[发明专利]基于图卷积模型的信号分类方法

说明书

本发明公开了一种基于图卷积模型的信号分类方法，主要应用于通信系统中的对接收信号的调制方式进行分类，以便采取相应的解调方法，保证通信系统之间实现互通互联，通过接收端接收固定时间序列长度的调制信号，利用同相正交分量分解等预处理方法得到合适的多维数据，将处理后的信号数据输入长短期记忆网络提取特征，保证提取的当前时刻t的特征与之前时刻的信号数据相关，再利用这些特征构建信号的图结构表示，最后将信号的图结构信息和预处理后的多维数据输入即图卷积网络和全连接网络得到信号的分类结果。

技术领域

本发明属于图科学领域，具体涉及一种基于图卷积模型的信号分类方法。

背景技术

信号作为信息的载体，可以在有线信道进行传输，但受限于低频等原因无法直接通过无线信道传输，必须采用信号调制技术将信号加载到高频载波的信号上，才能顺利在无线信道中传输。其中，调制方式由简到繁，方式多样，接收端需要了解接收信号的调制方式及相应参数才能对信号成功解调得到原始信号。如今，第五代(5G)蜂窝系统将会逐渐覆盖全国，步入商用，快速、高效的识别采用不同调制方式的通信信号，实现智能收发信号的效果，将有助于提高服务质量。其中，一项重要的技术是自动调制分类技术(AutomaticModulation Classification,AMC)，接收端在不预先知道系统参数的情况下，执行AMC识别调制类型，减少交换先验协议信息的次数，大大降低信令开销，提高传输效率。在过去的几十年里，各种各样的方法被提出，它们通常可以分为两类：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输入信号的概率密度函数下基于似然函数的最大化来求解。虽然基于概率的方法在贝叶斯意义下可以提供最优的性能，但它需要对接收到的信号有完善的知识，并且计算复杂度高。在基于特征的方法中，是基于提取的接收信号特征，如高阶统计量(HOS)和功率谱密度等做决策。与基于概率的方法相比，基于特征的方法实现简单，性能接近最优。

近年来，随着机器学习技术在各个领域不断取得重大突破，许多研究者也将机器学习技术作为特征提取的分类器，如支持向量机、K近邻等。深度学习不需要手工工程提取特征，就可以自动学习高级特征，因此在复杂、深度架构的识别任务中表现出优异的性能而备受关注。Chieh-Fang Teng等人(参考文献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.即基于极性特征的深度学习和信道补偿机制，实现了时变信道下高效的自动调制分类)利用卷积神经网络的优点来解决AMC问题，并提出了一种新的数据转换方法图神经网络(Graph neural networks，GNN)是一种基于图域分析的深度学习方法，它靠图中节点之间的信息传递来捕捉图中的依赖关系，进而得到每个节点的特征。其生成的节点特征可以用作任何可微分预测层的输入，以端到端的方式训练整个模型。当将GNN应用于图分类时，RexYing等人(参考文献2：Ying R,You J,Morris C.Hierarchical Graph RepresentationLearning with Differentiable Pooling[J].preprint arXiv:1806.08804v2,2018.即一种可微分的分层图表示学习方法)提出一种可微分的图形池化模型，实现对社交网络结构和生物信息数据进行分类，得到较高的准确率。

目前，基于深度学习的图分类模型已经取得了显著的效果，在社交网络、生物信息数据上取得一定的成果，但针对信号调制方式分类任务的研究较少。

发明内容

本发明的目的就是提供一种基于图卷积模型的信号分类方法，通过长短期记忆网络提取的特征构建信号的图结构表示，再利用图卷积深度模型对信号的图结构进行分类。