一种基于多尺度特征融合的复杂调制方式识别方法技术

本发明专利技术公开了一种基于多尺度特征融合的复杂调制方式识别方法，包括如下步骤：构建多尺度特征融合神经网络识别模型；生成包含IQ数据与频谱数据的双模态数据样本，将双模态数据样本划分为训练集和验证集；利用训练集来训练模型，并利用验证集来验证模型的正确性；将待分类的调制信号数据进行预处理，得到包含IQ数据与频谱数据的双模态数据，将双模态数据验证集输入到该模型中，模型的输出类别即为识别的调制类型。本发明专利技术所公开的识别方法加强了网络对特征的表征能力，解决了复杂调制信号之间差异不明显、深层特征提取困难的问题，实现在复杂的特征中提取出调制信号稳定的深层次特征并完成快速识别，提升了模型的识别准确率。提升了模型的识别准确率。提升了模型的识别准确率。

【技术实现步骤摘要】
一种基于多尺度特征融合的复杂调制方式识别方法


[0001]本专利技术属于自动调制识别
，特别涉及一种基于多尺度特征融合的复杂调制方式识别方法。

技术介绍

[0002]自动调制识别技术是指接收端在任何条件未知的情况下，通过对接收到的信号进行识别与分析处理，以获取信号的调制类型、调制参数等信息，从而为下一步的信号解调工作提供先验信息。随着通信技术的迅速发展，用户对信息传输的需求越来越高，更加复杂多样的调制类型被广泛应用于通信系统中，导致调制识别问题的难度急剧增加。为了保证通信系统的安全运行以及无线电资源的高效利用，自动调制识别技术越来越重要。
[0003]专利“一种基于特征融合的信号调制识别方法”(202210685893.2)提供一种基于特征融合的信号调制识别方法，对调制信号样本进行预处理，得到归一化后的频谱图和星座图，并将处理后的频谱图和星座图串联拼接获得对应的融合特征图，将其划分训练集和验证集；将训练集通过由CNN网络、LSTM网络、注意力机制模块和分类器构成的深度神经网络模型进行训练，获得训练好的深度神经网络模型；将实际接收信号的融合特征图输入训练好的深度神经网络模型进行识别，获取调制识别结果。该方法增强了特征多样性，具有较高的识别准确率和泛化能力。
[0004]专利“一种基于卷积循环网络的信号调制识别系统及调制识别方法”(202011011055.4)提供了一种基于卷积循环网络的数字信号自动调制识别方法，将接受数字信号的IQ分量原始数据作为输入，设计深度卷积网络提取特征，拓展IQ维度增加特征的丰富性，压缩时间维度降低分类的时间成本，在时间维度引入循环网络结构提取时序信息，利用全连接层输出完成调制识别。
[0005]上述现有技术的缺点主要体现在：一是现有模型特征表征能力不够，隐藏在信号深层次的微弱信息容易丢失；二是样本输入单一，仅依靠IQ数据难以学习到丰富的样本特征；三是现有的调制识别方法计算量大、网络模型复杂，无法满足实时检测的需求。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供了一种基于多尺度特征融合的复杂调制方式识别方法，以达到提升模型的学习能力，避免微弱信息的丢失，实现复杂调制信号快速准确的识别的目的。
[0007]为达到上述目的，本专利技术的技术方案如下：
[0008]一种基于多尺度特征融合的复杂调制方式识别方法，包括如下步骤：
[0009]步骤一，构建多尺度特征融合神经网络识别模型；
[0010]所述模型包括特征提取模块、反卷积融合模块和分类模块，所述特征提取模块由IQ数据提取子网络与频谱数据提取子网络并联组成，两条子网络均由3层卷积层与3层池化层组成；所述反卷积融合模块由4层融合层与3层反卷积层组成，所述分类模块由全连接层
和Softmax层组成；
[0011]步骤二，生成包含IQ数据与频谱数据的双模态数据样本，将双模态数据样本划分为训练集和验证集；
[0012]步骤三，利用训练集来训练模型，通过不断优化损失函数，得到模型的最优参数，并利用验证集来验证模型的正确性；
[0013]步骤四，载入经过验证后的模型最优参数，将待分类的调制信号数据进行预处理，得到包含IQ数据与频谱数据的双模态数据，将双模态数据输入到该模型中，模型的输出类别即为识别的调制类型。
[0014]上述方案中，步骤二中，生成双模态数据样本的方法如下：
[0015]通过MATLAB仿真生成包括BPSK、QPSK、8PSK、16PSK、16QAM、64QAM、2FSK、4FSK、8FSK、16FSK、2ASK、4ASK在内的12种不同类型的调制信号，每个信号由IQ两路组成，每路信号采样点数为1024，每种调制类型有10000个样本，共包含120000个IQ数据样本；对采集的IQ信号进行傅里叶变换，从而将信号的时域转换到频域上，得到120000个频谱数据样本；
[0016]将两种数据进行配对处理，使得一组数据样本中包含相对应的IQ数据样本与频谱数据样本，共生成120000组双模态数据样本；将双模态数据样本按照7:3的比例均匀划分为训练集和验证集。
