CN116628566A - 一种基于聚合残差变换网络的通信信号调制分类方法 - Google Patents

一种基于聚合残差变换网络的通信信号调制分类方法 Download PDF

Info

Publication number
CN116628566A
CN116628566A CN202310493885.2A CN202310493885A CN116628566A CN 116628566 A CN116628566 A CN 116628566A CN 202310493885 A CN202310493885 A CN 202310493885A CN 116628566 A CN116628566 A CN 116628566A
Authority
CN
China
Prior art keywords
convolution
module
feature extraction
layer
signal
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
CN202310493885.2A
Other languages
English (en)
Inventor
周鑫
谷媛媛
刘立祥
任海玉
高龙飞
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.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
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 Institute of Software of CAS filed Critical Institute of Software of CAS
Priority to CN202310493885.2A priority Critical patent/CN116628566A/zh
Publication of CN116628566A publication Critical patent/CN116628566A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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]
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于聚合残差变换网络的通信信号调制分类方法。本方法包括：1)对各调制类别的通信信号采样，生成每一通信信号的I/Q信号，对每个I/Q信号添加一通道维度生成一训练样本；2)利用训练样本训练聚合残差变换网络，聚合残差变换网络包括对输入数据依次进行处理的多层特征提取单元和一个卷积全局平均池化分类模块，每一层所述特征提取单元包括聚合残差组卷积模块、坐标注意力机制模块、卷积捷径连接模块；每一层所述特征提取单元对输入数据进行处理生成一特征图；3)对于一待识别通信信号A，生成该通信信号A对应的同相正交信号输入优化后的所述聚合残差变换网络进行预测分类，输出该通信信号A对应的信号调制类别。

