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。
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。