CN116738278A - 基于小波变换和多模态特征融合的自动调制分类方法 - Google Patents
基于小波变换和多模态特征融合的自动调制分类方法 Download PDFInfo
- Publication number
- CN116738278A CN116738278A CN202310587426.0A CN202310587426A CN116738278A CN 116738278 A CN116738278 A CN 116738278A CN 202310587426 A CN202310587426 A CN 202310587426A CN 116738278 A CN116738278 A CN 116738278A
- Authority
- CN
- China
- Prior art keywords
- data
- feature extraction
- signal
- extraction network
- original
- 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 37
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 230000009466 transformation Effects 0.000 title claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 66
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 208000025150 arthrogryposis multiplex congenita Diseases 0.000 description 6
- 208000037748 distal type 1A arthrogryposis Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/21—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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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]
-
- 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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波变换和多模态特征融合的自动调制分类方法,主要解决低信噪比条件下现有模型分类正确率不高的技术问题;方案包括:1)获取现有数据集中信号的I/Q样本;2)通过小波阈值去噪对样本数据进行预处理,并提取去噪信号的A/P信息,输入时序模态特征提取网络;同时采用格拉姆角场对样本数据进行重构,将一维序列转换为二维图像,作为图像模态特征提取网络的输入;3)使用基于注意力机制的特征融合方法来融合两个网络提取的多模态特征;4)通过全连接层得到最终的调制分类结果。本发明充分考虑到了不同模态特征之间的的差异性和互补性,能够有效提高低信噪比环境下的调制分类正确率,同时解决调制的混淆问题。
Description
技术领域
本发明属于人工智能领域,进一步涉及通信信号调制技术,具体为一种基于小波变换和多模态特征融合的自动调制分类方法,可用于频谱检测和频谱感知领域。
背景技术
自动调制分类(Automatic Modulation Classification,AMC)是位于信号存在性检测与解调之间的重要环节,能够在信道状态信息未知的情况下分类出信号的调制类型。AMC不仅是接收端完成解调的前提条件,在整个通信系统中也是必不可少的一环,在民生保障及军事电子战中都发挥着不可替代的作用。在民用领域,AMC主要用于频谱感知与频谱监测,无线通信中的频谱资源并不是无穷无尽、用之不竭的,大量的通信业务占据了多数的频谱造成资源短缺,极大地影响了人们的正常通信。AMC技术可以通过对信号的调制方式进行分类,分析信号的性质从而达到频谱资源管理的目的。而在军事领域,AMC技术可以察觉到敌人发出的干扰信息和关键的情报信息,从而有助于军队制定有针对性的侦察和反侦察战略。由此可见,AMC技术的发展具有重要的战略意义。
