一种基于马尔可夫转换场与深度学习的调制识别方法技术

本发明专利技术提供了一种基于马尔可夫转换场与深度学习的调制识别方法，涉及认知无线电技术领域，包括如下步骤：S1、接收无线电信号，利用无线电信号的同相/正交数据生成马尔可夫转换场特征；S2、将所述马尔可夫转换场特征降维并重塑，然后与同相/正交数据拼接为混合数据；S3、建立并训练卷积辅助的Transformer模型，得到训练后的Transformer模型；S4、使用训练后的Transformer模型识别未知信号的调制方式，以所述混合数据的测试集作为输入，以调制方式标签作为输出。本发明专利技术使用I/Q序列和马尔可夫转移图两种互补的数据作为模型的输入，极大的提升了识别精度。本发明专利技术所提卷积辅助Transformer模型能够同时提取数据的局部与全局特征，增强了识别精度。增强了识别精度。增强了识别精度。

【技术实现步骤摘要】
一种基于马尔可夫转换场与深度学习的调制识别方法


[0001]本专利技术涉及认知无线电
，具体而言，尤其涉及一种基于马尔可夫转换场与深度学习的调制识别方法。

技术介绍

[0002]随着物联网设备的广泛使用和第五代(5G)通信技术的广泛应用，现代社会对频谱资源的需求迅速增长，电磁环境也变得越来越复杂。为了解决当前的无线电频谱管理问题，利用认知无线电(CR)技术开发了智能系统，可以有效地缓解上述问题。自动调制识别(AMR)是CR的一个有效基本部分，可以在未知信道和噪声条件下自动识别接收信号的调制方案。因此，AMR在干扰识别、频谱监测和军事威胁分析等军事和民用通信应用中发挥着关键作用。
[0003]传统的AMR方法可以分为基于似然(LB)的方法和基于特征(FB)的方法。然而，由于无线通信数据的爆炸式增长和电磁环境的高度复杂性，传统的算法难以实现快速、精确的调制识别。基于数据驱动的深度学习(DL)方法已经成为解决AMR问题的流行选择。
[0004]常用的基于DL的AMR方法主要包括卷积神经网络(CNN)、递归神经网络(RNN)和变压器方法。CNN能够通过使用权重共享滤波器对数据进行卷积操作来快速提取特征。然而，CNN不能有效地利用信号中的时间信息。RNN能够提取时间序列的长距离依赖。因此，一些研究人员将CNN和RNN结合起来，融合了时空特征，有效地提高了识别精度。然而，它会增加额外的计算量，并且RNN的训练非常困难。最近，具有全局建模能力的Transformer模型被用于AMR，证明了Transformer在AMR任务中的有效性。然而，这些方法具有较高的计算复杂度，并可能会严重降低对短信号的识别性能。因此需要开发轻量并且有效的AMR算法。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种基于马尔可夫转换场与深度学习的调制识别方法，首先设计混合特征，利用同相/正交(I/Q)信号与马尔可夫转移场特征的互补性提升识别精度。然后，提出了基于卷积辅助Transformer的调制识别算法，可用于无线电信号的调制方式识别。通过该方法提高了无线电信号调制方式识别方法在实际应用中的可靠性。
[0006]本专利技术采用的技术手段如下：
[0007]一种基于马尔可夫转换场与深度学习的调制识别方法，包括如下步骤：
[0008]S1、接收无线电信号，利用无线电信号的同相/正交数据生成马尔可夫转换场特征；
[0009]S2、将所述马尔可夫转换场特征降维并重塑，然后与同相/正交数据拼接为混合数据；
[0010]S3、建立并训练卷积辅助的Transformer模型，得到训练后的Transformer模型；
[0011]S31、建立二维卷积降采样模块，所述二维卷积降采样模块包含三个二维卷积，对
输入信号数据的初步特征提取和降维；
[0012]S32、将类别令牌与位置关系嵌入初步提取的特征中；
[0013]S33、建立卷积辅助编码器，以S31的初步特征为输入，以可训练的参数融合的全局特征与局部特征为卷积辅助编码器的输出；
[0014]S34、采用全连接层分类器对最后一个卷积辅助编码器的输出特征中的类别令牌通过线性层输出每个类别可能的概率，对概率取最大值，输出类别结果；
[0015]S35、将公开数据集按照比例划分为训练集、验证集和测试集，其中，训练集用于训练，以所述有标签混合数据形式作为提出的卷积辅助Transformer的输入，使用交叉熵损失函数计算输出概率与真实标签的损失值，通过梯度下降算法根据损失值来优化模型参数；
[0016]S4、使用训练后的Transformer模型识别未知信号的调制方式，以所述混合数据的测试集作为输入，以调制方式标签作为输出。
[0017]进一步地，所述训练集、验证集和测试集包含于数据集中，所述训练集、验证集和测试集的划分比例为7：1：2，所述数据集为开源数据集RadioML2016.10a，包含11种调制方式：8PSK，AM
‑
DSB，AM
‑
SSB，BPSK，QPSK，8PSK，16QAM，64QAM，BFSK，CPFSK，WBFM，信噪比范围
‑
20dB至20dB，间隔2dB，信号的长度为128。
[0018]进一步地，S1包括如下步骤：
[0019]首先对和同相/正交一维序列进行分组处理，每组的数量通过下式计算得出：
[0020][0021]其中，IR表示x
I
的四分位数范围，分组数量可以通过B得到，为
[0022][0023]当Q不是整数时，取最接近的2
x
，x∈[3,4,5,6]，I信道信号序列中的每个点都被分配到相应的bins(b
i
,b
j
)，其中i,j＝(1,2,
…
,Q)，通过计算bins间的转移概率得到一个加权邻接矩阵W，公式为：
[0024][0025]其中，m
i,j
为b
i
中的样本和b
j
中的样本之间的转移概率，马尔可夫转换场矩阵M通过将W归一化并按照时间顺序表示转移概率得到；
[0026][0027]其中，表示一个点s
p
∈b
i
到s
q
∈b
j
的转移概率,p,q＝(1,2,
…
,n)，M
I
为主对角线上的元素表示自转移的概率，x
Q
转换为M
Q
，并将M
I
和M
Q
加在一起：
[0028]M
IQ
＝M
I
+M
Q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]生成的MTF矩阵M
IQ
的大小为n
×
n，使用高斯模糊方法调整到合适的大小，将MTF矩阵的维数降低并重塑为同相/正交序列的形状，混合特征通过将MTF序列的同相/正交序列与MTF特征连接得到：
[0030]F
IQM
＝concat(x
IQ
,reshape(M
IQ
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0031]其中，concat表示特征拼接操作，reshape是变换维数的函数，
[0032]进一步地，S33中所述卷积辅助编码器包括沙漏注意力与卷积残差连接；所述沙漏注意力由两个线性层和多头自注意力组成，两个线性层通过缩减和扩大特征的通道以降低计算复杂度；当特征进入沙漏注意力时，通过首个线性层后通道减半，多头自注意力进行点积计算生成全局的权值矩阵，该权值矩阵与特征相乘能够实现有效特征的增强与无效特征的抑制，生成全局特征；全局特征通过线性层还原为原始通道数。
[0033]进一步地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于马尔可夫转换场与深度学习的调制识别方法，其特征在于，包括如下步骤：S1、接收无线电信号，利用无线电信号的同相/正交数据生成马尔可夫转换场特征；S2、将所述马尔可夫转换场特征降维并重塑，然后与同相/正交数据拼接为混合数据；S3、建立并训练卷积辅助的Transformer模型，得到训练后的Transformer模型；S31、建立二维卷积降采样模块，所述二维卷积降采样模块包含三个二维卷积，对输入信号数据的初步特征提取和降维；S32、将类别令牌与位置关系嵌入初步提取的特征中；S33、建立卷积辅助编码器，以S31的初步特征为输入，以可训练的参数融合的全局特征与局部特征为卷积辅助编码器的输出；S34、采用全连接层分类器对最后一个卷积辅助编码器的输出特征中的类别令牌通过线性层输出每个类别可能的概率，对概率取最大值，输出类别结果；S35、将公开数据集按照比例划分为训练集、验证集和测试集，其中，训练集用于训练，以所述有标签混合数据形式作为提出的卷积辅助Transformer的输入，使用交叉熵损失函数计算输出概率与真实标签的损失值，通过梯度下降算法根据损失值来优化模型参数；S4、使用训练后的Transformer模型识别未知信号的调制方式，以所述混合数据的测试集作为输入，以调制方式标签作为输出。2.根据权利要求1所述的基于马尔可夫转换场与深度学习的调制识别方法，其特征在于，所述训练集、验证集和测试集包含于数据集中，所述训练集、验证集和测试集的划分比例为7：1：2，所述数据集为开源数据集RadioML2016.10a，包含11种调制方式：8PSK，AM
‑
DSB，AM
‑
SSB，BPSK，QPSK，8PSK，16QAM，64QAM，BFSK，CPFSK，WBFM，信噪比范围
‑
20dB至20dB，间隔2dB，信号的长度为128。3.根据权利要求1所述的基于马尔可夫转换场与深度学习的调制识别方法，其特征在于，S1包括如下步骤：首先对和同相/正交一维序列进行分组处理，每组的数量通过下式计算得出：其中，IR表示x
I
的四分位数范围，分组数量可以通过B得到，为当Q不是整数时，取最接近的2
x
，x∈[3,4,5,6]，I信道信号序列中的每个点都被分配到相应的bins(b
i
,b
j
)，其中i,j＝(1,2,
…
,Q)，通过计算bins间的转移概率得到一个加权邻接矩阵W，公式为：
其中，m
i,
为b
i
中的样本和b
j
中的样本之间的转移概率，马尔可夫转换场矩阵M通过将W归一化并按照时间顺序表示转移概率得到；其中，表示一个点s
p
∈b
i
到s
q
∈b
j
的转移概率,p,q＝(1,2,
…
,n)，M
I
为主对角线上的元素表示自转移的概率，x
Q
转换为M
Q
，并将M
I
和M
Q
加在一起：M
IQ
＝M
I
+M
Q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)生成的MTF矩阵M
IQ
的大小为n
×
n，使用高斯模糊方法调整到合适的大小，将MTF矩阵的维数降低并重塑为同相/正交序列的形状，混合特征通过将MTF序列的同相/正交序列与MTF特征连接得到：F
IQM
＝concat(x
IQ
,reshape(M
IQ
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，concat表示特征拼接操作，reshape是变换维数的函数，4.根据权利要求1所述的基于马尔可夫转换场与深度学习的调制识别方法，其特征在于，S33中所述卷积辅助编码器包括...

【专利技术属性】
技术研发人员：马济通，胡牧天，边文霖，包文强，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：