CN111865849B - 一种信号调制的方法、装置和服务器 - Google Patents

Abstract

本发明涉及通信信号处理技术领域，公开了一种信号调制的方法、装置和服务器，该信号调制的方法包括：获取待识别信号的截短序列；基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；基于确定的调制方式对信号进行解调。该方法能够在非合作通信以及非理想信道条件下，实现低预处理要求、高识别精度的信号调制方式的识别，从而更加有效地集中资源对重要的信号参数进行阻塞式干扰。

Description

一种信号调制的方法、装置和服务器

技术领域

本发明涉及通信信号处理技术领域，特别涉及一种信号调制的方法、装置和服务器。

背景技术

自动调制识别技术主要应用于无线电频谱资源检测和管理、信号确认以及干扰识别等方面。无线电管理部门通过测量信号的发射频率、带宽和频率误差等特征参数，达到监听声音信号和定位非法干扰源的目的，利用无线电频谱相关特性，提高判定信号调制特性的能力，通过联网对比频率台站数据信息和检测数据库，区分不同性质的用户，防止未经授权的用户使用频谱源，保证合法用户的正常通信。调制识别是对非合法用户通信进行干扰和侦听的前提，只有识别出截获信号的调制类型，估计出相关调制参数，才能够进行信号的解调以及随后的信息分析和处理，从而能更加有效地集中资源对重要的信号参数进行阻塞式干扰。

目前自动调制识别技术还存在以下问题：

在实际的非合作通信系统中，接收端通常需要先对载波频率进行估计再进行下变频处理，但由于在无任何先验信息情况下进行载频估计肯定存在一定的误差。

特征提取方面，尽管已经有多种特征用于识别，但都基于经典信号处理方法进行人工提取，在面向实际通信环境时，存在对信号先验知识要求较多，特征提取工序复杂以及只提取单一特征用于调制识别且识别精度不够高的缺陷。

发明内容

本发明提供了一种信号调制的方法、装置和服务器，能够在非合作通信以及非理想信道条件下，实现低预处理要求、高识别精度的信号调制方式的识别，从而更加有效地集中资源对重要的信号参数进行阻塞式干扰。

为达到上述目的，本发明提供以下技术方案：

第一方面，本发明提供一种信号调制的方法，包括：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调。

可选地，所述基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，包括：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布。

可选地，所述将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布，包括：

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布。

可选地，所述将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图，包括：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力层用以得到重构时空特征图。

可选地，所述基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式，包括：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

第二方面，本发明还提供一种服务器，包括：处理器以及存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行以下步骤：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，得到所述待识别信号的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调。

可选地，所述服务器具体用于，通过下列方式确定所述待识别信号的截短序列的调制方式的概率分布：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布。

可选地，所述服务器具体用于，通过以下方式将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布。

可选地，所述服务器具体用于，通过以下方式将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力模块用以得到重构时空特征图。

可选地，所述服务器具体用于，通过下列方式确定所述待识别信号的调制方式：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

第三方面，本发明提供一种信号调制的装置，包括：

获取单元，用于获取待识别信号的截短序列；

概率分布确定单元，用于基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

调制方式确定单元，用于基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

解调单元，用于基于确定的调制方式对信号进行解调。

本发明实施例提供的信号调制的方法、装置和服务器，先对调制方式未知的待识别信号进行调制方式的识别，基于待识别信号的截短序列，确定待识别信号调制方式的概率分布，基于待识别信号的截短序列的调制方式的概率分布确定待识别信号的调制方式，能够在非合作通信以及非理想信道条件下，实现低预处理要求、高识别精度的信号调制方式的识别，然后，基于确定的调制方式对信号进行解调，以及随后的信号分析和处理，从而更加有效地集中资源对重要的信号参数进行阻塞式干扰。