近年来,深度学习在自动调制分类领域的研究工作也得到了一定发展。如Njoku等人在[Njoku J N,Morocho-Cayamcela M E,Lim W.CGDNet:Efficient Hybrid DeepLearning Model for Robust Automatic Modulation Recognition[J].IEEE NetworkingLetters,2021,3(2):47-51]中提出的一种由浅卷积、门控循环单元和DNN组成的CGDNet网络结构,使用浅卷积网络和GRU提取I/Q序列的时间特征,再使用DNN完成分类任务,在使用RadioML2016.10b调制数据集时,在18dB下的分类正确率可达到90%以上。West等人在[West N E,O'shea T.Deep architectures for modulation recognition[C]//2017IEEEInternational Symposium on Dynamic Spectrum Access Networks(DySPAN),2017:1-6]中提出的一种由三层CNN和一层LSTM组成的卷积长短期记忆网络模型(ConvolutionalLong Short-term Deep Neural Network,CLDNN),充分发挥了CNN和RNN模型的优点,进一步提高了调制分类正确率。虽然上述文献取得了一定成效,但仍存在如下不足:一方面,电磁信号输入常用单一形式的表示,忽略了其他潜在的重要特征信息和不同模态特征之间的互补性,导致具有相似单一特征的调制类别易发生混淆;另一方面,随着无线通信技术的快速发展,信号的调制方案将变得更加复杂和多样化,噪声、频偏和频率衰减等因素都会影响调制分类的正确率,增强模型在低信噪比通信场景下的分类鲁棒性也成为了亟待解决的问题之一。因此,设计一种能在低信噪比下获得更好分类性能的多模态特征融合的自动调制算法有着重要的理论意义和研究价值。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种基于小波变换和多模态特征融合的自动调制分类方法,用于解决低信噪比条件下模型分类正确率不高的技术问题;本发明在提高低信噪比环境下分类正确率的同时,有效解决了十六进制正交幅度调制QAM16和六十四进制正交幅度调制QAM64调制的混淆问题,进一步增强了模型的噪声鲁棒性。
实现本发明的思路是:首先获取数据集RML2016.10A中信号的原始I/Q数据,接着通过小波阈值去噪对原始I/Q数据进行预处理,并提取去噪信号的A/P信息,并将其输入时序模态特征提取网络;同时采用GAF图像编码对原始I/Q数据进行重构,并将一维序列转换为二维图像,作为图像模态特征提取网络的输入;然后,使用基于注意力机制的特征融合方法来融合两个网络提取的多模态特征,最后通过全连接层得到最终的调制分类结果。
本发明实现上述目的具体步骤如下:
(1)获取数据集RML2016.10A中的原始I/Q数据,并将其划分为训练集和测试集;
(2)构建多模态特征融合模型:
(2.1)搭建包含三个卷积层、两个卷积注意力模块CBAM和两个双向长短期记忆网络Bi-LSTM的时序模态特征提取网络,其中每层卷积后接批归一化层和线性修正单元ReLU激活层,在第一个卷积层和第二个卷积层后分别接一个CBAM模块,第三个卷积层后使用两个Bi-LSTM;
(2.2)在原始的深度残差收缩网络中,使用离散小波变换DWT替换其中的池化层和跨步卷积层,得到图像模态特征提取网络;
(2.3)将时序模态特征提取网络与图像模态特征提取网络共同组成特征提取单元;设计输入端用于接收外部数据,预处理模块用于对输入端接收的数据进行预处理,并将预处理后的数据送入特征提取单元;特征提取单元后依次连接注意力特征融合模块AFF和分类器,得到多模态特征融合模型;
(3)利用训练集数据的对步骤(2)构建的多模态特征融合模型进行训练,得到训练好的模型;
(4)将测试集中的数据输入到训练好的模型中,实现待测信号的自动调制分类。
本发明与现有技术相比,具有以下优点:
第一、本发明中设计的多模态特征融合网络架构,充分考虑到了不同模态特征之间的互补性以及特征融合机制在自动调制分类领域中的重要性,相比单模态网络模型具有显著的优越性。
第二、本发明在时序和图像模态特征提取网络中,分别引入了小波变换的思想对其进行改进:对于时序模态特征提取,利用小波阈值去噪技术对原始调制信号进行预处理以得到更加纯净且显著的特征表达;对于图像模态特征提取,使用二维离散小波变换代替深度残差收缩网络中的平均池化层和跨步卷积层,以抑制图像中的噪声对模型分类性能的影响。
第三、由于本发明将多模态特征融合的思想与小波变换相结合,有效提高了低信噪比下的分类性能,模型获得了更强的噪声鲁棒性,同时还解决了QAM16和QAM64调制的混淆问题。
附图说明
图1为本发明的实现流程图;
图2为本发明中构建的多模态特征融合模型整体结构示意图;
图3为本发明的时序模态特征提取网络结构示意图;
图4为本发明的图像模态特征提取网络中改进后的残差收缩单元结构示意图;
