一种基于注意力机制与多特征融合的自动调制识别方法技术

本发明专利技术公开了一种基于注意力机制与多特征融合的自动调制识别方法，该方法将信号三流输入网络，使用CNN和LSTM提取空间特征与时序特征，并通过注意力机制与高斯噪声微调特征向量，最后使用全连接层实现调制分类。本发明专利技术将公开数据集的数据进行信号预处理；构建基于注意力机制与多特征融合的自动调制识别网络；实时采集IQ数据，并数据预处理后送入网络识别调制方式。本发明专利技术充分考虑了不同网络之间的互补性以及不同信号表示反映的多种特征，利用CNN和LSTM的组合结构提取信号空间上和时间上的相关特征，提高了调制识别的精度，能够很好地运用到非合作通信系统中。运用到非合作通信系统中。运用到非合作通信系统中。

【技术实现步骤摘要】
一种基于注意力机制与多特征融合的自动调制识别方法


[0001]本专利技术属于通信信号处理和人工智能领域，具体涉及一种基于注意力机制与多特征融合的自动调制识别方法。

技术介绍

[0002]调制识别技术是无线通信领域中一项非常关键的技术，识别无线通信信号的调制方式是非协作通信、电子对抗、智能天线、软件无线电以及无线频谱管理等领域中的基础技术，因此该项技术在军用领域和民用领域都有十分广泛的应用和非常重要的意义。在军事领域，电子信息战作为新战场。在战场上截获敌方的通信信号之后，使用调制解调技术可以直接获取对方的通信内容，并且可以使用电子对抗技术对对方通信系统发起攻击，通信信号调制识别技术在其中起到基础性的作用，也是目前各国非常关注的领域。在民用领域，随着人们对信息传输的需求愈来愈高，信号的频谱资源也愈发稀缺，对于无线电频段的管理也越来越严格。调制识别技术可应用于认知无线电领域，对信号进行参数估计和解调，从而有效避免无线电干扰，并且对信号频谱进行优化，实现更加可靠和智能的无线电系统。
[0003]目前电磁环境日趋复杂，在非合作通信中实现信号调制识别的难度越来越高。信号调制识别的核心问题是在于特征提取和分类器。特征提取从信号的采样序列样本中提取表示原始信号的空间特征。通过特征提取之后，获取了信号调制的关键特征，然后设计分类器对于原始信号分类即可。无线电信号的信息基本上都存储在相位，幅度频率及其组合之中，比如IQ信号、AP信号等。
[0004]传统调制识别算法主要分为两大类：一是基于决策理论的最大似然假设检验法，二是基于传统机器学习的调制识别算法。虽然传统的通信信号识别算法精度高，但绝大多数算法依赖于作者在无线通信领域的专家经验知识，算法普遍采用分析接收信号的统计量或星座图特征的方法，在特定的应用场景下可具有优异的性能。然而，这些利用高阶统计量或星座图的调制识别方法往往只能在特定的通信场景中达到优异的性能，模型的泛化能力和通用性不强，无法实现迁移使用。同时，随着物联网、5G新技术研究的深入，无线通信系统变得日益成熟和复杂，这为进一步设计高效、可靠的信号调制自动识别器增加了不少难度。
[0005]深度学习作为近年来研究热点，并且在众多领域都有应用。在通信领域中，为解决调制识别分类器设计适应性差，强依赖专家先验知识等问题，提出使用深度学习能够极大程度得解决该问题。在信号调制领域中，O
’
Shea最先将深度学习技术应用在该领域。并讨论了良好数据集对模型学习、测试和评价的重要性，并在ubuntu上使用GNURadio平台和Python制作了调制识别公开数据集RML2016.10a，其中数据集信号为原始I/Q信号，每个样本采集的2x 128个序列。随后作者又在RML2018数据集中，提出了ResNet算法，并且在该数据集取得不错的效果。Jialang Xu提出MCLDNN算法，该算法是一种新的三流深度学习框架。在基准数据集上的实验表明，该框架具有高效的收敛速度和较高的识别精度，特别是对于16
‑
QAM和64
‑
QAM等高维调制方案调制的信号。P.Hu提出一种CGDNN网络，这是一种基于CNN和GRU的深度神经网络。实验结果表明，其收敛速度非常快，并且具有较为满意的识别精度。

