基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

DroneRFa：用于侦测低空无人机的大规模无人机射频信号数据集

为研究与发展反无人机检测识别技术,该文公开了一个名为DroneRFa的大规模无人机射频信号数据集。该数据集使用软件无线电设备探测无人机与遥控器相互通信的射频信号,包含城市户外场景下运动无人机信号9类、城市室内场景下信号15类以及背景参照信号1类。每类数据有不少于12个片段,每个片段包含1亿个以上的采样点。数据采集覆盖了3个ISM无线电频段,记录无人机多频通信的真实活动。该数据集具有详细的无人机户外飞行距离和工作频段标注,以前缀字符结合二进制编码的形式方便用户灵活访问所需数据。此外,该文提供了基于频谱可视统计特征和基于深度学习表征的两种无人机识别方案,以验证数据集的可靠和有效性。     

基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。     

基于深度学习的调制识别研究

调制识别是无线电通信中一个重要的研究领域,在信号检测、异常信号打击、干扰识别和电子对抗等方面有广泛的应用。目前大多数调制识别算法都是基于传统的信号分析,其特征提取算法与决策树的构建方法对效果有很大的影响。本文提出了基于深度学习的调制识别算法,基于卷积神经网络构建一个端到端的调制识别系统,这种系统不需要人为提取调制信号的特征,直接向网络中输入原始IQ数据,由网络对数据进行学习,自动提取高级特征,然后给出识别结果。实验证明该方法在低信噪比下可得到很高的识别率,其测试结果不亚于传统的调制识别算法。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于CNN-Transformer网络融合模型的电磁信号识别研究

随着当今通信技术水平的蓬勃发展,电磁空间环境也变得更加错综复杂,电磁空间中的信号种类也呈现多样性。面对电磁空间中的各种干扰,能够准确有效地分辨出电磁信号的种类也变得更加困难。针对该问题,提出了一种基于卷积神经网络与Transformer网络融合模型的电磁信号识别方法,通过对卷积网络结构以及模型参数设计生成面向电磁信号的网络模型结构,再将Transformer网络与提出的卷积神经网络融合,通过公开数据集RadioML 2016.10a进行电磁信号识别性能分析。实验结果表明,提出的新型网络模型在电磁信号上的识别性能相比现有流行的神经网络模型具有更好的识别性能,更加适用于对电磁信号识别的应用。     

迁移学习用于电磁目标识别

迁移学习技术可以利用经验信息辅助当前任务,已在计算机视觉和语音识别领域得到广泛应用,但在电磁领域还没有取得明显的成就.电磁环境变化速度快,源数据或分类器模型在新环境中性能会显著下降,重新训练不仅需要大量的数据且费时费力.迁移学习技术与电磁目标识别任务十分相关,本文采用实测电磁目标数据集,探索迁移学习在解决电磁目标小样本...     

基于生成对抗网络的数据增强方法及应用

对于小样本电磁信号识别,数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本,设计粗粒度和细粒度筛选机制对生成信号进行筛选,剔除质量较差的生成信号,实现训练样本集的有效扩充。为验证所提数据增强算法的有效性,在RADIOML2016.04C数据集上进行测试。实验结果表明,本文所提方法对小样本电磁信号识别准确率有较好的提升效果。     

Radio signal recognition based on image deep learning

A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal recognition.First,the radio signal was transformed into a two-dimensional picture,and the radio signal recognition problem was transformed into the object detection problem in the field of image recognition.Then,the advanced achievements about image recognition were used to improve the intelligence and ability of radio signal recognition in complex electromagnetic environment.Based on the proposed idea,a novel radio signal recognition algorithm named RadioImageDet was proposed.The experimental results show that the algorithm can effectively identify the waveform types and time/frequency coordinates of radio signals.After training and testing on the self-collected data set with 12 types and 4 740 samples,the accuracy reaches 86.04% and the mAP value reaches 77.72,while the detection time is only 33 ms on the medium configured desktop computer.     

深度学习在卫星激光测距数据处理中的应用

卫星激光测距是获取空间目标高精度距离的重要技术。在测量数据应用于科学研究之前,需要对原始数据进行一系列的预处理。常用的信号提取方法主要有Graz自动识别、泊松滤波和人工识别等。近年来,一些学者将深度学习技术应用到天文领域,解决了一些问题并取得了相对理想的结果。提出了一种利用深度学习技术提取目标信号的方法,实测数据的识别结果表明,所提算法具有一定的可靠性、通用性和可行性。研究结果对卫星激光测距系统向智能化方向发展有积极的作用。     

一种单天线ADS-B交织信号分离算法

随着民航飞机数量的增多,接收到的广播式自动相关监视( Automatic Dependent Surveillance-Broadcast,ADS-B)信号可能出现多条报文交织的情况,这将导致解码失败.针对单天线ADS-B二重交织信号,提出了一种投影算法与卷积神经网络( Convolutional Neural Net...     

