一种基于混合型复数神经网络的调制识别方法

本发明属于无线电通信中的信号调制识别领域，涉及一种基于混合型复数神经网络的调制识别方法。

背景技术：

1、在无法获得稳定的先验信息的情况下，如何有效地对信号自动识别调制分类在卫星通信领域，如通信安全，信号监测与管理和无线电频谱管理等领域具有十分广泛的应用价值。如：在通信安全领域中，自动调制识别可以帮助检测和识别网络中的非法信号或恶意干扰信号；通过对信号进行实时分析和识别，可以及时采取相应的安全措施保护通信系统的稳定性和安全性。在信号监测与管理领域中，自动调制识别可以用于监测和管理通信网络中的各种信号；通过对不同调制方式的识别，可以实现对通信网络的状态监测、信号分析和故障排查，提高通信网络的运行效率和管理水平。在无线电频谱管理领域中，自动调制识别可以帮助对无线电频谱进行有效管理；通过识别不同调制方式的信号，可以实现频谱的动态分配和利用，减少频谱资源的浪费。

2、近年来，基于深度学习的自动调制识别方法，因其无需人工提取特征和识别准确率高的优点而被应用于调制识别领域中。但通常，大多数收集的信号是复数，如电磁、光波、射频信号。例如，实际情况中通信领域的调制信号是复数形式的，由同相/正交时间序列数据即i路和q路组成。其中，相位分量表示时间过程或位置差，而振幅表示波的能量或功率。尽管关于深度学习在通信中的应用的文献相对丰富，但考虑信号属性的复数表示的示例很少。

3、复数神经网络是一种输入和网络参数为复数的人工神经网络。由于复数神经网络能够直接处理相位和幅度信息，可以完全提取波信息，所以使用复数神经网络可以提高数据表达能力，比实数神经网络更适合于处理与波相关的信息处理模型，为处理具有复数特性或在复数域上进行计算的问题提供了一种新的解决方法。目前，尽管已经开展对复数神经网络在信号处理上的研究，但应用于信号调制识别领域的复数神经网络还较为缺乏。

4、如：y.tu,y.lin,c.hou,and s.mao,"complex-valued networks for automaticmodulation classification,"ieee transactions on vehicular technology,articlevol.69,no.9,pp.10085-10089,sep 2020,doi:10.1109/tvt.2020.3005707中，给出了复数网络中复数卷积，复批量归一化，复权重初始化和复密集层模块的设计，并且使用radioml2016.10a数据集对应用上述模块的三种不同的复数神经网络模型及其对应的实数神经网络模型进行了比较研究，证实了复数神经网络应用在信号自动调制识别上优越表现。s.kim,h.-y.yang,and d.kim,"fully complex deep learning classifiers for signalmodulation recognition in non-cooperative environment,"ieee access,vol.10,pp.20295-20311,2022 2022,doi:10.1109/access.2022.3151980中，提出了用于自动信号调制识别复数卷积神经网络和复数残差神经网络，其提出的复数神经网络相比同等网络层的实数神经网络具有更快的学习速度、更高的优化性和更好的泛化能力，特别是在识别相位相关的调制方式如psk，apsk和qam性能更佳。虽然以上复数神经网络模型在自动调制识别时识别效果均优于等网络层设置的实数神经网络，但是其性能已经低于当前性能优越的实数网络。例如j.krzyston,r.bhattacharjea,and a.stark,"complex-valuedconvolutions for modulation recognition using deep learning,"in 2020ieeeinternational conference on communications workshops(icc workshops),6/20202020,dublin,ireland:ieee,pp.1-6,doi:10.1109/iccworkshops49005.2020.9145469中，提出通过一种实数卷积函数与两列实数数组线性组合的方式实现了复数卷积层在实数神经网络中的计算，这种方法实现的模型参数量少，计算复杂度低，但其仅对卷积层做了复数处理。

5、f.zhang,c.luo,j.xu,and y.luo,"an efficient deep learning model forautomatic modulation recognition based on parameter estimation andtransformation,"ieee communications letters,vol.25,no.10,pp.3287-3290,10/20212021,doi:10.1109/lcomm.2021.3102656中的参数估计和变换的高效深度学习模型(pet-cgdnn)由参数估计、参数变换和特征提取模块组成，其中特征提取模块由卷积神经网络和门控递归单元组成。因为特征提取模块为实数神经网络，由实数卷积神经网络和实数单向门控递归单元组成，未充分利用同相/正交时间序列数据之间的内在联系，所以其网络的调制识别性能还有待进一步挖掘和提升。

技术实现思路

1、因此，为了充分利用同相/正交时间序列数据之间的内在联系，提高自动调制识别模型的特征提取能力进而提升模型识别性能，本发明在文献f.zhang,c.luo,j.xu,andy.luo,"an efficient deep learning model for automatic modulation recognitionbased on parameter estimation and transformation,"ieee communicationsletters,vol.25,no.10,pp.3287-3290,10/2021 2021,doi:10.1109/lcomm.2021.3102656中参数估计和变换的高效深度学习模型(pet-cgdnn)的基础上进行改进，将其混合型神经网络中的实数网络提取层扩展到复数域，从而提出了一种基于混合型复数神经网络的调制识别方法，基于混合型复数神经网络的调制识别模型由复数卷积层、复数双向门控循环单元层和复数激活函数组成。此模型可以在网络模型参数量相对较少的情况下实现较高的调制识别准确率；本发明适用于无法获得稳定的先验信息条件下的信号自动调制识别，解决了实数神经网络未充分利用同相/正交时间序列数据之间的内在联系的技术问题，可以实现调制识别准确率更高的效果，且具有模型参数较少，泛化性好的特点。

2、本发明的目的通过以下技术方案来具体实现：

3、本发明公开了一种基于混合型复数神经网络的调制识别方法，该方法包括：

4、步骤一、采用不重复随机抽样的方法对无线通信领域数据集中的信号按照预设比例进行提取，划分为训练集、验证集和测试集；

5、步骤二、将参数估计和变换的高效深度学习模型(pet-cgdnn)中的特征提取模块替换为复数特征提取模块，由复数特征提取模块以及参数估计和变换的高效深度学习模型中的参数逆变换模块和特征识别模块构建基于混合型复数神经网络的调制识别模型；

6、步骤三、基于自适应矩估计优化算法和交叉熵损失函数，使用训练集对基于混合型复数神经网络的调制识别模型进行训练，并保存每轮训练后获得的模型参数；使用验证集对应用每轮模型参数的基于混合型复数神经网络的调制识别模型进行验证，选取在验证集上识别准确率最高的模型参数作为最优模型参数；

7、步骤四、将测试集输入应用最优模型参数的基于混合型复数神经网络的调制识别模型中，输出预测类别。

8、所述步骤一，具体包括：

9、在计算机编程语言python中使用numpy库中的random.choice函数对无线通信领域数据集中的信号按照预设比例随机选择n训/验/测个不重复的整数作为样本的索引值；

10、根据样本的索引值，从无线通信领域数据集中将指定索引的样本提取出来，按照样本的预设比例划分为训练集、验证集或测试集样本；

11、其中，n训/验/测的计算方法如下：

12、

13、其中，n训/验/测表示训练集、验证集或测试集样本数量；r训表示训练集划分比例；r验表示验证集划分比例；r测表示测试集划分比例。

14、所述步骤二，具体包括：

15、s1、将无线通信领域数据集中的输入信号y输入参数估计和变换的高效深度学习模型中的拉平层flatten和第一密集层dense-linear后获得相位参数φ；

16、s2、将输入信号y和相位参数φ进行参数逆变换，输出逆变换后的输出信号得到参数逆变换模块；

17、s3、将输出信号输入第一复数卷积层cconv(75个滤波器和2×8的核大小)和第一复数激活函数crelu得到信号的空间特征z1；

18、将空间特征z1输入第二复数卷积层(25个滤波器和2×5的核大小)和第二复数激活函数进一步压缩得到信号的提取特征z2；

19、将提取特征z2输入复数双向门控循环单元层cbigru(单元数量设置为64)，提取信号的时间特征ht，得到复数特征提取模块；

20、s4、将时间特征ht输入由第二密集层dense-linear(第二密集层隐单元的数量为调制类别的数量)和归一化函数softmax组成的特征识别模块后得到输出信号预测类别概率；

21、由参数逆变换模块、复数特征提取模块和特征识别模块构建基于混合型复数神经网络的调制识别模型。

22、步骤s1中，输入信号y为：

23、

24、其中，yi为同相分量；yq为正交分量；j为虚数单位，值为为离散样本信号的实部部分；为离散样本信号的虚部部分；y[l]表示以离散形式存储的输入信号，样本长度为l。

25、步骤s2中，将输入信号y和相位参数φ进行参数逆变换，输出逆变换后的输出信号的方法如下：

26、

27、其中，为离散样本信号的实部部分；为离散样本信号的虚部部分；y[l]表示以离散形式存储的输入信号，样本长度为l；e为自然对数运算的底数；j为虚数单位，值为为相位参数。