技术实现思路

[0006]本专利技术的目的是提供基于注意力机制与多特征融合的无线信号自动调制识别方法，能够实现了高精度的无线信号调制识别。其目的在于，将数据多流输入，使用卷积神经网络提取IQ信号，AP信号以及单独的IQ分量的空间特征，使用特征融合将多个融合在一起并再次卷积进一步提取深层次特征，中间加入注意力机制与高斯噪声，优化特征向量。接着，使用长短时记忆网络提取信号的时序特征，最后使用softmax分类器进行多分类，完成网络训练即可。
[0007]为了实现上述目的，本专利技术所采用的技术方案为：
[0008]一种基于注意力机制与多特征融合的自动调制识别方法，其特征在于，包括如下步骤：
[0009]步骤1：引入多组IQ数据，将每组IQ数据通过I
‑
Q分解方法得到每组I分量、每组Q分量,将每组IQ数据使用IQ与AP转换公式将IQ数据转换得到AP数据，通过每组IQ数据、每组AP数据、每组I分量、每组Q分量构建每组样本，人工标注训练集中每组样本的调整方式类别；
[0010]步骤2：构建注意力机制与多特征融合网络，将每组样本依次输入至注意力机制与多特征融合网络进行预测，得到每组样本的预测调整方式类别，结合每组样本的调整方式类别构建损失函数模型，通过Adam算法优化训练得到优化后注意力机制与多特征融合网络；
[0011]步骤3：实时采集IQ数据，将实时采集的IQ数据通过I
‑
Q分解方法得到实时I分量、实时Q分量，将实时采集的IQ数据、实时I分量、实时Q分量通过化后注意力机制与多特征融合网络进行预测得到实时采集的IQ数据的调制方式类别；
[0012]作为优选，步骤1所述将每组IQ数据通过I
‑
Q分解方法得到每组I分量、每组Q分量为：
[0013][0014][0015]其中，为第k组AP数据，为第k组AP数据的A分量转置，为第k组AP数据的P分量转置，为第k组IQ数据，为第k组IQ数据的I分量转置，为第k组IQ数据的Q分量转置
[0016]步骤1所述将每组IQ数据使用IQ与AP转换公式将IQ数据转换得到AP数据为：
[0017][0018]其中，为第k组AP数据的A分量，为第k组AP数据的P分量，为第k组IQ数据的I分量，为第k组IQ数据的Q分量
[0019]步骤1所述多组IQ数据，定义为：k∈[1,K]，表示第k组IQ数据,K表示总样本数；
[0020]步骤1所述多组AP数据，定义为：k∈[1,K]，表示第k组AP数据，,K表示总样本数；
[0021]步骤1所述每组I分量，定义为：k∈[1,K]，表示第k组I分量，,K表示总样本数；
[0022]步骤1所述每组Q分量，定义为：k∈[1,K]，表示第k组Q分量，,K表示总样本数；
[0023]步骤1所述每组样本为：k∈[1,K]，Data
k
表示第k组样本，,K表示总样本数；
[0024]步骤1所述每组样本的调整方式类别为：
[0025]y
k
,k∈[1,K]c∈[1,C][0026]y
k
＝[y
k，1
，
…
，y
k，c
][0027]其中，y
k
表示第k组样本的标签分布，K表示总样本数，C为总标签数量；所述y
k
为onehot编码的样本的标签分布；y
k，c
表示第k组样本是否属于第c种标签，c∈[1,C]，如果第k组样本属于标签第c种标签，则y
k，c
＝1，否则y
k，c
＝0
[0028]作为优选，步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制与多特征融合的自动调制识别方法，其特征在于，包括如下步骤：步骤1：引入多组IQ数据，将每组IQ数据通过I
‑
Q分解方法得到每组I分量、每组Q分量,将每组IQ数据使用IQ与AP转换公式将IQ数据转换得到AP数据，通过每组IQ数据、每组AP数据、每组I分量、每组Q分量构建每组样本，人工标注训练集中每组样本的调整方式类别；步骤2：构建注意力机制与多特征融合网络，将每组样本依次输入至注意力机制与多特征融合网络进行预测，得到每组样本的预测调整方式类别，结合每组样本的调整方式类别构建损失函数模型，通过Adam算法优化训练得到优化后注意力机制与多特征融合网络；步骤3：实时采集IQ数据，将实时采集的IQ数据通过I
‑
Q分解方法得到实时I分量、实时Q分量，将实时采集的IQ数据、实时I分量、实时Q分量通过化后注意力机制与多特征融合网络进行预测得到实时采集的IQ数据的调制方式类别。2.根据权利要求1所述的基于注意力机制与多特征融合的自动调制识别方法，其特征在于，步骤1所述将每组IQ数据通过I
‑
Q分解方法得到每组I分量、每组Q分量为：Q分解方法得到每组I分量、每组Q分量为：其中，为第k组AP数据，为第k组AP数据的A分量转置，为第k组AP数据的P分量转置，为第k组IQ数据，为第k组IQ数据的I分量转置，为第k组IQ数据的Q分量转置步骤1所述将每组IQ数据使用IQ与AP转换公式将IQ数据转换得到AP数据为：其中，为第k组AP数据的A分量，为第k组AP数据的P分量，为第k组IQ数据的I分量，为第k组IQ数据的Q分量步骤1所述多组IQ数据，定义为：步骤1所述多组IQ数据，定义为：表示第k组IQ数据,K表示总样本数；步骤1所述多组AP数据，定义为：步骤1所述多组AP数据，定义为：表示第k组AP数据，,K表示总样本数；步骤1所述每组I分量，定义为：步骤1所述每组I分量，定义为：表示第k组I分量，,K表示总样本数；步骤1所述每组Q分量，定义为：步骤1所述每组Q分量，定义为：表示第k组Q分量，,K表示总样本数；
步骤1所述每组样本为：Data
k
表示第k组样本，,K表示总样本数；步骤1所述每组样本的调整方式类别为：y
k
,k∈[1,K]c∈[1,C]y
k
＝[y
k，1
，
…
，y
k，c
]其中，y
k
表示第k组样本的标签分布，K表示总样本数，C为总标签数量；所述y
k
为onehot编码的样本的标签分布；y
k，c
表示第k组样本是否属于第c种标签，c∈[1,C]，如果第k组样本属于标签第c种标签，则y
k，c
＝1，否则y
k，c
＝0。3.根据权利要求1所述的基于注意力机制与多特征融合的自动调制识别方法，其特征在于，步骤2所述注意力机制与多特征融合网络包括：CNN模块、LSTM模块、特征融合模块、注意力机模块、分类器模块；所述CNN模块，将第k组样本传入所述CNN模块，对原始的数据进行二维卷积得到IQ特征向量A
k
,对原始...

【专利技术属性】
技术研发人员：刘新华，舒细兵，旷海兰，马小林，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：