【技术实现步骤摘要】
基于多域混合注意力的调制信号识别方法
[0001]本专利技术属于无线通信
,进一步涉及通信信号调制识别技术,具体为一种基于多域混合注意力的调制信号识别方法,可用于在电子战中对无线电信号的调制类型进行识别。
技术介绍
[0002]自动调制识别是接收方从获取的信号中提取有效特征,通过分析提取的特征,进一步识别调制信号的具体方式。自动调制识别是非协作通信中的第一步,也是保障通信系统正常工作的关键,目前广泛应用于军事领域和民用领域。
[0003]在军用领域中,自动调制识别可用于对无线电信号进行监测和侦察,从而获取敌方通信系统的信息,以便进行军事情报收集和作战指挥。在民用领域中,自动调制识别可用于对无线电通信设备的调制方式进行识别,实现自动化的频谱监测和规划,还可用于对无线电信号的质量评估和调制方式的优化,以便提高通信系统的有效性和可靠性。
[0004]随着对通信质量的需求日益增加且通信环境越发复杂的同时,调制方式也变得越来越多样化。第五代移动通信技术逐渐从研究层面落实到具体应用,其核心技术认知无线电对频谱资源进行重配置时,需要对用户的调制信号进行识别,并做进一步分析才能获取重置参数,对自动调制识别(Automatic Modulation Recognition,AMR)技术有更高的性能要求。因此,针对自动调制识别技术研究出一种高性能的调制识别方法能够有效推动下一代移动通信技术发展。
[0005]目前传统的调制识别方法包括似然比和特征提取,都需要对调制信号的特征进行提取,通过决策树、支持向量机等 ...
【技术保护点】
【技术特征摘要】
1.一种基于多域混合注意力的调制信号识别方法,其特征在于,具体包括如下步骤:(1)对数据集中的离散复信号进行预处理,转换为时域特征,即I/Q序列和A/P/F序列,并对其进行拼接获得联合特征向量;(2)构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块,将联合特征向量输入至该模块,获取调制信号的波形特征并投影至高维连续空间,得到调制信号的空间特征;(3)由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块,将空间特征输入至该模块,经过频域注意力模块提取调制信号频率分量中的有效信息,得到频域特征;(4)由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块,其中各个模块间均采用残差连接和层规范化,所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征;将空间特征和频域特征输入至时间特征提取模块,经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合,获得调制信号的时间特征;(5)将时间特征输入至分类器,经过分类器输出调制信号类别的识别结果。2.根据权利要求1所述的方法,其特征在于:所述步骤(1)实现如下:假设接收信号为y
n
:y
n
=y
I
(n)+jy
Q
(n);其中,y
I
(n)和y
Q
(n)分别表示接收信号的第n个样本的同相分量和正交分量,n=0,1,...,N
‑
1,N表示接收信号的长度;j表示虚部。I/Q序列表示为:A/P/F序列表示为:其中,瞬时幅度表达式为瞬时相位表达式为瞬时频率表达式为y
F
(n)=y
P
(n)
‑
y
P
(n
‑
1)。3.根据权利要求1所述的方法,其特征在于:步骤(2)中将联合特征向量输入至空间特征提取模块,该模块首先利用三个卷积层对联合特征向量进行扫描,提取相邻采样点间的空间特征信息,其次经过批归一化层和ReLU激活函数层处理,最后经过最大池化层提取调制信号特征的细节信息并通过随机丢弃层处理,最终得到空间特征提取模块的输出其中L表示通道数。4.根据权利要求3所述的方法,其特征在于:所述空间特征提取模块,具体参数设置如
下:卷积核采用一维卷积,一维卷积的输入通道为5,分别为I、Q、A、P和F,输出通道卷积核的数目为128、大小为1
×
3、步长为1;输入数据的格式为(512,5,128),其中512为批尺寸大小,128为每一条数据的采样点数;以128个1
×
3大小的卷积核对数据进行扫描,提取相邻采样点之间的空间特征,一维卷积模块的输出矩阵大小为(512,128,128);卷积输出之后由最大池化层提取相邻采样点的纹理信息,卷积核大小1
×
3,步长为1。5.根据权利要求1所述的方法,其特征在于:步骤(3)中的频域特征,具体按照如下步骤得到:(3.1)将空间特征提取模块得到的特征向量沿通道维度进行分割,得到C个组特征[X0,X1,...,X
C
‑1];(3.2)对分割后的每组特征进行一维离散余弦变换DCT,提取信号不同频率分量的特征;将计算得到的各频率分量进行拼接,得到DCT处理后的结果;(3.3)将DCT提取的特征通过线性映射层进行降维,再通过线性映射层将特征投影至原始维度,经过Sigmoid归一化处理得到赋予权重的特征向量;在通道维度上实现输入特征的重标定,将得到的频域特征分别作用于输入矩阵,得到带注意力权重的频率特征向量S
f
:S
f
=σ(W2δ(W1·
Freq)),其中,σ代表Sigmoid激活函数,δ代表ReLU激活函数,W1代表全连接层降维的系数,W2代表全连接层升维的系数。6.根据权利要求1所述的方法,其特征在于:步骤(4)中时间特征提取模块以时域特征和频域特征作为输入,具体结构依次为:残差连接
‑
>...
【专利技术属性】
技术研发人员:王海,师梦瑶,张敏,董优强,
申请(专利权)人:西安电子科技大学,
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。