【技术实现步骤摘要】
基于时空图卷积神经网络的无线通信调制模式识别方法
[0001]本专利技术涉及智能通信中信号调制模式识别领域，尤其涉及一种基于时空图卷积神经网络的无线通信调制模式识别方法。
技术介绍
[0002]无线通信伴随着新一代智能通信、物联网、毫米波通信等技术取得突飞猛进的发展，其应用领域也越来越广泛，应用场景越来越复杂，为了保障信道频带的利用率以及信号传输的可靠性，无线通信系统可采用多种不同的调制模式。调制模式的识别是数字无线通信系统工作的基础，调制模式识别已被广泛地应用到频谱资源管理，认知无线电，信息对抗等领域。
[0003]当今，随着半导体行业不断挑战摩尔定律，计算机的算力不断提升到新的高度，这为深度学习技术在智能通信领域的应用和发展注入内生动力，并带来新的发展机遇。卷积神经网络的深度学习方法已广泛地应用到图像识别、语音识别等领域中的欧式空间数据处理上，随着人工智能技术和智能通信的深度融合，将深度学习引入到调制模式识别领域能大幅地提升无线通信系统的效能。
[0004]但是，当前基于卷积神经网络在信号调制模式识别方面...
【技术保护点】
【技术特征摘要】
1.一种基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于，依次包括以下步骤：A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G，并将得到的射频信号数据集G分成训练集、验证集和测试集；B：对步骤A中得到的包含时域特征和频域特征的射频信号数据集G，利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；C：利用步骤B中得到的面向射频信号的全局特征和局部特征深度融合的时空特征序列，使用基于注意力的编码
‑
解码深度神经网络模型，对无线信号调制模式进行识别。2.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤A中，对多调制模式的信号数据进行归一化处理时，从时域和频域两个维度同时进行，并行地提取信号大数据的时域和频域维度特征，并对每个关键特征点采用二维坐标的两个数值存储，同时对每个关键特征点进行基于专家系统的置信度评分，一并作为特征点；信号的幅度归一化函数表示为：其中，表示信号s(t)的幅度归一化的结果，k为领域专家根据不同的参数类别和场景给出的经验值，k∈(0,1]，表示表示信号符号的观察序列，表示信号观察序列的个数。3.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于，所述的步骤B包括以下具体步骤：B1：使用双流时空图的卷积神经网络分别对射频信号数据集G中数据的时域特征和频域特征进行提取，得到时域子图和频域子图；B2：分别对步骤B1中得到的时域子图和频域子图进行时空卷积操作，并将每一路的时空卷积操作聚合为一路网络处理流，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列。4.根据权利要求3所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤B1中，在对时域特征和频域特征进行提取时，对射频信号数据集G进行时域和频域的子图划分：G＝G
td
∪G
fd
；其中，G
td
表示射频信号集的时域子图，G
fd
表示射频信号集的频域子图；在子图划分过程中，相邻的时域子图和频域子图之间至少存在一个公共节点。5.根据权利要求3所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤B2中，使用下述加权求和的特征聚合方法分别对时域特征和频域特征进行聚合：
其中，F
agg
(.)表示特征聚合函数，表示权重参数，能够在较高的层次提取信号的全局特征，Y1，...，Y
p
分别表示对应的第1至p个信号的时域特征变量或频域特征变量，Y
i
表示权重系数为的时域特征变量或频域特征变量。6.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，基于注意力的编码
‑
解码深度神经网络模型包含输入特征模块、通道注意力模块、空间注意力模块和输出特征模块，输入的无线信号样本，首先经过输入特征模型对信号的特征进行提取，接着通过通道注意力模块提取...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。