基于多域混合注意力的调制信号识别方法技术

本发明专利技术提出了一种基于多域混合注意力的调制信号识别方法，主要解决现有方法提取特征不完备、在低信噪比下识别准确率较低的问题。方案包括：1)对离散复信号进行预处理，得到I/Q/A/P/F序列；2)构建空间特征提取模块提取序列的幅度等波形特征；3)利用离散余弦变换得到频域特征，并通过频域注意力模块提取不同频率分量的特征信息；4)构建时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。本发明专利技术能够获取不同域特征间的关联、互补性，增强模型稳定性及可靠性，有效提升低信噪比下各调制信号的识别准确率。低信噪比下各调制信号的识别准确率。低信噪比下各调制信号的识别准确率。

【技术实现步骤摘要】
基于多域混合注意力的调制信号识别方法


[0001]本专利技术属于无线通信
，进一步涉及通信信号调制识别技术，具体为一种基于多域混合注意力的调制信号识别方法，可用于在电子战中对无线电信号的调制类型进行识别。

技术介绍

[0002]自动调制识别是接收方从获取的信号中提取有效特征，通过分析提取的特征，进一步识别调制信号的具体方式。自动调制识别是非协作通信中的第一步，也是保障通信系统正常工作的关键，目前广泛应用于军事领域和民用领域。
[0003]在军用领域中，自动调制识别可用于对无线电信号进行监测和侦察，从而获取敌方通信系统的信息，以便进行军事情报收集和作战指挥。在民用领域中，自动调制识别可用于对无线电通信设备的调制方式进行识别，实现自动化的频谱监测和规划，还可用于对无线电信号的质量评估和调制方式的优化，以便提高通信系统的有效性和可靠性。
[0004]随着对通信质量的需求日益增加且通信环境越发复杂的同时，调制方式也变得越来越多样化。第五代移动通信技术逐渐从研究层面落实到具体应用，其核心技术认知无线电对频谱资源进行重配置时，需要对用户的调制信号进行识别，并做进一步分析才能获取重置参数，对自动调制识别(Automatic Modulation Recognition，AMR)技术有更高的性能要求。因此，针对自动调制识别技术研究出一种高性能的调制识别方法能够有效推动下一代移动通信技术发展。
[0005]目前传统的调制识别方法包括似然比和特征提取，都需要对调制信号的特征进行提取，通过决策树、支持向量机等方法进行识别。提取特征的过程计算复杂度高、泛化能力弱，难以适应日趋复杂的通信环境，易受噪声、频率偏移和时钟偏移等影响导致低信噪比条件下识别性能大幅下降。随着近几年深度学习的快速发展，陆续有学者将该技术应用于信号调制识别领域。文献[Zang K,Ma Z.Automatic modulation classification based on hierarchical recurrent neural networks with grouped auxiliary memory[J].IEEE Access,2020,8:213052
‑
213061]中，Zang K和Ma Z提出了一种具有分组辅助存储器的分层循环神经网络结构，以信号的IQ数据作为网络的输入，能够捕获信号的长期依赖特征，实验结果表明，该方法能够处理具有不同参数的可变长度信号输入，并且在高信噪比下能够有效识别各调制信号。文献[Liang R,Yang L,Wu S,et al.A three
‑
stream cnn
‑
lstm network for automatic modulation classification[C]//2021 13th International Conference on Wireless Communications and Signal Processing(WCSP),2021:1
‑
5]中，Liang R和Yang L等人提出了一种基于CNN和LSTM网络的多分支调制识别方法，对IQ数据进行预处理，获得信号的幅度特征、频率特征和相位特征并分别作为三个分支的输入，卷积神经网络(Convolutional Neural Networks，CNN)提取信号的空间特征，长短期记忆网络(Long and Short Term Memory，LSTM)提取信号的时间特征，实验结果表明，该方法能够有效提高各调制方式的识别准确率。通过对调制识别领域的主流算法进行深入分析，基于
深度学习的方法能达到较优的识别性能和泛化能力，不需要人为选择特征，并能够挖掘调制信号的深层特征。但目前用于自动调制识别的网络架构主要采用CNN、循环神经网络(Recurrent Neural Networks，RNN)两种结合的网络，该方法提取的自适应特征有一定的冗余性，在低信噪比或者调制类型较多时，表征特征的能力有待提高。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提出一种基于多域混合注意力的调制信号识别方法，解决现有识别方法提取特征的计算复杂度高、泛化能力弱，难以适应日趋复杂的通信环境，易受噪声、频率偏移和时钟偏移等影响导致低信噪比条件下识别性能大幅下降的问题。首先通过对原始IQ数据进行处理，获得信号时域和频域的特征，然后利用CNN的局部感受野和时间特征提取模块Conformer的自注意力机制提取数据内部的特征依赖关系，获取不同域特征间的关联性和互补性，从而增强信号识别模型的稳定性和可靠性，有效提升各调制信号的识别准确率。
[0007]本专利技术实现上述目的具体步骤如下：
[0008](1)对数据集中的离散复信号进行预处理，转换为时域特征，即I/Q序列和A/P/F序列，并对其进行拼接获得联合特征向量；
[0009](2)构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块，将联合特征向量输入至该模块，获取调制信号的波形特征并投影至高维连续空间，得到调制信号的空间特征；
[0010](3)由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块，将空间特征输入至该模块，经过频域注意力模块提取调制信号频率分量中的有效信息，得到频域特征；
