CN109657604A - 基于循环神经网络的卫星幅相信号识别解调方法及装置 - Google Patents

Abstract

本发明属于卫星通信信号处理技术领域，特别涉及一种基于循环神经网络的卫星幅相信号识别解调方法及装置，该方法包含：针对训练样本集和测试样本集，构建调制识别与解调网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别与解调网络模型进行保存；接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；利用保存的调制识别与解调网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。本发明不需要预估目标信号载噪比，克服传统方法人为确定阈值等的缺陷，对信号频偏误差、定时误差容忍能力强，具有很强的工程应用前景。

Description

基于循环神经网络的卫星幅相信号识别解调方法及装置

技术领域

本发明属于卫星通信信号处理技术领域，特别涉及一种基于循环神经网络的卫星幅相信号识别解调方法及装置。

背景技术

信号的调制识别是指已知信号所在的调制集合，正确识别目标信号的调制类型，是通信侦察以及信号盲处理领域的一个重要研究课题。而信号解调作为进一步获取信号深层信息的手段，在民用等领域都有着相当大的需求。随着通信技术的不断发展，各式各样的新型调制方式不断出现，调制识别与解调技术也需不断改进和发展。卫星通信过程中，由于转发器的非线性，要求所发射的信号包络趋于恒定，因此常采用PSK调制类型信号，如BPSK、QPSK 和8PSK。随着时代发展，通信业务逐步增大，频谱资源的利用也变得越来越紧张，需采用更高阶的调制方式来提高频谱利用率，如16QAM。传统的信号识别中基于信号的幅度、频率和相位的瞬时特征、以及信号的时频特征来进行调制分类，其方法对噪声依赖大，在低信噪比条件下识别性能急剧下降。基于高阶累计量以及循环谱的方法对噪声相对不敏感，在低信噪比条件下，依旧具有较好的识别性能，但是该类方法计算复杂度高，实时处理能力较差，且需预估信号的载噪比。而信号解调相当于信号参数估计的过程，由于受到通信设备以及信道环境环境的影响，低信噪比下，参数估计的准确度往往难以达到解调要求，最终影响后续信息的获取。

随着大数据时代的到来，利用深度学习技术可对数据进行分析、挖掘出本质规律，在很多领域已有广泛运用。近年来，从事通信领域的工作者已经开始结合通信系统或者通信信号的本质进行深度学习的研究，如利用卷积神经网络拟合传统通信接收流程中的匹配滤波器功能，从而进行调制识别和接收检测，并验证基于深度学习技术的通信信号处理方法的可行性。通过构建编码神经网络、译码神经网络、信道自动编码网络等实现了通信信号的发送、接收、同步传输系统。但总体来说，基于信号调制识别以及解调的一体化设计方法较少，实现对信号的全流程分析仍需要大量人工介入，离认知无线电目标还存在一定距离。

发明内容

为此，本发明提供一种基于循环神经网络的卫星幅相信号识别解调方法及装置，将循环神经网络运用于卫星信号调制识别与解调领域，基于信号调制识别以及解调的一体化的多任务设计，针对卫星中常用的调制类型，如BPSK、QPSK、8PSK以及16QAM，完成抗频偏、抗定时偏差的识别和解调。

按照本发明所提供的设计方案，一种基于循环神经网络的卫星幅相信号识别解调方法，包含如下内容：

将预设样本信号数据划分为训练样本集和测试样本集；

构建调制识别与解调网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别与解调网络模型进行保存；

接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

利用保存的调制识别与解调网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。

上述的，调制识别网络与解调模型采用循环神经网络模型，该循环神经网络模型中利用循环神经单元挖掘输入信号数据的时序信息，每个时刻输出信息与当前输入和前一时刻输出关联。

上述的，调制识别网络模型设定为多任务系统，对输入信号数据执行调制识别和解调任务。

上述的，调制识别与解调网络模型包含LSTM模块、调制识别模块和解调模块，利用LSTM模块对输入信号数据进行时序信息提取，并将解析出的信号特征分别反馈给调制识别模块和解调模块。

