一种基于时空特征提取深度学习的调制模式识别方法技术

本发明专利技术公开了一种基于时空特征提取深度学习的调制模式识别方法。该方法包括收集待识别调制模式的信号；构建包括参数估计模块、参数变化模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练；采用训练好的自动调制识别深度学习模型对收集的信号进行调制模式识别。本发明专利技术为了解决现有技术中的调制识别模型复杂度较高，难以在低模型复杂度的情况下实现高识别准确率的问题，提出了一种基于参数估计和变换的时空特征提取自动调制模式识别深度学习模型，利用该模型进行调制模式识别的参数量要少于现有的基于深度学习的自动调制识别方法，在训练开销方面要低于其他具有同等识别准确率水平的方法。具有同等识别准确率水平的方法。具有同等识别准确率水平的方法。

【技术实现步骤摘要】
一种基于时空特征提取深度学习的调制模式识别方法


[0001]本专利技术涉及一种调制模式识别方法，尤其涉及一种基于时空特征提取深度学习的调制模式识别方法。

技术介绍

[0002]通信信号在传输过程中，通常会受到信道中不利的影响因素的影响，如噪声、多径衰落、阴影衰落、中心频率偏移、采样率偏移等，会使得接收信号产生幅度衰减、载波频率和相位偏移。自动调制识别(AMR)是信号检测和解调之间的一个重要步骤，它提供了检测调制方案的基本功能。随着无线通信的快速发展，信号调制方案将变得更加复杂和多样化，以满足日益复杂的通信场景的需求，因此迫切需要设计有效的AMR模型。
[0003]传统的AMR研究可以分为两大类:基于似然理论的AMR和基于特征的AMR。基于似然理论的AMR方法通常能获得贝叶斯估计意义上的最优识别精度，但计算复杂度较高。基于特征的AMR方法主要从训练样本中学习有代表性的特征，并利用训练后的模型对输入信号进行分类。基于特征的AMR方法使用的典型特征类型包括瞬时时域特征、变换域特征、统计特征。机器学习模型越来越多地和基于特征的AMR结合，被用于分类，包括人工神经网络、决策树、支持向量机等。相比于基于似然理论的AMR，基于特征的AMR通常只能得到次优解，但计算复杂度低，多调制识别能力强。
[0004]随着深度学习在一系列具有挑战性的应用中取得了突破，其性能超越了传统的基于似然理论和基于特征的方法，多层神经网络的堆叠赋予了深度学习强大的特征提取能力，激发了对自动调制识别的扩展研究，其中一些基于深度学习的开创性方法被提出，性能优于传统的方法。有人提出使用卷积神经网络(CNN)来解决自动调制识别问题，采用原始的数据形式(I/Q形式)作为输入，它也证明了所提出的CNN模型的识别准确率优于传统方法，但其识别精度还有很大的提升空间，且模型的参数较大。有人提出了一种使用信号幅值和相位作为输入的多通道并行融合技术，其识别准确率相对于之前有较大的提升，但是其采用幅值和相位作为输入，需要将原始的I/Q形式的数据转化为幅值相位形式的数据，增加了额外的开销。有人采用长短期记忆神经网络(LSTM)来搭建自动调制识别模型，进一步提升了识别准确率，但它同样采用幅值和相位作为数据的输入形式。有人提出了一种类似的模型，它将LSTM网络用门控循环单位(GRU)来代替，虽然识别准确率有所降低，但是其模型复杂度也有所降低。有人提出了一种时空多通道学习模型，利用来自I/Q通道，I通道和Q通道数据的互补信息，并利用存在于信号中的空间和时间属性，来实现自动调制识别，是目前为止，自动调制识别领域识别准确率最高的模型，但是模型的参数量和复杂度都比较高。
[0005]目前基于深度学习的自动调制识别模型复杂度较高，难以在低模型复杂度的情况下实现高识别准确率。目前有一些高识别准确率的模型可以在离线任务中运行，但AMR通常需要在线处理，如果模型过于复杂，则会遇到过度的延迟。高计算复杂性也阻止了在资源受限的设备上部署，比如许多内存、计算能力和能量有限的物联网(IoT)设备。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供了一种基于时空特征提取深度学习的调制模式识别方法。
[0007]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0008]一种基于时空特征提取深度学习的调制模式识别方法，包括以下步骤：
[0009]S1、收集待识别调制模式的信号；
[0010]S2、构建包括参数估计模块、参数变化模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练；
[0011]S3、采用步骤S2训练好的自动调制识别深度学习模型对步骤S1收集的信号进行调制模式识别。
[0012]本专利技术具有以下有益效果：本专利技术综合考虑了模型复杂度和识别准确率，在参数量少于现有技术中基于深度学习的自动调制模式识别方法的情况下，识别准确率优于现有的基于CNN网络的调制模式识别方法，接近目前基于深度学习的自动调制模式识别的最高识别准确率，同时在训练开销方面低于现有技术中同等识别准确率水平的方法，本专利技术还可以直接使用自动调制识别的原始数据作为输入，而不必占用额外的资源对数据进行预处理。
[0013]优选地，步骤S2包括以下分步骤：
[0014]S21、选取基准数据集，并设置相关训练参数；
[0015]S22、将基准数据集中的原始数据y输入参数估计模块，进行原始数据的参数估计，得到参数估计数据ω；
[0016]S23、将步骤S22得到的参数估计数据ω输入参数变换模块，进行参数变换，得到参数变换后的数据
[0017]S24、将步骤S23参数变换后的数据输入时空特征提取模块，进行数据的时空特征提取，并自动识别信号的调制模式；
[0018]S25、根据步骤S24的识别结果判断自动调制识别深度学习模型是否符合预设要求，若是，执行步骤S3，否则返回所述步骤S22。
[0019]该优选方案具有以下有益效果：该优选方案不仅能够直接利用神经网络对数据进行初步的参数变换，也可以直接对参数变换后的数据进行时空特征提取，可以在较少模型参数的情况下，达到较高识别准确率。
[0020]优选地，步骤S21具体包括：
[0021]选取基准数据集、损失函数和优化器，设置初始学习率和批大小。
[0022]该优选方案具有以下有益效果：基准数据集可用于模型的训练，损失函数用来判断模型在训练的过程中是否收敛，优化器有助于模型在训练的过程中进行参数更新和优化，初始学习率和批大小可根据电脑硬件配置进行适当调整，避免训练时间过长。
[0023]优选地，步骤S22包括以下分步骤：
[0024]S221、将基准数据集中的数据作为输入数据，将其I/Q数据形式分为I路和Q路，分别输入到参数估计模块的两个结构和参数相同的通道中；
[0025]S222、将数据输入参数设置与数据序列相同的全连接层，对每一个信号数据进行参数估计，得到I路初始参数估计数据ω
10
和Q路初始参数估计数据ω
20
；
[0026]S223、将步骤S222得到的数据ω
10
和ω
20
输入激活函数层和Dropout层，得到I路参数估计数据ω1和Q路参数估计数据ω2；
[0027]S224、对通过激活函数层和Dropout层后的数据ω1和ω2进行数据拼接和维度变换，得到参数估计数据ω。
[0028]该优选方案具有以下有益效果：从AMR的原始信号中估计出了信道带给信号的相位偏移和频率偏移等不利影响，便于后续步骤去除这些影响，设置了激活函数层和Dropout层防止模型过拟合。
[0029]优选地，步骤S224具体包括：
[0030]对通过激活函数层和Dropout层后的数据ω1和ω2进行维度变换，然后将维度变换后的I路和Q路数据进行数据拼接，最后再增加一维数据维度。
[0031]该优选方案具有以下有益效果：采用了维度变换和数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，包括以下步骤：S1、收集待识别调制模式的信号；S2、构建包括参数估计模块、参数变化模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练；S3、采用步骤S2训练好的自动调制识别深度学习模型对步骤S1收集的信号进行调制模式识别。2.一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S2包括以下分步骤：S21、选取基准数据集，并设置相关训练参数；S22、将基准数据集中的原始数据y输入参数估计模块，进行原始数据的参数估计，得到参数估计数据ω；S23、将步骤S22得到的参数估计数据ω输入参数变换模块，进行参数变换，得到参数变换后的数据S24、将步骤S23参数变换后的数据输入时空特征提取模块，进行数据的时空特征提取，并自动识别信号的调制模式；S25、根据步骤S24的识别结果判断自动调制识别深度学习模型是否符合预设要求，若是，执行步骤S3，否则返回所述步骤S22。3.如权利要求2所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S21具体包括：选取基准数据集、损失函数和优化器，设置初始学习率和批大小。4.如权利要求3所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S22包括以下分步骤：S221、将基准数据集中的数据作为输入数据，将其I/Q数据形式分为I路和Q路，分别输入到参数估计模块的两个结构和参数相同的通道中；S222、将数据输入参数设置与数据序列相同的全连接层，对每一个信号数据进行参数估计，得到I路初始参数估计数据ω
10
和Q路初始参数估计数据ω
20
；S223、将步骤S222得到的数据ω
10
和ω
20
输入激活函数层和Dropout层，得到I路参数估计数据ω1和Q路参数估计数据ω2；S224、对通过激活函数层和Dropout层后的数据ω1和ω2进行数据拼接和维度变换，得到参数估计数据ω。5.如权利要求4所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述...

【专利技术属性】
技术研发人员：骆春波，张富鑫，罗杨，李智，徐加朗，许燕，方泊航，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：