CN114553648A - 基于时空图卷积神经网络的无线通信调制模式识别方法 - Google Patents
基于时空图卷积神经网络的无线通信调制模式识别方法 Download PDFInfo
- Publication number
- CN114553648A CN114553648A CN202210096120.0A CN202210096120A CN114553648A CN 114553648 A CN114553648 A CN 114553648A CN 202210096120 A CN202210096120 A CN 202210096120A CN 114553648 A CN114553648 A CN 114553648A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- space
- neural network
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004891 communication Methods 0.000 title claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000010586 diagram Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于时空图卷积神经网络的无线通信调制模式识别方法，包括以下步骤：A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G；B：利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；C：使用基于注意力的编码‑解码深度神经网络模型，对无线信号调制模式进行识别。本发明能够自适应地识别并分类出射频信号的调制模式。
Description
技术领域
本发明涉及智能通信中信号调制模式识别领域，尤其涉及一种基于时空图卷积神经网络的无线通信调制模式识别方法。
背景技术
无线通信伴随着新一代智能通信、物联网、毫米波通信等技术取得突飞猛进的发展，其应用领域也越来越广泛，应用场景越来越复杂，为了保障信道频带的利用率以及信号传输的可靠性，无线通信系统可采用多种不同的调制模式。调制模式的识别是数字无线通信系统工作的基础，调制模式识别已被广泛地应用到频谱资源管理，认知无线电，信息对抗等领域。
当今，随着半导体行业不断挑战摩尔定律，计算机的算力不断提升到新的高度，这为深度学习技术在智能通信领域的应用和发展注入内生动力，并带来新的发展机遇。卷积神经网络的深度学习方法已广泛地应用到图像识别、语音识别等领域中的欧式空间数据处理上，随着人工智能技术和智能通信的深度融合，将深度学习引入到调制模式识别领域能大幅地提升无线通信系统的效能。
但是，当前基于卷积神经网络在信号调制模式识别方面面临着诸多的挑战，其一，通信系统应用场景复杂多样，无线信道受环境影响因素众多，难以量化这些影响因素以及相互交叠对无线通信所带来的影响；其二，射频信号的非结构化的数据难以在深度神经网络中进行处理，射频信号中的非欧数据也无法被直接处理。特别是，射频信号大数据不具备平移不变性，这类数据通常以其中的一个节点为起点，其邻居节点的数量可能不同，难以按照传统对欧式空间如图形识别领域中利用卷积核去提取相同的结构信息；最后，对于通信大数据中非欧空间的处理，局部的输入维度可变，局部输入排列无序的多模态数据，都导致基于深度神经网络的调制模式识别的结果不理想。
发明内容
本发明的目的是提供一种基于时空图卷积神经网络的无线通信调制模式识别方法，能够自适应地识别并分类出射频信号的调制模式。
本发明采用下述技术方案：
一种基于时空图卷积神经网络的无线通信调制模式识别方法，依次包括以下步骤：
A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G，并将得到的射频信号数据集G分成训练集、验证集和测试集；
B：对步骤A中得到的包含时域特征和频域特征的射频信号数据集G，利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；
C：利用步骤B中得到的面向射频信号的全局特征和局部特征深度融合的时空特征序列，使用基于注意力的编码-解码深度神经网络模型，对无线信号调制模式进行识别。
所述的步骤A中，对多调制模式的信号数据进行归一化处理时，从时域和频域两个维度同时进行，并行地提取信号大数据的时域和频域维度特征，并对每个关键特征点采用二维坐标的两个数值存储，同时对每个关键特征点进行基于专家系统的置信度评分，一并作为特征点；信号的幅度归一化函数表示为：
其中，
表示信号s(t)的幅度归一化的结果，k为领域专家根据不同的参数类别和场景给出的经验值，k∈(0,1]，
表示表示信号符号的观察序列，
表示信号观察序列的个数。
所述的步骤B包括以下具体步骤：
B1：使用双流时空图的卷积神经网络分别对射频信号数据集G中数据的时域特征和频域特征进行提取，得到时域子图和频域子图；
B2：分别对步骤B1中得到的时域子图和频域子图进行时空卷积操作，并将每一路的时空卷积操作聚合为一路网络处理流，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列。
