CN117857270B - 一种无线电通信信号调制识别方法 - Google Patents
一种无线电通信信号调制识别方法 Download PDFInfo
- Publication number
- CN117857270B CN117857270B CN202410260127.0A CN202410260127A CN117857270B CN 117857270 B CN117857270 B CN 117857270B CN 202410260127 A CN202410260127 A CN 202410260127A CN 117857270 B CN117857270 B CN 117857270B
- Authority
- CN
- China
- Prior art keywords
- channel
- radio communication
- time
- module
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 230000002776 aggregation Effects 0.000 claims abstract description 32
- 238000004220 aggregation Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 24
- 230000000903 blocking effect Effects 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Landscapes
- Editing Of Facsimile Originals (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明涉及信号调制技术领域，公开了一种无线电通信信号调制识别方法，包括获取无线电通信信号；将无线电通信信号的实部数据和虚部数据分别转换为实部短时傅里叶时频图和虚部短时傅里叶时频图；构建双通道Vision Transformer神经网络模型；所述双通道Vision Transformer神经网络模型用于将各个通道对输入短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合，根据双通道聚合特征图输出信号类别；利用双通道Vision Transformer神经网络模型进行无线电通信信号调制识别。本发明能够实现准确的调制识别，提取特征更优、分类效果更好，同时减少了人工设计特征参数的工作量和不确定性。
Description
技术领域
本发明涉及信号调制技术领域，具体涉及一种无线电通信信号调制识别方法。
背景技术
在实际工程应用中，通常会对无线电通信信号进行调制,其目的主要是在信号复杂的环境下确定接收信号的调制方式和其他信号参数,从而确保无线电通信信号的准确性和真实性,以便于技术人员对信号进行更深一步的分析和处理。无线电通信信号的调制识别方式广泛应用于信号确认、无线电监听及卫星通信等领域,而随着无线通信技术的飞速发展和广泛应用,其信道环境也变得越来越复杂,通信信号的调制方式也变得越来越复杂化和多样化，如何自动、精确识别其调制方式已成为本领域重点研究的课题。本发明将针对无线通信信号的调制识别方法进行深入的研究。
无线电通信信号的调制识别是指在没有充足的先验知识的情况下，通过对接收信号的分析和处理，最终判断出接收信号的调制方式。当前无线电通信信号的调制识别主要分为两个方向一个是以信号的预处理、特征提取以及分类器设计三大部分构成的机器学习方向，另一个是以深度神经网络进行自适应特征提取与分类的深度学习方向。机器学习方向中依赖于手工特征提取，包括瞬时幅度、频率、相位与频谱特性等，技术人员需要根据不同调制方式的特征进行选择，这样才能提高调制识别的正确率，举个列子，针对不同信噪比的信号，降噪方法需要尝试不同的降噪阈值，这就会增加时间成本，从而导致效果受限。而深度学习方向旨在以最少的人工干预代价实现更高的识别精度，具体包括卷积神经网络、长短时记忆网络、生成对抗网络以及目前性能最强的Transformer及其变体，在取得一定成果的同时也面临一些问题，比如同时由于无线电信号是一个时序数据，通常是不定长的，而大多数深度模型需要定长输入，同时深度学习需要大量数据训练，而进行数据标注也需要耗费大量的人力、财力、时间。
发明内容
针对现有技术中的上述不足，本发明提供了一种无线电通信信号调制识别方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种无线电通信信号调制识别方法，包括以下步骤：
S1、获取无线电通信信号；
S2、将无线电通信信号的实部数据和虚部数据分别转换为实部短时傅里叶时频图和虚部短时傅里叶时频图；
S3、构建双通道Vision Transformer神经网络模型；所述双通道VisionTransformer神经网络模型用于将各个通道对输入短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合，根据双通道聚合特征图输出信号类别；
S4、利用双通道Vision Transformer神经网络模型进行无线电通信信号调制识别。
进一步地，步骤S1还包括以下步骤：
对获取的无线电通信信号进行重叠采样。
进一步地，所述对获取的无线电通信信号进行重叠采样具体包括：
S11、对获取的无线电通信信号进行信号类型标注；
S12、初始化无线电通信信号的起始时刻样本点为样本数据的起始样本点；
