CN115186712A - 一种调制信号识别方法和系统 - Google Patents

Abstract

本发明涉及一种调制信号识别方法和方法。所述调制信号识别方法包括：获取调制信号的I/Q数据；构建基于轻量型复数残差注意力神经网络；将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。其中，构建得到的基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器。基于本发明给出的这一调制信号识别方案，能够提高调制信号的识别率，降低资源消耗率。

Description

一种调制信号识别方法和系统

技术领域

本发明涉及信号识别技术领域，特别是涉及一种调制信号识别方法和系统。

背景技术

自动调制识别(Automatic Modulation Recognition，AMR)技术被广泛应用于频谱监测、电子侦察等民用和军用领域。传统调制识别方法从信号的时域和频域等维度提取信号的瞬时特征以及统计特征进行识别，特征提取容易受到噪声的影响，在低信噪比下算法的识别性能不佳。

近些年，凭借其强大的特征提取能力，深度学习在计算机视觉和自然语言处理方面取得了巨大成功，一些研究者着眼于将深度学习方法应用于AMR。现有一般是提取信号的时频图和星座图特征，将调制信号的识别问题转化为图像识别问题，在一定程度上改善了低信噪比下的识别率，但是调制信号转换为图像的过程以及图像识别的过程都将耗费大量的计算资源，限制了将分类模型部署于资源受限的设备以及降低了通信的实时性。

近些年，一些研究者为了避免人工提取特征的不确定性，采用端到端的调制信号识别方法，利用GNU Radio获取的调制信号同向分量和正交分量(In-phase/Quadrature，I/Q)输入到深度学习模型中进行识别，实现了对调制信号更好地分类。例如，对于无线电调制信号的识别采用二维的I/Q信号表示复值调制信号，在实值模型中对信号进行分类，信号的实部和虚部是相互独立的，为充分利用信号实部和虚部之间的相关性，Tu等构建复数神经网络模型对调制信号进行分类，与实值模型相比较，复值模型实现了更高的识别性能。此外，为了增强重要信息减少无关信息的干扰，注意力机制广泛用于深度学习中，提出了一种SE注意力机制，借助二维全局池化计算通道注意力，以较低的计算成本提高了性能。Woo等人提出了通道和空间注意力机制，混合通道信息和空间信息以增强输入特征。Lin等提出了一种时频注意机制，从频谱图像中学习通道、频率和时间方面的有用特征，以提高现有CNN的识别性能。但是，实值深度学习模型在调制识别应用中识别性能依旧不能达到理想效果。

发明内容

本发明的目的是提供一种调制信号识别方法和系统，能够提高调制信号的识别率，降低资源消耗率。

为实现上述目的，本发明提供了如下方案：

一种调制信号识别方法，包括：

获取调制信号的I/Q数据；

构建基于轻量型复数残差注意力神经网络；所述基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器；所述复数卷积模块用于提取输入数据的复数域特征；所述残差注意力模块用于提取复数域特征的残差特征；所述分类器用于基于提取的残差特征得到分类结果；

将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

优选地，所述复数卷积模块包括实值卷积模块和线性变换模块；所述线性变换模块设置在所述实值卷积模块中。

优选地，所述实值卷积模块包括依次级联的卷积层、批归一化层和RELU激活层；所述线性变换模块包括线性矩阵；

所述线性矩阵设置在所述卷积层和所述批归一化层之间。

优选地，所述线性矩阵为3×2的线性矩阵。

优选地，所述残差注意力模块包括卷积层、第一路注意力通道和第二路注意力通道；

所述卷积层的输入为所述复数卷积模块的输出；所述卷积层的输出分别作为所述第一路注意力通道的输入和所述第二路注意力通道的输入；所述第一路注意力通道的输出和所述第二路注意力通道的输出加权后输入至所述分类器。

优选地，所述卷积层的卷积核的大小为1×1。

优选地，所述分类器包括多层全连接层。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种调制信号识别方法，构建包括多个复数卷积模块、残差注意力模块和分类器的基于轻量型复数残差注意力神经网络后，采用这一基于轻量型复数残差注意力神经网络基于调制信号的I/Q数据得到调制信号识别结果，能够提高调制信号的识别率，降低资源消耗率。

对应于上述提供的调制信号识别方法，本发明还提供了一种调制信号识别系统，该系统包括：

I/Q数据获取单元，用于获取调制信号的I/Q数据；

神经网络构建单元，用于构建基于轻量型复数残差注意力神经网络；所述基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器；所述复数卷积模块用于提取输入数据的复数域特征；所述残差注意力模块用于提取复数域特征的残差特征；所述分类器用于基于提取的残差特征得到分类结果；

信号识别单元，用于将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

因本发明提供的调制信号识别系统实现的技术效果与上述提供的调制信号识别方法实现的技术效果相同，故在此不再进行赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的调制信号识别方法的流程图；

图2为本发明实施例提供的基于轻量型复数残差注意力神经网络的结构示意图；

图3为本发明实施例提供的复数卷积模块的结构示意图；

图4为本发明实施例提供的残差注意力模块的结构示意图；

图5为本发明实施例提供的基于轻量型复数残差注意力神经网络的整体结构图；

图6为本发明实施例提供的复数卷积模块实现框图；

图7为本发明实施例提供的残差注意力模块实现框图；

图8为本发明实施例提供的补偿模型在各信噪比下的识别结果图；

图9为本发明实施例提供的CVRANN模型在10dB信噪比下的混淆矩阵图；

图10为本发明实施例提供的对比模型各信噪比下的识别结果图；

图11为本发明实施例提供的实际采集数据在各模型下的识别率示意图；

图12为本发明提供的调制信号识别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种调制信号识别方法和系统，能够提高调制信号的识别率，降低资源消耗率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的调制信号识别方法，包括：

步骤100：获取调制信号的I/Q数据。

步骤101：构建基于轻量型复数残差注意力神经网络。如图2所示，构建得到的基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器。其中，复数卷积模块用于提取输入数据的复数域特征。残差注意力模块用于提取复数域特征的残差特征。分类器用于基于提取的残差特征得到分类结果。分类器包括多层全连接层。

其中，每一复数卷积模块均包括实值卷积模块和线性变换模块。线性变换模块设置在实值卷积模块中。实值卷积模块包括依次级联的卷积层、批归一化层和RELU激活层。线性变换模块包括线性矩阵。线性矩阵设置在卷积层和批归一化层之间，如图3所示。线性矩阵优选采用3×2的线性矩阵。

如图4所示，残差注意力模块包括卷积层、第一路注意力通道和第二路注意力通道。卷积层的输入为复数卷积模块的输出。卷积层的输出分别作为第一路注意力通道的输入和第二路注意力通道的输入。第一路注意力通道的输出和第二路注意力通道的输出加权后输入至分类器。卷积层的卷积核的大小优选为1×1。

步骤102：将I/Q数据输入基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

基于上述描述，本发明将复数卷积模块和残差注意力模块进行融合形成复数残差注意力机制，搭建复数残差注意力神经网络，如图5所示，中间部分为复数密集残差神经网络整体结构。构建过程中，首先，将4层卷积层和3层全连接作为基础网络BAN，在BAN的基础上，在每个卷积层中加入线性变换，将实值卷积模块变成复数卷积模块，以便提取调制信号复数域特征。接着，在最后一层卷积层后加入残差注意力模块，以提取信号的残差特征。最后，将残差特征输入全连接层中进行识别。图5中，左边为复数卷积(Complex-ValuedConvolution，CvConv)模块，包含卷积(Convolution，Conv)层、LT层、批归一化(BatchNormalization，BN)层以及ReLU激活层，右边为残差注意力模块RA，包含一层卷积核大小为1x1的卷积层、最大池化(Max Pooling，MaxP)层以及平均池化(Mean Pooling，MeanP)层。

因复数空间相比实数空间对噪声具有更高的鲁棒性，而且不同的调制类型，I/Q信号在复平面存在特定的结构特征，因此，本发明构建复数结构神经网络模型能够提取更加丰富的信号特征，并获得更优的抗噪声性能。

本发明通过线性变换在实值深度学习框架中实现复数卷积的运算为例，对上述提供的调制信号识别方法的实施过程进行说明。如图6所示，其中N×2为数据特征的维度，s′和s为特征通道数。矩阵K为线性变换矩阵。

在深度学习框架中，实值卷积运算过程如下，通过对输入数据进行零填充与卷积核进行卷积将N×2为输入特征变成N×3维输出特征，有：

假设输入二维I/Q复数信号和卷积核复权重参数分别为X_n(n∈1,2,...,N)和W_m(m∈1,2,...M)，复数表征如式(2)所示，其中,I_N,Q_N分别是X_n的同相分量和正交分量，R_M,V_M分别是W_m的实部和虚部，在复数域，输入X_n与W_m的一维卷积运算如式(3)所示。

C_1D＝X_n*W_m＝(I_N*R_M-Q_N*V_M)+i(I_N*V_M+Q_N*R_M) (3)

对比二维实值卷积输出结果与一维复数卷积计算结果，如图7所示，通过线性变换，将等式(1)右侧矩阵的第一列减去第三列作为一维复数卷积运算的实部，第二列直接作为虚部来实现一维复数卷积的结果。即将式(1)输出结果与线性变换矩阵K相乘，便可在实值深度学习模型中实现复数卷积运算。

注意力机制衍生于图像识别领域，仿照人类视觉注意力机制，关注图像的重点目标区域，抑制其他的无用信息，基于此，为在调制识别过程中提取更有效的识别特征，将注意力机制应用于调制识别领域，进一步提取信号复数域的关键特征用于分类识别。具体结构如图7所示，残差注意力模块由一层卷积层和双路注意力通道组成。

其中，

为残差注意力模块的输入数据，c′、h和w分别是输入数据特征的通道数，高度和宽度。卷积层的卷积核大小为c×1×1，c为卷积层的输出通道数，1×1为卷积核的高度和宽度。Max Pooling和Avg Pooling分别为双路注意力通道的最大池化和平均池化。残差注意力模块在对输入数据进行处理时，输入数据x经卷积层提取特征后输出数据

为进一步消除无用信息的干扰，提取关键信息，双路注意力通道对数据进行池化处理获取池化特征m_i和p_i，然后将两路池化数据进行加权求和获取最终的分类特征f_i，i∈{1,2,...,c}。其中，m_i为i通道数据空间池化后加权累加值，由双路注意力通道中的空间注意力层对数据进行空间池化进行获取，如式(4)所示，其中，r_i(j)为i通道数据特征空间中第j个特征元素的权重，α为系数参数，用来控制r_i(j)的大小，当α趋于无穷时，r_i(j)成为了一个狄拉克δ函数，对于自变量y_i(j)只有最大元素处有值，其余元素处均为0，即当α趋于无穷时，式(4)对输入数据的空间池化处理变成最大池化处理，如式(5)所示。

m_i＝max(y_i(1),y_i(2),…,y_i(h×w)) (5)

类似地，双路注意力通道中的另一路池化操作为平均池化，如下所示：

最后如式(7)所示，将双路注意力通道输出的最大池化特征m_i与p_i进行加权求和的形式形成残差结构获取分类器输入的残差特征。

f_i＝p_i+λm_i (7)

下面通过实验对上述提供的调制信号识别方法的优点进行说明。

实验使用开源数据集RadioML2016.10a评估提出的调制识别模型。RadioML2016.10a包括通信系统中常见的调制方式，3种模拟调制和8种数字调制，即8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK和WBFM。该数据集具有20种不同的信噪比(SNR)，范围从-20dB到18dB，步长为2，每种调制方式每信噪比有1000个信号，每个信号都由2x128的IQ信号组成，总共220000个调制信号。实验将数据集按7：3的比例划分为训练集和测试集，并基于PyTorch深度学习框架构建复数残差注意力识别模型，选取Adam作为优化器，分别对数据集进行训练和测试。为分析所提出的复数残差注意力机制的有效性，以BAN作为基础网络，对模型进行补偿实验，分别增加复数卷积模块，残差注意力模块和复数残差注意力模块对调制信号进行识别。此外，将本发明所提出的AMR模型与CNN2以及CLDNN模型进行对比，并进一步对基于软件无线电平台实际采集的调制信号数据集进行识别，验证本发明所提AMR模型的识别性能。最后，以模型参数量为模型规模的评价指标，以每秒浮点运算次数为模型运行速度的评价指标，对各模型的资源消耗进行分析。

为验证本发明所提复数残差注意力机制的有效性，进行补偿实验，一是增加复数卷积模块形成复数卷积神经网络(Complex-Valued Convolutional Neural Network，CVCNN)。二是增加残差注意力模块形成残差注意力神经网络(Residual Attention NeuralNetwork RANN)。三是增加复数卷积模块+残差注意力模块，即本发明所提出的复数残差注意力神经网络CVRANN。补偿实验分别将划分好的测试集输入上述补偿模型进行识别分类各补偿模型的识别性能，如图8所示。

由图8可见，随着信噪比的增加，各模型的识别率逐渐增加。在各信噪比下，施加了复数卷积模块和残差注意力模块的补偿模型CVCNN以及RANN的识别性能都要优于BAN。类似地，在各信噪比下，本发明所提CVRANN模型的识别率都要高于其余模型，并且在高信噪比下，识别率达到90％，与BAN相比，提高了10％。与仅仅施加单一的复数卷积模块以及残差注意力模块相比，识别率分别提高了5％和8％。

基于补偿实验结果进一步分析可得，相比于实值模型，本发明所提的CVRANN模型利用复数卷积模块能够提取信号复数域更有效的特征，相比于缺乏残差注意力机制的模型，残差注意力机制能够更效的聚合提取的复数域特征，消除无关信息的影响。

为进一步分析各调制信号的识别性能，以CVRANN模型的识别结果绘制混淆矩阵，结果如图9所示。

图9中横纵坐标分别代表真实标签和预测标签，真实标签与预测标签交叉部分便是混淆情况，对角线交叉部分是识别正确的区域，其余交叉部分是混淆的区域。由图9可见，由于信号调制方式间的相似性，16QAM主要与64QAM发生了混淆，WBFM主要与AM-DSB发生了混淆，而对于其余调制信号，本发明所提出的CVRANN模型基本能够实现百分之百的识别。

对比实验

针对开源数据集RadioML2016.10a，CNN2和CLDNN网络对数据集进行识别，为验证本发明所提分类模型的有效性，将数据集分别输入CNN2，CLDNN以及本发明所提CVRANN网络中进行识别，进行对比分析，识别结果如图10所示。

由图10可见，所提模型的识别性能优于现有的模型。

为分析上述模型提取信号特征的差异性，随机选取测试集1024个样本输入模型，利用TSNE降维算法对模型第一个全连接层的输出特征进行降维可视化，可以得到，CNN2模型提取的信号特征类间相互混叠，CLDNN模型提取的信号特征混叠较轻，但类间距离小，而本发明所提CVRANN模型的可视化特征图类别之间差异明显，最终的识别率较高，与图9所示结果相吻合。

为了验证本发明所提模型的鲁棒性，基于软件无线电收发设备(SAM-60MK2和VSG60A)和软件平台(LABVIEW)采集10类调制信号：AM、FM、2ASK、BPSK、QPSK、8PSK、2FSK、4FSK、16QAM和64QAM。实际采集时，每类调制信号采集5000个样本，每个样本信号都由2x1024的IQ信号组成，发送端信噪比设为0dB，将采集的数据输入CNN2、BAN、CLDNN以及CVRANN模型中进行训练和识别，结果如图11所示，与其余没有施加复数注意力机制的模型比，CVRANN模型依然表现出了更优异的识别性能，验证了本发明所提复数残差注意力神经网络的识别可行性。

资源消耗分析

识别性能以及资源消耗是评估调制识别模型能否在实际应用中两个重要的指标，以上实验结果表明，CVRANN模型识别性能在各信噪比下都要优于基础模型以及其余补偿模型。在此基础上，进一步上述所提补偿模型和对比模型的资源消耗情况。以模型参数量为模型规模的评价指标，每秒浮点运算次数为模型运行速度的评价指标对各模型的资源消耗进行评估，其结果如表1所示。

从表1实验结果可以看出，相对于基础模型BAN，施加了复数卷积模块和残差卷积模块模型的资源消耗都有一定程度的降低。进一步分析其原因，在模型BAN的基础上，一方面由于施加线性组合在实值深度学习中实现复数卷积运算，使得每层卷积运算后的信号特征维度始终为2×128，避免了多层卷积运算后数据特征维度的增加而导致资源消耗增大。另一方面由于残差注意力模块关注数据的关键特征，消除了无关信息，也在一定层度上降低了数据的特征维度，降低了资源消耗。而相对于对比模型，CVRANN模型为提升识别性能增加了模型复杂度，模型的资源消耗略高于CNN2和CLDNN，但相比于提升的识别率，模型增加的资源消耗在可承担范围内。

表1基础模型与补偿模型的资源消耗情况表

从以上实验结果及分析可以看出，本发明所提CVRANN模型，利用复数卷积模块提取调制信号复数域的有效特征，进一步利用残差注意力模块提取关键特征，不仅提高了模型的识别性能，也在一定层度上降低了模型的资源消耗，与基础模型BAN相比，其中模型参数量急剧下降，浮点运算量降低了接近3/5。

基于上述描述，相较BAN、CNN2和CLDNN等实值模型，本发明提出的复数残差注意力神经网络模型识别性能更优，资源消耗更低。

此外，对应于上述提供的调制信号识别方法，本发明还提供了一种调制信号识别系统，如图12所示，该系统包括：

I/Q数据获取单元1，用于获取调制信号的I/Q数据。

神经网络构建单元2，用于构建基于轻量型复数残差注意力神经网络。基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器。复数卷积模块用于提取输入数据的复数域特征。残差注意力模块用于提取复数域特征的残差特征。分类器用于基于提取的残差特征得到分类结果。

信号识别单元3，用于将I/Q数据输入基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种调制信号识别方法，其特征在于，包括：

获取调制信号的I/Q数据；

构建基于轻量型复数残差注意力神经网络；所述基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器；所述复数卷积模块用于提取输入数据的复数域特征；所述残差注意力模块用于提取复数域特征的残差特征；所述分类器用于基于提取的残差特征得到分类结果；

将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

2.根据权利要求1所述的调制信号识别方法，其特征在于，所述复数卷积模块包括实值卷积模块和线性变换模块；所述线性变换模块设置在所述实值卷积模块中。

3.根据权利要求2所述的调制信号识别方法，其特征在于，所述实值卷积模块包括依次级联的卷积层、批归一化层和RELU激活层；所述线性变换模块包括线性矩阵；

所述线性矩阵设置在所述卷积层和所述批归一化层之间。

4.根据权利要求3所述的调制信号识别方法，其特征在于，所述线性矩阵为3×2的线性矩阵。

5.根据权利要求1所述的调制信号识别方法，其特征在于，所述残差注意力模块包括卷积层、第一路注意力通道和第二路注意力通道；

所述卷积层的输入为所述复数卷积模块的输出；所述卷积层的输出分别作为所述第一路注意力通道的输入和所述第二路注意力通道的输入；所述第一路注意力通道的输出和所述第二路注意力通道的输出加权后输入至所述分类器。

6.根据权利要求5所述的调制信号识别方法，其特征在于，所述卷积层的卷积核的大小为1×1。

7.根据权利要求1所述的调制信号识别方法，其特征在于，所述分类器包括多层全连接层。

8.一种调制信号识别系统，其特征在于，包括：

I/Q数据获取单元，用于获取调制信号的I/Q数据；

神经网络构建单元，用于构建基于轻量型复数残差注意力神经网络；所述基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器；所述复数卷积模块用于提取输入数据的复数域特征；所述残差注意力模块用于提取复数域特征的残差特征；所述分类器用于基于提取的残差特征得到分类结果；

信号识别单元，用于将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

Images