上述的，调制识别网络模型中，训练过程包含调制识别模块训练和解调模块训练。。

优选的，调制识别网络模型训练过程中，对不同调制类别信号进行解调模块训练时，结合调制识别模块输出信息进行训练；当网络训练完成后，调制识别模块输出结果指导对应的解调模块完成解调操作。

更进一步，调制识别网络模型训练过程中，对调制识别集中添加新的调制方式时，对网络模型进行微调，即：调制识别模块最后一层增加相应节点数，解调模块增加对应的解调单元数，对网络模型进行再训练以适应新调制内容。

上述的，利用测试样本集检验训练后的网络模型收敛程度时，若达到预设收敛要求，则保存该调制识别与解调网络模型，否则，返回到重新对网络模型进行训练过程，直至达到预设收敛要求。

上述的，对目标信号进行预处理，包含如下内容：对目标信号进行载频粗估、符号速率估计、下变频处理及匹配滤波和采样变换，获取过采样信号；然后，对过采样信号进行分块处理，分块长度与网络模型输入维度一致，并对分块后的信号数据进行标准化处理，得到待识别数据。

一种基于循环神经网络的卫星幅相信号识别解调装置，包含：样本处理模块、模型构建模块、输入预处理模块和识别解调模块，其中，

样本处理模块，用于将预设样本信号数据划分为训练样本集和测试样本集；

模型构建模块，用于构建调制识别网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别网络模型进行保存；

输入预处理模块，用于接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

识别解调模块，用于利用保存的调制识别网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。

本发明的有益效果：

本发明结合深度学习技术，将其运用到通信信号调制识别与解调领域中，不需要预估目标信号载噪比，克服传统方法对信号先验信息依赖强、频偏容忍力弱以及需要人为阈值设定等的不足，对信号频偏误差、定时误差容忍能力强，具有很强的工程应用价值。值得说明的是，卫星上的调制类型不仅仅局限于4种，当需要对新的调制方式进行识别时，只需对原有训练好的模型进行微调训练，较传统方法需重新设定规则更加具有实用价值，对于卫星通信信号处理技术发展都具有重要的指导意义。

附图说明：

图1为实施例中信号识别解调方法流程示意图；

图2为实施例中与传统信号识别解调流程对比图；

图3为实施例中循环神经网络基本结构示意图；

图4为实施例中循环神经网络时间线展开示意图；

图5为实施例中LSTM的基本结构示意图；

图6为实施例中网络模型训练过程示意图；

图7为实施例中调制识别网络模型架构图；

图8为实施例中识别解调装置示意图；

图9为实施例中16APSK星座图；

图10为实施例中4种调制信号随信噪比变化的识别性能曲线图；

图11为实施例中可视化不同信噪比下识别结果和真实结果之间的混淆矩阵示意图；

图12为实施例中四种调制类型信号解调性能曲线图；

图13为实施例中新调制方式适应性仿真中网络模型的识别性能以及解调性能示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

目前，卫星通信信号调制识别的传统方法中存在对信号先验信息依赖强、频偏容忍力弱以及需要人为阈值设定等的不足，为此，本发明实施例中，参见图1所示，提供一种基于循环神经网络的卫星幅相信号识别解调方法，包含如下内容：

S101、将预设样本信号数据划分为训练样本集和测试样本集；

S102、构建调制识别与解调网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别与解调网络模型进行保存；

S103、接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

S104、利用保存的调制识别与解调网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。

卫星通信中，基带信号波形可以表示为:

其中Δf表示残余载波，φ为载波初相，T为符号周期，a_n为符号序列,g(t)为成型滤波器。

对于PSK类信号，有

a_n＝e^j(2i+1)π/M，i＝0,1,...,M-1 (2)

对于QAM类信号(M＝4ⁿ,n＝2,3,4...)，则有

采用DVB-S2中定义的标准，星座呈圆形且圆周个数少的APSK调制已应用在实际卫星通信领域，该调制方式克服了频谱资源紧张的问题，且相对于QAM信号而言，幅度类型少，降低了预失真校正的复杂性。对于APSK信号，有：