附图说明

图1为本发明实施例提供的一种信号调制的方法的流程示意图；

图2为本发明实施例提供的一种深度注意力时空融合网络的示意图；

图3为本发明实施例提供的一种深度注意力时空融合网络的识别流程图；

图4为本发明实施例提供的一种深度注意力时空融合网络的结构示意图；

图5为本发明实施例提供的一种池化融合网络的执行过程的流程示意图；

图6为本发明实施例提供的一种末端分类网络的执行过程的流程示意图；

图7为本发明实施例提供的一种深度注意力时空融合网络的训练方法的流程示意图；

图8为本发明实施例提供的一种混淆矩阵的示意图；

图9为本发明实施例提供的一种信号调节的装置的结构示意图；

图10为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

需要说明的是，本申请的文件中涉及的术语“包括”和“具有”以及它们的变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

文中的术语“第一”、“第二”仅用于描述目的，而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

自动调制识别(Automatic modulation recognition,AMR)是对接收信号的调制方式进行识别的方法，在通信系统中，为了满足用户不同需求和充分利用信道容量，通信信号采用了不同的调制方式。随着通信技术的快速发展，用户对信息传输的要求不断提高，通信信号调制方式经历了从模拟到数字、从单载波到多载波的发展过程，形成了多种通信体制并存的局面。对于通信系统来说，调制方式是一个重要特征，采用不同调制方式传输的信号往往体现出不同的信号特征。

通信信号调制方式具体包括模拟和数字两大类，数字调制与模拟调制相比，抗干扰能力强，易于加密，适宜中继，且传输差错可以控制，因此数字调制得以广泛应用。按调制到载波的不同方式，分为频移键控(FSK)、幅度键控(ASK)、相移键控(PSK)和幅度相位联合键控(APK)。除此之外，还可以把信息调制到多个子载波上，称为多载波调制，包括正交多载波调制(OFDM)、MC-CDMA和编码MCM(Coded MCM)等。通信信号调制方式繁多，如何实现这些调制方式的自动识别一直被当做具有挑战性的研究问题。

图1示出了本申请实施例提供的一种信号调制的方法的流程图，该方法包括如下步骤：

步骤S101：获取待识别信号的截短序列；

其中，待识别信号为调制方式未知的信号，具体地，待识别信号为一段时间序列，时间序列中的每个数据为复信号，复信号实部位I路，虚部为Q路，待识别信号的截短序列为在待识别信号中截取的长度为L(L为正整数)的一段待识别复信号截短序列归一化后得到的序列，归一化即把待识别复信号的截短序列的幅度归一化到-1至1之间。

步骤S102：基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

步骤S103：基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

步骤S104：基于确定的调制方式对信号进行解调。

上述发明实施例提供的信号调制的方法，先对调制方式未知的待识别信号进行调制方式的识别，基于待识别信号的截短序列，确定待识别信号调制方式的概率分布，基于待识别信号的截短序列的调制方式的概率分布确定待识别信号的调制方式，能够在非合作通信以及非理想信道条件下，实现低预处理要求、高识别精度的信号调制方式的识别，然后，基于确定的调制方式对信号进行解调，以及随后的信号分析和处理，从而更加有效地集中资源对重要的信号参数进行阻塞式干扰。

上述发明实施例提供的方法中，基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，具体包括：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布。

上述方法中，不需要待识别信号的先验信息，不需要直接求解信号双谱、三谱等高阶谱特征，而是通过深度注意力时空融合网络提取信号的相关特征，提升了信号调制方式的识别率。

具体地，如图2所示，上述深度注意力时空融合网络包括：单向循环神经网络、循环卷积神经网络、池化融合网络以及末端分类网络。单向循环神经网络以及循环卷积神经网络与池化融合网络连接，池化融合网络与末端分类网络连接。其中，单向循环神经网络用于提取待识别信号的截短序列的时序特征图，循环卷积神经网络用于提取待识别信号的截短序列的空间特征图，池化融合网络用于实现时序特征图和空间特征图的融合与交互，得到重构时空特征图，末端分类网络用于根据重构时空特征图输出待识别信号的调制方式的概率分布。

在一种具体地实施方式中，将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布，如图3所示，包括以下步骤：