所述的步骤B1中，在对时域特征和频域特征进行提取时，对射频信号数据集G进行时域和频域的子图划分：
G＝Gtd∪Gfd；
其中，Gtd表示射频信号集的时域子图，Gfd表示射频信号集的频域子图；在子图划分过程中，相邻的时域子图和频域子图之间至少存在一个公共节点。
所述的步骤B2中，使用下述加权求和的特征聚合方法分别对时域特征和频域特征进行聚合：
其中，Fagg(.)表示特征聚合函数，
表示权重参数，能够在较高的层次提取信号的全局特征，Y1,…,Yp分别表示对应的第1至p个信号的时域特征变量或频域特征变量，Yi表示权重系数为
的时域特征变量或频域特征变量。
所述的步骤C中，基于注意力的编码-解码深度神经网络模型包含输入特征模块、通道注意力模块、空间注意力模块和输出特征模块，输入的无线信号样本，首先经过输入特征模型对信号的特征进行提取，接着通过通道注意力模块提取信号的全局特征，再将该信号样本特征图作为空间注意力模块的输入，进一步对空间信息赋予权重，信号的空间维度特征变量通过输出特征模块进行空间特征输出，得到带有不同通道权重的信号样本特征图。
所述的步骤C中，在基于注意力的编码-解码深度神经网络模型中使用转换隐含层对特征进行再次聚合；使用串联的转换层，对射频信号的特征进行逐步逐层地提取。
所述的步骤B中，采用Fast R-CNN作为时空图卷积神经网络中的编码器，对调制模式进行识别；使用当前的调制信号识别未来的调制信号，将预测任务的网络结构定义为G＝(V,Z,O)，观察时间窗口为T的时空图信号数据中，其中，V为输入的时间维度信号数据，Z输入的空间维度信号数据，O对信号调制模式识别分类的结果，对应的预测任务为Y，利用输入数据集生成该路网络所在的节点在未来T’个时刻的调制信号特征预测值
映射关系表示为：
其中，Sin是信号时序预测的输入，由信号的流量特征与时序特征M拼接而成，即Sin＝[Sf；M]；f为预测信号流的映射函数；
为f映射函数计算后的预测值。
所述的步骤C中，使用残差和归一化的方法解决转换层出现梯度消失的问题；设特征矩阵A经过一层的转换后输出标记为Aout，转换过程为：
Aout＝LayerNorm(A+Transformer(A))；
其中，LayerNorm表示归一化函数，Transformer表示转换层映射函数。
所述的步骤C中，使用三层LSTM网络模型形成金字塔型的多尺度特征融合方式对特征进行融合；第一层LSTM的输入为前一时刻的信号大数据的时域和频域融合的特征和本层对应的编码器特征P1，并使用注意力机制对解码器的特征进行加权处理，第二层LSTM的输入为第一层LSTM输出的隐藏层状态和本层对应的编码器特征P2，使用注意力机制对特征器的特征进行处理，第三层LSTM的输入为第二层LSTM输出的隐藏层状态和本层对应的编码器特征P3；
在每层特征输入到LSTM之前，都根据信号上下文信息以及通信系统所使用的应用环境，对信号的特征进行差异化的加权，加权过程为：
其中，c′i为加权后的信号特征，ci为加权前的信号特征，ki是加权变量，取值范围为(-1,1)，
为信号的原始特征；针对不同权重关键特征，ki的取值不同，若ci特征的重要性小于cj特征的重要性，则ki<kj。
本发明中。首先通过引入了对不同调试模式的射频信号进行归一化预处理的手段，使得不同调制方式的射频信号能输入到神经网络进行统一的训练；接着，使用时空图卷积神经网络对射频信号同时从时域和频域两个维度进行特征提取，能稳健地获得信号的多维特征空间；最后，使用基于注意力机制的编码-解码网络射频信号的微观特征和全局特征两个角度对调制模式进行识别和分类。
附图说明
图1为本发明的流程示意图；
图2为本发明中基于双流图神经网络的信号特征提取与融合方法示意图；
图3为本发明中提取高层次特征模型示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
如图1至图3所示，本发明所述的基于时空图卷积神经网络的无线通信调制模式识别方法，包括以下步骤：
A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G，并将得到的射频信号数据集G分成训练集、验证集和测试集；
调制是对载波的幅度、相位、频率等参量进行控制，使得载波能与信道相匹配，将不利于传输的基带信号转换成适用于远距离传输的载波，并具备一定的抗干扰、信道复用等能力，以提高无线通信系统整体的效率。通常为了适用于不同的信道环境，发射端可以使用多种不同的调制模式，如ASK、BPSK和QPSK等。
从理论上而言，不同的调制模式是以不同的量纲对基带信号进行表示，但是，从频域和时域两个角度来看，同一个深度神经网络模型，在不同的上下文环境下，载波所表征的频幅、相位各异。因此在对数据集的预处理过程中，本发明从时域和频域两个维度同时进行，并行地提取信号大数据的时域和频域维度特征，并对每个关键特征点采用二维坐标的两个数值存储，同时对每个关键特征点进行基于专家系统的置信度评分，一并作为特征点。
本发明中，信号s(t)的幅度归一化函数表示为：
其中，
表示信号s(t)的幅度归一化的结果，k为领域专家根据不同的参数类别和场景给出的经验值，k∈(0,1]，
表示表示信号符号的观察序列，
表示信号观察序列的个数。然后，根据深度神经网络的训练和测试要求，将射频信号数据集G分成三个部分：训练集、验证集和测试集。本发明中的训练集、验证集及测试集均采用上述归一化方法进行处理，以保证模型的泛化性能。
