一种基于Transformer网络的数字信号调制识别方法，属于数字信号调制识别方法领域。现有的调制识别技术的识别率低。一种基于Transformer网络的数字信号调制识别方法，包括：对输入信号进行预处理，以将IQ信号组合成能作为Transformer的输入序列；构建线性投影层，形成Transformer编码器的输入；利用Transformer编码器提取信号特征；选择Transformer编码器最终输出的第一行作为MLP Head的输入，将MLP Head的输出作为最终的分类结果；对接收到的信号进行解析，估计各个参数：结合循环重叠功率谱改进小波变换的算法，以及盲载频估计的步骤。本发明专利技术方法结合全局信息提取更强大的特征，所需参数少，计算速度快，识别精度高。精度高。精度高。
【技术实现步骤摘要】
一种基于Transformer网络的数字信号调制识别方法
[0001]本专利技术涉及一种数字信号的调制识别方法，特别涉及一种基于Transformer网络的数字信号调制识别方法。
技术介绍
[0002]通信在人类文明阶段一直影响着各项生产活动，随着信息技术的高速发展，通信技术不断更新，由最初的有线通信演变成现在的无线通信。而信道作为通信的物理媒介，实现了将信号从发送端到接收端的传送。无线信道由于具有带通特性不能直接传送数字基带信号，因此需要通过数字调制技术将基带信号变换为带通信号。对应的，接收端需要完成解调过程将基带信号还原。为了充分利用信道，满足如今人类的通信需求，通信信号会采用不同的调制方式。而调制方式的自动识别则是信号解调前的必要环节，识别出数字信号的调制方式之后，对信号的参数进行合理估计，即可对信号做出正确解调。
[0003]近年来随着第五代移动通信技术(The 5th Mobile Communication Technology，5G)以及作为工业4.0产业革命中重要技术驱动力的工业物联网(Industrial Internet of Things，IIOT)等各类新兴无线业务网的大规模铺设和蓬勃发展，频谱只会更加拥堵，若不采取合理措施这将极大地影响和限制无线业务性能。
[0004]在认知无线电系统中，由于它需要自主选择空闲的频谱，来实现频谱的充分利用，所以调制识别与参数估计对于该系统来说非常重要，只有准确识别出调制类型以及符号速率、频率偏移等通信参数信息，才能确定当前调制信号的频谱宽度，进而准确的实现后续的解调等操作。
[0005]在非协作通信中，由于通信系统接收端预先无法获得发送端精确的载波与其它信号参数信息，如果算法的适应性弱将导致对某类信号的识别准确率低。对于需要在先验知识不足的情况下被有效识别，这就要求必须在紧急情况下快速、准确的识别出调制方式和参数信息，才能执行后续的解调、译码等操作。另外，调制识别与参数估计对于检测非法干扰信号、地震预测等方面也具有重要意义。
[0006]随着数字通信的发展速度越来越快，一度成为当代通信技术的主流。与模拟通信相比，数字通信的特点是：抗干扰能力强，无噪声积累；易于加密处理，且保密性强；易于储存、处理和交换；设备易于集成化、微型化；易于构成综合数字网和综合业务数字网。虽然频带利用率不高、且对同步要求高使得系统设备较复杂，但随着窄带调制技术和超大规模集成电路的发展，数字通信的这些缺点已经弱化，并且会在今后的通信技术中逐渐取代模拟通信。另外，随着信道环境的日益恶化，在无线通信中存在着大量噪声和干扰，导致传统的调制识别在低信噪比的环境下识别率大幅降低，甚至无法实现对某类信号的调制识别。虽然，因此，如何克服大量噪声对调制识别的影响，提升调制识别和参数估计在低信噪比下的效果是有待解决的技术问题，所以，本专利技术对通信信号中的数字信号的调制识别和参数估计展开研究，以解决现有的调制识别技术的识别率低的问题。
技术实现思路
[0007]本专利技术的目的是为了解决现有的调制识别技术的识别率低的问题，而提出一种基于Transformer网络的数字信号调制识别方法。
[0008]上述目的通过以下的技术方案实现：
[0009]一种基于Transformer网络的数字信号调制识别方法，所述方法通过以下步骤实现：
[0010]步骤一、对输入信号进行预处理，以将IQ信号组合成能作为Transformer的输入序列；即：将IQ两个序列合并成一个向量，将向量重构成矩阵；之后将矩阵分成若干份小块矩阵，选取小块矩阵的每一行依次构成一组序列，将若干份小块矩阵构成的组序列作为线性投影层的输入；
[0011]步骤二、构建线性投影层，形成Transformer编码器的输入；即：
[0012]线性投影层是Transformer编码器的第一部分，介于预处理和Transformer Encoder之间，将预处理阶段输出的所有结果序列组构成矩阵R1，并将矩阵R1加入学习令牌形成新的矩阵R2；之后，将位置编码嵌入到矩阵R2中组成R3，将矩阵R3作为Transformer编码器的输入；
[0013]步骤三、利用Transformer编码器提取信号特征；其中，所述的Transformer编码器包括N个相同的层，每层的输出作为下一层的输入，每一层包括多头自注意和全连接前馈网络Feed Forward两个子层；此外，每个子层增加残差连接和层归一化操作；
[0014]步骤四、选择Transformer编码器最终输出的第一行作为MLP Head的输入，将MLP Head的输出作为最终的分类结果；MLP Head的全称是Multilayer Perceptron，中文含义是多层感知器；
[0015]步骤五、对接收到的信号进行解析，估计各个参数；包括：结合循环重叠功率谱改进小波变换的算法，以及盲载频估计的步骤。
[0016]进一步地，步骤三所述的利用Transformer编码器提取信号特征的步骤，具体包括：
[0017](1)构造以缩放点积的形式计算输入向量之间的相关性，并通过值向量的加权求和得到输入向量对应的特征向量的自注意机制，对应的数学表达式为：
[0018]Q＝R3W
Q
，W＝R3W
W
，V＝R3W
V
[0019][0020]式中，R3为线性投影层的输出，W
Q
，W
W
，W
V
代表Q,K,V匹配的矩阵，d
k
是向量K的维度；
[0021](2)构造采用点积缩放注意块对输入向量进行并行编码，并通过拼接得到最终的编码向量的多头自注意机制，对应的数学表达式为：
[0022][0023][0024]式中，X
n
为第i层编码器的输入矩阵,代表第n层编码器的第i个多头自注意机制的矩阵；
[0025](3)确定包含两个全连接层、两个线性变换和一个非线性函数前馈网络，对应的数学表达式，如下式所示：
[0026]FF(A
n
)＝max(0，A
n
W1+b1)W2+b2[0027]式中，A
n
代表多头自注意子层的输出。
[0028]进一步地，步骤五中所述的结合循环重叠功率谱改进小波变换的算法的步骤，具体为：
[0029](1)利用循环重叠Welch功率谱对载频进行粗估计；
[0030](2)对含噪信号进行离散小波消噪，具体为：
[0031]采用两次小波消噪，一次是在提取瞬时相位基带序列之前，一次是在提取瞬时相位基带序列之后；
[0032](3)提取瞬时相位基带序列，具体为：
[0033]对信号作Hilbert变换，计算其瞬时相位；之后，修正相位序列，得到无折叠相位；之后，进行去线性相位处理；
[0034](4)对所得瞬时相位基带序列进行小波变换；
[0035](5)计本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于Transformer网络的数字信号调制识别方法，其特征在于：所述方法通过以下步骤实现：步骤一、对输入信号进行预处理，以将IQ信号组合成能作为Transformer的输入序列；即：将IQ两个序列合并成一个向量，将向量重构成矩阵；之后将矩阵分成若干份小块矩阵，选取小块矩阵的每一行依次构成一组序列，将若干份小块矩阵构成的组序列作为线性投影层的输入；步骤二、构建线性投影层，形成Transformer编码器的输入；即：线性投影层是Transformer编码器的第一部分，介于预处理和Transformer Encoder之间，将预处理阶段输出的所有结果序列组构成矩阵R1，并将矩阵R1加入学习令牌形成新的矩阵R2；之后，将位置编码嵌入到矩阵R2中组成R3，将矩阵R3作为Transformer编码器的输入；步骤三、利用Transformer编码器提取信号特征；其中，所述的Transformer编码器包括N个相同的层，每层的输出作为下一层的输入，每一层包括多头自注意和全连接前馈网络Feed Forward两个子层；此外，每个子层增加残差连接和层归一化操作；步骤四、选择Transformer编码器最终输出的第一行作为MLP Head的输入，将MLP Head的输出作为最终的分类结果；MLP Head的全称是Multilayer Perceptron，中文含义是多层感知器；步骤五、对接收到的信号进行解析，估计各个参数；包括：结合循环重叠功率谱改进小波变换的算法，以及盲载频估计的步骤。2.根据权利要求1所述的一种基于Transformer网络的数字信号调制识别方法，其特征在于：步骤三所述的利用Transformer编码器提取信号特征的步骤，具体包括：(1)构造以缩放点积的形式计算输入向量之间的相关性，并通过值向量的加权求和得到输入向量对应的特征向量的自注意机制，对应的数学表达式为：Q＝R3W
Q
，W＝R3W
W
，V＝R3W
V
式中，R3为线性投影层的输出，W
Q
，W
W
，W
V
代表Q,K,V匹配的矩阵，d
k
是向量K的维度；(2)构造采用点积缩放注意块对输入向量进行并行编码，并通过拼接得到最终的编码向量的多头自注意机制，对应的数学表达式为：向量的多头自注意机制，对应的数学表达式为：式中，X
n
为第i层编码器的输入矩阵,代表第n层编码器的第i个多头自注意机制的矩阵；(3)确定包含两个全连接层、两个线性变换和一个非线性函数前馈网络，对应的数学表达式，如下式所示：FF(A
n
...
【专利技术属性】
技术研发人员：姜开元，侯波，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。