其中，r_k为第k个圆周半径；n_k为第k个圆周的星座点数，i_k为第k个圆周的星座点序号，θ_k表示第k个圆周的初始相位偏移。

实际通信过程中信号由于受到放大器的非线性效应，以及信道环境的作用，接收端信号存在一定的畸变。考虑实际环境的影响，接收端信号可以表示为：

从式中可以看出，发送信号在传输过程中，受到传输环境的影响，接收端信号在各方面都产生了一定的畸变：表示信号相位受时间变化的偏移情况，在一段时间内可假设频偏固定，因此该段时间内可表示为n_Clk(t)表示信号采样出现的定时偏差；h(t)表示残余信道影响，n_add(t)表示加性高斯白噪声。

传统的调制识别方法主要是通过对接收信号进行统计分析，提炼出一系列分类性能良好的特征，如平方谱、循环谱和高阶累计量等。而后利用一定的人工判决策略或基于机器学习的分类算法，对各信号的特征空间域进行划分。其中基于机器学习的信号分类算法有：支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree)和遗传算法等。传统算法的分类性能在很大程度上取决于所提取特征的固有分类能力，以及特征在复杂信道环境下的稳定性，因此特征的选取需要完备的理论指导以及丰富的专家经验。本发明再一个实施例中，通过探究深度学习领域的先进技术，调制识别网络模型采用循环神经网络模型，该循环神经网络模型中利用循环神经单元挖掘输入信号数据的时序信息，每个时刻输出信息与当前输入和前一时刻输出关联，来进行信号调制识别，规避了传统算法中人工提取特征的缺陷，通过对原始时间序列进行深层解析，达到特征的智能提取，最终实现目标信号的调制分类。

信号的解调过程是基于已知信号调制类型的基础上而进行的，与调制分类所不同的是，信号解调对信号的质量以及先验信息要求更高，需要更加精准的载波同步去频偏、定时同步以及信道均衡，处理流程复杂，且存在人工介入的情况。本发明另一个实施例中，调制识别网络模型设定为多任务系统，对输入信号数据执行调制识别和解调任务。通过搭建深度学习模型，将调制识别和解调一体到一个网络模型中，利用已知样本进行训练，最终完成对信号的解调过程。由图2传统信号与本发明实施例中处理流程对比，可以很清晰的看出,本发明实施例的中间流程少、集成化以及智能化程度更高。

循环神经网络(RNN)作为一类特殊的人工神经网络，主要用于时间序列处理领域。如图 3所示，循环神经网络是利用网络中的循环结构来挖掘样本的时序信息的，每个时刻输出层的信息不仅和当前的输入有关，前一时刻的输出同样影响着该时刻的输出，图中x表示输入数据；s表示隐藏层的值；o表示输出层的值，U表示输入层到隐藏层之间的权重矩阵，W是隐藏层上一次的值转换为的当前输入的权重矩阵；V表示隐藏层到输出层的权重矩阵.。将神经网络按照时间线展开，如图4所示，x_t表示t时刻输入层输入，o_t表示t时刻输出层输出； s_t表示隐藏层输出，从图中不难看出s_t的状态不仅由x_t决定,还取决于s_t-1。因此，循环神经网络的前向计算过程表示如下：

通过上述两个公式的循环迭代，可得：

从上式可以清晰看出，当前时刻循环神经网络的输出，不仅由当前的输入决定，还取决于网络前期的输入，这说明循环神经网络能够记忆历史信息。循环神经网络有一个非常严重的缺陷，即梯度消失问题。为了解决梯度消失问题，1997年Sepp Hochreiter和Jurgen Schmidhuber提出了长短时记忆(LSTM)模型。在LSTM模型中常规的神经元被储存单元代替，每个储存单元包含多个记忆细胞以及三个乘法控制单元；输入门、输出门和遗忘门，这三类门分别提供了读、写、重置的功能。门限由sigmoid激活函数和逐点乘法运算组成.在前向计算过程中，输入门控制着当前信息的输入，遗忘门控制着是否重置之前的记忆信息，输出门控制着当前记忆信息的输出。LSTM的基本结构如图5所示，根据图中所示，网络各状态更新如下：

