一种快速高精度调制识别方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种快速高精度调制识别方法、装置、设备及介质，整体方案设计包括小样本表征技术、多模态学习技术两个部分。在推理阶段使用小样本表征技术，对待识别信号进行N点采样，其中N<N

【技术实现步骤摘要】
一种快速高精度调制识别方法、装置、设备及介质


[0001]本专利技术涉及通信
，具体涉及一种快速高精度调制识别方法、装置、设备及介质。

技术介绍

[0002]无线电频谱是无线通信系统中至关重要的资源，为了在无线通信中实现高效和可靠的通信，必须采用无线电频谱感知技术实现对频谱资源的管理和调度。在无线电频谱感知技术中，调制识别在通信领域中扮演着至关重要的角色，特别是在软件无线电和军事应用等领域。通过对接收信号的调制方式进行准确识别，研究者们能够更好地理解信号的特性和结构，并采取相应的解调和处理方法，以实现可靠的数据传输和有效的通信系统性能。
[0003]基于深度学习的调制识别在模态数据的使用大体上分为两类，一类是序列模态数据，另一类是图像模态数据。前者常见模态数据有IQ序列，幅值相位序列，快速傅里叶变换序列等。后者常见模态数据有星座图，眼图，特征点图，光谱相关函数图像等。大量的研究实验证明基于深度学习的调制识别在各种模态数据取得不错的识别性能。然而，对于调制识别的研究，尚未充分探索利用多模态数据的潜力，尽管这种方法具有更好的学习能力。
[0004]随着通信技术的迅猛发展，通信环境日益复杂，频谱资源变得越来越有限；因此，对于调制识别的要求也变得更加迫切，需要实现更快速的识别速度。但是，在基于深度学习的调制识别系统中，信号采样时间对于实现快速高精度调制识别至关重要；在信号分析中，缩短采样时间意味着减少信号的样本数，这对于调制方式的准确识别带来了不利影响；即缩短采样时间和识别准确度之间是相互矛盾的。因此，现有的快速高精度调制识别方法的主要挑战在于识别准确度和采样时间缩短之间找到一个平衡点，以解决快速采样的同时还要保证识别的准确度的问题。
[0005]有鉴于此，提出本申请。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种快速高精度调制识别方法、装置、设备及介质，能够有效解决现有技术中的快速高精度调制识别方法存在减少样本会带来的识别精度损失，进而影响识别的准确率的问题。
[0007]本专利技术公开了一种快速高精度调制识别方法,包括：
[0008]获取待识别的通信信号，并对所述通信信号进行信号采样处理，生成多个信号样本；
[0009]对每一所述信号样本进行分类处理，生成图像表征和序列表征，其中，所述图像表征的分辨率为(W,H)，所述序列表征的长度为N，W为所述图像表征的宽度，H为所述图像表征的高度；
[0010]对所述图像表征的分辨率(W,H)进行自适应处理，转换生成多模态学习图像表征输入分辨率(W
′
,H
′
)；
[0011]对所述序列表征的长度N进行自适应处理，转换生成多模态学习序列表征输入长度N
′
；
[0012]利用深度神经网络分别对所述多模态学习图像表征输入分辨率(W
′
,H
′
)和所述多模态学习序列表征输入长度N
′
进行深度特征提取处理，生成图像表征特征向量以及序列表征特征向量；
[0013]将所述图像表征特征向量和所述序列表征特征向量进行特征融合处理，生成融合特征向量；
[0014]将所述融合特征向量输送至分类器中进行分类判决处理，生成调制识别结果，其中，所述调制识别结果为分类器处理后得到判决结果。
[0015]优选地，生成的多个所述信号样本的个数要小于训练阶段信号表征所使用的样本数。
[0016]优选地，对所述图像表征的分辨率(W,H)进行自适应处理，转换生成多模态学习图像表征输入分辨率(W
′
,H
′
)，具体为：
[0017]根据公式对所述图像表征的分辨率(W,H)和预设目标图像的分辨率(W
″
,H
″
)进行计算处理，生成宽度缩放因子S
x
和高度缩放因子S
y
，其中，W为所述预设目标图像的宽度，H为所述预设目标图像的高度；
[0018]根据公式对所述宽度缩放因子S
x
、所述高度缩所述图像表征的放因子S
y
和所述预设目标图像的像素位置(x
′
,y
′
)进行计算处理，生成所述图像表征的像素位置(x,y)，其中，所述图像表征的像素位置(x,y)的四个最近邻像素坐标分别为(x1,y1)，(x2,y1)，(x1,y2)，(x2,y2)，(x1,y1)为左上角邻像素坐标，(x2,y1)为右上角邻像素坐标，(x1,y2)为左下角邻像素坐标，(x2,y2)为右下角邻像素坐标；
[0019]根据公式d
x
＝x
‑
x1,d
y
＝y
‑
y1对所述图像表征的像素位置(x,y)和所述左上角邻像素坐标(x1,y1)进行计算处理，生成所述图像表征的像素位置(x,y)相对于所述左上角邻像素的偏移量(d
x
,d
y
)；
[0020]对所述左上角邻像素坐标(x1,y1)、所述右上角邻像素坐标(x2,y1)、所述下角邻像素坐标(x1,y2)、所述右下角邻像素坐标(x2,y2)和所述偏移量(d
x
,d
y
)进行加权平均计算处理，生成所述预设目标图像的像素位置的像素值f(x
′
,y
′
)，其中，f(x
′
,y
′
)＝(1
‑
d
x
)*(1
‑
d
y
)+d
x
*f(x2,y1)+(1
‑
d
x
)*d
y
*f(x1,y2)+d
x
*d
y
*f(x2,y2)；
[0021]重复上述步骤计算所述预设目标图像中所有的预设像素位置的像素值，生成多模态学习图像表征输入分辨率(W
′
,H
′
)，其中，所述多模态学习图像表征输入分辨率(W
′
,H
′
)与所述预设目标图像的分辨率(W
″
,H
″
)一致。
[0022]优选地，对所述序列表征的长度N进行自适应处理，转换生成多模态学习序列表征输入长度N
′
，具体为：
[0023]根据公式对所述序列表征的长度N和预设目标复数序列长度N
″
进行计算处理，生成所述序列表征和所述预设目标复数序列的长度关系n；
[0024]对所述序列表征进行多次拼接，得到长度为预设长度值的复数序列，其中，所述预
设长度值为N
n
；
[0025]对所述复数序列进行前N
″
长度截断处理，生成多模态学习序列表征输入长度N
′...

【技术保护点】

【技术特征摘要】
1.一种快速高精度调制识别方法,其特征在于，包括：获取待识别的通信信号，并对所述通信信号进行信号采样处理，生成多个信号样本；对每一所述信号样本进行分类处理，生成图像表征和序列表征，其中，所述图像表征的分辨率为(W,H)，所述序列表征的长度为N，W为所述图像表征的宽度，H为所述图像表征的高度；对所述图像表征的分辨率(W,H)进行自适应处理，转换生成多模态学习图像表征输入分辨率(W
′
,H
′
)；对所述序列表征的长度N进行自适应处理，转换生成多模态学习序列表征输入长度N
′
；利用深度神经网络分别对所述多模态学习图像表征输入分辨率(W
′
,H
′
)和所述多模态学习序列表征输入长度N
′
进行深度特征提取处理，生成图像表征特征向量以及序列表征特征向量；将所述图像表征特征向量和所述序列表征特征向量进行特征融合处理，生成融合特征向量；将所述融合特征向量输送至分类器中进行分类判决处理，生成调制识别结果，其中，所述调制识别结果为分类器处理后得到判决结果。2.根据权利要求1所述的一种快速高精度调制识别方法，其特征在于，生成的多个所述信号样本的个数要小于训练阶段信号表征所使用的样本数。3.根据权利要求1所述的一种快速高精度调制识别方法，其特征在于，对所述图像表征的分辨率(W,H)进行自适应处理，转换生成多模态学习图像表征输入分辨率(W
′
,H
′
)，具体为：根据公式对所述图像表征的分辨率(W,H)和预设目标图像的分辨率(W
″
,H
″
)进行计算处理，生成宽度缩放因子S
x
和高度缩放因子S
y
，其中，W为所述预设目标图像的宽度，H为所述预设目标图像的高度；根据公式对所述宽度缩放因子S
x
、所述高度缩所述图像表征的放因子S
y
和所述预设目标图像的像素位置(x
′
,y
′
)进行计算处理，生成所述图像表征的像素位置(x,y)，其中，所述图像表征的像素位置(x,y)的四个最近邻像素坐标分别为(x1,y1)，(x2,y1)，(x1,y2)，(x2,y2)，(x1,y1)为左上角邻像素坐标，(x2,y1)为右上角邻像素坐标，(x1,y2)为左下角邻像素坐标，(x2,y2)为右下角邻像素坐标；根据公式d
x
＝x
‑
x1,d
y
＝y
‑
y1对所述图像表征的像素位置(x,y)和所述左上角邻像素坐标(x1,y1)进行计算处理，生成所述图像表征的像素位置(x,y)相对于所述左上角邻像素的偏移量(d
x
,d
y
)；对所述左上角邻像素坐标(x1,y1)、所述右上角邻像素坐标(x2,y1)、所述下角邻像素坐标(x1,y2)、所述右下角邻像素坐标(x2,y2)和所述偏移量(d
x
,d
y
)进行加权平均计算处理，生成所述预设目标图像的像素位置的像素值f(x
′
,y
′
)，其中，f(x
′
,y
′
)＝(1
‑
d
x
)*(1
‑
d
y
)+d
x
*f(x2,y1)+(1
‑
d
x
)*d
y
*f(x1,y2)+d
x
*d
y
*f(x2,y2)；重复上述步骤计算所述预设目标图像中所有的预设像素位置的像素值，生成多模态学习图像表征输入分辨率(W
′
,H
′
)，其中，所述多模态学习图像表征输入分辨率(W
′
,H
′
)与所
述预设目标图像的分辨率(W
″
,H
″
)一致。4.根据权利要求1所述的一种快速高精度调制识别方法，其特征在于，对所述序列表征的长度N进行自适应处理，转换生成多模态学习序列表征输入长度N
′
，具体为:根据公式对所述序列表征的长度N和预设目标复数序列长度N
″
进行计算处理，生成所述序列表征和所述预设目标复数序列的长度关系n；对所述序列表征进行多次拼接，得到长度为预设长度值的复数序列，其中，所述预设长度值为N
n
；对所述复数序列进行前N
″
长度截断处理，生成多模态学习序列表征输入长度N
′
，其中，所述多模态学习序列表征输入长度N
′
与所述预设目标复数序列长度N
″
一致。5.根据权利要求4所述的一种快速高精度调制识别方法，其特征在于，当所述长度关系n不为整数时，向上取整。6.一种快速高精度调制识别装置，其特征在于，包...

【专利技术属性】
技术研发人员：彭盛亮，郭庆耿，陈俊舟，姚巍，郭虹青，
申请(专利权)人：华侨大学，
类型：发明
国别省市：