本发明从时域和频域两个维度量化分析射频信号，既能捕获信号的时域特征信息，又能捕获信号的频域信息，起到将传统单一特征维度的处理方法进行扩维的作用，还能使用两个并行的子图卷积神经网络分别训练，缓解传统深层的神经网络计算复杂度高的问题。
B：对步骤A中得到的包含时域特征和频域特征的射频信号数据集G，利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列。
所述的步骤B包括以下具体步骤：
B1：使用双流时空图的卷积神经网络分别对射频信号数据集G中数据的时域特征和频域特征进行提取，得到时域子图和频域子图；在对时域特征和频域特征进行提取时，对射频信号数据集G进行时域和频域的子图划分：
G＝Gtd∪Gfd；
其中，Gtd表示射频信号集的时域子图，Gfd表示射频信号集的频域子图；为了保证后续特征融合过程中特征聚合环节的可操作性，本发明中，在子图划分过程中，相邻的时域子图和频域子图之间至少存在一个公共节点；
本发明将原本相互融合的不同维度的特征空间采用“分而治之”的策略，在不用的特征空间上使用相互独立的且与特征维度相匹配的深度神经网络模型进行训练，一方面能够降低运算的复杂度，大幅地节省算力资源，另外一方面也能提升对该特征空间的识别的精度，避免深度神经网络在多维数据集上出现过拟合的问题。
B2：分别对步骤B1中得到的时域子图和频域子图进行时空卷积操作，并将每一路的时空卷积操作聚合为一路网络处理流，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列。
由于本发明中将时域和频域将射频信号大数据分成了两个特征空间，从通信的本质上讲，时域和频域特征不是单独存在的，而是相互依存和相互影响的特征域空间，因此，在步骤B1中对其分别进行特征提取后，需要进一步的聚合。本发明中，使用下述加权求和的特征聚合方法分别对时域特征和频域特征进行聚合：
其中，Fagg(.)表示特征聚合函数，
表示权重参数，能够在较高的层次提取信号的全局特征，Y1,…,Yp分别表示对应的第1至p个信号的时域特征变量或频域特征变量，Yi表示权重系数为
的时域特征变量或频域特征变量。
本发明中，对射频信号数据集G从时域和频域分别构建相应的子图，这样，使用神经网络就能在时域子图中提取信号特征的全局特征，在频域子图中提取不同时刻的局部特征。经过上述特征聚合的过程，形成了面向射频信号的全局特征和局部特征深度融合的时空特征序列。
之后，将特征序列输入到后续的调制模式识别的深度神经网络中。
C：利用步骤B中得到的面向射频信号的全局特征和局部特征深度融合的时空特征序列，使用基于注意力的编码-解码深度神经网络模型，对无线信号调制模式进行识别；
基于注意力的编码-解码深度神经网络模型包含输入特征模块、通道注意力模块、空间注意力模块和输出特征模块，输入的无线信号样本，首先经过输入特征模型对信号的特征进行提取，接着通过通道注意力模块提取信号的全局特征，再将该信号样本特征图作为空间注意力模块的输入，进一步对空间信息赋予权重，信号的空间维度特征变量通过输出特征模块进行空间特征输出，经过上述处理过程中，得到带有不同通道权重的信号样本特征图，这就完成了在深浅两个角度实现对信号特征图的精细化；
传统的编码和解码网络是为了解决序列到序列(Seq2Seq)的问题而提出的神经网络模型，借鉴编码-解码网络在非欧空间中强大的泛化和分类能力，本发明中，采用Fast R-CNN作为时空图卷积神经网络中的编码器，实现对调制模式的识别。如图3所示，Q，K和V分别为特征A的三个独立的线性映射函数，fatt是多头注意力函数，利用Fast R-CNN获得射频信号的N个ROI特征，并将其转化为N*N的特征矩阵A；
本发明中，为了获得更高层度的信号特征，在基于注意力的编码-解码深度神经网络模型中使用转换隐含层对特征进行再次聚合，这样能使得多源注意力机制编码-解码模型有能力关注到特征的位置信息，即增加了对信号特征位置维度信息的理解。
本发明中，基于注意力的编码-解码深度神经网络模型中使用串联的转换层，能对射频信号的特征逐步、逐层地提取，还能对微观特征进行逐层地放大，增强了深度神经网络模型对微观特征的表达能力，能捕获射频信号集更多的微观特征。
时空图卷积神经网络有强大的预测能力，这使得对信号调制模式的识别有更强大的上下文感知能力，使用当前的调制信号识别未来的调制信号，将预测任务的网络结构定义为G＝(V,Z,O)，观察时间窗口为T的时空图信号数据中，V为输入的时间维度信号数据，Z输入的空间维度信号数据，O对信号调制模式识别分类的结果，对应的预测任务为Y，利用输入数据集生成该路网络所在的节点在未来T’个时刻的调制信号特征预测值
其映射关系表示为：
其中，Sin是信号时序预测的输入，由信号的流量特征与时序特征M拼接而成，即Sin＝[Sf；M]；f为预测信号流的映射函数；
为f映射函数计算后的预测值，将预测后的
作为训练集。通过对未来信号时序的预测，有助于本发明在实时性要求较高的调试模式识别场景中应用。
由于无线信道传播的复杂性，射频信号受环境影响因素大，在对射频信号进行参数化描述时，需要较高的维度的张量才能完备表示射频信号的基本特征，为了解决编码-解码神经网络在训练过程中梯度消失的问题，即避免深度神经网络的饱和现象，本发明中使用残差和归一化的方法避免在转换层出现梯度消失的问题。设特征矩阵A经过一层的转换后输出标记为Aout，转换过程表示如下：
