CN113392731B - 一种基于图神经网络的调制信号分类方法和系统 - Google Patents

Abstract

一种基于图神经网络的调制信号分类方法，包括：步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；步骤S2、将所属四通道信号分别转换成对应的四通道无向网络图信号；步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道的特征向量；步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合全连接层完成信号的分类；步骤S5、调节可视窗大小，重复步骤S2‑步骤S4步骤至效果最佳。本发明还包括一种图神经网络的调制信号分类系统。本发明能改进现有的可视图算法使其适用于调制信号，贴合调制信号中每个调制符号之间相互较为独立的特性，同时尽可能降低计算时间。

Description

一种基于图神经网络的调制信号分类方法和系统

技术领域

本发明属于数据挖掘技术领域，尤其涉及一种基于图神经网络的调制信号分类方法和系统。

背景技术

在无线电通信领域中，无线电信号监视和管理的基本工作是掌握什么是无线电信号，它们来自何处以及该做什么，而信号调制分类的目的是解决信号是什么的问题。随着大数据时代的到来、人工智能技术的迅速发展以及面向学术界和工业界的需求，以深度学习为代表的现代机器学习方法(例如卷积神经网络、循环神经网络、长短期记忆网络、全卷积神经网络等)也开始在无线电通信领域迅速兴起和发展，其表现出的强大的从大数据中自动学习数据本质特征及抽象表达的能力引起了广泛关注。除此之外，图数据非欧式空间的特殊结构、成熟复杂网络理论的应用以及图神经网络强大的特征提取能力，让人开始考量图映射是否具有提取更多时间序列有效特征及其他的能力。通过复杂网络理论，将信号数据转换成网络图数据，然后用网络图分析方法来分析对应的信号数据。将时间序列和复杂网络进行耦合，通过研究网络的拓扑结构能够有效挖掘出时间序列的序列结构特征且图数据结构的安全性也不容小觑。当今学界中已有多种通过复杂网络理论实现时间序列分类任务的方法(例如可视图(VG)、水平可视图(HVG)、有限穿越可视图(LPVG)等)，并且实验证明这些建立网络的方法都能够提取并保留时间序列的周期、分形、混沌动力学等的特征。但是上述映射算法在无线电信号调制分类任务上表现并不出色，并且其网络构建过程费时费力，因此在现有研究的基础上改进可视图算法，建立更适合于调制信号的网络图或是结合强大的图卷积神经网络设计端到端自动映射分类模型是非常有意义的。

申请号为CN201610889168.1的专利所公开的技术方案，基于复杂网络的脑电信号分析方法及应用。该方法对脑电信号序列数据集进行分类，在对原始脑电信号进行归一化和滤波等预处理操作后,对每一个多尺度脑电信号,构建水平有限穿越可视图复杂网络，然后计算并提取出每一个网络图的特征指标，最后结合机器学习中的支持向量机分类器实现对脑电信号序列的分类。类似的可视图建网算法在处理调制信号分类任务时表现不尽人意，计算费时较久，且传统的机器学习方法对网络图特征的提取能力也相当有限。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于图神经网络的调制信号分类方法和系统。

为实现上述目的，本发明采用如下的技术方案：

一种基于图神经网络的调制信号分类方法，包括：

步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；

步骤S2、采用基于注意力的有限穿越可视图建网算法将四通道信号分别转换成对应的四通道无向网络图信号；

步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道信号的特征向量；

步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合图神经网络中的全连接层完成信号的分类；

步骤S5、调节可视窗大小，重复步骤S2-步骤S4步骤至效果最佳。

作为优选，步骤1中，读取I/Q调制信号数据，根据其其所属领域专业知识，处理每个信号数据的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道信号。