图5为本发明中的混淆矩阵示意图;
图6为使用本发明与不同深度学习网络模型进行分类的正确率对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
实施例一:参照附图1和图2,本发明提出的一种基于小波变换和多模态特征融合的自动调制分类方法,具体包括如下步骤:
步骤1.获取数据集RML2016.10A中的原始I/Q数据,并将其划分为训练集和测试集;本实施例中选取数据集RML2016.10A中-6dB至18dB的数据,将其按照80%训练集和20%测试集的分配比例进行划分,并随机打乱训练集数据。当然,这里也可以根据实际需求调整样本数据的数量以及划分比例。
步骤2.构建多模态特征融合模型:
(2.1)搭建包含三个卷积层、两个卷积注意力模块CBAM和两个双向长短期记忆网络Bi-LSTM的时序模态特征提取网络,其中每层卷积后接批归一化层和线性修正单元ReLU激活层,在第一个卷积层和第二个卷积层后分别接一个CBAM模块,第三个卷积层后使用两个Bi-LSTM;
(2.2)在原始的深度残差收缩网络中,使用离散小波变换DWT替换其中的池化层和跨步卷积层,得到图像模态特征提取网络;
(2.3)将时序模态特征提取网络与图像模态特征提取网络共同组成特征提取单元;设计输入端用于接收外部数据,预处理模块用于对输入端接收的数据进行预处理,并将预处理后的数据送入特征提取单元;特征提取单元后依次连接注意力特征融合模块AFF和分类器,得到多模态特征融合模型;
步骤3.利用训练集数据的对步骤(2)构建的多模态特征融合模型进行训练,得到训练好的模型;该训练过程在设置迭代次数、批样本数、初始学习率、优化器以及损失函数后,采用动态调整学习率策略完成。本实施例中,设置迭代轮数为80,批样本数为128,设置优化器为Adam,损失函数为交叉熵函数,初始学习率设为0.001,设置每隔30轮将学习率缩小为原来的10倍以加速模型收敛得到更好的结果。
步骤4.将测试集中的数据输入到训练好的模型中,实现待测信号的自动调制分类。
实施例二:本实施例提出的自动调制分类方法整体实现步骤同实施例一,现参照附图2对构建的多模态特征融合模型,作出进一步详细描述:
本发明构建的多模态特征融合模型由依次级联的输入端、预处理模块、特征提取单元、注意力特征融合模块AFF和分类器组成;其中:
所述输入端,用于接收外部提供给模型的原始数据,并将这些原始I/Q数据送至预处理模块;所述预处理模块,用于对原始I/Q数据进行预处理,并将预处理后的数据送入特征提取单元;具体是使用小波阈值去噪技术对原始输入信号进行小波去噪,再将去噪后的数据转换为I/Q和A/P形式,输入特征提取单元的时序模态特征提取网络;使用GAF编码将原始I/Q数据转换为二维图像,再输入特征提取单元图像模态特征提取网络。本实施例中设置小波基函数为db8、小波分解层数为3、阈值函数为软硬阈值折中函数、阈值为0.05对原始数据进行小波阈值去噪处理,得到去噪后的信号。
所述特征提取单元包括时序模态特征提取网络和图像模态特征提取网络两部分。其中,时序模态特征提取网络结构参照图3,具体包含三个卷积层,在每层卷积后接批归一化层和线性修正单元ReLU激活层,且在第一个卷积层和第二个卷积层后分别接一个卷积注意力模块CBAM、第三个卷积层后使用两个双向长短期记忆网络Bi-LSTM。本实施例中设置三个卷积层的卷积核数分别为128、256和512,大小均为1×3,零填充和步幅均为1;Bi-LSTM层的输入特征维数和隐藏层状态维数均为128。所述图像模态特征提取网络是在原始的深度残差收缩网络中,使用离散小波变换DWT替换其中的池化层和跨步卷积层得到,如图4所示,对于这一模块的改进,是对原始的深度残差收缩网络引入小波变换的思想,使用离散小波变换DWT替换原网络中的池化层和跨步卷积层来增强网络的噪声滤波能力,以抑制噪声对分类性能的影响。
所述注意力特征融合模块AFF为现有技术中惯常用来进行特征融合的模块,在本发明构建的模型中用于对时序特征和图像特征进行融合;分类器用于对融合后特征进行展平操作,进一步获取分类结果。
实施例三:本实施例提出的自动调制分类方法整体实现步骤同实施例一,现对多模态特征融合模型中图像模态特征提取网络提取图像特征的实现过程,详细描述如下:
图像模态特征提取网络具体是将含噪数据X用DWT分解为一个低频分量和三个高频分量,最终只保留含有用信息的低频分量,去除其它高频分量实现;
二维DWT在图像模态特征提取网络中的正向传播过程:
Xll=LXLT,
Xlh=HXLT,
Xhl=LXHT,
Xhh=HXHT,
其中,L和H分别为正交小波的低通和高通滤波器的矩阵向量;X表示含噪数据,Xll表示包含X主要信息的低频分量,Xlh、Xhl、Xhh均为高频分量,分别包含X的水平、垂直和对角线的噪声细节信息;
