CN114513394A - 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 - Google Patents

一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN114513394A
CN114513394A CN202210036660.XA CN202210036660A CN114513394A CN 114513394 A CN114513394 A CN 114513394A CN 202210036660 A CN202210036660 A CN 202210036660A CN 114513394 A CN114513394 A CN 114513394A
Authority
CN
China
Prior art keywords
signal
neural network
attention
modulation format
received signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210036660.XA
Other languages
English (en)
Other versions
CN114513394B (zh
Inventor
刘博�
忻向军
任建新
毛雅亚
朱筱嵘
王瑞春
沈磊
吴泳锋
孙婷婷
赵立龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210036660.XA priority Critical patent/CN114513394B/zh
Publication of CN114513394A publication Critical patent/CN114513394A/zh
Application granted granted Critical
Publication of CN114513394B publication Critical patent/CN114513394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2513—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to chromatic dispersion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03878—Line equalisers; line build-out devices
    • H04L25/03885—Line equalisers; line build-out devices adaptive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/03433—Arrangements for removing intersymbol interference characterised by equaliser structure
    • H04L2025/03439—Fixed structures
    • H04L2025/03445—Time domain
    • H04L2025/03464—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质，属于通信技术领域，所述方法包括：获取接收信号并对其进行预处理；将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的；降低信道对信号的干扰，在提高信道容量的同时增加了数据调制方法的多样性，实现对星座成形后接收信号调制格式的高精度识别。

Description

一种基于注意力机制图神经网络的信号调制格式识别方法、 系统、装置及存储介质
技术领域
本发明涉及一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质，属于通信技术领域。
背景技术
近年来，得益于信息获取速度的加快，交换信息的效率越来越高，互联网数据量呈井喷式增长，人们对于信息传输的需求也随之增大；目前，全球主要的网络数据流量都是由光纤通信系统承载的，随着人们对通信容量、通信速率等要求的增高，进一步促进了光纤通信技术的发展。
要提高光纤通信传输的容量，首先考虑的是如何提高信号的频谱效率，正交频分复用(OFDM)具有技术频谱利用率高、抗多径衰弱能力强等优点，利用简单的傅里叶算法可以实现OFDM子载波信道的复用和解复用；为了实现高频谱效率，则需要采用高阶调制格式，因为QAM信号的一个符号同时拥有相位和幅度两个维度的信息，相比幅移键控(ASK)和频移键控(PSK)具有更高的频谱效率，且其信号的生成和检测十分简单，所以目前最常采用正交幅度调制(QAM)格式作为高阶调制格式进行传输。
通信系统中，星座点的位置在很大程度上影响着通信系统的性能，在设计星座时，可以优化点的位置和出现概率；为了缩小均匀分布的常规高阶QAM结果与香农容量曲线的差距，目前采用星座成形技术，如几何和概率成形技术，生成具有更高频谱效率的高斯型分布，从而实现通信容量的扩充。
星座成型技术在光纤通信的应用是为了实现高速率大容量的通信网络系统，成形后的星座图有成形增益，使系统容量接近香农极限，显著提升频偏效率；传输速率可以灵活调整，以完美适配不同的传输信道；无需调整前向纠错码等技术方案；在几何成形技术中，通过改变星座图中星座点的位置坐标，使其服从高斯状分布，以此改变信号在光纤信道中的信息速率；在概率成形技术中，赋予星座图中的符号不同的出现概率，使其服从高斯状分布，改变符号的概率以改变信息速率，以此在降低发射功率的同时达到接近香农极限的目的；不过，虽然在大容量多维度复用的弹性光网络中使用星座整形技术可以提高频谱效率，在降低系统平均发射功率的同时使信号具有更低的饱和频谱效率，在低信噪比情况下具有更好的容忍度；但是对于接收机来说，依据传输业务动态变化调制格式以及码元速率的接收信号是未知的，成形之后的信号星座图也和常规的星座图不一致，传统的调制格式识别往往需要根据接收信号的频谱特性、时域波形等特征进行人为地主观判定，并且其无法综合考虑各个光信号的串扰、时延等相互关系，造成效率低、精度差、速度慢的结果；接收端需要在选择合适的算法对信号进行补偿和解调之前，对接收信号的调制格式进行识别；因此，如何在应用高频谱效率的星座成形技术时，快速高效地识别接收信号的调制格式，是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质，降低信道对信号的干扰，在提高信道容量的同时增加了数据调制方法的多样性，实现对星座成形后接收信号调制格式的高精度识别。