Aout＝LayerNorm(A+Transformer(A))
其中，LayerNorm表示归一化函数，Transformer表示转换层映射函数。经过上述过程能使得转换后的射频信号数据严格地落入到非线性函数的线性化区域，能够有效缓解神经网络的梯度消失的问题，提升了模型在训练过程中的稳定性，并加快模型的收敛速度，通过上述方法在高层次获得了不同维度的特征空间后，本发明中还使用层次化的LSTM网络形成金字塔型的多尺度特征融合方式对特征进行有效地融合。
根据通信系统的应用环境，信号大数据需要进行上下文的分析，需要深度神经网络的输入数据集中存在依赖关系，因此，在本发明中使用的解码器结构中，采用层次化的LSTM网络能有效地解决序列之间的依赖关系，能更加精确地识别隐藏于射频信号之间的时序关系。使用高层的LSTM处理相应高层次特征，可以对不同层次的特征进行递进式地解码，提升了解码器在特征空间中的稳定性。
具体地，本发明中使用了三层的LSTM网络模型，第一层的LSTM的输入为前一时刻的信号大数据的时域和频域融合的特征和本层对应的编码器特征P1，并使用注意力机制对解码器的特征进行加权处理，第二层LSTM的输入为第一层LSTM输出的隐藏层状态和本层对应的编码器特征P2，同样使用注意力机制对特征器的特征进行处理，第三层的LSTM的输入为第二层LSTM输出的隐藏层状态和本层对应的编码器特征P3。
进一步地，在层次化的LSTM架构中使用注意力机制策略，在每层特征输入到LSTM之前，都根据信号上下文信息以及通信系统所使用的应用环境，对信号的特征进行差异化的加权，加权过程可表示如下：
其中，c′i为加权后的信号特征，ci为加权前的信号特征，ki是加权变量，其取值范围为(-1,1)，
为信号的原始特征；针对不同权重关键特征，ki的取值不同，遵循规则是若ci特征的重要性小于cj特征的重要性，则ki<kj，如在实时要求性较高的通信环境中，表示信号时延的特征重要程度要明显高于信号带宽的特征。通过上述差异化加权，就突出了信号的关键特征，弱化环境便来给信号所带来的噪音特征。因此，LSTM深度神经网络的隐含层包含处理上下文环境的机制，利用各隐层状态和基于专家系统的信号特征表示方法获得特征的权重向量以及加权特性，使用带注意力的编码-解码网络在调制识别模式过程中能提取微观的局部特征，进一步提高调制模式识别的精度。
Claims (10)
1.一种基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于，依次包括以下步骤：
A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G，并将得到的射频信号数据集G分成训练集、验证集和测试集；
B：对步骤A中得到的包含时域特征和频域特征的射频信号数据集G，利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；
C：利用步骤B中得到的面向射频信号的全局特征和局部特征深度融合的时空特征序列，使用基于注意力的编码-解码深度神经网络模型，对无线信号调制模式进行识别。
2.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤A中，对多调制模式的信号数据进行归一化处理时，从时域和频域两个维度同时进行，并行地提取信号大数据的时域和频域维度特征，并对每个关键特征点采用二维坐标的两个数值存储，同时对每个关键特征点进行基于专家系统的置信度评分，一并作为特征点；信号的幅度归一化函数表示为：
其中，
表示信号s(t)的幅度归一化的结果，k为领域专家根据不同的参数类别和场景给出的经验值，k∈(0,1]，
表示表示信号符号的观察序列，
表示信号观察序列的个数。
3.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于，所述的步骤B包括以下具体步骤：
B1：使用双流时空图的卷积神经网络分别对射频信号数据集G中数据的时域特征和频域特征进行提取，得到时域子图和频域子图；
B2：分别对步骤B1中得到的时域子图和频域子图进行时空卷积操作，并将每一路的时空卷积操作聚合为一路网络处理流，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列。
4.根据权利要求3所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤B1中，在对时域特征和频域特征进行提取时，对射频信号数据集G进行时域和频域的子图划分：
G＝Gtd∪Gfd；
其中，Gtd表示射频信号集的时域子图，Gfd表示射频信号集的频域子图；在子图划分过程中，相邻的时域子图和频域子图之间至少存在一个公共节点。
5.根据权利要求3所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤B2中，使用下述加权求和的特征聚合方法分别对时域特征和频域特征进行聚合：
其中，Fagg(.)表示特征聚合函数，
表示权重参数，能够在较高的层次提取信号的全局特征，Y1，...，Yp分别表示对应的第1至p个信号的时域特征变量或频域特征变量，Yi表示权重系数为
的时域特征变量或频域特征变量。
6.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，基于注意力的编码-解码深度神经网络模型包含输入特征模块、通道注意力模块、空间注意力模块和输出特征模块，输入的无线信号样本，首先经过输入特征模型对信号的特征进行提取，接着通过通道注意力模块提取信号的全局特征，再将该信号样本特征图作为空间注意力模块的输入，进一步对空间信息赋予权重，信号的空间维度特征变量通过输出特征模块进行空间特征输出，得到带有不同通道权重的信号样本特征图。
7.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，在基于注意力的编码-解码深度神经网络模型中使用转换隐含层对特征进行再次聚合；使用串联的转换层，对射频信号的特征进行逐步逐层地提取。
8.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤B中，采用Fast R-CNN作为时空图卷积神经网络中的编码器，对调制模式进行识别；使用当前的调制信号识别未来的调制信号，将预测任务的网络结构定义为G＝(V,Z,O)，观察时间窗口为T的时空图信号数据中，其中，V为输入的时间维度信号数据，Z输入的空间维度信号数据，O对信号调制模式识别分类的结果，对应的预测任务为Y，利用输入数据集生成该路网络所在的节点在未来T’个时刻的调制信号特征预测值
映射关系表示为：
其中，Sin是信号时序预测的输入，由信号的流量特征与时序特征M拼接而成，即Sin＝[Sf；M]；f为预测信号流的映射函数；
为f映射函数计算后的预测值。
9.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，使用残差和归一化的方法解决转换层出现梯度消失的问题；设特征矩阵A经过一层的转换后输出标记为Aout，转换过程为：
Aout＝LayerNorm(A+Transformer(A))；
其中，LayerNorm表示归一化函数，Transformer表示转换层映射函数。
10.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，使用三层LSTM网络模型形成金字塔型的多尺度特征融合方式对特征进行融合；第一层LSTM的输入为前一时刻的信号大数据的时域和频域融合的特征和本层对应的编码器特征P1，并使用注意力机制对解码器的特征进行加权处理，第二层LSTM的输入为第一层LSTM输出的隐藏层状态和本层对应的编码器特征P2，使用注意力机制对特征器的特征进行处理，第三层LSTM的输入为第二层LSTM输出的隐藏层状态和本层对应的编码器特征P3；
在每层特征输入到LSTM之前，都根据信号上下文信息以及通信系统所使用的应用环境，对信号的特征进行差异化的加权，加权过程为：
其中，c′i为加权后的信号特征，ci为加权前的信号特征，ki是加权变量，取值范围为(-1,1)，
为信号的原始特征；针对不同权重关键特征，ki的取值不同，若ci特征的重要性小于cj特征的重要性，则ki<kj。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096120.0A CN114553648B (zh) | 2022-01-26 | 2022-01-26 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096120.0A CN114553648B (zh) | 2022-01-26 | 2022-01-26 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114553648A true CN114553648A (zh) | 2022-05-27 |
| CN114553648B CN114553648B (zh) | 2023-09-19 |
Family
ID=81673657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210096120.0A Active CN114553648B (zh) | 2022-01-26 | 2022-01-26 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114553648B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238749A (zh) * | 2022-08-04 | 2022-10-25 | 中国人民解放军军事科学院系统工程研究院 | 一种基于Transformer的特征融合的调制识别方法 |
| CN115604061A (zh) * | 2022-08-30 | 2023-01-13 | 电子科技大学（Cn） | 一种基于外部注意力机制的射频信号调制方式识别方法 |
| CN116055270A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院计算技术研究所 | 一种调制识别模型及其训练方法、信号调制处理方法 |
| CN117614784A (zh) * | 2023-11-15 | 2024-02-27 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
| 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 |
| CN118312726A (zh) * | 2024-05-30 | 2024-07-09 | 中铁四局集团有限公司 | 探地雷达数据实时评估方法及系统、训练方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
| WO2021069945A1 (en) * | 2019-10-09 | 2021-04-15 | Toyota Motor Europe | Method for recognizing activities using separate spatial and temporal attention weights |
| US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
| CN113239788A (zh) * | 2021-05-11 | 2021-08-10 | 嘉兴学院 | 一种基于Mask R-CNN的无线通信调制模式识别方法 |
| CN113269077A (zh) * | 2021-05-19 | 2021-08-17 | 青岛科技大学 | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 |
| CN113271606A (zh) * | 2021-04-21 | 2021-08-17 | 北京邮电大学 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
-
2022
- 2022-01-26 CN CN202210096120.0A patent/CN114553648B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
| WO2021069945A1 (en) * | 2019-10-09 | 2021-04-15 | Toyota Motor Europe | Method for recognizing activities using separate spatial and temporal attention weights |
| US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
| CN113271606A (zh) * | 2021-04-21 | 2021-08-17 | 北京邮电大学 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
| CN113239788A (zh) * | 2021-05-11 | 2021-08-10 | 嘉兴学院 | 一种基于Mask R-CNN的无线通信调制模式识别方法 |
| CN113269077A (zh) * | 2021-05-19 | 2021-08-17 | 青岛科技大学 | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 冯磊,蒋磊,许华,苟泽中: "基于深度级联孪生网络的小样本调制识别算法" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238749A (zh) * | 2022-08-04 | 2022-10-25 | 中国人民解放军军事科学院系统工程研究院 | 一种基于Transformer的特征融合的调制识别方法 |
| CN115238749B (zh) * | 2022-08-04 | 2024-04-23 | 中国人民解放军军事科学院系统工程研究院 | 一种基于Transformer的特征融合的调制识别方法 |
| CN115604061A (zh) * | 2022-08-30 | 2023-01-13 | 电子科技大学（Cn） | 一种基于外部注意力机制的射频信号调制方式识别方法 |
| CN115604061B (zh) * | 2022-08-30 | 2024-04-09 | 电子科技大学 | 一种基于外部注意力机制的射频信号调制方式识别方法 |
| CN116055270A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院计算技术研究所 | 一种调制识别模型及其训练方法、信号调制处理方法 |
| CN116055270B (zh) * | 2023-01-16 | 2024-06-11 | 中国科学院计算技术研究所 | 一种调制识别模型及其训练方法、信号调制处理方法 |
| CN117614784A (zh) * | 2023-11-15 | 2024-02-27 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
| CN117614784B (zh) * | 2023-11-15 | 2024-06-07 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
| 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 |
