CN115034255A - 一种具有注意力机制时间卷积网络的信号调制识别算法 - Google Patents

一种具有注意力机制时间卷积网络的信号调制识别算法 Download PDF

Info

Publication number
CN115034255A
CN115034255A CN202210378881.5A CN202210378881A CN115034255A CN 115034255 A CN115034255 A CN 115034255A CN 202210378881 A CN202210378881 A CN 202210378881A CN 115034255 A CN115034255 A CN 115034255A
Authority
CN
China
Prior art keywords
layer
modulation signal
attention mechanism
determining
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
CN202210378881.5A
Other languages
English (en)
Inventor
唐晓刚
任彦洁
郇浩
陶然
张斌权
李炯
高明慧
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.)
Beijing Institute of Technology BIT
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Beijing Institute of Technology BIT
Peoples Liberation Army Strategic Support Force Aerospace Engineering 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 Beijing Institute of Technology BIT, Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Beijing Institute of Technology BIT
Priority to CN202210378881.5A priority Critical patent/CN115034255A/zh
Publication of CN115034255A publication Critical patent/CN115034255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明实施例公开了一种具有注意力机制时间卷积网络的信号调制识别算法。本发明实施例通过获取待识别调制信号数据；将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。通过上述方法，采用结合注意力机制的时间卷积网络模确定目标调制方式，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。

Description

一种具有注意力机制时间卷积网络的信号调制识别算法
技术领域
本发明涉及无线通信技术领域，具体涉及一种具有注意力机制时间卷积网络的信号调制识别算法。
背景技术
随着无线通信技术的发展，通信信号可以通过不同的调制方式进行调制，在一些场景下，接收到已调制的通信信号后，需要确定其调制方式。
现有技术中，通过基于最大似然比理论的方法、基于特征提取的方法以及基于深度学习的方法确定已调制的通信信号的调制方式，虽然上述三种方式都可以识别出调制信号的调制方法，但是都存在一定的问题，例如，所述基于最大似然比理论的方法需要已调制的通信信号的先验知识，且建立函数专业性强，计算复杂；所述基于特征提取的方法特征和分类器的选取在根本上决定了分类的效果，在复杂的电磁环境下，通信环境变换多样，固定特征的选取不适用于所有场景，有一定的局限性；基于深度学习的调制识别方法中将已调制的通信信号转换为图像处理的方法没有考虑到信号本身携带的特征且运算复杂；直接对已调制的通信信号进行端到端识别的方法中，主要是基于卷积神经网络(ConvolutionalNeural Network，CNN)和长短时记忆网络(Long short-term memory，LSTM)，所述CNN或LSTM对已调制的通信信号序列的特征提取不全面，会造成识别率偏低，而CNN与LSTM相结合的复合网络虽然能够提取时频域特征，但计算量比较大。
综上所述，如何提升调制方式识别准确率，减少冗余的计算量以及减少运算时间是目前需要解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种具有注意力机制时间卷积网络的信号调制识别算法，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。
第一方面，本发明实施例提供了一种信号调制方式的识别方法，该方法包括：
获取待识别调制信号数据；
将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
可选的，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式，具体包括：
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
将所述最大值对应的调制方式确定为目标调制方式。
可选的，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
可选的，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值，具体包括：
将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；
将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
可选的，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据，具体包括：
通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；
通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；
将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
可选的，所述将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据，具体包括：
将所述第二输出数据输入到注意力机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；
对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
可选的，所述结合注意力机制的时间卷积网络模型的训练过程包括：
获取历史调制信号数据以及所述历史调制信号数据对应的调制方式；
将所述历史调制信号数据进行采样处理，确定历史调制信号序列；
根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
第二方面，本发明实施例提供了一种信号调制方式的识别装置，其特征在于，该装置包括：
获取单元，用于获取待识别调制信号数据；
第一确定单元，用于将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
第二确定单元，用于将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
可选的，所述第二确定单元，具体用于：
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
将所述最大值对应的调制方式确定为目标调制方式。
可选的，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
可选的，所述第二确定单元，具体用于：
将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；
将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
可选的，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，所述第二确定单元，具体用于：
通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；
通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；
将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
可选的，所述第二确定单元，具体用于：
将所述第二输出数据输入到注意力机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；
对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
可选的，所述获取单元还用于：获取历史调制信号数据以及所述历史调制信号数据对应的调制方式；
所述第一确定单元还用于：将所述历史调制信号数据进行采样处理，确定历史调制信号序列；
该装置还包括训练单元，用于根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被处理器执行以实现如第一方面或第一方面任一种可能中任一项所述的方法。
第四方面，本发明实施例提供了一种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以实现如第一方面或第一方面任一种可能中任一项所述的方法。
本发明实施例通过获取待识别调制信号数据；将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。通过上述方法，采用结合注意力机制的时间卷积网络模确定目标调制方式，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的一种信号调制方式的识别方法流程图；
图2是本发明实施例的一种注意力机制的时间卷积网络模型示意图；
图3是本发明实施例的另一种信号调制方式的识别方法流程图；
图4是本发明实施例的一种时间卷积网络层结构示意图；
图5是本发明实施例的一种结合注意力机制的时间卷积网络模型的训练流程图；
图6是本发明实施例的一种信号调制方式的识别装置示意图。
具体实施方式
以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
现有技术中，通过基于最大似然比理论的方法、基于特征提取的方法以及基于深度学习的方法确定已调制的通信信号的调制方式，具体的，基于最大似然比理论的方法以贝叶斯理论为指导，通过已调制的通信信号的先验信息设计似然函数，得到已调制的通信信号的多个似然比值，确定所述似然比值中最大值对应的调制方式为所述已调制的通信信号所采用的调制方式，所述基于最大似然比理论的方法将调制方式分类问题转换成了以最大似然度为准则的多重复合假设检验问题进行处理，识别率准确率高，可靠性好；虽然通过上述方式可以确定调制方式，但是存在一定的问题，具体为所述基于最大似然比理论的方法需要已调制的通信信号的先验知识，且建立函数专业性强，计算复杂；基于特征提取的方法首先是由人工设计提取出能区分不同调制方式的信号特征，再选择与特征匹配的合适的分类器实现调制方式的识别分类，对于某些场景下选取到最匹配的特征和分类器，实现对调制方式的识别；所述基于特征提取的方法特征和分类器的选取在根本上决定了分类的效果，在复杂的电磁环境下，通信环境变换多样，固定特征的选取不适用于所有场景，有一定的局限性；基于深度学习的方法通过将已调制的通信信号转换为图像处理或者直接已调制的通信信号，通过神经网络强大的表征能力实现端到端信号调制方式的识别；基于深度学习的调制识别方法中将已调制的通信信号转换为图像处理的方法没有考虑到信号本身携带的特征且运算复杂；直接对已调制的通信信号进行端到端识别的方法中，主要是基于卷积神经网络(Convolutional Neural Network，CNN)和长短时记忆网络(Long short-termmemory，LSTM)，所述CNN或LSTM对已调制的通信信号序列的特征提取不全面，会造成识别率偏低，而CNN与LSTM相结合的复合网络虽然能够提取时频域特征，但计算量比较大。因此，如何提升调制方式识别准确率，减少冗余的计算量以及减少运算时间是目前需要解决的问题。
本发明实施例中，为了解决在提升调制方式识别准确率的同时减少冗余的计算量以及减少运算时间的问题，提出了一种信号调制方式的识别方法，具体如图1所示，图1是本发明实施例的一种信号调制方式的识别方法流程图。具体包括：
步骤S100、获取待识别调制信号数据。
具体的，所述待识别调制信号为同向(In-phase，I)/正交(Quadrature，Q)信号数据，其中，所述待识别调制信号数据的调制方式存在11中可能，包括8种数字调制方式和3种模拟调制方式，所述8种数字调制方式为8PSK、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM和QPSK，所述3种模拟调制方式为AM-DSB、AM-SSB和WBFM。
步骤S101、将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列。
本发明实施例中，假设将所述待识别调制信号数据进行采样处理时设置的采样点为N，则所述待识别调制信号序列的长度为N，数据格式为[2，N]，其中，2表示I和Q两路信号数据。
步骤S102、将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
本发明实施例中，所述所述注意力机制的时间卷积网络模型如图2所示，包括输入层201、批归一化层202、时间卷积网络层203、注意力机制层204、全连接层205以及输出层206。
在一种可能的实现方式中，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式，具体包括：
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；将所述最大值对应的调制方式确定为目标调制方式。
本发明实施例中，结合图2中注意力机制的时间卷积网络模型中的每一层，对待识别调制信号序列进行处理，具体的处理流程如图3所示，包括如下步骤：
步骤S300、将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化(Batch Normalization，BN)层，进行归一化处理，确定第一输出数据。
具体的，所述待识别调制信号序列的数据格式为[2，N]，输入的批次大小为X，即X个[2，N]待识别调制信号序列，采用所述批归一化层用于加快网络的训练和收敛的速度，所述批归一化层的表示式如下：yy
Figure BDA0003589504510000091
其中，所述x(k)是通过输入层输入的待识别调制信号序列，所述y(k)是归一化处理后的第一输出数据，所述β(k)为可学习的平移参数，所述γ(k)为缩放参数，所述μ(k)为输入的待识别调制信号序列的均值，所述σ(k)为输入的待识别调制信号序列的标准差，所述上标k表示数据的第k维,所述ε是防止分母为零的数值。
步骤S301、将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据。
具体的，通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
在一种可能的实现方式中，所述时间卷积网络层由ResBlock层堆叠串联组成，针对每一个所述ResBlock层的结构如图4所示，主分支包括第一卷积层401、第二卷积层402、第三卷积层403、第四卷积层404和第五卷积层405，其中，所述第一卷积层401包括通道数为64，卷积核大小为1的卷积，表示为Conv(64，1)以及激活函数Relu；所述第二卷积层402包括通道数为64，卷积核大小为3，膨胀系数为1，填充方式为causal(表示时间序列的因果性)的卷积，表示为Causal Conv(64，3，1)以及激活函数Relu；所述第三卷积层403包括通道数为64，卷积核大小为3，膨胀系数为2，填充方式为causal的卷积，表示为Causal Conv(64，3，2)以及激活函数Relu；所述第四卷积层404包括通道数为64，卷积核大小为3，膨胀系数为4，填充方式为causal的卷积，表示为Causal Conv(64，3，4)以及激活函数Relu；所述第五卷积层405包括通道数为64，卷积核大小为3，膨胀系数为8，填充方式为causal的卷积，表示为Causal Conv(64，3，8)以及激活函数Relu；所述图4还包括Add模块，用于加和所述浅层特征与所述深层特征、时域特征以及频域特征。所述图4还包括右侧分支的通道数为64，卷积核大小为1的卷积，表示为Conv(64，1)，用于统一通道数；所述图4还包括左侧分支，用于加入残差结构，多尺度融合特征，提升数据信息表达性，融合浅层特征与深层特征，避免过拟合。
本发明实施中，通过膨胀系数的设置，可以在不增加计算量的情况下，使卷积能够获得更长的依赖关系，拥有灵活的感受野，提取深层特征、时域特征与频域特征。
步骤S302、将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据。
具体的，将所述第二输出数据输入到注意力(attention)机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
本发明实施例中，所述注意力机制层用于中在所述浅层特征、深层特征、时域特征以及频域特征中确定重要特征，减少不重要的冗余信息，对每个通道输入的第二输出数据都进行加权求和，表示公式如下：
μi＝tanh(Wxi+b)
Figure BDA0003589504510000101
Si＝∑αxi
其中，xi为所述时间卷积网络的输出，即第二输出数据，所述W和所述b为注意力机制的共享参数，μi表示数据的非线性映射，μw为初始化的随机值，α为每个数据的注意力机制权重，Si为多个数据采用注意力机制之后加权组成的表示。
本发明实施例中，所述注意力机制层的最后输出的第三输出数据是一组一维数据，所述一维数据的长度与时间卷积网络输出的二维数据的通道数相同，注意力机制的引入代替Flatten层的数据压平操作，后续可直接进行全连接操作，大大降低了计算量。
步骤S303、将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值。
具体的，全连接层将注意力机制学习到的重要特征表示，映射到样本标记空间，实现分类，所述分类结果即调制方式，假设可以分为11类，对应11种调制方式，分别确定每种调制方式的概率值，确定概率值的最大值。
步骤S304、将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
在一种可能的实现方式中，所述调制方式8PSK、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM和QPSK、AM-DSB、AM-SSB和WBFM对应的概率值分别为0.6、0.3、0.2、0.4、0.5、0.7、0.8和0.9，最大值为0.9，即所述最大值0.9对应的目标调制方式为WBFM。
本发明实施中，采用结合注意力机制的时间卷积网络模确定目标调制方式，可以提升调制方式识别准确率，减少冗余的计算量以及减少运算时间。
在一种可能的实现方式中，所述结合注意力机制的时间卷积网络模型的训练过程如图5所示，具体步骤如下：
步骤S500、获取历史调制信号数据以及所述历史调制信号数据对应的调制方式。
步骤S501、将所述历史调制信号数据进行采样处理，确定历史调制信号序列。
本发明实施例中，将所述历史调制信号序列可以进行随机划分，随机且不重复地将历史调制信号序列按照比例划分为训练集和测试集，训练集用于后续的注意力机制的时间卷积网络模型的训练，所述测试集用于验证所述注意力机制的时间卷积网络模型。
步骤S502、根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
在一种可能的实现方式中，通过上述步骤训练所述结合注意力机制的时间卷积网络模型后可以对新获取的待识别调制信号数据进行分类，确定目标调制方式。
图6是本发明实施例的一种信号调制方式的识别装置示意图。如图6所示，本实施例的装置包括获取单元601、第一确定单元602和第二确定单元603。
其中，所述获取单元601，用于获取待识别调制信号数据；所述第一确定单元602，用于将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；所述第二确定单元603，用于将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
可选的，所述第二确定单元，具体用于：
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
将所述最大值对应的调制方式确定为目标调制方式。
可选的，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
可选的，所述第二确定单元，具体用于：
将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；
将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
可选的，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，所述第二确定单元，具体用于：
通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；
通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；
将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
可选的，所述第二确定单元，具体用于：
将所述第二输出数据输入到注意力机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；
对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
可选的，所述获取单元还用于：获取历史调制信号数据以及所述历史调制信号数据对应的调制方式；
所述第一确定单元还用于：将所述历史调制信号数据进行采样处理，确定历史调制信号序列；
该装置还包括训练单元，用于根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外，本发明实施例的各个方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意合适的介质来传送实现在计算机可读介质上的程序代码。
用于执行针对本发明实施例各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图图例和/或框图描述了本发明实施例的各个方面。将要理解的是，流程图图例和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备或其它装置以特定方式运行的计算机可读介质中，使得在计算机可读介质中存储的指令产生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置上，以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实现的过程，使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框图块或块中指定的功能/动作的过程。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种信号调制方式的识别方法，其特征在于，该方法包括：
获取待识别调制信号数据；
将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
2.如权利要求1所述的方法，其特征在于，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式，具体包括：
将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值；
将所述最大值对应的调制方式确定为目标调制方式。
3.如权利要求2所述的方法，其特征在于，所述注意力机制的时间卷积网络模型包括输入层、批归一化层、时间卷积网络层、注意力机制层、全连接层以及输出层。
4.如权利要求2所述的方法，其特征在于，所述将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定至少一种调制方式对应的概率值中的最大值，具体包括：
将所述待识别调制信号序列通过输入层输入到所述结合注意力机制的时间卷积网络模型的批归一化层，进行归一化处理，确定第一输出数据；
将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据；
将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据；
将所述第三输出数据输入全连接层，确定至少一种分类结果对应的概率值中的最大值；
将所述最大值对应的对应的调制方式确定为目标调制方式通过输出层输出。
5.如权利要求4所述的方法，其特征在于，所述时间卷积网络层由ResBlock层堆叠组成，针对每一个所述ResBlock层，将所述第一输出数据输入到时间卷积网络层，提取浅层特征、深层特征、时域特征以及频域特征，确定所述时间卷积网络层的第二输出数据，具体包括：
通过第一卷积层提取浅层特征，其中，所述第一卷积层的卷积核大小为1；
通过第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征，其中，所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的卷积核大小为3，对应的膨胀系数分别为1、2、4和8；
将所述第一卷积层提取浅层特征和所述第二卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层提取深层特征、时域特征以及频域特征进行加和，确定所述时间卷积网络层的第二输出数据。
6.如权利要求4所述的方法，其特征在于，所述将所述第二输出数据输入到注意力机制层，确定所述注意力机制层的第三输出数据，具体包括：
将所述第二输出数据输入到注意力机制层，通过所述注意力机制层确定所述浅层特征、深层特征、时域特征以及频域特征中的重要特征；
对所述重要特征分配不同的权重，进行加权求和，确定出所述注意力机制层的第三输出数据。
7.如权利要求1所述的方法，其特征在于，所述结合注意力机制的时间卷积网络模型的训练过程包括：
获取历史调制信号数据以及所述历史调制信号数据对应的调制方式；
将所述历史调制信号数据进行采样处理，确定历史调制信号序列；
根据所述历史调制信号序列以及所述历史调制信号数据对应的调制方式训练所述结合注意力机制的时间卷积网络模型。
8.一种信号调制方式的识别装置，其特征在于，该装置包括：
获取单元，用于获取待识别调制信号数据；
第一确定单元，用于将所述待识别调制信号数据进行采样处理，确定待识别调制信号序列；
第二确定单元，用于将所述待识别调制信号序列输入到预先训练的结合注意力机制的时间卷积网络模型，确定出所述待识别调制信号序列的目标调制方式。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种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以实现如权利要求1-7中任一项所述的方法。
CN202210378881.5A 2022-04-11 2022-04-11 一种具有注意力机制时间卷积网络的信号调制识别算法 Pending CN115034255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210378881.5A CN115034255A (zh) 2022-04-11 2022-04-11 一种具有注意力机制时间卷积网络的信号调制识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210378881.5A CN115034255A (zh) 2022-04-11 2022-04-11 一种具有注意力机制时间卷积网络的信号调制识别算法

Publications (1)

Publication Number Publication Date
CN115034255A true CN115034255A (zh) 2022-09-09

Family

ID=83120037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210378881.5A Pending CN115034255A (zh) 2022-04-11 2022-04-11 一种具有注意力机制时间卷积网络的信号调制识别算法

Country Status (1)

Country Link
CN (1) CN115034255A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488974A (zh) * 2023-03-20 2023-07-25 中国人民解放军战略支援部队航天工程大学 一种结合注意力机制的轻量化调制识别方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488974A (zh) * 2023-03-20 2023-07-25 中国人民解放军战略支援部队航天工程大学 一种结合注意力机制的轻量化调制识别方法和系统
CN116488974B (zh) * 2023-03-20 2023-10-20 中国人民解放军战略支援部队航天工程大学 一种结合注意力机制的轻量化调制识别方法和系统

Similar Documents

Publication Publication Date Title
US11893781B2 (en) Dual deep learning architecture for machine-learning systems
CN108427939B (zh) 模型生成方法和装置
CN109583332B (zh) 人脸识别方法、人脸识别系统、介质及电子设备
CN110472675B (zh) 图像分类方法、图像分类装置、存储介质与电子设备
CN113505848B (zh) 模型训练方法和装置
JP2018500708A (ja) ニューラルネットワーク構造とその方法
CN114065863B (zh) 联邦学习的方法、装置、系统、电子设备及存储介质
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN113496512A (zh) 用于内窥镜的组织腔体定位方法、装置、介质及设备
CN108737022B (zh) 基于量子计算的低复杂度scma解码方法及装置
CN115034255A (zh) 一种具有注意力机制时间卷积网络的信号调制识别算法
CN116992299A (zh) 区块链交易异常检测模型的训练方法、检测方法及装置
CN113919401A (zh) 基于星座图特征的调制类型识别方法、装置、计算机设备
CN114298113A (zh) 一种面向物联网的双路径机器学习调制模式识别方法
CN111353039B (zh) 文件类别检测方法和装置
KR20210038027A (ko) 신경망 압축 훈련 방법 및 압축된 신경망을 이용하는 방법
CN116503592A (zh) 目标分割模型训练方法及目标分割方法
CN116257885A (zh) 基于联邦学习的隐私数据通信方法、系统和计算机设备
CN116958626A (zh) 一种图像分类模型训练、图像分类方法、装置及电子设备
CN111898529B (zh) 脸部检测方法、装置、电子设备和计算机可读介质
CN114882308A (zh) 生物特征提取模型训练方法和图像分割方法
WO2023287392A1 (en) Systems and methods for federated learning of machine-learned models with sampled softmax
CN113469202A (zh) 数据处理的方法、电子设备和计算机可读存储介质
CN107609645B (zh) 用于训练卷积神经网络的方法和装置
CN113260044A (zh) 基于双层字典学习的csi指纹定位方法、装置及设备

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