В этом примере вы генерируете синтетический продукт, поврежденные каналом формы волны. Используя сгенерированные формы волны как данные тренировки, вы обучаете CNN классификации модуляций. Вы затем тестируете CNN с оборудованием программно определяемого радио (SDR) и беспроводными сигналами.
Обученный CNN в этом примере распознает эти цифровые восемь и три аналоговых типа модуляции:
Бинарное манипулирование сдвига фазы (BPSK)
Манипулирование сдвига фазы Quadrature (QPSK)
8-ary сдвиг фазы, включающий (8-PSK)
16-ary квадратурная амплитудная (16-QAM) модуляция
64-ary квадратурная амплитудная (64-QAM) модуляция
4-ary импульсная амплитудная модуляция (PAM4)
Гауссово манипулирование сдвига частоты (GFSK)
Непрерывное манипулирование сдвига частоты фазы (CPFSK)
Широковещательно передайте FM (B-FM)
Двойная амплитудная модуляция боковой полосы (DSB-AM)
Одна амплитудная модуляция боковой полосы (SSB-AM)
modulationTypes = categorical(["BPSK", "QPSK", "8PSK", ... "16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", ... "B-FM", "DSB-AM", "SSB-AM"]);
Во-первых, загрузите обучивший сеть. Для получения дополнительной информации на сетевом обучении, смотрите раздел Training a CNN.
load trainedModulationClassificationNetwork
trainedNettrainedNet =
SeriesNetwork with properties:
Layers: [28x1 nnet.cnn.layer.Layer]
Обученный CNN берет 1 024 поврежденных каналом выборки и предсказывает тип модуляции каждого кадра. Сгенерируйте несколько кадров BPSK, которым повреждают с Rician многопутевое исчезновение, центральная частота и дрейф времени выборки и AWGN. Используйте функцию randi, чтобы сгенерировать случайные биты, функция pskmod к BPSK - модулируют биты, функция rcosdesign, чтобы разработать квадратный корень повысила формирующий фильтр импульса косинуса, и функция filter к импульсу формирует символы. Затем используйте CNN, чтобы предсказать тип модуляции кадров.
% Set the random number generator to a known state to be able to regenerate % the same frames every time the simulation is run rng(123456) % Random bits d = randi([0 1],1024,1); % BPSK modulation syms = pskmod(d,2); % Square-root raised cosine filter filterCoeffs = rcosdesign(0.35,4,8); tx = filter(filterCoeffs,1,upsample(syms,8)); % Channel channel = helperModClassTestChannel(... 'SampleRate',200e3, ... 'SNR',30, ... 'PathDelays',[0 1.8 3.4] / 200e3, ... 'AveragePathGains',[0 -2 -10], ... 'KFactor',4, ... 'MaximumDopplerShift',4, ... 'MaximumClockOffset',5, ... 'CenterFrequency',900e6); rx = channel(tx); % Plot transmitted and received signals scope = dsp.TimeScope(2,200e3,'YLimits',[-1 1],'ShowGrid',true,... 'LayoutDimensions',[2 1],'TimeSpan',45e-3); scope(tx,rx)
% Frame generation for classification unknownFrames = getNNFrames(rx,'Unknown'); % Classification [prediction1,score1] = classify(trainedNet,unknownFrames);
Возвратите прогнозы классификатора, которые походят на трудные решения. Сеть правильно идентифицирует кадры как кадры BPSK. Для получения дополнительной информации на генерации модулируемых сигналов, см. Приложение: Модуляторы.
prediction1
prediction1 = 7x1 categorical array
BPSK
BPSK
BPSK
BPSK
BPSK
BPSK
BPSK
Классификатор также возвращает вектор музыки к каждому кадру. Счет соответствует вероятности, что каждый кадр имеет предсказанный тип модуляции. Постройте очки.
plotScores(score1,modulationTypes)
Затем, используйте CNN, чтобы классифицировать кадры PAM4.
% Random bits d = randi([0 3], 1024, 1); % PAM4 modulation syms = pammod(d,4); % Square-root raised cosine filter filterCoeffs = rcosdesign(0.35, 4, 8); tx = filter(filterCoeffs, 1, upsample(syms,8)); % Channel rx = channel(tx); % Plot transmitted and received signals scope = dsp.TimeScope(2,200e3,'YLimits',[-2 2],'ShowGrid',true,... 'LayoutDimensions',[2 1],'TimeSpan',45e-3); scope(tx,rx)
% Frame generation for classification unknownFrames = getNNFrames(rx,'Unknown'); % Classification [estimate2,score2] = classify(trainedNet,unknownFrames); estimate2
estimate2 = 7x1 categorical array
PAM4
PAM4
PAM4
PAM4
PAM4
PAM4
PAM4
plotScores(score2,modulationTypes)
Прежде чем мы сможем использовать CNN для классификации модуляций или любую другую задачу, мы сначала должны обучить сеть с известным (или маркированный) данные. Первая часть этого примера показывает, как использовать функции Communications Toolbox, такие как модуляторы, фильтры, и нарушения канала, чтобы сгенерировать синтетические данные тренировки. Вторая часть фокусируется на определении, обучении и тестировании CNN для задачи классификации модуляций. Третья часть проверяет производительность сети с по воздушным сигналам с помощью платформы программно определяемого радио (SDR) ADALM-PLUTO.
