基于图卷积模型的信号分类方法与流程

本发明属于图科学领域，具体涉及一种基于图卷积模型的信号分类方法。

背景技术：

信号作为信息的载体，可以在有线信道进行传输，但受限于低频等原因无法直接通过无线信道传输，必须采用信号调制技术将信号加载到高频载波的信号上，才能顺利在无线信道中传输。其中，调制方式由简到繁，方式多样，接收端需要了解接收信号的调制方式及相应参数才能对信号成功解调得到原始信号。如今，第五代(5g)蜂窝系统将会逐渐覆盖全国，步入商用，快速、高效的识别采用不同调制方式的通信信号，实现智能收发信号的效果，将有助于提高服务质量。其中，一项重要的技术是自动调制分类技术(automaticmodulationclassification,amc)，接收端在不预先知道系统参数的情况下，执行amc识别调制类型，减少交换先验协议信息的次数，大大降低信令开销，提高传输效率。在过去的几十年里，各种各样的方法被提出，它们通常可以分为两类：基于概率的方法和基于特征的方法。基于概率的方法采用在假定输入信号的概率密度函数下基于似然函数的最大化来求解。虽然基于概率的方法在贝叶斯意义下可以提供最优的性能，但它需要对接收到的信号有完善的知识，并且计算复杂度高。在基于特征的方法中，是基于提取的接收信号特征，如高阶统计量(hos)和功率谱密度等做决策。与基于概率的方法相比，基于特征的方法实现简单，性能接近最优。

近年来，随着机器学习技术在各个领域不断取得重大突破，许多研究者也将机器学习技术作为特征提取的分类器，如支持向量机、k近邻等。深度学习不需要手工工程提取特征，就可以自动学习高级特征，因此在复杂、深度架构的识别任务中表现出优异的性能而备受关注。chieh-fangteng等人(参考文献1：chieh-fangteng,ching-yaochou,chun-hsiangche,an-yeu(andy)wu.accumulatedpolarfeature-baseddeeplearningwithchannelcompensationmechanismforefficientautomaticmodulationclassificationundertime-varyingchannels[j].preprintarxiv:2001.01395v1,2020.即基于极性特征的深度学习和信道补偿机制，实现了时变信道下高效的自动调制分类)利用卷积神经网络的优点来解决amc问题，并提出了一种新的数据转换方法图神经网络(graphneuralnetworks，gnn)是一种基于图域分析的深度学习方法，它靠图中节点之间的信息传递来捕捉图中的依赖关系，进而得到每个节点的特征。其生成的节点特征可以用作任何可微分预测层的输入，以端到端的方式训练整个模型。当将gnn应用于图分类时，rexying等人(参考文献2：yingr,youj,morrisc.hierarchicalgraphrepresentationlearningwithdifferentiablepooling[j].preprintarxiv:1806.08804v2,2018.即一种可微分的分层图表示学习方法)提出一种可微分的图形池化模型，实现对社交网络结构和生物信息数据进行分类，得到较高的准确率。

目前，基于深度学习的图分类模型已经取得了显著的效果，在社交网络、生物信息数据上取得一定的成果，但针对信号调制方式分类任务的研究较少。

技术实现要素：

本发明的目的就是提供一种基于图卷积模型的信号分类方法，通过长短期记忆网络提取的特征构建信号的图结构表示，再利用图卷积深度模型对信号的图结构进行分类。

为实现上述发明目的，本发明提供以下技术方案：

一种基于图卷积模型的信号分类方法，所述信号分类方法包括以下步骤：

(1)采集一定时间序列长度的调制信号，并对所述调制信号进行预处理，获得多维调制信号数据；

(2)利用训练好的长短期记忆网络(lstm)提取所述多维调制信号数据的特征，以保证当前时刻特征与之前时刻调制信号数据相关；

(3)利用提取的特征构建信号的图结构表示信息；

(4)以信号的图结构表示信息和所述多维调制信号数据作为训练好的图卷积网络(gcn)的输入数据，利用图卷积网络提取输入数据的特征；

(5)利用训练好的全连接网络对所述输入数据的特征进行分类，获得信号分类结果。

步骤(1)中，

对所述调制信号进行同相正交分量分解，以实现对调制信号的预处理，分解结果即为多维调制信号数据。

步骤(2)中，通过保存前一时刻的网络状态来计算前一时刻的网络状态对当前时刻提取特征的影响程度，以保证系统的因果关系，具体利用训练好的长短期记忆网络提取所述多维调制信号数据的特征包括：

ft＝σ(wf·[ht-1,xt]+bf)

it＝σ(wi·[ht-1,xt]+bi)

ot＝σ(wo·[ht-1,xt]+bo)

ht＝ot*tanh(ct)

其中，xt表示信号t时刻的输入数据，ht-1表示信号t-1时刻的输出特征，[,]表示级联，σ(·)和tanh(·)表示激活函数，保证网络的非线性，w和b表示需要训练的参数权重，wf和bf分别表示lstm遗忘门的参数，ft是一个0-1之间的向量，表示上一个时刻网络状态ct-1对当前时刻提取特征的关联程度，0表示无关联，1表示关联程度的最大值，it表示当前t时刻的输入数据对特征的影响程度，wi和bi分别表示输入门的参数，表示当前时刻网络状态的初始值，wc和bc分别表示计算状态的参数，ct表示当前时刻网络的状态，ot表示输出当前时刻特征的激活概率，wo和bo分别表示输出门的参数，ht表示当前时刻信号的输出特征。

步骤(3)中，根据lstm提取的特征h∈r^t×d构建信号的图结构表示信息及其邻接矩阵a∈r^t×t，首先对每个时刻特征进行归一化，再计算两两时刻特征之间的相似度，其计算公式为：

a＝h′h′^t

其中，h′^t表示h′特征的转置，a表示信号图结构的邻接矩阵，节点表示信号的各个时刻，连边表示两个时刻之间特征的相似性，相似性越高，存在连边的可能性越大。

步骤(4)中，将信号的图结构表示信息的邻接矩阵a和多维调制信号数据x作为图卷积网络的输入，计算信号在图结构表示下的特征，其计算公式如下：

h^*＝relu(lxw)

其中，l表示拉普拉斯矩阵l＝i-d^-1/2ad^-1/2，d是邻接矩阵a的度值矩阵，i是一个单位矩阵，h^*∈r^t×d表示得到的节点特征，w∈r^d×d是训练的参数权重，r^t×d表示t×d维的矩阵，d为预处理后调制信号数据的维度，r^d×d表示d×d维的矩阵，relu(·)表示激活函数。

步骤(5)中，通过图卷积网络得到的t个时刻的特征求平均，再通过全连接层计算得到该信号对每个调制方式的置信度，其计算公式为：

其中，表示图卷积网络输出的特征，j表示特征的索引，l∈r^l表示信号被预测为每个类的概率，l表示信号调制方式的数量，w表示全连接层的权重，softmax(·)表示激活函数。

与现有技术相比，本发明具有的有益效果为：

本发明基于图卷积模型的信号分类方法，利用长短期记忆网络提取特征，保证提取的当前时刻t的特征与之前时刻的信号数据相关，保证系统的因果性，再利用这些特征将信号转化为图结构的表示方式，最后将信号的图结构信息和预处理后的多维数据输入图卷积网络和全连接网络得到信号的分类结果。该分类结果准确性高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。

图1是本发明提供的基于图卷积模型的信号分类方法的整体流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

图1是本发明提供的基于图卷积模型的信号分类方法的整体流程图。如图1所示，基于图卷积模型的信号分类方法包括以下步骤：

(1)接收时间序列长度为t的调制信号，利用同相正交分量分解等方法得到合适的多维数据。

实验数据的信号在信噪比分别为0db、5db、10db、15db、20db、25db、30db下数量相等，且在每类信噪比下共有12种调制方式的信号，每种调制方式的信号均为100个，每个信号都为512个时刻，每个时刻的数据维度为2。

(2)利用lstm对时间序列长度为t的信号数据进行特征提取，通过保存前一时刻的网络状态来计算其对当前时刻提取的特征的影响程度，保证系统的因果关系。本发明用于测试实验数据时，设置预处理信号数据维度为2。

(3)根据lstm提取的特征h∈r^t×d构建信号的图结构表示及其邻接矩阵a∈r^t×t，首先对每个时刻的特征进行归一化，使其特征向量的模为1，再计算两两时刻之间的相似度。

(4)将信号的图结构表示a和信号数据x作为gcn模型的输入，计算信号在图结构表示下的特征。

(5)通过gcn得到的t个时刻的特征求平均，再通过全连接层计算得到该信号对每个调制方式的置信度。

上述方法通过接收端接收时间序列长度为t的调制信号，利用同相正交分量分解等预处理方法得到合适的多维数据，将处理后的信号数据输入长短期记忆网络提取特征，保证提取的当前时刻t的特征与之前时刻的信号数据相关，再利用这些特征构建信号的图结构表示，最后将信号的图结构信息和预处理后的多维数据输入即图卷积网络和全连接网络得到信号的分类结果。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。