CN117527495A - 一种无线通信信号的调制方式识别方法及装置 - Google Patents
一种无线通信信号的调制方式识别方法及装置 Download PDFInfo
- Publication number
- CN117527495A CN117527495A CN202311451201.9A CN202311451201A CN117527495A CN 117527495 A CN117527495 A CN 117527495A CN 202311451201 A CN202311451201 A CN 202311451201A CN 117527495 A CN117527495 A CN 117527495A
- Authority
- CN
- China
- Prior art keywords
- dimensional time
- wireless communication
- convolution
- identifying
- communication 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004891 communication Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种无线通信调制信号的调制方式识别方法及装置，该方法包括：对无线通信调制信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；对所得到的二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图；基于提取得到的特征图识别调制方式并输出。本发明提出了利用短时傅里叶变换将一维时序数据变换为二维时频图，更有利于后续特征提取和识别；同时将卷积神经网络与卷积注意力模块相结合，突出二维时频图中需重点关注的信息，抑制冗余信息，有效帮助模型提高识别能力及效率，在算法训练期间应用循环周期学习率策略，提高算法训练稳定性。
Description
技术领域
本发明涉及一种无线通信信号的调制方式识别方法及装置，属于信息通信技术领域。
背景技术
无线通信调制信号的识别主要是针对无线通信信号的调制方法进行识别。目前，调制信号的识别技术主要还是采用传统的模式识别方法对调制信号进行识别。利用模式识别方法对调制信号进行识别主要包括两个关键点：一是特征的选择与提取；二是模式识别分类器的设计。然而传统的模式识别方法对于调制信号特征的选择和提取提出了非常高的要求，并且识别效果非常依赖于特征的选择和提取，所选择的特征必须能对同类信号保持很好的一致性，对不同信号表现出巨大的差异性才能很好地用于分类识别，在实际应用中通常很难找到对于所有调制方法都能很好分类的特征。
现有也有采用深度学习实现调制方式的识别，以神经网络作为分类器，神经网络可以自适应地学习输入的样本数据和样本标签的内在规律和联系，不断调整权重的值，实现调制方式的识别。但是普遍存在低信噪比条件下识别率不高的问题。造成该问题主要有以下两个原因：首先，频率随时间的变化是不同调制类型的无线电信号之间最重要的区别，部分技术仅使用一维数据作为模型输入，不利于模型提取不同调制方式间的差异特征。其次，学习率、迭代次数等超参数对模型识别结果有较大影响，但超参数的设置还依赖于经验值，无法根据不同模型选取更合适的参数值。
发明内容
本发明的目的在于提供一种无线通信信号的调制方式识别方法及装置，基于卷积神经网络设计一种轻量化的混合特征提取骨干网络，并在骨干网络中附加通道注意力模块，在几乎不增加模型参数和体积的情况下使模型识别性能更好。
为达到上述目的，本发明采用的技术方案如下：
本发明提供一种无线通信信号的调制方式识别方法，包括：
对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
对所述二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图；
基于提取得到的特征图识别调制方式并输出。
进一步的，所述对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图，包括：
利用短时傅里叶变换将所述一维时序数据流从时域变换到时频域，生成二维时频图。
进一步的，对所述二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图，包括：
将所述二维时频图依次进行一次卷积处理、一次卷积注意力模块特征提取、两次卷积处理和一次卷积注意力模块特征提取后，得到特征图。
进一步的，所述卷积注意力模块特征提取中，
先进行通道注意力特征提取后进行空间注意力特征提取，再进行拼接。
进一步的，所述基于提取得到的特征图识别调制方式并输出，包括：
采用全连接层将提取得到的特征图进行整合和降维为一维向量，通过Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
本发明还提供一种无线通信信号的调制方式识别装置，用于实现前述的无线通信信号的调制方式识别方法，所述装置包括：
预处理模块，用于对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
特征提取模块，用于对所述二维时频图基于卷积神经网络和卷积注意力模块进行特征提取，得到特征图；