Parameter estimation of weak space-based ADS-B signals using genetic algorithm

Space-based automatic dependent surveillance-broadcast (ADS-B) is an important emerging augmentation of existing ground-based ADS-B systems. In this paper, the problem of space-based ultra-long-range reception processing of ADS-B signals is described. We first introduce a header detection method for accurately determining the pulse position of a weak ADS-B signal. We designed a signal encoding method, shaping method, and fitness function. We then employed a genetic algorithm to perform high-precision frequency and phase estimations of the detected weak signal. The advantage of this algorithm is that it can simultaneously estimate the frequency and phase, meaning a direct coherent demodulation can be implemented. To address the computational complexity of the genetic algorithm, we improved the ratio algorithm for frequency estimation and raised the accuracy beyond that of the original ratio algorithm with only a slight increase in the computational complexity using relatively few sampling points.     

载频稳定度在射频指纹识别中的应用研究

射频指纹识别是利用辐射源射频特征唯一性对其个体身份进行识别的技术,具有广阔的军民用应用前景。针对传统射频指纹特征稳定度不高、难以工程实现的问题,提出了一种基于辐射源频率偏移和相位噪声等多维频域特性的射频指纹识别方法。该方法以ADS-B信号为例,利用统计原理对频率偏移和相位噪声特征进行量化处理,并利用贝叶斯分类方法对信号进行分类以实现辐射源个体身份的识别。通过半实物生成和实采ADS-B信号数据两种方式对提出的算法进行实验验证。实验结果表明,该方法能够对同型号的辐射源进行有效区分,对真实环境下4个目标的识别正确率达到93.5%。     

基于有记忆递归神经网络的脑电特征情感识别研究

为了提高脑电信号多分类的情感识别率,文中选用上海交通大学提供的SEED脑电信号数据集,对其进行分频带特征提取。将脑电数据的微分熵特征、微分不对称性特征和有理不对称性特征通过线性动力系统平滑特征后,与功率谱密度特征进行分类效果比较,再利用有记忆递归神经网络的方法进行分类,发现提取的微分熵特征经过分类的效果好。在对3种情感进行分类的过程中,采用长短时记忆神经网络分类相比于其他机器学习方法识别率有所提高,情感识别的平均准确率可达到95.045 9%。     

基于松弛改进FastICA算法的星基ADS-B信号分离

星基广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)系统覆盖空域广,星载接收机所接收的信号信噪比低、信号间的功率差异小,ADS-B报文在接收机处的冲突更加严重,对信号分离算法提出了更高要求。针对基于负熵的快速独立成分分析(Fast Independent Component Analysis,FastICA)算法存在的局部极大值和收敛依赖于初始权值的问题,在FastICA算法中引入了松弛因子,采用松弛改进的FastICA算法对星基ADS-B信号进行分离。阐述了松弛改进FastICA算法对星载ADS-B接收机接收到的混合信号进行分离的机理,并进行了仿真实验,通过相关系数、迭代次数和误码率比较了松弛改进FastICA算法、经典FastICA算法和投影算法的性能。仿真结果表明,松弛改进FastICA算法能更有效地分离星基ADS-B混合信号。     

基于EMD的单天线ADS-B交织信号自检测与分离算法

近年来,广播式自动相关监视（Automatic Dependent Surveillance-Broadcast, ADS-B）凭借其优良的监视性能受到了广泛的关注,国际民航组织将其作为主推的新一代空管监视技术。本文针对于ADS-B信号存在的交织问题,提出了一种单天线解交织的方法:通过经验模态分解将单天线接收到的ADS-B交织信号进行自适应分解,结合信号特点估计出信源个数。在此基础上,针对于分解中出现的模态混叠现象采用相空间重构法进行消除,计算重构中分解出的分量与交织信号的相似系数从而组成新的多维信号,最后采用独立分量分析对构成的多维信号进行解交织。本文将经验模态分解应用于单通道ADS-B信号解交织中,实现了交织信号信源个数的自检测,且该方法对交织信号相对时延不敏感。仿真和实采数据结果均表明,该算法可以有效地解决ADS-B交织信号信源个数估计和分离问题。