CN116471154A - 基于多域混合注意力的调制信号识别方法 - Google Patents
基于多域混合注意力的调制信号识别方法 Download PDFInfo
- Publication number
- CN116471154A CN116471154A CN202310584967.8A CN202310584967A CN116471154A CN 116471154 A CN116471154 A CN 116471154A CN 202310584967 A CN202310584967 A CN 202310584967A CN 116471154 A CN116471154 A CN 116471154A
- Authority
- CN
- China
- Prior art keywords
- features
- layer
- module
- convolution
- attention
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/25—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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出了一种基于多域混合注意力的调制信号识别方法，主要解决现有方法提取特征不完备、在低信噪比下识别准确率较低的问题。方案包括：1)对离散复信号进行预处理，得到I/Q/A/P/F序列；2)构建空间特征提取模块提取序列的幅度等波形特征；3)利用离散余弦变换得到频域特征，并通过频域注意力模块提取不同频率分量的特征信息；4)构建时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。本发明能够获取不同域特征间的关联、互补性，增强模型稳定性及可靠性，有效提升低信噪比下各调制信号的识别准确率。
Description
技术领域
本发明属于无线通信技术领域，进一步涉及通信信号调制识别技术，具体为一种基于多域混合注意力的调制信号识别方法，可用于在电子战中对无线电信号的调制类型进行识别。
背景技术
自动调制识别是接收方从获取的信号中提取有效特征，通过分析提取的特征，进一步识别调制信号的具体方式。自动调制识别是非协作通信中的第一步，也是保障通信系统正常工作的关键，目前广泛应用于军事领域和民用领域。
在军用领域中，自动调制识别可用于对无线电信号进行监测和侦察，从而获取敌方通信系统的信息，以便进行军事情报收集和作战指挥。在民用领域中，自动调制识别可用于对无线电通信设备的调制方式进行识别，实现自动化的频谱监测和规划，还可用于对无线电信号的质量评估和调制方式的优化，以便提高通信系统的有效性和可靠性。
随着对通信质量的需求日益增加且通信环境越发复杂的同时，调制方式也变得越来越多样化。第五代移动通信技术逐渐从研究层面落实到具体应用，其核心技术认知无线电对频谱资源进行重配置时，需要对用户的调制信号进行识别，并做进一步分析才能获取重置参数，对自动调制识别(Automatic Modulation Recognition，AMR)技术有更高的性能要求。因此，针对自动调制识别技术研究出一种高性能的调制识别方法能够有效推动下一代移动通信技术发展。
目前传统的调制识别方法包括似然比和特征提取，都需要对调制信号的特征进行提取，通过决策树、支持向量机等方法进行识别。提取特征的过程计算复杂度高、泛化能力弱，难以适应日趋复杂的通信环境，易受噪声、频率偏移和时钟偏移等影响导致低信噪比条件下识别性能大幅下降。随着近几年深度学习的快速发展，陆续有学者将该技术应用于信号调制识别领域。文献[Zang K,Ma Z.Automatic modulation classification based onhierarchical recurrent neural networks with grouped auxiliary memory[J].IEEEAccess,2020,8:213052-213061]中，Zang K和Ma Z提出了一种具有分组辅助存储器的分层循环神经网络结构，以信号的IQ数据作为网络的输入，能够捕获信号的长期依赖特征，实验结果表明，该方法能够处理具有不同参数的可变长度信号输入，并且在高信噪比下能够有效识别各调制信号。文献[Liang R,Yang L,Wu S,et al.A three-stream cnn-lstmnetwork for automatic modulation classification[C]//2021 13th InternationalConference on Wireless Communications and Signal Processing(WCSP),2021:1-5]中，Liang R和Yang L等人提出了一种基于CNN和LSTM网络的多分支调制识别方法，对IQ数据进行预处理，获得信号的幅度特征、频率特征和相位特征并分别作为三个分支的输入，卷积神经网络(Convolutional Neural Networks，CNN)提取信号的空间特征，长短期记忆网络(Long and Short Term Memory，LSTM)提取信号的时间特征，实验结果表明，该方法能够有效提高各调制方式的识别准确率。