作为优选，步骤2中，预设视野窗w参数，将每个I、Q、A和W四个通道的序列分别转换成四通道无向网络图

和/>

其中，信号序列的时间点映射成网络图的节点，每个采样点的值作为其对应节点的特征，X表示为网络的节点特征，E表示为网络的连边，G为无向网络图。

作为优选，步骤3具体包括：

步骤S3.1、每个通道的网络图通过相同层数的图神经网络更新节点特征作为单通道的特征提取，其中，第n层的节点特征为

四通道经过n层GNN更新后网络图分别为/>

和/>

其中网络节点特征X⁽ⁿ⁾的维度K可自行调节指定；

步骤S3.2、采用全局累加池化将每个通道的节点特征X池化为整个网络图的节点特征，池化后得到四个K维的特征向量

和/>

作为优选，步骤4具体包括：

步骤S4.1、将从每个调制信号得到的四个网络图中学习到的特征向量以水平拼接的形式进行特征空间扩展，最终得到每个调制信号的融合特征向量

步骤S4.2、将代表每个信号的特征向量

通过多层全连接层后实现分类。

作为优选，所述步骤S2中，基于注意力的有限穿越可视图建网过程如下，设Y＝{y_i}_{i＝1,2,...,n}为具有n个数据的时间序列，n为有限穿越视距，w为可视窗大小，先将时间序列中的每个时间点对应到网络中的每个节点，而网络中的连边则根据可视性规则来建立，若在离散时间序列中相隔m个数据点的两个点(t_a,y_a)和(t_b,y_b)相互可视，且M<w，则这两个点之间仅存在K:0≤K≤N个数据点(t_i,y_i)其中t_a＜t_i＜t_c满足不等式：

y_i>y_a+(y_a-y_b)(t_a-t_i)/(t_b-t_a)

其余m-K个数据点(t_j,y_j)点，其中t_a<t_j<t_c满足不等式：

y_j<y_a+(y_a-y_b)(t_a-t_j)/(t_b-t_a)。

本发明还提供一种图神经网络的调制信号分类系统，包括依次连接的预处理模块、网络图构建模块、特征提取模块、调制信号分类模块，其中：

预处理模块，用于将IQ双通道调制信号数据扩展成IQAW四通道信号；

网络图构建模块，用于将所述IQAW四通道信号通过基于注意力机制的有限穿越可视图算法分别构建成对应的四通道网络图；

特征提取模块，用于利用图神经网络和全局池化分别提取四通道网络图特征向量，融合四通道网络图特征向量作为所述输入调制信号特征；

调制信号分类模块，利用融合后的四通道网络图特征向量通过图神经网络的全连接层完成分类，并通过分类结果反馈至网络图构建模块调整视野窗大小。

作为优选，所述预处理模块具体为：读取I/Q调制信号数据，根据其其所属领域专业知识，处理每个信号的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道信号。

作为优选，所述网络图构建模块的具体过程为：预设视野窗w参数，将每个I、Q、A和W四个通道的序列分别转换成四通道无向网络图

和/>

其中信号序列的时间点映射成网络图的节点，每个采样点的值作为其对应节点的特征，X表示为网络的节点特征，E表示为网络的连边，G为无向网络图。

作为优选，所述特征提取模块具体过程包括：

每个通道的网络图通过相同层数的图神经网络更新节点特征作为单通道的特征提取，其中，第n层的节点特征为

四通道信号经过n层GNN更新后网络图分别为/>

和

其中，网络节点特征X⁽ⁿ⁾的维度K可自行调节指定；

采用全局累加池化将每个通道的节点特征X池化为整个网络图的节点特征，池化后得到四个K维的特征向量

和/>

将从每个调制信号得到的四个网络图中学习到的特征向量以水平拼接的形式进行特征空间扩展，最终得到每个调制信号的融合特征向量

本发明的有益效果如下：

1、现有的网络图映射方法无法有效地表征调制信号且运算时间较久，本发明旨在改进现有的可视图算法使其适用于调制信号，贴合调制信号中每个调制符号之间相互较为独立的特性，同时尽可能降低计算时间。

2、人工特征并不能保证最大限度的保留原始网路图中的有效信息，传统机器学习分类效果不尽人意。因此本发明应用图神经网络来提取网络图中的结构信息以及完成分类。

3、依据调制信号不同符号间基本相互独立的特性，本发明给有限穿越可视图算法添加注意力机制，即让每个采样点仅与其前后视野窗w范围内的采样点构建网络连边，视野窗w为可调整的参数，该可视图建网模型命名为基于注意力的有限穿越可视图(ALPVG)。