为实现以上目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于注意力机制图神经网络的信号调制格式识别方法，包括：
获取接收信号并对其进行预处理；
将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
结合第一方面，进一步的，对接收信号进行预处理的方法包括：
对接收信号进行色散补偿、时钟恢复和盲均衡。
结合第一方面，进一步的，所述注意力机制图神经网络的建立方法包括：
获取发送信号，提取发送信号在星座成形后的高维信号特征建立注意力机制图神经网络。
结合第一方面，进一步的，注意力机制图神经网络根据发送信号星座成形后的信号数据完成训练的方法包括：
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
结合第一方面，进一步的，在将图数据结构输入注意力机制图神经网络中完成特征提取的过程中，除了直接输出节点本身的特征，还经过注意力层把每个邻接节点的特征、隐藏状态、与邻接节点的特征关系做一次加权求和，并和节点本身的特征同时输入隐藏层。
第二方面，本发明还提供了一种基于注意力机制图神经网络的信号调制格式识别系统，包括：
预处理模块：用于获取接收信号并对其进行预处理；
识别模块：用于将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
结合第二方面，进一步的，所述预处理模块，具体用于：
对接收信号进行色散补偿、时钟恢复和盲均衡。
结合第二方面，进一步的，所述系统还包括训练模块，所述训练模块具体用于：
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
第三方面，本发明还提供了一种基于注意力机制图神经网络的信号调制格式识别装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
第四方面，本发明还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果是：
本发明提供的一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质，采用图神经网络的结构，利用其注意力机制捕捉传输过程中不同信道间信号数据的隐含关系，分析发送信号在不同星座成形技术后，在信道中受到色散、克尔非线性效应后可能出现的模式特征，利用这些特征在注意力机制图神经网络中准确地识别出星座成形后的接收信号，即识别出接收信号的调制格式；采用注意力机制图神经网络分析信号在传输过程中信号特征变化以及信号实体间的相互影响，降低大容量多维度复用光纤传输系统中信道对信号的干扰，分析不同星座成形技术后不同调制格式星座图的变化情况，从而应对海量化、时变性、特征多样化的光纤信道数据变化，实现对星座成形后接收信号调制格式的高精度识别；综上所述，本发明方案能够在有效提高通信系统频谱效率的同时，实现对动态变化的接收信号精确识别。
附图说明
图1是本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别方法的流程图之一；
图2是本发明实施例提供的注意力机制图神经网络的结构示意图；
图3是本发明实施例提供的16QAM均匀分布星座图；
图4是本发明实施例提供的16QAM概率成形星座图；
图5是本发明实施例提供的16QAM几何成形星座图；
图6是本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别方法的流程图之二；
图7是本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别通信系统模型图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别方法，包括：
S1、获取接收信号并对其进行预处理。
在通信系统的接收端，获取接收机接收到的接收信号，先对接收信号进行色散补偿、时钟恢复和盲均衡(CMA均衡)等预处理。
S2、将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
获取发送信号，提取发送信号在星座成形后的高维信号特征建立如图2所示的注意力机制图神经网络。
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
构建基于该信号数据相位特征的图数据结构的方法包括：
X＝(E,R)
其中，E表示节点的集合，R表示边的集合。
假设每层图神经网络输入的节点特征集为x＝{x1,x2,...,xN}，输出的节点特征向量为x’＝{x1’,x2’,...,xN’}；其中x和x’是节点的输入和输出嵌入向量，N是实体节点的数量。
用eij表示边(ei，ej)的注意力值，单层GNN(图神经网络)模型如下所示：
eij＝a(wei，wej)
其中，w是将输入信号特征映射到更高维度输出特征空间的参数化线性变换矩阵，a是注意力函数，每个边的注意力值表示源节点ei的边特征的重要性。
采用多头注意力机制计算稳定学习过程，连接K个头的多头注意力机制如下所示：
Figure BDA0003468690360000071
其中，σ代表非线性函数，
