【技术实现步骤摘要】
本专利技术涉及信号识别，尤其涉及一种基于agrun-ddfn的信号调制识别方法。
技术介绍
1、信号调制识别是非合作方通信信号识别
核心关键问题，如何提取信号细微特征进行调制类型识别是一项挑战性任务。目前的研究主要分为两大类：一是利用专家人为经验遴选提取信号细微特征；二是基于人工智能自动提取信号细微特征。
2、基于专家经验的信号特征提取方法面临着对信号特征产生本质、数学工具运用和识别机理的认知不深入，对现代多模通信体制的信号特征理解和提取较为困难，导致特征提取较为复杂并且准确率低的问题。比较常用人工智能网络模型主要为卷积神经网络（cnn：convolutional neural networks）、循环神经网络（rnn：recurrent neuralnetworks）和生成对抗网络（gan：generative adversarial networks）等。但是仍然存在诸多技术问题。例如异构信号数据高效标注问题，在不稳定电磁环境下面临数据处理精度不高、数据表示形式单一、信号特征表现力和完整性不足等难题。同时还存在网络模型与训练泛化适配问题，受网络卷基层空间不变特性、信号体重差异性和数据样本数有限等因素制约，常规神经网络模型面临多模信号识别准确性不高、模型训练不均衡和小样本识别等难题。
技术实现思路
1、为了解决现有信号调制识别中存在的特征提取复杂以及信号调制识别准确率低的问题，本专利技术提出一种基于agrun-ddfn的信号调制识别方法，综合了注意力门控循环卷积
2、本申请公开了一种基于agrun-ddfn的信号调制识别方法，包括以下步骤：
3、s1、通过信号接收采样获取接收信号数据集，并将接收信号数据集划分为训练信号数据集和测试信号数据集；
4、s2、对接收信号数据集进行预处理，获得信号一维数据集和信号二维数据集；
5、s3、构建信号识别网络，信号识别网络包括串行级联的特征提取网络、融合层、连接层和输出层，特征提取网络包括解耦动态滤波卷积网络和注意力门控循环卷积网络并行级联的上下两条支路；
6、s4、使用经过预处理的训练信号数据集对信号识别网络进行深度学习训练，训练完成后的信号识别网络作为信号识别调制器；
7、s5、使用经过预处理的测试信号数据集作为信号识别调制器的输入，信号识别调制器的输出即为调制类型识别结果。
8、优选的，所述对接收信号数据集进行预处理包括以下步骤：
9、对接收信号数据集进行底噪自适应抵消，产生信号频谱较为平坦的信号数据集，为了统一信号数据集分量量纲以及接收调制信号噪声对信号识别网络数值溢出、网络收敛等不利影响，需对信号数据集进行归一化处理得到信号一维数据集，信号归一化处理为：
10、
11、其中，表示取均值，表示取标准差；
12、对信号一维数据进行时频变换处理，产生信号二维数据集。对信号一维数据集的时域数据，采用短时傅里叶变换（stft：short time fourier transform），即将一段长度为的时域信号，采用窗函数将信号分成多段进行傅里叶变换处理。窗函数在时间轴上滑动，对信号进行分段截取，再将窗函数与信号相乘，相乘的结果然后做dft计算得到时频矩阵，即信号二维时频图：
13、
14、其中，和为时间变量，为频率变量，为长度为的滑动窗函数，控制参与傅里叶变换数据长度和加窗类型。
15、对二维时频图进行归一化处理得到信号二维数据集。
16、优选的，所述特征提取网络的上支路为解耦动态滤波卷积网络，包括若干个解耦动态滤波卷积块，每个解耦动态滤波卷积块之后连接有一个池化层，最后一个解耦动态滤波卷积块经过池化层后与融合层连接。
17、所述特征提取网络的下支路为注意力门控循环卷积网络，包括若干个注意力门控循环卷积块，每个注意力门控循环卷积块之后连接有一个池化层，最后一个注意力门控循环卷积块经过池化层后与融合层连接。
18、优选的，所述池化层的池化方式为平均值池化，通过调整各个池化操作的参数，逐步去除冗余核特征精简化，以减少网络参数，增加泛化能力。
19、优选的，所述解耦动态滤波卷积网络的输入为信号二维数据集，注意力门控循环卷积网络的输入为信号一维数据集。
20、优选的，所述解耦动态滤波卷积块包括依次串行级联的第一卷积层、解耦动态滤波块和第二卷积层，所述解耦动态滤波卷积块采用捷径连接。
21、第一卷积层的数据处理均依次包括1×1卷积操作、批标准化处理和激活函数映射处理。解耦动态滤波块的数据处理依次包括解耦动态滤波、批标准化处理和激活函数映射处理。第二卷积层数据处理均依次包括1×1卷积操作、批标准化处理和激活函数映射处理。其中，标准化处理的作用是加快网络收敛过程以及加强特征分类效果。激活函数映射处理的激活函数均采用relu函数。
22、优选的，所述解耦动态滤波的数据处理依次包括空间滤波参数构造、通道滤波参数构造、空间通道滤波参数融合和核参数应用；
23、空间滤波参数构造包括以下步骤：
