基于图卷积模型的信号分类方法与流程

技术特征：

1.一种基于图卷积模型的信号分类方法，其特征在于，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。

2.如权利要求1所述的基于图卷积模型的信号分类方法，其特征在于，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。

3.如权利要求1所述的基于图卷积模型的信号分类方法，其特征在于，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。

4.如权利要求1所述的基于图卷积模型的信号分类方法，其特征在于，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。

5.如权利要求1所述的基于图卷积模型的信号分类方法，其特征在于，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。

6.如权利要求1所述的基于图卷积模型的信号分类方法，其特征在于，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。

技术总结
本发明公开了一种基于图卷积模型的信号分类方法，主要应用于通信系统中的对接收信号的调制方式进行分类，以便采取相应的解调方法，保证通信系统之间实现互通互联，通过接收端接收固定时间序列长度的调制信号，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。

技术研发人员：陈晋音;李玉玮;贾澄钰;林翔
受保护的技术使用者：浙江工业大学
技术研发日：2020.04.22
技术公布日：2020.08.07