【技术实现步骤摘要】
本专利技术涉及调制信号处理，具体涉及一种调制信号的分类方法、装置及设备。
技术介绍
1、随着信息技术的飞速发展，无线通信系统对频谱资源的利用和管理要求日益提高。全无线频谱感知技术作为一种基于软件定义无线电的先进技术，能够实时监测无线频谱并评估信道质量和信号强度，为无线通信的高效运行提供了有力支持。然而，无线通信中调制信号的分类作为确保传输质量和稳定性的关键环节，面临着复杂多变的信道环境和噪声干扰的挑战。传统的调制信号识别方法主要依赖于人工选取的特征和决策边界，这种方法不仅复杂且效率低下，尤其在信道环境恶劣时，识别效果大打折扣。因此，探索一种高效、智能且可靠的自动调制识别技术，以应对无线通信中的复杂挑战，成为当前研究的迫切需求。
2、为了解决上述问题，研究者们提出了多种技术方案。其中，基于深度神经网络(dnn)的模型利用其在高维空间中提取复杂特征的能力，对调制信号进行分类，取得了一定的成效。此外，长短期记忆网络(lstm)因其能够捕捉信号时间序列特征的优势，也被应用于自动调制识别中。为了结合cnn在局部特征提取上的优势和lstm对序列数据长期依赖关系的建模能力，研究者们还构建了cldnn架构，实现了性能和复杂度的均衡，进一步提升了调制识别性能。
3、尽管现有技术在一定程度上提高了调制识别的准确率，但仍存在诸多不足。基于dnn的模型虽然在特定调制方式下表现良好，但在低信噪比环境下性能显著下降，且对专家特征有一定的依赖性，限制了其广泛应用。基于lstm的模型虽然能够捕捉时间序列特征，但对复杂调制信号的特征挖掘有
技术实现思路
1、为了解决现有技术中所存在的上述问题，本专利技术提供了一种调制信号的分类方法、装置及设备。
2、本专利技术要解决的技术问题通过以下技术方案实现：
3、第一方面，本专利技术提供了一种调制信号的分类方法，包括：
4、获取待分类调制信号；
5、将待分类调制信号输入预训练调制信号分类模型，获得调制信号分类结果；预训练调制信号分类模型设置有并行连接的预训练mamba模型和预训练mcldnn模型；预训练mamba模型基于选择性状态空间模型构建，并在mamba卷积块的基础上引入mamba时序层，mamba时序层结合选择性ssm机制和mlp结构，形成同质化堆叠模块；预训练mcldnn模型包括多个mcldnn卷积块和时序层，mcldnn卷积块用于提取局部特征，时序层用于捕捉长序列依赖；预训练调制信号分类模型采用调制信号样本和预设损失函数，基于初始mamba模型和初始mcldnn模型之间的相互学习策略构建得到。
6、可选地，预训练mcldnn模型包括：第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、第一时序层、第二时序层、第一全连接层以及第二全连接层；
7、第一卷积块、第二卷积块和第三卷积块并行连接，第二卷积块和第三卷积块的输出均与第四卷积块串联连接，第一卷积块的输出与第四卷积块的输出并联连接，第一卷积块和第四卷积块均与第五卷积块串联连接，第五卷积块依次与第一时序层、第二时序层、第一全连接层以及第二全连接层串联连接。
8、可选地，预训练mamba模型包括：第六卷积块、第七卷积块、第八卷积块、第九卷积块、第十卷积块、第一mamba时序层、第二mamba时序层、第三全连接层以及第四全连接层；
9、第六卷积块、第七卷积块和第八卷积块并行连接，第七卷积块和第八卷积块的输出均与第九卷积块串联连接，第六卷积块的输出与第九卷积块的输出并联连接，第六卷积块和第九卷积块均与第十卷积块串联连接，第十卷积块依次与第一mamba时序层、第二mamba时序层、第三全连接层以及第四全连接层串联连接。
10、可选地，第一全连接层和第三全连接层的输出维度均为128，第二全连接层和第四全连接层的输出维度均为11；mcldnn模型和mamba模型的优化器均采用adam。
11、可选地，预设损失函数表示为：
12、
13、其中，l1表示预设损失函数，crossentropyloss表示交叉熵损失函数，表示调制信号样本xlabel输入初始mcldnn模型的预测得分，表示调制信号样本xlabel输入初始mamba模型的预测得分，表示调制信号样本xlabel的真实标签，表示依据初始mcldnn模型的预测得分转化的独热编码，表示依据初始mamba模型的预测得分转化的独热编码。
14、可选地，预训练调制信号分类模型的训练过程包括：
15、获取调制信号样本；
16、将调制信号样本输入初始调制信号分类模型进行迭代训练；
17、将满足预设迭代停止条件的初始调制信号分类模型，作为预训练调制信号分类模型；
