一种基于多尺度注意力与残差的调制与信号类别识别方法技术

本发明专利技术公开了一种基于多尺度注意力与残差的调制与信号类别识别方法，涉及信号类型与调制方式识别技术领域，包括获取不同信号类型与调制方式下的信号数据集，并划分为训练集和验证集；基于输入预处理模块、共享卷积特征提取模块、多任务分支模块和联合损失优化模块构建端到端的深度学习模型；共享卷积特征提取模块包括通道拓展卷积层、多尺度注意力残差模块和下采样模块；对端到端的深度学习模型进行训练；将待测信号的数据输入模型，得到待测信号的信号类型与调制方式，本发明专利技术通过端到端的深度学习模型处理，能够解决模型冗余、计算资源浪费以及任务间信息利用不足等问题，提高识别准确率的同时降低模型复杂度和训练开销。

【技术实现步骤摘要】

本专利技术涉及调制类型和信号类别研究，尤其是涉及一种基于多尺度注意力与残差的调制与信号类别识别方法。

技术介绍

1、随着无线通信技术的迅猛发展，物联网设备的数量呈指数级增长，其应用已渗透到智能医疗、工业自动化、智慧城市、智能家居及智能交通等众多重要领域。在这一背景下，大量异构无线设备共同占用有限的电磁频谱，导致信道日益拥堵、干扰严重，目标信号易受到噪声干扰。为确保通信系统的可靠运行并提升频谱资源利用率，实现高效的无线信号识别(包括调制方式与信号类型的准确判别)已成为亟待解决的关键问题。

2、传统无线信号识别方法通常基于人工设计的特征提取算法，这类方法存在明显的局限性：特征选择的主观性强、模型泛化性能不足，尤其在复杂的通信环境中表现欠佳。相比之下，深度学习方法凭借其自动特征学习的优势，在调制识别和信号分类任务中展现出卓越的性能，即使在非理想信道条件下也能保持较高的识别准确率。

3、但值得注意的是，当前大多数深度学习解决方案采用单任务学习范式，将调制识别与信号分类作为两个独立任务进行处理，需要分别构建和优化不同的模型。这种处理方式不仅忽本文档来自技高网...

【技术保护点】

1.一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于，包括以下步骤：

2.根据权利要求1中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：S2中的通道拓展卷积层包括一个3×3的标准卷积，用于将输入通道从4扩展到16。

3.根据权利要求2中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：S2中的多尺度注意力残差模块包括极高效的深度可分离空洞卷积金字塔单元、卷积注意力模块和残差连接输出；

4.根据权利要求3中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：极高效深度可分离空洞卷...

【技术特征摘要】

1.一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于，包括以下步骤：

2.根据权利要求1中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：s2中的通道拓展卷积层包括一个3×3的标准卷积，用于将输入通道从4扩展到16。

3.根据权利要求2中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：s2中的多尺度注意力残差模块包括极高效的深度可分离空洞卷积金字塔单元、卷积注意力模块和残差连接输出；

4.根据权利要求3中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：极高效深度可分离空洞卷积金字塔单元采用多分支不同膨胀率的深度可分离卷积提取多尺度特征，具体包括：

5.根据权利要求4中所述的一种基于多尺度注意力与残差的调制与信号类别识别方法，其特征在于：卷积注意力模块通过通道注意力和空间注意力机制增强特征，具体包括：

6.根据权利要求5中...

【专利技术属性】
技术研发人员：赵培鑫，徐伟强，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：