CN113298031A - 一种考虑信号物理和时序特性的信号调制识别方法及应用 - Google Patents

Abstract

本发明公开了一种考虑信号物理和时序特性的信号调制识别方法及应用。该方法包括步骤：将待识别信号输入到基于神经网络的识别模型，所述识别模型包括特征提取网络和分类网络，所述特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，所述第一特征网络用于提取所述待识别信号的物理特征，所述第二特征提取网络用于提取所述待识别信号的时序特征，所述第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，所述第二特征提取网络为双向LSTM网络。本发明考虑了信号的物理特性和时序特性，提升了信号调制识别的准确率。

Description

一种考虑信号物理和时序特性的信号调制识别方法及应用

技术领域

本发明属于人工智能与通信系统交叉技术领域，更具体地，涉及一种考虑信号物理和时序特性的信号调制识别方法及应用。

背景技术

无线电信号调制类别盲识别是信号处理领域的典型问题，并且在各种民用和军用应用中起关键作用，例如干扰识别，频谱感测和监视，信号监视，电子战，信号情报和软件无线电系统。识别非合作无线电信号调制方式是信号检测和信号解调之间的中间过程。调制识别的目的是检测接收机处的无线电信号的调制类型。实质上，这是具有多个未知参数的多变量模式分类问题。随着未决信号数据的爆炸性增长，降低噪声影响并提高检测识别的速度和精度已成为这种应用的主要问题。

在过去的几十年中，自动调制识别的大多数研究都强调使用基于似然和基于特征的方法。比较这两种方法的先前工作已经发现，基于特征的方法可以通过较低的计算成本实现接近最优的性能。现有研究认识到无线电特征所起的关键作用，因此，传统方法的关键问题是选择哪些特征来提高识别精度。然而，当呈现大量无线电信号数据时，这些方法未能解决实时识别问题。机器学习方法，如支持向量机，k-近邻，决策树等也被用于提高低信号的识别精度噪声比，然而，这些方法通常无法实现复杂问题所需的精确表示。此外，传统的机器学习算法在很大程度上依赖于手动特征提取来降低信号数据的复杂性，并通过使模式更加明显来提高学习算法的有效性。由于这些功能通常由领域专家鉴别，然后手工编码，因此它是一个依赖于领域，耗时且容易出错的过程，称为手动特征工程，它对最终识别的影响比建模更大。随着深度学习技术的发展，卷积神经网络和循环神经网络也被应用于调制识别领域，但是现有的技术都没有考虑调制信号的物理特性及时序特性，对于高阶调制信号及噪声较大的信号，难以实现较好的性能。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种考虑信号物理和时序特性的信号调制识别方法及应用，可以提升信号调制识别的准确率。

为实现上述目的，按照本发明的第一方面，提供了一种考虑信号物理和时序特性的信号调制识别方法，包括步骤：

将待识别信号输入到基于神经网络的识别模型，所述识别模型包括特征提取网络和分类网络，所述特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，所述第一特征网络用于提取所述待识别信号的物理特征，所述第二特征提取网络用于提取所述待识别信号的时序特征，所述第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，所述第二特征提取网络为双向LSTM网络。

优选的，每个卷积块的膨胀卷积层包括第一膨胀卷积和第二膨胀卷积，头部卷积层分别与第一膨胀卷积和第二膨胀卷积相连，以将头部卷积层的输出并行输入给第一膨胀卷积和第二膨胀卷积。

