基于深度残差和多头自注意力的特征耦合信号识别方法

本发明涉及无线信号识别，特别涉及一种基于深度残差和多头自注意力的特征耦合信号识别方法。

背景技术：

1、在万物互联的时代，海量的设备通过不同的协议连接着通信网络，这导致相近频段运行的通信系统产生信号间干扰，特别是运行在频谱资源稀缺的非授权频段中。例如欧美地区在sub-ghz以及2.4/5ghz同时运行着zigbee、lora、sigfox、wifi、bluetooth以及lte等无线信号，不同的类别具有不同的特征，当某一频段同时运行两种及以上信号时，会产生干扰，导致混淆。在无线频谱管理系统中，需要知道无线信号的类别才能够为其准确接入相应的频段，因此无线信号识别作为频谱智能管理的关键技术备受关注。

2、现有的无线信号识别方法常使用基于卷积神经网络(convolutional neuralnetwork)，然后分别使用时域和频域格式的数据进行训练和预测，这种方法存在如下缺陷。首先，在信号噪声功率比值较高的情况下，使用时域数据训练和分类性能较好，但信号噪声功率比值较低时性能差。其次，噪声并不能影响信号的频域特征，但是使用频域格式的数据训练神经网络，在提升分类性能的同时，网络的复杂度、训练时间也随之上升，相应的无线信号识别的成本也必然上升。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出一种基于深度残差和多头自注意力的特征耦合信号识别方法，基于时域特征的iq采样信号作为神经网络的输入，融合深度残差模块提取的局部特征和多头自注意力模块提取的全局特征，建立更全面的样本空间表示，从而提升无线信号识别的性能。

2、为了实现上述目的，本发明的技术方案是，一种基于深度残差和多头自注意力的特征耦合信号识别方法，包括：

3、构建多个基于时域特征长度序列的iq采样信号以生成信号样本集；所述iq采样信号来源于多种无线信号类型的采样信号；

4、使用信号样本集中的iq采样信号对由深度残差模块和多头自注意力模块组成的混合网络模型进行训练，获得训练好的混合网络模型；

5、利用训练好的混合网络模型对输入的iq采样信号进行识别，获得无线信号类型。

6、优选的，所述iq采样信号包括无噪声iq采样信号、有噪声信号iq采样信号、随机相位偏移的iq采样信号或混合iq采样信号；所述混合iq采样信号指同时包括噪声和随机相位偏移的iq采样信号。

7、优选的，无噪声iq采样信号表示如下：

8、

9、其中，表示无噪声iq采样信号；i(i)表示iq采样信号中第i时刻的同相值，为复数信号实部；q(i)表示iq采样信号中第i时刻的正交值，为复数信号虚部；i∈[0,500]；

10、有噪声信号iq采样信号表示如下：

11、

12、其中，表示有噪声信号iq采样信号；w(i)表示添加的噪声信号；

13、随机相位偏移的iq采样信号表示如下：

14、

15、其中，表示随机相位偏移的iq采样信号；δθ表示随机相位偏移，服从(-π,π)的分布；

16、混合iq采样信号表示如下：

17、

18、优选的，使用信号样本集中的iq采样信号对由深度残差模块和多头自注意力模块组成的混合网络模型进行训练之前，还包括：

19、对信号样本集中的iq采样信号进行归一化处理；

20、利用训练好的混合网络模型对输入的iq采样信号进行识别，具体包括：

21、对输入的iq采样信号进行归一化处理，利用训练好的混合网络模型对归一化处理后的输入iq采样信号进行识别。

22、优选的，所述混合网络模型采用级联架构共分为三个部分；

23、第一部分包括多头自注意力模块、第一深度残差模块和addition层；所述多头自注意力模块用于接收归一化后的iq采样信号，输出一维全局特征向量；所述第一深度残差模块用于接收归一化后的iq采样信号，输出二维局部特征向量；所述addition层用于对多头自注意力模块输出的全局特征向量和第一深度残差模块输出的局部特征向量进行融合，对齐空间维度；