通过对调制识别领域的主流算法进行深入分析，基于深度学习的方法能达到较优的识别性能和泛化能力，不需要人为选择特征，并能够挖掘调制信号的深层特征。但目前用于自动调制识别的网络架构主要采用CNN、循环神经网络(Recurrent Neural Networks，RNN)两种结合的网络，该方法提取的自适应特征有一定的冗余性，在低信噪比或者调制类型较多时，表征特征的能力有待提高。
发明内容
本发明的目的是针对现有技术的不足，提出一种基于多域混合注意力的调制信号识别方法，解决现有识别方法提取特征的计算复杂度高、泛化能力弱，难以适应日趋复杂的通信环境，易受噪声、频率偏移和时钟偏移等影响导致低信噪比条件下识别性能大幅下降的问题。首先通过对原始IQ数据进行处理，获得信号时域和频域的特征，然后利用CNN的局部感受野和时间特征提取模块Conformer的自注意力机制提取数据内部的特征依赖关系，获取不同域特征间的关联性和互补性，从而增强信号识别模型的稳定性和可靠性，有效提升各调制信号的识别准确率。
本发明实现上述目的具体步骤如下：
(1)对数据集中的离散复信号进行预处理，转换为时域特征，即I/Q序列和A/P/F序列，并对其进行拼接获得联合特征向量；
(2)构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块，将联合特征向量输入至该模块，获取调制信号的波形特征并投影至高维连续空间，得到调制信号的空间特征；
(3)由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块，将空间特征输入至该模块，经过频域注意力模块提取调制信号频率分量中的有效信息，得到频域特征；
(4)由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块，其中各个模块间均采用残差连接和层规范化，所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征；将空间特征和频域特征输入至时间特征提取模块，经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；
(5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。
本发明与现有技术相比，具有以下优点
第一、由于本发明通过CNN的局部感受野提取调制信号相邻采样点间的空间特征信息，并实现了与时间特征提取模块的适配，进一步增强模型提取调制信号的空间特征与时间特征；
第二、本发明利用一维离散余弦变换获得调制信号全面且丰富的频域特征，通过频域注意力机制提取调制信号中对识别贡献度大的频率分量，进而有效提高识别准确率；
第三、本发明利用交叉注意力机制充分融合调制信号的时域和频域特征，关注不同域之间的关联性和互补性，从而学习到信号深层次的差异特征；
第四、由于本发明以空间特征提取模块、频域注意力模块和时间特征提取模块搭建调制信号识别网络，通过空间特征提取模块提取相邻采样点间的空间特征、频域注意力模块提取更精细的频域特征和时间特征提取模块对调制信号时域和频域特征的融合能力，从而能够有效提升各调制信号的识别准确率。
附图说明
图1为本发明方法的实现流程图；
图2为本发明的空间特征提取模块结构示意图；
图3为本发明的频域注意力结构示意图；
图4为本发明的时间特征提取模块结构示意图；
图5为本发明方法对各调制方式的识别准确率曲线图；
图6为本发明方法在SNR＝-10dB时的混淆矩阵；
图7为本发明方法在SNR＝0dB时的混淆矩阵；
图8为本发明方法在SNR＝18dB时的混淆矩阵；
图9为本发明方法与其他主流方法的识别准确率对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细说明：
实施例一：参照图1，本发明提出的一种基于多域混合注意力的调制信号识别方法，具体包括如下步骤：
步骤1.对数据集中的离散复信号进行预处理，转换为时域特征，即I/Q序列和A/P/F序列，并对其进行拼接获得联合特征向量，实现如下：
假设接收信号为yn：
yn＝yI(n)+jyQ(n)；
其中，yI(n)和yQ(n)分别表示接收信号的第n个样本的同相分量和正交分量，n＝0,1,...,N-1，N表示接收信号的长度；j表示虚部。
I/Q序列表示为：
A/P/F序列表示为：
其中，瞬时幅度表达式为瞬时相位表达式为瞬时频率表达式为yF(n)＝yP(n)-yP(n-1)。