24、假设输入数据有个通道，其频率方向大小为，时间方向大小为，输入表示为，将期望生成的空间滤波器沿着频率方向的长度设置为，沿着时间方向的长度设置为，即期望使用的滤波器处理输入特征，则应用一个输入通道为，输出通道为的卷积层对其进行处理，，得到空间上参数，即：
25、
26、对的每个空间位置上长度为的向量进行归一化，即：
27、
28、
29、其中，和为可学习的参数，为频率位置为和时间位置为处输出的空间滤波参数；
30、将沿通道维度复制份到，规整后得到空间滤波参数；
31、通道滤波参数构造包括以下步骤：
32、对输入数据的每个通道取均值得到，再连续使用两个卷积对进行处理，最终得到通道分支参数，两个卷积分别表示为和，是取值范围为区间内的常数，即：
33、
34、
35、其中，为通道为、频率位置为、时间位置为处的输入数据；
36、将沿着第二个维度复制次，再沿着第三个维度复制次得到，规整后得到通道滤波参数；
37、空间通道滤波参数融合包括以下步骤：
38、将得到的空间滤波参数和通道滤波参数逐点对应相乘得到，再将的第一个维度拆解成大小为、和的三个新的维度得到最终的；
39、对于输入数据的每个通道、每个时间和每个频率位置，都具有对应的大小为的滤波参数，该滤波参数是根据输入动态生成，用于与输入信号进行卷积，称为动态卷积核。
40、核参数应用包括以下步骤：
41、应用动态卷积核参数对输入数据进行滤波，将得到的滤波输出结果记为，本文档来自技高网...
【技术保护点】
1.一种基于AGRUN-DDFN的信号调制识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述对接收信号数据集进行预处理包括以下步骤：
3.根据权利要求2所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述特征提取网络的上支路为解耦动态滤波卷积网络，包括若干个解耦动态滤波卷积块，每个解耦动态滤波卷积块之后连接有一个池化层，最后一个解耦动态滤波卷积块经过池化层后与融合层连接；
4.根据权利要求3所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述池化层的池化方式为平均值池化。
5.根据权利要求4所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述解耦动态滤波卷积网络的输入为信号二维数据集，注意力门控循环卷积网络的输入为信号一维数据集。
6.根据权利要求5所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述解耦动态滤波卷积块包括依次串行级联的第一卷积层、解耦动态滤波块和第二卷积层，所述解耦动态滤波卷积
7.根据权利要求6所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述解耦动态滤波的数据处理依次包括空间滤波参数构造、通道滤波参数构造、空间通道滤波参数融合和核参数应用；
8.根据权利要求7所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述注意力门控循环卷积块包括依次串行级联的门控循环单元模块和注意力变换模块。
9.根据权利要求8所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述注意力变换模块用于挖掘门控循环单元模块提取的特征向量之间的内在关系，注意力变换模块的网络训练公式如下：
10.根据权利要求9所述的基于AGRUN-DDFN的信号调制识别方法，其特征在于，所述融合层将维局部特征向量和维局部特征向量首尾拼接拓展为维融合特征向量，所述连接层采用的激活函数为ReLU函数，所述输出层采用Softmax函数进行多分类输出。
...【技术特征摘要】
1.一种基于agrun-ddfn的信号调制识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于agrun-ddfn的信号调制识别方法，其特征在于，所述对接收信号数据集进行预处理包括以下步骤：
3.根据权利要求2所述的基于agrun-ddfn的信号调制识别方法，其特征在于，所述特征提取网络的上支路为解耦动态滤波卷积网络，包括若干个解耦动态滤波卷积块，每个解耦动态滤波卷积块之后连接有一个池化层，最后一个解耦动态滤波卷积块经过池化层后与融合层连接；
4.根据权利要求3所述的基于agrun-ddfn的信号调制识别方法，其特征在于，所述池化层的池化方式为平均值池化。
5.根据权利要求4所述的基于agrun-ddfn的信号调制识别方法，其特征在于，所述解耦动态滤波卷积网络的输入为信号二维数据集，注意力门控循环卷积网络的输入为信号一维数据集。
6.根据权利要求5所述的基于agrun-ddfn的信号调制识别方法，其特征在于，所述解耦动态滤波卷积块包...
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。