S13、根据信号样本点数量随机选定信号采样长度，并设定重叠采样长度；
S14、根据样本数据的起始样本点，按照信号采样长度划分一个样本数据；
S15、以当前样本数据的末尾样本点往前重叠采样长度的样本点作为下一个样本数据的起始样本点，返回步骤S13。
进一步地，步骤S2具体包括以下步骤：
S21、将无线电通信信号在时刻t的实部数据和虚部数据分别乘上一个以时刻t为中心的窗函数，对窗口内的信号进行傅里叶变换，得到对应的频谱信息；
S22、按照时间顺序对无线电通信信号进行逐段分析，得到无线电通信信号的多组局部频谱信息；
S22、根据无线电通信信号的实部数据和虚部数据得到的对应多组局部频谱信息，生成实部短时傅里叶时频图和虚部短时傅里叶时频图。
进一步地，步骤S3中构建双通道Vision Transformer神经网络模型的方法具体包括以下步骤：
构建并行的第一特征提取通道和第二特征提取通道，与第一特征提取通道和第二特征提取通道输出连接的特征聚合模块，以及与特征聚合模块连接的多层感知机模块。
进一步地，构建第一特征提取通道的方法具体包括以下步骤：
构建依次连接的第一图像分块模块、第一位置嵌入模块和第一Transformer编码器模块；
利用第一图像分块模块将输入的实部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第一位置嵌入模块在第一图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第一Transformer编码器模块采用多个缩放点积自注意力结构对第一位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接。
进一步地，构建第二特征提取通道的方法具体包括以下步骤：
构建依次连接的第二图像分块模块、第二位置嵌入模块和第二Transformer编码器模块；
利用第二图像分块模块将输入的虚部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第二位置嵌入模块在第二图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第二Transformer编码器模块采用多个缩放点积自注意力结构对第二位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接。
进一步地，所述特征聚合模块将第一特征提取通道对输入实部短时傅里叶时频图提取的自注意力编码特征图以及第二特征提取通道对输入虚部短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合。
进一步地，所述多层感知机模块将特征聚合模块进行双通道特征聚合后得到的图像块的实部和虚部聚合特征映射到类别空间，得到无线电通信信号的类别预测结果。
本发明具有以下有益效果：
本发明基于短时傅里叶时频图与Vision Transformer深度学习对无线电调制信号进行识别，并对Vision Transformer进行了改进，形成了双通道Vision Transformer，在处理数据集时，通过重叠采样来较少数据标注的费用与时间消耗；其次，将数据的实部与虚部分别转换为短时傅里叶时频图，来解决不定长数据输入的问题；最后将实部与虚部转换好的时频图作为双通道Vision Transformer的输入数据，实现准确的调制识别，本发明提取特征更优、分类效果更好，同时减少了人工设计特征参数的工作量和不确定性。
附图说明
图1为一种无线电通信信号调制识别方法流程示意图；
图2为调制信号实部示意图；
图3为调制信号虚部示意图；
图4为重叠采样示意图；
图5为调制信号实部STFT时频图；
图6为调制信号虚部STFT时频图；
图7为双通道Vision Transformer模型结构图；
图8为网络训练损失曲线示意图；
图9为网络训练正确率曲线示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供了一种无线电通信信号调制识别方法，包括以下步骤：
S1、获取无线电通信信号；
在本发明的一个可选实施例中，本实施例基于MATLAB生成少量带标签的仿真数据来模拟数据采集，生成八种数字调制类型和三种模拟调制类型，主要包括：二相相移键控(BPSK)、四相相移键控(QPSK)、八相相移键控(8PSK)、十六相正交幅值调制(16QAM)、六十四相正交幅值调制(64QAM)、四相脉冲幅值调制(PAM4)、高斯频移键控(GFSK)、连续相位频移键控(CPFSK)、广播FM(B-FM)、双边带幅值调制(DSB-AM)、单边带幅值调制(SSB-AM)。仿真时设置采样频率200KHz，数字和模拟调制类型的中心频率分别为902MHz和100MHz，生成的调制信号含实部与虚部，随机截取每种数据中1024个采样点进行数据展示，结果如图2、3所示，其中横轴为时间(Time)，纵轴为振幅(Amplitude)。
本实施例的步骤S1还包括以下步骤：
对获取的无线电通信信号进行重叠采样，具体包括：
S11、对获取的无线电通信信号进行信号类型标注；
S12、初始化无线电通信信号的起始时刻样本点为样本数据的起始样本点；
S13、根据信号样本点数量随机选定信号采样长度，并设定重叠采样长度；
S14、根据样本数据的起始样本点按照信号采样长度划分一个样本数据；
S15、以当前样本数据的末尾样本点往前重叠采样长度的样本点作为下一个样本数据的起始样本点，返回步骤S13。
