基于无监督的无线电信号调制方式的识别方法及装置

本发明属于信号处理，具体涉及一种基于无监督的无线电信号调制方式的识别方法及装置。

背景技术：

1、无线电信号自动调制识别(automatic modulation recognition，amr)是一种广泛应用于军事、航空、无线通信等领域的通信侦察技术。在当前流行的无线通信系统中，amr的目的是识别出无线电信号的调制方式进而确定其类型和性质。amr是电子侦察、情报获取等非合作场景中信号检测和信号解调的关键处理步骤，对后续的信号解调和获取解码信息起着重要的作用。同时amr在认知无线电、频谱感应、盲区信号处理、干扰识别等领域中也有着重大的影响。

2、多层叠加的人工神经元强大的特征提取能力促进了大量基于深度学习(deeplearning,dl)的无线电信号检测与识别的发展。因此，当前的调制方式识别法基本上均为基于神经网络和深度学习的方法。当前基于深度学习的调制方式识别方法大多为基于有监督学习的方法。其根据不同的调制信号类型和不同的信号特征，选择并搭建不同的网络，将大量的有标签数据输入网络中以得到训练好的模型，对于新的下游任务，将学习到的参数进行迁移，在新的标签任务上进行微调，从而得到一个能够适应新任务的网络。再通过大量的标记样本来训练设计好的深度神经网络，通过使用训练样本来优化包含大量的参数指定的映射函数进而从输入信号中提取高维特征以区分不同的调制类型，从而完成信号的调制识别。有监督学习方法大致分为两类，一种是基于最大似然理论的amr(likelihood based-automatic modulation recognition,lb-amr)，一种是基于特征的amr(feature based-automatic modulation recognition,fb-amr)。lb-amr是将调制方式识别问题视为一个多元假设检验问题，通常不需要大量的训练样本，而是从贝叶斯估计的角度上获得最佳识别精度，但其计算复杂度相对较高。fb-amr算法是从信号样本中提取具有区分度的代表性特征，如瞬时特征、统计特征、变换域特征等，并通过分类器对信号进行分类得到信号的调制方式。常见的分类器是基于支持向量机、决策树、神经网络、聚类算法等进行分类的。

3、虽然，基于有监督学习的识别方法已经在一些公开数据集中展现出了优越的性能；并且，相较于传统调制识别方法，能够显著地提升识别准确率；但是在面对复杂环境下的未知调制方式、发射和接收参数时，该方法不能对其实现有效的分类识别；并且基于有监督的学习方法还面临着数据标注成本高的问题。

4、timothy j.o'shea在文献中提出在原始采样无线电时间序列数据上使用卷积神经网络学习的低级时间序列特征可用于有效地聚类许多无线电信号调制类型，而无需明确标记训练数据，验证了基于无监督学习的调制识别方法的可行性。在此基础上，目前已经提出的基于无监督学习的调制识别方法主要利用自动编码器、稀疏自动编码器、受限玻尔兹曼机等进行无监督训练，从而实现对于无标签信号的调制识别。但是现有的无监督amr方法的识别模型在进行无监督学习时仅仅是通过信号的原始序列或信号在某一个表征域的特征，只能进行有限的调制方式的识别，导致识别的效果不好。

5、因此，在当前的识别方法中，基于有监督学习的方法需要对数据进行标注，成本较高；基于无监督学习的方法只学习信号在一个表征域内的特征，只能进行有限的调制方式的识别，导致识别的效果不好。

技术实现思路

1、本发明实施例提供了一种基于无监督的无线电信号调制方式的识别方法及装置，可以解决当前的信号调制方式识别方法成本高、效果差的问题。

2、第一方面，本发明实施例提供基于无监督的无线电信号调制方式的识别方法，所述方法包括：

3、获取无线电信号在源域内的源域数据；

4、对无线电信号的源域数据进行数据变换处理，得到无线电信号在变换域内的变换域数据；

5、将无线电信号的源域数据和变换域数据输入至训练好的基于无监督学习的调制方式自动识别模型，得到无线电信号的调制方式，训练好的调制方式自动识别模型是根据无线电训练信号在源域的样本数据和在变换域内的变换域数据训练得到的，无线电训练信号的样本数据和变换域数据均包括多个无线电训练信号的数据。