优选的，属于同一个卷积块的第一膨胀卷积和第二膨胀卷积的膨胀率相同并且膨胀率可调节。

优选的，第一膨胀卷积采用tanh激活函数，第二膨胀卷积采用sigmoid激活函数。

优选的，头部卷积层为一维卷积层，其卷积核数量为64，卷积核的大小为1×1。

优选的，所述第一特征提取网络包括三个子模块。

优选的，该三个子模块的膨胀率分别为[1,2,4,8,16],[1,2,4,8],[1,2,4]。

优选的，所述识别模型的训练包括步骤：

采用包括各种类型数据的开源数据集对所述识别模型进行预训练；

采用由各种调制信号构成的目标数据集对经过预训练的所述识别模型进行微调训练。

按照本发明的第二方面，提供了一种考虑信号物理和时序特性的信号调制识别系统，包括：

识别模型，用于接收将待识别信号输入并输出识别的调制信号类别，所述识别模型包括特征提取网络和分类网络，所述特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，所述第一特征网络用于提取所述待识别信号的物理特征，所述第二特征提取网络用于提取所述待识别信号的时序特征，所述第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，所述第二特征提取网络为双向LSTM网络。

按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法。

总体而言，本发明与现有技术相比，具有有益效果：

(1)本发明充分考虑信号的物理和时序特性，采用包括膨胀卷积的第一特征提取网络和基于双向LSTM的第二特征提取网络，构建基于深度学习的识别模型，并通过实验分析，验证了算法能够有效提高信号调制识别的准确率。

(2)本发明能够有效地对高阶复杂调制信号进行识别，且具有较高的识别准确率，而且，对于信噪比较低的情况，也具有较强的适应性。

(3)本发明还针对本专利的识别模型，提出了基于开源数据集的调制识别领域迁移学习方法，为私有数据构建落地算法提供了技术路径。

附图说明

图1是本发明实施例的待识别信号的数据图；

图2是现有技术中的语音信号的波形图；

图3是现有技术的WaveNet网络结构图；

图4是本发明实施例的识别模型网络结构图；

图5是本发明实施例的识别模型训练示意图；

图6是本发明实施例的识别方法在6dB时的混淆矩阵。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明实施例的一种考虑信号物理和时序特性的信号调制识别方法，包括步骤：将待识别信号输入到基于神经网络的识别模型，识别模型包括特征提取网络和分类网络，特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，第一特征网络用于提取待识别信号的物理特征，第二特征提取网络用于提取待识别信号的时序特征，第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，第二特征提取网络为双向LSTM网络。

下面具体说明识别模型的原理和优选实现。

将本发明的识别模型命名为WaveBiLSTM。该模型框架分为两个部分，一是采用第一特征提取网络提取原始信号数据特征，第一特征提取网络为卷积神经网络(CNN)，本发明采用WaveNet来构建深度神经网络的CNN部分，WaveNet采用膨胀卷积能够较好地提取信号的特征；二是考虑调制信号的时序特征，如果只是简单采用CNN提取信号特征，就会丢失信号前后之间的关联性，因此，识别模型还采用双向LSTM作为第二特征提取网络来提取CNN特征图后续的信号时序特征，构建一种能够正确处理时间顺序并处理长期依赖的网络模型。本发明在Deepsig实验室开源的数据集RML 2018.01进行了算法测试，该数据集一个公开的且公认难度最大的调制识别数据集，包含24种调制方式，且包含大量复杂、高阶的调制类型，通过和现有最优基线算法进行了对比，验证了算法的有效性。此外，本发明还搭建了一个基于该数据集的迁移学习框架，即识别模型的训练方法，为在私有数据集上构建新的算法模型提供了可以迁移学习的技术路径。

(1)识别模型的总体框架

在端到端的基础上，构建基于卷积神经网络CNN+长短时记忆网络LSTM的模型+全连接网络的基本架构。其中，CNN+LSTM作为特征提取器，全连接网络作为分类器。此时本发明需要考虑的核心问题是，如何构建更好的CNN+LSTM特征提取器。