步骤2.构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块，将联合特征向量输入至该模块，获取调制信号的幅度等波形特征并投影至高维连续空间，得到调制信号的空间特征。该模块首先利用三个卷积层对联合特征向量进行扫描，提取相邻采样点间的空间特征信息，其次经过批归一化层和ReLU激活函数层处理，最后经过最大池化层提取调制信号特征的细节信息并通过随机丢弃层处理，最终得到空间特征提取模块的输出其中L表示通道数。
本实施例对于空间特征提取模块，设置参数如下：卷积核采用一维卷积，一维卷积的输入通道为5，分别为I、Q、A、P和F，输出通道卷积核的数目为128、大小为1×3、步长为1；输入数据的格式为(512,5,128)，其中512为批尺寸大小，128为每一条数据的采样点数；以128个1×3大小的卷积核对数据进行扫描，提取相邻采样点之间的空间特征，一维卷积模块的输出矩阵大小为(512,128,128)；卷积输出之后由最大池化层提取相邻采样点的纹理信息，卷积核大小1×3，步长为1。
步骤3.由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块，将空间特征输入至该模块，经过频域注意力模块提取调制信号频率分量中的有效信息，得到频域特征，步骤如下：
(3.1)将空间特征提取模块得到的特征向量沿通道维度进行分割，得到C个组特征[X0,X1,...,XC-1]；
(3.2)对分割后的每组特征进行一维离散余弦变换(Discrete CosineTransform，DCT)，提取信号不同频率分量的特征；将计算得到的各频率分量进行拼接，得到DCT处理后的结果。本实施例在此处，可根据下式获取第i个通道对应的频域特征Freqi：
其中，fi是Xi对应的DCT频率分量，DCT的基函数定义为将计算得到的各频率分量进行拼接可得到DCT处理后的结果。
(3.3)将DCT提取的特征通过线性映射层进行降维，再通过线性映射层将特征投影至原始维度，经过Sigmoid归一化处理得到赋予权重的特征向量；在通道维度上实现输入特征的重标定，将得到的频域特征分别作用于输入矩阵，得到带注意力权重的频率特征向量Sf：
Sf＝σ(W2δ(W1·Freq))，
其中，σ代表Sigmoid激活函数，δ代表ReLU激活函数，W1代表全连接层降维的系数，W2代表全连接层升维的系数。
步骤4.由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块，其中各个模块间均采用残差连接和层规范化，所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征，将空间特征和频域特征输入至时间特征提取模块，经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征，该特征更为全面、丰富。
时间特征提取模块以时域特征和频域特征作为输入，具体结构依次为：残差连接->前馈连接1->层规范化->残差连接->卷积Conv1->层规范化->残差连接->跨域特征融合模块->层规范化->残差连接->卷积Conv2->层规范化->残差连接->前馈连接2->层规范化。
将时域和频域特征经过i层相同结构的时间特征提取模块，根据下式计算不同位置特征向量之间的相关性：
xConv1＝xFFN1+Conv1(xFFN1)
xMHSA＝xConv1+MHSA(xConv1)
xConv2＝xMHSA+Conv2(xMHSA)
Outi＝LayerNorm(xFFN2)
其中，x表示空间特征提取模块提取的空间特征；xFFN1和xFFN2分别表示第一前馈模块FFN1和第二前馈模块FFN2提取的特征，xConv1和xConv2分别表示第一卷积模块Conv1和第二卷积模块Conv2提取的特征，xMHSA表示多头自注意力模块MHSA提取的特征，LayerNorm表示层规范化，Outi表示时间特征提取模块第i层的输出。
上述，通过交叉注意力机制提取信号的跨域互补特征，具体如下：
时域数据经过线性映射构造查询向量Qα，频域数据经过线性映射构造键向量Kβ和Vβ，交叉注意力模块公式表示为：
MultiHead(Qα,Kβ,Vβ)＝Concat(head1,head2,...,headi,...,headh)WO，
headi＝Attention(QWi Q,KWi K,VWi V)，
其中，Concat表示拼接操作，headi表示第i个头的注意力值，Wo是模型的权重矩阵，Wi Q、Wi K、Wi V分别是示查询向量Q、键向量K、值向量V的参数矩阵；表示比例因子；
首先，通过Q与K进行缩放点积运算获得相似度系数，经过点积后的注意力值浮动范围较大，容易引起梯度消失等问题，因此需要除以缩放因子能够分散注意力并且增强模型的泛化能力。其次，采用Softmax函数对输出进行归一化以获得与V值对应的权重系数，该值不仅能增强信号中关联度高的采样点权重，而且能降低关联度低的采样点权重，并利用权重系数对V进行加权，得到自注意力的结果。最后，将多个自注意力权重进行拼接综合得到多个子空间的特征，即为融合时域和频域特征的交叉注意力值。