输出模块，用于基于得到的特征图识别调制方式并输出。
进一步的，所述特征提取模块包括卷积神经网络和卷积注意力模块，具体包括：
输入层，三个卷积层和两个卷积注意力模块，
一个所述卷积注意力模块配置于第一个卷积层和第二个卷积层之间，另一个卷积注意力模块配置于第三个卷积层后；
所述输入层用于输入所述预处理模块得到的二维时频图；
所述卷积层用于对输入进行卷积处理，得到特征图；三个卷积层的卷积核均为3*3，步长均为2，填充均为1；
所述卷积注意力模块用于对输入的特征图从空间和通道两个维度进行特征提取，并拼接。
进一步的，采用反向传播算法对所述卷积神经网络预先进行训练，
训练过程中，学习率下界设置为5×10-3，上界设置为10-2；学习率采用三角减半循环方式。
进一步的，所述输出层采用全连接层，
所述全连接层用于将最终得到的特征图进行整合和降维为一维向量，通过Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
本发明的有益效果为：
(1)本发明提出了利用短时傅里叶变换将一维时序数据变换为二维时频图，由于频率随时间的变化是不同调制类型的无线电信号之间最重要的区别，因此更有利于后续特征提取和识别。同时将卷积神经网络与卷积注意力模块相结合，突出二维时频图中需重点关注的信息，抑制冗余信息，有效帮助模型提高识别能力及效率。
(2)本发明在特征提取中，使用循环周期学习率策略对算法超参数进行设置，先利用学习率范围试验确定适用学习率范围，然后使用循环周期学习率策略，使学习率在合适范围内循环，有效提高算法稳定性。在-20dB条件下，该算法识别率可达59％，相较于CNN、ResNet18等经典算法，识别率分别提升了6％和3％，且模型参数量小，计算复杂度低，稳定性好。
(3)本发明可解决现有调制识别算法在低信噪比条件下识别率不高的问题。
附图说明
图1为本发明提供的一种无线通信信号的调制方式识别方法原理框图；
图2为本发明中卷积注意力模块结构图；
图3为本发明中卷积神经网络和卷积注意力模块相结合的特征提取过程图；
图4为混合信噪比条件下采用本发明的卷积注意力模块组合方式和不使用卷积注意力模块的识别率对比；
图5为本发明中TFCC算法学习率范围实验中学习率与损失值关系图；
图6为本发明中不同循环周期学习率策略识别率对比；
图7为本发明中四种算法识别率对比图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提供一种无线通信信号的调制方式识别方法，采用基于时频信息的卷积神经网络(convolutional neural network，CNN)和卷积注意力模块(convolutional blockattention module，CBAM)相结合的算法对无线通信调制信号的调制方式进行识别，以下将该算法简称为TFCC(time-frequency information-based CNN-CBAM)算法。
本发明提供的一种无线通信信号的调制方式识别方法，参见图1，包括：
对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
对所得到的二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图；
基于提取得到的特征图识别调制方式并输出。
本发明中，对一维时序数据流进行预处理得到二维时频图，具体实现过程如下：
利用短时傅里叶变换将一维时序数据流从时域变换到时频域，生成二维时频图。
短时傅里叶变换(Short-time Fourier Transform,STFT)是经典的时频域分析方法。该方法将长时域信号分割成多段等长的短时域信号，并对每段信号进行离散傅里叶变换(Discrete Fourier Transform，DFT)，所得结果清楚地描述了信号频率随时间变化的关系。
短时傅里叶变换的公式为：
其中1≤m≤M，1≤n≤N，表示窗函数长度为τ，滑动步长为s的短时傅里叶变换，x(t)表示原始采样一维时域数据，T表示数据长度。M表示分割后信号段的个数，N表示频率分量的个数，W(t)表示窗函数。
相较于一维时序数据，将生成的二维时频图作为输入可以更好提取到有用特征，提高算法识别率。
本发明中，对所得到的二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图；具体实现过程如下：
卷积神经网络擅长提取空间数据的特征，而注意力机制会选择性地专注于重点信息，降低对非重点信息的关注度。以上两种特性有助于提高算法训练的效率和准确性。
卷积神经网络通常由一个或多个卷积层、池化层及全连接层组成。每个卷积层包含一个或多个权值共享的卷积核，每个卷积核都可以提取到不同的特征，再通过池化操作来减小特征图的尺寸和参数数量，降低网络的计算复杂度并保留重要特征。在训练过程中，卷积神经网络可以通过反向传播算法来更新网络参数，提高网络训练的准确性。
低信噪比条件下，由于信号淹没在噪声中不易分辨，普通算法难以提取到调制信号的有效特征。为解决这一问题，本发明使用卷积注意力模块，帮助算法提取到有效特征，提高了低信噪比条件下的识别率。
