一种结合注意力机制的轻量化调制识别方法和系统

本发明属于认知无线通信领域，具体涉及一种结合注意力机制的轻量化调制识别方法和系统。

背景技术：

1、信号调制识别即根据接收到的无线电信号来判别信号的调制体制，是对接收信号进行进一步处理的基础。随着通信技术的发展，现代通信系统中的信号调制体制愈发复杂，因此调制识别任务也更加的困难。快速准确的识别出信号的调制方式是非合作通信场景下实现高效频谱感知和频谱利用的重要前提，更是近年来无线通信领域研究的重点课题之一。

2、传统的信号调制识别方法可分为基于最大似然理论的方法和基于专家特征的方法。基于似然理论的方法是在得到每种调制信号的统计特性的基础上，构建判决准则，建立最大似然分类器。但由于其计算复杂度较高、适用范围很窄，故在实际场景中应用较少。基于专家特征的方法是将接收信号通过特定分析和处理，变换到某种特征空间，然后再设计分类器进行分类。该类方法的识别精度依赖于所提取的统计特征，且受限于传统分类器的较弱学习能力，因此其最终识别精度普遍较低。

3、近年来，为了解决传统方法在信号调制识别领域的局限性，研究人员开始将具有强大特征提取能力和自学习能力的深度学习方法应用自动调制识别问题。o’shea等在2016年首先提出了一种采用卷积神经网络(cnn)直接处理原始同相正交(in-phase andquadrature，iq)信号的调制识别方法，并开源了数据集(rml2016.10a)，吸引了大量研究人员参与其中，促进了该领域的发展。dehua hong等注意到rnn在时序特征提取上的优势，将rnn引入到了自动调制识别问题的研究中，并取得了不错的效果。nathan e.west等则将cnn和lstm在空间特征和时序特征上的优势结合起来，提出了识别精度更高的cldnn网络。jialang xu等则同时从调制数据的单个和组合的同相/正交(i/q)符号中提取特征，提出了一种mcldnn框架，进一步证明了混合网络的可行性。随着研究的深入，基于深度学习的amc模型的识别精度也在逐步提高，但代价是更大的模型体量和更高的计算复杂度。而在如今的5g通信、卫星通信和物联网等实际应用场景中，无法部署过大的网络模型，并且对模型快速响应有着极高的要求，因此研究高精度且轻量化的调制识别模型至关重要。

4、因此，如何以较小的计算代价实现更高的调制识别精度，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、为实现本发明目的提供的一种结合注意力机制的轻量化调制识别方法，包括：

2、步骤s101：设计三种不同形式的卷积分支，分别提取原始i/q信号的特征，每个卷积分支输出特征图的通道数分别记为c1、c2、c3；

3、步骤s102：将步骤s101中各个卷积分支输出的特征图进行通道融合，得到混合特征图；

4、步骤s103：使用多个小卷积核对所述混合特征图进行深层时域特征提取，并在每个卷积核后采用最大池化层降低数据维度；

5、步骤s104：在每一个特征提取部分，引入通道注意力机制，用于提升模型特征表达的能力；

6、步骤s105：采用自适应平均池化层将每个通道的特征图压缩成一个新的特征值，并只采用一个全连接层进行分类。

7、在其中一些具体实施例中，所述步骤s101包括：设计三种形式的卷积核，从三个卷积分支分别提取信号特征，其中，第一个卷积分支采用3×2的卷积核，用于提取所述i/q信号的通用特征；第二个卷积分支采用3×1的卷积核，分别提取i、q两路的时域特征，再通过一个1×2的卷积核用于提取深层i/q信号的相关特征；第三个卷积分支采用一个1×2的卷积核，提取i/q信号的相关特征。

8、在其中一些具体实施例中，所述步骤s103中，采用多个3×1的小卷积核来提取所述特征图的深层时域特征，在保证感受野的条件下减少卷积核参数数量；并且在每个卷积核后再采用最大池化层降低数据维度，进一步降低时域方向计算量。

9、在其中一些具体实施例中，所述步骤s104中，所述注意力机制通过自学习的方式获取特征图的每个通道的重要程度，根据所述重要程度赋予每个特征一个权重值，并和其对应的通道特征图相乘，得到矫正后的特征图。