步骤5.将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。具体是首先经过一维卷积层将高维特征映射至低维，即输入通道数为128，输出通道数为1，卷积核大小为1×3，步长为1，并将特征展平；其次通过两个全连接层进行特征映射，得到待识别调制信号类别个数的输出结果；最后通过Softmax函数进行归一化处理，得到最终调制信号的识别结果并输出。
在本实施例中可使用公开数据集RadioML2016.10b对本发明的调制信号识别模型进行训练和测试，得到最终用于检测的模型。
实施例二：本实施例提出的识别方法整体实现步骤同实施例一，现对其中参数给定具体设置，进一步描述本发明的具体实现过程：
步骤a：对数据集中的离散复信号进行预处理，转换为时域特征I/Q序列和A/P/F序列，并进行拼接获得联合特征向量；数据集中的而每个样本长度为128，故联合特征向量的维度为5×128。数据集的主要参数设置如表1所示：
表1数据集RadioML2016.10b主要参数说明表
步骤b：对于联合特征向量，经过空间特征提取模块挖掘调制信号的幅度等波形特征，并将特征投影至高维连续空间：
由于调制信号中的数值属于一维数据，即按时间序列进行采样的离散点，故模型中的卷积核采用一维卷积。一维卷积的输入通道为5，分别为I、Q、A、P和F，输出通道即卷积核的数目为128，卷积核大小为1×3，步长为1。输入数据的格式为(512,5,128)，其中512为批尺寸大小，128为每一条数据的采样点数；以128个1×3大小的卷积核对数据进行扫描，提取相邻采样点之间的空间特征，一维卷积模块的输出矩阵大小为(512,128,128)；卷积输出之后由最大池化层提取相邻采样点的纹理信息，卷积核大小1×3，步长为1，最终该特征向量作为空间特征提取模块的输入。
步骤c：利用离散余弦变换将时域特征转换为频域特征，并通过频域注意力模块提取频率分量中的有效信息：
步骤d：对于信号的时域特征和频域特征，通过时间特征提取模块挖掘特征向量间的依赖关系，利用交叉注意力对信号的时域特征和频域特征进行深层融合，提取信号全面、丰富的特征；
步骤e：经过分类器输出调制信号类别的概率分布和识别结果。
首先经过一维卷积层将高维特征映射至低维，即输入通道数为128，输出通道数为1，卷积核大小为1×3，步长为1，并将特征展平。其次通过两个全连接层进行特征映射，得到待识别调制信号类别个数的输出结果。最后通过Softmax函数进行归一化处理，得到最终调制信号的识别结果。
步骤f：调制信号识别模型训练和验证：
将步骤a中获取信号的联合特征输入构建的基于多域混合注意力的调制识别模型中进行训练，以模型预测正确的样本数量占总样本量的比例和混淆矩阵作为评价指标，比较不同模型参数下对于各类调制信号的识别准确率和混淆矩阵以确定最优的模型参数，最终验证得到最优网络参数如表2所示：
表2最优网络参数表
| 参数名称 | 参数设置 |
| 编码器层数 | 8 |
| 注意力头数 | 8 |
| 注意力向量维度 | 128 |
| 训练迭代次数(Epoch) | 80 |
| 批尺寸(Batch Size) | 512 |
| 学习率 | 0.001 |
| 损失函数 | 交叉熵损失函数(CrossEntropyLoss) |
| 优化器 | Adam |
| Dropout | 0.5 |
步骤g：调制信号识别模型效果对比：
为了体现该专利所提出方法的可行性，对比实验中与VT-CNN、ResNet、LSTM、CLDNN、MCLDNN和Transformer模型进行对比，上述方法中大部分是基于CNN和LSTM模型以及两者的混合模型进行特征提取和分类，并且以I/Q序列作为模型的输入。Transformer是利用自注意力机制进行特征提取，以I/Q序列和A/P/F序列作为模型的输入。如图9所示，本专利提出的方法在低SNR和高SNR时均取得良好的识别效果。
本发明方法在军事和民用领域均具有广泛的应用，在军用领域中，可以作为电子干扰和电子防御的重要组成部分，用于对无线电信号进行监测和侦察，从而获取敌方通信系统的信息，以便进行军事情报收集和作战指挥；在民用领域中，可用于对无线电通信设备的调制方式进行识别，实现自动化的频谱监测和规划，还可用于对无线电信号的质量评估和调制方式的优化，以便提高通信系统的有效性和可靠性。
下面结合仿真实验对本发明的效果做进一步的描述
1.实验条件：
本发明的仿真实验的硬件平台为：Intel(R)Core(TM)i5-12600K CPU@4.9GHz，运行内存为16GB，显卡为NVIDIA GeForce RTX 3090Ti，显存为24GB；
本发明的仿真实验的软件平台为：Linux Ubuntu18.04操作系统，基于Pytorch框架搭建模型，Pytorch版本为1.12.1，CUDA版本为11.3。
2.实验内容：
使用公开数据集，分别训练VT-CNN、ResNet、LSTM、CLDNN、MCLDNN和Transformer模型和本发明的调制信号识别模型，并对各模型的识别性能进行测试，比较主流识别模型和本发明中调制识别方法的性能差异。
