CN114726692B - 一种基于SEResNet-LSTM的辐射源调制方式识别方法 - Google Patents

一种基于SEResNet-LSTM的辐射源调制方式识别方法 Download PDF

Info

Publication number
CN114726692B
CN114726692B CN202210447855.3A CN202210447855A CN114726692B CN 114726692 B CN114726692 B CN 114726692B CN 202210447855 A CN202210447855 A CN 202210447855A CN 114726692 B CN114726692 B CN 114726692B
Authority
CN
China
Prior art keywords
network
lstm
radiation source
input
data
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.)
Active
Application number
CN202210447855.3A
Other languages
English (en)
Other versions
CN114726692A (zh
Inventor
周峰
李昱
张春磊
王涵
陈柱文
石晓然
王常龙
王力
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210447855.3A priority Critical patent/CN114726692B/zh
Publication of CN114726692A publication Critical patent/CN114726692A/zh
Application granted granted Critical
Publication of CN114726692B publication Critical patent/CN114726692B/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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于SEResNet‑LSTM的辐射源调制方式识别方法，包括：对原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据；构建SEResNet‑LSTM网络，包括级联的多尺度特征提取模块、LSTM融合网络和softmax层；构建训练数据集，并利用训练数据集对SEResNet‑LSTM网络进行训练；将辐射源IQ数据输入经训练的SEResNet‑LSTM网络模型中，获得原始通信信号的调制方式类型。本发明将ResNet网络与LSTM网络相结合，并引入了通道注意力机制，同时兼顾信号的空间和时间特征，对原始IQ数据进行自动特征提取，挖掘信号的深层特征，以满足自动调制识别的需求。

