一种具有注意力机制时间卷积网络的信号调制识别算法制造技术

本发明专利技术实施例公开了一种具有注意力机制时间卷积网络的信号调制识别算法。本发明专利技术实施例通过获取待识别调制信号数据；将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。通过上述方法，采用结合注意力机制的时间卷积网络模确定目标调制方式，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。间。间。

【技术实现步骤摘要】
一种具有注意力机制时间卷积网络的信号调制识别算法


[0001]本专利技术涉及无线通信
，具体涉及一种具有注意力机制时间卷积网络的信号调制识别算法。

技术介绍

[0002]随着无线通信技术的发展，通信信号可以通过不同的调制方式进行调制，在一些场景下，接收到已调制的通信信号后，需要确定其调制方式。
[0003]现有技术中，通过基于最大似然比理论的方法、基于特征提取的方法以及基于深度学习的方法确定已调制的通信信号的调制方式，虽然上述三种方式都可以识别出调制信号的调制方法，但是都存在一定的问题，例如，所述基于最大似然比理论的方法需要已调制的通信信号的先验知识，且建立函数专业性强，计算复杂；所述基于特征提取的方法特征和分类器的选取在根本上决定了分类的效果，在复杂的电磁环境下，通信环境变换多样，固定特征的选取不适用于所有场景，有一定的局限性；基于深度学习的调制识别方法中将已调制的通信信号转换为图像处理的方法没有考虑到信号本身携带的特征且运算复杂；直接对已调制的通信信号进行端到端识别的方法中，主要是基于卷积神经网络(Convolutional Neural Network，CNN)和长短时记忆网络(Long short
‑
term memory，LSTM)，所述CNN或LSTM对已调制的通信信号序列的特征提取不全面，会造成识别率偏低，而CNN与LSTM相结合的复合网络虽然能够提取时频域特征，但计算量比较大。
[0004]综上所述，如何提升调制方式识别准确率，减少冗余的计算量以及减少运算时间是目前需要解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了一种具有注意力机制时间卷积网络的信号调制识别算法，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。
[0006]第一方面，本专利技术实施例提供了一种信号调制方式的识别方法，该方法包括：
[0007]获取待识别调制信号数据；
[0008]将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
[0009]将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
[0010]可选的，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式，具体包括：
[0011]将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
[0012]将所述最大值对应的调制方式确定为目标调制方式。
[0013]可选的，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
[0014]可选的，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值，具体包括：
[0015]将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
[0016]将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
[0017]将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
[0018]将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；
[0019]将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
[0020]可选的，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据，具体包括：
[0021]通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；
[0022]通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；
[0023]将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
[0024]可选的，所述将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据，具体包括：
[0025]将所述第二输出数据输入到注意力机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；
[0026]对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
[0027]可选的，所述结合注意力机制的时间卷积网络模型的训练过程包括：
[0028]获取历史调制信号数据以及所述历史调制信号数据对应的调制方式；
[0029]将所述历史调制信号数据进行采样处理，确定历史调制信号序列；
[0030]根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
[0031]第二方面，本专利技术实施例提供了一种信号调制方式的识别装置，其特征在于，该装置包括：
[0032]获取单元，用于获取待识别调制信号数据；
[0033]第一确定单元，用于将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
[0034]第二确定单元，用于将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
[0035]可选的，所述第二确定单元，具体用于：
[0036]将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
[0037]将所述最大值对应的调制方式确定为目标调制方式。
[0038]可选的，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
[0039]可选的，所述第二确定单元，具体用于：
[0040]将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
[0041]将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
[0042]将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
[0043]将所述第三输出数据输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号调制方式的识别方法，其特征在于，该方法包括：获取待识别调制信号数据；将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。2.如权利要求1所述的方法，其特征在于，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式，具体包括：将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；将所述最大值对应的调制方式确定为目标调制方式。3.如权利要求2所述的方法，其特征在于，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。4.如权利要求2所述的方法，其特征在于，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值，具体包括：将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。5.如权利要求4所述的方法，其特征在于，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据，具体包括：通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；通过第二卷积层...

【专利技术属性】
技术研发人员：唐晓刚，任彦洁，郇浩，陶然，张斌权，李炯，高明慧，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：