信号调制识别方法、电子装置及计算机可读存储介质与流程

本申请涉及电子技术领域，尤其涉及一种信号调制识别方法、电子装置及计算机可读存储介质。

背景技术：

调制方式是通信信号的一个重要特征参数，调制方式的自动识别在军用和民用方面都有重要的应用：军用方面，主要有信号监视、电子对抗、威胁分析等；民用方面，主要有信号确认、干扰识别、信号监测、频谱管理等。通信信号调制方式的识别非常重要，一方面，如果对信号的调制方式识别有偏差，则必将导致使用错误的解调方式去对信号解调，这自然无法获取信号中蕴藏的信息；另一方面，在电子战中经常需要对某信号实施干扰，但如果不了解被干扰信号的调制方式，实施干扰便无从谈起。另外，调制方式识别也是软件无线电和认知无线电的重要组成部分。

调制信号的识别方法可分为两大类：一类是判决理论方法，另一类则是统计模式识别方法。前者是采用假设检验理论去解决信号分类问题，通常根据信号的统计特性，基于耗费函数最小化原则，导出统计检验量，以形成判决准则。此类方法适用于具体某类调制信号的识别，识别范围窄。后者则通常将分类系统划分为两个子系统：特征提取子系统，将预定义的特征从数据中提取出来；模式识别子系统，识别信号所对应的分类。过去系统中所使用的特征往往需要人类专家来设计，而特征的好坏对模型的泛化性有着重要的影响。

关于调制信号分类的方案，在现有的调制识别算法中，需要人工设计提取特征，需要花费大量时间在人工设计特征之上，并且，在现有方法中人工设计的某些特征并不具有普适性。

技术实现要素：

本申请实施例提供一种信号调制识别方法、电子装置及计算机可读存储介质，能够在复杂的信道环境下识别出接收信号的调制方式和其他信号的参数，从而为后续对信号的进一步分析处理提供依据。

本申请实施例第一方面提供一种信号调制识别方法，包括：

获取目标信号，所述目标信号为待调制识别的信号；

将所述目标信号输入调制识别神经网络进行分类识别，所述调制识别神经网络为经样本频谱训练得到深度卷积神经网络，所述样本频谱为带调制方式标记的样本；

根据所述调制识别神经网络输出的分类识别结果确定所述目标信号的信号调制方式。

进一步地，所述调制识别神经网络的网络结构，包括：

依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、第五卷积层、第六卷积层、全连接层和输出层。

进一步地，所述调制识别神经网络的训练方法，包括：

在待训练网络中输入1*1024的所述样本频谱；

所述样本频谱在所述第一卷积层中，与16个卷积核卷积得到16个1*1024的特征向量；

在所述第二卷积层中，与32个卷积核卷积得到32个1*1024特征向量；

经过所述第一池化层将所述32个1*1024特征向量的长度压缩4倍，得到32个1*256的特征向量；

在所述第三卷积层中，与64个的卷积核卷积得到64个1*256特征向量；

在所述第二池化层中，将所述64个1*256特征向量的长度再压缩4倍，得到64个1*64特征向量；

在所述第四卷积层中，与64个卷积核卷积得到64个1*64特征向量；

在所述第三池化层中，将所述64个1*64特征向量的长度压缩2倍，得到64个1*32特征向量；

经过所述第五卷积层后，得到64个1*32特征向量；

经过所述第六卷积层，与5个卷积核的卷积之后，得到5个1*32特征向量；

所述5个1*32特征向量通过所述全连接层得到一个30*5矩阵，并在所述全连接层中加入了dropout的方法，所述30*5矩阵中的每列代表一种标记的类别，对每行元素使用argmax函数得到该行最大的元素的索引，表示预测的标记；