Сгенерируйте 10 000 кадров для каждого типа модуляции, где 80% используются для обучения, 10% используется для валидации, и 10% используется для тестирования. Мы используем кадры обучения и валидации во время сетевой учебной фазы. Итоговая точность классификации получена с помощью тестовых кадров. Каждый кадр является 1 024 выборками долго и имеет частоту дискретизации 200 кГц. Для цифровых типов модуляции восемь выборок представляют символ. Сеть принимает каждое решение на основе одного кадров, а не на нескольких последовательных кадрах (как в видео). Примите центральную частоту 900 МГц и 100 МГц для цифровых и аналоговых типов модуляции, соответственно.
numFramesPerModType = 10000; percentTrainingSamples = 80; percentValidationSamples = 10; percentTestSamples = 10; sps = 8; % Samples per symbol spf = 1024; % Samples per frame symbolsPerFrame = spf / sps; fs = 200e3; % Sample rate fc = [900e6 100e6]; % Center frequencies
Создайте нарушения канала
Передайте каждый кадр через канал с
AWGN
Rician многопутевое исчезновение
Смещение часов, приводящее к центральному смещению частоты и дрейфу времени выборки
Поскольку сеть в этом примере принимает решения на основе одного кадров, каждый кадр должен пройти через независимый канал.
AWGN
Канал добавляет AWGN с ОСШ 30 дБ. Поскольку кадры нормированы, шумовое стандартное отклонение, может быть вычислен как
SNR = 30; std = sqrt(10.^(-SNR/10))
std = 0.0316
Реализуйте канал с помощью comm.AWGNChannel,
awgnChannel = comm.AWGNChannel(... 'NoiseMethod', 'Signal to noise ratio (SNR)', ... 'SignalPower', 1, ... 'SNR', SNR)
awgnChannel =
comm.AWGNChannel with properties:
NoiseMethod: 'Signal to noise ratio (SNR)'
SNR: 30
SignalPower: 1
RandomStream: 'Global stream'
Многопутевой Rician
Канал передает сигналы через Rician многопутевой исчезающий канал с помощью Системного объекта comm.RicianChannel. Примите профиль задержки [0 1.8 3.4] выборки с соответствующими средними усилениями пути [0 - 2 - 10] дБ. K-фактор равняется 4, и максимальный эффект Доплера составляет 4 Гц, который эквивалентен скорости обхода на уровне 900 МГц. Реализуйте канал со следующими настройками.
multipathChannel = comm.RicianChannel(... 'SampleRate', fs, ... 'PathDelays', [0 1.8 3.4]/fs, ... 'AveragePathGains', [0 -2 -10], ... 'KFactor', 4, ... 'MaximumDopplerShift', 4)
multipathChannel =
comm.RicianChannel with properties:
SampleRate: 200000
PathDelays: [0 9.0000e-06 1.7000e-05]
AveragePathGains: [0 -2 -10]
NormalizePathGains: true
KFactor: 4
DirectPathDopplerShift: 0
DirectPathInitialPhase: 0
MaximumDopplerShift: 4
DopplerSpectrum: [1x1 struct]
Show all properties
Смещение часов
Смещение часов происходит из-за погрешностей внутренних источников часов передатчиков и получателей. Синхронизируйте причины смещения центральная частота, которая используется к downconvert сигнал к основной полосе и уровень выборки цифро-аналогового преобразователя, чтобы отличаться от идеальных значений. Средство моделирования канала использует фактор смещения часов , выраженный как , где смещение часов. Для каждого кадра канал генерирует случайное значение от равномерно распределенного множества значений в области значений [ ], где максимальное смещение часов. Смещение часов измеряется в частях на миллион (ppm). В данном примере примите максимальное смещение часов 5 страниц в минуту.
maxDeltaOff = 5; deltaOff = (rand()*2*maxDeltaOff) - maxDeltaOff; C = 1 + (deltaOff/1e6);
Смещение частоты
Подвергните каждый кадр смещению частоты на основе фактора смещения часов и центральная частота. Реализованный канал с помощью comm.PhaseFrequencyOffset.
offset = -(C-1)*fc(1); frequencyShifter = comm.PhaseFrequencyOffset(... 'SampleRate', fs, ... 'FrequencyOffset', offset)
frequencyShifter =
comm.PhaseFrequencyOffset with properties:
PhaseOffset: 0
FrequencyOffsetSource: 'Property'
FrequencyOffset: -2.4332e+03
SampleRate: 200000
Выборка смещения уровня
Подвергните каждый кадр смещению уровня выборки на основе фактора смещения часов . Реализуйте канал с помощью функции interp1, чтобы передискретизировать кадр на новом уровне .