Figure BDA0003468690360000072
是第k个注意力机制计算的边(ei，ej)的归一化的注意力系数，Wk表示第k个注意力机制的相应线性变换矩阵，Ni代表第i个神经元。
最后一层中的输出嵌入使用平均法以实现多头关注，如下所示：
Figure BDA0003468690360000073
相关性权重系数αij用softmax函数来计算，相关性权重系数即相对注意力值计算公式如下所示：
Figure BDA0003468690360000074
通过对时序和不同节点进行迭代展开处理，更新图神经网络的权重，完成训练。
本发明提出的基于注意力机制图神经网络可以为给定信号实体的邻接节点分配不同的权重质量(注意力)，通过迭代的方式以层传播注意力到达目标，如图2所示，每一层的输入向量除了信号实体矩阵外，还加入了经过注意力层加权求和的关系矩阵，使得模型可以从信号关联中学习新的信号向量特征。
由于星座点的分布主要由相位、幅度特征表示，因此特征提取如图2所示，在将图数据结构输入注意力机制图神经网络中完成特征提取的过程中，除了直接输出节点本身的特征，还经过注意力层把每个邻接节点的特征、隐藏状态、与邻接节点的特征关系做一次加权求和，并和节点本身的特征同时输入隐藏层，以此保证该图的训练是一个压缩映射的过程，使得图神经网络经过不断迭代可以最终收敛。
本发明实施例提供的如图2所示的注意力机制图神经网络，利用注意力机制获得给定信号实体周围的邻接节点的特征信息，具有极高的模型利用率。
概率成形通过降低能量大的信号的出现概率，增大能量小的信号出现的概率，降低信号的平均能量值，提高系统的增益指数，降低误码率；然而信源产生的信号是等概率的，所以经过概率成形出现多概率信息是需要通过生成多项式直接或间接添加冗余位的，然而大多数的成形使得压缩后的信号点数不是2的幂指数倍，对于标签或索引的编码提出了较高的要求，增加了冗余信息的添加量，降低了编码速率；实验表明，在长距离相干光传输链路中，概率成形的基础上再次进行几何成形，可以进一步缓解光纤信道中的非线性效应对于信号的影响，并降低接收端高阶信号的误码率。
图3至图5分别列举了16QAM的均匀分布、概率成形后、集合成形后星座图。
在成形的过程中，只有发送信号的幅度和相位受到改动，相位噪声和频率偏移受到整体改动；图神经网络对非欧几里得数据进行建模，并学习信号在通过成形之后的整体性特征、每个信号的特征信息以及信号实体之间的关联信息，为后续的复杂格式解析提供了准确的识别结果。
实施例2
本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别方法，包括：
S1、获取接收信号并对其进行预处理。
在通信系统的接收端，获取接收机接收到的接收信号，先对接收信号进行色散补偿、时钟恢复和盲均衡(CMA均衡)等预处理。
S2、将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
如图6所示，本发明方法还包括对相干接收机输出的信号做一个功率归一化的处理，再将其输入训练完成的注意力机制图神经网络提取信号分类特征，训练好的注意力机制图神经网络通过提取信号特征，识别几何或概率成形方式，并在输出的信号中带上识别标签，完成接收信号调制格式的识别；然后选择不同的算法对输出的信号进行MMA均衡、频谱补偿，完成对信号的解调。
本发明所提出的基于注意力机制的图神经网络，加入了经过注意力层加权求和的关系矩阵，利用图注意力机制获得给定信号实体周围的邻接节点的特征信息，可以从信号关联中学习新的信号向量特征，具有极高的模型利用率。
如图7的模型图所示，本发明实施例提供了一种基于注意力机制图神经网络的信号调制格式识别通信系统；在发射端，我们可以根据用户的需求和信道的状况，动态地改变发送信号的星座成形调制格式、传输速率等参数，合理配置系统资源，达到效率最大化，发射端传输数据时，将要传输的信息借助IQ调制器(in-phase和quadrature)加载到两路偏振光的I路和Q路上，在通过模式解复用器将不同模式的复用光耦合进少模光纤进行数据传输；在信号的接收端，模式解复用器将耦合进单模光纤中并送入相干接收机解调，相干接收机完成偏振解复用并经过数模转换器ADC把模拟信号转换成数字信号进入DSP(数字信号处理技术)进行信号的后续处理。
如图7所示，发送信号可以是GS-16QAM或GS-32QAM或GS-64QAM或GS-256QAM或GS-APSK。
在光信号的调制格式识别之前，可以先进行一系列简单处理，比如光纤信道的色散补偿、信号的时钟恢复以及CMA均衡等，之后就进入复杂格式解析阶段，先对信号做一个功率归一化的预处理，再输入图神经网络，训练好的注意力机制图神经网络通过提取信号特征，识别几何概率成形方式，然后选择不同的算法对信号进行MMA均衡(自适应盲均衡)、频偏补偿、载波相位恢复以及信号解调等操作。
实施例3
本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别系统，包括：
预处理模块：用于获取接收信号并对其进行预处理；
识别模块：用于将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
所述预处理模块，具体用于：对接收信号进行色散补偿、时钟恢复和盲均衡。
所述基于注意力机制图神经网络的信号调制格式识别系统还包括训练模块，所述训练模块具体用于：
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
实施例4
本发明实施例提供的一种基于注意力机制图神经网络的信号调制格式识别装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行以下步骤：
获取接收信号并对其进行预处理；
将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
实施例5
本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获取接收信号并对其进行预处理；
