调制方式识别方法、装置以及存储介质制造方法及图纸

本公开提出一种调制方式识别方法、装置以及存储介质，方法包括：获取待识别的观测信号和信噪比信号，并利用预先训练的神经网络模型对观测信号和信噪比信号进行计算，得到调制方式分类结果，以及根据调制方式分类结果，确定目标调制方式，能够利用深度学习技术并综合信噪比信息进行识别，因此可以及时应对信道状态的变化，并且还可以降低计算复杂度，从而提高调制方式识别的准确率。并且，本公开设计两步训练法可以很好的解决模型训练中不收敛的问题。题。题。

【技术实现步骤摘要】
调制方式识别方法、装置以及存储介质


[0001]本公开涉及通信
，尤其涉及一种调制方式识别方法、装置以及存储介质。

技术介绍

[0002]随着科学技术的发展，近年来爆炸性增长的数据量、高速和低延迟的通信需求给通信系统带来了巨大挑战，现有的通信系统难以满足这些需求。为了获得更高的传输速率，在无线通信系统中采用自动调制识别(Automatic Modulation Classification，AMC)技术实现自动接收机配置、干扰抑制和频谱管理等。
[0003]相关技术中的调制方式识别算法主要为基于似然函数的AMC算法和基于特征的AMC算法，但是，基于似然函数的AMC算法依赖模型准确度且计算复杂度较高，而基于特征的AMC算法只能进行浅层分类的识别，且上述算法无法应对信道状态变化的情况，因此影响调制方式识别的效果。

