智能无线通信 课件 第四章 物理层技术中AI的应用-PHY-AI-EXA1-实践

基于AI的信号检测技术及课程案例实践

一种基于KNN的调制识别提纲：一种基于KNN的调制识别案例系统框图kNN算法介绍调制信号的高阶统计量特征基于kNN的调制信号识别原理性能展示案例代码说明作业及要求回顾：无线通信中的物理层技术及过程3信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收信号检测SignalDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver信道估计ChannelEstimation案例1：接收机中的调制信号识别技术4发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver基于kNN（k-NearestNeighber）算法的调制识别系统框图数字基带信号的发送和接收忽略：射频以及A/D,D/A，频带调制/解调，信源编/译码，信道编/译码假设为AWGN信道回顾：符号调制5说明：调制阶数越高，频谱利用率越高回顾：5G移动通信系统采用的调制方式6QPSKBPSK64QAM256QAM16QAMKNN（K-NearestNeighbering）算法介绍7kNN算法属于监督学习的一种算法，常用于分类器输入：实例的特征向量，对应于特征空间的点输出：实例的类别，可以取多类基本要素：特征向量提取，距离度量，k值的选择kNN算法（特征样本空间,距离度量，k）实例的类别实例的特征向量KNN算法思想8在已知类别中，计算样本集中的样本与当前测试数据（待分类数据）的距离。按照距离递增次序排序。选取与当前测试数据距离最小的k个样本。统计前k个样本属于各个类别的出现频率。将前k个样本中出现频率最高的类别作为当前点测试数据的分类结果。KNN算法示例9距离度量为欧氏距离：其中L为特征维度示例图：图例为二维欧氏距离度量分析步骤：1.分别算出测试数据Xu到各个类别样本点的距离2.对距离进行排序3.统计距离最小的k个点4.统计k个点所属的类别5.返回出现频率最高的类别，作为当前测试数据的分类结果KNN算法的优缺点10kNN算法的优缺点：优点：精度高、对异常值不敏感缺点：计算复杂度高、空间复杂度高适用数据范围：数值型改进kNN算法的方法：缩小训练集的大小（删除冗余；提取代表样本）加快kNN搜索进程选取合适的K值案例1：调制信号识别的系统框图11BPSKQPSK16QAM64QAM256QAMSource:3GPPTS38.211v15.3.05G移动通信系统使用的调制方式：发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver信号的高阶统计量特性12常用高阶累积量的计算：高阶矩的计算：数字调制信号高阶累积量的理论值13BPSKQPSK16QAM64QAM256QAMC2010000C2111111C40210.680.620.6C4120000C42210.680.620.6C60160.360.270.260.25C611642.081.81.7C62160.250.220.20.2C631642.081.81.8选用高阶累积量作为特征，如表，特征维度为L=9好处：若随机变量均值为零，且服从高斯分布，那么它的高阶累积量（阶数≥3）恒为零不变，故具有抗干扰的优点。基于KNN算法的调制信号识别技术原理14特征提取kNN算法特征提取调制信号样本集特征向量样本集发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver接收调制信号测试数据调制方式特征向量基于KNN算法的调制信号识别技术原理15特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量基于高阶累积量的特征向量为：第一步：处理样本集特征提取：信号的高阶统计量计算16然后计算常用高阶累积量：先计算高阶矩：高阶累积量形成L维特征向量案例源代码：给出到四阶矩，共5维特征；开发问题：要求计算到六阶矩，共9维特征基于KNN算法的调制信号识别技术原理17特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量第二步：处理测试数据集基于高阶累积量的特征向量为：18特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量第三步：基于KNN的调制识别计算距离度量：要计算？个距离统计距离最小的k个样本统计k个样本的各种调制方式的频次将出现频次最高的调制方式作为最终结果统计测试准确率=基于KNN算法的调制信号识别技术原理算法性能展示19总结：由仿真结果可知：1.随着SNR的增大，噪声的干扰相对减少，识别正确率越高。2.调制阶数越高，调制识别正确率达到1时对应的SNR就越高。3.特征由四阶累积量增加到六阶累积量时，识别正确率显著提高。实践方式一20MATLAB：数据生成部分生成样本集:getSample.m生成测试数据集:getTest***.m特征提取:Func_get_Cumulant.m模拟接收调制信号:BPSKmodulator.mQPSKmodulator.mPYTHON：调制识别部分kNN分类器:（fuc1.py）kNN调制识别（main.ipynb）kNN分类器生成测试数据识别统计正确率及结果显示digitsdata手动拷贝数据提供资源说明21提供资源案例源代码案例讲解视频下载地址：教学云平台实践方式二22数据集特征提取:？PYTHON：调制识别部分kNN分类器:（fuc1.py）kNN调制识别（main.ipynb）kNN分类器生成测试数据识别统计正确率及结果显示RxData训练样本集:.dat测试数据集:.dat作业及要求23实践案例1：基于KNN的调制识别必做任务：根据提供的数据、源代码、讲解视频等完成“基于KNN的调制识别”案例的编程、调试、性能画图及分析调制方式：BPSK，QPSK，16QAM高阶累积量：4阶数据处理：每组数据N=500个（用于计算高阶矩），样本集中每种调制类型有M=10个样本，测试集中每种调制类型有P=1000个测试数据KNN算法参数：k=10调整参数，对比并分析结果，得出结论：（1）N换成200，即200个调制符号/组，（2）k取其他值，如k=3,k=50。开放任务(选作)：修改特征提取部分，根据高阶累积量的公式，把四阶累积量（特征维度L=5）增加到六阶累积量（特征维度L=9），完成编程、调试、及性能分析。

作业及要求24实践案例1：基于KNN的调制识别提交内容：源程序：matlab数据生成部分，python调制识别部分数据：支撑main运行需要的数据，由源程序所生成实践报告：可以直接用JupyterNotebook完成报告，即main.ipynb；也可以用word完成报告。报告格式见模板。形式：将上述内容放在一个文件夹中，并形成该文件夹的压缩包压缩包命名格式