一种基于图卷积神经网络的跳频信号调制识别方法

本发明属于通信，特别是涉及一种基于图卷积神经网络的跳频信号调制识别方法。

背景技术：

1、跳频通信由于其保密性能好、多址能力优、截获概率低等优点，已成为当今抗干扰和反侦察无线通信的主导技术，跳频信号调制方式作为跳频通信的一维重要参数，能够为跳频组网通信的网台分选、情报分析和干扰引导等任务提供有力支撑。近年来众多专家学者在跳频信号调制识别的研究中提出了许多高效、可靠的方法。

2、2019年空军工程大学信息与导航学院的李红光等人在通信学报发表了文章《基于时频能量谱纹理特征的跳频调制方式识别》，这篇文章利用信号时频能量谱的纹理特征实现6种跳频信号的调制识别。该方法通过平滑伪魏格纳-维尔分布算法得到信号时频图，利用连通域检测算法得到每跳信号的时频灰度图，将直方图统计特征和灰度共生矩阵特征合成为多维特征向量输入到支持向量机中进行训练、分类和识别。该方法在-4db信噪比下准确率可达到91.4％，但算法复杂度较高、特征向量冗余度有待降低。

3、2020年杭州电子科技大学的占锦敏等人在信号处理发表了文章《常规调制信号与扩频信号的调制识别算法》，这篇文章提出了基于瞬时特征和高阶累积量特征的常规调制与跳频调制分类算法。首先推导了7种调制信号的归一化四阶累积量切片的公式，通过归一化四阶累积量切片特征参数检测噪声中通信信号，利用占用带宽特征参数将信号分为扩频信号和常规调制通信信号两类，最后利用瞬时特征参数和高阶累积量特征参数，分别识别扩频信号和5种常规调制通信信号。该方法在大于1db信噪比条件下实现了对7种信号的正确识别，但在低信噪比下识别准确率不高，且在跳频信号频率数目较低时识别率下降。

4、2022年海军大连舰艇学院的刘聪等人在电声技术发表了文章《基于深度学习的常规调制信号与跳频调制信号识别》，这篇文章利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像，之后将时频图像输入卷积神经网络进行分类识别。该方法相比于传统人工特征分类模型受信噪比影响小，且分类识别准确率高，在信噪比大于-4db条件下，识别成功率达到98％以上，但所需的识别时间较长，不适用于对突发信号进行检测。

技术实现思路

1、针对上述现有技术的不足，本发明的目的在于提供一种低信噪比时调制识别准确率高、节省运算资源实时性好的基于图卷积神经网络的跳频信号调制识别方法。

2、本发明是通过以下技术方案实现的，本发明提出一种基于图卷积神经网络的跳频信号调制识别方法，所述方法包括以下步骤：

3、步骤1：提取跳频信号的节点特征；

4、步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；

5、步骤3：根据跳频信号图域转换数据构建图卷积神经网络gcn模型；

6、步骤4：利用训练样本集合训练gcn模型，将测试样本输入训练好的gcn模型中输出识别结果。

7、进一步地，步骤1所述提取跳频信号的节点特征方法具体为：

8、将每一跳信号看作一个节点，通过计算每一跳信号的双谱特征和幅相特征提取节点特征，计算4种积分双谱作为双谱特征：径向积分双谱rib、轴向积分双谱aib、圆周积分双谱cib和矩形积分双谱sib，计算信号的瞬时幅度和瞬时相位作为幅相特征；对所有点的6种特征的特征值取均值作为一跳信号的特征值；将4种积分双谱特征值按照aib、sib、rib、cib的顺序依次排列，幅相特征值按照波形包络、波形相位的顺序排列，组合成样本的双谱和幅相特征集。

9、进一步地，步骤2中，通过求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性，即：

10、

11、当系数r大于阈值th时邻接矩阵中的元素被赋值为1，即可构成一条边，否则赋值为0，不能形成边，根据邻接矩阵的值将可形成边的节点连接起来，将一条信号转换为一个无向拓扑图。

