【技术实现步骤摘要】
本专利技术属于无线电通信中的信号调制识别领域，涉及一种基于混合型复数神经网络的调制识别方法。
技术介绍
1、在无法获得稳定的先验信息的情况下，如何有效地对信号自动识别调制分类在卫星通信领域，如通信安全，信号监测与管理和无线电频谱管理等领域具有十分广泛的应用价值。如：在通信安全领域中，自动调制识别可以帮助检测和识别网络中的非法信号或恶意干扰信号；通过对信号进行实时分析和识别，可以及时采取相应的安全措施保护通信系统的稳定性和安全性。在信号监测与管理领域中，自动调制识别可以用于监测和管理通信网络中的各种信号；通过对不同调制方式的识别，可以实现对通信网络的状态监测、信号分析和故障排查，提高通信网络的运行效率和管理水平。在无线电频谱管理领域中，自动调制识别可以帮助对无线电频谱进行有效管理；通过识别不同调制方式的信号，可以实现频谱的动态分配和利用，减少频谱资源的浪费。
2、近年来，基于深度学习的自动调制识别方法，因其无需人工提取特征和识别准确率高的优点而被应用于调制识别领域中。但通常，大多数收集的信号是复数，如电磁、光波、射频信号。例如，实际情况中通信领域的调制信号是复数形式的，由同相/正交时间序列数据即i路和q路组成。其中，相位分量表示时间过程或位置差，而振幅表示波的能量或功率。尽管关于深度学习在通信中的应用的文献相对丰富，但考虑信号属性的复数表示的示例很少。
3、复数神经网络是一种输入和网络参数为复数的人工神经网络。由于复数神经网络能够直接处理相位和幅度信息，可以完全提取波信息，所以使用复数神经网络可以提高数据表
4、如：y.tu,y.lin,c.hou,and s.mao,"complex-valued networks for automaticmodulation classification,"ieee transactions on vehicular technology,articlevol.69,no.9,pp.10085-10089,sep 2020,doi:10.1109/tvt.2020.3005707中，给出了复数网络中复数卷积，复批量归一化，复权重初始化和复密集层模块的设计，并且使用radioml2016.10a数据集对应用上述模块的三种不同的复数神经网络模型及其对应的实数神经网络模型进行了比较研究，证实了复数神经网络应用在信号自动调制识别上优越表现。s.kim,h.-y.yang,and d.kim,"fully complex deep learning classifiers for signalmodulation recognition in non-cooperative environment,"ieee access,vol.10,pp.20295-20311,2022 2022,doi:10.1109/access.2022.3151980中，提出了用于自动信号调制识别复数卷积神经网络和复数残差神经网络，其提出的复数神经网络相比同等网络层的实数神经网络具有更快的学习速度、更高的优化性和更好的泛化能力，特别是在识别相位相关的调制方式如psk，apsk和qam性能更佳。虽然以上复数神经网络模型在自动调制识别时识别效果均优于等网络层设置的实数神经网络，但是其性能已经低于当前性能优越的实数网络。例如j.krzyston,r.bhattacharjea,and a.stark,"complex-valuedconvolutions for modulation recognition using deep learning,"in 2020ieeeinternational conference on communications workshops(icc workshops),6/20202020,dublin,ireland:ieee,pp.1-6,doi:10.1109/iccworkshops49005.2020.9145469中，提出通过一种实数卷积函数与两列实数数组线性组合的方式实现了复数卷积层在实数神经网络中的计算，这种方法实现的模型参数量少，计算复杂度低，但其仅对卷积层做了复数处理。
5、f.zhang,c.luo,j.xu,and y.luo,"an efficient deep learning model forautomatic modulation recognition based on parameter estimation andtransformation,"ieee communications letters,vol.25,no.10,pp.3287-3290,10/20212021,doi:10.1109/lcomm.2021.3102656中的参数估计和变换的高效深度学习模型(pet-cgdnn)由参数估计、参数变换和特征提取模块组成，其中特征提取模块由卷积神经网络和门控递归单元组成。因为特征提取模块为实数神经网络，由实数卷积神经网络和实数单向门控递归单元组成，未充分利用同相/正交时间序列数据之间的内在联系，所以其网络的调制识别性能还有待进一步挖掘和提升。
技术实现思路
1、因此，为了充分利用同相/正交时间序列数据之间的内在联系，提高自动调制识别模型的特征提取能力进而提升模型识别性能，本专利技术在文献f.zhang,c.luo,j.xu,andy.luo,"an efficient deep learning model for automatic modulation recognitionbased on parameter estimation and transformation,"ieee communicationsletters,vol.25,no.10,pp.3287-3290,10/2021 2021,doi:10.1109/lcomm.2021.3102656中参数估计和变换的高效深度学习模型(pet-cgdnn)的基础上进行改进，将其混合型神经网络中的实数网络提取层扩展到复数域，从而提出了一种基于混合型复数神经网络的调制识别方法，基于混合型复数神经网络的调制识别模型由复数卷积层、复数双向门控循环单元层和复数激活函数组成。此模型可以在网络模型参数量相对较少的情况下实现较高的调制识别准确率；本专利技术适用于无法获得稳定的先验信息条件下的信号自动调制识别，解决了实数神经网络未充分利用同相/正交时间序列数据之间的内在联系的技术问题，可以实现调制识别准确率更高的效果，且具有模型参数较少，泛化性好的特点。
2、本专利技术的目的通过以下技术方案来具体实现：
3、本专利技术公开了一种基于混合型复数神经网络的调制识别方法，该方法包括：
4、步骤一、本文档来自技高网...
【技术保护点】
1.一种基于混合型复数神经网络的调制识别方法，其特征在于，该方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一，具体包括：
3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括：
4.如权利要求3所述的方法，其特征在于，步骤S1中，输入信号y为：
5.如权利要求3所述的方法，其特征在于，步骤S2中，将输入信号y和相位参数φ进行参数逆变换，输出逆变换后的输出信号的方法如下：
6.如权利要求3所述的方法，其特征在于，步骤S3中，空间特征Z1和提取特征Z2的计算方法具体包括：
7.如权利要求3所述的方法，其特征在于，步骤S3中，时间特征Ht的计算方法包括：
8.如权利要求7所述的方法，其特征在于，复数前/后向门控循环单元的表达式如下所示：
9.如权利要求1所述的方法，其特征在于，步骤三中，基于自适应矩估计优化算法和交叉熵损失函数，使用训练集对基于混合型复数神经网络的调制识别模型进行训练的具体步骤包括：
10.如权利要求1或9所述的方法，其特征在于，所述自适应矩
...【技术特征摘要】
1.一种基于混合型复数神经网络的调制识别方法，其特征在于，该方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一，具体包括：
3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括：
4.如权利要求3所述的方法，其特征在于，步骤s1中，输入信号y为：
5.如权利要求3所述的方法，其特征在于，步骤s2中，将输入信号y和相位参数φ进行参数逆变换，输出逆变换后的输出信号的方法如下：
6.如权利要求3所述的方法，其特征在于，步骤s3中，空间特征z1和提取特征z2的计算方法具体包括：
7.如权利要求3所述的方法，其特...
【专利技术属性】
技术研发人员：徐照菁，方胜良，范有臣，李世忠，彭亮，马昭，王孟涛，温晓敏，尹坤，冯俊豪，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
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。