6、在第一方面的一种可能的实现方式中，调制方式自动识别模型是在双循环对比损失函数的约束下，通过反向传播算法进行训练的。

7、示例性的，双循环对比损失函数是根据域间损失函数和域内损失函数确定的；

8、示例性的，域内损失函数是根据无线电训练信号在源域的样本数据确定的，域间损失函数是根据在源域内的样本数据和在变换域内的变换域数据确定的。

9、在第一方面的一种可能的实现方式中，域内损失函数是根据无线电训练信号的第一正样本对和第一负样本对中的源域增强数据确定的。域间损失函数是根据第二正样本对和第二负样本对中的在源域内的样本数据与在变换域内的变换域数据确定的。

10、示例性的，第一正样本对和第一负样本对均包括第一类源域增强数据和第二类源域增强数据，得到第一类源域增强数据和第二类源域增强数据的数据增强方法不同，第一正样本对中的第一类源域增强数据和第二类源域增强数据是根据同一个无线电训练信号得到的，第一负样本对中的第一类源域增强数据和第二类源域增强数据是根据不同的无线电训练信号得到的。

11、示例性的，第二正样本对和第二负样本对均包括一组样本数据和一组变换域数据，第二正样本对中的样本数据与变换域数据是根据同一个无线电训练信号得到的，第二负样本对中的样本数据与变换域数据是根据不同的无线电训练信号得到的。

12、在第一方面的一种可能的实现方式中，调制方式自动识别模型可以包括源域表征学习模块、目标域对比学习模块及分类模块。可以通过下述方法训练调制方式自动识别模型：

13、源域表征学习模块根据源域增强数据，确定第一正样本对和第一负样本对；

14、源域表征学习模块分别根据第一正样本对和第一负样本对中的源域增强数据，确定无线电训练信号的表征特征向量；

15、目标域对比学习模块根据无线电训练信号的样本数据和变换域数据确定第二正样本对和第二负样本对；

16、目标域对比学习模块分别根据第二正样本对和第二负样本对中的样本数据，确定无线电训练信号的原始特征向量；

17、目标域对比学习模块分别根据二正样本对和第二负样本对中的变换域数据，确定无线电训练信号的调制特征向量；

18、目标域对比学习模块根据原始特征向量，构建源域特征字典，其中，源域特征字典用于存储原始特征向量；

19、目标域对比学习模块根据调制特征向量，构建目标域特征字典，其中，目标域特征字典用于存储调制特征向量；

20、根据无线电训练信号的表征特征向量，确定域内损失函数；

21、根据无线电训练信号的原始特征向量和调制特征向量，确定域间损失函数；

22、根据域内损失函数和域间损失函数确定双循环对比损失函数；

23、在双循环对比损失函数的约束下，训练源域表征学习模块和目标域对比学习模块，得到训练好的述源域表征学习模块和目标域对比学习模块；

24、根据无线电训练信号的表征特征向量和调制特征向量，训练分类模块，得到训练好的分类模块；

25、根据训练好的源域表征学习模块、目标域对比学习模块和分类模块，得到训练好的调制方式自动识别模型。

26、在第一方面的一种可能的实现方式中，源域表征学习模块可以包括第一编码器、第二编码器、第一投影头及第二投影头。第一编码器可以根据第一正样本对和第一负样本对中的第一类源域增强数据，提取无线电训练信号的特征，得到第一类源域增强数据的查询特征向量；第一投影头可以提取第一类源域增强数据的查询特征向量的投影，得到第一类源域增强数据的表征特征向量。第二编码器可以根据第一正样本对和第一负样本对中的第二类源域增强数据，提取无线电训练信号的特征，以得到第二类源域增强数据的查询特征向量。第二投影头可以提取第二类源域增强数据的查询特征向量的投影，得到第二类源域增强数据的表征特征向量。

27、示例性的，第一编码器的参数是在双循环对比损失函数的约束下，根据反向传播方法进行更新迭代的。

28、示例性的，第二编码器的参数是在训练的过程中根据第一编码器的参数逐步传递更新的。

29、在第一方面的一种可能的实现方式中，目标域对比学习模块可以包括第三编码器、第四编码器、第三投影头及第四投影头。第三编码器可以根据第二正样本对和第二负样本对中的样本数据，提取无线电训练信号的特征，得到样本数据的查询特征向量。第三投影头可以提取样本数据的查询特征向量的投影，得到原始特征向量。第四编码器可以根据第二正样本对和第二负样本对中的变换域数据，提取无线电训练信号的特征，得到变换域数据的查询特征向量。第四投影头可以提取变换域数据的查询特征向量的投影，得到调制特征向量。

30、在第一方面的一种可能的实现方式中，域内损失函数是根据第一正样本对中的表征特征向量之间的相似度，和第一负样本对中的表征特征向量之间的相似度确定的。

31、在第一方面的一种可能的实现方式中，域间损失函数是根据源域-目标域损失函数和目标域-源域损失函数确定的。

32、示例性的，源域-目标域损失函数和目标域-源域损失函数是根据第二正样本对中的原始特征向量与调制特征向量之间的相似度，和第二负样本对中的原始特征向量与调制特征向量之间的相似度确定的。

33、根据本发明提供的方法，通过将无线电信号输入至基于无监督学习的调制方式自动识别模型，得到信号的调制方式，由于模型是根据无线电训练信号在源域和至少一个变换域的数据进行训练的，能够最大化学习信号在不同表征域之间的互信息，即不同表征域内信号不同形式的信息的异同，并且不需要额外的数据标注，从而能够降低识别成本，增强识别效果。

34、第二方面，本发明实施例提供了一种基于无监督的无线电信号调制方式的识别装置。识别装置可以包括获取单元和处理单元。处理单元可以包括基于无监督学习的无线电信号调制方式自动识别模型。

35、获取单元用于获取无线电信号；

36、处理单元用于对无线电信号进行数据变换处理，得到无线电信号在变换域内的变换域数据

37、处理单元还用于将无线电信号和无线电信号的变换域数据输入至训练好的基于无监督学习的调制方式自动识别模型，得到无线电信号的调制方式，训练好的调制方式自动识别模型是根据无线电训练信号在源域的样本数据和在变换域内的变换域数据训练得到的，样本数据包括多个无线电训练信号。

38、在第二方面的一种可能的实现方式中，调制方式自动识别模型是在双循环对比损失函数的约束下，通过反向传播算法进行训练的。

39、示例性的，双循环对比损失函数是根据域间损失函数和域内损失函数确定的。

40、示例性的，域内损失函数是根据无线电训练信号在源域的样本数据确定的，域间损失函数是根据在源域内的样本数据和在变换域内的变换域数据确定的。

41、在第二方面的一种可能的实现方式中，域内损失函数是根据无线电训练信号的第一正样本对和第一负样本对中的源域增强数据确定的。域间损失函数是根据第二正样本对和第二负样本对中的在源域内的样本数据与在变换域内的变换域数据确定的。

42、示例性的，第一正样本对和第一负样本对均包括第一类源域增强数据和第二类源域增强数据，得到第一类源域增强数据和第二类源域增强数据的数据增强方法不同，第一正样本对中的第一类源域增强数据和第二类源域增强数据是根据同一个无线电训练信号得到的，第一负样本对中的第一类源域增强数据和第二类源域增强数据是根据不同的无线电训练信号得到的。

43、示例性的，第二正样本对和第二负样本对均包括一组样本数据和一组变换域数据，第二正样本对中的样本数据与变换域数据是根据同一个无线电训练信号得到的，第二负样本对中的样本数据与变换域数据是根据不同的无线电训练信号得到的。

