【技术实现步骤摘要】
本申请涉及无线通信，具体涉及一种基于脉冲卷积神经网络的调制识别方法、装置及设备。
技术介绍
1、对复杂电磁空间中的电磁信号进行快速、准确的调制识别是信息侦察、电子对抗、电磁频谱监测等无线通信领域的重要研究内容，其中，调制识别的常用方式是通过对目标信号的iq(in-phase/quadrature，同相正交)数据进行特征分析与提取，以此作为调制识别的依据，并利用特定设计的分类器给出处理结果。随着各类通信技术的快速发展，无线通信设备的数量和通信信号的种类急速增加，电磁频谱中通信信号密度不断提高，从而导致现有的调制识别技术已无法应对日益复杂的电磁环境，研究性能更为优越的调制识别方法愈显迫切。
2、随着深度学习技术的崛起，目前已有不少的研究将各种不同的深度学习算法和模型应用到调制识别领域，并取得了一系列的突出成果。然而，深度学习中大量应用且必需的如sigmoid、atan等非线性运算在实际的无线通信系统嵌入式设备中存在实现复杂、占用运算资源多、能耗高的问题，不利于无线通信系统性能的进一步提升与运行能耗的下降，因此，如何有效的基于深度学习实现调制识别，成为当前亟需解决的问题。
技术实现思路
1、本申请提供一种基于脉冲卷积神经网络的调制识别方法、装置及设备，通过改进的深度网络模型对无线信号进行调制识别，达到提高识别速度，降低运算功耗的效果，有助于无线通信系统性能的提升。
2、第一方面，本申请实施例提供一种基于脉冲卷积神经网络的调制识别方法，所述基于脉冲卷积神经网络的调制
3、将多个融合注意力机制的脉冲残差块连接组合，并通过lif神经元构建脉冲残差块的卷积层和全连接层；
4、基于连接组合的脉冲残差块，创建以脉冲残差神经网络为骨干网络框架并融合注意力机制的深度网络模型；
5、获取iq信号数据集以对创建的深度网络模型进行训练，从而基于训练完成的深度网络模型实现待识别iq信号数据的调制识别分类。
6、结合第一方面，在一种实施方式中，所述深度网络模型中的多个脉冲残差块依次连接。
7、结合第一方面，在一种实施方式中，所述深度网络模型还包括归一化层和全连接层，且深度网络模型的归一化层和全连接层均由lif神经元构成。
8、结合第一方面，在一种实施方式中，对于lif神经元，其中，lif模型用于描述神经元膜电位和神经元输入电流间的关系，且对于神经元膜电位的变化过程，具体表示为：
9、
10、其中，τm表示膜时间常数，rm表示电阻，v表示神经元膜电位，i表示各个突触前神经元放电行为所产生的突触电流之和，vrest表示膜电位静息电压。
11、结合第一方面，在一种实施方式中，对于神经元膜电位的变化过程，还可通过差分方式实现，具体的：
12、
13、其中，v(t)表示lif神经元膜电位电压，x(t)表示t时刻lif神经元接收到的脉冲总和，且当lif神经元膜电位电压超过设定阈值后，lif神经元发放脉冲，之后神经元膜电位恢复至零电位静息状态。
14、结合第一方面，在一种实施方式中，
15、所述脉冲残差块中包括用于学习特征内部之间关系的通道注意力机制；
16、所述通道注意力机制具体表示为：
17、
18、hc＝αc×hc
19、其中，αc表示通道c的注意力权重，fc表示通道c的注意力函数，c表示通道的总数，hc表示通道c的输入向量，exp表示自然指数函数。
20、结合第一方面，在一种实施方式中，对于通道注意力机制，具体的实现步骤包括：
21、对每个通道，均进行全局平均池化，每个通道得到1个标量，c个通道得到c个标量；
22、依次经过全连接层、relu激活函数、全连接层、sigmoid激活函数，得到c个0至1之间的标量，作为通道的加权；
23、将每个通道均采用对应的加权进行加权运算，得到新的加权后的特征。
24、第二方面，本申请实施例提供一种基于脉冲卷积神经网络的调制识别装置，所述基于脉冲卷积神经网络的调制识别装置包括：
25、构建模块，其用于将多个融合注意力机制的脉冲残差块连接组合，并通过lif神经元构建脉冲残差块的卷积层和全连接层；
26、创建模块，其用于基于连接组合的脉冲残差块，创建以脉冲残差神经网络为骨干网络框架并融合注意力机制的深度网络模型；
27、执行模块，其用于获取iq信号数据集以对创建的深度网络模型进行训练，从而基于训练完成的深度网络模型实现待识别iq信号数据的调制识别分类。
28、结合第二方面，在一种实施方式中，
29、所述深度网络模型中的多个脉冲残差块依次连接；
30、所述深度网络模型还包括归一化层和全连接层，且深度网络模型的归一化层和全连接层均由lif神经元构成。