二维DWT在图像模态特征提取网络中的反向传播过程:
其中,G表示二维DWT之后层的反向传播输出。
实施例四:本实施例提出的自动调制分类方法整体实现步骤同实施例一,现参照附图1对步骤4中待测信号的自动调制分类过程,作出进一步详细描述:
步骤4.1、将待测的原始I/Q数据通过输入端送至模型的预处理模块;
步骤4.2、预处理模块接收到数据后,进行如下操作:
(4.2.1)使用小波阈值去噪技术对原始输入信号进行处理,即小波去噪;并将去噪后的数据转换为I/Q和A/P形式,再将其输入特征提取单元的时序模态特征提取网络。所述将去噪后的数据转换为I/Q和A/P形式,实现如下:
根据下式将去噪后的信号进行同相分量和正交分量I/Q的转换,获取第m组数据的I/Q分量xm I/Q:
其中,xm I为信号中第m组数据的同相分量,xm Q为信号中第m组数据的正交分量,(·)T表示转置操作;(xm I)T、(xm Q)T∈RN,xm I/Q∈R2×N,N为样本总数;
根据下式将去噪后的信号进行幅度分量和相位分量A/P的转换,获取第m组数据的A/P分量xm A/P:
其中,xm A为信号中第m组数据的幅度分量,xm P为信号中第m组数据的相位分量;(xm A)T、(xm P)T∈RN,xm A/P∈R2×N;
幅度分量与相位分量的转换表达式如下:
其中,rm I[n]和rm Q[n]分别为rm的第n个样本的同相分量和正交分量,rm表示信号中第m组数据向量。
(4.2.2)使用GAF编码将原始I/Q数据转换为二维图像,具体是对原始数据集的两路数据I路数据和Q路数据,分别通过格拉姆角合场转换成大小为64×64的二维图像,然后将其输入特征提取单元图像模态特征提取网络。
步骤4.3、特征提取单元的时序模态特征提取网络与图像模态特征提取网络分别对各自收到数据进行特征提取,得到时序特征和图像特征;
步骤4.4、注意力特征融合模块AFF对时序特征和图像特征进行融合操作,获取融合后特征;
步骤4.5、分类器对融合后特征进行展平操作,然后通过全连接层和Softmax函数,得到最终分类结果,即11个待分类调制信号属于每一个类别的概率。
下面结合仿真实验对本发明的效果作进一步的说明。
1.仿真条件:
本发明中所进行的仿真实验,实验环境及使用的数据集详细参数,分别如下表所示:
表1:本发明的仿真实验的软硬件环境
表2:本发明使用的数据集详细参数
2.仿真内容:
使用仿真条件中给出的数据集,设置迭代轮数为80,批样本数为128,初始学习率为0.001,进行训练;且采用动态调整学习率策略,每隔30轮将学习率缩小为原来的10倍以加速模型收敛。
3.仿真结果:
本发明在信噪比为16dB下的混淆矩阵如图5所示。观察图5可知,QAM16和QAM64的分类正确率分别为86%和87%,二者的混淆问题已经得到解决。
将本发明方法命名为Wave_MFF,与现有技术中的ResNet、CLDNN、DenseNet和Inception网络进行对比实验,不同网络模型的调制分类正确率如图6所示。由图6可知,本发明在各个信噪比下的分类水平都显著高于其他四种模型,其峰值正确率比次高的ResNet多出5.88%。特别地,在-6dB至0dB的低信噪比下,由于本发明充分考虑到了不同模态之间的互补性并有效地采用了两种去噪方法,获得了调制信号更显著且纯净的特征表达,所以其分类水平远远领先于其他模型。在-6dB下比次高的CLDNN提升了7.71%,-4dB时比次高的CLDNN高出了8.87%,-2dB下领先次高的ResNet模型8.07%,0dB时较ResNet网络升高了6.28%。此外,在-6dB和-4dB下,CLDNN网络的分类性能是四个对比模型中最好的,这种CNN与LSTM组合的网络克服了单模型架构在低信噪比时特征提取的局限性,为时序数据的分类提供了优越的性能。在0dB以上的高信噪比环境下,本发明的分类性能仍然是最优异的,其分类正确率都保持在88%及以上的水平,且最高可达92.52%,在其他四种对比模型中分类表现最好的是ResNet,它采用残差的架构有效地增加了网络深度的同时避免了正确率下降的问题,其分类正确率维持在82%以上且分类峰值能达到86.64%。
上述仿真分析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、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 (10)
1.一种基于小波变换和多模态特征融合的自动调制分类方法,其特征在于,包括以下步骤:
(1)获取数据集RML2016.10A中的原始I/Q数据,并将其划分为训练集和测试集;
(2)构建多模态特征融合模型:
(2.1)搭建包含三个卷积层、两个卷积注意力模块CBAM和两个双向长短期记忆网络Bi-LSTM的时序模态特征提取网络,其中每层卷积后接批归一化层和线性修正单元ReLU激活层,在第一个卷积层和第二个卷积层后分别接一个CBAM模块,第三个卷积层后使用两个Bi-LSTM;
(2.2)在原始的深度残差收缩网络中,使用离散小波变换DWT替换其中的池化层和跨步卷积层,得到图像模态特征提取网络;
(2.3)将时序模态特征提取网络与图像模态特征提取网络共同组成特征提取单元;设计输入端用于接收外部数据,预处理模块用于对输入端接收的数据进行预处理,并将预处理后的数据送入特征提取单元;特征提取单元后依次连接注意力特征融合模块AFF和分类器,得到多模态特征融合模型;
(3)利用训练集数据的对步骤(2)构建的多模态特征融合模型进行训练,得到训练好的模型;
(4)将测试集中的数据输入到训练好的模型中,实现待测信号的自动调制分类。
2.根据权利要求1所述的方法,其特征在于:步骤(1)中的训练集和测试集,划分方式如下:选取数据集RML2016.10A中-6dB至18dB的数据,将其按照80%训练集和20%测试集的分配比例进行划分,并随机打乱训练集数据。
3.根据权利要求1所述的方法,其特征在于:步骤(2.1)中所述时序模态特征提取网络,其中的三个卷积层使用的卷积核数分别为128、256和512,大小均为1×3,零填充和步幅均为1;Bi-LSTM层的输入特征维数和隐藏层状态维数均设置为128。
4.根据权利要求1所述的方法,其特征在于:步骤(2.2)中所述图像模态特征提取网络,具体是将含噪数据X用DWT分解为一个低频分量和三个高频分量,最终只保留含有用信息的低频分量,去除其它高频分量;实现过程如下:
二维DWT在图像模态特征提取网络中的正向传播过程:
Xll=LXLT,
Xlh=HXLT,
Xhl=LXHT,
Xhh=HXHT,
其中,L和H分别为正交小波的低通和高通滤波器的矩阵向量;X表示含噪数据,Xll表示包含X主要信息的低频分量,Xlh、Xhl、Xhh均为高频分量,分别包含X的水平、垂直和对角线的噪声细节信息;
二维DWT在图像模态特征提取网络中的反向传播过程:
其中,G表示二维DWT之后层的反向传播输出。
5.根据权利要求1所述的方法,其特征在于:步骤(2.3)中所述预处理,具体是通过设置小波基函数为db8、小波分解层数为3、阈值函数为软硬阈值折中函数、阈值为0.05对原始数据进行小波阈值去噪处理,得到去噪后的信号。
6.根据权利要求1所述的方法,其特征在于:步骤(3)中的训练,是在设置迭代次数、批样本数、初始学习率、优化器以及损失函数后,采用动态调整学习率策略完成,具体为每隔预设轮数将学习率缩小为原来的10倍。
7.根据权利要求1所述的方法,其特征在于:步骤(4)中待测信号的自动调制分类,按如下步骤实现:
(4.1)将待测的原始I/Q数据通过输入端送至模型的预处理模块;
(4.2)预处理模块接收到数据后,进行如下操作:
(4.2.1)使用小波阈值去噪技术对原始输入信号进行处理,即小波去噪;并将去噪后的数据转换为I/Q和A/P形式,再将其输入特征提取单元的时序模态特征提取网络;
(4.2.2)使用GAF编码将原始I/Q数据转换为二维图像,并将其输入特征提取单元图像模态特征提取网络;
(4.3)特征提取单元的时序模态特征提取网络与图像模态特征提取网络分别对各自收到数据进行特征提取,得到时序特征和图像特征;
(4.4)注意力特征融合模块AFF对时序特征和图像特征进行融合操作,获取融合后特征;
(4.5)分类器对融合后特征进行展平操作,然后通过全连接层和Softmax函数,得到最终分类结果。
8.根据权利要求7所述的方法,其特征在于:步骤(4.2.1)中将去噪后的数据转换为I/Q和A/P形式,实现如下:
根据下式将去噪后的信号进行同相分量和正交分量I/Q的转换,获取第m组数据的I/Q分量xm I/Q:
其中,xm I为信号中第m组数据的同相分量,xm Q为信号中第m组数据的正交分量,(·)T表示转置操作;(xm I)T、(xm Q)T∈RN,xm I/Q∈R2×N,N为样本总数;
根据下式将去噪后的信号进行幅度分量和相位分量A/P的转换,获取第m组数据的A/P分量xm A/P:
其中,xm A为信号中第m组数据的幅度分量,xm P为信号中第m组数据的相位分量;(xm A)T、(xm P)T∈RN,xm A/P∈R2×N;
幅度分量与相位分量的转换表达式如下:
其中,rm I[n]和rm Q[n]分别为rm的第n个样本的同相分量和正交分量,rm表示信号中第m组数据向量。
9.根据权利要求7所述的方法,其特征在于:步骤(4.2.2)中使用GAF编码将原始I/Q数据转换为二维图像,具体是对原始数据集的I路数据和Q路数据,分别通过格拉姆角合场转换成大小为64×64的二维图像。
10.根据权利要求7所述的方法,其特征在于:步骤(4.5)中所述最终分类结果,具体为11个待分类调制信号属于每一个类别的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587426.0A CN116738278A (zh) | 2023-05-23 | 2023-05-23 | 基于小波变换和多模态特征融合的自动调制分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587426.0A CN116738278A (zh) | 2023-05-23 | 2023-05-23 | 基于小波变换和多模态特征融合的自动调制分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116738278A true CN116738278A (zh) | 2023-09-12 |
Family
ID=87900302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310587426.0A Pending CN116738278A (zh) | 2023-05-23 | 2023-05-23 | 基于小波变换和多模态特征融合的自动调制分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738278A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476208A (zh) * | 2023-11-06 | 2024-01-30 | 无锡市惠山区人民医院 | 一种基于时间序列的医学影像的认知功能障碍智能辅助识别系统 |
-
2023
- 2023-05-23 CN CN202310587426.0A patent/CN116738278A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476208A (zh) * | 2023-11-06 | 2024-01-30 | 无锡市惠山区人民医院 | 一种基于时间序列的医学影像的认知功能障碍智能辅助识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及系统 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
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 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
Zhang et al. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
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 | |
Zhou et al. | Distributed automatic modulation classification based on cyclic feature via compressive sensing | |
CN114492522A (zh) | 基于改进堆叠沙漏神经网络的自动调制分类方法 | |
Wang et al. | Residual learning based RF signal denoising | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
Ivanov et al. | Hybrid noise-resilient deep learning architecture for modulation classification in cognitive radio networks | |
Wu et al. | Automatic digital modulation recognition using wavelet transform and neural networks | |
Zheng et al. | Deep learning for cooperative radio signal classification | |
CN114662523A (zh) | 一种融合认知强化压缩感知与人工神经网络的扩频信号检测方法 | |
CN112101460A (zh) | 基于深度学习分类的频谱感知方法及装置 | |
CN114301499B (zh) | 一种基于cnn-gru的跳频信号智能接收方法 |
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 |