44、在第二方面的一种可能的实现方式中，调制方式自动识别模型可以包括源域表征学习模块、目标域对比学习模块及分类模块。可以通过下述方法训练调制方式自动识别模型：

45、源域表征学习模块根据源域增强数据，确定第一正样本对和第一负样本对；

46、源域表征学习模块分别根据第一正样本对和第一负样本对中的源域增强数据，确定无线电训练信号的表征特征向量；

47、目标域对比学习模块根据无线电训练信号的样本数据和变换域数据确定第二正样本对和第二负样本对；

48、目标域对比学习模块分别根据第二正样本对和第二负样本对中的样本数据，确定无线电训练信号的原始特征向量；

49、目标域对比学习模块分别根据二正样本对和第二负样本对中的变换域数据，确定无线电训练信号的调制特征向量；

50、目标域对比学习模块根据原始特征向量，构建源域特征字典，其中，源域特征字典用于存储原始特征向量；

51、目标域对比学习模块根据调制特征向量，构建目标域特征字典，其中，目标域特征字典用于存储调制特征向量；

52、根据无线电训练信号的表征特征向量，确定域内损失函数；

53、根据无线电训练信号的原始特征向量和调制特征向量，确定域间损失函数；

54、根据域内损失函数和域间损失函数确定双循环对比损失函数；

55、在双循环对比损失函数的约束下，训练源域表征学习模块和目标域对比学习模块，得到训练好的述源域表征学习模块和目标域对比学习模块；

56、根据无线电训练信号的表征特征向量和调制特征向量，训练分类模块，得到训练好的分类模块；

57、根据训练好的述源域表征学习模块、目标域对比学习模块和分类模块，得到训练好的调制方式自动识别模型。

58、在第二方面的一种可能的实现方式中，源域表征学习模块可以包括第一编码器、第二编码器、第一投影头及第二投影头。第一编码器可以用于根据第一正样本对和第一负样本对中的第一类源域增强数据，提取无线电训练信号的特征，得到第一类源域增强数据的查询特征向量；第一投影头可以用于提取第一类源域增强数据的查询特征向量的投影，得到第一类源域增强数据的表征特征向量。第二编码器可以用于根据第一正样本对和第一负样本对中的第二类源域增强数据，提取无线电训练信号的特征，以得到第二类源域增强数据的查询特征向量。第二投影头可以提取第二类源域增强数据的查询特征向量的投影，得到第二类源域增强数据的表征特征向量。

59、示例性的，第一编码器的参数是在双循环对比损失函数的约束下，根据反向传播方法进行更新迭代的。

60、示例性的，第二编码器的参数是在训练的过程中根据第一编码器的参数逐步传递更新的。

61、在第二方面的一种可能的实现方式中，目标域对比学习模块可以包括第三编码器、第四编码器、第三投影头及第四投影头。第三编码器可以用于根据第二正样本对和第二负样本对中的样本数据，提取无线电训练信号的特征，得到样本数据的查询特征向量。第三投影头可以用于提取样本数据的查询特征向量的投影，得到原始特征向量。第四编码器可以用于根据第二正样本对和第二负样本对中的变换域数据，提取无线电训练信号的特征，得到变换域数据的查询特征向量。第四投影头可以用于提取变换域数据的查询特征向量的投影，得到调制特征向量。

62、在第二方面的一种可能的实现方式中，域内损失函数是根据第一正样本对中的表征特征向量之间的相似度，和第一负样本对中的表征特征向量之间的相似度确定的。

63、在第二方面的一种可能的实现方式中，域间损失函数是根据源域-目标域损失函数和目标域-源域损失函数确定的。

64、示例性的，源域-目标域损失函数和目标域-源域损失函数是根据第二正样本对中的原始特征向量与调制特征向量之间的相似度，和第二负样本对中的原始特征向量与调制特征向量之间的相似度确定的。

65、可以理解的是上述第二方面的有益效果可以参见上述第一方面的相关描述，在此不赘述。

66、本发明实施例与现有技术相比存在的有益效果是：根据本发明提供的方法，通过将无线电信号输入至基于无监督学习的调制方式自动识别模型，得到信号的调制方式，由于模型是根据无线电训练信号在源域和至少一个变换域的数据进行训练的，能够最大化学习信号在不同表征域之间的互信息，即不同表征域内信号不同形式的信息的异同，并且不需要额外的数据标注，从而能够降低识别成本，增强识别效果。