18、预设迭代停止条件包括：迭代次数大于预设迭代阈值或者预设损失函数持续收敛。
19、可选地，预训练mamba模型用于处理低信噪比环境下的待分类调制信号，并通过选择性ssm机制增强预训练调制信号分类模型的非线性表达能力与动态信息过滤效果。
20、第二方面，本专利技术提供了一种调制信号的分类装置，包括：
21、获取单元用于：获取待分类调制信号；
22、分类单元用于：将待分类调制信号输入预训练调制信号分类模型，获得调制信号分类结果；预训练调制信号分类模型设置有并行连接的预训练mamba模型和预训练mcldnn模型；预训练mamba模型基于选择性状态空间模型构建，并在mamba卷积块的基础上引入mamba时序层，mamba时序层结合选择性ssm机制和mlp结构，形成同质化堆叠模块；预训练mcldnn模型包括多个mcldnn卷积块和时序层，mcldnn卷积块用于提取局部特征，时序层用于捕捉长序列依赖；预训练调制信号分类模型采用调制信号样本和预设损失函数，基于初始mamba模型和初始mcldnn模型之间的相互学习策略构建得到。
23、第三方面，本专利技术提供一种调制信号的分类设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当调制信号的分类设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如上述第一方面调制信号的分类方法的步骤。
24、本专利技术提供了一种调制信号的分类方法、装置及设备。其中，一种调制信号的分类方法，包括：获取待分类调制信号；将待分类调制信号输入预训练调制信号分类模型，获得调制信号分本文档来自技高网...
【技术保护点】
1.一种调制信号的分类方法，其特征在于，包括：
2.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预训练MCLDNN模型包括：第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、第一时序层、第二时序层、第一全连接层以及第二全连接层；
3.根据权利要求2所述的调制信号的分类方法，其特征在于，所述预训练Mamba模型包括：第六卷积块、第七卷积块、第八卷积块、第九卷积块、第十卷积块、第一Mamba时序层、第二Mamba时序层、第三全连接层以及第四全连接层；
4.根据权利要求3所述的调制信号的分类方法，其特征在于，
5.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预设损失函数表示为：
6.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预训练调制信号分类模型的训练过程包括：
7.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预训练Mamba模型用于处理低信噪比环境下的待分类调制信号，并通过选择性SSM机制增强预训练调制信号分类模型的非线性表达能力与动态信息过滤效果。p>
8.一种调制信号的分类装置，其特征在于，包括：
9.一种调制信号的分类设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述调制信号的分类设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任一项所述调制信号的分类方法的步骤。
...【技术特征摘要】
1.一种调制信号的分类方法，其特征在于，包括：
2.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预训练mcldnn模型包括：第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、第一时序层、第二时序层、第一全连接层以及第二全连接层；
3.根据权利要求2所述的调制信号的分类方法，其特征在于，所述预训练mamba模型包括：第六卷积块、第七卷积块、第八卷积块、第九卷积块、第十卷积块、第一mamba时序层、第二mamba时序层、第三全连接层以及第四全连接层；
4.根据权利要求3所述的调制信号的分类方法，其特征在于，
5.根据权利要求1所述的调制信号的分类方法，其特征在于，所述预设损失函数表示为：
...
【专利技术属性】
技术研发人员：周峰，张霖润，张振熙，马建昆，谭浩月，
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。