具体而言，进行数据标注通常是费时费力的，需要该领域内的专业人士依靠专业知识技能对每条数据样本进行准确标注，标注其调制类型。而深度模型需要成千上万个样本的进行模型训练，所以单纯的依赖数据标注不太现实，因此本发明采用重叠采样来增加训练样本数据。一条采样点为10000个的调制数据，经人工分析之后，确定其为BPSK类型调制，正常情况下可以以1024个采样点为一个样本顺序截取样本，即一共能划分得到9个样本。采用重叠采样，每两个样本之间具有N个采样点的重叠区，如图4所示，就能极大程度上丰富样本数据量。
将利用上述方法将每种调制类型的数据按照采样长度为L，重叠采样N为200的方式进行数据划分，每次划分时L从1024-2048随机选择一个数，来模型不定长数据， 最后将划分的数据按照7：3划分训练集与测试集。
S2、将无线电通信信号的实部数据和虚部数据分别转换为实部短时傅里叶时频图和虚部短时傅里叶时频图；
步骤S2具体包括以下步骤：
S21、将无线电通信信号在时刻t的实部数据和虚部数据分别乘上一个以时刻t为中心的窗函数，对窗口内的信号进行傅里叶变换，得到对应的频谱信息；
S22、按照时间顺序对无线电通信信号进行逐段分析，得到无线电通信信号的多组局部频谱信息；
S22、根据无线电通信信号的实部数据和虚部数据得到的对应多组局部频谱信息，生成实部短时傅里叶时频图和虚部短时傅里叶时频图。
具体而言，由于数据是不定长的，直接作为深度学习模型输入会出问题，因此首先利用短时傅里叶变换分别对调制信号的实部与虚部做时频图处理，STFT的实质是在信号做傅里叶变换之前乘一个时间有限的窗函数，并假定非平稳信号在分析窗的短时间内是平稳的，通过窗函数/>在时间轴上的移动，对信号进行逐段分析得到信号的一组局部“频谱”。各种调制信号分别取一个样本，处理得到的短时傅里叶时频图如图5、6所示。
S3、构建双通道Vision Transformer神经网络模型；所述双通道VisionTransformer神经网络模型用于将各个通道对输入短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合，根据双通道聚合特征图输出信号类别；
步骤S3中构建双通道Vision Transformer神经网络模型的方法具体包括以下步骤：
构建并行的第一特征提取通道和第二特征提取通道，与第一特征提取通道和第二特征提取通道输出连接的特征聚合模块，以及与特征聚合模块连接的多层感知机模块。
进一步地，构建第一特征提取通道的方法具体包括以下步骤：
构建依次连接的第一图像分块模块、第一位置嵌入模块和第一Transformer编码器模块；
利用第一图像分块模块将输入的实部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第一位置嵌入模块在第一图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第一Transformer编码器模块采用多个缩放点积自注意力结构对第一位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接。
进一步地，构建第一特征提取通道的方法具体包括以下步骤：
构建依次连接的第二图像分块模块、第二位置嵌入模块和第二Transformer编码器模块；
利用第二图像分块模块将输入的虚部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第二位置嵌入模块在第二图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第二Transformer编码器模块采用多个缩放点积自注意力结构对第二位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接。
进一步地，所述特征聚合模块将第一特征提取通道对输入实部短时傅里叶时频图提取的自注意力编码特征图以及第二特征提取通道对输入虚部短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合。
进一步地，所述多层感知机模块将特征聚合模块进行双通道特征聚合后得到的图像块的实部和虚部聚合特征映射到类别空间，得到无线电通信信号的类别预测结果。
具体而言，Vision Transformer是一种使用自注意力机制来处理图像的神经网络模型，它的优势在于：更强的表达能力：Vision Transformer通过多头自注意力机制实现了全局信息的交互和整合，可以更好地捕捉图像中的长距离依赖关系，因此可以获得更强的表达能力。更好的泛化能力：由于Vision Transformer不依赖于卷积操作，因此它可以在不同的数据集和任务上具有更好的泛化能力。
但由于当前Vision Transformer只能接受一个输入，而每个调制信号对应两个STFT时频图，因此需要构建适用于无线电信号调制识别的双通道Vision Transformer模型，结构图如图7所示。其主要原理是双通道Vision Transformer分别输入调制信号实部与虚部的时频图利用transformer编码器进行特征提取，并在将两个transformer编码器输出的结果相加，实现两个通道的特征融合，最后再将融合后的结果输入进多层感知机进行分类。
所述双通道Vision Transformer包括图像分块模块、位置嵌入模块，编码器，特征聚合以及多层感知机。
1.图像分块模块。对于标准的Transformer模块，要求输入的是token（向量）序列，即二维矩阵[num_token, token_dim]，而我们的输入时频图是3通道的RGB图，因此首先进行图像分块，具体操作时首先将RGB的Resize成[224, 224, 3]的矩阵，然后划分成14*14个[16, 16, 3]的小矩阵，再将这个小矩阵拉伸成向量，则能得到一个[196, 768]的二维矩阵。