12、进一步地，步骤3中，由于每一条信号包含n跳信号，可形成n个节点，因此图卷积神经网络包含2个图卷积层即可实现预计的效果，构建的gcn模型包括2层图卷积层，1层池化层和1层线性层，总共4层网络。

13、进一步地，步骤4中，输入gcn模型的训练样本为(x,edge_index)，x是形状为[n,6]的节点的特征矩阵，n为节点数量，edge_index是形状为[2,num_edges]的图的连接性矩阵，num_edges为边的数量。

14、进一步地，在步骤1中，计算双谱特征b(ω1,ω2)公式为：

15、

16、其中c3,x(τ1,τ2)为信号的三阶积累量；

17、计算径向积分双谱rib公式为：

18、

19、其中0＜a≤1，

20、计算轴向积分双谱aib公式为：

21、

22、其中y(t)＝x2(t)-e{x2(t)}且

23、计算圆周积分双谱cib公式为：

24、cib(a)＝∫bp(a,θ)dθ

25、其中bp(a,θ)是b(ω1,ω2)的极坐标表示；

26、计算矩形积分双谱sib公式为：

27、

28、其中sl为积分路径。

29、进一步地，在步骤1中，计算幅相特征具体为：

30、信号的幅值与相位是区分不同类型信号的两个重要参数，获取到的跳频信号x(t)可用式表示为：

31、x(t)＝s(t)+n(t)

32、其中，s(t)为实信号，n(t)为高斯白噪声，提取信号的包络幅度及相位瞬时参数时需要将信号变为解析信号，对信号进行希尔伯特变换：

33、

34、对于实际系统中的离散形式信号而言，其希尔伯特变换为：

35、

36、信号的瞬时幅度为：

37、

38、信号的瞬时相位为：

39、

40、本发明的有益效果为：

41、1)所提取的双谱和幅相联合特征，比双谱特征或幅相特征具有更好的抗噪声性能，在低信噪比下具有更好的识别效果；

42、2)所提出的信号图域转换方法以每一跳信号作为一个节点，降低了节点和边的数量，减少了参数和计算量，节省运算资源；

43、3)将信号转换为无向拓扑图，相较于时频图像，可以更好地捕捉信号的潜在特征，从而获得更高的信号分类精度；

44、4)所构建的gcn模型适应了跳频信号图域转换数据节点少的特点，所需结构层数少，大大降低了模型的运算量，实时性好。

技术特征：

1.一种基于图卷积神经网络的跳频信号调制识别方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤1所述提取跳频信号的节点特征方法具体为：

3.根据权利要求1所述的方法，其特征在于，步骤2中，通过求取两个节点特征的皮尔逊相关系数来计算两个节点特征的相关性，即：

4.根据权利要求1所述的方法，其特征在于，步骤3中，由于每一条信号包含n跳信号，可形成n个节点，因此图卷积神经网络包含2个图卷积层即可实现预计的效果，构建的gcn模型包括2层图卷积层，1层池化层和1层线性层，总共4层网络。

5.根据权利要求1所述的方法，其特征在于，步骤4中，输入gcn模型的训练样本为(x,edge_index)，x是形状为[n,6]的节点的特征矩阵，n为节点数量，edge_index是形状为[2,num_edges]的图的连接性矩阵，num_edges为边的数量。

6.根据权利要求2所述的方法，其特征在于，在步骤1中，计算双谱特征b(ω1,ω2)公式为：

7.根据权利要求2所述的方法，其特征在于，在步骤1中，计算幅相特征具体为：

技术总结
本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤：步骤1：提取跳频信号的节点特征；步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；步骤3：根据跳频信号图域转换数据构建图卷积神经网络GCN模型；步骤4：利用训练样本集合训练GCN模型，将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上，提取多种节点特征，减少了参数和计算量且抗噪声性能好，构建的GCN模型可以获取受信噪比影响较小的空间结构信息，在保证了识别准确率的基础上网络层数少，实时性好。

技术研发人员：马莫涵,侯长波,张静,周志超,张志鹏,王刻庸
受保护的技术使用者：哈尔滨工程大学
技术研发日：
技术公布日：2024/1/14