3.评价指标：
评价指标分为识别准确率和混淆矩阵，识别准确率表示模型预测正确的样本数量占总样本量的比例。混淆矩阵用n×n的方阵表示，其中，n表示别总数，横坐标表示模型的预测分类结果，纵坐标表示实际分类结果。
4.实验结果及分析：
图5为本发明方法对8种数字调制和2种模拟调制信号的识别准确率曲线。从图中可以看出，各调制信号的识别准确率随着信噪比的增加在逐渐升高。当信噪比为-2dB时，除模拟信号WBFM外其他调制方式能够达到82％以上的识别准确率。当信噪比大于0dB时，大部分调制信号的识别准确率能够达到97％以上，整体较稳定，没有明显的波动。
图6、图7和图8分别为本发明方法在SNR＝-10dB、0dB、18dB时的混淆矩阵；从中可以看出，当SNR＝-10dB时，受噪声等影响信号发生严重失真，模型提取不到有效特征，故未能有效识别大部分调制信号。当SNR＝0dB时，大部分调制信号的识别准确率能达到92％以上，两种模拟调制信号WBFM和AM-DSB容易发生混淆，有61％的WBFM误识别为AM-DSB，有5％的AM-DSB误识别为WBFM。对于高阶调制方式16QAM和64QAM，特征差异信息较小，在低信噪比下易发生混淆。由于该模型融合调制信号的时域和频域特征，进一步提取信号深层次的差异特征，因此当信噪比为0dB时的混淆情况得到较大改善，16QAM和64QAM的识别准确率高达99％。当SNR＝18dB时，大部分调制信号的识别率能达到96％以上。两种模拟调制信号之间的混淆问题得到一定改善，并且16QAM和64QAM信号的识别准确率高达99％。
图9为本发明方法与其他主流方法的识别准确率对比图。从图中可以看出，随着信噪比的增加，所有模型的识别准确率均逐渐升高，当信噪比高于0dB时，识别准确率基本稳定。本发明方法均表现出了比其他主流识别模型更高的识别准确率。
上述实验结果证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理和结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明的思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于多域混合注意力的调制信号识别方法，其特征在于，具体包括如下步骤：
(1)对数据集中的离散复信号进行预处理，转换为时域特征，即I/Q序列和A/P/F序列，并对其进行拼接获得联合特征向量；
(2)构建由卷积层、批归一化层、ReLU激活函数层和最大池化层构成的空间特征提取模块，将联合特征向量输入至该模块，获取调制信号的波形特征并投影至高维连续空间，得到调制信号的空间特征；
(3)由一维离散余弦变换、两个线性映射层和重标定层构成频域注意力模块，将空间特征输入至该模块，经过频域注意力模块提取调制信号频率分量中的有效信息，得到频域特征；
(4)由前馈连接模块、卷积模块和跨域特征融合模块构建时间特征提取模块，其中各个模块间均采用残差连接和层规范化，所述跨域特征融合模块用于通过交叉注意力机制提取信号的跨域互补特征；将空间特征和频域特征输入至时间特征提取模块，经过时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；
(5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。
2.根据权利要求1所述的方法，其特征在于：所述步骤(1)实现如下：
假设接收信号为yn：
yn＝yI(n)+jyQ(n)；
其中，yI(n)和yQ(n)分别表示接收信号的第n个样本的同相分量和正交分量，n＝0,1,...,N-1，N表示接收信号的长度；j表示虚部。
I/Q序列表示为：
A/P/F序列表示为：
其中，瞬时幅度表达式为瞬时相位表达式为瞬时频率表达式为yF(n)＝yP(n)-yP(n-1)。
3.根据权利要求1所述的方法，其特征在于：步骤(2)中将联合特征向量输入至空间特征提取模块，该模块首先利用三个卷积层对联合特征向量进行扫描，提取相邻采样点间的空间特征信息，其次经过批归一化层和ReLU激活函数层处理，最后经过最大池化层提取调制信号特征的细节信息并通过随机丢弃层处理，最终得到空间特征提取模块的输出其中L表示通道数。
4.根据权利要求3所述的方法，其特征在于：所述空间特征提取模块，具体参数设置如下：卷积核采用一维卷积，一维卷积的输入通道为5，分别为I、Q、A、P和F，输出通道卷积核的数目为128、大小为1×3、步长为1；输入数据的格式为(512,5,128)，其中512为批尺寸大小，128为每一条数据的采样点数；以128个1×3大小的卷积核对数据进行扫描，提取相邻采样点之间的空间特征，一维卷积模块的输出矩阵大小为(512,128,128)；卷积输出之后由最大池化层提取相邻采样点的纹理信息，卷积核大小1×3，步长为1。
5.根据权利要求1所述的方法，其特征在于：步骤(3)中的频域特征，具体按照如下步骤得到：