| CN118312726A (zh) * | 2024-05-30 | 2024-07-09 | 中铁四局集团有限公司 | 探地雷达数据实时评估方法及系统、训练方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114553648B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114553648B (zh) | 基于时空图卷积神经网络的无线通信调制模式识别方法 | |
| Zhou et al. | Deep learning for modulation recognition: A survey with a demonstration | |
| CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
| CN112566174B (zh) | 一种基于深度学习的异常i/q信号识别方法及系统 | |
| Liang et al. | A radio signal recognition approach based on complex-valued CNN and self-attention mechanism | |
| Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
| Li et al. | Automatic modulation classification based on bispectrum and CNN | |
| CN115951883A (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
| CN115238749A (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
| Qiu et al. | Deepsig: A hybrid heterogeneous deep learning framework for radio signal classification | |
| CN117743946B (zh) | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 | |
| CN117082118A (zh) | 基于数据推导及端口预测的网络连接方法 | |
| CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
| CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
| Jiang et al. | A novel methodology for microgrid power quality disturbance classification using URPM-CWT and multi-channel feature fusion | |
| Vagollari et al. | An End-to-End Deep Learning Framework for Wideband Signal Recognition | |
| Hou et al. | The recognition of multi-components signals based on semantic segmentation | |
| CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
| Oyallon | Interferometric graph transform: a deep unsupervised graph representation | |
| CN117216542A (zh) | 一种模型训练方法和相关装置 | |
| Gai et al. | Spectrum sensing method based on residual cellular network | |
| Si et al. | Radar signal recognition and localization based on multiscale lightweight attention model | |
| Shi et al. | GAF-MAE: A Self-supervised Automatic Modulation Classification Method Based on Gramian Angular Field and Masked Autoencoder | |
| Zhang et al. | Open Set Domain Adaptation for Automatic Modulation Classification in Dynamic Communication Environments | |
| Huang et al. | Automatic Recognition of Communication Signal Modulation Based on the Multiple‐Parallel Complex Convolutional Neural Network |
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 |