如图2所示，卷积注意力模块结合了通道注意力机制和空间注意力机制，更适合处理二维数据。通道注意力机制的重点在于输入图像的“什么”是有意义的，利用特征的通道间的关系生成一个通道注意力特征图；空间注意力机制的重点在于输入图像的“哪里”是信息部分，利用特征的空间关系生成空间注意力特征图。经研究对比，按照先通道注意力机制后空间注意力机制的顺序进行拼接，可使模型的性能更优。
CBAM是一个即插即用的模块，不同组合方式可以取得不同的效果，为选择最优使用方式，本方案分别对比了信噪比为-12dB、-16dB、-20dB以及-20～18dB(间隔2dB)混合信噪比等四种情况下不同组合方式的识别率大小。通过对比，选择在第二卷积层前和第三卷积层后联合使用。
混合信噪比条件下使用最优方式与不使用最优方式的识别率对比如图4所示。
参见图3，本发明中，特征提取过程具体为，将二维时频图依次进行一次卷积处理、一次卷积注意力模块特征提取、两次卷积处理和一次卷积注意力模块特征提取后，得到特征图。
需要说明的是，CNN-CBAM特征提取层在训练阶段利用损失函数计算得出预测值与真实值之间的差距后，通过反向传播算法，更新各层参数，经多次迭代训练后，得出能够对不同调制方式进行分类的最优参数；在测试阶段，应用最优参数计算得出某时频图分属不同调制方式的概率，并将最大概率对应的调制方式作为该时频图的调制方式进行输出。
需要说明的是，训练过程中，应用循环周期学习率策略，提高算法训练稳定性。
本发明中，基于提取得到的特征图识别调制方式并输出，具体操作过程为：
采用全连接层将高维特征降维为一维向量，该向量包含前几层提取到的所有特征信息，经过整合后输出长度与分类类别数目相同的一维向量，通过Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
基于上述发明构思，本发明还提供一种无线通信信号的调制方式识别装置，参见图1，包括：
预处理模块，用于对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
特征提取模块，用于对所得到的二维时频图基于卷积神经网络和卷积注意力模块进行特征提取，得到特征图；
输出模块，用于基于特征图识别调制方式并输出。
本发明中，预处理模块具体用于，
利用短时傅里叶变换将输入的原始采样数据流一维数据从时域变换到时频域，生成二维时频图。生成的二维时频图描述了信号频率随时间变化的关系，更好的体现了不同调制方式间的差异。
本发明中，特征提取模块包括卷积神经网络和卷积注意力模块；
参见图3，本发明中特征提取及输出模块，包括：输入层，三个卷积层和两个卷积注意力模块，其中，一个卷积注意力模块配置于第一个卷积层和第二个卷积层之间，另一个卷积注意力模块配置于第三个卷积层后、全连接层之前。
本发明中，输入层用于输入预处理模块得到的二维时频图；
卷积层，用于对输入进行卷积处理，得到特征图，三个卷积层参数如表1所示，
卷积注意力模块，用于对输入的特征图从空间和通道两个维度进行特征提取，在原有特征图的基础上提取到需重点关注的特征，即得到为突出重点特征所需的权值参数矩阵。
本发明中，输出模块采用全连接层，对接收到的高维特征进行整合和降维，经过Softmax函数输出最终的分类结果。
应该知道，全连接层可以将高维特征降维为一维向量，该向量包含前几层提取到的所有特征信息，经过整合后输出长度与分类类别数目相同的一维向量，Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
表1卷积层参数
需要说明的是，卷积注意力模块中，先进行通道注意力特征提取再进行空间注意力特征提取，再进行拼接。
需要说明的是，特征提取模块需预先进行训练，训练过程可以分为三个阶段：数据收集和处理阶段、训练阶段和测试阶段。
数据收集和处理阶段主要是对信号进行收集。在实验中主要是通过MatLab仿真软件仿真得出，得到的信号数据为一维时序数据，后对一维数据进行短时傅里叶变换处理，得到二维时频数据。将得到的二维数据按照7：1：2的比例划分为训练集、验证集和测试集，划分好数据集后即可进入训练阶段。
在训练阶段，利用损失函数计算输入数据的预测值同真实值之间的差值，并通过反向传播算法更新各层参数，经多次迭代训练后，得出能够对不同调制方式进行分类的最优参数。
在测试阶段，应用最优参数计算得出某时频图分属不同调制方式的概率，并将最大概率对应的调制方式作为该时频图的调制方式进行输出。
学习率是神经网络训练中重要的超参数之一，可以确定每次迭代中的步长以使损失函数尽快收敛到最小值。循环周期学习率(cyclic learning rate，CLR)策略是一种可以使学习率在合理的边界值内循环的方法，具体可以分为两个步骤进行：1.确定学习率循环范围；2.确定该范围内学习率循环方式。
学习率循环范围主要是靠学习率范围试验(Learning Rate Range Test)来确定。首先，将初始学习率设置为一个较小的值，使用该学习率对模型进行训练并记录损失值；而后逐渐增加学习率并进行训练与记录，直到达到一个较大的学习率；最后，依据记录值画出学习率与损失值之间的关系图，并将损失值下降最快区域的上下界作为循环周期学习率的上下界。TFCC算法的学习率与损失值关系如图5所示，从图可以看出，当学习率小于10-3时，算法损失值保持在1.95左右；当学习率增大到5×10-3时，损失值开始下降并在10-2左右降到最低点；当学习率大于10-2时，损失值增大。根据上述分析，本发明将学习率下界设置为5×10-3，上界设置为10-2。
