一种基于循环残差网络的信号调制识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基于循环残差网络的信号调制识别方法及装置，所述方法包括：获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式。本发明专利技术实施例，对待识别信号的处理过程简单、易操作，并不需要复杂的算法也不需要人工处理，识别灵活性较高，且能够准确的得到待识别信号调制方式的识别结果。

A method and device of signal modulation recognition based on cyclic residual network

【技术实现步骤摘要】
一种基于循环残差网络的信号调制识别方法及装置
本专利技术涉及无线通信
，特别是涉及一种基于循环残差网络的信号调制识别方法及装置。
技术介绍
近年来，随着物联网的高速发展，物联网将网络连接到真实世界中存在的事物，使其引起了广泛关注。然而，物联网发展的同时加剧了频谱资源短缺的问题，并导致了频谱分配的困难。为了缓解频谱资源短缺及频谱分配困难问题，认知无线电被用来进行动态频谱检测。简单的频谱感知方法旨在保证认知无线电技术的频谱正确使用，而调制方式识别技术被用来识别信号在噪声和干扰下的调制方式。现有对信号调制方式进行识别的方法为：首先，对样本库中信号进行时频分析，将信号的时频谱图转换成灰度图像，然后，利用灰度图像对深度残差网络模型进行训练，再通过训练后的深度残差网络模型对传输过程中的特定信号进行检测识别，该特定信号即为模型训练过程中进行针对性训练的信号。然而，专利技术人发现上述对信号调制方式进行识别的方法中，对样本库中信号进行时频分析，将信号的时频谱图转换成灰度图像的实现过程是：通过短时傅里叶变换作为时频分析手段，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，将信号的时频谱图转换成灰度图像，该过程的实现较为复杂，且需要人工对信号进行处理。另外，实际应用中输入信号的长度是不固定的，而上述对信号调制方式进行识别的方法中，训练及使用的深度残差网络模型，受该深度残差网络模型特性的影响，只能处理固定输入长度的信号，使得识别方法的灵活性较差。
技术实现思路
本专利技术实施例的目的在于提供一种基于循环残差网络的信号调制识别方法及装置，用以解决现有技术中对输入信号处理过程复杂，识别灵活性差的问题。具体技术方案如下：第一方面，本专利技术实施例提供了一种基于循环残差网络的信号调制识别方法，所述方法包括：获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。可选地，所述获取待识别信号的信号矩阵之前，所述方法还包括：接收待识别的多个无线信号；所述多个无线信号为：在连续的时间段内的多个时间点接收的无线信号；将所述多个无线信号组合成信号矩阵。可选地，所述根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵的步骤，包括：使用如下表达式，将所述实部虚部特征矩阵转换为幅度相位特征矩阵：其中，A表示所述待识别信号的幅度，P表示所述待识别信号的相位，I表示所述待识别信号的实部，Q表示所述待识别信号的虚部。可选地，所述循环残差网络的训练过程，包括：构建初始循环残差网络；其中，所述初始循环残差网络包括：特征提取模块、特征融合模块、特征分类模块；所述特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，所述残差堆包括：多个残差子模块，所述残差子模块包括：第二卷积层、第一批量归一化BN层和第三卷积层；所述特征融合模块，用于对所述特征提取模块输出的特征数据进行维度转换；所述特征分类模块包括：多个GRU、第一全连接FC层和分类器，所述GRU包括多个隐含层和第二BN层；将所述样本特征数据，以及所述样本特征数据对应的类别标签，输入所述初始循环残差网络；利用所述初始循环残差网络，得到各所述样本特征数据对应的分类结果；基于所述分类结果与所述标准样本特征数据对应的类别标签的差异，计算损失函数；对损失函数进行最小化处理，得到最小化损失函数；根据最小化损失函数，确定初始循环残差网络中各模块的权重参数；基于所述权重参数对所述初始循环残差网络中的参数进行更新，训练得到所述循环残差网络。可选地，所述调制方式包括：二进制相移键控BPSK，四进制相移键控QPSK，八进制相移键控8PSK，十六进制正交幅度调制16QAM，六十四进制正交幅度调制。可选地，所述损失函数的表达式为：其中，M表示所述样本特征数据的个数，K表示调制方式的个数，θ表示所述初始循环残差网络中所有的参数，表示第m个样本特征数据的类别标签为第k种调制方式，XAP(m)表示第m个样本特征数据，表示第m个样本特征数据经过所述特征提取模块后得到的特征数据，l(θ)表示参数θ的似然函数，Hk表示第k种调制方式。第二方面，本专利技术实施例提供了一种基于循环残差网络的信号调制识别装置，所述装置包括：提取模块，用于获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；生成模块，用于根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；转换模块，用于根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；识别模块，用于将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。可选地，所述装置还包括：接收模块，用于接收待识别的多个无线信号；所述多个无线信号为：在连续的时间段内的多个时间点接收的无线信号；组合模块，用于将所述多个无线信号组合成信号矩阵。可选地，所述转换模块，具体用于：使用如下表达式，将所述实部虚部特征矩阵转换为幅度相位特征矩阵：其中，A表示所述待识别信号的幅度，P表示所述待识别信号的相位，I表示所述待识别信号的实部，Q表示所述待识别信号的虚部。可选地，所述装置还包括：构建模块，用于构建初始循环残差网络；本文档来自技高网...

【技术保护点】
1.一种基于循环残差网络的信号调制识别方法，其特征在于，所述方法包括：/n获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；/n根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；/n根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；/n将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。/n

【技术特征摘要】
1.一种基于循环残差网络的信号调制识别方法，其特征在于，所述方法包括：
获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；
根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；
根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；
将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。


2.根据权利要求1所述的方法，其特征在于，所述获取待识别信号的信号矩阵之前，所述方法还包括：
接收待识别的多个无线信号；所述多个无线信号为：在连续的时间段内的多个时间点接收的无线信号；
将所述多个无线信号组合成信号矩阵。


3.根据权利要求1所述的方法，其特征在于，所述根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵的步骤，包括：
使用如下表达式，将所述实部虚部特征矩阵转换为幅度相位特征矩阵：






其中，A表示所述待识别信号的幅度，P表示所述待识别信号的相位，I表示所述待识别信号的实部，Q表示所述待识别信号的虚部。


4.根据权利要求1所述的方法，其特征在于，所述循环残差网络的训练过程，包括：
构建初始循环残差网络；其中，所述初始循环残差网络包括：特征提取模块、特征融合模块、特征分类模块；所述特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，所述残差堆包括：多个残差子模块，所述残差子模块包括：第二卷积层、第一批量归一化BN层和第三卷积层；所述特征融合模块，用于对所述特征提取模块输出的特征数据进行维度转换；所述特征分类模块包括：多个GRU、第一全连接FC层和分类器，所述GRU包括多个隐含层和第二BN层；
将所述样本特征数据，以及所述样本特征数据对应的类别标签，输入所述初始循环残差网络；
利用所述初始循环残差网络，得到各所述样本特征数据对应的分类结果；
基于所述分类结果与所述标准样本特征数据对应的类别标签的差异，计算损失函数；
对损失函数进行最小化处理，得到最小化损失函数；
根据最小化损失函数，确定初始循环残差网络中...

【专利技术属性】
技术研发人员：冯志勇，黄赛，戴蕊，宁帆，张奇勋，张轶凡，尉志青，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11