一种基于级联网络的通信信号调制识别方法

本发明属于通信，尤其涉及一种基于级联网络的通信信号调制识别方法。

背景技术：

1、自动调制识别(amr)是非合作通信系统中的关键技术，在信号检测和解调之间起着重要作用。只有确定接收信号的调制方式，才能选择相应的解调器对信号进行解调，从而获得有用信息。该技术广泛应用于军事和民用领域，在信息截获、干扰识别、电子对抗和频谱管理等方面发挥着重要作用。

2、amr方法分为基于似然估计和基于特征提取的两类方法。基于似然估计的方法中，调制识别问题被表示为一个多重假设检验问题。通过最大似然估计法对信号进行处理，将各信号的似然比与阈值进行比较，实现信号调制方式的分类，该方法可以获得较好的识别率，但计算复杂度过高。基于特征提取的调制识别方法，是从不同信号的时域和频域信息中提取典型特征，其识别率主要取决于提取到的不同调制方式的特征参数，但是传统分类器在进行特征提取时需要人为干预，而且特征学习能力较弱，因此其识别率普遍较低。近年来，随着深度学习在计算机视觉、机器翻译、语音识别和自然语言处理中表现出色，深度学习在通信领域的应用也逐渐引起关注。

3、通信领域的深度学习算法具有模型灵活、能够进行端到端学习的特点。专家们使用cnn、rnn等网络构建不同的模型，以实现通信信号的调制识别。但是近年来由于通信场景日益复杂，许多深度学习网络对调制信号的总体识别率并不理想。

技术实现思路

1、有鉴于此，本发明提供了一种基于级联网络的通信信号调制识别方法，以解决现有深度学习方法对通信信号识别率低的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于级联网络的通信信号调制识别方法，包括以下步骤：

4、s1：对获取到的通信信号进行采样，得到待分类的iq信号；

5、s2：构建堆叠式降噪自动编码器，以最小化真实数据与输出数据之间的误差为目标，通过编码和解码来重构真实数据，提取真实数据的深层信息，对采样信号进行降噪；

6、s3：在卷积长短时记忆全连接深度神经网络的基础上构建信号特征提取网络；

7、s4：通过信号特征提取网络对降噪后的信号进行特征提取，并根据特征提取结果对信号调制方式进行识别，输出分类结果。

8、进一步地，步骤s1中，对获取到的通信信号进行采样，每个信号的样本数量为1024，每个样本有i和q两路信号，将待分类的iq信号看成单通道的1024×2大小的图像数据进行处理，对应图像中的高×宽×通道，表示为1024×2×1的形式。

9、进一步地，步骤s2中，堆叠式降噪自动编码器通过堆叠3个降噪自编码器的方式构成，每个降噪自编码器均由输入层、隐藏层、输出层3层网络组成，从输入层到隐藏层属于编码部分，在编码部分中将含噪声的采样数据转换为隐藏层中的潜在表征，隐藏层到输出层属于解码部分，在解码部分中将内部表征转换为输出；

10、编码部分中：假设真实信号为x，x由n组数据样本组成，每组数据样本由x1、x2、…、xn组成；x′为采样信号，设隐藏层特征向量集合为h，h由n组特征向量组成，每组特征向量由h1、h2、…、hn组成，n为每组特征向量中的向量个数，则x′与h的编码关系为：

11、h(x′)＝sf(wx′+b)

12、式中：w为输入层和隐藏层之间的权重矩阵，b为输入层与隐藏层之间的偏置矩阵，sf为编码部分的神经元激活函数；

13、解码部分的运算是编码部分运算的逆过程，解码部分以隐藏层的特征向量作为输入向量，重构原始输入，设y为输出数据，则h与y的解码关系为：

14、y(x′)＝sg(w′h(x′)+b′)

15、式中：w′为隐藏层与输出层之间的权重矩阵，b′为隐藏层与输出层之间的偏置矩阵，sg为解码器的神经元激活函数；

16、对于每个降噪自编码器，通过最小化输入真实信号x与输出数据y(x′)之间的重构误差来实现特征学习，利用梯度下降算法不断调整网络权重和偏置，降低重构误差；重构误差l为：

17、

18、其中，||||表示欧几里得范数；

19、训练好一个降噪自编码器后，将该降噪自编码器的隐藏层的输出数据作为下一个降噪自编码器的输入数据，从而使堆叠式降噪自动编码器以无监督的贪婪分层方式进行训练，对数据进行深层特征挖掘。

20、进一步地，步骤s3的具体方式为：

21、s301：构建卷积长短时记忆全连接深度神经网络，该网络包括顺次级联的5个部分：1)输入层，2)五层卷积层，3)一层长短时记忆网络，4)两层深度神经网络层，5)输出层；

22、其中，长短时记忆网络的大小为50，第1层深度神经网络层的节点数为256，第2层深度神经网络层的节点数为k，k为待识别调制样式的种类个数；第1层卷积层由64个大小为1×10的卷积核与输入的特征进行卷积，第1层卷积层的特征输出与后面4层卷积层进行短连接，加强特征的传递和重用，各卷积层均使用relu函数作为激活函数，此外，将第1层卷积层和第5层卷积层的输出进行级联，得到特征图f；第2层深度神经网络层输出k维概率向量至输出层，输出层以最大概率值的索引作为分类结果；

23、s302：使用扩张率为2的空洞卷积代替五层卷积层中的普通卷积，以增大特征图的感受野，并保持特征图的尺寸不变；扩张后的卷积核大小为：

24、k′＝k+(k-1)(d-1)

25、式中：k′为扩张后的卷积核尺寸，k为原卷积核大小，d为扩张率；

26、s303：在卷积层和长短时记忆网络之间引入eca注意力机制，eca通道注意力机制首先将卷积层级联后的输出特征图f进行全局平均池化操作，然后通过卷积核大小为k的一维卷积来实现通道之间的信息交互，信道的权重ω表示为：

27、ω＝σ(c1dk(f))

28、式中，c1d代表一维卷积，σ是sigmoid函数，k表示局部跨通道交互的覆盖范围，k为非负整数；

29、将权重ω与特征图f的对应元素相乘，得到精细化的特征图f’，增强特征的表达能力，然后将特征图f’输入到大小为所述长短时记忆网络；

30、s304：在第2层深度神经网络层和输出层之间加入一层全局平均池化层，对待识别的信号特征进行累加并求均值：

31、

32、式中：gc为第c个信号特征的平均池化输出，其中1≤c≤k，n为待识别信号特征的长度，为第c个信号特征中的第i个数据。

33、进一步地，步骤s4中，根据特征提取结果对信号调制方式进行识别，具体方式为：使用softmax层对信号特征提取网络输出的特征提取结果进行分类，实现对信号调制方式的识别。

34、本发明的有益效果是：

35、1、本发明结合深度学习，构建堆叠式降噪自动编码器(sdae)对待识别的通信信号做降噪处理，提高信号质量；

36、2、本发明使用空洞卷积增加特征图的感受野，提取信号深层信息；

37、3、本发明加入了eca注意力机制，提升了特征提取效果；

38、4、本发明构建的信号特征提取网络对现有的cldnn(cnn-lstm-dnn,卷积长短时记忆全连接深度神经网络)进行了改进，可称为dceldnn(dilated cnn-eca-lstm-dnn，空洞卷积注意长短时记忆全连接深度神经网络)，该网络采用gap层提高了网络的运行速度，避免过拟合，在保证系统效率的同时提升了特征提取的效果。