2.位置嵌入模块。在分块操作后，由于图像被拉伸，丧失了时频图的时间与频率信息，不同类型的调制电信号的时间与频率原本不同，而拉伸后可能出现相同的情况，从而导致分类识别的准确率下降，为了保留图像块之间的空间位置信息，加入位置嵌入模块，公式如下：
式中，PE(pos,2i)为图像块2i的特征向量，PE(pos,2i+1)为图像块2i+1的特征向量，d model为输入特征维度，pos为位置向量，i为图像块序号。
编码器主要由交替的多头自注意力层构成，而多头自注意力由多个缩放点积自注意力机制构成，公式如下：
式中，Attention(Q,K,V)为注意力特征，Q,K,V均由输入变量的线性转换，d k为特征维度，T为转置操作。
多层自注意力就是对输入特征求多个Attention，然后进行拼接操作，增加网络复杂度，从而提升网络的特征提取能力。
由于本发明是两个输入，每个通道包括图像分块、位置嵌入、编码器，两个输入分别经过自己的通道之后得到各自的特征，然后将两个通道相加，最后再送入多层感知机构成的分类器中，这个操作成为特征聚合模块。
多层感知机模块。这个模块采用全连接网络，输入是双通道聚合后的特征，输出是调制信号类别。
S4、利用双通道Vision Transformer神经网络模型进行无线电通信信号调制识别。
基于上述步骤进行实验，实验所用调制信号一共11种，每种信号采集500个样本，噪声等级为0、5、10、20、30bB，每次随机选择一种噪声等级，并将噪声加入数据中，最终一共得到5500个样本，将80％作为训练集，其余数据作为测试集。网络模型搭建使用Python3.8，深度学习框架为Pytorch1.8，使用NVIDIAGTX1080Ti的GPU进行加速训练，其余参数设置汇总如表1所示。
表1实验参数设置
| 参数类型 | 参数值 | 参数类型 | 参数值 |
| 初始学习率 | 0.001 | 训练集 | 4400个 |
| Epochs | 100代 | 测试集 | 1100个 |
| BatchSize | 32 | 实验次数 | 10次 |
| 优化器 | Adam | ||
| 每10代学习率衰减因子 | 0.9 | ||
| 损失函数 | 交叉熵 |
利用上述参数进行双通道Vision Transformer模型训练，0dB噪声等级下对应的损失曲线图与正确率曲线图如图8、9所示，其中train_loss与train_acc为训练集的损失曲线与正确率曲线，val_loss与val_acc为测试集的损失曲线与正确率曲线，Iteration为迭代次数，Crosss entropy为交叉熵，Accuracy为正确率，可以看出本发明具有很高的正确率。
将测试集输入训练好的模型，计算评价指标，对分类结果进行评估，结果如表2所示。表2为测试集的混淆矩阵，纵坐标表示实际标签，横坐标表示预测标签，以第4行为例，表示第4类16QAM一共有100个样本，其中有99个预测为16QAM，结果正确，而剩下一个预测为64QAM类。
表2 测试集混淆矩阵
本发明通过对比实验验证本发明所提出方法的有效性，现于传统机器方法，常见的CNN方法、单通道的Vison Transformer进行对比，具体设置如下：
方法1：快速傅里叶分析提取频谱，分类器采用支持向量机，惩罚参数为0.001，正则系数为1000。
方法2：短时FFT时频图，分类器采用ResNet34；
方法3：短时FFT时频图，分类器采用单通道的Vison Transformer；
方法4：本发明所提方法。
方法2-4均采用表1中参数，其中方法2与3由于都是单通道的，所以将每个信号对应的两个时频图相加为一张时频图，然后输入给分类器。数据在不同信噪比下的测试集分类正确率如表3所示。
表3 对比实验结果
从表3上看，首先，数据为不同信噪比时，方法2-4的正确率均高于方法1，所以传统方法的效果弱于深度学习方法；其次，3种方法都随着信噪比的降低，正确率逐渐降低，但始终本发明所提的方法含有最好的正确率。
本发明是参照根据本发明实施例的方法、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种无线电通信信号调制识别方法，其特征在于，包括以下步骤：
S1、获取无线电通信信号；
S2、将无线电通信信号的实部数据和虚部数据分别转换为实部短时傅里叶时频图和虚部短时傅里叶时频图；
S3、构建双通道Vision Transformer神经网络模型；所述双通道Vision Transformer神经网络模型用于将各个通道对输入短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合，根据双通道聚合特征图输出信号类别；
其中构建双通道Vision Transformer神经网络模型的方法具体包括以下步骤：
构建并行的第一特征提取通道和第二特征提取通道，与第一特征提取通道和第二特征提取通道输出连接的特征聚合模块，以及与特征聚合模块连接的多层感知机模块；
构建第一特征提取通道的方法具体包括以下步骤：
构建依次连接的第一图像分块模块、第一位置嵌入模块和第一Transformer编码器模块；
利用第一图像分块模块将输入的实部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第一位置嵌入模块在第一图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第一Transformer编码器模块采用多个缩放点积自注意力结构对第一位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接；
构建第二特征提取通道的方法具体包括以下步骤：
构建依次连接的第二图像分块模块、第二位置嵌入模块和第二Transformer编码器模块；
利用第二图像分块模块将输入的虚部短时傅里叶时频图的图像尺寸调整为包含原始尺寸信息和通道信息的矩阵数据，然后进一步将包含原始尺寸信息和通道信息的矩阵数据划分为多个包含细分尺寸信息和通道信息的矩阵数据，最后将包含细分尺寸信息和通道信息的矩阵数据拉伸为向量，得到包含尺寸信息的二维矩阵向量；
利用第二位置嵌入模块在第二图像分块模块输出的包含尺寸信息的二维矩阵向量中添加表示图像块之间位置关系的空间位置向量；
利用第二Transformer编码器模块采用多个缩放点积自注意力结构对第二位置嵌入模块输出的各个图像块的特征向量提取对应的注意力特征，并将提取的所有注意力特征进行拼接；
S4、利用双通道Vision Transformer神经网络模型进行无线电通信信号调制识别。
2.根据权利要求1所述的一种无线电通信信号调制识别方法，其特征在于，步骤S1还包括以下步骤：
对获取的无线电通信信号进行重叠采样。
3.根据权利要求2所述的一种无线电通信信号调制识别方法，其特征在于，对获取的无线电通信信号进行重叠采样具体包括：
S11、对获取的无线电通信信号进行信号类型标注；
S12、初始化无线电通信信号的起始时刻样本点为样本数据的起始样本点；
S13、根据信号样本点数量随机选定信号采样长度，并设定重叠采样长度；
S14、根据样本数据的起始样本点，按照信号采样长度划分一个样本数据；
S15、以当前样本数据的末尾样本点往前重叠采样长度的样本点作为下一个样本数据的起始样本点，返回步骤S13。
4.根据权利要求1所述的一种无线电通信信号调制识别方法，其特征在于，步骤S2具体包括以下步骤：
S21、将无线电通信信号在时刻t的实部数据和虚部数据分别乘上一个以时刻t为中心的窗函数，对窗口内的信号进行傅里叶变换，得到对应的频谱信息；
S22、按照时间顺序对无线电通信信号进行逐段分析，得到无线电通信信号的多组局部频谱信息；
S22、根据无线电通信信号的实部数据和虚部数据得到的对应多组局部频谱信息，生成实部短时傅里叶时频图和虚部短时傅里叶时频图。
5.根据权利要求1所述的一种无线电通信信号调制识别方法，其特征在于，特征聚合模块将第一特征提取通道对输入实部短时傅里叶时频图提取的自注意力编码特征图以及第二特征提取通道对输入虚部短时傅里叶时频图提取的自注意力编码特征图进行双通道特征聚合。
6.根据权利要求1所述的一种无线电通信信号调制识别方法，其特征在于，多层感知机模块将特征聚合模块进行双通道特征聚合后得到的图像块的实部和虚部聚合特征映射到类别空间，得到无线电通信信号的类别预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260127.0A CN117857270B (zh) | 2024-03-07 | 2024-03-07 | 一种无线电通信信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260127.0A CN117857270B (zh) | 2024-03-07 | 2024-03-07 | 一种无线电通信信号调制识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117857270A CN117857270A (zh) | 2024-04-09 |
| CN117857270B true CN117857270B (zh) | 2024-05-14 |
Family
ID=90548297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410260127.0A Active CN117857270B (zh) | 2024-03-07 | 2024-03-07 | 一种无线电通信信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117857270B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008035078A (ja) * | 2006-07-27 | 2008-02-14 | Toshiba Corp | 信号変調方式識別システム |
| US9729362B1 (en) * | 2013-03-20 | 2017-08-08 | Georgia Tech Research Corporation | Systems and methods for autonomous signal modulation format identification |
| CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
| CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
| CN111901267A (zh) * | 2020-07-27 | 2020-11-06 | 重庆大学 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
| CN112882009A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 |
| CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
| CN114114227A (zh) * | 2022-01-27 | 2022-03-01 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
| CN115219991A (zh) * | 2022-07-25 | 2022-10-21 | 合肥智海光电技术有限公司 | 一种基于希尔伯特变换的二相编码调制信号识别方法 |
| CN115563468A (zh) * | 2022-09-23 | 2023-01-03 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习网络融合的自动调制分类方法 |
| CN116032709A (zh) * | 2022-12-06 | 2023-04-28 | 中国电子科技集团公司第三十研究所 | 无先验知识fsk信号盲解调和调制特征解析方法及装置 |
| CN116132235A (zh) * | 2023-01-29 | 2023-05-16 | 北京林业大学 | 一种基于深度学习的连续相位调制信号解调方法 |
| CN116430317A (zh) * | 2023-02-28 | 2023-07-14 | 中国人民解放军火箭军工程大学 | 一种辐射源调制样式与个体识别方法及系统 |
| CN116566777A (zh) * | 2023-05-08 | 2023-08-08 | 哈尔滨工程大学 | 一种基于图卷积神经网络的跳频信号调制识别方法 |
| CN116797796A (zh) * | 2023-06-28 | 2023-09-22 | 北京理工大学 | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 |
| CN117527495A (zh) * | 2023-11-02 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种无线通信信号的调制方式识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110798417B (zh) * | 2019-10-24 | 2020-07-31 | 北京邮电大学 | 一种基于循环残差网络的信号调制识别方法及装置 |
-
2024
- 2024-03-07 CN CN202410260127.0A patent/CN117857270B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008035078A (ja) * | 2006-07-27 | 2008-02-14 | Toshiba Corp | 信号変調方式識別システム |
| US9729362B1 (en) * | 2013-03-20 | 2017-08-08 | Georgia Tech Research Corporation | Systems and methods for autonomous signal modulation format identification |
| CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
| CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
| CN111901267A (zh) * | 2020-07-27 | 2020-11-06 | 重庆大学 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
| CN112882009A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 |
| CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
| CN114114227A (zh) * | 2022-01-27 | 2022-03-01 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
| CN115219991A (zh) * | 2022-07-25 | 2022-10-21 | 合肥智海光电技术有限公司 | 一种基于希尔伯特变换的二相编码调制信号识别方法 |
| CN115563468A (zh) * | 2022-09-23 | 2023-01-03 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习网络融合的自动调制分类方法 |
| CN116032709A (zh) * | 2022-12-06 | 2023-04-28 | 中国电子科技集团公司第三十研究所 | 无先验知识fsk信号盲解调和调制特征解析方法及装置 |
| CN116132235A (zh) * | 2023-01-29 | 2023-05-16 | 北京林业大学 | 一种基于深度学习的连续相位调制信号解调方法 |
| CN116430317A (zh) * | 2023-02-28 | 2023-07-14 | 中国人民解放军火箭军工程大学 | 一种辐射源调制样式与个体识别方法及系统 |
| CN116566777A (zh) * | 2023-05-08 | 2023-08-08 | 哈尔滨工程大学 | 一种基于图卷积神经网络的跳频信号调制识别方法 |
