【技术实现步骤摘要】
本专利技术涉及通信信号调制识别技术，具体涉及一种基于时空卷积网络的信号调制类别识别方法。
技术介绍
1、自动调制识别(automatic modulation recognition,amr)是信号检测与解调之间的核心环节。其核心任务是在未知接收信号的调制方式的前提下，利用信号处理方法来确定其调制类型。在缓解频谱资源短缺问题中，调制识别是其中一个关键环节，无论在军事应用中还是民事应用中都是不可或缺的重要的技术支持。调制识别最初主要应用于军事通信领域，那时信号的识别工作往往依赖于人工处理，这种方法不仅耗时且劳力密集，而且在识别率上存在一定的限制。随着技术的进步，现代研究对调制识别方法进行了深入探索，从最初的人工识别到现代的自动化和智能化方法。目前研究调制识别的方法可大致分为三类：基于决策理论的似然比识别方法、基于特征提取的模式识别方法以及深度学习识别方法。由于基于统计和概率的似然比识别方法缺乏先验信息，而基于特征提取和模式匹配的统计模式识别方法需要仔细设计特征参数、选择合适的分类器，并考虑各种环境条件和挑战，这两种方法的研究逐渐减少。
2、近年来，深度学习在各个领域都迅速应用，并调制方式识别也是其中受益颇丰的领域之一。其特征学习能力和自适应性为调制识别开辟了新的研究方向。最早提出了使用卷积神经网络(convolutional neural network,cnn)的方法自动识别通信信号中的11种调制方式。该方法不采用传统特征提取，而是直接对接收到的原始信号数据进行自动分类学习。相对传统机器学习方法，这新方法显著提高了识
3、单纯cnn结构的并行处理能力使其在处理大规模数据时更为高效，但是并未考虑信号的时间上的顺序信息；rnn、lstm相对于cnn更适合处理序列数据，但是在每个时间步骤都依赖于前一个步骤的输出，使得计算难以并行化，从而限制了训练和推理的效率，并且可能会出现梯度消失或梯度爆炸的问题，这会导致训练的不稳定性；组合不同类型的网络发挥各个网络的优势，弥补彼此的不足，从而取得更好的性能，但是由于特征提取顺序以及网络结构的缺陷，会导致丢失一些时间上的顺序信息，分类识别模块中展平操作导致参数量的增加。
技术实现思路
1、为解决上述问题，本专利技术提供了一种基于时空卷积网络的信号调制类别识别方法，包括构建并训练时空卷积网络模型，获取待识别调制信号的iq分量输入训练好的时空卷积网络模型，输出识别结果；所述时空卷积网络模型包括时域特征提取模块、空间特征提取模块和分类识别模块。
2、时空卷积网络模型的训练过程包括以下步骤：
3、s1.获取训练数据集，其中每一训练样本包括一组调制信号的调制类别，及其iq分量信号；
4、s2.将iq分量信号输入时域特征提取模块，得到iq分量时域特征；
5、s3.将iq分量时域特征输入空间特征提取模块，得到iq分量时空特征；
6、s4.将iq分量时空特征输入分类识别模块，得到识别结果；
7、s5.计算训练损失并反向传播训练模型参数，直至模型收敛。
8、进一步的，所述时域特征提取模块包括tcn模块、concatenate层和残差连接支路；所述tcn模块包括级联的两个tcn结构，每一个tcn结构包括4个级联的因果膨胀卷积层和一条残差分支；其中，4个级联的因果膨胀卷积层的卷积核大小均为7，dropout均为0.3，膨胀大小依次设置为1、2、4、8。
9、进一步的，步骤s2将iq分量信号输入时域特征提取模块，得到iq分量时域特征，包括：
10、s21.将iq分量信号中的i分量信号与q分量信号分别输入tcn模块，得到i分量时域特征和q分量时域特征；
11、s22.将i分量时域特征和q分量时域特征通过concatenate层拼接融合，得到融合时域特征；
12、s23.将iq分量信号与融合时域特征连接进行恒等映射，得到iq分量时域特征。
13、进一步的，所述空间特征提取模块采用2d-cnn网络结构。
14、进一步的，所述分类识别模块包括gap层、dense层和softmax层。
15、进一步的，步骤s4将iq分量时空特征输入分类识别模块得到识别结果，包括：
16、s41.将iq分量时空特征输入gap层进行池化得到降维度特征；
