[發(fā)明專利]基于多特征信息的深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識(shí)別方法

有效

• 申請?zhí)枺?/td>: 202210188206.6
• 申請日: 2022-02-28
• 公開（公告）號: CN114254680B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 王貴;寧剛玲
• 申請（專利權(quán)）人: 成都大公博創(chuàng)信息技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都時(shí)譽(yù)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51250
• 代理人: 李雙

1.基于多特征信息的深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識(shí)別方法，其特征在于，包括以下步驟：

S1：在電磁環(huán)境和各種信道干擾的影響下，對I/Q調(diào)制信號的瞬時(shí)特征和原始信號結(jié)合，即多特征融合；

S2：在步驟S1的基礎(chǔ)上，將多特征融合后的數(shù)據(jù)輸入至Attention-SCNN結(jié)構(gòu)進(jìn)行整合；

S3：在步驟S2的基礎(chǔ)上，引入優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)-LSTM，將Attention-SCNN結(jié)構(gòu)整合后的輸出送入到循環(huán)神經(jīng)網(wǎng)絡(luò)-LSTM，提取數(shù)據(jù)過去和未來的關(guān)聯(lián)信息，進(jìn)而捕獲全面的時(shí)序特征；

步驟S1具體如下：

首先將I/Q調(diào)制信號進(jìn)行瞬時(shí)特征提取，包括瞬時(shí)幅度和瞬時(shí)相位值；由于I/Q調(diào)制信號分為I、Q兩路正交信號，令I(lǐng)通道信號為x(t)，Q通道信號為y(t)，則瞬時(shí)幅度A(t)和瞬時(shí)相位P(t)可由以下公式所得：

(2)

(3)

然后將得到的瞬時(shí)幅度值和瞬時(shí)相位值進(jìn)行歸一化處理，再將原始I/Q信號和瞬時(shí)特征值進(jìn)行拼接融合；

其中，原始I/Q信號維度為2*N，2代表I路和Q路，N代表采樣點(diǎn)數(shù)，融合瞬時(shí)幅度和相位信息后的數(shù)據(jù)維度變?yōu)?*N；

步驟S2具體如下：

多特征融合后數(shù)據(jù)首先輸入到Attention-SCNN結(jié)構(gòu)，Attention-SCNN結(jié)構(gòu)由若干個(gè)深度可分離卷積塊和一個(gè)逐點(diǎn)卷積層構(gòu)成，其中深度可分離卷積塊即SepaConvBlock，在SepaConvBlock中，以深度可分離卷積層為基礎(chǔ)層，其卷積過程分為深度卷積和逐點(diǎn)卷積兩步；

在SepaConvBlock結(jié)構(gòu)中，首先利用1*1卷積層實(shí)現(xiàn)跨通道的交互與信息整合，并控制通道數(shù)量，然后再通過BatchNormalization，緩解內(nèi)部數(shù)據(jù)分布偏移的影響并加速網(wǎng)絡(luò)訓(xùn)練；接下來將批歸一化的結(jié)果輸入到兩個(gè)深度可分離卷積層中，其中卷積核尺寸為2*2，輸出通道數(shù)為32；并引入通道注意力機(jī)制；通過對通道間的依賴關(guān)系進(jìn)行建模，以自適應(yīng)的調(diào)整每個(gè)通道之間的特征響應(yīng)值；注意力機(jī)制包括壓縮和激勵(lì)兩部分，壓縮部分是利用全局平均池化技術(shù)，將特征映射U壓縮到通道描述符z∈Rc , 其中z的第c個(gè)元素可以通過以下公式計(jì)算：

(4)

式中，z的每個(gè)元素都具有特征映射U的全局感受野，式中H代表每個(gè)通道特征映射圖的高度，W代表每個(gè)通道特征映射圖的寬度，然后再對這一系列特征權(quán)重向量進(jìn)行激活操作，經(jīng)過兩個(gè)全連接層和非線性激活函數(shù)，其中sigmoid激活函數(shù)控制通道權(quán)重值處在0~1之間；最后的scale操作代表將學(xué)習(xí)到的通道權(quán)重乘以對應(yīng)通道特征，得到校準(zhǔn)后的特征映射?；即在SepaConvBlock中，經(jīng)過scale操作后的特征映射圖再通過跨層連接，與之前的輸入進(jìn)行相加，實(shí)現(xiàn)殘差學(xué)習(xí)的目的；

并且，在每一個(gè)SepaConvBlock中，添加兩次的注意力操作，之后通過4個(gè)SepaConvBlock的堆疊，再利用1*1卷積層將得到的特征映射進(jìn)行信息整合。

2.如權(quán)利要求1所述的基于多特征信息的深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識(shí)別方法，其特征在于，步驟S3具體如下：

通過將Attention-SCNN的輸出送入到雙向LSTM，即BiLSTM，其節(jié)點(diǎn)數(shù)為64，使得網(wǎng)絡(luò)提取數(shù)據(jù)過去和未來的關(guān)聯(lián)信息，捕獲全面的時(shí)序特征；

然后在BiLSTM中添加注意力機(jī)制，即，提取位于BiLSTM中間的輸出向量，再利用全連接層作為投影，得到查詢向量，然后與輸出做點(diǎn)積操作，再利用softmax函數(shù)進(jìn)行歸一化操作，得到注意力權(quán)重向量；最后將該注意力權(quán)重向量與BiLSTM的輸出做點(diǎn)積操作，得到最終的特征向量；接下來，再利用兩個(gè)全連接層，將該特征向量映射到分離的假設(shè)空間，其中激活函數(shù)采用“relu”，并添加dropout策略；最后再利用一個(gè)節(jié)點(diǎn)個(gè)數(shù)為需要識(shí)別的調(diào)制類型數(shù)量的全連接層，其激活函數(shù)采用softmax，得到調(diào)制信號對應(yīng)于每一種類的概率分布；其中最大值所對應(yīng)的類別即為識(shí)別結(jié)果。

3.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被運(yùn)行時(shí)執(zhí)行如權(quán)利要求1或2所述的一種基于多特征信息的深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識(shí)別方法。

4.一種電子設(shè)備，其特征在于，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器用于存儲(chǔ)所述處理器的可執(zhí)行命令，所述處理器通過運(yùn)行所述可執(zhí)行命令以實(shí)現(xiàn)如權(quán)利要求1或2所述的一種基于多特征信息的深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識(shí)別方法。