基于深度学习的卫星信号调制样式识别方法及算法模型与流程

本发明涉及卫星通信信号调制样式识别，尤其涉及一种基于深度学习的卫星信号调制样式识别方法及算法模型。

背景技术：

1、随着现代国防领域信息化程度和数字化建设不断加强，卫星通信在军工领域的通信中占据越来越重要的地位。近年来，卫星通信的应用场景更加广泛，可适应的通信环境也更为多样性，根据通信环境和通信需求的不同需要采用的信号调制样式。卫星信号的调制样式识别是空间识别通信领域的重要组成部分,无论在增强通信系统的传输性能方面还是在电子对抗方面，都起到了极为重要的作用。

2、随着卫星通信技术发展，卫星信号需要经过远距离传输，传输过程中卫星信号可能受到各种各样信道效应的影响，而且信道极为复杂，具有极大随机性，卫星信号调制样式识别也更为困难。目前对卫星信号调制样式识别方法主要包括基于决策理论方法、基于特征提取方法和基于深度学习的方法。基于决策理论的识别方法需要首先建立一系列数学模型，需要一系列先验步骤，算法复杂多极大，需要进复杂运算，而且泛化性也较差。基于特征提取的方法需要从预处理的信号数据中提取出规定好的信号特征，特征来源通常由通信条件以及被识别信号的调制样式决定。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。

2、根据本发明的一方面，提供了一种基于深度学习的卫星信号调制样式识别方法，该基于深度学习的卫星信号调制样式识别方法包括：根据输入模拟卫星信号数据的特性，对数据集进行预处理，将数据集划分为训练集和验证集；构建基于多尺度时序特征的信号调制识别算法模型，信号调制识别算法模型包括依次设置的卷积模块、连接层、lstm模块和输出层，卷积模块根据原始i/q信号输出多尺度时序数据，连接层将卷积模块的输出与原始i/q信号在通道上进行拼接后传递至lstm模块进行时序特征提取，输出层根据时序特征输出信号调制样式的识别结果；根据训练集和验证集对该信号调制识别算法模型进行数据训练和验证，确定模型最优参数；基于模型最优参数，采用基于多尺度时序特征的信号调制识别算法模型完成卫星信号调制样式识别。

3、进一步地，卷积模块包括批归一化bn层、卷积单元和降维卷积单元，原始i/q信号经批归一化bn层后输入至卷积单元进行卷积计算以提取特征，降维卷积单元对卷积单元的输出进行降维处理输出多尺度时序数据。

4、进一步地，卷积单元包括若干卷积层。

5、进一步地，卷积单元还包括relu激活函数。

6、进一步地，lstm模块包括若干lstm网络层。

7、根据本发明的另一方面，提供了一种基于多尺度时序特征的信号调制识别算法模型，该信号调制识别算法模型包括依次设置的卷积模块、连接层、lstm模块和输出层，卷积模块根据原始i/q信号输出多尺度时序数据，连接层将卷积模块的输出与原始i/q信号在通道上进行拼接后传递至lstm模块进行时序特征提取，输出层根据时序特征输出信号调制样式的识别结果。

8、进一步地，卷积模块包括批归一化bn层、卷积单元和降维卷积单元，原始i/q信号经批归一化bn层后输入至卷积单元进行卷积计算以提取特征，降维卷积单元对卷积单元的输出进行降维处理输出多尺度时序数据。

9、进一步地，卷积单元包括若干卷积层。

10、进一步地，卷积单元还包括relu激活函数。

11、进一步地，lstm模块包括若干lstm网络层。

12、应用本发明的技术方案，提供了一种基于深度学习的卫星信号调制样式识别方法及算法模型，该识别方法构建了基于多尺度时序特征的信号调制识别算法模型，将其应用于卫星信号调制样式识别，通过对深度卷积神经网络进行数据训练，优化网络参数并输出最优值，提高了卫星信号调制样式识别准确度。与现有技术相比，本发明的技术方案能够解决现有技术中信号调制样式识别算法复杂度较高的技术问题。

技术特征：

1.一种基于深度学习的卫星信号调制样式识别方法，其特征在于，所述基于深度学习的卫星信号调制样式识别方法包括：

2.根据权利要求1所述的基于深度学习的卫星信号调制样式识别方法，其特征在于，所述卷积模块包括批归一化bn层、卷积单元和降维卷积单元，原始i/q信号经所述批归一化bn层后输入至所述卷积单元进行卷积计算以提取特征，所述降维卷积单元对所述卷积单元的输出进行降维处理输出多尺度时序数据。

3.根据权利要求2所述的基于深度学习的卫星信号调制样式识别方法，其特征在于，所述卷积单元包括若干卷积层。

4.根据权利要求2或3所述的基于深度学习的卫星信号调制样式识别方法，其特征在于，所述卷积单元还包括relu激活函数。

5.根据权利要求1至4中任一项所述的基于深度学习的卫星信号调制样式识别方法，其特征在于，所述lstm模块包括若干lstm网络层。

6.一种基于多尺度时序特征的信号调制识别算法模型，其特征在于，所述信号调制识别算法模型包括依次设置的卷积模块、连接层、lstm模块和输出层，所述卷积模块根据原始i/q信号输出多尺度时序数据，所述连接层将所述卷积模块的输出与原始i/q信号在通道上进行拼接后传递至所述lstm模块进行时序特征提取，所述输出层根据时序特征输出信号调制样式的识别结果。

7.根据权利要求6所述的基于多尺度时序特征的信号调制识别算法模型，其特征在于，所述卷积模块包括批归一化bn层、卷积单元和降维卷积单元，原始i/q信号经所述批归一化bn层后输入至所述卷积单元进行卷积计算以提取特征，所述降维卷积单元对所述卷积单元的输出进行降维处理输出多尺度时序数据。

8.根据权利要求7所述的基于多尺度时序特征的信号调制识别算法模型，其特征在于，所述卷积单元包括若干卷积层。

9.根据权利要求7所述的基于多尺度时序特征的信号调制识别算法模型，其特征在于，所述卷积单元还包括relu激活函数。

10.根据权利要求6所述的基于多尺度时序特征的信号调制识别算法模型，其特征在于，所述lstm模块包括若干lstm网络层。

技术总结
本发明提供了一种基于深度学习的卫星信号调制样式识别方法及算法模型，该基于深度学习的卫星信号调制样式识别方法包括：对数据集进行预处理，将数据集划分为训练集和验证集；构建基于多尺度时序特征的信号调制识别算法模型，信号调制识别算法模型包括依次设置的卷积模块、连接层、LSTM模块和输出层；根据训练集和验证集对该信号调制识别算法模型进行数据训练和验证，确定模型最优参数；基于模型最优参数，采用基于多尺度时序特征的信号调制识别算法模型完成卫星信号调制样式识别。应用本发明的技术方案，能够解决现有技术中信号调制样式识别算法复杂度较高的技术问题。

技术研发人员：刘鹏,高亚豪
受保护的技术使用者：北京自动化控制设备研究所
技术研发日：
技术公布日：2024/1/22