Description

一种基于SEResNet-LSTM的辐射源调制方式识别方法
技术领域
本发明属于通信信号处理技术领域，具体涉及一种基于SEResNet-LSTM的辐射源调制方式识别方法。
背景技术
随着信息化技术和新型装备的不断革新，通信辐射源调制方式的日益多样化，各种调制方式层出不穷，并且辐射源调制方式识别是通信侦察和无线电信号认知的基础，因此，调制识别技术在电子侦察、电磁频谱对抗中的重要性日益凸显。
目前，国内外常见的辐射源调制方式识别方法包括传统的基于贝叶斯决策论、基于特征提取和基于深度学习的调制方式识别方法等。其中，基于贝叶斯最大似然假设的检验方法是通过似然概率以及假设检验的方法来进行调制分类，该类方法依赖于目标信号的概率密度函数先验信息。然而，随着接收信号样本中的不确定性增加，该类方法的性能逐渐降低。此外，由于该类方法需要计算和存储多维概率分布函数，因此，计算复杂度和空间复杂度较高，在实际应用时非常受限。基于特征提取的识别方法在调制类型识别时可以做到盲识别。在理想的情况下，通过提取调制信号的特征参数就能区分不同的调制类型，随着人工智能的发展与图形计算单元效能的提升，机器学习和深度学习在图像分类、语音增强和图像超分辨等领域均有成功的应用，基于深度学习的调制方式识别方法不依赖于经验，且大大降低了手动特征提取和特征选择的复杂步骤，因而得到了广泛研究。
如利用CNN(Convolutional Neural Networks，卷积神经网络)和LSTM网络(Longand Short-Term Memory，长短时记忆)结合的CLDNN网络(Convolutional Long Short-Term Deep Neural Networks，卷积长短时深层神经网络)应用于调制方式识别领域，相比于CNN网络，CLDNN网络同时关注于信号的空间特征和时间特征，识别性能得到了提高，但随着网络深度的增加，极易出现梯度消失现象；
如直接使用CNN网络和RNN网络(Recurrent Neural Networks,循环神经网络)自动提取有效的信号基带IQ(同相支路信号和正交支路信号)分量特征，与基于高阶累积量(High-order Cumulants,HOC)的支持向量机(Support Vector Machine,SVM)调制方式识别方法相比达到了较好的识别效果，但是该方法仅使用简单的神经网络，信号特征提取能力有限。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于SEResNet-LSTM的辐射源调制方式识别方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于SEResNet-LSTM的辐射源调制方式识别方法，包括：
对待识别的原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据，所述辐射源IQ数据包括同相支路信号和正交支路信号；
构建SEResNet-LSTM网络，所述SEResNet-LSTM网络包括级联的多尺度特征提取模块、LSTM融合网络和softmax层；
构建训练数据集，并利用所述训练数据集对所述SEResNet-LSTM网络进行训练，获得经训练的SEResNet-LSTM网络模型；
将待识别的辐射源IQ数据输入经训练的SEResNet-LSTM网络模型中，获得原始通信信号的调制方式类型。
在本发明的一个实施例中，对待识别的原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据，包括：
对所述原始通信信号数据集中的每个信号数据提取实部和虚部，将所有信号数据转换为包含信号数目、输入高度为1、输入宽度为信号长度、输入通道数为信号通道数的4维张量，作为待识别的辐射源IQ数据。
在本发明的一个实施例中，所述多尺度特征提取模块包括第一基础单元、第二基础单元、第三基础单元以及融合操作单元，其中，
所述第一基础单元、所述第二基础单元和所述第三基础单元依次连接，分别用于获得所述辐射源IQ数据的不同尺度特征，所述第一基础单元输出的特征向量输入至所述第二基础单元，同时通过一个普通卷积层输入至所述融合操作单元；所述第二基础单元输出的特征向量输入至所述第三基础单元，同时通过一个普通卷积层输入至所述融合操作单元；
所述第三基础单元输出的特征向量输入至所述融合操作单元，所述融合操作单元用于对不同尺度的特征向量进行融合操作，获得融合后的特征向量。
在本发明的一个实施例中，所述第一基础单元、所述第二基础单元和所述第三基础单元的结构均相同，包括依次连接的普通卷积层、第一SE网络、第一ResNet网络、第二SE网络以及最大池化层，用于对输入的辐射源IQ数据进行特征提取，其中，
所述第一SE网络和所述第二SE网络结构相同，均用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；
所述第一ResNet网络包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出。
在本发明的一个实施例中，所述LSTM融合网络包含依次连接的第三SE网络、第二ResNet网络、LSTM网络和全连接层，其中，
所述第三SE网络用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；
所述第二ResNet网络包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出；
所述LSTM网络用于记忆输入特征向量邻近的两个时间点上数据之间的关联信息，并输出带有信号时序信息的特征向量。