Объединенный канал
Используйте объект helperModClassTestChannel применить все три нарушения канала к кадрам.
channel = helperModClassTestChannel(... 'SampleRate', fs, ... 'SNR', SNR, ... 'PathDelays', [0 1.8 3.4] / fs, ... 'AveragePathGains', [0 -2 -10], ... 'KFactor', 4, ... 'MaximumDopplerShift', 4, ... 'MaximumClockOffset', 5, ... 'CenterFrequency', 900e6)
channel =
helperModClassTestChannel with properties:
SNR: 30
CenterFrequency: 900000000
SampleRate: 200000
PathDelays: [0 9.0000e-06 1.7000e-05]
AveragePathGains: [0 -2 -10]
KFactor: 4
MaximumDopplerShift: 4
MaximumClockOffset: 5
Можно просмотреть основную информацию о канале с помощью информационной функции объекта.
chInfo = info(channel)
chInfo = struct with fields:
ChannelDelay: 6
MaximumFrequencyOffset: 4500
MaximumSampleRateOffset: 1
Генерация формы волны
Создайте цикл, который генерирует поврежденные каналом кадры для каждого типа модуляции и хранит кадры их соответствующими метками в frameStore. Удалите случайное число выборок с начала каждого кадра удалить переходные процессы и убедиться, что кадры имеют случайную отправную точку относительно контуров символа.
% Set the random number generator to a known state to be able to regenerate % the same frames every time the simulation is run rng(1235) tic numModulationTypes = length(modulationTypes); channelInfo = info(channel); frameStore = helperModClassFrameStore(... numFramesPerModType*numModulationTypes,spf,modulationTypes); transDelay = 50; for modType = 1:numModulationTypes fprintf('%s - Generating %s frames\n', ... datestr(toc/86400,'HH:MM:SS'), modulationTypes(modType)) numSymbols = (numFramesPerModType / sps); dataSrc = getSource(modulationTypes(modType), sps, 2*spf, fs); modulator = getModulator(modulationTypes(modType), sps, fs); if contains(char(modulationTypes(modType)), {'B-FM','DSB-AM','SSB-AM'}) % Analog modulation types use a center frequency of 100 MHz channel.CenterFrequency = 100e6; else % Digital modulation types use a center frequency of 900 MHz channel.CenterFrequency = 900e6; end for p=1:numFramesPerModType % Generate random data x = dataSrc(); % Modulate y = modulator(x); % Pass through independent channels rxSamples = channel(y); % Remove transients from the beginning, trim to size, and normalize frame = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps); % Add to frame store add(frameStore, frame, modulationTypes(modType)); end end
00:00:00 - Generating BPSK frames 00:01:22 - Generating QPSK frames 00:02:33 - Generating 8PSK frames 00:03:45 - Generating 16QAM frames 00:05:21 - Generating 64QAM frames 00:06:43 - Generating PAM4 frames 00:07:36 - Generating GFSK frames 00:08:44 - Generating CPFSK frames 00:09:50 - Generating B-FM frames 00:10:50 - Generating DSB-AM frames 00:11:35 - Generating SSB-AM frames
Затем разделите кадры на обучение, валидацию и тестовые данные. По умолчанию frameStore помещает основополосные выборки I/Q в строки в выходных кадрах. Выходные кадры имеют размер [2xspfx1xN], где первая строка является синфазными выборками, и вторая строка является квадратурными выборками.
[mcfsTraining,mcfsValidation,mcfsTest] = splitData(frameStore,...
[percentTrainingSamples,percentValidationSamples,percentTestSamples]);
[rxTraining,rxTrainingLabel] = get(mcfsTraining);
[rxValidation,rxValidationLabel] = get(mcfsValidation);
[rxTest,rxTestLabel] = get(mcfsTest);% Plot the amplitude of the real and imaginary parts of the example frames % against the sample number plotTimeDomain(rxTest,rxTestLabel,modulationTypes,fs)
% Plot a spectrogram of the example frames
plotSpectrogram(rxTest,rxTestLabel,modulationTypes,fs,sps)
Избегайте неустойчивости класса в своих данных тренировки путем обеспечения равномерного распределения меток (типы модуляции). Постройте дистрибутивы метки, чтобы проверять, равномерно распределены ли сгенерированные метки.
% Plot the label distributions figure subplot(3,1,1) histogram(rxTrainingLabel) title("Training Label Distribution") subplot(3,1,2) histogram(rxValidationLabel) title("Validation Label Distribution") subplot(3,1,3) histogram(rxTestLabel) title("Test Label Distribution")
Этот пример использует CNN, который состоит из шести слоев свертки и одного полносвязного слоя. Каждый слой свертки кроме последнего сопровождается пакетным слоем нормализации, исправил линейный модуль (ReLU) слой активации и макс. объединение слоя. В последнем слое свертки макс. слой объединения заменяется средним слоем объединения. Выходной слой имеет softmax активацию. Для руководства проектирования сети смотрите Советы Глубокого обучения и Приемы (Deep Learning Toolbox).
dropoutRate = 0.5; numModTypes = numel(modulationTypes); netWidth = 1; filterSize = [1 sps]; poolSize = [1 2]; modClassNet = [ imageInputLayer([2 spf 1], 'Normalization', 'none', 'Name', 'Input Layer') convolution2dLayer(filterSize, 16*netWidth, 'Padding', 'same', 'Name', 'CNN1') batchNormalizationLayer('Name', 'BN1') reluLayer('Name', 'ReLU1') maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool1') convolution2dLayer(filterSize, 24*netWidth, 'Padding', 'same', 'Name', 'CNN2') batchNormalizationLayer('Name', 'BN2') reluLayer('Name', 'ReLU2') maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool2') convolution2dLayer(filterSize, 32*netWidth, 'Padding', 'same', 'Name', 'CNN3') batchNormalizationLayer('Name', 'BN3') reluLayer('Name', 'ReLU3') maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool3') convolution2dLayer(filterSize, 48*netWidth, 'Padding', 'same', 'Name', 'CNN4') batchNormalizationLayer('Name', 'BN4') reluLayer('Name', 'ReLU4') maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool4') convolution2dLayer(filterSize, 64*netWidth, 'Padding', 'same', 'Name', 'CNN5') batchNormalizationLayer('Name', 'BN5') reluLayer('Name', 'ReLU5') maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool5') convolution2dLayer(filterSize, 96*netWidth, 'Padding', 'same', 'Name', 'CNN6') batchNormalizationLayer('Name', 'BN6') reluLayer('Name', 'ReLU6') averagePooling2dLayer([1 ceil(spf/32)], 'Name', 'AP1') fullyConnectedLayer(numModTypes, 'Name', 'FC1') softmaxLayer('Name', 'SoftMax') classificationLayer('Name', 'Output') ]
modClassNet =
28x1 Layer array with layers:
1 'Input Layer' Image Input 2x1024x1 images
2 'CNN1' Convolution 16 1x8 convolutions with stride [1 1] and padding 'same'
3 'BN1' Batch Normalization Batch normalization
4 'ReLU1' ReLU ReLU
5 'MaxPool1' Max Pooling 1x2 max pooling with stride [1 2] and padding [0 0 0 0]
6 'CNN2' Convolution 24 1x8 convolutions with stride [1 1] and padding 'same'
7 'BN2' Batch Normalization Batch normalization
8 'ReLU2' ReLU ReLU
9 'MaxPool2' Max Pooling 1x2 max pooling with stride [1 2] and padding [0 0 0 0]
10 'CNN3' Convolution 32 1x8 convolutions with stride [1 1] and padding 'same'
11 'BN3' Batch Normalization Batch normalization
12 'ReLU3' ReLU ReLU
13 'MaxPool3' Max Pooling 1x2 max pooling with stride [1 2] and padding [0 0 0 0]
14 'CNN4' Convolution 48 1x8 convolutions with stride [1 1] and padding 'same'
15 'BN4' Batch Normalization Batch normalization
16 'ReLU4' ReLU ReLU
17 'MaxPool4' Max Pooling 1x2 max pooling with stride [1 2] and padding [0 0 0 0]
18 'CNN5' Convolution 64 1x8 convolutions with stride [1 1] and padding 'same'
19 'BN5' Batch Normalization Batch normalization
20 'ReLU5' ReLU ReLU
21 'MaxPool5' Max Pooling 1x2 max pooling with stride [1 2] and padding [0 0 0 0]
22 'CNN6' Convolution 96 1x8 convolutions with stride [1 1] and padding 'same'
23 'BN6' Batch Normalization Batch normalization
24 'ReLU6' ReLU ReLU
25 'AP1' Average Pooling 1x32 average pooling with stride [1 1] and padding [0 0 0 0]
26 'FC1' Fully Connected 11 fully connected layer
27 'SoftMax' Softmax softmax
28 'Output' Classification Output crossentropyex
Используйте функцию analyzeNetwork, чтобы отобразить интерактивную визуализацию сетевой архитектуры, обнаружить ошибки и проблемы с сетью, и получить подробную информацию о сетевых слоях. Эта сеть имеет 98,323 learnables.
analyzeNetwork(modClassNet)
Затем сконфигурируйте TrainingOptionsSGDM, чтобы использовать решатель SGDM с мини-пакетным размером 256. Определите максимальный номер эпох к 12, поскольку большее число эпох не обеспечивает дальнейшего учебного преимущества. Обучите сеть на графическом процессоре путем установки среды выполнения на 'gpu'. Установите начальный темп обучения на . Уменьшайте темп обучения фактором 10 каждых 9 эпох. Установите 'Plots' на 'training-progress' строить учебный прогресс. На Титане NVIDIA Xp графический процессор сеть занимает приблизительно 25 минут, чтобы обучаться..
maxEpochs = 12; miniBatchSize = 256; validationFrequency = floor(numel(rxTrainingLabel)/miniBatchSize); options = trainingOptions('sgdm', ... 'InitialLearnRate',2e-2, ... 'MaxEpochs',maxEpochs, ... 'MiniBatchSize',miniBatchSize, ... 'Shuffle','every-epoch', ... 'Plots','training-progress', ... 'Verbose',false, ... 'ValidationData',{rxValidation,rxValidationLabel}, ... 'ValidationFrequency',validationFrequency, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 9, ... 'LearnRateDropFactor', 0.1, ... 'ExecutionEnvironment', 'gpu');
Или обучите сеть или используйте, уже обучил сеть. По умолчанию этот пример использует обучивший сеть.
trainNow = false; if trainNow == true fprintf('%s - Training the network\n', datestr(toc/86400,'HH:MM:SS')) trainedNet = trainNetwork(rxTraining,rxTrainingLabel,modClassNet,options); else load trainedModulationClassificationNetwork end
Когда график учебного прогресса показывает, сеть сходится приблизительно в 12 эпох почти с 90%-й точностью.
Оцените обучивший сеть путем получения точности классификации для тестовых кадров. Результаты показывают, что сеть достигает приблизительно 90%-й точности для этой группы форм волны.
fprintf('%s - Classifying test frames\n', datestr(toc/86400,'HH:MM:SS'))
00:12:50 - Classifying test frames
rxTestPred = classify(trainedNet,rxTest); testAccuracy = mean(rxTestPred == rxTestLabel); disp("Test accuracy: " + testAccuracy*100 + "%")
Test accuracy: 90.6455%
Постройте матрицу беспорядка для тестовых кадров. Когда матрица показывает, сеть путает 16-QAM и 64-QAM кадры. Эта проблема ожидается, поскольку каждый кадр несет только 128 символов, и 16-QAM подмножество 64-QAM. Сеть также путает QPSK и кадры 8-PSK, поскольку совокупности этих типов модуляции выглядят подобными когда-то вращаемый фазой из-за исчезающего канала и смещения частоты.
figure cm = confusionchart(rxTestLabel, rxTestPred); cm.Title = 'Confusion Matrix for Test Data'; cm.RowSummary = 'row-normalized'; cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];
I/Q как Страницы
По умолчанию frameStore помещает основополосные выборки I/Q в строки в 2D массиве. Поскольку фильтры свертки имеют размер [1xsps], сверточный синфазный процесс слоев и квадратурные компоненты независимо. Только в полносвязном слое информация от синфазных компонентов и квадратурных объединенных компонентов.
Альтернатива должна представлять выборки I/Q как трехмерный массив размера [1xSPFx2], который помещает синфазные компоненты и квадратурные компоненты в 3-й размерности (страницы). Этот подход смешивает информацию во мне и Q даже в сверточных слоях и делает лучше нас информации о фазе. Установите свойство 'OutputFormat' хранилища кадра к "IQAsPages" и размер входного слоя к [1xSPFx2].
% Put the data in [1xspfx2] format mcfsTraining.OutputFormat = "IQAsPages"; [rxTraining,rxTrainingLabel] = get(mcfsTraining); mcfsValidation.OutputFormat = "IQAsPages"; [rxValidation,rxValidationLabel] = get(mcfsValidation); mcfsTest.OutputFormat = "IQAsPages"; [rxTest,rxTestLabel] = get(mcfsTest); % Set the options options = trainingOptions('sgdm', ... 'InitialLearnRate',2e-2, ... 'MaxEpochs',maxEpochs, ... 'MiniBatchSize',miniBatchSize, ... 'Shuffle','every-epoch', ... 'Plots','training-progress', ... 'Verbose',false, ... 'ValidationData',{rxValidation,rxValidationLabel}, ... 'ValidationFrequency',validationFrequency, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 9, ... 'LearnRateDropFactor', 0.1, ... 'ExecutionEnvironment', 'gpu'); % Set the input layer input size to [1xspfx2] modClassNet(1) = ... imageInputLayer([1 spf 2], 'Normalization', 'none', 'Name', 'Input Layer');
Следующий анализ сети показывает, что каждый сверточный фильтр имеет размерность 1x8x2, который позволяет сверточному слою использовать и меня и данные Q в вычислении одного фильтра вывод.
analyzeNetwork(modClassNet)
% Train or load the pretrained modified network trainNow = false; if trainNow == true fprintf('%s - Training the network\n', datestr(toc/86400,'HH:MM:SS')) trainedNet = trainNetwork(rxTraining,rxTrainingLabel,modClassNet,options); else load trainedModulationClassificationNetwork2 end
Когда график учебного прогресса показывает, сеть сходится приблизительно в 12 эпох больше чем с 95%-й точностью. При представлении компонентов I/Q, когда страницы вместо строк могут улучшить точность сети приблизительно на 5%.
Оцените обучивший сеть путем получения точности классификации для тестовых кадров. Результаты показывают, что сеть достигает приблизительно 95%-й точности для этой группы форм волны.
fprintf('%s - Classifying test frames\n', datestr(toc/86400,'HH:MM:SS'))
00:13:07 - Classifying test frames
rxTestPred = classify(trainedNet,rxTest); testAccuracy = mean(rxTestPred == rxTestLabel); disp("Test accuracy: " + testAccuracy*100 + "%")
Test accuracy: 95.2545%
Постройте матрицу беспорядка для тестовых кадров. Когда матрица показывает, представляя компоненты I/Q, когда страницы вместо строк существенно увеличивают способность сети точно дифференцировать 16-QAM и 64-QAM кадры и кадры 8-PSK и QPSK.
figure cm = confusionchart(rxTestLabel, rxTestPred); cm.Title = 'Confusion Matrix for Test Data'; cm.RowSummary = 'row-normalized'; cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];
Проверьте производительность обучившего сеть с беспроводными сигналами с помощью функции sdrTest. Чтобы выполнить этот тест, у вас должно быть два радио ADALM-PLUTO и Пакет Поддержки Communications Toolbox для Радио ADALM-PLUTO. sdrTest использует те же функции модуляции что касается генерации учебных сигналов и передает их использующий радио ADALM-PLUTO. Вместо того, чтобы моделировать канал, получите поврежденные каналом сигналы с другим радио ADALM-PLUTO. Используйте обучивший сеть с той же функцией classify, чтобы предсказать тип модуляции. Сеть достигает 99%-й общей точности, где два радио являются стационарными и разделяются приблизительно на 2 фута.
if isPlutoSDRInstalled() == true radios = findPlutoRadio(); if length(radios) >= 2 sdrTest(); end end
Возможно оптимизировать сетевые параметры, такие как количество фильтров, размера фильтра, или оптимизировать сетевую структуру, такую как добавление большего количества слоев, использование различных слоев активации, и т.д. улучшить точность.