Description

一种基于聚合残差变换网络的通信信号调制分类方法
技术领域
本发明主要涉及通信信号的自动调制分类领域，具体涉及一种基于聚合残差变换网络的通信信号调制分类方法。
背景技术
自动调制分类(AMC)是处于信号检测和解调之间的环节，在通信领域，需要知道调制类别来帮助识别异常信号和监测频谱以合理分配频谱资源，以及进行雷达信号识别等应用。
传统的调制识别技术大致可以分为基于似然估计的识别方法和基于特征提取的识别方法，但都存在不足之处。前者需要计算接收信号的似然函数，依据贝叶斯最小误判代价准则，将似然比与预设阈值进行比较判决。基于似然的方法计算复杂度大，对先验知识的要求高。而基于特征的识别方法是从接收信号中提取专家特征，再通过分类器确定信号的调制类型。在提取特征时受专家经验的影响很大，难以满足噪声干扰、信号衰落等不利因素下的识别需求。
随着新一代通信技术的发展，以端到端方式提取信号特征的深度学习模型被逐渐应用于调制识别中。利用深度学习方法识别调制类型的模型有以下几种。首先是基于卷积神经网络(CNN)的AMC模型，利用CNN卓越的空间特征提取能力，能够在某些场景中比依赖于专家经验来提取特征的方法达到更好的识别效果。随着网络层数的增加，加入了残差结构以减少反向传播时的梯度消失，但是一味地加深或加宽网络还是会增加参数复杂度和网络设计难度，可能使现有模型的性能增益递减，降低在低信噪比条件下的信号识别性能。第二种，由于信号具有的时序细节特征及相邻序列数据之间的依赖关系，还出现了基于循环神经网络(RNN)的AMC网络，利用信号的时序特性学习原始信号特征、时域幅度和相位信息等。但由于RNN模型仅关注了信号的时间序列特征，因此在低信噪比条件下性能下降。第三种是同时关注了信号的空间特征和时间特征的AMC混合模型，包含卷积层和长短期记忆(LSTM)层的深度学习模型出现。卷积神经网络中加入循环神经网络的相关模块提高了分类精度，可以提取空间和时间特征，但是计算成本大大增加，需要消耗更多内存，花费的时间也更长，不利于将模型部署在移动端上。除此之外，还可以将AMC模型根据数据输入形式进行划分。一类是以原始I/Q信号数据作为输入，直接处理原始I/Q信号。另一类是将预处理后的信号输入网络中提取特征。
目前基于残差网络的AMC模型没有显著加强网络的表达能力，仍有很大改善空间，其原因主要有下面三点：(1)目前使用的注意力机制模块主要关注局部关系，忽略了信号作为序列数据所具有的远程依赖关系和前后序列相关性。(2)仅采用原始残差结构中的恒等捷径，忽视了对浅层特征的充分提取和对网络表达能力的提升。(3)分类模块参数量较大，对于特征图和类别之间的关联不够紧密。
因此，本发明提出了一种基于聚合残差变换网络的调制分类方法来解决以上问题。
发明内容
本发明的目的是提供一种基于聚合残差变换网络的调制分类方法，用于解决上述现有残差网络模型中存在的问题，本发明将I/Q信号(I/Q信号指同相正交信号，将实采的通信信号分为两路，一路与载波相乘，另一路与载波移相90°的信号相乘，从而得到两路相位相差90°的信号)作为输入，依据信号序列的远程依赖关系和序列前后相关性引入坐标注意力机制模块，从信号的时间和空间角度提取了有效特征，加入卷积捷径连接模块提升网络表达能力，利用卷积全局平均池化分类模块获取全局信息并提高泛化能力，在低信噪比环境下达到了更高的准确率和泛化性能。
本发明采取的技术方案是：
一种基于聚合残差变换网络的通信信号调制分类方法，其特征在于，聚合残差变换网络调制分类模型主要是由聚合残差组卷积模块，坐标注意力机制模块，卷积捷径连接模块，以及最后进行分类的卷积全局平均池化分类模块组成，包括如下步骤：
S1:对捕获的通信信号采样，其中设置采样率偏移标准偏差为0.01Hz，最大采样率偏移为50Hz，载波频率偏移标准差为0.01Hz，最大载波频率偏移为500Hz，频率选择性衰落中使用的正弦波数为8，采样率设为200kHz，延迟设置为[0.0,0.9,1.7]，每个延迟时间对应的幅度为[1,0.8,0.3]，每个信号表示为128个采样点的同相正交双路形式(即同相正交信号，为128*2的数据维度)，组成了IQ双路时域信号。由于残差网络和坐标注意力机制的输入特征图需要具有长度、宽度以及通道这三个维度，而原始的IQ双路时域信号仅含有长度和宽度两个维度的数据，因此为了满足网络的输入形式，对每个IQ双路时域信号添加了通道维度，使每个数据的输入维度变为(128,2,1)，划分为带有真实类别标签的训练集和验证集，在训练过程中验证集并不参与梯度下降过程，但会用验证集测试模型的性能来调节参数，对于要预测的信号是没有标注的；