在本发明的一个实施例中，利用所述训练数据集对所述SEResNet-LSTM网络进行训练，包括：
在公开的通信信号数据集中获取多种调制方式的多个辐射源调制信号，将每个辐射源调制信号的调制信号序列作为样本，构成样本集，将所述样本集按比例分为训练集和测试集；
对所述训练集和所述测试集中的每个样本进行预处理，分别得到辐射源IQ数据训练集和辐射源IQ数据测试集；
将辐射源IQ数据训练集输入所述SEResNet-LSTM网络，以对所述SEResNet-LSTM网络进行训练，将辐射源IQ数据测试集输入所述SEResNet-LSTM网络以对调制方式识别性能进行测试，获得训练后的SEResNet-LSTM网络。
本发明的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中任一项所述的基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。
本发明的又一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例中任一项所述基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、针对基于手动特征提取的通信辐射源调制方式识别方法对操作人员专业知识要求较高，特征提取操作繁琐，难度大，分类器设计过程复杂的问题，本发明的辐射源调制方式识别方法借助深度学习的方法，在网络设计中融入残差块，层与层之间添加直接映射，利于信息的前向传递和构建深层网络，避免出现梯度消失的现象；融入SE(Squeeze andExcitation，压缩和激励)网络，引入通道注意力机制，为各特征向量不同通道增加不同的权重，对原始IQ数据进行自动特征提取，提取信号的深层次空间特征。
2、本发明将多尺度输出特征向量融合并引入LSTM网络，提取特征向量的序列特征信息，同时为了避免LSTM网络可能引入的梯度爆炸问题，引入梯度裁剪，每10个轮次进行一次测试，弥补了现有基于CNN网络和RNN网络的辐射源调制方式识别方法易出现的梯度消失和梯度爆炸、单一网络提取特征能力有限的缺陷。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于SEResNet-LSTM的辐射源调制方式识别方法的流程图；
图2是本发明实施例提供的一种SEResNet-LSTM网络的结构示意图；
图3是本发明实施例提供的一种SE网络的结构示意图；
图4是本发明实施例提供的一种ResNet网络的结构示意图；
图5是本发明实施例提供的一种LSTM网络的结构示意图；
图6a至图6k是本发明实施例样本集的调制信号序列图；
图7是不同类型调制信号在本发明SEResNet-LSTM网络下的提取特征向量；
图8是本发明实施例的SEResNet-LSTM网络在不同训练轮次下的训练损失和训练准确率曲线；
图9是本发明实施例的SEResNet-LSTM网络在不同训练轮次下的测试准确率曲线；
图10是本发明实施例的SEResNet-LSTM网络对测试集样本的识别结果的混淆矩阵；
图11是在SNR(信噪比)不同的条件下，利用基于SEResNet-LSTM的识别方法、基于CLDNN的识别方法、基于ResNet的识别方法和基于CNN的识别方法获得的识别效果对比图；
图12是在2dB信噪比下，本发明基于SEResNet-LSTM的识别方法和基于CLDNN的识别方法的混淆矩阵。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于SEResNet-LSTM的辐射源调制方式识别方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
请参见图1，图1是本发明实施例提供的一种基于SEResNet-LSTM的辐射源调制方式识别方法的流程图。该辐射源调制方式识别方法包括：
S1：对待识别的原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据，所述辐射源IQ数据包括同相支路信号和正交支路信号。
具体地，对获取的原始通信信号数据集中每个信号数据提取实部和虚部，将所有信号数据转换为包含信号数目、输入高度为1、输入宽度为信号长度、输入通道数为信号通道数的4维张量，作为待识别的辐射源IQ数据。
S2：构建SEResNet-LSTM网络。所述SEResNet-LSTM网络的输入为调制信号的调制信号序列经预处理后的4维张量，输出为调制信号的调制方式识别结果。
请参见图2，图2是本发明实施例提供的一种SEResNet-LSTM网络的结构示意图。所述SEResNet-LSTM网络包括级联的多尺度特征提取模块1、LSTM融合网络2和softmax层3。多尺度特征提取模块1包括第一基础单元11、第二基础单元12、第三基础单元13和融合操作单元14，其中，第一基础单元11、第二基础单元12和第三基础单元13依次连接，分别用于获得辐射源IQ数据的不同尺度特征，第一基础单元11输出的特征向量输入至第二基础单元12，同时通过一个普通卷积层conv输入至融合操作单元14；第二基础单元12输出的特征向量输入至第三基础单元13，同时通过一个普通卷积层conv输入至融合操作单元14；第三基础单元13输出的特征向量输入至融合操作单元14，融合操作单元14用于对不同尺度的特征向量进行融合操作，获得融合后的特征向量。
进一步地，第一基础单元11、第二基础单元12和第三基础单元13的结构均相同，包括依次连接的普通卷积层、第一SE网络、第一ResNet网络、第二SE网络以及最大池化层，用于对输入的辐射源IQ数据进行特征提取，其中，所述第一SE网络和所述第二SE网络结构相同，均用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；所述第一ResNet网络包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出。
具体地，在本实施例中，第一基础单元11包含依次连接的1×3×32的普通卷积层、1个SE网络(Squeeze-and-Excitation Network，压缩和激励网络)、1个ResNet网络、1个SE网络和1个1×2的最大池化层，第一基础单元11的输出分为两路，一路输出作为第二基础单元12的输入，另一路输出经过一个1×1×128的普通卷积层conv后输入至融合操作单元14。
第二基础单元12包含依次连接的1×3×64的普通卷积层、1个SE网络、1个ResNet网络、1个SE网络和1个1×2的最大池化层。第二基础单元12的输出分为两路，一路输出作为第三基础单元13的输入，另一路输出经过另一个1×1×128的普通卷积层conv后输入至融合操作单元14；
第三基础单元13包含依次连接的1×3×128的普通卷积层、1个SE网络、1个ResNet网络、1个SE网络、1个1×2的最大池化层。第三基础单元13的输出输入至融合操作单元14；
第一基础单元11的输出、第二基础单元12的输出和第三基础单元13的输出在融合操作单元14中进行融合操作后得到的特征向量作为LSTM融合网络的输入。
请参见图3，图3是本发明实施例提供的一种SE网络的结构示意图。本实施例的SE网络(包括第一SE网络或第二SE网络)首先对输入的特征图(或称特征向量)进行全局平均池化，将原输入维度变成1×1×C，其具体处理过程为：
Figure GDA0003632720610000091
其中，输入特征为xi，H、W和C分别为特征图的高度、宽度和个数，z表示全局平均池化后的特征，Fsq(xi)表示对输入特征xi进行全局平均池化操作；
然后采用全连接层将全局池化后的特征进行全连接，再对全连接后的特征进行激活，激活后的特征为：
wi＝Fex(z,W)＝σ(W2δ(W1z))
其中，wi表示激活后的特征，W1为第一个全连接层，W2为第二个全连接层，δ(·)和σ(·)表示激活函数。
最后，SE网络采用激活后的特征wi计算不同特征通道之间的关系，将激活后的特征wi按通道通过乘法加权到输入特征图中并输出，完成在通道维度上的对输入特征图的重标定，从而加入了注意力机制，最终提升了网络性能。
进一步地，请参见图4，图4是本发明实施例提供的一种ResNet网络的结构示意图，该ResNet网络包含依次连接的1个卷积模块、1层ReLu激活函数、1个卷积模块、1层ReLu激活函数、1个卷积模块、1层ReLu激活函数。每个卷积模块包含依次连接的1层卷积层Conv和1层归一化层BN；ResNet网络将输入特征图依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征图与原始输入特征图进行融合，最后将融合后的特征图进行激活并输出。
进一步地，继续参见图2，本实施例的LSTM融合网络2包含依次连接的第三SE网络21、第二ResNet网络22、LSTM网络23和全连接层24，其中，第三SE网络21用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；第二ResNet网络22包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出；LSTM网络23用于记忆输入特征向量邻近的两个时间点上数据之间的关联信息，并输出是带有信号时序信息的特征向量。
需要说明的是，第三SE网络21与第二SE网络的结构和工作原理相同，第二ResNet网络22与第一ResNet网络的结构和工作原理相同，这里不再赘述。
请参见图5，图5是本发明实施例提供的一种LSTM网络的结构示意图。LSTM网络用于记忆输入特征向量邻近的两个时间点上数据之间的关联信息，并输出是带有信号时序信息的特征向量，具体包含记忆细胞c<t>、更新门Γu、遗忘门Γf和输出门Γo，其定义分别为：
Figure GDA0003632720610000111
Figure GDA0003632720610000112
Γu＝σ(Wu[c<t-1>,x<t>]+bu)
Γf＝σ(Wf[h<t-1>,x<t>]+bf)
Γo＝σ(Wo[h<t-1>,x<t>]+bo)
其中，
Figure GDA0003632720610000113
为记忆细胞更新的候选值，c<t-1>和h<t-1>为上一时刻的记忆细胞值和上一时刻隐藏层的输出，x<t>为当前时刻的输入，Wc、Wu、Wf和Wo分别表示不同的权重系数，会随着训练不断改变，bc、bu、bf和bo分别表示不同的偏置。
进一步地，LSTM融合网络2的输出作为softmax层3的输入，softmax层3用于输出调制信号的调制方式识别结果。
S3：构建训练数据集，并利用所述训练数据集对所述SEResNet-LSTM网络进行训练，获得经训练的SEResNet-LSTM网络模型。
具体地，在公开的通信信号数据集中获取11种调制方式的多个辐射源调制信号，将每个辐射源调制信号的调制信号序列作为样本，构成样本集，随后将样本集按比例分为训练集和测试集；其中，所述11种调制方式分别为8PSK、AM_DBS、AM_SSB、BPSK、CPFSK、GMSK、PAM4、QAM16、QAM64、QPSK和WBFM。