将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于注意力机制图神经网络的信号调制格式识别方法，其特征在于，包括：
获取接收信号并对其进行预处理；
将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
2.根据权利要求1所述的一种基于注意力机制图神经网络的信号调制格式识别方法，其特征在于，对接收信号进行预处理的方法包括：
对接收信号进行色散补偿、时钟恢复和盲均衡。
3.根据权利要求1所述的一种基于注意力机制图神经网络的信号调制格式识别方法，其特征在于，所述注意力机制图神经网络的建立方法包括：
获取发送信号，提取发送信号在星座成形后的高维信号特征建立注意力机制图神经网络。
4.根据权利要求1所述的一种基于注意力机制图神经网络的信号调制格式识别方法，其特征在于，注意力机制图神经网络根据发送信号星座成形后的信号数据完成训练的方法包括：
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
5.根据权利要求4所述的一种基于注意力机制图神经网络的信号调制格式识别方法，其特征在于，在将图数据结构输入注意力机制图神经网络中完成特征提取的过程中，除了直接输出节点本身的特征，还经过注意力层把每个邻接节点的特征、隐藏状态、与邻接节点的特征关系做一次加权求和，并和节点本身的特征同时输入隐藏层。
6.一种基于注意力机制图神经网络的信号调制格式识别系统，其特征在于，包括：
预处理模块：用于获取接收信号并对其进行预处理；
识别模块：用于将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数据完成训练的。
7.根据权利要求6所述的一种基于注意力机制图神经网络的信号调制格式识别系统，其特征在于，所述预处理模块，具体用于：
对接收信号进行色散补偿、时钟恢复和盲均衡。
8.根据权利要求6所述的一种基于注意力机制图神经网络的信号调制格式识别系统，其特征在于，所述系统还包括训练模块，所述训练模块具体用于：
获取训练集中发送信号星座成形后的信号数据，构建基于该信号数据相位特征的图数据结构，将图数据结构输入注意力机制图神经网络中完成特征提取，然后经过不断迭代达到最终的图收敛，完成训练。
9.一种基于注意力机制图神经网络的信号调制格式识别装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1至5任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
CN202210036660.XA 2022-01-13 2022-01-13 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 Active CN114513394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210036660.XA CN114513394B (zh) 2022-01-13 2022-01-13 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210036660.XA CN114513394B (zh) 2022-01-13 2022-01-13 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114513394A true CN114513394A (zh) 2022-05-17
CN114513394B CN114513394B (zh) 2023-12-05

Family

ID=81549481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210036660.XA Active CN114513394B (zh) 2022-01-13 2022-01-13 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114513394B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370934A (zh) * 2023-12-04 2024-01-09 环球数科集团有限公司 一种敏感信息发现模型的多模态数据增强方法
CN117807529A (zh) * 2024-02-29 2024-04-02 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160191117A1 (en) * 2013-08-30 2016-06-30 Alcatel Lucent Randomization of crosstalk probing signals
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
US20190319659A1 (en) * 2018-04-11 2019-10-17 Booz Allen Hamilton Inc. Method of constructing and training a neural network
CN111695719A (zh) * 2020-04-20 2020-09-22 清华大学 一种用户价值预测方法及系统
CN113626960A (zh) * 2021-07-29 2021-11-09 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN113657491A (zh) * 2021-08-17 2021-11-16 中国人民解放军63892部队 一种用于信号调制类型识别的神经网络设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160191117A1 (en) * 2013-08-30 2016-06-30 Alcatel Lucent Randomization of crosstalk probing signals
US20190319659A1 (en) * 2018-04-11 2019-10-17 Booz Allen Hamilton Inc. Method of constructing and training a neural network
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
CN111695719A (zh) * 2020-04-20 2020-09-22 清华大学 一种用户价值预测方法及系统
CN113626960A (zh) * 2021-07-29 2021-11-09 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN113657491A (zh) * 2021-08-17 2021-11-16 中国人民解放军63892部队 一种用于信号调制类型识别的神经网络设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FANXIANG KONG等: "Jamming Strategy Generation for Hidden Communication Modes Via Graph Convolution Networks", 《ICASSP 2021 - 2021 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *
刘亚博: "基于神经网络的调制类型识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李志沛,王曦朔,刘博等: "一种适用于概率成形光传输系统的调制格式识别方法", vol. 42, no. 3 *
沙丰: "基于卷积神经网络的无参考图像质量评价方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370934A (zh) * 2023-12-04 2024-01-09 环球数科集团有限公司 一种敏感信息发现模型的多模态数据增强方法
CN117370934B (zh) * 2023-12-04 2024-03-22 环球数科集团有限公司 一种敏感信息发现模型的多模态数据增强方法
CN117807529A (zh) * 2024-02-29 2024-04-02 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统
CN117807529B (zh) * 2024-02-29 2024-05-07 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统

Also Published As

Publication number Publication date
CN114513394B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN112637093B (zh) 一种基于模型驱动深度学习的信号检测方法
CN110113288B (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN113141325B (zh) 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置
CN109104248B (zh) 一种基于SOFM神经网络聚类的DRoF前端信号量化方法
Fang et al. Deep learning detection method for signal demodulation in short range multipath channel
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
Li et al. IQ symbols processing schemes with LSTMs in OFDM system
CN114598582A (zh) 一种基于迁移学习的超高阶信号调制格式快速识别方法
CN112564830B (zh) 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法
CN113489545B (zh) 基于k均值聚类的光空间脉冲位置调制分步分类检测方法
CN114567527B (zh) 一种可重构智能表面辅助叠加导引融合学习信道估计方法
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns
CN114745230A (zh) 基于深度神经网络结构的otfs信号接收恢复方法
CN114124223A (zh) 一种卷积神经网络光纤均衡器生成方法及系统
Yang et al. Deep learning based detection and channel tracking for mimo systems
CN113938198B (zh) 光纤传输系统、基于lda简化非线性均衡器的方法及模块
CN111313974A (zh) 一种信号幅度排序与比值计算的调制格式识别方法
CN115001912B (zh) 基于BiLSTM的IFDMA-PON改善方法
CN115276818B (zh) 一种基于深度学习的光载无线传输链路解调方法
CN113890622B (zh) 一种基于图神经网络的长距离无源光网络解调方法
CN117880032B (zh) 一种脉冲噪声下基于新型门控网络的msk解调方法
CN114978313B (zh) 一种基于贝叶斯神经元的可见光cap系统的补偿方法
CN113452439B (zh) 一种弹性光网络中的关键参数联合监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant