CN114912489A - 一种信号调制识别方法 - Google Patents

一种信号调制识别方法 Download PDF

Info

Publication number
CN114912489A
CN114912489A CN202210532212.9A CN202210532212A CN114912489A CN 114912489 A CN114912489 A CN 114912489A CN 202210532212 A CN202210532212 A CN 202210532212A CN 114912489 A CN114912489 A CN 114912489A
Authority
CN
China
Prior art keywords
feature extraction
extraction network
signal
training
identified
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.)
Pending
Application number
CN202210532212.9A
Other languages
English (en)
Inventor
许华
庞伊琼
蒋磊
史蕴豪
彭翔
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202210532212.9A priority Critical patent/CN114912489A/zh
Publication of CN114912489A publication Critical patent/CN114912489A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本公开是关于一种信号调制识别方法。该方法包括：利用卷积神经网络和长短时记忆网络构建特征提取网络，并向特征提取网络中引入卷积注意力机制；采用训练集对引入卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络；通过测试集对训练好的特征提取网络进行测试，确定测试集中待识别信号样本的调制样式。通过上述信号调制识别方法，通过构建特征提取网络，并向其引入卷积注意力机制，利用训练集对引入卷积注意力机制的特征提取网络进行训练，以使训练好的特征提取网络学习信号分类经验，训练完成的特征提取网络具有很好的泛化性能，在测试集对训练完成的特征提取网络进行测试时，可以实现确定出测试集中待识别信号样本的调制样式。

Description

一种信号调制识别方法
技术领域
本公开涉及信号处理技术领域，尤其涉及一种信号调制识别方法。
背景技术
通信信号调制识别技术是电磁频谱管理、通信侦察、电子对抗等领域的关键技术之一，在军用和民用领域都有现实的研究意义。传统的调制识别方法可分为基于决策论的似然比检验方法和基于特征提取的模式识别方法，但这两类方法都有其局限性。似然比检验方法分类模型参数是针对特殊环境设置的，环境的微小偏差都会使识别准确率下降；特征提取的模式识别方法依赖于人工提取的特征，对于特征的表征性要求较高。
相关技术中，深度卷积神经网络(Convolution Neural Network，CNN)于2016年首次被用于解决调制识别问题，但是基于深度学习的调制识别算法都需要通过至少数千个带标签样本训练网络参数，否则会造成严重的过拟合问题，然而在实际侦察环境中，面对新出现的调制类型，往往无法获得足够的带标签样本，这很大程度上限制了深度学习在调制识别中的应用，因此需要对小样本条件下的调制识别方法进行深入研究。
数据增强和迁移学习(Transfer Learning，TL)是针对样本数据量不足的主要解决方案。但是数据增强旨在通过借助已有的一些信息生成新数据，扩充训练样本集。通过一个全连接网络对大量无标签数据进行自动标注，在训练集每类调制信号只有600个时就能达到85％以上的平均识别率。采用生成对抗网络拟合生成数据，实现对数据集的扩充和识别。而迁移学习通常先在源数据集上进行预训练，然后通过目标数据集对网络的顶层进行参数微调，适用于目标数据集与源数据集分布相似的问题。通过使用基于参数的迁移学习方法对网络模型进行预优化，减少了对样本量的需求，采用预训练过的AlexNet网络进行调制识别，在目标数据集每类信号只有100个时达到了89％以上的识别准确率。数据增强和迁移学习对于每种目标调制类型仍需要至少数百个训练样本，然而侦察环境中有时只能获取十几个甚至几个新出现的调制信号样本，远不能满足以上两种方法对样本量的需求，在这种极少量样本条件下以上两种方法都难以适用。
因此，有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种信号调制识别方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开实施例提供的一种信号调制识别方法，该方法包括：
利用卷积神经网络和长短时记忆网络构建特征提取网络，并向所述特征提取网络中引入卷积注意力机制；
采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络；
通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式。
本公开的实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
从所述训练集中随机选取少量C1类样本，并从每类样本中随机抽取K1个带标签信号样本组成元支持集，从每类剩余样本中随机抽取NQ1个待识别信号样本组成元查询集。
本公开的实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本通过训练好的所述特征提取网络映射到低维的特征度量空间，分别得到所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本的特征向量。
本公开的实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
对所述元支持集中每个类的带标签信号样本的特征向量进行求取第一平均特征向量，并将所述第一平均特征向量作为训练类原型。
本公开的实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
计算所述元查询集中信号样本的特征向量与各个训练类原型的第一欧式距离，并将所述第一欧式距离输入激活函数，得到所述元查询集中的待识别信号样本的调制样式。
本公开的实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将得到的所述元查询集中的待识别信号样本的调制样式输入负对数函数计算损失，对所述特征提取网络进行优化训练。
本公开的实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
从测试集中随机选取C2类样本，并从每类样本中随机抽取K2个带标签信号样本组成支持集，从每类剩余样本中随机抽取NQ2个待识别信号样本组成查询集。
本公开的实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
将所述支持集中的带标签信号样本和查询集中的待识别信号样本输入训练好的所述特征提取网络中，分别得到所述支持集中的带标签信号样本和查询集中的待识别信号样本的特征向量。
本公开的实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
对所述支持集中的待识别信号样本的特征向量进行求取第二平均特征向量，并将所述第二平均特征向量作为测试类原型。
本公开的实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
计算所述查询集中的待识别信号样本的特征向量与各个测试类原型的第二欧式距离，并将所述第二欧式距离输入激活函数，得到所述查询集中的待识别信号样本的调制样式。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的一种实施例中，通过上述信号调制识别方法，通过构建特征提取网络，并向其引入卷积注意力机制，利用训练集对引入卷积注意力机制的特征提取网络进行训练优化，以使训练优化好的特征提取网络学习信号分类的经验，训练完成的特征提取网络具有很好的泛化性能，在测试集对训练完成的特征提取网络进行测试时，可以实现确定出测试集中待识别信号样本的调制样式。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中信号调制识别方法的流程图；
图2示意性示出本公开示例性实施例中混合注意力原型网络算法整体框图；
图3示意性示出本公开示例性实施例中CBMA注意机制整体结构示意图；
图4示意性示出本公开示例性实施例中通道注意力模块示意图；
图5示意性示出本公开示例性实施例中空间注意力模块示意图；
图6示意性示出本公开示例性实施例中CLN-CBAM结构示意图；
图7示意性示出本公开示例性实施例中5-way K-shot任务下网络识别性能示意图；
图8示意性示出本公开示例性实施例中C-way 5-shot任务下网络识别性能示意图；
图9示意性示出本公开示例性实施例中不同特征提取网络下原型网络的识别性能示意图；
图10示意性示出本公开示例性实施例中原型网络训练精度示意图；
图11示意性示出本公开示例性实施例中数据集样本对识别准确率的影响示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中提供了一种信号调制识别方法，参考图1中所示，该方法可以包括：
步骤S101：利用卷积神经网络和长短时记忆网络构建特征提取网络，并向所述特征提取网络中引入卷积注意力机制。
步骤S102：采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络。
步骤S103：通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式。
通过上述信号调制识别方法，通过构建特征提取网络，并向其引入卷积注意力机制，利用训练集对引入卷积注意力机制的特征提取网络进行训练优化，以使训练优化好的特征提取网络学习信号分类的经验，训练完成的特征提取网络具有很好的泛化性能，在测试集对训练完成的特征提取网络进行测试时，可以实现确定出测试集中待识别信号样本的调制样式。
下面，将参考图1至图10对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在步骤S101中，利用卷积神经网络和长短时记忆网络构建特征提取网络，并向所述特征提取网络中引入卷积注意力机制。具体的，在原型网络框架下构建由卷积神经网络(Convolution Neural Network,CNN)和长短时记忆网络(Long Short-term Memory,LSTM)网络联级组成的特征提取网络，同时为了进一步提高网络性能，在特征提取网络中引入卷积自注意力机制(Convolutional Block Attention Module,CBAM)，引入卷积自注意力机制的特征提取网络可以提高网络性能。其中，卷积神经网络善于提取信号的空间特征，长短时记忆网络可用来检测信号序列内的时序特征，本文设计由卷积神经网络和长短时记忆网络构搭建的特征提取网络，可充分提取信号不同维度的特征，同时在特征提取网络中引入卷积自注意力机制，卷积自注意力机制可以从通道域和空间域两个维度建立特征权重向量，使网络更加关注对分类有益的特征，组成引入卷积注意力机制后的特征提取网络。引入卷积注意力机制后的特征提取网络包括5个卷积块，卷积块由一个卷积层、一个批量归一化层，一个ReLU激活函数和一个最大池化层组成，为防止网络在训练过程中出现过拟合，在最大池化层后设置一个Dropout层，并在每个卷积块后插入CBAM模块。由于本文仿真所用通信信号数据点较多，为避免卷积核选取过大增加计算复杂度，分别设置7×2、5×2、3×2、2×1、2×1大小的卷积核，卷积核数量分别为16、32、64、128、256，最大池化层核大小都设置为3×1，卷积块完成特征提取后，将特征序列展开成一维数据送入全连接层，最后再通过LSTM输出特征。
在步骤S102中，采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络。具体的，从采集到的数据集中选几类信号作为训练集，剩余几类信号作为测试集，训练集和测试集用的信号类别不同。通过用训练集对引入卷积注意力机制后的特征提取网络进行训练，以得到训练好的特征提取网络，便于后续测试集测试时用。
在步骤S103中，通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式。具体的，训练好的特征提取网络，通过测试集对其进行测试，以确定出测试集中待识别信号样本类别，即待识别信号样本的调制样式。
在一个实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
从所述训练集中随机选取少量C1类样本，并从每类样本中随机抽取K1个带标签信号样本组成元支持集，从每类剩余样本中随机抽取NQ1个待识别信号样本组成元查询集。具体的，元支持集和元查询集组成一个识别任务，即为C-way K-shot任务，在每次训练迭代过程中，特征提取网络都从训练集中随机选择C1类样本组成样本集DV1，然后从样本集DV1的每类信号中随机抽取K1个带标签信号样本组成元支持集DTS1，元支持集DTS1模拟测试阶段的支持集DS，最后再从样本集DV1中不属于元支持集DTS1的样本中的每类信号中随机抽取NQ1样本组成元查询集DTQ1，元查询集DTQ1用于模拟测试阶段的查询集DQ。
在一个实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本通过训练好的所述特征提取网络映射到低维的特征度量空间，分别得到所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本的特征向量。具体的，为了得到关于元支持集中带标签信号样本和元查询集中待识别信号样本的特征向量，由训练好的特征提取网络将元支持集中的带标签样本和元查询集中的待识别信号样本映射到低维的特征度量空间。
在一个实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
对所述元支持集中每个类的带标签信号样本的特征向量进行求取第一平均特征向量，并将所述第一平均特征向量作为训练类原型。具体的，需要对元支持集中每个类的带标签信号样本的特征向量进行计算，求取第一平均特征向量，并将每个类的平均特征向量作为训练类原型。其中，第k类信号的训练类原型可表示为：
Figure BDA0003633506830000081
其中fj表示特征提取网络；j为网络参数，xkn表示第k类的第n个样本，K表示DS中第k类样本的样本量。
在一个实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
计算所述元查询集中信号样本的特征向量与各个训练类原型的第一欧式距离，并将所述第一欧式距离输入激活函数，得到所述元查询集中的待识别信号样本的调制样式。具体的，计算
假设x为来自DQ的待识别信号样本，通过计算待识别信号样本x的特征向量与各类原型间的欧式距离，并将所得距离利用Softmax函数进行归一化处理，从而预测待识别信号样本x属于第k类样本的概率为：
Figure BDA0003633506830000082
式中d表示一种距离度量函数，一般为欧氏距离。
根据预测待识别信号样本x属于第k类样本的概率，得到元查询集中的待识别信号样本的调制样式。
在一个实施例中，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将得到的所述元查询集中的待识别信号样本的调制样式输入负对数函数计算损失，对所述特征提取网络进行优化训练。具体的，训练过程中利用负对数概率损失函数J(j)＝-ln pj(y＝k|x)计算损失，并使用随机梯度下降法最小化训练损失更新特征提取网络参数，其中负对数概率损失函数为：
J(j)＝-ln pj(y＝k|x) (3)
在一个实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
从测试集中随机选取C2类样本，并从每类样本中随机抽取K2个带标签信号样本组成支持集DT，从每类剩余样本中随机抽取NQ2个待识别信号样本组成查询集DT。具体的，训练好的特征提取网络，需要用测试集中的支持集和查询集对其进行模拟测试，以测试训练好的特征提取网络掌握学习分类的能力，最终确定测试集中待识别信号样本的调制样式。其中，支持集和查询集组成一个测试识别任务。
在一个实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
将所述支持集中的带标签信号样本和查询集中的待识别信号样本输入训练好的所述特征提取网络中，分别得到所述支持集中的带标签信号样本和查询集中的待识别信号样本的特征向量。具体的，由训练好的特征提取网络将支持集中的带标签样本和查询集中的待识别信号样本映射到低维的特征度量空间，得到关于支持集中的带标签信号样本和查询集中的待识别信号样本的特征向量。
在一个实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
对所述支持集中的待识别信号样本的特征向量进行求取第二平均特征向量，并将所述第二平均特征向量作为测试类原型。具体的，将对支持集中的待识别信号样本进行求取的第二平均特征向量作为测试类原型，以便后续测试过程中确定查询集中待识别信号样本的调制样式。
在一个实施例中，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
计算所述查询集中的待识别信号样本的特征向量与各个测试类原型的第二欧式距离，并将所述第二欧式距离输入激活函数，得到所述查询集中的待识别信号样本的调制样式。具体的，第二欧式距离的计算公式与第一欧式距离的计算公式相同，通过公式(2)，计算第二欧式距离，然后将第二欧式距离输入激活函数，最终得到查询集中的待识别信号样本属于每个类的概率，根据属于每个类的概率确定查询集中待识别信号样本的调制样式。
下面结合具体仿真实例，进一步阐述本实施例。
实验选取RadioML2018.01A公开调制信号集验证该信号调制识别方法性能。该信号集由24种调制信号组成，各个信号包括I、Q两路数据，数据格式为[1024，2]，信噪比分布从-20dB至30dB，间隔为2dB。本文算法训练和测试阶段所用信号样本的标签空间不相交，随机选取其中14种调制信号作为训练集，另外10种作为测试集，在信噪比为-20dB～30dB的条件下进行实验仿真。训练集、测试集调制样式如表1。
表1实验数据集
Figure BDA0003633506830000101
实验模型在python深度学习神经网络pytorch框架下进行搭建，硬件平台为基于windows7、32GB内存、NVDIA P4000显卡的计算机。实验模型采用端到端的训练方式，Adam优化网络，初始学习率为0.001，由于不同的支持集识别精度可能不同，因此测试阶段随机选取1000组实验数据计算平均识别率。
1)支持集样本量(K值)对识别性能影响
为验证信号调制识别方法支持集中每类信号的样本量(K值)对网络识别准确率的影响，本节设置在K分别为1，5，10，15，20时进行对比实验。网络训练集和测试集如表2，特征提取模块为CLN-CBAM网络，训练时每次迭代类支持集中包含5类样本，即5-way K-shot任务；元查询集样本量NQ设置为10，在不同信噪比下的平均识别准确率如表2所示：
表2不同K值下信号调制识别性能比较
Figure BDA0003633506830000102
Figure BDA0003633506830000111
