CN115987730A - 基于树状感知融合卷积网络的信号调制识别方法 - Google Patents

Abstract

本发明提供了一种基于树状感知融合卷积网络的信号调制识别方法，包括如下步骤：收集通讯信号数据，生成数据集；对所述数据集进行数据增强处理，以实现所述数据集扩充；建立信号调制识别模型，所述信号调制识别模型包括依次设置的树状感知融合卷积网络和特征压缩模块；采用数据增强后的所述数据集对所述信号调制识别模型进行训练，并使用注意力机制进一步优化所述信号调制识别模型，得到优化后的所述信号调制识别模型；为优化后的所述信号调制识别模型搭建分类器，并使用其进行信号调制识别。该方法消除了人工设计特征的繁琐，具有良好的识别效果和鲁棒性。

Description

基于树状感知融合卷积网络的信号调制识别方法

技术领域

本发明涉及信号调制识别技术领域，具体涉及一种树状感知融合卷积网络的信号调制识别方法。

背景技术

通信卫星具有通信距离远、容量大、信号质量好、可靠性高和灵活性强等优点，在民用领域得到广泛应用。在民用通信中，政府相关职能部门对民用通信信号进行监控，实现干扰识别和电磁频谱管理，同时防止无线频谱的非法使用和干扰，确保合法通信的正常进行，通讯信号的调制方式识别是信号解调的前提和基础，因此快速准确地识别通信信号的调制方式具有重要意义。

目前，调制识别方法主要分为两大类：基于决策理论的调制识别和基于机器学习的调制识别。基于决策理论的调制识别是人工提取信号的一些特征，然后通过假设检验实现调制识别；基于机器学习的调制识别是通过设计机器学习分类器并根据信号分类器的特点进行训练，以达到更好的调制识别分类效果。但是，目前的调制方法人工设计特征的繁琐，不能达到识别效果和鲁棒性。

发明内容

解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于树状感知融合卷积网络的信号调制识别方法，该方法消除了人工设计特征的繁琐，具有良好的识别效果和鲁棒性。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供了一种基于树状感知融合卷积网络的信号调制识别方法，包括如下步骤：

S1、收集通讯信号数据，生成数据集；

S2、对所述数据集进行数据增强处理，以实现所述数据集扩充；

S3、建立信号调制识别模型，所述信号调制识别模型包括依次设置的树状感知融合卷积网络和特征压缩模块，所述树状感知融合卷积网络用于将输入特征分块并用池化操作赋予各块间的关联信息，然后对各块进行树状结构的卷积操作，并且每个卷积层后面都接着批归一化处理层；所述特征压缩模块用于进一步提取输入特征信息并压缩；

S4、采用数据增强后的所述数据集对所述信号调制识别模型进行训练，并使用注意力机制进一步优化所述信号调制识别模型，得到优化后的所述信号调制识别模型；

S5、为优化后的所述信号调制识别模型搭建分类器，并使用其进行信号调制识别。

进一步地，所述进一步提取输入特征信息并压缩具体包括：首先对输入特征张量按通道采样分成两块后取一块进行池化操作，然后分别通过卷积层提取特征信息，最后融合输出。

进一步地，所述数据集包括训练集和测试集，所述训练集和所述测试集的数据量保持在7:3。

进一步地，步骤S1还包括对所述数据集的数据进行强度归一化和重心对齐处理。

进一步地，所述强度归一化具体为：将原始数据X_raw表示为：

X_raw＝[x₁,x₂,…,x_L1]，

其中，L₁表示所述数据集的数据内包含的距离单元总数，所述强度归一化之后的数据x为：

所述重心对齐处理具体为：平移所述数据集的数据使其数据重心g₁移至

附近，其中，所述数据重心g₁的计算方法如下：

进一步地，所述树状感知融合卷积网络的具体操作为：

将输入特征张量分开，使不同的分区可以共享参数，将一个N×C×14×14的输入分成4N×C×7×7，其中，N表示数据批次数量，将每个7×7块视为一个分区；

对每个分区的每个通道使用全局平均池化处理变成N×C×2×2，然后经过BN层处理，接着将所述特征张量打平成一维向量输入到一全连接层，输出后重新塑造将相应通道分区上的数值加到原始分区的所有值上面，最终作为输出传给后续层；

分别对四个分区其中两个进行卷积核大小为1×1的卷积操作，得到所述特征张量的分块C₁，另外两个进行3×3大小卷积核，补丁大小为1、5×5大小卷积核，补丁大小为2的卷积操作，分别得到分块C₂和分块C₃；