31、第三方面，本申请实施例提供所述基于脉冲卷积神经网络的调制识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于脉冲卷积神经网络的调制识别程序，其中所述基于脉冲卷积神经网络的调制识别程序被所述处理器执行时，实现上述所述的基于脉冲卷积神经网络的调制识别方法的步骤。
32、本申请实施例提供的技术方案带来的有益效果包括：
33、通过将多个融合注意力机制的脉冲残差块连接组合，并通过lif神经元构建脉冲残差块的卷积层和全连接层，然后基于连接组合的脉冲残差块，创建以脉冲残差神经网络为骨干网络框架并融合注意力机制的深度网络模型，最后获取iq信号数据集以对创建的深度网络模型进行训练，从而基于训练完成的深度网络模型实现待识别iq信号数据的调制识别分类，将snn应用到调制识别中，结合深度学习，在iq信号数据集上进行训练，建立以脉冲残差神经网络为骨干网络框架并融合注意力机制的网络模型，相比于传统的深度学习模型，本申请中snn的应用将减少复杂的sigmoid、atan等非线性运算，进而在提高无线通信系统的运算性能的同时降低功耗，为深度学习在调制识别的应用提供新的思路和方法，达到提高识别速度，降低运算功耗的效果，有助于无线通信系统性能的提升。
本文档来自技高网...【技术保护点】
1.一种基于脉冲卷积神经网络的调制识别方法，其特征在于，所述基于脉冲卷积神经网络的调制识别方法包括：
2.如权利要求1所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于：所述深度网络模型中的多个脉冲残差块依次连接。
3.如权利要求1所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于：所述深度网络模型还包括归一化层和全连接层，且深度网络模型的归一化层和全连接层均由LIF神经元构成。
4.如权利要求2或3所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于，对于LIF神经元，其中，LIF模型用于描述神经元膜电位和神经元输入电流间的关系，且对于神经元膜电位的变化过程，具体表示为：
5.如权利要求4所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于，对于神经元膜电位的变化过程，还可通过差分方式实现，具体的：
6.如权利要求1所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于：
7.如权利要求6所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于，对于通道注意力机制，具体的实现步骤包括：
8.一种基于脉冲卷积神经网络的调制识别装置，其特征在于，所述基于脉冲卷积神经网络的调制识别装置包括：
9.如权利要求8所述的一种基于脉冲卷积神经网络的调制识别装置，其特征在于：
10.一种基于脉冲卷积神经网络的调制识别设备，其特征在于，所述基于脉冲卷积神经网络的调制识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于脉冲卷积神经网络的调制识别程序，其中所述基于脉冲卷积神经网络的调制识别程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于脉冲卷积神经网络的调制识别方法的步骤。
...【技术特征摘要】
1.一种基于脉冲卷积神经网络的调制识别方法，其特征在于，所述基于脉冲卷积神经网络的调制识别方法包括：
2.如权利要求1所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于：所述深度网络模型中的多个脉冲残差块依次连接。
3.如权利要求1所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于：所述深度网络模型还包括归一化层和全连接层，且深度网络模型的归一化层和全连接层均由lif神经元构成。
4.如权利要求2或3所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于，对于lif神经元，其中，lif模型用于描述神经元膜电位和神经元输入电流间的关系，且对于神经元膜电位的变化过程，具体表示为：
5.如权利要求4所述的一种基于脉冲卷积神经网络的调制识别方法，其特征在于，对于神经元膜电位的变化过程，还可通过差分方式实现，具...
【专利技术属性】
技术研发人员：柯特，曾韬，刘紫青，潘映梅，郑霖，邵百川，
申请(专利权)人：武汉邮电科学研究院有限公司，
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。