其中，f_t,i_t,o_t分别表示遗忘门、输入门和输出门，l_t表示当前输入z_t生成的候选数值，c_t表示隐藏神经元的状态，[h_t-1,x_t]表示t-1时刻隐藏层的输出和t时刻的输入向量。W^f和b^f表示遗忘门的权重矩阵和偏置，Wⁱ和bⁱ表示输入门的权重矩阵和偏置；W^o和b^o表示输出门的权重矩阵和偏置，W^l和b^l表示当前时刻输入数据生成当前状态的权重矩阵和偏置，本发明实施例中可采用h_t＝LSTM(h_t-1,x_t)表示上述操作。

本发明再一个实施例中，调制识别与解调网络模型包含LSTM模块、调制识别模块和解调模块，利用LSTM模块对输入信号数据进行时序信息提取，并将解析出的信号特征分别反馈给调制识别模块和解调模块。进一步的，调制识别与解调网络模型中，训练过程包含调制识别模块训练和解调模块训练。通信信号调制识别与大多数分类问题相似，都是基于监督学习的算法对模型进行训练，进而测试未知数据。由于本发明实施例中需解决信号的调制识别和解调，属于多任务系统，对其训练过程主要分成两个部分：一是对调制分类神经模块进行训练，二是对各解调神经模块进行训练，具体训练方法如图6所示。本发明实施例中，与传统方法所不同的是，当需在已有调制集基础上添加新的一类或几类调制信号时，本发明实施例中方案，不需重新部署调制识别策略，而是对原有的网络模型进行结构微调和再训练，最终使得网络在原有识别和解调基础上，对新调制方式的解调识别也能正常进行。基本流程如下:(1)构造新调制信号数据集，数据集的构造需满足所构建网络的输入要求，并按照比例分成训练样本和测试样本；(2)对网络结构进行微调，调制识别模块输出节点数增加到最终调制识别类别数，解调模块中增加对新调制方式解调的子模块；(3)利用训练集对微调后的网络进行再训练，利用测试集检验网络的收敛过程，当网络达到稳态时，保存网络。

考虑到若将分类神经模块与解调神经模块同时进行训练时，网络因参数过多变得难以收敛，本发明实施例对训练策略进行了重新部署，利用测试样本集检验训练后的网络模型收敛程度时，若达到预设收敛要求，则保存该调制识别网络模型，否则，返回到重新对网络模型进行训练过程，直至达到预设收敛要求；主要目的是为了保证在信号的识别正确的前提下，利用解调模块进行信号解调，图7表示为本发明实施例中的神经网络架构图，利用长短时记忆模块对信号进行时序信息提取，并将解析出的特征分别用于调制识别模块以及信号解调模块；图中虚线表示，在对不同调制类别的信号进行解调模块训练时，可结合识别模块得出的信息，促进解调模块的训练；而当网络训练完成后，识别模块识别出的结果将指导对应的解调模块，完成目标信号解调操作；值得说明的是，当需对现有的调制识别集中添加新的调制方式时，只需对上述模型进行微调，调制识别模块最后一层增加相应的节点数，解调模块增加对应的小解调单元数，而后对网络进行再训练以适应新的调制内容。由图7可以看出，本发明实施例中，将信号调制识别和解调集成到同一体系下，使得整个系统具有自我学习，自我判断的能力，人工干预少，在一定程度上满足了认知无线电的要求。本发明实施例中，对目标信号进行预处理中，对目标信号进行载频粗估、符号速率估计、下变频处理及匹配滤波和采样变换，获取过采样信号；然后，对过采样信号进行分块处理，分块长度与网络模型输入维度一致，并对分块后的信号数据进行标准化处理，得到待识别数据。通过傅里叶变换进行载频粗估，并利用包络谱线估计出符号速率，用估计出的载频对信号进行下变频，根据符号速率计算方根并通过升余弦函数进行匹配滤波和采用率变换，最终获取基带4倍过采样复信号；然后，对信号进行分块处理，分块长度与神经网络输入维度需保持一致，对分块完的信号进行标准化处理。