| CN116797796A (zh) * | 2023-06-28 | 2023-09-22 | 北京理工大学 | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 |
| CN117527495A (zh) * | 2023-11-02 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种无线通信信号的调制方式识别方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| "A Transformer-Based Contrastive Semi-Supervised Learning Framework for Automatic Modulation Recognition";Weisi Kong，et al;《IEEE》;20231231;全文 * |
| "Modulation Learning on Fourier-Domain for Road Extraction From Remote Sensing Images";Jing Yang，et al;《IEEE》;20231231;全文 * |
| 一种改进的BPSK/QPSK信号调制识别算法;杨莉;胡国兵;;电讯技术;20170828(第08期);全文 * |
| 基于多重同步压缩变换的雷达辐射源分选识别;王功明;陈世文;黄洁;秦鑫;苑军见;;现代雷达;20201231(第03期);全文 * |
| 基于深度学习的通信辐射源调制样式识别方法;董睿杰;杨瑞娟;李东瑾;彭岑昕;王国超;;空军预警学院学报;20191215(第06期);全文 * |
| 采用USRP、RFNOC和Keras的信号盲识别;徐胜;卢广阔;;电讯技术;20200728(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117857270A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
| CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
| CN108600135B (zh) | 一种信号调制方式的识别方法 | |
| CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
| CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
| Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
| CN109633588A (zh) | 基于深度卷积神经网络的雷达辐射源识别方法 | |
| Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
| CN113298846A (zh) | 基于时频语义感知的干扰智能检测方法 | |
| Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
| Kong et al. | Radar waveform recognition using Fourier-based synchrosqueezing transform and CNN | |
| CN115630276A (zh) | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 | |
| CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN113259283B (zh) | 一种基于循环神经网络的单通道时频混叠信号盲分离方法 | |
| CN117857270B (zh) | 一种无线电通信信号调制识别方法 | |
| CN112104389A (zh) | 基于循环平稳特征的分阶段boc信号检测方法 | |
| CN112183300A (zh) | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 | |
| CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
| CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
| CN112488092B (zh) | 基于深度神经网络的导航频段信号类型识别方法及系统 | |
| Le et al. | Performance analysis of convolutional neural networks with different window functions for automatic modulation classification | |
| CN115204237A (zh) | 一种基于Swin-Transformer的短波协议信号自动识别方法 | |
| Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
| CN112232430A (zh) | 神经网络模型测试方法、装置、存储介质及电子装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |