一种基于深度学习的多层次特征提取的调制识别方法技术

本发明专利技术公开了一种基于深度学习的多层次特征提取的调制识别方法，包括以下步骤：S1：利用一维卷积，探索IQ信号各分量之间的隐藏特征信息；S2：结合二维卷积块，对步骤S1中提取的隐藏特征信息及原始IQ信号进一步特征提取得到高阶空间融合特征，将得到的高阶空间融合特征送入时序特征提取模块的长短期记忆网络，向时序特征提取模块中引入注意力机制，提取出重要的时序特征；S3：集成空间融合特征与时序特征提取模块；S4：将空间融合特征信息和时序特征信息进行互补，完成对多种调制信号的识别；通过强调I/Q信号各分量之间的重要影响，充分挖掘I/Q信号之间的隐藏信息，有效避免了信息的丢失。丢失。丢失。

【技术实现步骤摘要】
一种基于深度学习的多层次特征提取的调制识别方法


[0001]本专利技术涉及无线电调制识别领域，具体是一种基于深度学习的多层次特征提取的调制识别方法。

技术介绍

[0002]自动调制识别属于无线通信领域的一项重要技术，其在民用和军事领域都有着广泛的应用。而在传输数据以及发送端参数未知的前提下，对无线电信号的调制方式进行盲识别是一个重大的挑战。总体来说，关于调制识别的方法，一般分为两类：基于似然比的调制识别方法和基于特征的调制识别方法。而基于似然比的调制识别方法，需要较强的先验知识，通过对信号的似然函数进行处理，将得到的似然比与设定的阈值进行比较，从而完成调制信号的识别。这种方法计算复杂度较高且严重依赖阈值的设置，对参数偏差比较敏感，模型鲁棒性较差。基于特征的识别方法，主要包括预处理、特征提取和分类器选择三个步骤。传统的调制信号特征提取包括基于高阶累积量的特征参数提取，基于循环谱分析的方法，基于小波变换的特征提取，基于星座图的变换分析等方法，然后再将这些人为提取的专家特征，用决策树或者支持向量机等分类器进行调制方式识别。这类特征都属于专家知识，需要较强的专业知识，且应用范围有限制，有一定的局限性。
[0003]现有的基于神经网络的调制识别方法主要是利用卷积神经网络或者循环神经网络，通过精心设计的网络模型，完成调制识别。这些方法大都忽略了I/Q信号各分量之间存在的互信息，并在网络计算过程中，存在信息的丢失，而且在实际传输过程中，存在频率偏移，多径衰落等复杂环境的影响，加大了某些调制类别的识别困难。所以，如何充分挖掘I/Q信号之间的隐藏信息，重视I分量和Q分量之间的相互影响，便成为无线电调制识别领域亟待解决的问题。

技术实现思路

[0004]本专利技术的目的在于克服现有技术忽略了I/Q信号各分量之间存在的互信息导致信息丢失的不足，提供了一种基于深度学习的多层次特征提取的调制识别方法，通过强调I/Q信号各分量之间的重要影响，充分挖掘I/Q信号之间的隐藏信息，有效避免了信息的丢失。
[0005]本专利技术的目的主要通过以下技术方案实现：一种基于深度学习的多层次特征提取的调制识别方法，包括以下步骤：S1：利用一维卷积，探索IQ信号各分量之间的隐藏特征信息；S2：结合二维卷积块，采用空间融合特征提取模块对步骤S1中提取的隐藏特征信息及原始IQ信号进一步特征提取得到高阶空间融合特征，将得到的高阶空间融合特征送入时序特征提取模块的长短期记忆网络，向时序特征提取模块中引入注意力机制，提取出重要的时序特征；S3：集成空间融合特征提取模块与时序特征提取模块；S4：将空间融合特征信息和时序特征信息进行互补，完成对多种调制信号的识别。
[0006]在通信领域，I/Q信号包含I正交分量和Q同相分量，两者结合组成了一个完整的样本点，便于确定信号的多种特征信息，例如瞬时幅度、相位和功率等，所以通过提取IQ信号的瞬时幅度和相位特征，利用长短期记忆网络，实现了对多种调制方式的较高识别准确率，说明了各IQ信号分量之间存在重要的关联，又由于不同调制类型的IQ信号具有其对应的规则，以及在实际信道传输过程中，存在多径衰落、频率偏移，路径损耗等复杂影响，因此，为了提高调制识别的鲁棒性，克服多种环境影响，本专利技术提出了一种多层次特征融合的算法；首先利用一维卷积，探索IQ信号各分量之间的隐藏特征信息，本专利技术中的隐藏特征是指I通道分量和Q通道分量之间的互信息，例如，通过I分量和Q分量可计算该调制信号的瞬时幅度和瞬时相位等瞬时特征，这里是利用一维卷积探索这两分量之间的重要信息，此后再结合二维卷积提取空间特征的优点，将网络提取的高阶空间融合特征信息，送入长短期记忆网络进行时间特征提取，并引入注意力机制，使其充分挖掘重要的时间特征。通过卷积神经网络和长短期记忆网络的集成，实现了IQ信号空间特征和时间特征信息之间的互补，完成了对多种调制信号的高精度识别，本专利技术通过强调I/Q信号各分量之间的重要影响，充分挖掘I/Q信号之间的隐藏信息，有效避免了信息的丢失。
[0007]进一步的，所述空间融合特征的提取包括以下步骤：S11：对IQ信号进行批归一化；S12：将规则化后的IQ信号送入一维卷积层并提取IQ各分量信号之间的互信息，得到第一数组；S13：通过Concatenate1操作，即对原始IQ信号与第一数组进行拼接融合，得到第二数组；S14：利用二维卷积层将第二数组送入两个注意力残差块，并提取特征信息；S15：将步骤S14中提取的特征信息送入到一个批归一化层和一个二维卷积层，实现跨通道交互和信息整合，得到空间特征；S16：通过Concatenate2操作，即对原始IQ信号与所述空间特征进行拼接组合，得到空间融合特征。
[0008]在本专利技术的空间融合特征的提取过程中，所述批归一化层被用来加速网络训练，能解决复杂模型的训练难度，还能防止梯度的消失和内部数据分布的偏移现象，所述IQ信号被规则化，然后将规则化后的IQ信号送入一维卷积层，目的是为了提取IQ各分量信号之间的互信息，挖掘其隐藏的瞬时特征，从而得到相应的数组，将数组通过Concatenate1操作，原始IQ信号与提取的特征值进行拼接融合，得到进一步的一个数组，其中既包含了原始IQ样本点，还包括了通过一维卷积层提取的隐含特征。这样不仅避免了原始有用信息的丢失，还有效的结合了提取的信号特征，使得每个IQ信号样本点由原来只包含I分量和Q分量两维度扩充到更多维，丰富了其特征信息，再将融合后的IQ特征信息，利用二维卷积层的空间特征提取能力，送入两个注意力残差块，再通过Concatenate2操作，将原始IQ信号与之前卷积神经网络提取的空间特征进行拼接组合，实现原始信号特征的复用，得到空间融合特征，本专利技术中Concatenate1和Concatenate2操作均为现有的Concatenate函数操作，所述的在本专利技术中所述Concatenate操作是将得到的数组按照某个轴进行拼接，通过对IQ信号规则化处理、送入一维卷积层、Concatenate1操作、二维卷积层、两个注意力残差块和Concatenate2操作，将空间融合特征完整有效的提取出来。
[0009]进一步的，所述注意力残差块由标准残差网络构成，一共由三个卷积层组成，在每个卷积层之间添加批归一化层，并使用ReLU激活函数。所述注意力残差块主体结构是由标准残差网络构成，一共由三个卷积层组成，在每个卷积层之间添加批归一化层，并使用ReLU激活函数，提升其非线性映射能力，经过注意力残差块的数组送入到一个批归一化层和一个二维卷积层，进而实现跨通道的交互和信息整合。
[0010]进一步的，在所述步骤S14的两个注意力残差块中均引入注意力机制，所述注意力机制包括以下步骤：S141：提取特征映射U；S142：将提取出的特征映射U通过全局平均池化技术压缩到通道描述符，其中z的第C个元素通过下式计算：所述z的每个元素都具有特征映射U的全局感受野，式中H代表每个通道特征映射图的高度，W代表每个通道特征映射图的宽度；S143：将所述通道描述符z代入包含两个全连接层的激励部分，并通过两个全连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，包括以下步骤：S1：利用一维卷积，探索IQ信号各分量之间的隐藏特征信息；S2：结合二维卷积块，采用空间融合特征提取模块对步骤S1中提取的隐藏特征信息及原始IQ信号进一步特征提取得到高阶空间融合特征，将得到的高阶空间融合特征送入时序特征提取模块的长短期记忆网络，向时序特征提取模块中引入注意力机制，提取出重要的时序特征；S3：集成空间融合特征提取模块与时序特征提取模块；S4：将空间融合特征信息和时序特征信息进行互补，完成对多种调制信号的识别。2.根据权利要求1所述的一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，所述空间融合特征的提取包括以下步骤：S11：对IQ信号进行批归一化；S12：将规则化后的IQ信号送入一维卷积层并提取IQ各分量信号之间的互信息，得到第一数组；S13：通过Concatenate1操作，即对原始IQ信号与第一数组进行拼接融合，得到第二数组；S14：利用二维卷积层将第二数组送入两个注意力残差块，并提取特征信息；S15：将步骤S14中提取的特征信息送入到一个批归一化层和一个二维卷积层，实现跨通道交互和信息整合，得到空间特征；S16：通过Concatenate2操作，即对原始IQ信号与所述空间特征进行拼接组合，得到空间融合特征。3.根据权利要求2所述的一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，所述注意力残差块由标准残差网络构成，一共由三个卷积层组成，在每个卷积层之间添加批归一化层，并使用ReLU激活函数。4.根据权利要...

【专利技术属性】
技术研发人员：张江，张航，雒瑞森，
申请(专利权)人：四川大学，
类型：发明
国别省市：