基于多特征信息的深度学习网络调制识别方法技术

本发明专利技术涉及基于多特征信息的深度学习网络调制识别方法，属于风电机组故障诊断技术领域，从调制信号本身出发，将调制信号的瞬时幅度和瞬时相位与I/Q信号相结合，丰富了每一种调制方式的数据表示形式，可实现不同类型数据特征之间的互补。还设计了一个基于深度可分离卷积块和LSTM的高效网络结构，并引入了注意力机制，有利于挖掘调制信号内部潜在的时空特征。通过在标准数据集上的实验，表明了本文所提算法的优越性，说明了对于调制识别任务，特别是在受到各种干扰条件下，多类型数据源可以给模型提供多种观察视图，降低调制识别的难度。而结合网络特性，设计一种较好的模型结构对于调制识别也是至关重要的。对于调制识别也是至关重要的。对于调制识别也是至关重要的。

【技术实现步骤摘要】
基于多特征信息的深度学习网络调制识别方法


[0001]本专利技术属于信号调制
，具体涉及基于多特征信息的深度学习网络调制识别方法。

技术介绍

[0002]目前大多数基于神经网络的调制识别算法，都是直接将I/Q信号或者瞬时特征送入精心设计好的网络，再通过神经网络进行决策判断，从而实现调制方式的识别。而在复杂多变的电磁环境下，原始I/Q信号的潜在特征可能存在欠缺，仅仅提供I/Q信号或者单一瞬时特征会一定程度上限制模型的性能。
[0003]因此，现阶段需设计基于多特征信息的深度学习网络调制识别方法，来解决以上问题。

技术实现思路

[0004]本专利技术目的在于提供基于多特征信息的深度学习网络调制识别方法，用于解决上述现有技术中存在的技术问题，目前大多数基于神经网络的调制识别算法，都是直接将I/Q信号或者瞬时特征送入精心设计好的网络，再通过神经网络进行决策判断，从而实现调制方式的识别。而在复杂多变的电磁环境下，原始I/Q信号的潜在特征可能存在欠缺，仅仅提供I/Q信号或者单一瞬时特征会一定程度上限制模型的性能。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多特征信息的深度学习网络调制识别方法，其特征在于，包括以下步骤：S1：在电磁环境和各种信道干扰的影响下，对I/Q调制信号的瞬时特征和原始信号结合，即多特征融合；S2：在步骤S1的基础上，将多特征融合后的数据输入至Attention
‑
SCNN结构进行整合；S3：在步骤S2的基础上，引入优化的循环神经网络
‑
LSTM，将Attention
‑
SCNN结构整合后的输出送入到循环神经网络
‑
LSTM，提取数据过去和未来的关联信息，进而捕获全面的时序特征。2.如权利要求1所述的基于多特征信息的深度学习网络调制识别方法，其特征在于，步骤S1具体如下：首先将I/Q调制信号进行瞬时特征提取，包括瞬时幅度和瞬时相位值；由于I/Q调制信号分为I、Q两路正交信号，令I通道信号为x(t)，Q通道信号为y(t)，则瞬时幅度A(t)和瞬时相位P(t)可由以下公式所得：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)然后将得到的瞬时幅度值和瞬时相位值进行归一化处理，再将原始I/Q信号和瞬时特征值进行拼接融合；其中，原始I/Q信号维度为2*N，2代表I路和Q路，N代表采样点数，融合瞬时幅度和相位信息后的数据维度变为4*N。3.如权利要求2所述的基于多特征信息的深度学习网络调制识别方法，其特征在于，步骤S2具体如下：多特征融合后数据首先输入到Attention
‑
SCNN结构，Attention
‑
SCNN结构由若干个深度可分离卷积块和一个逐点卷积层构成，其中深度可分离卷积块即SepaConvBlock，在SepaConvBlock中，以深度可分离卷积层为基础层，其卷积过程分为深度卷积和逐点卷积两步；在SepaConvBlock结构中，首先利用1*1卷积层实现跨通道的交互与信息整合，并控制通道数量，然后再通过BatchNormalization，缓解内部数据分布偏移的影响并加速网络训练；接下来...

【专利技术属性】
技术研发人员：王贵，宁刚玲，
申请(专利权)人：成都大公博创信息技术有限公司，
类型：发明
国别省市：