S301：将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

S302：将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

S303：将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布。

上述方法中，待识别信号调制方式识别时，不需要人工提取特征，借助于深度学习与深度神经网路强大的提取特征与分类识别功能，计算过程简单，可极大地简化提取特征过程。

在一种具体地实施方式中，深度注意力时空融合网络的具体结构，如图4所示。

上述单向循环神经网络为仅包含前向传递的循环神经网络，即网络输入通过时间往后传递，当前隐藏层的输出取决于当前层的输入和上一层的输出，因此当前隐藏层的输出信息包含了之前时刻的信息，表达出对之前信息的记忆能力，具体地，单向循环神经网络可以包括输入层、隐藏层以及自注意力层，其中，隐藏层可以采用长短期记忆单元LSTM，或者，门控循环单元GRU，或者线性与非线性变换组合，自注意力层采用自注意力机制，通过自注意力机制对时序特征图的时间维关系进行建模。单向循环神经网络提取待识别信号的截短序列的时序特征并嵌入自注意力机制，可以进一步增强时序特征的有效性，进而提升识别精度。

在一种具体地实施方式中，将待识别信号的截短序列输入上述单向循环神经网络的输入层，其中，待识别信号的截短序列的长度为L，待识别信号的截短序列的维度为2×L，长度L可以设定为128，待识别信号的截短序列的维度为2×128，经过单向循环神经网络的计算输出待识别信号的截短序列的时序特征图，输出的时序特征图的维度可以设定为128×128。

上述循环卷积神经网络可以为在卷积神经网络的基础上对层级间的特征同时进行了前向与后向传递融合的神经网络，具体地，循环卷积神经网络可以包括输入层、第一卷积层、第一池化层、第一批归一化层、第二卷积层、第二池化层、第二批归一化层、第三卷积层、第三池化层、第三批归一化层、第四卷积层、第四池化层、第四批归一化层以及通道注意力层，通道注意力层通过通道注意力机制实现对待识别信号的截短序列的空间特征图的通道维关系进行建模。循环卷积神经网络在卷积神经网络的基础上构建前向与后向连接以实现待识别信号的截短序列的空间特征提取，并嵌入通道注意力机制，可以进一步增强空间特征的有效性，进而提升识别精度。

在一种具体地实施方式中，将待识别信号的截短序列输入上述循环卷积神经网络，其中，待识别信号的截短序列的长度为L，待识别信号的截短序列的维度为2×L，长度L可以设定为128，待识别信号的截短序列的维度为2×128，得到待识别信号的截短序列的空间特征图，输出的空间特征图的维度可以设定为1×18×128。

上述池化融合网络可以为基于通道维的平均池化与最大池化操作进行时空特征融合并通过空间注意力机制进行特征图不同位置特征点间的关系进行建模的神经网络。具体地，池化融合网络可以包括第一拼接层、平均池化层、最大池化层、第二拼接层以及空间注意力层，空间注意力层采用空间注意力机制，能够对特征图不同位置特征点间的关系进行建模。池化融合网络嵌入空间注意力机制能够实现调制信号时空特征的有效重构，直接反应为识别精度提升。

在一种具体地实施方式中，所述将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图，如图5所示，包括以下步骤：

S501：将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

例如，将维度为128×128的时序特征图和维度为1×18×128的空间特征图输入第一拼接层，第一拼接层先对时序特征图进行缩放，形成维度为1×18×128的时序特征图，再将维度为1×18×128的时序特征图和维度为1×18×128的空间特征图进行通道维拼接以实现时空特征融合，得到维度为2×18×128的第一拼接特征图；

S502：将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

例如，将维度为2×18×128的第一拼接特征图分别输入平均池化层和最大池化层进行基于通道维的池化操作，得到维度为18×128×1的第一池化特征图以及维度为18×128×1的第二池化特征图；

S503：将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

例如，将维度为18×128×1的第一池化特征图、维度为18×128×1的第二池化特征图以及维度为2×18×128的第一拼接特征图输入第二拼接层进行拼接，得到时空特征融合后的维度为18×128×4的第二拼接特征图；

S504：基于所述第二拼接特征图，利用池化融合网络的空间注意力层用以得到重构时空特征图。

例如，将维度为18×128×4的第二拼接特征图输入空间注意力层通过空间注意力机制对特征图不同位置特征点间的关系进行建模，得到维度为18×128×4重构时空特征图。

上述方法中，时序特征与空间特征互补识别能较好的提升特征多样性，池化融合网络能有效建立时序特征与空间特征的关联性，空间注意力机制能增强特征有效性从而提升信号调制识别的性能。

上述末端分类网络可以为全连接神经网络和DBN深度信念网络中的一种或者两种组合，具体地，末端分类网络可以包括全连接层、Softmax层以及输出层。

在一种具体地实施方式中，维度为18×128×4重构时空特征图输入全连接层，对重构时空特征图进行平铺操作以及线性/非线性变换，输出一个特征向量，将这个特征向量输入Softmax层，输出层输出待识别信号的截短序列的调制方式的概率分布。

例如，待识别调制信号的调制方式可以分为11中，具体可以为8种数字调制信号，3种模拟调制信号，分别为8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM，概率分布用于表征待识别信号属于各调制方式的概率，例如，与上述11种调制方式对应的概率分布可以为[0，0，0，0，0.1，0.1，0，0.6，0.2，0，0]。

在一种具体地实施方式中，所述基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式，如图6所示，包括以下步骤：

S601：基于所述概率分布，获取所述概率分布中的最大值；

例如，输出的概率分布[0，0，0，0，0.1，0.1，0，0.6，0.2，0，0]中，最大值为0.6；

S602：获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式；

例如，概率分布[0，0，0，0，0.1，0.1，0，0.6，0.2，0，0]中最大值0.6对应的调制方式为QAM16，则确定QAM16为待识别信号的调制方式。

为了使深度注意力时空融合网络能够针对待识别信号准确地进行调制方式的识别，需要预先对深度注意力时空融合网络进行训练。本申请实施例还提供了一种深度注意力时空融合网络的训练方法。如图7所示，该训练方法包括如下步骤：

S701：获取训练数据集，训练数据集包括至少一个训练信号，训练信号标记有调制方式标签；

具体地，对于C(C为正整数)种调制方式的发射信号，通过信号采集装置进行测量，生成并保存原始数据集；C可以为11，C种调制方式可以包括8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM；

其中，在a dB至b dB的信噪比范围内，每隔p dB作为一个采样点，在每个采样点上，对于每种调制方式，信号采集装置采集N个信号，因此，原始数据集中包含C种调制方式的发射信号，共有C×N×{[(b-a)/p]+1}个信号；根据调制方式对原始数据集中的信号进行标记，以明确其归属调制种类，且原始数据集中的信号为一段时间序列，且时间序列中的每一个数据为复信号，复信号实部为I路，虚部为Q路；对原始数据集中每个复信号中取长度为L的一段复信号截短序列，对复信号截短序列进行归一化操作，即把复信号截短序列的幅度归一化到-1至1之间，得到归一化后的原始复信号截短序列；原始数据集中的每个信号对应的归一化后的原始复信号截短序列组成训练数据集，每个归一化后的原始复信号截短序列为训练数据集中的训练信号。

其中，a与b的取值范围可以为-20≤a＜b≤18；p的取值范围为p＜(b-a)；[(b-a)/p]表示对(b-a)/p向下取整数。

S702：将训练数据集中的训练信号输入深度注意力时空融合网络，得到训练数据集中训练信号的调制方式的概率分布，概率分布用于表征训练信号属于各调制方式的概率；

具体地，将训练信号分别输入深度注意力时空融合网络的单向循环神经网络和循环卷积神经网络，得到时序特征图和空间特征图；将时序特征图和空间特征图输入池化融合网络，得到重构时空特征图；将重构时空特征图输入末端分类网络，得到训练信号的调制方式的概率分布；

S703：基于训练信号的调制方式的概率分布与训练信号的调制方式标签，利用反向传播算法迭代调整深度注意力时空融合网络的参数，生成最终的深度注意力时空融合网络识别模型。

具体地，根据训练信号的调制方式标签，可以得到训练信号所属调制方式的实际概率，将训练信号的调制方式的概率分布与训练信号的所属调制方式的实际概率进行比较，利用反向传播算法迭代调整网络参数，生成最终的识别模型。

在一种具体地实施方式中，对上述深度注意力时空融合网络识别模型可以进行识别精度的实验验证，选取11种待识别调制信号，8种数字调制信号，3种模拟调制信号，分别为8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM，通过Python仿真信号生成与采集装置及对应流程，在仿真信号采集的过程中加入多径衰落，采样率与中心频率偏移因素。

首先，选取-20dB至18dB的信噪比范围，每隔2dB作为一个采样点，在每个采样点上，对于每种调制方式，各采集750组长度为128点的复信号截短序列，进行归一化操作后作为训练数据集，训练数据集中每个复信号截短序列调制方式已知；然后对11种调制方式在相同的信噪比采样点上各采集250组长度为128点的复信号截短序列，进行归一化操作后作为待识别数据集，待识别数据集中每个复信号截短序列的调制方式未知。

使用深度注意力时空融合网络作为学习器来训练模型，即使用循环卷积神经网络输出信号空间特征图，使用单向循环神经网络输出信号时序特征图，使用池化融合网络来完成时间特征图与空间特征图中时空特征的交互与融合，输出重构时空特征图，使用末端分类网络进行调制方式的概率分布输出，将采集的11种调制方式信号的原始数据集产生的每个信噪比采样点各750条共计165000条复信号截短序列作为输入送入深度注意力时空融合网络，以对应的实际调制方式作为标签，进行有监督学习与训练，网络超参数可以设置如下：训练迭代次数Training epochs：50，批处理容量Batch size：256，优化器Solver type:Adam(Adaptive Moment estimation)，初始学习率Base learning Rate：0.0001，得到一个训练好的深度注意力时空融合网络识别模型。

图8为深度注意力时空融合识别网络模型分类结果的混淆矩阵，混淆矩阵是总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的复信号截短序列按照真实的调制方式类别与分类模型预测的类别两个标准进行汇总，其中矩阵的行表示真实值，矩阵的列表示预测值，由图7可知，11类调制方式，由于信号数据长度有限使得观察窗口较为狭窄，WBFM与AM-DSB呈现出一定的类间混淆，但QAM16与QAM64的区分程度在可接受范围内。

在非合作通信场景中，多种信号混合，信道环境不理想且缺少对信号先验知识的预判，预处理流程难以进行的条件下，例如对战场调制信号的粗识别，基于深度注意力时空融合网络的信号调制方式识别能保持较好的识别鲁棒性，同时保证QAM信号(QAM16与QAM64)的类内识别性能。

基于同样的发明构思，本发明实施例提供一种信号调制的装置，由于该装置即本发明实施例方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

如图9所示，本发明实施例提供的一种信号调制的装置，包括：

获取单元901，用于获取待识别信号的截短序列；

概率分布确定单元902，用于基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

调制方式确定单元903，用于基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

解调单元904，用于基于确定的调制方式对信号进行解调。

作为一种可选地实施例，概率分布确定单元902具体用于：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布。

作为一种可能的实施例，概率分布确定单元902用于通过下列方式确定概率分布：

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布。

作为一种可选的实施例，概率分布确定单元902用于通过下列方式得到重构时空特征图：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力层用以得到重构时空特征图。

作为一种可选的实施例，调制方式确定单元903用于通过以下方式确定待识别信号的调制方式：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

基于同样的发明构思，本发明还提供一种服务器，如图10所示，该实施例服务器包括：处理器1001以及存储器1002，其中，所述存储器1002存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器1001执行以下步骤：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，得到所述待识别信号的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调。