(3.1)将空间特征提取模块得到的特征向量沿通道维度进行分割，得到C个组特征[X0,X1,...,XC-1]；
(3.2)对分割后的每组特征进行一维离散余弦变换DCT，提取信号不同频率分量的特征；将计算得到的各频率分量进行拼接，得到DCT处理后的结果；
(3.3)将DCT提取的特征通过线性映射层进行降维，再通过线性映射层将特征投影至原始维度，经过Sigmoid归一化处理得到赋予权重的特征向量；在通道维度上实现输入特征的重标定，将得到的频域特征分别作用于输入矩阵，得到带注意力权重的频率特征向量Sf：
Sf＝σ(W2δ(W1·Freq))，
其中，σ代表Sigmoid激活函数，δ代表ReLU激活函数，W1代表全连接层降维的系数，W2代表全连接层升维的系数。
6.根据权利要求1所述的方法，其特征在于：步骤(4)中时间特征提取模块以时域特征和频域特征作为输入，具体结构依次为：残差连接->前馈连接1->层规范化->残差连接->卷积Conv1->层规范化->残差连接->跨域特征融合模块->层规范化->残差连接->卷积Conv2->层规范化->残差连接->前馈连接2->层规范化。
将时域和频域特征经过i层相同结构的时间特征提取模块，根据下式计算不同位置特征向量之间的相关性：
xConv1＝xFFN1+Conv1(xFFN1)
xMHSA＝xConv1+MHSA(xConv1)
xConv2＝xMHSA+Conv2(xMHSA)
Outi＝LayerNorm(xFFN2)
其中，x表示空间特征提取模块提取的空间特征；xFFN1和xFFN2分别表示第一前馈模块FFN1和第二前馈模块FFN2提取的特征，xConv1和xConv2分别表示第一卷积模块Conv1和第二卷积模块Conv2提取的特征，xMHSA表示多头自注意力模块MHSA提取的特征，LayerNorm表示层规范化，Outi表示时间特征提取模块第i层的输出。
7.根据权利要求1所述的方法，其特征在于：步骤(4)中通过交叉注意力机制提取信号的跨域互补特征，具体如下：
时域数据经过线性映射构造查询向量Qα，频域数据经过线性映射构造键向量Kβ和Vβ，交叉注意力模块公式表示为：
MultiHead(Qα,Kβ,Vβ)＝Concat(head1,head2,...,headi,...,headh)WO，
headi＝Attention(QWi Q,KWi K,VWi V)，
其中，Concat表示拼接操作，headi表示第i个头的注意力值，Wo是模型的权重矩阵，Wi Q、Wi K、Wi V分别是示查询向量Q、键向量K、值向量V的参数矩阵；
首先，通过Q与K进行缩放点积运算获得相似度系数，其次，采用Softmax函数对输出进行归一化以获得与V值对应的权重系数，并利用权重系数对V进行加权，得到自注意力的结果，将多个自注意力权重进行拼接综合得到多个子空间的特征，即为融合时域和频域特征的交叉注意力值。
8.根据权利要求1所述的方法，其特征在于：步骤(5)所述经过分类器输出调制信号类别的识别结果，具体是：首先经过一维卷积层将高维特征映射至低维，即输入通道数为128，输出通道数为1，卷积核大小为1×3，步长为1，并将特征展平；其次通过两个全连接层进行特征映射，得到待识别调制信号类别个数的输出结果；最后通过Softmax函数进行归一化处理，得到最终调制信号的识别结果并输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584967.8A CN116471154A (zh) | 2023-05-23 | 2023-05-23 | 基于多域混合注意力的调制信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584967.8A CN116471154A (zh) | 2023-05-23 | 2023-05-23 | 基于多域混合注意力的调制信号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116471154A true CN116471154A (zh) | 2023-07-21 |
Family
ID=87179108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310584967.8A Pending CN116471154A (zh) | 2023-05-23 | 2023-05-23 | 基于多域混合注意力的调制信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116471154A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117955526A (zh) * | 2024-03-26 | 2024-04-30 | 昀诺能源科技(江苏)有限公司 | 一种电网中双模模块电能表的通信方法、装置及电能表 |
| CN118035885A (zh) * | 2024-01-26 | 2024-05-14 | 中国人民解放军军事科学院系统工程研究院 | 一种基于多特征融合的混叠信号调制识别方法 |
-
2023
- 2023-05-23 CN CN202310584967.8A patent/CN116471154A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035885A (zh) * | 2024-01-26 | 2024-05-14 | 中国人民解放军军事科学院系统工程研究院 | 一种基于多特征融合的混叠信号调制识别方法 |
| CN117955526A (zh) * | 2024-03-26 | 2024-04-30 | 昀诺能源科技(江苏)有限公司 | 一种电网中双模模块电能表的通信方法、装置及电能表 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation | |
| CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
| CN109949278B (zh) | 基于对抗自编码网络的高光谱异常检测方法 | |
| CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
| CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
| CN108566253B (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
| CN116866129A (zh) | 一种无线通信信号检测方法 | |
| CN113971440B (zh) | 一种基于深度聚类的无监督雷达信号分选方法 | |
| CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
| CN113541834B (zh) | 一种异常信号半监督分类方法、系统、数据处理终端 | |
| CN114764577A (zh) | 一种基于深度神经网络的轻量级调制识别模型及其方法 | |
| Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
| 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 | |
| CN114745187A (zh) | 一种基于pop流量矩阵的内部网络异常检测方法及系统 | |
| CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
| CN112464836A (zh) | 一种基于稀疏表示学习的ais辐射源个体识别方法 | |
| Wang et al. | Evaluation of deep learning model in the field of electromagnetic signal recognition | |
| CN114912545A (zh) | 基于优化vmd算法和dbn网络的电力负荷分类方法 | |
| Huang et al. | Automatic Recognition of Communication Signal Modulation Based on the Multiple‐Parallel Complex Convolutional Neural Network | |
| Yang et al. | RF Fingerprint Recognition Method Based on DBN-SVM | |
| Gao | Research on modulation recognition method of electromagnetic signal based on wavelet transform convolutional neural network | |
| Xu et al. | Individual recognition of communication emitter based on deep learning | |
| Wu et al. | Specific Emitter Identification Based on Multi-Scale Attention Feature Fusion Network | |
| Qian et al. | GIS partial discharge data enhancement method based on self attention mechanism VAE-GAN | |
| CN118094346B (zh) | 基于Conformer的串联故障电弧检测方法及系统 |
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 |