(2)基于CNN的第一特征提取网络

IQ数据如果将I路和Q路分别画出来，其结果如图1所示。它和语音信号非常相似，如图2所示，均呈现出波浪形。区别在于语音信号是连续的波形信号，而IQ数据是离散的点且IQ数据有I和Q两路信号。对于识别或者分类任务来说，无论是语音还是调制信号，如果采用原始的数据输入网络，构建端到端的网络架构，其机理是内在相通的，因此，本发明采用WaveNet模型来构建深度神经网络的CNN部分。WaveNet的核心是膨胀卷积层(DilatedConvolutions Layers)，它允许它正确处理时间顺序并处理长期依赖，而不会导致模型复杂性的爆炸。因果卷积提供了处理时间流的适当工具，但本发明需要进行额外修改以正确处理长期依赖性。事实上，本发明需要每个时间步一个额外的层才能增加输出的感受野。对于具有大量步骤的时间序列，使用简单的因果卷积来从整个历史中学习将很快使得模型方式在计算上和统计上更加复杂。

WaveNet使用膨胀卷积来避免这个问题，这使得感受野随着卷积层深度的增加呈指数增长。膨胀卷积(也称为空洞卷积)是一种卷积，在这种卷积中，滤波器通过跳过输入值以一定的步长应用于大于其长度的区域。在这个卷积中，通过在原来的滤波器中填充零从而形成一个更大的滤波器，这个卷积的效果更好。膨胀卷积有效地允许网络在比正常卷积更大的尺度上运行。这类似于池化或跨步卷积(卷积步长大于1)，但在膨胀卷积中，输出与输入具有相同的大小。作为一种特殊情况，当膨胀卷积的膨胀率为1时，该卷积就是标准卷积。描绘了膨胀率为1、2、4和8的膨胀因果卷积。

(3)基于双向LSTM的第二特征提取网络

本发明将膨胀卷积引入调制信号的智能化识别中，构建CNN+LSTM架构中的CNN模块，采用双向的LSTM网络构建RNN模块，此部分主要是想要通过双向的网络来提取特征图的双向时序信息。

(4)识别模型的整体网络结构

现有技术中的WaveNet网络如图3所示，本分发明基于膨胀卷积和双向LSTM的端到端调制识别网络框架如图4所示。

WaveBiLSTM网络模型是一个端到端的架构，网络的输入是原始的IQ数据，数据首先经过一系列的卷积块，这些卷积块的第一层是一个一维的卷积层，卷积层中卷积核的个数为64，卷积核的大小为1*1，没有考虑在前一层局部信息之间的关系。最早出现在NetworkIn Network的论文中，使用1*1卷积是想加深加宽网络结构，在Inception网络中用来降维。由于3*3卷积或者5*5卷积在几百个卷积核的卷积层上做卷积操作时相当耗时，所以1*1卷积在3*3卷积或者5*5卷积计算之前先降低维度。然后并行地输入两个膨胀卷积，这两个卷积的膨胀率是相同的，在模型中，本发明设置膨胀率为一个可调节的参数，这个参数的取值为[1,2,4,8,16…]，因此，膨胀率有多少个取值，卷积块中的膨胀卷积就相应地有多少个。

其中一个膨胀卷积采用的激活函数为tanh激活函数，另一个则采用sigmoid激活函数，然后将两个分量相乘，之后将其输入一个1*1的一维卷积中，然后卷积块头部的1*1卷积的输出与尾部1*1卷积进行残差连接，这部分的设计与WaveNet相同。卷积块之后是一个最大池化层，池化的尺寸是2，步长是2，这种卷积加池化的结构可以级联多个，以实现特征的深度提取。卷积块之后的结构是两个双向的LSTM，BiLSTM是传统LSTM的扩展，可以提高序列分类问题的模型性能。在输入序列的所有时间步长可用的问题中，双向LSTM在输入序列上训练两个而不是一个LSTM。输入序列中的第一个是原样的，第二个是输入序列的反转副本。这可以为网络提供额外的上下文，并导致更快，甚至更充分的学习问题。LSTM之后是全连接层，全连接层由三个Dense构成，前两层采用selu激活函数，最后一层采用softmax激活函数，最终输出调制识别的分类信息。