[0011](4)由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块，其中各个模块间均采用残差连接和层规范化，所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征；将空间特征和频域特征输入至时间特征提取模块，经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；
[0012](5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。
[0013]本专利技术与现有技术相比，具有以下优点
[0014]第一、由于本专利技术通过CNN的局部感受野提取调制信号相邻采样点间的空间特征信息，并实现了与时间特征提取模块的适配，进一步增强模型提取调制信号的空间特征与时间特征；
[0015]第二、本专利技术利用一维离散余弦变换获得调制信号全面且丰富的频域特征，通过频域注意力机制提取调制信号中对识别贡献度大的频率分量，进而有效提高识别准确率；
[0016]第三、本专利技术利用交叉注意力机制充分融合调制信号的时域和频域特征，关注不同域之间的关联性和互补性，从而学习到信号深层次的差异特征；
[0017]第四、由于本专利技术以空间特征提取模块、频域注意力模块和时间特征提取模块搭建调制信号识别网络，通过空间特征提取模块提取相邻采样点间的空间特征、频域注意力模块提取更精细的频域特征和时间特征提取模块对调制信号时域和频域特征的融合能力，
从而能够有效提升各调制信号的识别准确率。
附图说明
[0018]图1为本专利技术方法的实现流程图；
[0019]图2为本专利技术的空间特征提取模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多域混合注意力的调制信号识别方法，其特征在于，具体包括如下步骤：(1)对数据集中的离散复信号进行预处理，转换为时域特征，即I/Q序列和A/P/F序列，并对其进行拼接获得联合特征向量；(2)构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块，将联合特征向量输入至该模块，获取调制信号的波形特征并投影至高维连续空间，得到调制信号的空间特征；(3)由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块，将空间特征输入至该模块，经过频域注意力模块提取调制信号频率分量中的有效信息，得到频域特征；(4)由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块，其中各个模块间均采用残差连接和层规范化，所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征；将空间特征和频域特征输入至时间特征提取模块，经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；(5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。2.根据权利要求1所述的方法，其特征在于：所述步骤(1)实现如下：假设接收信号为y
n
：y
n
＝y
I
(n)+jy
Q
(n)；其中，y
I
(n)和y
Q
(n)分别表示接收信号的第n个样本的同相分量和正交分量，n＝0,1,...,N
‑
1，N表示接收信号的长度；j表示虚部。I/Q序列表示为：A/P/F序列表示为：其中，瞬时幅度表达式为瞬时相位表达式为瞬时频率表达式为y
F
(n)＝y
P
(n)
‑
y
P
(n
‑
1)。3.根据权利要求1所述的方法，其特征在于：步骤(2)中将联合特征向量输入至空间特征提取模块，该模块首先利用三个卷积层对联合特征向量进行扫描，提取相邻采样点间的空间特征信息，其次经过批归一化层和ReLU激活函数层处理，最后经过最大池化层提取调制信号特征的细节信息并通过随机丢弃层处理，最终得到空间特征提取模块的输出其中L表示通道数。4.根据权利要求3所述的方法，其特征在于：所述空间特征提取模块，具体参数设置如
下：卷积核采用一维卷积，一维卷积的输入通道为5，分别为I、Q、A、P和F，输出通道卷积核的数目为128、大小为1
×
3、步长为1；输入数据的格式为(512,5,128)，其中512为批尺寸大小，128为每一条数据的采样点数；以128个1
×
3大小的卷积核对数据进行扫描，提取相邻采样点之间的空间特征，一维卷积模块的输出矩阵大小为(512,128,128)；卷积输出之后由最大池化层提取相邻采样点的纹理信息，卷积核大小1
×
3，步长为1。5.根据权利要求1所述的方法，其特征在于：步骤(3)中的频域特征，具体按照如下步骤得到：(3.1)将空间特征提取模块得到的特征向量沿通道维度进行分割，得到C个组特征[X0,X1,...,X
C
‑1]；(3.2)对分割后的每组特征进行一维离散余弦变换DCT，提取信号不同频率分量的特征；将计算得到的各频率分量进行拼接，得到DCT处理后的结果；(3.3)将DCT提取的特征通过线性映射层进行降维，再通过线性映射层将特征投影至原始维度，经过Sigmoid归一化处理得到赋予权重的特征向量；在通道维度上实现输入特征的重标定，将得到的频域特征分别作用于输入矩阵，得到带注意力权重的频率特征向量S
f
：S
f
＝σ(W2δ(W1·
Freq))，其中，σ代表Sigmoid激活函数，δ代表ReLU激活函数，W1代表全连接层降维的系数，W2代表全连接层升维的系数。6.根据权利要求1所述的方法，其特征在于：步骤(4)中时间特征提取模块以时域特征和频域特征作为输入，具体结构依次为：残差连接
‑
>...

【专利技术属性】
技术研发人员：王海，师梦瑶，张敏，董优强，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：