4、针对I/Q调制信号数据，根据其所属领域专业知识，处理每个信号样本的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道数据，用作数据预处理方式并扩展原始特征。

5、现有的图神经网络模型一般只用于处理单通道的网络图输入，对于同一信号由多个网路图通道表示的数据没有适配的模型，本发明基于图神经网络设计了一个合理的网络模型，能够对各通道进行单独特征提取的同时，对四路通道信号的特征进行融合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于图神经网络的调制信号分类方法流程图；

图2为基于注意力机制的有限穿越可视图(N＝1,w＝2)的示意图；

图3为单通道特征提取的示意图；

图4为特征融合及分类的示意图；

图5为本发明基于图神经网络的调制信号分类的系统的结构图。

具体实施方式

以下实施例会结合附图对本发明进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。

如图1所示，本发明提供一种基于图神经网络的调制信号分类方法，包括以下步骤：

步骤S1、数据预处理，读取I/Q调制信号数据，根据其其所属领域专业知识，处理每个信号样本的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道信号；

步骤S2、网络构建，如图2所示，根据提出的基于注意力的有限穿越可视图(ALPVG)建网算法，预设视野窗w参数，将每个信号样本的I、Q、A和W四个通道的序列分别转换成四通道无向网络图

和/>

其中信号序列的时间点映射成网络图的节点，每个采样点的值作为其对应节点的特征，X表示为网络的节点特征，E表示为网络的连边，G为无向网络图；

步骤S3、图神经网络特征提取，如图3所示，包含GNN卷积以及全局池化两步骤；

步骤S3.1、每个通道的网络图通过相同层数的图神经网络更新节点特征作为单通道的特征提取，即第n层的节点特征为

四通道经过n层GNN更新后网络图分别为/>

和/>

其中网络节点特征X⁽ⁿ⁾的维度K可自行调节指定；

步骤S3.2、采用全局累加池化将每个通道的节点特征X池化为整个网络图的节点特征，池化后可以得到四个K维的特征向量

和/>

步骤S4：特征融合及分类，如图4所示，包含特征拼接及全连接层分类两步骤；

步骤S4.1、将从每个调制信号样本得到的四个网络图中学习到的特征向量以水平拼接的形式进行特征空间扩展，最终得到每个调制信号的融合特征向量

步骤S4.2、将代表每个信号的特征向量

通过多层全连接层后实现分类。

步骤S5、根据分类结果调整调整视野窗w大小，重复S2～S4步骤至效果最佳；

所述步骤S1中，幅值通道数据A计算如下：

式中，A_i表示A通道中第i个时间点的幅值数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据；

计算相位通道数据W时，以I通道为横坐标，Q通道为纵坐标，再计算相位，公式如下：

式中，W_i表示W通道中第i个时间点的相位数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据。

所述步骤S2中，基于注意力的有限穿越可视图(ALPVG)建网过程如下，假设Y＝{y_i}_{i＝1,2,...,n}为一个具有n个数据的时间序列，n为有限穿越视距，w为可视窗大小，先将时间序列中的每个时间点对应到网络中的每个节点，而网络中的连边则根据如下可视性规则来建立，如果在离散时间序列中相隔m(m＜w)个数据点的两个点(t_a,y_a)和(t_b,y_b)相互可视，那么这两个点之间仅存在K:0≤K≤N个数据点(t_i,y_i)其中t_a＜t_i＜t_c满足不等式：

y_i>y_a+(y_a-y_b)(t_a-t_i)/(t_b-t_a)， (3)

其余m-K个数据点(t_j,y_j)点，其中t_a<t_j<t_c满足不等式：

y_j<y_a+(y_a-y_b)(t_a-t_j)/(t_b-t_a)， (4)

所述步骤S3中，本发明方法采用的是GNN模型GraphSAGE，本发明方法叠加三层GraphSAGE且层间增加批归一化(BN)层作为各个单通道的节点特征提取模型，而后得到的各个单通道节点特征通过全局累加池化得到代表该单通道整体网络的K维特征向量

其中R^K表示K维的向量。

所述步骤S4中，本发明方法采用水平拼接的操作作为特征融合的方式，将各个单通道的特征向量进行横向拼接，得到每个信号的融合特征向量

其中merge()表示水平拼接。而后，采用带有正则化dropout的两层全连接层和Softmax函数作为整个模型的分类器，输出样本在各类上的概率分布。

如图5所示，本发明还提供一种图神经网络的调制信号分类系统，包括：预处理模块、网络图构建模块、特征提取模块、调制信号分类模块，其中，所述预处理模块、网络图构建模块、特征提取模块、调制信号分类模块依次连接并单向馈送数据，所述调制信号分类模块向所述网络图构建模块馈送超参数调整控制信号，网络图构建模块、特征提取模块、调制信号分类模块构成一个循环；其中，

预处理模块，用于将IQ双通道调制信号数据扩展成IQAW四通道信号数据，具体为：读取I/Q调制信号数据，根据其其所属领域专业知识，处理每个信号样本的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道数据；幅值通道数据A计算方式如下：

式中，A_i表示A通道中第i个时间点的幅值数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据；

计算相位通道数据W时，以I通道为横坐标，Q通道为纵坐标，再计算相位，公式如下：

式中，W_i表示W通道中第i个时间点的相位数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据。

网络图构建模块，用于将所述IQAW四通道信号数据通过基于注意力机制的有限穿越可视图(ALPVG)算法分别构建成对应的四通道网络图数据，具体为：如图2所示，根据提出的基于注意力的有限穿越可视图(ALPVG)建网算法，预设视野窗w参数，将每个信号样本的I、Q、A和W四个通道的序列分别转换成四通道无向网络图

和/>

其中信号序列的时间点映射成网络图的节点，每个采样点的值作为其对应节点的特征，X表示为网络的节点特征，E表示为网络的连边，G为无向网络图。

基于注意力的有限穿越可视图建网过程如下：设Y＝{y_i}_{i＝1,2,...,n}为具有n个数据的时间序列，n为有限穿越视距，w为可视窗大小，先将时间序列中的每个时间点对应到网络中的每个节点，而网络中的连边则根据可视性规则来建立，若在离散时间序列中相隔m个数据点的两个点(t_a,y_a)和(t_b,y_b)相互可视，且M<w，则这两个点之间仅存在K:0≤K≤N个数据点(t_i,y_i)其中t_a＜t_i＜t_c满足不等式：

y_i>y_a+(y_a-y_b)(t_a-t_i)/(t_b-t_a) (3)

其余m-K个数据点(t_j,y_j)点，其中t_a<t_j<t_c满足不等式：

y_j<y_a+(y_a-y_b)(t_a-t_j)/(t_b-t_a) (4)。

特征提取模块，用于利用图神经网络和全局池化分别提取四通道网络图特征，融合所述四通道特征作为所述输入调制信号特征，具体包括：

每个通道的网络图通过相同层数的图神经网络更新节点特征作为单通道的特征提取，即第n层的节点特征为

四通道经过n层GNN更新后网络图分别为/>

和

其中网络节点特征X⁽ⁿ⁾的维度K可自行调节指定；

采用全局累加池化将每个通道的节点特征X池化为整个网络图的节点特征，池化后可以得到四个K维的特征向量

和/>

将从每个调制信号样本得到的四个网络图中学习到的特征向量以水平拼接的形式进行特征空间扩展，最终得到每个调制信号的融合特征向量

调制信号分类模块，利用融合后的特征向量通过全连接层完成分类，并通过分类结果反馈至网络图构建模块调整视野窗w大小，具体包括：

将代表每个信号的特征向量

通过多层全连接层后实现分类。

根据分类结果调整调整视野窗w大小。

本发明具有具有如下的技术效果：

1、现有的可视图建网技术并不适用于调制信号识别，对整个信号建立网络费时费力，且根据调制信号中调制符号之间基本相互独立的特性，长程信息在调制信号中并不是非常重要甚至会给网络引入不必要的噪声。因此本发明方法改进了现有的有限穿越可视图算法(LPVG)，基于注意力机制将建网范围限定于可视窗内，保留了采样点之间局部的关联性而舍去了长程信息，网络构建时间的缩减也得益于此。