10、在其中一些具体实施例中，所述注意力机制包括压缩操作(squeeze)、激励操作(excitation)操作和通道相乘(scale)操作，所述压缩操作通过全局平均池化将每个通道的二维特征映射u(h×w)压缩为1个通道描述符z，z的第c个元素计算公式如下：

11、

12、其中，fsq(uc)代表对第c个通道的特征映射uc进行压缩操作，h、w分别代表特征图的高度和宽度；

13、所述激励操作用于完全捕获通道依赖关系，通过采用两个1×1大小的卷积层对所述压缩操作得到的特征权重向量进行激活操作，并通过sigmoid激活函数将通道权重控制在0～1之间。

14、所述通道相乘操作是将上述得到的归一化通道权重加权到每个通道的特征上，即将特征权重和原始特征图相乘，得到校准后的特征映射。

15、为实现上述目的，本发明还提供一种结合注意力机制的轻量化调制识别系统，包括：

16、混合特征提取单元，用于设计三种不同形式的卷积分支，分别提取原始i/q信号的特征，每个卷积分支输出特征图的通道数分别记为c1、c2、c3；

17、特征融合单元，用于将步骤s101中各个卷积分支输出的特征图进行通道融合，得到混合特征图；

18、时域特征提取单元，用于使用多个小卷积核对所述混合特征图进行深层时域特征提取，并在每个卷积核后采用最大池化层降低数据维度；

19、注意力机制单元，用于在每一个特征提取部分，引入通道注意力机制，以提升模型特征表达的能力；

20、分类单元，用于根据自适应平均池化层将每个通道的特征图压缩成一个新的特征值，并只采用一个全连接层进行分类。

21、在其中一些具体实施例中，所述混合特征提取单元包括：设计三种形式的卷积核，从三个卷积分支分别提取信号特征，其中，第一个卷积分支采用3×2的卷积核，用于提取所述i/q信号的通用特征；第二个卷积分支采用3×1的卷积核，分别提取i、q两路的时域特征，再通过一个1×2的卷积核用于提取深层i/q信号的相关特征；第三个卷积分支采用一个1×2的卷积核，提取i/q信号的相关特征。

22、在其中一些具体实施例中，所述时域特征提取单元中，采用多个3×1的小卷积核来提取所述特征图的深层时域特征，在保证感受野的条件下减少卷积核参数数量；并且在每个卷积核后再采用最大池化层降低数据维度，进一步降低时域方向计算量。

23、在其中一些具体实施例中，所述注意力机制单元中，注意力机制通过自学习的方式获取特征图的每个通道的重要程度，根据所述重要程度赋予每个特征一个权重值，并和其对应的通道特征图相乘，得到矫正后的特征图。

24、在其中一些具体实施例中，所述注意力机制单元包括压缩模块、激励模块和通道相乘模块，所述压缩模块通过全局平均池化将每个通道的二维特征映射u(h×w)压缩为1个通道描述符z，z的第c个元素计算公式如下：

25、

26、其中，fsq(uc)代表对第c个通道的特征映射uc进行压缩操作，h、w分别代表特征图的高度和宽度；

27、所述激励模块用于完全捕获通道依赖关系，通过采用两个1×1大小的卷积层对经过压缩操作得到的特征权重向量进行激活操作，并通过sigmoid激活函数将通道权重控制在0～1之间；

28、所述通道相乘模块是将上述得到的归一化通道权重加权到每个通道的特征上，即将特征权重和原始特征图相乘，得到校准后的特征映射。

29、本发明的有益效果：

30、(1)本发明的一种结合注意力机制的轻量化调制识别方法和系统基于卷积神经网络设计混合特征提取骨干网络，设计了3种不同形式的卷积核，从不同的“视角”提取原始iq序列中的特征，并进行通道融合，得到混合特征图，能够更加有效的提取信号特征。还设计了时域卷积模块对混合特征图进行深层时域特征提取，采用了较小的卷积核，减少计算量。一方面，这种方式减小单一形式卷积特征提取带来的特征混淆，从而提高了信号识别的精度；另一方面，相比有些研究中为了提升识别精度利用信号不同形式的数据(iq序列，图像，ap数据)，本发明提供的方法仅仅需要利用原始的iq序列，数据利用率更高，模型更加轻量，并且性能更好。

31、(2)本发明还在混合特征提取骨干网络中附加了轻量的通道注意力模块，进一步提升模型特征表达的能力，通道注意力机制的引入能够在基本不增加模型参数的情况下，提升模型性能。