文摘

信号调制识别(SMI)一直是一个热点问题在滤波器组多载波与抵消正交调幅(FBMC / OQAM),通常由基于机器学习实现特征提取。然而,传统的方法很难提取信号特征,导致有限的概率正确的分类(PCC)。为了解决这个问题,我们提出了一个基于深度学习小说重度方法识别FBMC / OQAM信号。有人指出块重复是受雇于FBMC / OQAM系统实现虚拟干扰取消。在拟议的深度上优于重度技术,同步和正交FBMC样品/ OQAM信号卷积神经网络训练。随后,辍学层的目的是防止过度充盈,提高识别精度。评估该方案,广泛进行的实验是采用数据集具有不同的调节。结果表明,该方法可以实现比传统方法更好的精度。

1。介绍

与抵消滤波器组多载波正交调幅(FBMC / OQAM)已被视为一个潜在的未来无线通信物理层技术(1- - - - - -4]。由于使用较低的脉冲整形滤波器频谱旁瓣,FBMC / OQAM提供异步传输的高频谱利用率和良好的能力(1,2]。此外,不需要循环前缀FBMC / OQAM,导致频谱效率高。然而,与经典的正交频分复用(OFDM)的正交FBMC / OQAM也只在实值字段。以满足正交性条件,FBMC / OQAM系统传输实值符号复数的实部和虚部得到的QAM符号,和存在的干扰传播实值符号,被称为内在的干扰(3]。虚构的干扰将主要影响参数估计算法,算法设计中要考虑的。

无线通信的迅速发展,非合作的通信将在军用和民用领域中很常见。为了识别不同调节接收的信号,信号调制识别(SMI)不合作中需要无线通信(5,6]。例如,不同的窃听风险识别重度在无线连接技术,保证系统的完整性(7]。在电子对策,首先需要估计信号调制类型的拦截电磁波。在此基础上,拦截信号可以解密进一步[8]。因此,重度一直被视为最重要的技术之一,当我们设计一个非合作的通信系统。开发准确的重度方法有必要识别FBMC / OQAM信号(9]由于重度设计是一个巨大的挑战来确定类型的FBMC / OQAM信号。

到目前为止,大多数现有的调制识别方法是基于特征提取和机器学习分类。很多重度开发计划通过结合不同的基于机器学习分类器和特征提取策略(10]。然而,由于传统特征提取方案依靠统计数据,这些方法很难提取的信号特征不同的调制类型。结果,分类结果是容易混淆。此外,机器上优于重度计划将遭受与大数据相关的性能瓶颈的问题。也就是说,正确的概率分类不够好,这表明unpreferred在实际FBMC / OQAM系统。为了解决这个问题,深度学习(DL)一直被认为是一个有效的技术部署重度(11]。在[12),一个增强识别方案,提出了基于深层神经网络(款)。在[13),遗传编程(GP)结合 - - - - - -最近邻(资讯)准确识别四种调制类型。

在本文中,我们提出一个新颖的重度技术基于卷积神经网络(CNN)进行识别FBMC / OQAM信号。有人指出块重复是受雇于FBMC / OQAM系统实现虚拟干扰取消。在该方案,3完全连接层和2卷积层设计。此外,辍学层的目的是降低相同的神经元交互层。评估该方案,广泛进行的实验是采用数据集具有不同的调节。结果表明,该方法可以实现比传统方法更好的精度。

剩下的纸是组织如下。FBMC / OQAM系统模型的重复是简要介绍,以及模型深度学习的部分2。随后,提出了重度方法提出了部分3。部分4给出了实验结果,紧随其后的是结论部分5。

2。FBMC / OQAM模型

图1描绘了基带FBMC / OQAM系统图 副载波。每个FBMC / OQAM副载波的传输信号会通过脉冲成形滤波器。 时间频率的传播符号位置吗 。表示 随着脉冲整形滤波器中所有副载波FBMC / OQAM,甚至和对称系数和展品极低谱旁瓣(2]。根据图1的传输信号,FBMC / OQAM可以表示如下(3,14]:


图1
FBMC / OQAM系统图。

假设 Rician衰落信道。传输信号 穿过英吉利海峡 ,和接收到的信号可以写成 在哪里 代表卷积算子和 代表了加性高斯白噪声(15]。

之后,FBMC / OQAM解调接收机,它可以获得以下16,17]: 在哪里 在FBMC / OQAM假想的干扰因素,这是一个纯粹的虚构的价值, 象征是虚构的干扰 (17),而 噪音的象征吗 。注意,尽管 是高斯白噪声, 不是白色的实值正交FBMC / OQAM系统。 在副载波信道频率响应吗 。定常渠道的价值 不相关指数的时间吗 。

它已经证明了想象中的干扰因素 是对称的(18]。在此基础上的对称,块重复设计FBMC / OQAM实现虚干扰取消(18,19]。如图2框架由两部分组成,即。,原来的块和重复的块。 是原来的块的符号,它们获得的QAM星座。 是重复的块的符号,它是指出 。


图2
FBMC / OQAM逆序的块。

在接收者,原始块的解调和重复的块,分别写成

注意,原始块的虚构的干扰和重复块满足以下方程(18),即

随后,假想的干扰可以被下面的线性组合:

让 和 。然后,方程(7)可以写成

注意,噪音 满足白高斯分布(18]。

假设Rician衰落信道仅由一个视线(LOS)接收机和发射机。然后,正确分类的概率(PCC) Rician分布是写成 在哪里 代表的力量多路径信号组件, 代表的主要信号的振幅峰值, 代表着六月的贝塞尔函数修改订单。Rician通道模型可以写成 在第一部分代表的镜像路径统一阶段 。第二部分代表了大多数散射路径和反射路径,是独立的 。 是Rician因素表明Rician分布。被定义为的Rician因素

当因素 逐渐趋于零,Rician分布将成为瑞利分布。

3所示。提出了基于深度学习重度

3.1。CNN算法

把智商样本后,FBMC / OQAM信号可以用来训练CNN。作为一种常用的算法,CNN是一个问题在人工智能领域的研究热点。CNN结构主要包括输入层、卷积层、汇聚层,完全连接层和输出层。CNN的主要特征概括如下:(我)本地连接。不需要为这个连接,每个神经元连接整个神经元的上层,但只有一小部分神经元,可以显著降低参数。(2)体重分享。不要求每个连接对应一个重量。相反,连接一组有相同的重量,也有利于减少参数的数量。(3)下采样。样品的数量可以减少池层,每一层可以提高模型的鲁棒性。

在CNN结构中,卷积层是最重要的部分,它可以与微积分的卷积运算。例如,卷积信号在时域信号 和一个时域信号 可以写成

为二维信号 和 ,卷积信号可以写成

值得注意的是CNN的卷积公式算法与上述卷积的定义略有不同。例如,CNN的二维卷积是写成

3.2。深上优于重度方法

在本节中,深度上优于重度方法提出了通过CNN算法,其中2卷积完全连接层和3层包括,如图3。具体地说,第一个卷积层包括128卷积核 维卷积矩阵每一个内核。至于第二个回旋的层,存在64卷积核 维卷积矩阵每一个内核。3完全连接层的神经元数是256年,128年, ,分别。注意, 表示数量的FBMC / OQAM系统中使用的调制方式。此外,除了最后一个3完全连接层,各层的激活函数的参数修正线性单元(PReLU),可以有效减少梯度的问题消失在附加的操作。至于最后一个3完全连接层,softmax被收购的概率分布矩阵。


图3
深的结构上优于重度。

此外,辍学层添加第一个4层提出深上优于重度结构有效地降低过度拟合。围成一个圈,有些神经元中随机选择暂时神经层和隐藏。随后,CNN的训练过程。在下一圈,其他神经元将被隐藏,直到训练结束。注意,该方案可以减少神经元之间的相互作用,使得这项技术推广普及。

3.3。数据集

为了验证该方法,创建了两个数据集对重度精神病的任务。数据集的调节 包括BPSK, QPSK, 8相移键控,16 qam,数据集和调节 包括BPSK, QPSK, 8相移键控,16 qam, 64 qam。CNN的训练和测试,为每个调制创建40000个数据样本。例如,在一定信噪比(信噪比),有160000个数据样本输入到神经网络。注意,样品培训占用 整个样品和样品进行测试 整个样品。(一)智商样品。通过FBMC / OQAM调制和信道 - - - - - -样品可以获得 在哪里 代表的样品和数量 的价值吗 - - - - - -样本。自 是复值数,可以写成吗 在哪里 和 代表实部和虚部的操作,分别。 和 代表信号的同相分量和正交分量。(b)美联社样品。的模块和阶段 可以获得的 (c)人造的特性。高阶累积量(HOC)功能可以计算,和人造的功能可以由结合信号的瞬时特性。

4所示。实验结果

在本节中,实验进行验证的性能提出了深上优于重度技术在非合作的FBMC / OQAM系统。我们也给识别精度与传统方法相比较。在实验中,256副载波被认为是FBMC / OQAM系统,而且只有16副载波是活跃的。此外,每个副载波包含8个符号。至于Rician通道,Rician因素是20和采样频率10 kHz,多普勒频率偏移400 Hz。在这项实验中,3现有分类方案用于比较,这些都是基于机器学习的方法,即。与智商,CNN样本,CNN与美联社样本,和深度(款)和人工神经网络由物流递减特征提取。

图4描绘了PCC方案之间的比较和现有计划,数据集 用于培训。从结果,PCC提议的方案逐渐提高,而现有的方法几乎维持不变。当信噪比> 20 dB,调制识别的准确性提出了深几乎达到100%上优于重度技术。此外,美联社的CNN样品可以达到更好的PCC精度比款方法人为特性是因为CNN可以自动提取数据特征通过卷积的内核。


图4
PCC方案之间的比较和现有计划,数据集 。

如图5,pcc不同调制模式由CNN和智商样本描述。从BPSK调制的结果,可以在整个总是正确确定信噪比的范围,而其他三个调节受信噪比范围内的精度下降低于15分贝。当信噪比高的信噪比范围内,所有调节的pcc逐渐稳定。最重要的是,该技术可以实现信号调制识别的PCC精度高。


图5
PCC比较不同调制类型的数据集 。

在数据4和5,数据集 用于信号识别评估拟议的重度技术。然而,性能可能会影响到在实践中引入一种新的调制。证明该方案的鲁棒性,数据集 用于导致数据集不匹配。图6显示了pcc的方案在数据集不匹配。从结果的曲线趋势图6类似于图吗4,PCC精度保持稳定方案,实现上面的准确性 。不匹配的数据集没有损伤信号调制识别。


图6
PCC的比较不同的方法,数据集 。

在接下来的实验中,增加信号的采样点来验证提出的深上优于重度技术。图7描绘了PCC比较方案在不同采样点的数据集 是就业。以256分的结果,该方案可以实现PCC精度高于128个采样点的方法。特别是在低信噪比性能差异更加明显。原因在于,随着采样点的增加,更多的功能可以提取信号的CNN算法,有效地提高识别精度。


图7
PCC方案在不同采样点的比较,数据集 。

5。结论

摘要深上优于重度技术提出了识别FBMC / OQAM信号在非合作的系统。实现虚拟干扰取消,块重复的概念是受雇于FBMC / OQAM系统生成的信号。在该方案,3完全连接层和2卷积层设计。此外,辍学层是为了降低相同的神经元交互层。评估提议的方案,进行了广泛的实验采用数据集具有不同的调节。结果表明,提出的基于深度学习重度方案表现出高精度的调制识别和强鲁棒性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是在经济上支持下武汉纺织大学科学研究基金的拨款20200828。