将所述分块C₁和所述分块C₂相加，所述分块C₁和所述分块C₃相加，以对应位置数值的平均值为结果的方式得到两个新的特征张量，再对两个张量做卷积核大小为7×7，补丁大小为3的操作，并将得到的结果相加后经过ReLU激活函数和批归一化处理层进行拼接操作得到输出结果C₄；

将用所述输出结果C₄降维成一维的特征向量，将该特征向量输入连续的两个全连接层处理，并且，所述两个全连接层后面都紧跟一个ReLU激活函数操作后合并输出，将其输出和所述输出结果C₄采取同位置数值取平均值的方法相加得到最终输出C_out。

进一步地，所述特征压缩模块的具体操作为：

首先对输入特征张量按照通道进行采样，每一个通道采样一次，并将所述特征张量分成两个张量，然后对其中一个进行平均池化操作，所述平均池化操作取步幅为1，窗口大小为2，采样零填充方式；

对池化后的特征张量分块和没有处理过的特征张量分块分别进行普通的卷积操作，所述卷积操作取卷积核大小为3，步幅为1，不使用零填充，并且每个卷积后面紧跟ReLU激活函数和批归一化处理层；

将得到的两个特征张量分块按照采样顺序重新排列，复原成初始的排列顺序输出。

进一步地，所述注意力机制具体包括：

通过特征矩阵F，历史注意力概率和β_t来计算当前注意力的权重α_t，然后得到输出向量c_t：

其中，α_l表示时间步l的注意力权重，其计算方式如下：

α_t＝sinh(U_fF+W_sN_s+W_lN_l)

其中，U_f是1×1的卷积运算，W_s，W_l是可训练的权重矩阵，N_s，N_l分别是两个卷积核参数和历史注意力概率的乘积，t表示时间。

有益效果

本发明设计了一种基于树状感知融合卷积网络的信号调制识别方法，采用基于树状感知融合卷积网络和特征压缩的信号调制识别方法将特征提取和分类器结合在一个框架中，消除了人工设计特征的繁琐，具有良好的识别效果和鲁棒性；此外，该方法通过输出层完成信号调制识别，在低信噪比的情况下，该方法比传统方法具有更高的识别精度。

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，下面将对实施例或现有技术描述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为本发明一实施例提供的基于树状感知融合卷积网络的信号调制识别方法步骤示意图；

图2为本发明一实施例提供的基于树状感知融合卷积网络的信号调制识别方法模型框架图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

参阅图1和图2，本发明一实施例提供了一种基于树状感知融合卷积网络的信号调制识别方法，包括如下步骤：

S1、收集通讯信号数据，生成数据集；

S2、对所述数据集进行数据增强处理，以实现所述数据集扩充；

S3、建立信号调制识别模型，所述信号调制识别模型包括依次设置的树状感知融合卷积网络和特征压缩模块，所述树状感知融合卷积网络用于将输入特征分块并用池化操作赋予各块间的关联信息，然后对各块进行树状结构的卷积操作，并且每个卷积层后面都接着批归一化处理层；所述特征压缩模块用于进一步提取输入特征信息并压缩；

S4、采用数据增强后的所述数据集对所述信号调制识别模型进行训练，并使用注意力机制进一步优化所述信号调制识别模型，得到优化后的所述信号调制识别模型；

S5、为优化后的所述信号调制识别模型搭建分类器，并使用其进行信号调制识别。

在本实施例中，参阅图2，对于步骤S1，所述数据集包括训练集和测试集，所述训练集和所述测试集的数据量保持在7:3。步骤S1还包括对所述数据集的数据进行强度归一化和重心对齐处理。

所述强度归一化具体为：将原始数据X_raw表示为：

X_raw＝[x₁,x₂,…,x_L1]，

其中，L₁表示所述数据集的数据内包含的距离单元总数，所述强度归一化之后的数据x为：

所述重心对齐处理具体为：平移所述数据集的数据使其数据重心g₁移至

附近，其中，所述数据重心g₁的计算方法如下：

在本实施例中，步骤S2即进行数据增强，具体为：采用样本配对的方法在所述数据集中随机选取两个信号样本，将其经过转置后采用取平均值的方式将两个样本叠加成一个新的样本，其标签为两样本中的任意一个，达到扩充数据集的目的。

在本实施例中，参阅图2，所述进一步提取输入特征信息并压缩具体包括：首先对输入特征张量按通道采样分成两块后取一块进行池化操作，然后分别通过卷积层提取特征信息，最后融合输出。

在本实施例中，参阅图2，所述树状感知融合卷积网络的具体操作如下：

1)所述树状感知融合卷积网络首先将特征张量分开，使不同的分区可以共享参数，将一个N×C×14×14的输入可以分成4N×C×7×7，其中N是数据批次数量，将每个7×7块视为一个分区。分裂打破了同一通道的不同分区之间的关联性，为了在每个分区上增加相关性，首先对每个分区的每个通道使用全局平均池化处理变成N×C×2×2，然后经过BN层处理增加特征张量的非线性变换能力，接着使用squeeze()操作将张量打平成一维向量输入一个全连接层，输出后重新塑造将相应通道分区上的数值加到原始分区的所有值上面，最终作为输出传给后续层。

2)多尺度感知模块采用多个不同大小的卷积核对分组后的特征张量进行卷积操作，并且每个卷积层后面都紧跟一个批归一化处理层，分别对分成的四个分区其中两个进行卷积核大小为1×1的卷积操作，得到特征张量分块C₁，另外两个用3×3大小卷积核，补丁大小为1和5×5大小卷积核，补丁大小为2的卷积操作，分别得到C₂和C₃，其中引入补丁操作的目的是为了保持特征张量分块经卷积操作后的结果二维尺寸不变。

3)将上一步得到相同尺寸大小的特征张量分块C₁和C₂相加，C₁和C₃相加，以对应位置数值的平均值为结果的方式得到两个新的特征张量，再对两个张量做卷积核大小为7×7的操作，同样为了维持二维尺寸不变引入补丁大小为3。将得到的结果相加后经过ReLU激活函数和批归一化处理层后进行拼接操作得到输出结果C₄。

4)将分块处理后的特征张量用squeeze()操作降维成一维的特征向量，将该向量输入连续的两个全连接层处理，两个全连接层后面都紧跟一个ReLU激活函数操作，将其输出和C₄采取同位置数值取平均值的方法相加得到最终输出C_out。

在本实施例中，参阅图2，所述特征压缩模块的具体操作如下：

首先对输入特征张量按照通道进行采样，每一个通道采样一次，并将所述特征张量分成两个张量，然后对其中一个进行平均池化操作，所述平均池化操作取步幅为1，窗口大小为2，采样零填充方式；

对池化后的特征张量分块和没有处理过的特征张量分块分别进行普通的卷积操作，所述卷积操作取卷积核大小为3，步幅为1，不使用零填充，并且每个卷积后面紧跟ReLU激活函数和批归一化处理层；

将得到的两个特征张量分块按照采样顺序重新排列，复原成初始的排列顺序输出。

上述输出一般输出给注意力机制模块，实现模型优化。

具体地，所述注意力机制具体包括：

通过特征矩阵F，历史注意力概率和β_t来计算当前注意力的权重α_t，然后得到输出向量c_t：

其中，α_l表示时间步l的注意力权重，其计算方式如下：

α_t＝sinh(U_fF+W_sN_s+W_lN_l)

其中，U_f是1×1的卷积运算，W_s，W_l是可训练的权重矩阵，N_s，N_l分别是两个卷积核参数和历史注意力概率的乘积，t表示时间。

在本实施例中，所述分类器即线性层，其包括全连接层以及Softmax层。其中，所述全连接层利用矩阵向量相乘的方式进行特征空间转换整合之前网络层提取出的局部特征信息。将权重矩阵与输入向量相乘再加偏置然后通过所述Softmax层进行分类，若训练集中所包含的目标总数为C，测试样本X_test对应于目标集中第i类目标的概率表示为：

其中，x为所述全连接层的输入，W^T为权重矩阵，b为偏置，

为所述Softmax层输出的概率。

最后，通过最大后验概率将测试样本X_test分类到最大目标概率c₀中：

c₀＝argmaxP(i│x_test)

在本实施例中，所述分类器的损失函数设计为交叉熵，以通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数。

本发明采用基于交叉熵的代价函数，可以表示为：

其中，N表示一个批次中训练样本的个数,z(i)用于表示第i个训练样本，P(i│x_train)表示训练样本对应于第i个目标的概率。

本发明的优点在于采用基于树状感知融合卷积网络和特征压缩的信号调制识别方法将特征提取和分类器结合在一个框架中，消除了人工设计特征的繁琐，具有良好的识别效果和鲁棒性；此外，该方法通过输出层完成信号调制识别，在低信噪比的情况下，该方法比传统方法具有更高的识别精度。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。

Claims (8)

1.一种基于树状感知融合卷积网络的信号调制识别方法，其特征在于，包括如下步骤：

S1、收集通讯信号数据，生成数据集；

S2、对所述数据集进行数据增强处理，以实现所述数据集扩充；

S3、建立信号调制识别模型，所述信号调制识别模型包括依次设置的树状感知融合卷积网络和特征压缩模块，所述树状感知融合卷积网络用于将输入特征分块并用池化操作赋予各块间的关联信息，然后对各块进行树状结构的卷积操作，并且每个卷积层后面都接着批归一化处理层；所述特征压缩模块用于进一步提取输入特征信息并压缩；

S4、采用数据增强后的所述数据集对所述信号调制识别模型进行训练，并使用注意力机制进一步优化所述信号调制识别模型，得到优化后的所述信号调制识别模型；

S5、为优化后的所述信号调制识别模型搭建分类器，并使用其进行信号调制识别。

2.根据权利要求1所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述进一步提取输入特征信息并压缩具体包括：首先对输入特征张量按通道采样分成两块后取一块进行池化操作，然后分别通过卷积层提取特征信息，最后融合输出。

3.根据权利要求2所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述数据集包括训练集和测试集，所述训练集和所述测试集的数据量保持在7:3。

4.根据权利要求3所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，步骤S1还包括对所述数据集的数据进行强度归一化和重心对齐处理。

5.根据权利要求4所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述强度归一化具体为：将原始数据X_raw表示为：

其中，L₁表示所述数据集的数据内包含的距离单元总数，所述强度归一化之后的数据x为：

所述重心对齐处理具体为：平移所述数据集的数据使其数据重心g₁移至

附近，其中，所述数据重心g₁的计算方法如下：

6.根据权利要求2所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述树状感知融合卷积网络的具体操作为：

将输入特征张量分开，使不同的分区可以共享参数，将一个N×C×14×14的输入分成4N×C×7×7，其中，N表示数据批次数量，将每个7×7块视为一个分区；

对每个分区的每个通道使用全局平均池化处理变成N×C×2×2，然后经过BN层处理，接着将所述特征张量打平成一维向量输入到一全连接层，输出后重新塑造将相应通道分区上的数值加到原始分区的所有值上面，最终作为输出传给后续层；

分别对四个分区其中两个进行卷积核大小为1×1的卷积操作，得到所述特征张量的分块C₁，另外两个进行3×3大小卷积核，补丁大小为1、5×5大小卷积核，补丁大小为2的卷积操作，分别得到分块C₂和分块C₃；

将所述分块C₁和所述分块C₂相加，所述分块C₁和所述分块C₃相加，以对应位置数值的平均值为结果的方式得到两个新的特征张量，再对两个张量做卷积核大小为7×7，补丁大小为3的操作，并将得到的结果相加后经过ReLU激活函数和批归一化处理层进行拼接操作得到输出结果C₄；

将用所述输出结果C₄降维成一维的特征向量，将该特征向量输入连续的两个全连接层处理，并且，所述两个全连接层后面都紧跟一个ReLU激活函数操作后合并输出，将其输出和所述输出结果C₄采取同位置数值取平均值的方法相加得到最终输出C_out。

7.根据权利要求6所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述特征压缩模块的具体操作为：

首先对输入特征张量按照通道进行采样，每一个通道采样一次，并将所述特征张量分成两个张量，然后对其中一个进行平均池化操作，所述平均池化操作取步幅为1，窗口大小为2，采样零填充方式；

对池化后的特征张量分块和没有处理过的特征张量分块分别进行普通的卷积操作，所述卷积操作取卷积核大小为3，步幅为1，不使用零填充，并且每个卷积后面紧跟ReLU激活函数和批归一化处理层；

将得到的两个特征张量分块按照采样顺序重新排列，复原成初始的排列顺序输出。

8.根据权利要求7所述的基于树状感知融合卷积网络的信号调制识别方法，其特征在于，所述注意力机制具体包括：

通过特征矩阵F，历史注意力概率和β_t来计算当前注意力的权重α_t，然后得到输出向量c_t：

其中，α_l表示时间步l的注意力权重，其计算方式如下：

α_t＝sinh(U_fF+W_sN_s+W_lN_l)

其中，U_f是1×1的卷积运算，W_s，W_l是可训练的权重矩阵，N_s，N_l分别是两个卷积核参数和历史注意力概率的乘积，t表示时间。

Images