28、步骤s3中，空间特征z1和提取特征z2的计算方法具体包括：

29、1)输出信号经过第一复卷积层cconv处理得到的信号的第一空间特征z；其中，

30、

31、其中，zdl为输出信号的离散形式存储的输入信号y[l]经过75个滤波器和2×8的核大小的二维实卷积conv2d处理得到的数据；

32、2)将第一空间特征z输入第一复数激活函数crelu得到信号的空间特征z1为：

33、

34、

35、

36、其中，crelu(z1)为第一空间特征z经过第一复数激活函数crelu得到的空间特征z1；为第一空间特征z的实部特征；为第一空间特征z的虚部特征；为将代入激活函数处理；为将代入激活函数处理；i为虚数单位。

37、将上述zdl替换为空间特征z1，将经过75个滤波器和2×8的核大小的二维实卷积conv2d处理替换为经过25个滤波器和2×5的核大小的二维实卷积conv2d处理，重复上述计算步骤，进一步压缩得到信号的提取特征z2。

38、步骤s3中，时间特征ht的计算方法包括：

39、复数双向门控循环单元层cbigru由复数前向门控循环单元和复数后向门控循环单元组成；cbigru具体计算公式如下所示：

40、

41、其中，为复数前向门控循环单元，为前向当前时刻的隐藏状态；xt为输入信息，是前一层网络输出的实部特征和虚部特征的模；为前向前一时刻的隐藏状态；为复数后向门控循环单元，为后向当前时刻的隐藏状态；ht为双向当前时刻的隐藏状态，由前向当前时刻的隐藏状态和后向当前时刻的隐藏状态构成，即为s3中所提取信号的时间特征。

42、其中，复数前/后向门控循环单元cgru的表达式如下所示：

43、

44、其中，xt表示输入信息，是前一层网络输出的提取特征z2的实部特征和虚部特征的模；为前一层网络输出的实部特征；为前一层网络输出的虚部特征；zt和rt分别表示更新门和重置门；σ为归一化函数；wz和wr分别为更新门权重参数和重置门权重参数；ht-1和ht分别表示前/后向当前时刻的候选隐藏状态、前/后向前一时刻的隐藏状态和前/后向当前时刻的隐藏状态；w为最新门权重参数。

45、步骤三中，基于自适应矩估计优化算法和交叉熵损失函数，使用训练集对基于混合型复数神经网络的调制识别模型进行训练的具体步骤包括：

46、(1)将训练集中的信号输入基于混合型复数神经网络的调制识别模型中，输出预测概率，将最大预测概率值对应的类别标签作为预测类别标签；

47、(2)将信号的真实类别标签和预测类别标签输入到交叉熵损失函数中，计算损失值，并基于损失值更新基于混合型复数神经网络的调制识别模型的网络参数；

48、其中，交叉熵损失函数的计算方法如下：

49、loss＝-∑tilog(pi)；

50、其中，loss表示交叉熵损失函数的值，ti为信号的真实类别标签；pi为预测类别标签；

51、(3)重复步骤(1)和(2)，使用自适应矩估计优化算法对基于混合型复数神经网络的调制识别模型进行训练，设置学习率初始值；当交叉熵损失函数的值在预设迭代次数内没有减少时，将学习率乘以预设倍数；当学习率达到预设值时，训练结束，完成通过构建的训练集对所述调制识别模型的训练。

52、其中，所述自适应矩估计优化算法为通过在python中使用torch.optim.adam函数创建的自适应矩估计优化器来实现，用于通过动态调整每个参数的学习率，使得基于混合型复数神经网络的调制识别模型能够获得较好的收敛性能。

53、本发明的有益效果是：

54、(1)本发明提出的复数双向门控循环单元层可以更好地学习时间序列中的每个样本，用于提取同相/正交时间序列数据的时间特征，并且在保证识别准确率效果的前提下，有效减少模型参数数量。

55、(2)本发明提出的基于混合型复数神经网络的调制识别模型由参数逆变换模块、复数特征提取模块和特征识别模块组成。其中，参数逆变换模块能够减小信号受到的来自信道的噪声和干扰以及不完善的硬件设计对其自动调制识别带来的不利影响；复数特征提取模块能够充分地利用同相/正交时间序列数据中的内在相互联系以有效提取信号的空间特征和时间特征，进而提升调制识别准确率，且复数神经网络的使用使模型更具有泛化性。