S2：在步骤S1的基础上，训练集中的样本数据经过零填充和二维卷积操作预处理后，输入到聚合残差组卷积模块进行特征提取，聚合残差组卷积模块中包含16组相同的卷积结构分支，输入数据先通过1*1卷积被拆分为16组低维张量，接着对每个分支并行地执行3*3卷积操作转换数据维度，最后再次使用1*1卷积升维恢复到与输入一致的通道维度，然后合并这16个分支作为聚合残差组卷积模块的输出结果；
S3:在步骤S2的基础上，将经过步骤S2聚合残差组卷积模块后得到的特征数据发送给坐标注意力机制模块，经过坐标信息嵌入和坐标注意力生成这两个具体步骤后，会输出嵌入了坐标注意力权重的特征数据，捕获了序列数据的远程依赖关系、通道间关系和特征空间的位置信息，加强了对有效特征的关注；
S4：在步骤S2和步骤S3的基础上，将经过步骤S2聚合残差组卷积模块后得到的特征数据发送到卷积捷径连接(作为跨层快速连接)模块，并将经过步骤S3输出的具有坐标注意力权重的特征数据与卷积捷径连接输出后的结果相加，卷积捷径连接是由内核大小为1*1，步长为1的二维卷积构成；
S5：将步骤S2至步骤S4中的模块重复堆叠四层，此四层是串行处理的，第一层最先处理，第四层最后处理，这四层聚合残差组卷积模块的基本结构不变，只是从第一层至第四层中组卷积模块内的卷积核个数越来越多，即第一层中聚合残差组卷积模块内的卷积核个数最少，然后逐层递增，第四层中聚合残差组卷积模块内的卷积核个数最多(第一层中卷积核个数设置为32，第二层为64，第三层为128，第四层为256)，这四层结构构成了四层特征提取单元，充分提取并融合数据的浅层和深层特征后，再将以上四层特征提取模块对输入数据进行依次处理后最终输出的结果(特征图)发送到卷积全局平均池化分类模块，通过相乘合并特征图的长度维度(H维)和宽度维度(W维)，变换数据形状后输入到内核大小为3的一维卷积中降低维度，然后经过全局平均池化层防止过拟合，通过Softmax激活函数将输出转换为调制分类概率，取最高概率作为模型识别出的信号调制类别；
S6：通过步骤S2至步骤S5构造的聚合残差变换网络对训练集进行训练并利用验证集调优，使用分类交叉熵损失函数和Adam优化器，训练一定轮次后，得到最佳权重文件，再利用此训练优化后的聚合残差变换网络对待识别的测试集信号进行预测分类，输出即为预测的信号调制类别。
分类交叉熵损失函数表示为：其中/>是N维向量的形式(N为类别个数)，指聚合残差变换网络输出的预测为各调制类别的概率，y是经过one-hot独热转换后已标注好的真实类别。
应用阶段，对于一待识别通信信号A，生成该通信信号A对应的同相正交信号输入优化后的所述聚合残差变换网络进行预测分类，输出该通信信号A对应的信号调制类别。
本发明还提供一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行上述方法中各步骤的指令。
本发明还提供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，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果是：
(1)本发明实现了对通信信号的自动调制方式分类，提出的基于聚合残差变换网络的调制分类方法加入了卷积捷径连接模块，在防止梯度消失的基础上，增强了网络的表达能力，融合并提取了浅层和深层特征。
(2)本发明还考虑到信号的序列性，引入了坐标注意力机制模块，捕获序列数据的远程依赖关系及相关性、通道间关系和特征空间的位置信息，加强了对有效特征的关注。为了防止过拟合，将普通全连接层替换为卷积全局平均池化分类模块，加强了特征图和调制类别之间的联系及映射，获取全局信息并提高泛化能力。
(3)通过在标准数据集上广泛的实验验证，说明本发明所提方法在面对低信噪比的复杂场景时，能达到更高的识别准确率和泛化性能。
附图说明
图1为基于聚合残差变换网络的自动调制分类方法流程图。
图2为基于聚合残差变换网络的自动调制分类模型架构图。
图3为不同调制识别网络模型在不同信噪比下的识别准确率变化图。
具体实施方式
下面将结合附图和实施例对本发明提供的一种基于聚合残差变换网络的调制分类方法进行详尽地描述，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。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。基于本发明中的实施例，本领域的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。
如图1所示为通过本发明提出的基于聚合残差变换网络的自动调制分类方法进行训练和预测识别的流程图。如图2所示为一种基于聚合残差变换网络的自动调制识别模型架构，该模型主要包含聚合残差组卷积模块，坐标注意力机制，卷积捷径连接，以及卷积全局平均池化分类模块。模型输入层对采样后维度为(128,2)的IQ同相正交双路时域信号设置通道维度，每个信号样本数据的输入维度大小变为(128,2,1)。首先，进行预处理操作。输入的I/Q序列数据经过大小为3*3的零填充保留边缘信息后，被输入到Conv2D卷积层(由大小为7*7的16个卷积核组成)，再次通过零填充和池化窗口大小为3，步长为2的最大池化完成预处理操作。接着，经过预处理后的数据输入到聚合残差组卷积模块(其中并行嵌入了16组相同的卷积结构分支)中进行特征提取，包含了第一层的1*1二维卷积降维，第二层的3*3二维分组卷积结构分别对第一层输出的低维嵌入部分进行卷积变换，第三层的二维卷积升维处理，再经过合并使输出与输入保持相同的数据维度。然后将由聚合残差组卷积模块处理后得到的数据发送到坐标注意力机制模块中捕获对于调制识别更重要的特征，利用坐标信息嵌入和坐标注意力生成的操作得到带有权重的特征图。接下来，将组卷积模块输出的特征数据送入卷积捷径连接模块中进一步特征提取，增强了网络对特征的表达，再将其输出结果与坐标注意力机制模块输出的带权特征图相加，以上特征提取模块重复堆叠四次后构成四层特征提取单元，每一层中的卷积核个数加倍，因此通过每一层后的输出通道数分别变为32、64、128、256。最后进入分类模块，将经过四层特征提取模块后输出的特征图的长度维度和宽度维度相乘合并，改变为(105,256)的数据维度，再利用一维卷积(由内核大小为3*1，输出通道数目为调制类别总数的卷积核组成)使特征图降低到指定维度，然后经过卷积全局平均池化模块获取全局信息并减少过拟合，最终使用Softmax激活函数来归一化多分类输出并以最大概率值作为分类识别结果。
聚合残差组卷积模块：在本发明提出的模型架构中增加零填充以防止边缘信息丢失，加入一维卷积、最大池化操作对输入数据进行预处理，有利于后续的特征提取。输入数据进入聚合残差组卷积模块中，组卷积模块中并行堆叠了16组相同的拓扑结构分支。这16组拓扑结构可以细分为三个子层，在第一层先通过1*1二维卷积降维，把输入分割成16个低维嵌入。然后第二层3*3二维卷积采用了分组卷积结构分别对第一层输出的低维嵌入部分进行卷积变换。第三层对前一层分组卷积后连接的结果进行升维，然后合并这16个分支作为组卷积模块的输出结果。
坐标注意力机制模块：将聚合残差组卷积模块输出的特征数据发送到坐标注意力机制模块中，能够更准确地关注到与调制识别相关的有效特征，增强有用特征并抑制干扰信息。坐标注意力机制分为坐标信息嵌入和坐标注意力生成两个步骤。在坐标信息嵌入步骤中，分别沿水平和垂直方向进行全局平均池化，将通过聚合残差组卷积模块提取的全局特征图信息沿水平和垂直这两个空间方向分别聚合为两个感知不同方向的特征图。在坐标注意力生成步骤中，先对两个具有不同方向感知信息的特征图进行连接得到一个特征图，再经过1*1卷积变换、批归一化和非线性激活处理后，生成了一个具有水平和垂直方向位置信息的中间特征图，然后将中间特征图通过1*1卷积变换和sigmoid激活函数变换为与输入具有相同通道数的坐标注意力图。将坐标注意力图与输入特征图相乘得到了嵌入坐标注意力权重的特征数据。
卷积捷径连接模块：为了对浅层特征进一步提取，增强其表达能力，将聚合残差组卷积模块输出的特征数据发送到卷积捷径连接模块中，增加了更多的权重参数可以表达更细节的信息。卷积捷径连接模块由内核大小为1*1，步长为1的二维卷积构成，实现了提取的浅层和深层信号特征的相互融合，并且将其输出结果与坐标注意力机制模块输出的带权特征图相加，充分利用了每一层提取的特征信息。既能够覆盖原来的解空间，避免网络退化问题的能力，还引入了更多可以优化的参数，提高了网络的表达能力。
卷积全局平均池化分类模块：将上述的特征提取模块重复堆叠四次构成四层特征提取单元，输入数据得到充分的特征提取，输出的特征图送入分类模块中，首先将特征图的长度维度和宽度维度相乘合并，调整到适合一维卷积操作的维度，接着通过内核大小为3的一维卷积识别序列数据中的局部模式，并将输出的特征通道数变换为调制类别总数。然后通过全局平均池化降维，有效抑制过拟合，加强了特征图和类别之间的关联。最后利用Softmax激活函数得到I/Q信号属于各个调制类型的概率。
具体实施案例：
本文以无线电信号标准数据集RML2016.10a为研究对象，将本发明提出的自动调制分类方法与其他模型进行比较，分析了不同模型方法在不同信噪比下的调制识别准确率，实验结果表明了本发明所提方法在分类准确率和泛化性上的提升。
本案例中使用的数据集是通过模拟信号在恶劣环境中的传播特性生成的，考虑了中心频偏、多径衰落、高斯白噪声等因素，所生成信号的信噪比(SNR)变化范围为-20dB至18dB，间隔为2dB。该数据集中有11种不同的调制类别，包含8种数字调制类型(BPSK,8PSK,CPFSK,GFSK,PAM4,QAM16,QAM64,QPSK)和3种模拟调制类型(AM-DSB,AM-SSB,WBFM)，一共220,000个样本，每个样本由128个采样点的I/Q双路时域信号表示。将不同信噪比和不同调制类型的信号全部打乱并以8：1：1的比率随机选择作为实验的训练集、验证集和测试集。
所有训练和测试过程都使用相同的计算机硬件配置(CPU：Intel i7-11800，GPU：GeForce RTX 3080)，所有实验都基于Python3.8和以Tensorflow-gpu 2.8.1为后端的Keras图形处理器来实现。使用交叉熵损失函数和Adam优化器来训练并优化所提出的网络，在300个迭代轮次内从头开始训练网络，批量大小设置为200，初始学习速率为0.001。通过监测验证集损失来动态更新学习率，若验证集损失在5个训练轮次后都没有下降，就降低学习速率。还采用早停来防止过拟合，当验证集损失在10轮后都没有下降，会提前结束训练，使模型具有更好的泛化性。
为了验证本发明所提方法的识别能力和泛化性，本案例将与其他AMC网络作比较，包含基于该数据集的MCLDNN、LSTM、DAE、PET-CGDNN、Resnet、IC-AMCNET和CGDNET网络。如图3所示，本发明所提出的方法实现了比其他模型更高的分类精度。表1展示了本发明所提方法和其他模型在具体分类精度以及推理时间方面的性能比较。从分类准确率方面看，所提出的方法在不同信噪比下的全局平均识别准确率高于其他网络，达到了约63.83％，超过最先进的MCLDNN约1.49％。并且，最高识别准确率约为94.45％，超过最先进的MCLDNN约0.63％。在中高信噪比(10dB～18dB)和较低信噪比(0dB～8dB)环境下，所提出方法的平均准确率分别约为93.53％和92.47％都是最高的。这表明所提出的模型具有出色的低信噪比适应能力和鲁棒性。当噪声干扰更加严重时，低信噪比会导致难以提取信号特征进而严重影响调制识别结果，但本文提出的方法在-20dB～0dB的信噪比范围内仍然优于其他网络。在较低信噪比的情况下，本发明所提方法仍能提取到有效的特征，表现出显著的性能改进。从推理时间方面看，本发明所提方法的推理时间比MCLDNN短，属于可以接受的推理时间范围，并且在各个信噪比下对调制识别准确率方面的提升远远超过在推理时间上的稍微延长。因此，本发明所提方法兼具了高识别准确率和可接受的推理时长，有利于在实际信道环境中应用于信号识别。
表1不同模型性能比较
综上所述，本发明所提出的一种基于聚合残差变换网络的自动调制分类方法，通过集成聚合残差组卷积模块、坐标注意力机制模块、卷积捷径连接模块和卷积全连接分类模块，能够实现出色的分类性能。而且为了验证所提出模型的性能，进行了对比实验，在标准数据集上达到了优于其他模型的分类性能和泛化能力。在低信噪比(-20dB～0dB)下，所提出方法的平均识别精度也高于其他网络。因此，与现有模型相比，本发明所提出的方法具有更优越的分类性、泛化性、低信噪比适应能力和抗混淆能力。
本发明未详细阐述部分属于本领域技术人员的公知技术。
以上仅为本发明的较佳实施例，上述对具体实施方式的描述旨在说明本发明的技术方案，本发明并不限于上文描述的实施方式。对于本领域的技术人员来说，本发明可以有各种形式的变化。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，均属于本发明的保护范围之内。

Claims (10)

1.一种基于聚合残差变换网络的通信信号调制分类方法，其步骤包括：
1)对各调制类别的通信信号采样，生成每一通信信号对应的同相正交信号，即I/Q信号；然后对每个同相正交信号添加一通道维度，用于转换为聚合残差变换网络的输入数据形式，生成一训练样本，得到一训练集；
2)利用所述训练集中的训练样本训练聚合残差变换网络，所述聚合残差变换网络包括对输入数据依次进行处理的多层特征提取单元和一个卷积全局平均池化分类模块，每一层所述特征提取单元包括聚合残差组卷积模块、坐标注意力机制模块、卷积捷径连接模块；每一层所述特征提取单元对输入数据进行处理生成一特征图，其方法为：所述聚合残差组卷积模块对输入数据进行特征提取，并将提取的特征数据分别发送给所述坐标注意力机制模块、所述卷积捷径连接模块；所述坐标注意力机制模块对输入的特征数据进行处理，得到嵌入坐标注意力权重的特征数据并发送给所述卷积捷径连接模块；所述卷积捷径连接模块对输入的两特征数据进行相加，得到一特征图；其中不同的特征提取单元中聚合残差组卷积模块内的卷积核个数不同；最后一层所述特征提取单元生成的特征图发送给所述卷积全局平均池化分类模块，得到该训练样本的预测信号调制类别；然后根据该训练样本的预测信号调制类别和真实类别标签计算损失值，根据损失值优化所述聚合残差变换网络；
3)对于一待识别通信信号A，生成该通信信号A对应的同相正交信号输入优化后的所述聚合残差变换网络进行预测分类，输出该通信信号A对应的信号调制类别。
2.根据权利要求1所述的方法，其特征在于，所述卷积全局平均池化分类模块通过相乘合并所输入特征图的长度维度和宽度维度后输入到一维卷积中降低维度，然后经过全局平均池化层、Softmax激活函数得到该训练样本的预测信号调制分类概率，取最高概率作为该训练样本的预测信号调制类别。
3.根据权利要求1所述的方法，其特征在于，所述坐标注意力机制模块对输入的特征数据进行坐标信息嵌入和坐标注意力生成，得到嵌入坐标注意力权重的特征数据。
4.根据权利要求3所述的方法，其特征在于，所述坐标注意力机制模块得到嵌入坐标注意力权重的特征数据的方法为：首先对输入的特征数据沿水平和垂直方向分别进行全局平均池化，得到两个不同感知方向的特征图；再连接所得的两个编码不同感知方向的特征图，然后经过1*1卷积变换、批归一化和非线性激活处理，生成了一个具有水平和垂直方向位置信息的中间特征图，中间特征图通过1*1卷积变换和sigmoid激活函数变换为与所输入的特征数据具有相同通道数的坐标注意力图；然后将所述坐标注意力图与所输入的特征数据相乘得到嵌入坐标注意力权重的特征数据。
5.根据权利要求1所述的方法，其特征在于，所述聚合残差组卷积模块中包含16组相同的卷积结构分支，输入数据先通过1*1卷积拆分为16组低维张量，然后对每个卷积结构分支并行地执行3*3卷积操作转换数据维度，最后再次使用1*1卷积升维恢复到与输入一致的通道维度，然后合并16个卷积结构分支的输出结果作为所述聚合残差组卷积模块的输出结果。
6.根据权利要求1～5任一所述的方法，其特征在于，所述聚合残差变换网络包括四层特征提取单元，第i+1层特征提取单元中聚合残差组卷积模块内的卷积核数是第i层特征提取单元中聚合残差组卷积模块内的卷积核数的两倍。
7.根据权利要求1～5任一所述的方法，其特征在于，步骤2)中，首先将该训练样本中的同相正交信号数据进行零填充和二维卷积预处理后，输入到所述聚合残差组卷积模块进行特征提取。
8.根据权利要求1～5任一所述的方法，其特征在于，所述损失函数为分类交叉熵损失函数其中/>是训练样本的预测信号调制类别，y是训练样本真实类别标签。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至8任一所述方法中各步骤的指令。
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，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法的步骤。
CN202310493885.2A 2023-05-05 2023-05-05 一种基于聚合残差变换网络的通信信号调制分类方法 Pending CN116628566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310493885.2A CN116628566A (zh) 2023-05-05 2023-05-05 一种基于聚合残差变换网络的通信信号调制分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310493885.2A CN116628566A (zh) 2023-05-05 2023-05-05 一种基于聚合残差变换网络的通信信号调制分类方法

Publications (1)

Publication Number Publication Date
CN116628566A true CN116628566A (zh) 2023-08-22

Family

ID=87640872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310493885.2A Pending CN116628566A (zh) 2023-05-05 2023-05-05 一种基于聚合残差变换网络的通信信号调制分类方法

Country Status (1)

Country Link
CN (1) CN116628566A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117354106A (zh) * 2023-12-06 2024-01-05 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统
CN117743946A (zh) * 2024-02-19 2024-03-22 山东大学 基于融合特征和组卷积ViT网络的信号类型识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117354106A (zh) * 2023-12-06 2024-01-05 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统
CN117354106B (zh) * 2023-12-06 2024-03-01 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统
CN117743946A (zh) * 2024-02-19 2024-03-22 山东大学 基于融合特征和组卷积ViT网络的信号类型识别方法及系统
CN117743946B (zh) * 2024-02-19 2024-04-30 山东大学 基于融合特征和组卷积ViT网络的信号类型识别方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Automatic modulation classification using CNN-LSTM based dual-stream structure
CN108234370B (zh) 基于卷积神经网络的通信信号调制方式识别方法
CN110163282B (zh) 基于深度学习的调制方式识别方法
Weng et al. Deep cascading network architecture for robust automatic modulation classification
CN116628566A (zh) 一种基于聚合残差变换网络的通信信号调制分类方法
CN110113288B (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
Zheng et al. DL-PR: Generalized automatic modulation classification method based on deep learning with priori regularization
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN113269077B (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN112702294A (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN114422311B (zh) 联合深度神经网络和专家先验特征的信号调制识别方法及系统
CN113947151B (zh) 一种海上复杂环境下的无线通信信号自动调制识别方法
Zhang et al. Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set
CN112615804A (zh) 一种基于深度学习的短突发水声通信信号调制识别方法
CN112910812A (zh) 一种基于时空特征提取深度学习的调制模式识别方法
Ali et al. Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels
CN116866129A (zh) 一种无线通信信号检测方法
CN114896887A (zh) 一种基于深度学习的用频设备射频指纹识别方法
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN114925720A (zh) 基于时空混合特征提取网络的小样本调制信号识别方法
CN114615118A (zh) 一种基于多端卷积神经网络的调制识别方法
Zhang et al. Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding
CN115955375A (zh) 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统
CN116708104A (zh) 基于储备池计算的水下可见光通信系统调制格式识别方法

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