基于卷积神经网络和DAE_Transformer的调制识别方法技术

本发明专利技术公开了基于卷积神经网络和DAE_Transformer的调制识别方法，包括：以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器。以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于Residual Network网络结构的classifier模块。基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。在公共数据集RadioML2018.01A上对网络进行了测试。实验证明，本发明专利技术提出的算法相较于现有的识别方法，有效地提高了调制信号的识别准确率。率。率。

【技术实现步骤摘要】
基于卷积神经网络和DAE_Transformer的调制识别方法


[0001]本专利技术属于信号调制识别
，具体涉及基于卷积神经网络和DAE_Transformer的调制识别方法。

技术介绍

[0002]信号调制识别一直是深度学习领域的研究热点之一。通信信号调制识别在认知电子战、通信对抗和非协同通信等领域具有重要的研究价值。然而，传统的信号识别方法存在精度低、可扩展性差、依赖专家特征、对现实环境适用性差等缺点。随着深度学习技术得发展，基于深度学习得调制识别研究越来越多。
[0003]目前，信号调制识别方法大致可分为极大似然方法、统计模式识别方法和深度学习识别方法。在基于似然比识别方法中，将模量识别问题视为假设检验问题，利用似然函数进行判别，实现信号分类。统计模式识别方法将调制特征与理论特征进行比较，与深度学习方法相比，前两种方法具有对先验概率信息需求大、对信噪比要求高、识别类型少、鲁棒性差等缺点。因此逐步被基于深度学习的方法替代。目前处理调制识别的深度学习方法可分为两类,一种是采用直接识别的方法，利用神经网络提取原始信号的特征，识别其调制类型。另一种间接识别方法是指对原始基带信号进行预处理，然后将其与神经网络结合进行特征提取的方法。

技术实现思路

[0004]本专利技术的目的在于：提供基于卷积神经网络和DAE_Transformer的调制识别方法，以解决现有技术的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于卷积神经网络和DAE_Transformer的调制识别方法，包括如下步骤：
[0006]S1、将样本数据集中的调制信号划分，为训练集、测试集、验证集；
[0007]S2、以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器；
[0008]S3、以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于Residual Network网络结构的classifier模块；
[0009]S4、基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。S5、将验证集中的调制信号输入至调制识别模型，验证模型的准确性。
[0010]进一步地，前述的步骤S2包括如子步骤：
[0011]S2.1、对训练集中的调制信号进行压缩，得到压缩后的向量，然后对该压缩后的向量进行绝对位置编码得到位置编码向量；
[0012]S2.2、以位置编码向量为输入，输入至多头注意力模块、FNN模块，获得融合的注意力特征图。
[0013]进一步地，前述的所述步骤S2.1中，将调制信号通过残差堆栈、reshape模块，进行压缩。
[0014]进一步地，前述的步骤S2.1中，将压缩后的向量经过position Dropout模块进行绝对位置编码得到位置编码向量。
[0015]进一步地，前述的步骤S3中，所述classifier模块包括顺序连接的5个残差堆栈、2个Dence层，1个classifier Output层。
[0016]进一步地，前述的残差堆栈包括1个基于小尺度卷积核的卷积层、1个残差模块、一个池化层。
[0017]进一步地，前述的步骤S2.2中，利用多头注意力模块独立学习h组不同的线性投影来变换查询、键和值；然后，将h组变换后的查询、键和值将并行地进行注意力池化，最后，将这h个注意力池化的输出拼接在一起，通过可学习的线性投影进行变换。
[0018]进一步地，前述的步骤S4中，构建基于卷积神经网络和DAE_Transformer的调制识别模型时利用softmax分类器获得调试信号的识别结果。
[0019]与现有技术相比，本专利技术的有益效果如下：
[0020](1)本专利技术基于卷积神经网络和DAE_Transformer的调制识别模型识别信号调制类型，在模型中嵌入去噪自动编码器模块，实现了增强有效信息的特征及抑制无效特征的目的，提高了调制识别的准确率，具有更好的鲁棒性；
[0021](2)本专利技术通过加入多头注意力机制，可以够从多个维度提炼特征信息，获取输入数据长时间依赖以及全局信息，保证较高的识别准确率；
[0022](3)本专利技术通过结合卷积神经网络和DAE_Transformer网络，采用自编码和分类联合训练的框架，从而达到正则化的效果并且提高模型的泛化能力，增加模型的鲁棒性。
附图说明
[0023]图1是本专利技术实施例中基于卷积神经网络和DAE_Transformer的调制识别方法示意图；
[0024]图2是本专利技术实施例提供的基于卷积神经网络和DAE_Transformer的调制识别方法中公共数据集RadioML2018.01A中的部分信号图。
[0025]图3是本专利技术实施例中Residual Unit的系统结构示意图；
[0026]图4是本专利技术实施例中Residual Stack的系统结构示意图；
[0027]图5是本专利技术实施例中多头注意力机制模块的系统结构示意图；
[0028]图6是调制识别算法的准确率效果图；
具体实施方式
[0029]为了更了解本专利技术的
技术实现思路
，特举具体实施例并配合所附图式说明如下。
[0030]在本专利技术中参照附图来描述本专利技术的各方面，附图中示出了许多说明性实施例。本专利技术的实施例不局限于附图所述。应当理解，本专利技术通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本专利技术所公开的构思和实施例并不限于任何实施方式。另外，本专利技术公开的一些方面可以单独使用，或者与本专利技术公开的其他方面的任何适当组合来使用。
[0031]如图1所示，基于卷积神经网络和DAE_Transformer的调制识别方法，包括：采集数字调制信号，将采集到的数字调制信号输入基于卷积神经网络和DAE_Transformer的调制识别模型中，输出调制类型。
[0032]图2是本专利技术实施例提供的基于卷积神经网络和DAE_Transformer的调制识别方法中公共数据集RadioML2018.01A中的部分信号图。
[0033]本专利技术包括如下步骤:
[0034]S1、将样本数据集中的调制信号划分为训练集、测试集、验证集。
[0035]公共数据集RadioML2018.01A中的I/Q信号，选择数据集中SNR<＝20dB的数据，共24x21x4096＝2064384(24类调制方式，每类调制从
‑
20dB到20dB，共21中，每类调制、SNR都有4096个样本)。将这些数据随机打散，每个类别随机抽取50％训练(1032192)、25％验证(516096)、25％测试(516096)。
[0036]S2、以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Tra本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，包括如下步骤：S1、将样本数据集中的调制信号划分为训练集、测试集、验证集；S2、以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器；S3、以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于Residual Network网络结构的classifier模块；S4、基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。S5、将验证集中的调制信号输入至调制识别模型，验证模型的准确性。2.根据权利要求1所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S2包括如子步骤：S2.1、对训练集中的调制信号进行压缩，得到压缩后的向量，然后对该压缩后的向量进行绝对位置编码得到位置编码向量；S2.2、以位置编码向量为输入，输入至多头注意力模块、FNN模块，获得融合的注意力特征图。3.根据权利要求2所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，所述步骤S2.1中，将调制信号通过残差堆栈、reshape模块，进行压缩。4.根据...

【专利技术属性】
技术研发人员：庞佳伟，李大鹏，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：