本实施例中所提原型网络在识别信号调制样式时需要与由支持集计算得到的类原型进行距离度量，类原型取支持集中每类调制信号数据点特征向量的平均，故在C-wayK-shot任务中，在类别量不变的情况下，支持集中信号样本量(K值)会对网络的识别准确率产生影响。如表2所示，当支持集中每类信号样本量分别为1、5、10、15、20时，对应的信号平均识别准确率在信噪比为10dB时分别为76.31％、86.46％、86.67％、87.43％、87.54％。较大的样本量有利于特征提取网络提取到调制信号更全面的特征，识别准确率会随着样本量的增多而提高，但随着样本量的进一步增大，其对信号识别率的影响会逐渐减弱。信号调制识别方法适宜应用在带标签信号样本只有几个的情况下，在未知信号只有1个带标签样本时也能保持一定识别准确率，如图7所示，不同样本量下信号识别准确率随信噪比增大而逐渐提高。
2)样本类别量(C值)对识别性能的影响
为验证支持集中样本类别量(C值)对于网络识别准确率的影响，设置支持集样本类别数C分别为3、5、10、14，实验数据集如表2所示，在特征提取模块CLN-CBAM下，对比C-way5-shot任务平均识别准确率，仿真结果如表3所示：
表3样本类别量(C值)对识别精度的影响
Figure BDA0003633506830000112
随着支持集样本类别量的增加，网络识别性能下降，当支持集包含14类调制信号样本时，识别精度只有69.76％，相对支持集中含3类调制信号样本时减少了21.21％。不同C值下信号识别率随信噪比变化曲线如图10所示，当C值为14时识别准确率最低。支持集样本类别的增加会提升度量空间判断两个信号特征相似度的难度，使网络不易收敛，导致识别性能下降。
3)特征提取网络性能仿真分析
为验证本公开实施例中所提CLN-CBAM特征提取网络的性能，对比基于CLN、CLN-CBAM、ConvNet、Resnet18、Resnet18-CBAM、Resnet34的特征提取模块进行调制识别性能分析。实验数据集如表2所示，在5-way5-shot任务下进行训练测试，目标集样本量NQ设置为10，实验识别准确率如图8所示：
由图9可得，本公开实施例中所提CLN-CBAM网络性能最优，在信噪比为20dB时，识别准确率可达85.68％，CLN、Resnet18、Resnet18-CABM、Resnet34识别率较差，分别为81.36％、80.04％、79.8％、81.06％。在信噪比低于-10dB的情况下，与实际情况已完全不符，所有网络也都无法有效识别。CNN与LSTM的结合，可以有效提取到调制信号的空间、时序特征，使所提特征向量更具区分性。实验结果表明CLN-CBAM可进一步提升识别精度。
所示如图10所示，当特征提取模块为CLN-CBAM，对于5-way 5-shot任务，随着原型网络不断迭代，信号识别准确率不断增加，当迭代80次后网络趋于稳定。
4)不同小样本学习算法性能对比分析
为验证本公开实施例信号调制识别方法的识别性能，选取几种基于深度学习的调制识别算法进行对比分析，为保证实验结果的可靠性，所有算法仿真实验均采用RadioML2016.10B公开调制数据集，该数据集包括8PSK、AM-DSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM种调制信号，本文算法选取前5类信号作为训练集，后5类信号作为测试集。每种算法都随机选取一定量的数据作为训练集/支持集，不同算法下的平均识别准确率如表4所示。
表4不同调制识别算法性能对比
Figure BDA0003633506830000121
Figure BDA0003633506830000131
由实验数据可知，本文算法相较于一般的调制识别方法有较大的性能优势，在识别时所需样本量极少。主要原因在于本文算法不针对某一类特定信号训练网络，而是经过大量训练任务使网络学习一种信号分类的经验，经训练收敛的模型在面对新类的识别任务时无须重新训练即可快速实现信号识别。从实验结果可知，本文算法即使在只有一个带标签样本时也能保持相对较高的识别水平。
5)数据集样本类别对网络的影响
本文算法仿真实验所用数据集由24类调制信号组成，其中包含19类数字调制信号和5类模拟调制信号，数字调制信号又分为调幅、调相、调频等多种不同调制信号，不同类的调制信号具有不同的特点，识别难度也相对不同。由于本公开实施例所提原型网络算法在训练阶段和测试阶段所用信号样本的标签空间不相交，故对于训练集和测试集中样本类别的选取也会对网络识别准确率产生一定影响。根据各类调制信号的特点将数据集划分为四种不同分集进行对比实验，为使实验结果更具代表性，每次划分数据集都选取5类调制信号组成测试集，10类调制信号组成训练集，具体划分方式如表5所示：
表5实验数据集分集
Figure BDA0003633506830000132