[0017]上述方案中，步骤二中，使用交叉熵损失函数来训练模型，不断优化损失函数，并保存模型的最优参数；损失函数公式为：
[0018][0019]其中，y为真实标签值，为模型预测值，k为调制信号类别数。
[0020]上述方案中，模型的识别过程如下：
[0021]将预处理得到的IQ数据和频谱数据分别输入到两条子网络中，卷积层用于提取信号的空间特征，池化层对卷积提取的特征进行降维，提升后续特征的感受野；两条子网络并行处理，IQ数据和频谱数据经过3层卷积层与池化层操作后，分别得到不同尺度的IQ特征图A1、IQ特征图A2、IQ特征图A3和频谱特征图B1、频谱特征图B2、频谱特征图B3；
[0022]其次，将两个子网络得到的IQ特征图A3与频谱特征图B3输入融合层一进行通道维度融合，得到融合特征图一；
[0023]将融合特征图一输入反卷积层一中，通过对融合特征图一进行上采样处理，获得与IQ特征图A2、频谱特征图B2相同大小的反卷积特征图一；将反卷积特征图一、IQ特征图A2、频谱特征图B2输入至融合层二中，由于这3种特征图的大小相同，可直接在通道维度上进行融合，从而得到融合特征图二；
[0024]将融合特征图二输入到反卷积层二中，获得与IQ特征图A1、频谱特征图B1相同大小的反卷积特征图二，并将这3种特征图输入至融合层三中进行融合得到融合特征图三；
[0025]将融合特征图三输入到反卷积层三中，获得与输入的IQ数据和频谱数据相同大小的反卷积特征图三，并将这3种特征图输入至融合层四中进行融合得到融合特征图四；
[0026]最后，融合特征图四输入到分类模块中完成最后的识别，其中全连接层将信号特征空间映射至样本标记空间，并最终由Softmax层输出最后识别的调制类别。
[0027]通过上述技术方案，本专利技术提供的一种基于多尺度特征融合的复杂调制方式识别
方法具有如下有益效果：
[0028]1、本专利技术针对调制信号数据特征复杂的情况，使用具有两种模态的信号数据进行训练，增加了样本特征的多样性，提高了对复杂信号特征的学习能力。
[0029]2、本专利技术构建了多尺度特征融合神经网络识别模型，利用反卷积与前层特征图相融合，避免了微弱信息的丢失，加强了网络对特征的表征能力，从而解决了复杂调制信号之间差异不明显、深层特征提取困难的问题，实现在复杂的特征中提取出调制信号稳定的深层次特征并完成快速识别，提升了模型的识别准确率。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0031]图1为本专利技术实施例所公开的一种基于多尺度特征融合的复杂调制方式识别方法流程图；
[0032]图2为本专利技术所公开的多尺度特征融合神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征融合的复杂调制方式识别方法，其特征在于，包括如下步骤：步骤一，构建多尺度特征融合神经网络识别模型；所述模型包括特征提取模块、反卷积融合模块和分类模块，所述特征提取模块由IQ数据提取子网络与频谱数据提取子网络并联组成，两条子网络均由3层卷积层与3层池化层组成；所述反卷积融合模块由4层融合层与3层反卷积层组成，所述分类模块由全连接层和Softmax层组成；步骤二，生成包含IQ数据与频谱数据的双模态数据样本，将双模态数据样本划分为训练集和验证集；步骤三，利用训练集来训练模型，通过不断优化损失函数，得到模型的最优参数，并利用验证集来验证模型的正确性；步骤四，载入经过验证后的模型最优参数，将待分类的调制信号数据进行预处理，得到包含IQ数据与频谱数据的双模态数据，将双模态数据输入到该模型中，模型的输出类别即为识别的调制类型。2.根据权利要求1所述的一种基于多尺度特征融合的复杂调制方式识别方法，其特征在于，步骤二中，生成双模态数据样本的方法如下：通过MATLAB仿真生成包括BPSK、QPSK、8PSK、16PSK、16QAM、64QAM、2FSK、4FSK、8FSK、16FSK、2ASK、4ASK在内的12种不同类型的调制信号，每个信号由IQ两路组成，每路信号采样点数为1024，每种调制类型有10000个样本，共包含120000个IQ数据样本；对采集的IQ信号进行傅里叶变换，从而将信号的时域转换到频域上，得到120000个频谱数据样本；将两种数据进行配对处理，使得一组数据样本中包含相对应的IQ数据样本与频谱数据样本，共生成120000组双模态数据样本；将双模态数据样本按照7:3的比例均匀划分为训练集和验证集。3.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：潘一震，韩顺利，季桓勇，李春晖，张博，
申请(专利权)人：中国电子科技集团公司第四十一研究所，
类型：发明
国别省市：