(5)识别模型的训练方法，即WaveBiLSTM的迁移学习框架

迁移学习能够将在一种环境中学到的知识用在另一个领域中来提高它的泛化性能。因此，采用迁移学习的方法来提高盲信号调制识别模型的稳定性和泛化能力是可行的。

盲信号智能调制识别使用迁移学习的技术途径主要有以下两种。一是直接利用现有的基于图像和语音的预训练模型进行迁移学习。这种方法已经广泛地应用与深度学习的各个领域。首先选择一个开源的基于超大数据集的预训练源模型，然后将该预训练模型作为盲信号调制识别模型的学习起点，根据模型训练使用的技术，全部或者部分使用于训练模型，最后，调整模型，模型可以在盲信号调制数据集中的输入-输出对上选择性地进行微调，以让它适应盲信号调制识别任务。二是采用调制信号领域开源的合成数据集预训练一个新网络，从预训练模型开始初始化深度网络权重。现有的调制信号数据获取的方式主要有三种，仿真软件生成，软件无线电平台(如USRP B210)合成以及真实环境下采集。由于模型最终需要部署到真实的环境中，如果直接采用仿真软件生成或软件无线电平台合成的数据训练模型，模型的泛化能力难以满足应用要求，另一方面，如果只用真实采集的数据，由于可用于训练的数据量较少，数据类别单一，模型性能又难以保证。可行的方案是，采用仿真软件生成或软件无线电平台合成的数据从头开始训练模型，然后将该模型作为预训练模型，输入真实环境下采集的数据对网络进行微调训练，这样不仅能够提升模型的训练速度，同时能够充分应用大量的仿真合成数据，这些数据虽然和真实环境中的数据有很大差距，但是能够拓展模型在特征空间的分布，提高模型的泛化能力。

在微调模型过程中，一种方法是采用预训练模型的结构将模型所有的权重随机化，然后对调制信号的数据集进行训练。另一种方法可以将预训练模型作为特征提取装置来使用。具体的做法是，将输出层去掉，然后将剩下的整个网络作为一个固定的特征提取机，从而应用到调制信号的数据集中。还有一种方法是使用预训练模型的方法对网络进行部分的训练，具体的做法是，将模型起始的一些层的权重保持不变，重新训练后面的层，得到新的权重。在这个过程中，本发明可以多次进行尝试，从而能够依据结果找到冻结层和重新训练层之间的最佳搭配。

本发明采用的构建迁移学习的识别模型训练方法如图5所示，整个迁移学习和微调的过程分为两大部分，离线训练和在线预测，具体步骤如下：

1.将在现有的、规模最大的开源数据集RML2018作为WaveBiLSTM的输入；

2.构建WaveBiLSTM模型。这一步其实是构建强泛化能力模型的关键部分，本发明希望能够获得一个鲁棒的、学习能力强的深度神经网络模型，能够对新的数据集具有较好的适应性；

3.将上一步构建的并训练好的模型作为目标数据集的预训练模型，进行迁移学习，然后在目标数据集上，然后在目标数据集上进行微调训练，得到离线训练最终的深度神经网络模型；

4.在线预测。将目标数据集输入离线训练最终的深度神经网络模型，得到调制识别数据的识别结果。

对本发明的信号调制识别方法在数据集上进行验证的过程和结果如下。

本方法在开源数据集RML 2018.01上进行验证，该数据集一个公开的且公认难度最大的调制识别数据集。该数据集一个包含24种调制方式，包括[32PSK,16APSK,32QAM,FM,GMSK,32APSK,OQPSK,8ASK,BPSK,8PSK,AM-SSB-SC,4ASK,16PS K,64APSK,128QAM,128APSK,AM-DSB-SC,AM-SSB-WC,64QAM,QPSK,256QAM,AM-DSB-WC,OOK,16QAM]。通过对调制方式的分析本发明发现，RML 2018包含了大量复杂、高阶的调制类型，比如16QAM、32QAM、64QAM、128QAM、256QAM，64APSK、128APSK、32PSK等等。其中，16QAM、32QAM、64QAM、128QAM、256QAM是公认的较难识别且容易混淆的调制类别。

该数据集的信噪比范围从-20dB到30dB，信噪比间隔为2dB，本发明对整个数据随机将其划分为训练集和测试集，比例为8：2，在后续的所有实验中均采用该比例。

CLDNN深度神经网络模型是由长短时记忆网络、卷积神经网络和全连接深度神经网络构成的CLDNN模型，卷积部分采用了一维卷积和一维最大池化构成卷积模块，激活函数采用relu；整个网络的结构为：输入—4*卷积模块(卷积模块中的卷积层为一维卷积，每个卷积层的卷积核个数为64，且每个模块包含一个最大池化层，池化的尺寸为2，步长为2)--2*LSTM层(每个LSTM包含50个节点)-全连接层(全连接层包含三层，节点数分别为128，128，24，采用的激活函数是selu激活函数)。

模型识别准确率指标测试中，使用的测试数据参数如下表所示：

表1数据集的划分

序号	数据集	数据总量	划分比例	训练数据量	测试数据量
						1	RML2018	2555904	8:2	2044723	511181
2	RML2020	660000	8:2	528000	132000

在WaveBiLSTM网络模型中，有两个重要的超参数：①膨胀率的设置；②级联的卷积块的个数。对于膨胀率的设置，本发明结合级联的卷积块的个数来设置。本发明选择级联的卷积块的个数为3个，每个卷积块中的膨胀率设置分别为[1,2,4,8,16],[1,2,4,8],[1,2,4],也就是说假设卷积块的个数为n，那么膨胀率就有n个，每一个的数值是2的指数幂，如n＝5，膨胀率则分别为：[1,2,4,8,16]，n＝7，膨胀率则分别为：[1,2,4,8,16,32,64]。三个卷积块中卷积核的个数分别为16，32和64，卷积核的尺寸均设置为8。使用的深度神经网络模型参数设置如下表：

表2深度神经网络模型参数设置

其他重要参数包括，为了保证划分的测试集没有在训练集中出现过，需要划分数据集时固定随机数，随机种子的设置为：np.random.seed(2020)。

模型离线训练完成之后，在线预测的步骤如下：

(1)按照固定的随机种子划分数据集，或者将待测的数据集置于特定目录下；

(2)对测试数据进行归一化处理；

(3)设置超参数，批尺寸batch_size,GPU个数GPU_COUNT；

(4)测试CLDNN模型，依次设置LSTM单元数为50-50和128-64，导入对应的离线训练好的模型权重，开始测试；

(5)测试WaveBiLSTM模型，依次设置膨胀率设置为5-3-3/5-4-3/7-5-3，导入对应的离线训练好的模型权重，开始测试；

(6)记录测试结果。

表3 WaveBiLSTM模型与CLDNN模型的性能对比

上表为WaveBiLSTM模型与基线模型CLDNN的性能对比，本发明可以得到如下结论：

①在基线模型的基础上，将LSTM的单元数增加基线模型的LSTM单元数为50-50(Baseline1)，增加后变成128-64(Baseline2)，能够提升模型的性能，性能提升的幅度为1.88％，然而继续将单元数增加时(Baseline3)，模型性能变化不明显。增加LSTM单元的数量对于模型的提升主要体现在中信噪比及高信噪比情况下，0dB以后，模型的性能提升为2.62％。为了公平更加公平地对比模型性能，WaveBiLSTM模型中的LSTM部分采用Baseline2的LSTM部分参数的设置，后续的对比也与Baseline2进行对比。

②与基线模型对比，WaveBiLSTM模型性能提升明显。在全信噪比情况下，与Baseline2对比，性能提升分别为4.33％、4.32％、4.66％，0dB以后，模型的性能提升为6.91％、6.69％、6.96％。小于等于7dB情况下，SNR＝6dB时，WaveBiLSTM模型的识别准确率分别达到88.4％，88.6％和89.1％。相比于基线模型Baseline2的77.7％，WaveBiLSTM模型的准确率提升幅度分别为10.7％，10.9％，11.4％，提升幅度均超过10％。