本发明实施例中，对于调制识别模块的训练，将已分类模型中常见的损失函数交叉熵作为目标函数，网络优化准则为:

其中，表示目标信号的实际类别，为one-hot编码；为调制识别模块的输出，λ₁∑||w||²表示网络系数正则化，λ为正则化权重，通过正则化网络，可以有效的避免网络出现过拟合现象。N表示训练批次大小。

对于解调模块的训练，则采用均方误差(MSE,mean squared error)，且在设计过程中利用调制识别模块所得信息对目标函数进行优化，最终网络的优化准则为:

其中，表示真实的比特流数据；表示解调模块的输出值，p_i表示识别模块对该调制方式识别置信度。通过引入调制识别模块信息对信号进行指导,依此模拟现实过程中对不同信噪比解调的复杂度，符合客观实际。网络优化过程中，对于全连接层采用BP算法进行权值的更新，由于LSTM结构的特殊性，为了更好的适应其对时间序列的处理能力，LSTM单元的权重更新采用的是BPTT算法。

基于上述的方法，本发明实施例还提供一种基于循环神经网络的卫星幅相信号识别解调装置，参见图8所示，包含：样本处理模块101、模型构建模块102、输入预处理模块103和识别解调模块104，其中，

样本处理模块101，用于将预设样本信号数据划分为训练样本集和测试样本集；

模型构建模块102，用于构建调制识别网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别网络模型进行保存；

输入预处理模块103，用于接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

识别解调模块104，用于利用保存的调制识别网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。

为进一步验证本发明的有效性，下面通过具体的仿真性能实验做进一步解释说明：

对调制识别与解调性能进行仿真，待识别调制集为{BPSK，QPSK，8PSK，16QAM}。为了检验对新调制方式的适应性，另添加了一类卫星上常见的调制类型16APSK，如图9所示，采用DVB-S2中定义的标准，该调制方式由两个同心圆构成，半径之比为 r₁:r₂＝0.4135:1.1289,内外环星座点数为n₁＝4,n₂＝12,各环初相为θ₁＝π/n₁,θ₂＝π/n₂。训练样本如不做特别说明，仿真条件为：符号随机均匀产生且统计独立，采用均方根余弦成形，滚降系数在0.1～0.4之间随机选取，相对符号速率的归一化载频误差为±1×10^-2，信号质量(E_b/N₀)在0dB-20dB随机产生，过采倍数为4。

首先，调制识别进行仿真实验，信噪比范围为0～20dB，每个信噪比下进行1000次蒙特卡洛仿真。如图10所示，为本发明实施例中指定的4种调制信号随信噪比变化的识别性能，可以看出在低信噪比的情况下，本发明实施例中的技术方案性能明显由于传统算法。图11为可视化不同信噪比下识别结果和真实结果之间的混淆矩阵，(a)为0dB、(b)为6dB下低质量信号识别的混淆矩阵，图中低质量信号是指信号存在频偏、定时偏差、多径影响，其具体参数为相对符号速率的归一化载频误差为[-1×10^-2，1×10^-2]内随机分布，定义偏差在[-nsamp/3,nsamp/3]内随机分布，其中nsamp为过采倍数。多径数目为0至5条，各径能量距主径时间成指数衰减。可以看出在信号质量不理想的情况下，本发明实施例中技术方案依旧能准确对信号进行调制识别，具有一定的实际应用前景。

然后，解调进行测试，信号环境和上述实验一致，每个信噪比下对10000比特流生成的波形信号进行解调，按照上述方法解调流程对样本进行预处理，为方便统计每段解调样本之间不存在重叠，最终统计其误码率。如图12所示各类调制信号解调性能示意图，本发明实施例中的技术方案接近理论值(由于误码率为仿真值，其数值可能具有浮动性)，且在信号存在定时偏差、频偏以及多径时仍能取得可观的性能。

