基于卷积神经网络和DAE_Transformer的调制识别方法

本发明属于信号调制识别，具体涉及基于卷积神经网络和dae_transformer的调制识别方法。

背景技术：

1、信号调制识别一直是深度学习领域的研究热点之一。通信信号调制识别在认知电子战、通信对抗和非协同通信等领域具有重要的研究价值。然而，传统的信号识别方法存在精度低、可扩展性差、依赖专家特征、对现实环境适用性差等缺点。随着深度学习技术得发展，基于深度学习得调制识别研究越来越多。

2、目前，信号调制识别方法大致可分为极大似然方法、统计模式识别方法和深度学习识别方法。在基于似然比识别方法中，将模量识别问题视为假设检验问题，利用似然函数进行判别，实现信号分类。统计模式识别方法将调制特征与理论特征进行比较，与深度学习方法相比，前两种方法具有对先验概率信息需求大、对信噪比要求高、识别类型少、鲁棒性差等缺点。因此逐步被基于深度学习的方法替代。目前处理调制识别的深度学习方法可分为两类,一种是采用直接识别的方法，利用神经网络提取原始信号的特征，识别其调制类型。另一种间接识别方法是指对原始基带信号进行预处理，然后将其与神经网络结合进行特征提取的方法。

技术实现思路

1、本发明的目的在于：提供基于卷积神经网络和dae_transformer的调制识别方法，以解决现有技术的问题。

2、为实现上述目的，本发明提供如下技术方案：基于卷积神经网络和dae_transformer的调制识别方法，包括如下步骤：

3、s1、将样本数据集中的调制信号划分，为训练集、测试集、验证集；

4、s2、以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合transformer注意力机制，构建去噪自动编码器；

5、s3、以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于residualnetwork网络结构的classifier模块；

6、s4、基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和dae_transformer的调制识别模型。s5、将验证集中的调制信号输入至调制识别模型，验证模型的准确性。

7、进一步地，前述的步骤s2包括如子步骤：

8、s2.1、对训练集中的调制信号进行压缩，得到压缩后的向量，然后对该压缩后的向量进行绝对位置编码得到位置编码向量；

9、s2.2、以位置编码向量为输入，输入至多头注意力模块、fnn模块，获得融合的注意力特征图。

10、进一步地，前述的所述步骤s2.1中，将调制信号通过残差堆栈、reshape模块，进行压缩。

11、进一步地，前述的步骤s2.1中，将压缩后的向量经过position dropout模块进行绝对位置编码得到位置编码向量。

12、进一步地，前述的步骤s3中，所述classifier模块包括顺序连接的5个残差堆栈、2个dence层，1个classifier output层。

13、进一步地，前述的残差堆栈包括1个基于小尺度卷积核的卷积层、1个残差模块、一个池化层。

14、进一步地，前述的步骤s2.2中，利用多头注意力模块独立学习h组不同的线性投影来变换查询、键和值；然后，将h组变换后的查询、键和值将并行地进行注意力池化，最后，将这h个注意力池化的输出拼接在一起，通过可学习的线性投影进行变换。

15、进一步地，前述的步骤s4中，构建基于卷积神经网络和dae_transformer的调制识别模型时利用softmax分类器获得调试信号的识别结果。

16、与现有技术相比，本发明的有益效果如下：

17、(1)本发明基于卷积神经网络和dae_transformer的调制识别模型识别信号调制类型，在模型中嵌入去噪自动编码器模块，实现了增强有效信息的特征及抑制无效特征的目的，提高了调制识别的准确率，具有更好的鲁棒性；

18、(2)本发明通过加入多头注意力机制，可以够从多个维度提炼特征信息，获取输入数据长时间依赖以及全局信息，保证较高的识别准确率；

19、(3)本发明通过结合卷积神经网络和dae_transformer网络，采用自编码和分类联合训练的框架，从而达到正则化的效果并且提高模型的泛化能力，增加模型的鲁棒性。

技术特征：

1.基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，步骤s2包括如子步骤：

3.根据权利要求2所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，所述步骤s2.1中，将调制信号通过残差堆栈、reshape模块，进行压缩。

4.根据权利要求2所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，步骤s2.1中，将压缩后的向量经过position dropout模块进行绝对位置编码得到位置编码向量。

5.根据权利要求2所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，步骤s3中，所述classifier模块包括顺序连接的5个残差堆栈、2个dence层，1个classifier output层。

6.根据权利要求5所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，所述残差堆栈包括1个基于小尺度卷积核的卷积层、1个残差模块、一个池化层。

7.根据权利要求2所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，步骤s2.2中，利用多头注意力模块独立学习h组不同的线性投影来变换查询、键和值；然后，将h组变换后的查询、键和值将并行地进行注意力池化，最后，将这h个注意力池化的输出拼接在一起，通过可学习的线性投影进行变换。

8.根据权利要求1所述的基于卷积神经网络和dae_transformer的调制识别方法，其特征在于，步骤s4中，构建基于卷积神经网络和dae_transformer的调制识别模型时利用softmax分类器获得调试信号的识别结果。

技术总结
本发明公开了基于卷积神经网络和DAE_Transformer的调制识别方法，包括：以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器。以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于Residual Network网络结构的classifier模块。基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。在公共数据集RadioML2018.01A上对网络进行了测试。实验证明，本发明提出的算法相较于现有的识别方法，有效地提高了调制信号的识别准确率。

技术研发人员：庞佳伟,李大鹏
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/1/13