学习率循环的方式主要有三种，分别为三角循环(triangular)、三角减半循环(triangular2)和三角指数循环(exp_range)。TFCC算法在无循环周期学习率策略和使用三种不同循环方式的循环周期学习率策略的性能对比如图6所示，最终本发明选择使用令算法性能更加稳定的三角减半循环周期学习率策略。
本发明的特征提取及输出模块中，利用注意力机制突出需重点关注的信息，抑制图像中的冗余信息，帮助模型更高效地提取数据特征，同时循环周期学习率策略，使模型学习率始终保持在合适范围内，解决了学习率仅能依靠经验设置的问题，同时有效减小识别率波动，提高算法稳定性。
为了验证TFCC算法性能，采用测试集数据分别对TFCC、CNN、ResNet18和AlexNet四种算法进行测试，识别率对比结果如图7所示。在信噪比为-20～0dB条件下，各算法识别率均随着信噪比的提高而提高。当信噪比大于-4dB时，各算法的识别率均达到100％。在不同信噪比条件下，TFCC算法识别率同AlexNet接近，高于CNN，略低于ResNet18。在信噪比为-20dB时，TFCC算法识别率较ResNet18提高约3％，较CNN提高约6％。同时，表2给出了四种算法的参数量和计算复杂度对比。综上分析，TFCC算法不仅保证了低信噪比条件下的识别准确率和稳定性，而且由于网络结构简单，识别所需的参数量和计算复杂度大大减少，识别速度更快，证明本算法在低信噪比信号识别中更具有优势。
表2
本发明提出了利用短时傅里叶变换将一维时序数据变换为二维时频图，同时将卷积神经网络与卷积注意力模块相结合，突出二维时频图中需重点关注的信息，抑制冗余信息，有效帮助模型提高识别能力及效率。使用循环周期学习率策略对算法超参数进行设置，先利用学习率范围试验确定适用学习率范围，然后使用循环周期学习率策略，使学习率在合适范围内循环，有效提高算法稳定性。在-20dB条件下，该算法识别率可达59％，相较于CNN、ResNet18等经典算法，识别率分别提升了6％和3％，且模型参数量小，计算复杂度低，稳定性好。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种无线通信信号的调制方式识别方法，其特征在于，包括：
对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
对所述二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图；
基于提取得到的特征图识别调制方式并输出。
2.根据权利要求1所述的一种无线通信信号的调制方式识别方法，其特征在于，所述对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图，包括：
利用短时傅里叶变换将所述一维时序数据流从时域变换到时频域，生成二维时频图。
3.根据权利要求1所述的一种无线通信信号的调制方式识别方法，其特征在于，对所述二维时频图采用卷积神经网络和卷积注意力模块相结合的算法进行特征提取，得到特征图，包括：
将所述二维时频图依次进行一次卷积处理、一次卷积注意力模块特征提取、两次卷积处理和一次卷积注意力模块特征提取后，得到特征图。
4.根据权利要求3所述的一种无线通信信号的调制方式识别方法，其特征在于，所述卷积注意力模块特征提取中，
先进行通道注意力特征提取后进行空间注意力特征提取，再进行拼接。
5.根据权利要求3所述的一种无线通信信号的调制方式识别方法，其特征在于，所述基于提取得到的特征图识别调制方式并输出，包括：
采用全连接层将提取得到的特征图进行整合和降维为一维向量，通过Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
6.一种无线通信信号的调制方式识别装置，其特征在于，用于实现权利要求1至5任意一项所述的无线通信信号的调制方式识别方法，所述装置包括：
预处理模块，用于对无线通信信号进行采样得到一维时序数据流，并进行预处理，得到二维时频图；
特征提取模块，用于对所述二维时频图基于卷积神经网络和卷积注意力模块进行特征提取，得到特征图；
输出模块，用于基于得到的特征图识别调制方式并输出。
7.根据权利要求6所述的一种无线通信信号的调制方式识别装置，其特征在于，所述特征提取模块包括卷积神经网络和卷积注意力模块，具体包括：
输入层，三个卷积层和两个卷积注意力模块，
一个所述卷积注意力模块配置于第一个卷积层和第二个卷积层之间，另一个卷积注意力模块配置于第三个卷积层后；
所述输入层用于输入所述预处理模块得到的二维时频图；
所述卷积层用于对输入进行卷积处理，得到特征图；三个卷积层的卷积核均为3*3，步长均为2，填充均为1；
所述卷积注意力模块用于对输入的特征图从空间和通道两个维度进行特征提取，并拼接。
8.根据权利要求7所述的一种无线通信信号的调制方式识别装置，其特征在于，采用反向传播算法对所述卷积神经网络预先进行训练，
训练过程中，学习率下界设置为5×10-3，上界设置为10-2；学习率采用三角减半循环方式。
9.根据权利要求6所述的一种无线通信信号的调制方式识别装置，其特征在于，所述输出层采用全连接层，
所述全连接层用于将最终得到的特征图进行整合和降维为一维向量，通过Softmax函数将一维向量转换为概率值，并将概率最大对应的调制方式作为输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451201.9A CN117527495A (zh) | 2023-11-02 | 2023-11-02 | 一种无线通信信号的调制方式识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451201.9A CN117527495A (zh) | 2023-11-02 | 2023-11-02 | 一种无线通信信号的调制方式识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117527495A true CN117527495A (zh) | 2024-02-06 |
Family
ID=89746835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451201.9A Pending CN117527495A (zh) | 2023-11-02 | 2023-11-02 | 一种无线通信信号的调制方式识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117527495A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
-
2023
- 2023-11-02 CN CN202311451201.9A patent/CN117527495A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117857270A (zh) * | 2024-03-07 | 2024-04-09 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
| CN117857270B (zh) * | 2024-03-07 | 2024-05-14 | 四川广播电视监测中心 | 一种无线电通信信号调制识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738301B (zh) | 一种基于双通道学习的长尾分布图像数据识别方法 | |
| CN108172213B (zh) | 娇喘音频识别方法、装置、设备及计算机可读介质 | |
| Li et al. | Data-driven neuron allocation for scale aggregation networks | |
| CN117527495A (zh) | 一种无线通信信号的调制方式识别方法及装置 | |
| CN106033426A (zh) | 一种基于潜在语义最小哈希的图像检索方法 | |
| CN113222998B (zh) | 基于自监督低秩网络的半监督图像语义分割方法及装置 | |
| CN110046568B (zh) | 一种基于时间感知结构的视频动作识别方法 | |
| CN111860834A (zh) | 一种神经网络调优方法、系统、终端以及存储介质 | |
| CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
| CN113299298B (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
| CN113869398B (zh) | 一种不平衡文本分类方法、装置、设备及存储介质 | |
| CN117744745B (zh) | 一种基于YOLOv5网络模型的图像优化方法及优化系统 | |
| CN114898171A (zh) | 一种适用于嵌入式平台的实时目标检测方法 | |
| CN114298224A (zh) | 图像分类方法、装置以及计算机可读存储介质 | |
| CN112487933B (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
| Sun et al. | Deep learning based pedestrian detection | |
| CN117421657A (zh) | 一种基于过采样策略的带噪标签样本筛选学习方法及系统 | |
| CN112735438A (zh) | 一种在线声纹特征更新方法及设备、存储设备和建模设备 | |
| CN107170442A (zh) | 基于自适应遗传算法的多参数优化方法 | |
| CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
| CN115731226A (zh) | 一种皮肤镜图像中病灶的分割方法 | |
| CN111552963B (zh) | 一种基于结构熵序列的恶意软件分类方法 | |
| CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
| Chu et al. | Similarity based filter pruning for efficient super-resolution models | |
| CN114550697B (zh) | 一种联合混合采样和随机森林的语音样本均衡方法 |
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 |