通过一个输出层输出所述调制识别神经网络对所述样本频谱所识别的标记。

进一步地，所述调制识别神经网络中卷积层的输出计算如下：

其中表示第l层的输入特征向量的第k个元素；

f表示激活函数，是使用relu函数，relu(x)＝max(0,x)；

表示第l-1层的卷积核的第i个元素；

表示第l-1层的特征向量的第k+i个元素；

b^l-1表示第l-1层的偏置项。

本申请实施例第二方面提供的电子装置，包括：

获取单元，用于获取目标信号，所述目标信号为待调制识别的信号；

识别单元，用于将所述目标信号输入调制识别神经网络进行分类识别，所述调制识别神经网络为经样本频谱训练得到深度卷积神经网络，所述样本频谱为带调制方式标记的样本；

确定单元，用于根据所述调制识别神经网络输出的分类识别结果确定所述目标信号的信号调制方式。

进一步地，所述调制识别神经网络的网络结构，包括：

依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、第五卷积层、第六卷积层、全连接层和输出层。

进一步地，所述电子装置还包括：训练单元，所述训练单元用于：

在待训练网络中输入1*1024的所述样本频谱；

所述样本频谱在所述第一卷积层中，与16个卷积核卷积得到16个1*1024的特征向量；

在所述第二卷积层中，与32个卷积核卷积得到32个1*1024特征向量；

经过所述第一池化层将所述32个1*1024特征向量的长度压缩4倍，得到32个1*256的特征向量；

在所述第三卷积层中，与64个的卷积核卷积得到64个1*256特征向量；

在所述第二池化层中，将所述64个1*256特征向量的长度再压缩4倍，得到64个1*64特征向量；

在所述第四卷积层中，与64个卷积核卷积得到64个1*64特征向量；

在所述第三池化层中，将所述64个1*64特征向量的长度压缩2倍，得到64个1*32特征向量；

经过所述第五卷积层后，得到64个1*32特征向量；

经过所述第六卷积层，与5个卷积核的卷积之后，得到5个1*32特征向量；

所述5个1*32特征向量通过所述全连接层得到一个30*5矩阵，并在所述全连接层中加入了dropout的方法，所述30*5矩阵中的每列代表一种标记的类别，对每行元素使用argmax函数得到该行最大的元素的索引，表示预测的标记；

通过一个输出层输出所述调制识别神经网络对所述样本频谱所识别的标记。

进一步地，所述调制识别神经网络中卷积层的输出计算如下：

其中表示第l层的输入特征向量的第k个元素；

f表示激活函数，是使用relu函数，relu(x)＝max(0,x)；

表示第l-1层的卷积核的第i个元素；

表示第l-1层的特征向量的第k+i个元素；

b^l-1表示第l-1层的偏置项。

本申请实施例第三方面提供另一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述本申请实施例第一方面提供的信号调制识别方法。

本申请实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述本申请实施例第一方面提供的信号调制识别方法。

由上可见，本申请方案通过调制识别神经网络进行分类识别，该调制识别神经网络为经样本频谱训练得到深度卷积神经网络，可以识别信号的调制方式，相比于现有技术，卷积神经网络不需要人为地去设置，只需要将数据样本直接输入，神经网络会一层一层地提取对任务有用的特征，这样就避免了特征提取所花费的大量时间，以及提取的某些特征并不具有普适性的缺点。

附图说明

图1-a为本申请实施例提供的信号调制识别方法的实现流程示意图；

图1-b为本申请实施例提供的调制识别神经网络的网络结构示意图；

图1-c为本申请实施例提供的样本频谱的标签示意图；

图2为本申请一实施例提供的电子装置结构示意图；

图3为本申请另一实施例提供的电子装置硬件结构示意图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。

实施例一

本申请实施例提供一种信号调制识别方法、电子装置及计算机可读存储介质，能够在复杂的信道环境下识别出接收信号的调制方式和其他信号的参数，从而为后续对信号的进一步分析处理提供依据。

请参阅图1-a，该信号调制识别方法主要包括以下步骤：

101、获取目标信号；

获取目标信号，所述目标信号为待调制识别的信号。

在本发明实施例中，需要识别目标信号的调制方式，调制方式是通信信号的一个重要特征参数。

调制方式的自动识别在军用和民用方面都有重要的应用。示例性的，军用方面，主要有信号监视、电子对抗、威胁分析等；民用方面，主要有信号确认、干扰识别、信号监测、频谱管理等。通信信号调制方式的识别非常重要，一方面，如果对信号的调制方式识别有偏差，则必将导致使用错误的解调方式去对信号解调，这自然无法获取信号中蕴藏的信息；另一方面，在电子战中经常需要对某信号实施干扰，但如果不了解被干扰信号的调制方式，实施干扰便无从谈起。

102、将所述目标信号输入调制识别神经网络进行分类识别；

将所述目标信号输入调制识别神经网络进行分类识别，所述调制识别神经网络为经样本频谱训练得到深度卷积神经网络，所述样本频谱为带调制方式标记的样本。

神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经元，以网络连接权模仿大脑的激励电平的技术，能有效地处理问题的非线性、模糊性和不确定关系。在传统的计算机中，告诉计算机要做什么，将大问题分解为许多小的、精确定义的任务，以便于计算机的执行。相比之下，在神经网络中，不需要告诉计算机如何解决的问题。例如，本申请中所使用的调制识别神经网络，它可以从数据本身中学习，找出解决问题的方案。相比于传统的调制识别需要人工选择的特征，卷积神经网络不需要人为地去设置，只需要将数据样本直接输入，神经网络会一层一层地提取对任务有用的特征。

103、确定所述目标信号的信号调制方式。

根据所述调制识别神经网络输出的分类识别结果确定所述目标信号的信号调制方式。

由上可见，本申请方案通过调制识别神经网络进行分类识别，该调制识别神经网络为经样本频谱训练得到深度卷积神经网络，可以识别信号的调制方式，相比于现有技术，卷积神经网络不需要人为地去设置，只需要将数据样本直接输入，神经网络会一层一层地提取对任务有用的特征，这样就避免了特征提取所花费的大量时间，以及提取的某些特征并不具有普适性的缺点。

实施例二

为了便于理解，本申请实施例详细介绍调制识别神经网络的网络结构以及训练方式，具体包括：

在本申请实施例中，10000个长度为1024点的样本频谱，如图1-c所示，每个样本频谱对应30个标签，该标签一共有5中，分别以0、0.2、1、2和3代表五种不同的调制方式。接着对数据进一步处理以便对其使用深度学习的方法，将标记转换成onehot编码的形式以便于进行深度学习的训练。然后将10000个数据随机划分为包含8000个数据的训练集和包含2000个数据的测试集，使用训练集中的数据用作训练神经网络，使用测试集的数据对训练后的神经网络模型进行准确度的测试。

在本申请实施例中，请参阅图1-b，所述调制识别神经网络的网络结构，包括：

依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、第五卷积层、第六卷积层、全连接层和输出层。

基于上述调制识别神经网络的网络结构，训练方法，包括：

在待训练网络中输入1*1024的所述样本频谱；

所述样本频谱在所述第一卷积层中，与16个卷积核卷积得到16个1*1024的特征向量；

具体的，所述调制识别神经网络中卷积层的输出计算如下：

其中表示第l层的输入特征向量的第k个元素；

f表示激活函数，在本项目中则是使用relu函数，relu(x)＝max(0,x)；

表示第l-1层的卷积核的第i个元素；

表示第l-1层的特征向量的第k+i个元素；

b^l-1表示第l-1层的偏置项。

在所述第二卷积层中，与32个卷积核卷积得到32个1*1024特征向量；

经过所述第一池化层将所述32个1*1024特征向量的长度压缩4倍，得到32个1*256的特征向量；

在所述第三卷积层中，与64个的卷积核卷积得到64个1*256特征向量；

在所述第二池化层中，将所述64个1*256特征向量的长度再压缩4倍，得到64个1*64特征向量；

在所述第四卷积层中，与64个卷积核卷积得到64个1*64特征向量；

在所述第三池化层中，将所述64个1*64特征向量的长度压缩2倍，得到64个1*32特征向量；

经过所述第五卷积层后，得到64个1*32特征向量；

经过所述第六卷积层，与5个卷积核的卷积之后，得到5个1*32特征向量；

所述5个1*32特征向量通过所述全连接层得到一个30*5矩阵，并在所述全连接层中加入了dropout的方法，所述30*5矩阵中的每列代表一种标记的类别，对每行元素使用argmax函数得到该行最大的元素的索引，表示预测的标记；

通过一个输出层输出所述调制识别神经网络对所述样本频谱所识别的30个对应标记。

示例性的，可以设置第一卷积层、第二卷积层、第三卷积层和第四卷积层中的卷积核的大小为1*25，第五卷积层和第六卷积层中的卷积核大小为1*7，并将卷积层与池化层的激活函数设置为relu函数，学习率设置为0.001，训练时的批次大小为32，训练次数设置为10000次。

训练后的神经网络对测试样本的识别准确率如表1所示，其中dropout比例表示从网络中丢弃神经元的比例：

表1实验结果

从实验结果可以看出，加入了dropout的网络结果在测试样本上的准确率要优于全连接的网络结构，也即dropout的加入提高了神经网络的泛化性能。dropout是指在深度学习网络的训练过程中，对于神经网络单元，依据一定的概率将其暂时从网络中丢弃，因此每一个mini-batch训练的都是不同的网络。故而dropout提供了正则化一大类模型的方法，计算方便但功能强大，它可以被认为是集成大量深度神经网络的实用bagging方法，dropout训练的集成包括所有从基础网络除去非输出单元后形成的子网络。同时dropout具有计算方便以及适用广泛的模型和训练过程的优点。

实施例三

请参阅图2，为本申请实施例提供一种电子装置。该电子装置可用于实现上述图1-a所示实施例提供的信号调制识别方法。如图2所示，该电子装置主要包括：

获取单元201，用于获取目标信号，所述目标信号为待调制识别的信号；

识别单元202，用于将所述目标信号输入调制识别神经网络进行分类识别，所述调制识别神经网络为经样本频谱训练得到深度卷积神经网络，所述样本频谱为带调制方式标记的样本；

确定单元203，用于根据所述调制识别神经网络输出的分类识别结果确定所述目标信号的信号调制方式。

进一步地，所述调制识别神经网络的网络结构，包括：

依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、第五卷积层、第六卷积层、全连接层和输出层。

进一步地，所述电子装置还包括：训练单元，所述训练单元用于：

在待训练网络中输入1*1024的所述样本频谱；

所述样本频谱在所述第一卷积层中，与16个卷积核卷积得到16个1*1024的特征向量；

在所述第二卷积层中，与32个卷积核卷积得到32个1*1024特征向量；

经过所述第一池化层将所述32个1*1024特征向量的长度压缩4倍，得到32个1*256的特征向量；

在所述第三卷积层中，与64个的卷积核卷积得到64个1*256特征向量；

在所述第二池化层中，将所述64个1*256特征向量的长度再压缩4倍，得到64个1*64特征向量；

在所述第四卷积层中，与64个卷积核卷积得到64个1*64特征向量；

在所述第三池化层中，将所述64个1*64特征向量的长度压缩2倍，得到64个1*32特征向量；

经过所述第五卷积层后，得到64个1*32特征向量；

经过所述第六卷积层，与5个卷积核的卷积之后，得到5个1*32特征向量；

所述5个1*32特征向量通过所述全连接层得到一个30*5矩阵，并在所述全连接层中加入了dropout的方法，所述30*5矩阵中的每列代表一种标记的类别，对每行元素使用argmax函数得到该行最大的元素的索引，表示预测的标记；

通过一个输出层输出所述调制识别神经网络对所述样本频谱所识别的标记。

进一步地，所述调制识别神经网络中卷积层的输出计算如下：

其中表示第l层的输入特征向量的第k个元素；

f表示激活函数，在本项目中则是使用relu函数，relu(x)＝max(0,x)；

表示第l-1层的卷积核的第i个元素；

表示第l-1层的特征向量的第k+i个元素；

b^l-1表示第l-1层的偏置项。

需要说明的是，以上图2示例的电子装置的实施方式中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将电子装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，在实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则，以下不再赘述。

本实施例提供的电子装置中各功能模块实现各自功能的具体过程，请参见上述图1-a所示实施例中描述的具体内容，此处不再赘述。

实施例四

本申请实施例提供一种电子装置，请参阅图3，该电子装置包括：

存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序，处理器302执行该计算机程序时，实现前述图1-a所示实施例中描述的信号调制识别方法。

进一步的，该电子装置还包括：

至少一个输入设备303以及至少一个输出设备304。

上述存储器301、处理器302、输入设备303以及输出设备304，通过总线305连接。

其中，输入设备303具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备304具体可为显示屏。

存储器301可以是高速随机存取记忆体(ram，randomaccessmemory)存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器301用于存储一组可执行程序代码，处理器302与存储器301耦合。

进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述图3所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1-a所示实施例中描述的信号调制识别方法。进一步的，该计算机可存储介质还可以是u盘、移动硬盘、只读存储器(rom，read-onlymemory)、ram、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本申请所提供的信号调制识别方法、电子装置及计算机可读存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。