
ω
(t)为调制信号；线性调频信号如下：
式7中，e
lfm
(t)为模拟所得随时间t变化的线性调频信号，rect为矩形函数变换符，k为线性调频率，exp()为以自然常数e为底的指数函数，j为虚数符号；连续波调制信号如下：e
cw
(t)＝a(t)cos[ω
c
t+θ(t)]；
ꢀꢀ
式8式8中，e
cw
(t)为模拟所得随时间t变化的连续波调制信号，a(t)为振幅函数，θ(t)为相位函数。5.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码，包括：构建初始深度神经网络；其中，所述初始深度神经网络采用三层神经网络，所述初始深度神经网络包括依次连接的输入层、隐藏层和输出层；对所述初始深度神经网络中的所有权值和阈值进行初始化；其中，所述初始深度神经网络中的权值包括在输入层与隐藏层之间的权值以及在隐藏层与输出层之间的权值，所述初始深度神经网络中的阈值包括隐藏层阈值以及输出层阈值；对所有权值和阈值均进行编码，得到多个个体编码。6.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络，包括：对所述初始深度神经网络中同一层的两个相邻个体编码进行随机码位交叉操作；所有个体编码进行交叉操作后，在所述初始深度神经网络中每层随机选取一个个体编码进行码位变换操作；将所述带标签数据集中的各调制方式的模拟信号作为所述初始深度神经网络的输入数据，将各调制方式的模拟信号对应的特征参数作为所述初始深度神经网络的输出数据，以对所述初始深度神经网络进行训练。7.根据权利要求6所述的一种辐射源信号调制方式识别方法，其特征在于：当第k个个体编码的第j位a
kj
和第l个个体编码的j位a
lj
进行码位交叉操作时，满足以下条件：a
kj
＝a
kj
(1-b)+a
lj
b；
ꢀꢀ
式9式9中，b为[0,1]区间的随机数；当第i个个体编码的第j位a
ij
进行码位变换操作时，满足以下条件：式10中，a
max
和a
min
分别为编码a
ij
每一位所能取到的最大值和最小值，g为当前迭代次数，r为[0,1]区间的随机数，r2为随机数，g
max
为预设的可承受最大迭代次数。8.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：所述训练后
神经网络的偏方差为：式11中，m为所述训练后神经网络输出样本的个数，实际输出为x
j
，期望输出为，期望输出为所述训练后神经网络的结构逼近度为(mse
f
+1)的倒数，且9.根据权利要求1所述的一种辐射源信号调制方式识别方法，其特征在于：根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构，包括：为所述结构逼近度设立逼近度阈值；当所述结构逼近度大于所述逼近度阈值，或当前迭代次数超过预设的最大迭代次数时，将所述训练后神经网络作为最优网络结构；否则，重新对指定个体编码进行码位交叉和码位变换操作，直到得到最优网络结构。10.一种辐射源信号调制方式识别系统，其特征在于：用于实现如权利要求1至9中任一项所述的辐射源信号调制方式识别方法；所述辐射源信号调制方式识别系统包括：辐射源信号信息提取模块，用于接收辐射源信号，并从所述辐射源信号中提取得到瞬时参数信息；还用于通过所述瞬时参数信息推算出所述辐射源信号的特征参数；神经网络构建模块，用于模拟各调制方式的模拟信号并计算各调制方式的模拟信号对应的特征参数，并根据各调制方式的模拟信号及其对应的特征参数，生成带标签数据集；用于构建初始深度神经网络，并对所述初始深度神经网络中的所有权值和阈值进行编码，得到多个个体编码；用于对指定个体编码进行码位交叉和码位变换操作，然后利用所述带标签数据集对所述初始深度神经网络进行训练，得到训练后神经网络；用于计算所述训练后神经网络的偏方差，并根据所述偏方差推算所述训练后神经网络的结构逼近度；还用于根据所述结构逼近度与预设的逼近度阈值，得到最优网络结构；调制方式预测模块，分别与所述辐射源信号信息提取模块和所述神经网络构建模块通信连接，用于将所述辐射源信号的特征参数作为待识别信号特征参数输入到所述最优网络结构中，得到所述辐射源信号的调制方式的最大概率结果。

技术总结
本发明属于未知辐射源信号分析技术领域，其目的在于提供一种辐射源信号调制方式识别方法及系统。本发明提出了一种利用信号自身特征参数联合全局寻优神经网络的未知辐射源调制方式识别方法，在实施过程中，先获取辐射源信号的特征参数，即估算辐射源信号自身浅层次特征，再通过构建神经网络并得到最优网络结构，可基于深度神经网络在非线性逼近方面的优越性能，将辐射源信号的特征参数输入到经过个体编码变化多层迭代的最优网络结构中，以便挖掘捕捉辐射源信号的潜在特征，由此可使得调制方式输出结果更加稳定高效，相比较于普通神经网络的识别，本发明在低信噪比环境下辐射源信号调制方式识别的抗噪性能和识别准确度有显著提升。著提升。著提升。


技术研发人员：李保珠 刘彤 洪涛 姜文 刘昆鹏
受保护的技术使用者：西安电子科技大学
技术研发日：2023.03.30
技术公布日：2023/7/21