24、所述第二部分包括依次连接的第二深度残差模块、第三深度残差模块和第四深度残差模块，依次提取融合后的特征；所述第一深度残差模块的输入与addition层的输出相连接；所述第三深度残差模块的输出与第三部分相连接；

25、所述第三部分包括依次连接的flatten层、两个dense层和output层；所述flatten层的输入与第二部分的输出相连接用于使用扁平化技术将学习到的多维特征拉长为向量；所述output层用于使用softmax激活函数计算分类概率得到样本的分类信息以实现无线信号识别。

26、优选的，深度残差模块包括上半部分和下半部分，各包括两路；一路通过右边的卷积层conv2d以及批量归一化层bn提取和归一化特征值，另一路通过恒等映射路径，两路经过一个残差addition层相加单元加在一起，并使用激活函数relu计算特征的非线性值。

27、优选的，多头自注意力模块的实现包括：

28、将归一化后的iq采样信号输入查询q、键k和值v；

29、将q和k计算出的注意力权重使用softmax激活函数计算，得出的值与v进行加权和得到单头的注意力分数；

30、通过contact将多个单头进行拼接获得iq采样信号的全局特征捕捉。

31、由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

32、(1)本发明使用基于时域特征的iq采样信号作为神经网络的输入，融合两个网络提取的局部和全局特征，建立更全面的样本空间表示，从而提升信号识别的性能；实验结果表明所提出的模型识别精度在低信噪比时(-6db)能够超过80％，甚至在高信噪比时(大于4db)能够达到100％。此外，所提模型在不同的数据集上也表现出了良好的泛化性能；

33、(2)本发明发挥了残差卷积神经网络和自注意力机制的优势，既能通过残差模块把握信号样本的局部特征，又能通过多头自注意力模块把握样本的全局特征，从而更完整的表示样本。

34、以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于深度残差和多头自注意力的特征耦合信号识别方法不局限于实施例。

技术特征：

1.一种基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，包括：

2.如权利要求1所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，所述iq采样信号包括无噪声iq采样信号、有噪声信号iq采样信号、随机相位偏移的iq采样信号或混合iq采样信号；所述混合iq采样信号指同时包括噪声和随机相位偏移的iq采样信号。

3.如权利要求2所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，无噪声iq采样信号表示如下：

4.如权利要求1所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，使用信号样本集中的iq采样信号对由深度残差模块和多头自注意力模块组成的混合网络模型进行训练之前，还包括：

5.如权利要求1所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，所述混合网络模型采用级联架构共分为三个部分；

6.如权利要求1所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，深度残差模块包括上半部分和下半部分，各包括两路；一路通过右边的卷积层conv2d以及批量归一化层bn提取和归一化特征值，另一路通过恒等映射路径，两路经过一个残差addition层相加单元加在一起，并使用激活函数relu计算特征的非线性值。

7.如权利要求1所述的基于深度残差和多头自注意力的特征耦合信号识别方法，其特征在于，多头自注意力模块的实现包括：

技术总结
本发明公开了一种基于深度残差和多头自注意力的特征耦合信号识别方法，涉及无线信号识别技术领域，包括：构建多个基于时域特征长度序列的IQ采样信号以生成信号样本集；所述IQ采样信号来源于多种无线信号类型的采样信号；使用信号样本集中的IQ采样信号对由深度残差模块和多头自注意力模块组成的混合网络模型进行训练，获得训练好的混合网络模型；利用训练好的混合网络模型对输入的IQ采样信号进行识别，获得无线信号类型。本发明使用基于时域特征的IQ采样信号作为神经网络的输入，融合两个网络提取的局部和全局特征，建立更全面的样本空间表示，从而提升无线信号识别的性能。

技术研发人员：赵睿,陈建勇,杨程宇
受保护的技术使用者：华侨大学
技术研发日：
技术公布日：2024/2/1