Коммуникационный Тулбокс обеспечивает намного больше типов модуляции и нарушений канала. Для получения дополнительной информации смотрите разделы Моделей Канала Модуляции и Распространения. Можно также добавить стандартные определенные сигналы с LTE Toolbox, WLAN Toolbox и 5G Toolbox. Можно также добавить радарные сигналы с Phased Array System Toolbox.
Приложение: раздел Modulators обеспечивает, функции MATLAB раньше генерировали модулируемые сигналы. Можно также исследовать следующие функции и Системные объекты для получения дополнительной информации:
О'Ши, T. J. Дж. Коргэн и Т. К. Клэнси. "Сверточные Радио-Сети Распознавания Модуляции". Предварительно распечатайте, представленный 10 июня 2016. https://arxiv.org/abs/1602.04105
О'Ши, T. J. Т. Рой и Т. К. Клэнси. "Беспроводная основанная на глубоком обучении Радио-Классификация Сигнала". Журнал IEEE Выбранных Тем в Обработке сигналов. Издание 12, Номер 1, 2018, стр 168–179.
Лю, X., Д. Янг и А. Э. Джамаль. "Архитектура Глубокой нейронной сети для Классификации Модуляций". Предварительно распечатайте, представленный 5 января 2018. https://arxiv.org/abs/1712.00443v3
function testAccuracy = sdrTest() %sdrTest Test CNN performance with over-the-air signals % A = sdrTest sends test frames from one to another ADALM-PLUTO radio, % performs classification with the trained network, and returns the overall % classification accuracy. Transmitting radio uses transmit-repeat capability % to send the same waveform repeatedly without loading the main loop. modulationTypes = categorical(["BPSK", "QPSK", "8PSK", ... "16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", "B-FM"]); load trainedModulationClassificationNetwork2 trainedNet numFramesPerModType = 100; sps = 8; % Samples per symbol spf = 1024; % Samples per frame fs = 200e3; % Sample rate txRadio = sdrtx('Pluto'); txRadio.RadioID = 'usb:0'; txRadio.CenterFrequency = 900e6; txRadio.BasebandSampleRate = fs; rxRadio = sdrrx('Pluto'); rxRadio.RadioID = 'usb:1'; rxRadio.CenterFrequency = 900e6; rxRadio.BasebandSampleRate = fs; rxRadio.SamplesPerFrame = spf; rxRadio.ShowAdvancedProperties = true; rxRadio.EnableQuadratureCorrection = false; rxRadio.OutputDataType = 'single'; % Set random number generator to a known state to be able to regenerate % the same frames every time the simulation is run rng(1235) tic numModulationTypes = length(modulationTypes); txModType = repmat(modulationTypes(1),numModulationTypes*numFramesPerModType,1); estimatedModType = repmat(modulationTypes(1),numModulationTypes*numFramesPerModType,1); frameCnt = 1; for modType = 1:numModulationTypes fprintf('%s - Testing %s frames\n', ... datestr(toc/86400,'HH:MM:SS'), modulationTypes(modType)) dataSrc = getSource(modulationTypes(modType), sps, 2*spf, fs); modulator = getModulator(modulationTypes(modType), sps, fs); if contains(char(modulationTypes(modType)), {'B-FM'}) % Analog modulation types use a center frequency of 100 MHz txRadio.CenterFrequency = 100e6; rxRadio.CenterFrequency = 100e6; rxRadio.GainSource = 'Manual'; rxRadio.Gain = 60; else % Digital modulation types use a center frequency of 900 MHz txRadio.CenterFrequency = 900e6; rxRadio.CenterFrequency = 900e6; rxRadio.GainSource = 'AGC Fast Attack'; end % Start transmitter disp('Starting transmitter') x = dataSrc(); y = modulator(x); y = y(4*sps+1:end,1); maxVal = max(max(abs(real(y))), max(abs(imag(y)))); y = y *0.8/maxVal; % Download waveform signal to radio and repeatedly transmit it over the air transmitRepeat(txRadio, complex(y)); disp('Starting receiver and test') for p=1:numFramesPerModType for frame=1:16 rx = rxRadio(); end frameEnergy = sum(abs(rx).^2); rx = rx / sqrt(frameEnergy); reshapedRx(1,:,1,1) = real(rx); reshapedRx(1,:,2,1) = imag(rx); % Classify txModType(frameCnt) = modulationTypes(modType); estimatedModType(frameCnt) = classify(trainedNet, reshapedRx); frameCnt = frameCnt + 1; % Pause for 0.1 seconds to get an independent channel (assuming a % channel coherence time of less than 0.1 seconds) pause(0.1) end disp('Releasing radios') release(txRadio); release(rxRadio); end testAccuracy = mean(txModType == estimatedModType); disp("Test accuracy: " + testAccuracy*100 + "%") figure cm = confusionchart(txModType, estimatedModType); cm.Title = 'Confusion Matrix for Test Data'; cm.RowSummary = 'row-normalized'; cm.Parent.Position = [cm.Parent.Position(1:2) 740 424]; end function modulator = getModulator(modType, sps, fs) %getModulator Modulation function selector % MOD = getModulator(TYPE,SPS,FS) returns the modulator function handle % MOD based on TYPE. SPS is the number of samples per symbol and FS is % the sample rate. switch modType case "BPSK" modulator = @(x)bpskModulator(x,sps); case "QPSK" modulator = @(x)qpskModulator(x,sps); case "8PSK" modulator = @(x)psk8Modulator(x,sps); case "16QAM" modulator = @(x)qam16Modulator(x,sps); case "64QAM" modulator = @(x)qam64Modulator(x,sps); case "GFSK" modulator = @(x)gfskModulator(x,sps); case "CPFSK" modulator = @(x)cpfskModulator(x,sps); case "PAM4" modulator = @(x)pam4Modulator(x,sps); case "B-FM" modulator = @(x)bfmModulator(x, fs); case "DSB-AM" modulator = @(x)dsbamModulator(x, fs); case "SSB-AM" modulator = @(x)ssbamModulator(x, fs); end end function src = getSource(modType, sps, spf, fs) %getSource Source selector for modulation types % SRC = getSource(TYPE,SPS,SPF,FS) returns the data source % for the modulation type TYPE, with the number of samples % per symbol SPS, the number of samples per frame SPF, and % the sampling frequency FS. switch modType case {"BPSK","GFSK","CPFSK"} M = 2; src = @()randi([0 M-1],spf/sps,1); case {"QPSK","PAM4"} M = 4; src = @()randi([0 M-1],spf/sps,1); case "8PSK" M = 8; src = @()randi([0 M-1],spf/sps,1); case "16QAM" M = 16; src = @()randi([0 M-1],spf/sps,1); case "64QAM" M = 64; src = @()randi([0 M-1],spf/sps,1); case {"B-FM","DSB-AM","SSB-AM"} src = @()getAudio(spf,fs); end end function x = getAudio(spf,fs) %getAudio Audio source for analog modulation types % A = getAudio(SPF,FS) returns the audio source A, with the % number of samples per frame SPF, and the sample rate FS. persistent audioSrc audioRC if isempty(audioSrc) audioSrc = dsp.AudioFileReader('audio_mix_441.wav',... 'SamplesPerFrame',spf,'PlayCount',inf); audioRC = dsp.SampleRateConverter('Bandwidth',30e3,... 'InputSampleRate',audioSrc.SampleRate,... 'OutputSampleRate',fs); [~,decimFactor] = getRateChangeFactors(audioRC); audioSrc.SamplesPerFrame = ceil(spf / fs * audioSrc.SampleRate / decimFactor) * decimFactor; end x = audioRC(audioSrc()); x = x(1:spf,1); end function frames = getNNFrames(rx,modType) %getNNFrames Generate formatted frames for neural networks % F = getNNFrames(X,MODTYPE) formats the input X, into frames % that can be used with the neural network designed in this % example, and returns the frames in the output F. frames = helperModClassFrameGenerator(rx,1024,1024,32,8); frameStore = helperModClassFrameStore(10,1024,categorical({modType})); add(frameStore,frames,modType); frames = get(frameStore); end function plotScores(score,labels) %plotScores Plot classification scores of frames % plotScores(SCR,LABELS) plots the classification scores SCR as a stacked % bar for each frame. SCR is a matrix in which each row is the score for a % frame. co = [0.08 0.9 0.49; 0.52 0.95 0.70; 0.36 0.53 0.96; 0.09 0.54 0.67; 0.48 0.99 0.26; 0.95 0.31 0.17; 0.52 0.85 0.95; 0.08 0.72 0.88; 0.12 0.45 0.69; 0.22 0.11 0.49; 0.65 0.54 0.71]; figure; ax = axes('ColorOrder',co,'NextPlot','replacechildren'); bar(ax,[score; nan(2,11)],'stacked'); legend(categories(labels),'Location','best'); xlabel('Frame Number'); ylabel('Score'); title('Classification Scores') end function plotTimeDomain(rxTest,rxTestLabel,modulationTypes,fs) %plotTimeDomain Time domain plots of frames numRows = ceil(length(modulationTypes) / 4); spf = size(rxTest,2); t = 1000*(0:spf-1)/fs; if size(rxTest,1) == 2 IQAsRows = true; else IQAsRows = false; end for modType=1:length(modulationTypes) subplot(numRows, 4, modType); idxOut = find(rxTestLabel == modulationTypes(modType), 1); if IQAsRows rxI = rxTest(1,:,1,idxOut); rxQ = rxTest(2,:,1,idxOut); else rxI = rxTest(1,:,1,idxOut); rxQ = rxTest(1,:,2,idxOut); end plot(t,squeeze(rxI), '-'); grid on; axis equal; axis square hold on plot(t,squeeze(rxQ), '-'); grid on; axis equal; axis square hold off title(string(modulationTypes(modType))); xlabel('Time (ms)'); ylabel('Amplitude') end end function plotSpectrogram(rxTest,rxTestLabel,modulationTypes,fs,sps) %plotSpectrogram Spectrogram of frames if size(rxTest,1) == 2 IQAsRows = true; else IQAsRows = false; end numRows = ceil(length(modulationTypes) / 4); for modType=1:length(modulationTypes) subplot(numRows, 4, modType); idxOut = find(rxTestLabel == modulationTypes(modType), 1); if IQAsRows rxI = rxTest(1,:,1,idxOut); rxQ = rxTest(2,:,1,idxOut); else rxI = rxTest(1,:,1,idxOut); rxQ = rxTest(1,:,2,idxOut); end rx = squeeze(rxI) + 1i*squeeze(rxQ); spectrogram(rx,kaiser(sps),0,1024,fs,'centered'); title(string(modulationTypes(modType))); end h = gcf; delete(findall(h.Children, 'Type', 'ColorBar')) end function flag = isPlutoSDRInstalled %isPlutoSDRInstalled Check if ADALM-PLUTO is installed spkg = matlabshared.supportpkg.getInstalled; flag = ~isempty(spkg) && any(contains({spkg.Name},'ADALM-PLUTO','IgnoreCase',true)); end
function y = bpskModulator(x,sps) %bpskModulator BPSK modulator with pulse shaping % Y = bpskModulator(X,SPS) BPSK modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 1]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); end % Modulate syms = pskmod(x,2); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = qpskModulator(x,sps) %qpskModulator QPSK modulator with pulse shaping % Y = qpskModulator(X,SPS) QPSK modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 3]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); end % Modulate syms = pskmod(x,4,pi/4); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = psk8Modulator(x,sps) %psk8Modulator 8-PSK modulator with pulse shaping % Y = psk8Modulator(X,SPS) 8-PSK modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 7]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); end % Modulate syms = pskmod(x,8); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = qam16Modulator(x,sps) %qam16Modulator 16-QAM modulator with pulse shaping % Y = qam16Modulator(X,SPS) 16-QAM modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 15]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); end % Modulate and pulse shape syms = qammod(x,16,'UnitAveragePower',true); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = qam64Modulator(x,sps) %qam64Modulator 64-QAM modulator with pulse shaping % Y = qam64Modulator(X,SPS) 64-QAM modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 63]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); end % Modulate syms = qammod(x,64,'UnitAveragePower',true); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = pam4Modulator(x,sps) %pam4Modulator PAM4 modulator with pulse shaping % Y = pam4Modulator(X,SPS) PAM4 modulates the input X, and returns the % root-raised cosine pulse shaped signal Y. X must be a column vector % of values in the set [0 3]. The root-raised cosine filter has a % roll-off factor of 0.35 and spans four symbols. The output signal % Y has unit power. persistent filterCoeffs amp if isempty(filterCoeffs) filterCoeffs = rcosdesign(0.35, 4, sps); amp = 1 / sqrt(mean(abs(pammod(0:3, 4)).^2)); end % Modulate syms = amp * pammod(x,4); % Pulse shape y = filter(filterCoeffs, 1, upsample(syms,sps)); end function y = gfskModulator(x,sps) %gfskModulator GFSK modulator % Y = gfskModulator(X,SPS) GFSK modulates the input X and returns the % signal Y. X must be a column vector of values in the set [0 1]. The % BT product is 0.35 and the modulation index is 1. The output signal % Y has unit power. persistent mod meanM if isempty(mod) M = 2; mod = comm.CPMModulator(... 'ModulationOrder', M, ... 'FrequencyPulse', 'Gaussian', ... 'BandwidthTimeProduct', 0.35, ... 'ModulationIndex', 1, ... 'SamplesPerSymbol', sps); meanM = mean(0:M-1); end % Modulate y = mod(2*(x-meanM)); end function y = cpfskModulator(x,sps) %cpfskModulator CPFSK modulator % Y = cpfskModulator(X,SPS) CPFSK modulates the input X and returns % the signal Y. X must be a column vector of values in the set [0 1]. % the modulation index is 0.5. The output signal Y has unit power. persistent mod meanM if isempty(mod) M = 2; mod = comm.CPFSKModulator(... 'ModulationOrder', M, ... 'ModulationIndex', 0.5, ... 'SamplesPerSymbol', sps); meanM = mean(0:M-1); end % Modulate y = mod(2*(x-meanM)); end function y = bfmModulator(x,fs) %bfmModulator Broadcast FM modulator % Y = bfmModulator(X,FS) broadcast FM modulates the input X and returns % the signal Y at the sample rate FS. X must be a column vector of % audio samples at the sample rate FS. The frequency deviation is 75 kHz % and the pre-emphasis filter time constant is 75 microseconds. persistent mod if isempty(mod) mod = comm.FMBroadcastModulator(... 'AudioSampleRate', fs, ... 'SampleRate', fs); end y = mod(x); end function y = dsbamModulator(x,fs) %dsbamModulator Double sideband AM modulator % Y = dsbamModulator(X,FS) double sideband AM modulates the input X and % returns the signal Y at the sample rate FS. X must be a column vector of % audio samples at the sample rate FS. The IF frequency is 50 kHz. y = ammod(x,50e3,fs); end function y = ssbamModulator(x,fs) %ssbamModulator Single sideband AM modulator % Y = ssbamModulator(X,FS) single sideband AM modulates the input X and % returns the signal Y at the sample rate FS. X must be a column vector of % audio samples at the sample rate FS. The IF frequency is 50 kHz. y = ssbmod(x,50e3,fs); end