本实施例中公开的通信信号数据集为RadioML2016.10a，请参见图6，图6a至图6k是本发明实施例样本集的调制信号序列图，每幅图包括调制信号序列的实部和虚部，其中，图6a为8PSK调制信号序列图；图6b为AM_DBS调制信号序列图；图6c为AM_SSB调制信号序列图；图6d为BPSK调制信号序列图；图6e为CPFSK调制信号序列图；图6f为GMSK调制信号序列图；图6g为PAM4调制信号序列图；图6h为QAM16调制信号序列图；图6i为QAM64调制信号序列图；图6j为QPSK调制信号序列图；图6k为WBFM调制信号序列图。
随后，对训练集和测试集中的每个样本进行预处理，分别得到辐射源IQ数据训练集和辐射源IQ数据测试集；
具体地，对训练集和测试集中的每个样本分别提取实部和虚部，将训练集中的所有样本(本实施例使用的样本维度为2×128，其中2为样本通道数，128为样本信号长度)转换为包含样本数、输入高度为1、输入宽度为样本信号长度(即128)、输入通道数为样本通道数(即2)的4维张量，作为辐射源IQ数据训练集；将测试集中的所有样本(本实施例使用的样本维度为2×128，其中2为样本通道数，128为样本信号长度)转换为包含样本数、输入高度为1、输入宽度为样本信号长度(即128)、输入通道数为样本通道数(即2)的4维张量，作为辐射源IQ数据测试集。
将训练集样本输入SEResNet-LSTM网络对其进行训练；将测试集样本输入SEResNet-LSTM网络对其调制方式识别性能进行测试；获得训练后的SEResNet-LSTM网络。
请参见图7，图7是不同类型调制信号在本发明SEResNet-LSTM网络下的提取特征向量；其中，图7(a)为8PSK调制信号的网络提取特征向量；图7(b)为AM_DBS调制信号的网络提取特征向量；图7(c)为AM_SSB调制信号的网络提取特征向量；图7(d)为BPSK调制信号的网络提取特征向量；图7(e)为CPFSK调制信号的网络提取特征向量；图7(f)为GMSK调制信号的网络提取特征向量；图7(g)为PAM4调制信号的网络提取特征向量；图7(h)为QAM16调制信号的网络提取特征向量；图7(i)为QAM64调制信号的网络提取特征向量；图7(j)为QPSK调制信号的网络提取特征向量；图7(k)为WBFM调制信号的网络提取特征向量。参考图7可知，不同调制类型的调制信号的特征图有较为明显的差别，验证了本发明SEResNet-LSTM用于辐射源调制方式识别的可行性和有效性。
请参见图8和图9，图8是本发明实施例的SEResNet-LSTM网络在不同训练轮次下的训练损失和训练准确率曲线；图9是本发明实施例的SEResNet-LSTM网络在不同训练轮次下的测试准确率曲线。由图8可知，随着训练轮次的增大，训练精度不断增高，同时在训练过程中引入梯度裁剪，裁剪超出预设范围的梯度值，避免出现梯度爆炸，当训练轮次超过160次时，训练精度超过95％，而训练损失低于1；由图9可知，当训练到100个轮次后，测试准确率基本大于90％并趋于稳定。
请参见图10，图10是本发明实施例的SEResNet-LSTM网络对测试集样本的识别结果的混淆矩阵。由图10可以看出，对于8PSK、AM_SSB、BPSK、CPFSK、GMSK、PAM4、QPSK的调制信号，SEResNet-LSTM的识别正确率很高，说明SEResNet-LSTM对于这些类型的调制信号有着很好的识别性能，验证了本发明SEResNet-LSTM的有效性。识别错误主要出现在AM_DBS和WBFM、QAM16和QAM64中，这是由于它们在数据集较低的码速率和较短的观察时间内难以体现出信号IQ序列上的区别。
S4：将待识别的辐射源IQ数据输入经训练的SEResNet-LSTM网络模型中，获得原始通信信号的调制方式类型。
具体地，将经过步骤S1处理后的辐射源IQ数据输入经训练的SEResNet-LSTM网络模型中，即可输出原始通信信号的调制方式类型。
进一步地，为了验证本发明实施例提供的基于SEResNet-LSTM的辐射源调制方式识别方法的效果，再次利用本发明基于SEResNet-LSTM的识别方法以及现有技术基于CLDNN的识别方法、基于ResNet的识别方法和基于CNN的识别方法，对同一辐射源调制方式进行识别和效果对比，请参见图11，图11是在SNR(信噪比)不同的条件下，利用基于SEResNet-LSTM的识别方法、基于CLDNN的识别方法、基于ResNet的识别方法和基于CNN的识别方法获得的识别效果对比图，采用不同SNR下的分类精度来定量评估对比三个算法的识别性能。由图11可知，当信噪比低于-10dB时，各网络的识别效果均较差；当信噪比在-10dB到0dB之间时，本发明基于SEResNet-LSTM的识别方法和基于CLDNN的识别方法的识别效果明显优于基于ResNet的识别方法和基于CNN的识别方法的识别效果。
图12是在2dB信噪比下，本发明基于SEResNet-LSTM的识别方法和基于CLDNN的识别方法的混淆矩阵，其中，图12(a)是在2dB信噪比下，基于CLDNN的识别方法的识别结果的混淆矩阵；图12(b)是在2dB信噪比下，本发明基于SEResNet-LSTM的识别方法的识别结果的混淆矩阵。对比图12(a)与图12(b)可知，本发明实施例基于SEResNet-LSTM的识别方法在对QAM16和QAM64类型调制信号的识别准确度上相比于基于CLDNN的识别方法有了一定提升。
综上，针对基于手动特征提取的通信辐射源调制方式识别方法对操作人员专业知识要求较高，特征提取操作繁琐，难度大，分类器设计过程复杂的问题，本发明实施例的辐射源调制方式识别方法借助深度学习的方法，在网络设计中融入残差块，层与层之间添加直接映射，利于信息的前向传递和构建深层网络，避免出现梯度消失的现象；融入SE(Squeeze and Excitation，压缩和激励)网络，引入通道注意力机制，为各特征向量不同通道增加不同的权重，对原始IQ数据进行自动特征提取，提取信号的深层次空间特征。此外，本发明实施例将多尺度输出特征向量融合并引入LSTM网络，提取特征向量的序列特征信息，同时为了避免LSTM网络可能引入的梯度爆炸问题，引入梯度裁剪，每10个轮次进行一次测试，弥补了现有基于CNN网络和RNN网络的辐射源调制方式识别方法易出现的梯度消失和梯度爆炸、单一网络提取特征能力有限的缺陷。
在本发明所提供的几个实施例中，应该理解到，本发明所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于SEResNet-LSTM的辐射源调制方式识别方法，其特征在于，包括：
对待识别的原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据，所述辐射源IQ数据包括同相支路信号和正交支路信号；
构建SEResNet-LSTM网络，所述SEResNet-LSTM网络包括级联的多尺度特征提取模块、LSTM融合网络和softmax层；
构建训练数据集，并利用所述训练数据集对所述SEResNet-LSTM网络进行训练，获得经训练的SEResNet-LSTM网络模型；
将待识别的辐射源IQ数据输入经训练的SEResNet-LSTM网络模型中，获得原始通信信号的调制方式类型，
所述多尺度特征提取模块包括第一基础单元、第二基础单元、第三基础单元以及融合操作单元，其中，
所述第一基础单元、所述第二基础单元和所述第三基础单元依次连接，分别用于获得所述辐射源IQ数据的不同尺度特征，所述第一基础单元输出的特征向量输入至所述第二基础单元，同时通过一个普通卷积层输入至所述融合操作单元；所述第二基础单元输出的特征向量输入至所述第三基础单元，同时通过一个普通卷积层输入至所述融合操作单元；
所述第三基础单元输出的特征向量输入至所述融合操作单元，所述融合操作单元用于对不同尺度的特征向量进行融合操作，获得融合后的特征向量，
所述第一基础单元、所述第二基础单元和所述第三基础单元的结构均相同，包括依次连接的普通卷积层、第一SE网络、第一ResNet网络、第二SE网络以及最大池化层，用于对输入的辐射源IQ数据进行特征提取，其中，
所述第一SE网络和所述第二SE网络结构相同，均用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；
所述第一ResNet网络包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出，
所述LSTM融合网络包含依次连接的第三SE网络、第二ResNet网络、LSTM网络和全连接层，其中，
所述第三SE网络用于对输入的特征进行全局平均池化，将池化后的特征进行全连接，再对全连接后的特征进行激活，采用激活后的特征计算不同特征通道之间的关系，将激活后的特征按通道通过乘法加权到输入特征中并输出；
所述第二ResNet网络包括三个卷积层，用于将输入的特征向量依次进行卷积、激活、卷积、激活、卷积，再将三次卷积后的特征向量与输入特征向量进行融合，最后将融合后的特征向量进行激活并输出；
所述LSTM网络用于记忆输入特征向量邻近的两个时间点上数据之间的关联信息，并输出带有信号时序信息的特征向量。
2.根据权利要求1所述的基于SEResNet-LSTM的辐射源调制方式识别方法，其特征在于，对待识别的原始通信信号数据集进行信号预处理，获得待识别的辐射源IQ数据，包括：
对所述原始通信信号数据集中的每个信号数据提取实部和虚部，将所有信号数据转换为包含信号数目、输入高度为1、输入宽度为信号长度、输入通道数为信号通道数的4维张量，作为待识别的辐射源IQ数据。
3.根据权利要求1所述的基于SEResNet-LSTM的辐射源调制方式识别方法，其特征在于，利用所述训练数据集对所述SEResNet-LSTM网络进行训练，包括：
在公开的通信信号数据集中获取多种调制方式的多个辐射源调制信号，将每个辐射源调制信号的调制信号序列作为样本，构成样本集，将所述样本集按比例分为训练集和测试集；
对所述训练集和所述测试集中的每个样本进行预处理，分别得到辐射源IQ数据训练集和辐射源IQ数据测试集；
将辐射源IQ数据训练集输入所述SEResNet-LSTM网络，以对所述SEResNet-LSTM网络进行训练，将辐射源IQ数据测试集输入所述SEResNet-LSTM网络以对调制方式识别性能进行测试，获得训练后的SEResNet-LSTM网络。
4.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序用于执行权利要求1至3中任一项所述的基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。
5.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至3任一项所述基于SEResNet-LSTM的辐射源调制方式识别方法的步骤。
CN202210447855.3A 2022-04-27 2022-04-27 一种基于SEResNet-LSTM的辐射源调制方式识别方法 Active CN114726692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210447855.3A CN114726692B (zh) 2022-04-27 2022-04-27 一种基于SEResNet-LSTM的辐射源调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210447855.3A CN114726692B (zh) 2022-04-27 2022-04-27 一种基于SEResNet-LSTM的辐射源调制方式识别方法