2、大多数现有的通过可视图建网来完成信号分类的任务的方法，基本采用的是提取人工特征结合传统机器学习的结构来实现，鲜有利用深度学习中的图神经网络来提取网络特征实现分类任务。人工特征具有很大程度的局限性，人工特征选取的好坏很大程度上决定了分类效果的好坏，而强大的深度学习在很大程度上解决了这一问题，因此本发明方法利用图神经网络的自我学习能力完成网络图的特征提取，并结合全连接层实现分类，在很大程度上提升了分类效果。

3、现有的图神经网络模型一般只用于处理单通道的网络图输入，对于同一信号由多个网路图通道表示的数据鲜有适配的模型，因此本发明方法对完成各个通道网络图特征提取后的特征向量进行了拼接融合，整合得到整个信号的特征向量表示。

本发明能改进现有的可视图算法使其适用于调制信号，贴合调制信号中每个调制符号之间相互较为独立的特性，同时尽可能降低计算时间。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于图神经网络的调制信号分类方法，其特征在于，包括：

步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；

步骤S2、采用基于注意力的有限穿越可视图建网算法将四通道信号分别转换成对应的四通道无向网络图信号；

步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道信号的特征向量；

步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合图神经网络中的全连接层完成信号的分类；

步骤S5、调节可视窗大小，重复步骤S2-步骤S4至效果最佳；

其中，步骤S1具体包括：读取I/Q调制信号数据，根据其所属领域专业知识，处理每个信号数据的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道信号；幅值通道数据A计算方式如下：

式中，A_i表示A通道中第i个时间点的幅值数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据；

计算相位通道数据W时，以I通道为横坐标，Q通道为纵坐标，再计算相位，公式如下：

式中，W_i表示W通道中第i个时间点的相位数据，I_i表示I通道中第i个时间点的信号数据，Q_i表示Q通道中第i个时间点的信号数据；

步骤S2具体包括：预设视野窗w参数，将每个I、Q、A和W四个通道信号序列分别转换成四通道无向网络图

和/>

其中，信号序列的时间点映射成网络图的节点，每个采样点的值作为其对应节点的特征，X表示为网络的节点特征，E表示为网络的连边，G为无向网络图；

基于注意力的有限穿越可视图建网过程如下：设Y＝{y_i}_{i＝1,2,...,n}为具有n个数据的时间序列，N为有限穿越视距，w为可视窗大小，先将时间序列中的每个时间点对应到网络中的每个节点，而网络中的连边则根据可视性规则来建立，若在离散时间序列中相隔m个数据点的两个点(t_a,y_a)和(t_b,y_b)相互可视，且m<w，则这两个点之间仅存在M:0≤M≤N个数据点(t_i,y_i)其中t_a<t_i<t_b满足不等式：

y_i>y_a+(y_a-y_b)(t_a-t_i)/(t_b-t_a)(3)

其余m-M个数据点(t_j,y_j)点，其中t_a<t_j<t_b满足不等式：

y_j<y_a+(y_a-y_b)(t_a-t_j)/(t_b-t_a)(4)；

步骤S3具体包括：

步骤S3.1、每个通道的网络图通过相同层数的图神经网络更新节点特征作为单通道的特征提取，其中，第n层的节点特征为

四通道经过n层GNN更新后网络图分别为/>

和/>

其中网络节点特征X⁽ⁿ⁾的维度K可自行调节指定；

步骤S3.2、采用全局累加池化将每个通道的节点特征X池化为整个网络图的节点特征，池化后得到四个K维的特征向量

和/>

步骤S4具体包括：

步骤S4.1、将从每个调制信号得到的四个网络图中学习到的特征向量以水平拼接的形式进行特征空间扩展，最终得到每个调制信号的融合特征向量

其中merge()表示水平拼接；

步骤S4.2、将代表每个信号的特征向量

通过多层全连接层后实现分类。

Images