技术实现思路

[0004]本公开提出了一种调制方式识别方法、装置以及存储介质，旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]本公开第一方面实施例提出了一种调制方式识别方法，包括：获取待识别的观测信号和信噪比信号；利用预先训练的神经网络模型对观测信号和信噪比信号进行计算，得到调制方式分类结果；以及根据调制方式分类结果，确定目标调制方式。
[0006]本公开第二方面实施例提出了一种调制方式识别装置，包括：第一获取模块，用于获取待识别的观测信号和信噪比信号；计算模块，用于利用预先训练的神经网络模型对观测信号和信噪比信号进行计算，得到调制方式分类结果；以及第一确定模块，用于根据调制方式分类结果，确定目标调制方式。
[0007]本公开第三方面实施例提出了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的调制方式识别方法。
[0008]本公开第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的调制方式识别方法。
[0009]本实施例中，通过获取待识别的观测信号和信噪比信号，并利用预先训练的神经网络模型对观测信号和信噪比信号进行计算，得到调制方式分类结果，以及根据调制方式分类结果，确定目标调制方式，能够利用深度学习技术并综合信噪比信息进行识别，因此可以及时应对信道状态的变化，并且还可以降低计算复杂度，从而提高调制方式识别的准确率。
[0010]本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0011]本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0012]图1是根据本公开一实施例提供的调制方式识别方法的流程示意图；
[0013]图2是根据本公开实施例提供的神经网络模型的结构示意图；
[0014]图3是根据本公开另一实施例提供的神经网络模型的训练流程示意图；
[0015]图4是根据本公开实施例提供的神经网络模型训练过程示意图；
[0016]图5是根据本公开另一实施例提供的调制方式识别装置的示意图；
[0017]图6示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
[0018]下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
[0019]针对
技术介绍
中提到的现有的调制方式识别算法无法应对信道状态变化的情况，因此影响调制方式识别效果的技术问题，本实施例技术方案提供了一种调制方式识别方法，下面结合具体的实施例对该方法进行说明。
[0020]其中，需要说明的是，本实施例的调制方式识别方法的执行主体可以为调制方式识别装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
[0021]图1是根据本公开一实施例提供的调制方式识别方法的流程示意图，如图1所示，该方法包括：
[0022]S101：获取待识别的观测信号和信噪比信号。
[0023]其中，无线通信过程中接收端实时接收的信号可以被称为观测信号，其可以用y表示，一些实施例中，该观测信号也可以是经过滤波、放大等预处理操作后的信号，对此不作限制。
[0024]而信噪比信号，指的是观测信号与噪声的比例，其可以用SNR表示。
[0025]S102：利用预先训练的神经网络模型对观测信号和信噪比信号进行计算，得到调制方式分类结果。
[0026]上述获取观测信号y和信噪比信号SNR后，进一步地，本公开实施例可以利用预先训练的神经网络模型对观测信号y和信噪比信号SNR进行计算，得到调制方式分类结果，也即是说，本实施例的神经网络模型的输入由观测信号y和信噪比信号SNR两部分组成，将观测信号y和信噪比信号SNR输入至神经网络模型中，输出调制方式分类结果。
[0027]其中，本实施例的神经网络模型可以是异构的模型，包括用于处理观测信号y的第一计算层、处理信噪比信号SNR的第二计算层、以及特征融合层和输出层等结构。在实际应用中，观测信号y需要进行多层卷积以生成更高级的抽象特征，则第一计算层例如包括归一化层、卷积层、池化层、压平层、全连接层等结构；而信噪比信号SNR是不能被卷积的标量，本
实施例的神经网络模型可以对信噪比信号SNR进行简单处理，例如特征提取，则第二计算层可以只包括全连接层。
[0028]具体地，将观测信号y和信噪比信号SNR输入至神经网络模型后，神经网络模型的第一计算层可以对观测信号y进行特征提取处理，得到的特征可以被称为第一特征。其中，特征提取处理至少包括卷积处理(CNN)、激活函数处理(例如ReLU激活函数)、池化处理(例如AveragePool)。
[0029]举例而言，图2是根据本公开实施例提供的神经网络模型的结构示意图，如图2所示，虚线框部分为神经网络模型的CNN模型结构(即，第一计算层)，包括多个卷积层(Conv)，每个卷积层例如包括12个1*3的卷积核(Conv12
×
3)和一个激活函数ReLU(1ReLU)；多个池化层，池化层可以采用平均降采样池化层AveragePool，每个AveragePool例如为一维窗口尺寸为2，步长为1，表示为AveragePool 2,1；全连接层(Dense)，例如为Dense256ReLU，表示全连接层的计算单元的数量为256，激活函数为ReLU。本实施例的CNN模型结构可以对观测信号y进行处理，得到第一特征。一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种调制方式识别方法，其特征在于，包括：获取待识别的观测信号和信噪比信号；利用预先训练的神经网络模型对所述观测信号和所述信噪比信号进行计算，得到调制方式分类结果；以及根据所述调制方式分类结果，确定目标调制方式。2.如权利要求1所述的方法，其特征在于，所述利用预先训练的神经网络模型对所述观测信号和所述信噪比信号进行计算，得到调制方式分类结果，包括：利用所述神经网络模型的第一计算层对所述观测信号进行特征提取处理，以得到第一特征，其中，所述第一计算层包括归一化层、卷积层、池化层、压平层、全连接层；利用所述神经网络模型的第二计算层对所述信噪比信号进行处理，以得到第二特征，其中，所述第二计算层包括全连接层；将所述第一特征和所述第二特征进行拼接，得到拼接特征；以及对所述拼接特征进行计算，得到调制方式分类结果。3.如权利要求1所述的方法，其特征在于，所述利用预先训练的神经网络模型对所述观测信号和所述信噪比信号进行计算之前，还包括：获取训练数据，并确定所述神经网络模型的初始模型结构；确定所述训练数据对应的辅助识别信息；在所述初始模型结构的输出层设置辅助识别层，得到目标模型结构；采用所述训练数据及所述辅助识别信息，对所述目标模型结构进行训练，并在所述目标模型结构收敛的情况下确定训练参数；以及将所述训练参数初始化至所述初始模型结构，并采用所述训练数据对初始化后的所述初始模型结构进行训练直至收敛，得到所述神经网络模型。4.如权利要求2所述的方法，其特征在于，对所述拼接特征进行计算，得到调制方式分类结果，包括：采用Softmax分类器对所述拼接特征进行计算，得到多个调制方式类别及对应的概率，所述多个调制方式类别及对应的概率作为所述调制方式分类结果。5.如权利要求3所述的方法，其特征在于，其中，所述辅助识别信息为二进制相移键控，或者零均值高斯白噪声。6.一种调制方式识别装置，其特征在于，包括：第一获取模块，用于...

【专利技术属性】
技术研发人员：陈子峰，王洪磊，赵建，杨晓辉，张亦凡，李如瑄，赵辉斌，闫兴伟，田涵，张家源，
申请(专利权)人：煤炭科学研究总院有限公司，
类型：发明
国别省市：