Publications (2)

Publication Number Publication Date
CN114726692A CN114726692A (zh) 2022-07-08
CN114726692B true CN114726692B (zh) 2023-06-30

Family

ID=82244880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210447855.3A Active CN114726692B (zh) 2022-04-27 2022-04-27 一种基于SEResNet-LSTM的辐射源调制方式识别方法

Country Status (1)

Country Link
CN (1) CN114726692B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115277324B (zh) * 2022-07-25 2023-11-10 电信科学技术第五研究所有限公司 基于卷积神经网络的fsk信号识别方法
CN115664910A (zh) * 2022-11-14 2023-01-31 西安睿奥电磁环境科技有限公司 基于Resnet-LSTM的信号调制分类方法与系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325111A (zh) * 2020-01-23 2020-06-23 同济大学 一种融合逆注意力和多尺度深度监督的行人重识别方法
CN111783772A (zh) * 2020-06-12 2020-10-16 青岛理工大学 一种基于RP-ResNet网络的抓取检测方法
CN113156376B (zh) * 2021-04-15 2023-08-11 中国人民解放军空军航空大学 基于sacnn的雷达辐射源信号识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法

Also Published As

Publication number Publication date
CN114726692A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN109993280A (zh) 一种基于深度学习的水下声源定位方法
CN111428817B (zh) 一种面向无线电信号识别对抗攻击的防御方法
CN110796199B (zh) 一种图像处理方法、装置以及电子医疗设备
CN111079847B (zh) 一种基于深度学习的遥感影像自动标注方法
CN113014524B (zh) 一种基于深度学习的数字信号调制识别方法
KR102073935B1 (ko) 전파신호 변조인식시스템
CN114896887B (zh) 一种基于深度学习的用频设备射频指纹识别方法
CN113435247A (zh) 一种通信干扰智能识别方法、系统及终端
CN113553988A (zh) 一种基于复数神经网络和注意力机制的模拟信号识别方法
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN112749633A (zh) 分离与重构的个体辐射源识别方法
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN114925720A (zh) 基于时空混合特征提取网络的小样本调制信号识别方法
CN114528876A (zh) 基于改进原型网络的小样本信号自动调制识别方法
CN114527441A (zh) 基于多头注意力机制的lstm网络的雷达信号识别方法
CN114172770B (zh) 量子根树机制演化极限学习机的调制信号识别方法
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN114912489A (zh) 一种信号调制识别方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
CN115758159A (zh) 基于混合对比学习和生成式数据增强的零样本文本立场检测方法
CN115955375A (zh) 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
CN114584441A (zh) 一种基于深度学习的数字信号调制识别方法

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