WaveBiLSTM3性能最高，其模型复杂度也是最高的，训练时间最长，参数量最大，WaveBiLSTM1-4性能差距不大，实际使用时可以根据需要选择模型的规模。相比于基线模型，WaveBiLSTM采用更大规模的参数量来获取调制信号的更加深层次的模式，从而提高调制识别的性能。

表4 WaveBiLSTM模型与基线模型的参数量及训练时间对比

③极低信噪比条件下，模型的改进对其识别性能影响很小。对所有的模型进行横向对比，当信噪比低于-2dB时，模型几乎难以很好完成调制信号的识别，信噪比在2-10dB区间时，WaveBiLSTM模型识别性能提升幅度最大。本发明的策略是，将全信噪比条件下训练的WaveBiLSTM模型作为预训练进行迁移。同时，本发明将截取0-10dB的数据作进一步分析。本发明将0-10dB时，对采用WaveBiLSTM3模型在各个调制方式下的识别性能进行分析。

表5 WaveBiLSTM3模型在各个调制方式下的识别性能

6dB时的混淆矩阵如下图所示。由图可知，OQPSK和8ASK容易混淆，高阶的QAM容易混淆，总体识别率较高。

本发明实施例的一种考虑信号物理和时序特性的信号调制识别系统，识别模型，用于接收将待识别信号输入并输出识别的调制信号类别，识别模型包括特征提取网络和分类网络，特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，第一特征网络用于提取待识别信号的物理特征，第二特征提取网络用于提取待识别信号的时序特征，第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，第二特征提取网络为双向LSTM网络。

信号调制识别系统的实现原理、技术效果与上述方法类似，此处不再赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一信号调制识别方法实施例的技术方案。其实现原理、技术效果与上述方法类似，此处不再赘述。

必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，包括步骤：

将待识别信号输入到基于神经网络的识别模型，所述识别模型包括特征提取网络和分类网络，所述特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，所述第一特征网络用于提取所述待识别信号的物理特征，所述第二特征提取网络用于提取所述待识别信号的时序特征，所述第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，所述第二特征提取网络为双向LSTM网络。

2.如权利要求1所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，每个卷积块的膨胀卷积层包括第一膨胀卷积和第二膨胀卷积，头部卷积层分别与第一膨胀卷积和第二膨胀卷积相连，以将头部卷积层的输出并行输入给第一膨胀卷积和第二膨胀卷积。

3.如权利要求2所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，属于同一个卷积块的第一膨胀卷积和第二膨胀卷积的膨胀率相同并且膨胀率可调节。

4.如权利要求2所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，第一膨胀卷积采用tanh激活函数，第二膨胀卷积采用sigmoid激活函数。

5.如权利要求1所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，头部卷积层为一维卷积层，其卷积核数量为64，卷积核的大小为1×1。

6.如权利要求1所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，所述第一特征提取网络包括三个子模块。

7.如权利要求6所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，该三个子模块的膨胀率分别为[1,2,4,8,16],[1,2,4,8],[1,2,4]。

8.如权利要求1所述的一种考虑信号物理和时序特性的信号调制识别方法，其特征在于，所述识别模型的训练包括步骤：

采用包括各种类型数据的开源数据集对所述识别模型进行预训练；

采用由各种调制信号构成的目标数据集对经过预训练的所述识别模型进行微调训练。

9.一种考虑信号物理和时序特性的信号调制识别系统，其特征在于，包括：

识别模型，用于接收将待识别信号输入并输出识别的调制信号类别，所述识别模型包括特征提取网络和分类网络，所述特征提取网络包括按顺序相连的第一特征提取网络和第二特征提取网络，所述第一特征网络用于提取所述待识别信号的物理特征，所述第二特征提取网络用于提取所述待识别信号的时序特征，所述第一特征提取网络包括按顺序相连的至少一个子模块，每个子模块包括卷积块和最大池化层，每个卷积块中包括按顺序连接的头部卷积层、膨胀卷积层和尾部卷积层，所述第二特征提取网络为双向LSTM网络。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。

Images