17、s42.将降维度特征输入dense层得到处理特征；
18、s43.将处理特征输入softmax层，输出识别结果。
19、进一步的，在训练阶段中，使用初始学习率为0.001的adam优化器来优化模型，并采用categorical_crossentropy作为损失函数。
20、本专利技术的有益效果：
21、本专利技术通过先进行时域特征提取，再进行空间特征提取，避免了信号顺序性信息的丢失，同时充分利用信号的空间结构，从而更全面地捕捉了信号的关键特征。通过时域和空间两个方面的特征提取，本专利技术能够更细致地分析信号的时空特性，为调制识别提供了更为准确和全面的信息。tcn模块以因果膨胀卷积并行计算的方式，有效捕捉和建模长期依赖关系，同时通过多个卷积层的堆叠提取不同尺度的时域特征。通过2d-cnn操作将分开的iq两路时域特征融合，以提取信号间的相关性空间特征。由于因果膨胀卷积结构和分类识别模块中全局平均池化的应用，整体网络的参数量得到大幅减少。突显了本专利技术在提高性能的同时，兼顾了模型的轻量化设计。
本文档来自技高网...【技术保护点】
1.一种基于时空卷积网络的信号调制类别识别方法，其特征在于，构建并训练时空卷积网络模型，获取待识别调制信号的IQ分量输入训练好的时空卷积网络模型，输出识别结果；所述时空卷积网络模型包括时域特征提取模块、空间特征提取模块和分类识别模块；
2.根据权利要求1所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，所述时域特征提取模块包括TCN模块、Concatenate层和残差连接支路；所述TCN模块包括级联的两个TCN结构，每一个TCN结构包括4个级联的因果膨胀卷积层和一条残差分支；其中，4个级联的因果膨胀卷积层的卷积核大小均为7，dropout均为0.3，膨胀大小依次设置为1、2、4、8。
3.根据权利要求2所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，步骤S2将IQ分量信号输入时域特征提取模块，得到IQ分量时域特征，包括：
4.根据权利要求1所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，所述空间特征提取模块采用2D-CNN网络结构。
5.根据权利要求1所述的一种基于时空卷积网络的信号调制类别识
6.根据权利要求5所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，步骤S4将IQ分量时空特征输入分类识别模块得到识别结果，包括：
7.根据权利要求1所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，在训练阶段中，使用初始学习率为0.001的Adam优化器来优化模型，并采用categorical_crossentropy作为损失函数。
...【技术特征摘要】
1.一种基于时空卷积网络的信号调制类别识别方法，其特征在于，构建并训练时空卷积网络模型，获取待识别调制信号的iq分量输入训练好的时空卷积网络模型，输出识别结果；所述时空卷积网络模型包括时域特征提取模块、空间特征提取模块和分类识别模块；
2.根据权利要求1所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，所述时域特征提取模块包括tcn模块、concatenate层和残差连接支路；所述tcn模块包括级联的两个tcn结构，每一个tcn结构包括4个级联的因果膨胀卷积层和一条残差分支；其中，4个级联的因果膨胀卷积层的卷积核大小均为7，dropout均为0.3，膨胀大小依次设置为1、2、4、8。
3.根据权利要求2所述的一种基于时空卷积网络的信号调制类别识别方法，其特征在于，步骤s2将iq分量信号输...
【专利技术属性】
技术研发人员：陈发堂，刘泽，王华华，王丹，雷芳，
申请(专利权)人：重庆邮电大学，
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。