由于该服务器中的处理器在运行时执行的处理步骤与本发明的信号调制的方法中的处理步骤相同，并且该服务器解决问题的原理与该方法相似，因此该服务器的有益效果与本发明实施例的信号调制的方法的有效效果相同，在此不再赘述。

在一种可能的实施例中，所述服务器具体用于，通过下列方式确定所述待识别信号的截短序列的调制方式的概率分布：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布。

在一种可能的实施例中，所述服务器具体用于，通过以下方式将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布。

在一种可能的实施例中，所述服务器具体用于，通过以下方式将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力模块用以得到重构时空特征图。

在一种可能的实施例中，所述服务器具体用于，通过下列方式确定所述待识别信号的调制方式：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

基于同样的发明构思，本发明实施例提供一种存储介质，存储介质中存储程序代码，程序代码被设置为运行时执行以下步骤：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调。

以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种信号调制的方法，其特征在于，包括：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调；其中，

所述基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，包括：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；其中，

所述将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布，包括：

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布；其中，

所述将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图，包括：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力层用以得到重构时空特征图。

2.如权利要求1所述的方法，其特征在于，所述基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式，包括：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

3.一种服务器，其特征在于，包括：处理器以及存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行以下步骤：

获取待识别信号的截短序列；

基于所述待识别信号的截短序列，得到所述待识别信号的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

基于所述待识别信号的调制方式的概率分布，确定所述待识别信号的调制方式；

基于确定的调制方式对信号进行解调；其中，

所述服务器具体用于，通过下列方式确定所述待识别信号的截短序列的调制方式的概率分布：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；其中，

所述服务器具体用于，通过以下方式将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布；其中，

所述服务器具体用于，通过以下方式将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力模块用以得到重构时空特征图。

4.如权利要求3所述的服务器，其特征在于，所述服务器具体用于，通过下列方式确定所述待识别信号的调制方式：

基于所述概率分布，获取所述概率分布中的最大值；

获取所述最大值对应的调制方式，将所述最大值对应的调制方式设置为所述待识别信号的调制方式。

5.一种信号调制的装置，其特征在于，包括：

获取单元，用于获取待识别信号的截短序列；

概率分布确定单元，用于基于所述待识别信号的截短序列，确定所述待识别信号的截短序列的调制方式的概率分布，所述概率分布用于表征所述待识别信号属于各调制方式的概率；

调制方式确定单元，用于基于所述待识别信号的截短序列的调制方式的概率分布，确定所述待识别信号的调制方式；

解调单元，用于基于确定的调制方式对信号进行解调；其中，

概率分布确定单元具体用于：

将所述待识别信号的截短序列输入训练后的深度注意力时空融合网络，用以得到所述概率分布；其中，

概率分布确定单元用于通过下列方式确定概率分布：

将所述待识别信号的截短序列分别输入所述深度注意力时空融合网络中的单向循环神经网络和循环卷积神经网络，用以得到所述待识别信号的截短序列的时序特征图和空间特征图；

将所述时序特征图和所述空间特征图输入所述深度注意力时空融合网络中的池化融合网络，用以得到所述待识别信号的截短序列的重构时空特征图；

将所述重构时空特征输入所述深度注意力时空融合网络中的末端分类网络，用以得到所述待识别信号的截短序列的调制方式的概率分布；其中，

概率分布确定单元用于通过下列方式得到重构时空特征图：

将所述时序特征图和空间特征图输入所述池化融合网络的第一拼接层进行时空特征融合，用以得到第一拼接特征图；

将所述第一拼接特征图分别输入所述池化融合网络的平均池化层和最大池化层进行基于通道维的池化操作，用以得到第一池化特征图和第二池化特征图；

将第一池化特征图、第二池化特征图以及第一拼接特征图输入所述池化融合网络的第二拼接层进行时空特征融合，用以得到第二拼接特征图；

基于所述第二拼接特征图，利用池化融合网络的空间注意力层用以得到重构时空特征图。

Images