[发明专利]一种基于图神经网络的调制信号分类方法和系统

说明书

一种基于图神经网络的调制信号分类方法，包括：步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；步骤S2、将所属四通道信号分别转换成对应的四通道无向网络图信号；步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道的特征向量；步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合全连接层完成信号的分类；步骤S5、调节可视窗大小，重复步骤S2‑步骤S4步骤至效果最佳。本发明还包括一种图神经网络的调制信号分类系统。本发明能改进现有的可视图算法使其适用于调制信号，贴合调制信号中每个调制符号之间相互较为独立的特性，同时尽可能降低计算时间。

技术领域

本发明属于数据挖掘技术领域，尤其涉及一种基于图神经网络的调制信号分类方法和系统。

背景技术

在无线电通信领域中，无线电信号监视和管理的基本工作是掌握什么是无线电信号，它们来自何处以及该做什么，而信号调制分类的目的是解决信号是什么的问题。随着大数据时代的到来、人工智能技术的迅速发展以及面向学术界和工业界的需求，以深度学习为代表的现代机器学习方法(例如卷积神经网络、循环神经网络、长短期记忆网络、全卷积神经网络等)也开始在无线电通信领域迅速兴起和发展，其表现出的强大的从大数据中自动学习数据本质特征及抽象表达的能力引起了广泛关注。除此之外，图数据非欧式空间的特殊结构、成熟复杂网络理论的应用以及图神经网络强大的特征提取能力，让人开始考量图映射是否具有提取更多时间序列有效特征及其他的能力。通过复杂网络理论，将信号数据转换成网络图数据，然后用网络图分析方法来分析对应的信号数据。将时间序列和复杂网络进行耦合，通过研究网络的拓扑结构能够有效挖掘出时间序列的序列结构特征且图数据结构的安全性也不容小觑。当今学界中已有多种通过复杂网络理论实现时间序列分类任务的方法(例如可视图(VG)、水平可视图(HVG)、有限穿越可视图(LPVG)等)，并且实验证明这些建立网络的方法都能够提取并保留时间序列的周期、分形、混沌动力学等的特征。但是上述映射算法在无线电信号调制分类任务上表现并不出色，并且其网络构建过程费时费力，因此在现有研究的基础上改进可视图算法，建立更适合于调制信号的网络图或是结合强大的图卷积神经网络设计端到端自动映射分类模型是非常有意义的。

申请号为CN201610889168.1的专利所公开的技术方案，基于复杂网络的脑电信号分析方法及应用。该方法对脑电信号序列数据集进行分类，在对原始脑电信号进行归一化和滤波等预处理操作后,对每一个多尺度脑电信号,构建水平有限穿越可视图复杂网络，然后计算并提取出每一个网络图的特征指标，最后结合机器学习中的支持向量机分类器实现对脑电信号序列的分类。类似的可视图建网算法在处理调制信号分类任务时表现不尽人意，计算费时较久，且传统的机器学习方法对网络图特征的提取能力也相当有限。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于图神经网络的调制信号分类方法和系统。

为实现上述目的，本发明采用如下的技术方案：

一种基于图神经网络的调制信号分类方法，包括：

步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；

步骤S2、采用基于注意力的有限穿越可视图建网算法将四通道信号分别转换成对应的四通道无向网络图信号；

步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道信号的特征向量；

步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合图神经网络中的全连接层完成信号的分类；

步骤S5、调节可视窗大小，重复步骤S2-步骤S4步骤至效果最佳。

作为优选，步骤1中，读取I/Q调制信号数据，根据其其所属领域专业知识，处理每个信号数据的I通道和Q通道数据得到幅值数据A和相位数据W，将每个双通道信号数据处理成四通道信号。