[發明專利]基于圖卷積模型的信號分類方法

在審

• 申請號: 202010323837.5
• 申請日: 2020-04-22
• 公開（公告）號: CN111507293A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 陳晉音;李玉瑋;賈澄鈺;林翔
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 曹兆霞

本發明公開了一種基于圖卷積模型的信號分類方法，主要應用于通信系統中的對接收信號的調制方式進行分類，以便采取相應的解調方法，保證通信系統之間實現互通互聯，通過接收端接收固定時間序列長度的調制信號，利用同相正交分量分解等預處理方法得到合適的多維數據，將處理后的信號數據輸入長短期記憶網絡提取特征，保證提取的當前時刻t的特征與之前時刻的信號數據相關，再利用這些特征構建信號的圖結構表示，最后將信號的圖結構信息和預處理后的多維數據輸入即圖卷積網絡和全連接網絡得到信號的分類結果。

技術領域

本發明屬于圖科學領域，具體涉及一種基于圖卷積模型的信號分類方法。

背景技術

信號作為信息的載體，可以在有線信道進行傳輸，但受限于低頻等原因無法直接通過無線信道傳輸，必須采用信號調制技術將信號加載到高頻載波的信號上，才能順利在無線信道中傳輸。其中，調制方式由簡到繁，方式多樣，接收端需要了解接收信號的調制方式及相應參數才能對信號成功解調得到原始信號。如今，第五代(5G)蜂窩系統將會逐漸覆蓋全國，步入商用，快速、高效的識別采用不同調制方式的通信信號，實現智能收發信號的效果，將有助于提高服務質量。其中，一項重要的技術是自動調制分類技術(AutomaticModulation Classification,AMC)，接收端在不預先知道系統參數的情況下，執行AMC識別調制類型，減少交換先驗協議信息的次數，大大降低信令開銷，提高傳輸效率。在過去的幾十年里，各種各樣的方法被提出，它們通常可以分為兩類：基于概率的方法和基于特征的方法。基于概率的方法采用在假定輸入信號的概率密度函數下基于似然函數的最大化來求解。雖然基于概率的方法在貝葉斯意義下可以提供最優的性能，但它需要對接收到的信號有完善的知識，并且計算復雜度高。在基于特征的方法中，是基于提取的接收信號特征，如高階統計量(HOS)和功率譜密度等做決策。與基于概率的方法相比，基于特征的方法實現簡單，性能接近最優。

近年來，隨著機器學習技術在各個領域不斷取得重大突破，許多研究者也將機器學習技術作為特征提取的分類器，如支持向量機、K近鄰等。深度學習不需要手工工程提取特征，就可以自動學習高級特征，因此在復雜、深度架構的識別任務中表現出優異的性能而備受關注。Chieh-Fang Teng等人(參考文獻1：Chieh-Fang Teng,Ching-Yao Chou,Chun-Hsiang Che,An-Yeu(Andy)Wu.Accumulated Polar Feature-based Deep Learning withChannel Compensation Mechanism for Efficient Automatic ModulationClassification under Time-varying Channels[J].preprint arXiv:2001.01395v1,2020.即基于極性特征的深度學習和信道補償機制，實現了時變信道下高效的自動調制分類)利用卷積神經網絡的優點來解決AMC問題，并提出了一種新的數據轉換方法圖神經網絡(Graph neural networks，GNN)是一種基于圖域分析的深度學習方法，它靠圖中節點之間的信息傳遞來捕捉圖中的依賴關系，進而得到每個節點的特征。其生成的節點特征可以用作任何可微分預測層的輸入，以端到端的方式訓練整個模型。當將GNN應用于圖分類時，RexYing等人(參考文獻2：Ying R,You J,Morris C.Hierarchical Graph RepresentationLearning with Differentiable Pooling[J].preprint arXiv:1806.08804v2,2018.即一種可微分的分層圖表示學習方法)提出一種可微分的圖形池化模型，實現對社交網絡結構和生物信息數據進行分類，得到較高的準確率。

目前，基于深度學習的圖分類模型已經取得了顯著的效果，在社交網絡、生物信息數據上取得一定的成果，但針對信號調制方式分類任務的研究較少。

發明內容

本發明的目的就是提供一種基于圖卷積模型的信號分類方法，通過長短期記憶網絡提取的特征構建信號的圖結構表示，再利用圖卷積深度模型對信號的圖結構進行分類。