另，将基于DVB-S2标所定义的16APSK进行适应性仿真实验，首先按照上述算法流程对网络进行微调并再训练。最终网络对所选识别方式的识别性能以及解调性能如图13所示，图中(a)、(b)、(c)分别表示最终网络对16APSK的解调性能、网络最终识别率、6dB下信号识别混淆矩阵，由图可以看出，在低信噪比、定时偏差以及多径条件下以及表现优异，有效的证明了本发明实施例技术方案的工程应用性。

深度学习作为人工智能的前沿技术，正逐步运用于实际生活中各项领域。本发明结合深度学习技术的优势，将其运用到通信信号调制识别与解调领域，提出一种基于循环神经网络的调制分类解调技术方案，克服传统方法对信号先验信息依赖强、频偏容忍力弱以及需要人为阈值设定等的不足，具有很强的应用价值。值得说明的是，卫星上的调制类型不仅仅局限于上述的4种，当需要对新的调制方式进行识别时，只需对原有训练好的模型进行微调训练，较传统方法需重新设定规则更加具有实用价值。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。

基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/ 或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，包含如下内容：

将预设样本信号数据划分为训练样本集和测试样本集；

构建调制识别与解调网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别与解调网络模型进行保存；

接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

利用保存的调制识别网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。

2.根据权利要求1所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型采用循环神经网络模型，该循环神经网络模型中利用循环神经单元挖掘输入信号数据的时序信息，每个时刻输出信息与当前输入和前一时刻输出关联。

3.根据权利要求1所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型设定为多任务系统，对输入信号数据执行调制识别和解调任务。

4.根据权利要求1所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型包含LSTM模块、调制识别模块和解调模块，利用LSTM模块对输入信号数据进行时序信息提取，并将解析出的信号特征分别反馈给调制识别模块和解调模块。

5.根据权利要求4所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型中，训练过程包含调制识别模块训练和解调模块训练。

6.根据权利要求5所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型训练过程中，对不同调制类别信号进行解调模块训练时，结合调制识别模块输出信息进行训练；当网络训练完成后，调制识别模块输出结果指导对应的解调模块完成解调操作。

7.根据权利要求6所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，调制识别网络模型训练过程中，对调制识别集中添加新的调制方式时，对网络模型进行微调，即：调制识别模块最后一层增加相应节点数，解调模块增加对应的解调单元数，对网络模型进行再训练以适应新调制内容。

8.根据权利要求1所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，利用测试样本集检验训练后的网络模型收敛程度时，若达到预设收敛要求，则保存该调制识别网络模型，否则，返回到重新对网络模型进行训练过程，直至达到预设收敛要求。

9.根据权利要求1所述的基于循环神经网络的卫星幅相信号识别解调方法，其特征在于，对目标信号进行预处理，包含如下内容：对目标信号进行载频粗估、符号速率估计、下变频处理及匹配滤波和采样变换，获取过采样信号；然后，对过采样信号进行分块处理，分块长度与网络模型输入维度一致，并对分块后的信号数据进行标准化处理，得到待识别数据。

10.一种基于循环神经网络的卫星幅相信号识别解调装置，其特征在于，包含：样本处理模块、模型构建模块、输入预处理模块和识别解调模块，其中，

样本处理模块，用于将预设样本信号数据划分为训练样本集和测试样本集；

模型构建模块，用于构建调制识别网络模型，利用训练样本集对网络模型进行训练，并利用测试样本集检验训练后的网络模型收敛程度，将符合预设收敛要求的调制识别网络模型进行保存；

输入预处理模块，用于接收目标信号，并对该目标信号进行预处理，获取与网络模型输入信号一致的待识别数据；

识别解调模块，用于利用保存的调制识别网络模型对待识别数据进行调制识别，并利用调制识别结果进行信号解调，获取信号比特流数据。