本次实验设置特征提取模块为CLN-CBAM网络，验证在5-way5-shot学习任务下测试集的识别准确率，当信噪比为20dB时，实验结果如图11所示，四种不同分集的识别准确率分别为92.67％、82.63％、79.46％、82.78％，不同分集之间识别准确率有一定差异。由表4可知，分集1、2、3的训练集都是由数字调制信号组成，而分集3的测试识别准确率最低，由于分集3的测试集由5种不同进制的相移键控(Phase Shift Keying，PSK)调制信号组成，不同进制PSK信号间相似度较高，容易造成混淆，提高了识别难度；分集1的测试集是由不同类数字调制信号组成，各类信号相似度较低，且与训练集中的数字调制信号有一定相似度，故分集1的测试识别准确率最高；分集2测试集都为模拟调制信号，测试识别准确率相较于分集1有明显下降，但由于不同模拟调制信号特征间有一定差异，故相较于分集3测试识别准确率有一定提高；分集4由随机挑选出来的调制信号组成，训练集与测试集都包含数字调制信号与模拟调制信号，在信噪比20dB时，测试识别准确率可达82.78％。由实验结果可知，本公开实施例的信号调制识别方法可适应训练集与测试集样本类别不同的场合，特别地，当训练集与测试集样本类别差距较大时，该算法也能较好完成小样本的调制识别任务，并且使用样本类别丰富度更高的训练集有利于识别准确率的提高。
综上所述，本实施例构建的CLN-CBAM特征提取网络可进一步提高原型网络算法的识别准确率。该信号调制识别方法采用了原型网络算法框架，通过利用训练集模拟测试时的识别场景，学习信号分类的经验，训练完成的网络模型具有很好的泛化性能，在测试时面对新类信号，即使只有几个带标签样本也能保证该信号调制识别方法的识别性能。仿真实验结果进一步验证了该信号调制识别方法解决小样本调制识别问题的可行性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种信号调制识别方法，其特征在于，该方法包括：
利用卷积神经网络和长短时记忆网络构建特征提取网络，并向所述特征提取网络中引入卷积注意力机制；
采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络；
通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式。
2.根据权利要求1所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
从所述训练集中随机选取少量C1类样本，并从每类样本中随机抽取K1个带标签信号样本组成元支持集，从每类剩余样本中随机抽取NQ1个待识别信号样本组成元查询集。
3.根据权利要求2所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本通过训练好的所述特征提取网络映射到低维的特征度量空间，分别得到所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本的特征向量。
4.根据权利要求3所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
对所述元支持集中每个类的带标签信号样本的特征向量进行求取第一平均特征向量，并将所述第一平均特征向量作为训练类原型。
5.根据权利要求4所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
计算所述元查询集中信号样本的特征向量与各个训练类原型的第一欧式距离，并将所述第一欧式距离输入激活函数，得到所述元查询集中的待识别信号样本的调制样式。
6.根据权利要求5所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：
将得到的所述元查询集中的待识别信号样本的调制样式输入负对数函数计算损失，对所述特征提取网络进行优化训练。
7.根据权利要求1所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
从测试集中随机选取C2类样本，并从每类样本中随机抽取K2个带标签信号样本组成支持集，从每类剩余样本中随机抽取NQ2个待识别信号样本组成查询集。
8.根据权利要求7所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
将所述支持集中的带标签信号样本和查询集中的待识别信号样本输入训练好的所述特征提取网络中，分别得到所述支持集中的带标签信号样本和查询集中的待识别信号样本的特征向量。
9.根据权利要求8所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
对所述支持集中的待识别信号样本的特征向量进行求取第二平均特征向量，并将所述第二平均特征向量作为测试类原型。
10.根据权利要求9所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：
计算所述查询集中的待识别信号样本的特征向量与各个测试类原型的第二欧式距离，并将所述第二欧式距离输入激活函数，得到所述查询集中的待识别信号样本的调制样式。
CN202210532212.9A 2022-05-09 2022-05-09 一种信号调制识别方法 Pending CN114912489A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210532212.9A CN114912489A (zh) 2022-05-09 2022-05-09 一种信号调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210532212.9A CN114912489A (zh) 2022-05-09 2022-05-09 一种信号调制识别方法

Publications (1)

Publication Number Publication Date
CN114912489A true CN114912489A (zh) 2022-08-16

Family

ID=82767196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210532212.9A Pending CN114912489A (zh) 2022-05-09 2022-05-09 一种信号调制识别方法

Country Status (1)

Country Link
CN (1) CN114912489A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452957A (zh) * 2022-09-01 2022-12-09 北京航空航天大学 基于注意力原型网络的小样本金属损伤识别方法
CN117131416A (zh) * 2023-08-21 2023-11-28 四川轻化工大学 一种小样本调制识别方法、系统、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452957A (zh) * 2022-09-01 2022-12-09 北京航空航天大学 基于注意力原型网络的小样本金属损伤识别方法
CN115452957B (zh) * 2022-09-01 2024-04-12 北京航空航天大学 基于注意力原型网络的小样本金属损伤识别方法
CN117131416A (zh) * 2023-08-21 2023-11-28 四川轻化工大学 一种小样本调制识别方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114912489A (zh) 一种信号调制识别方法
CN110210560A (zh) 分类网络的增量训练方法、分类方法及装置、设备及介质
CN112308133A (zh) 基于卷积神经网络的调制识别方法
US5724487A (en) Neural network for maximum likelihood classification with supervised and unsupervised training capability
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及系统
CN112039820A (zh) 量子象群机制演化bp神经网络的通信信号调制识别方法
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN114912486A (zh) 一种基于轻量化网络的调制方式智能识别方法
CN111310743B (zh) 人脸识别方法、装置、电子设备及可读存储介质
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
CN112307927A (zh) 基于bp网络针对非合作通信中mpsk信号的识别研究
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN114528876A (zh) 基于改进原型网络的小样本信号自动调制识别方法
CN114584440A (zh) 基于Transformer编码网络的小样本AMC方法
CN113109782A (zh) 一种直接应用于雷达辐射源幅度序列的新型分类方法
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
CN115640845A (zh) 基于生成对抗网络的图神经网络少数类别样本生成方法
CN115510948A (zh) 一种基于鲁棒图分类的区块链钓鱼检测方法
CN114785890A (zh) 骚扰电话识别方法及装置
CN113379037A (zh) 一种基于补标记协同训练的偏多标记学习方法
CN108509989B (zh) 基于高斯选控玻尔兹曼机的hrrp识别方法
CN112949590A (zh) 一种跨域行人重识别模型构建方法及构建系统
CN117176522A (zh) 一种基于空间分布特征提取网络的调制信号开集识别方法
CN116466312A (zh) 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法

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