[发明专利]一种调制信号识别方法和系统

说明书

本发明涉及一种调制信号识别方法和方法。所述调制信号识别方法包括：获取调制信号的I/Q数据；构建基于轻量型复数残差注意力神经网络；将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。其中，构建得到的基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器。基于本发明给出的这一调制信号识别方案，能够提高调制信号的识别率，降低资源消耗率。

技术领域

本发明涉及信号识别技术领域，特别是涉及一种调制信号识别方法和系统。

背景技术

自动调制识别(Automatic Modulation Recognition，AMR)技术被广泛应用于频谱监测、电子侦察等民用和军用领域。传统调制识别方法从信号的时域和频域等维度提取信号的瞬时特征以及统计特征进行识别，特征提取容易受到噪声的影响，在低信噪比下算法的识别性能不佳。

近些年，凭借其强大的特征提取能力，深度学习在计算机视觉和自然语言处理方面取得了巨大成功，一些研究者着眼于将深度学习方法应用于AMR。现有一般是提取信号的时频图和星座图特征，将调制信号的识别问题转化为图像识别问题，在一定程度上改善了低信噪比下的识别率，但是调制信号转换为图像的过程以及图像识别的过程都将耗费大量的计算资源，限制了将分类模型部署于资源受限的设备以及降低了通信的实时性。

近些年，一些研究者为了避免人工提取特征的不确定性，采用端到端的调制信号识别方法，利用GNU Radio获取的调制信号同向分量和正交分量(In-phase/Quadrature，I/Q)输入到深度学习模型中进行识别，实现了对调制信号更好地分类。例如，对于无线电调制信号的识别采用二维的I/Q信号表示复值调制信号，在实值模型中对信号进行分类，信号的实部和虚部是相互独立的，为充分利用信号实部和虚部之间的相关性，Tu等构建复数神经网络模型对调制信号进行分类，与实值模型相比较，复值模型实现了更高的识别性能。此外，为了增强重要信息减少无关信息的干扰，注意力机制广泛用于深度学习中，提出了一种SE注意力机制，借助二维全局池化计算通道注意力，以较低的计算成本提高了性能。Woo等人提出了通道和空间注意力机制，混合通道信息和空间信息以增强输入特征。Lin等提出了一种时频注意机制，从频谱图像中学习通道、频率和时间方面的有用特征，以提高现有CNN的识别性能。但是，实值深度学习模型在调制识别应用中识别性能依旧不能达到理想效果。

发明内容

本发明的目的是提供一种调制信号识别方法和系统，能够提高调制信号的识别率，降低资源消耗率。

为实现上述目的，本发明提供了如下方案：

一种调制信号识别方法，包括：

获取调制信号的I/Q数据；

构建基于轻量型复数残差注意力神经网络；所述基于轻量型复数残差注意力神经网络包括多个复数卷积模块、残差注意力模块和分类器；所述复数卷积模块用于提取输入数据的复数域特征；所述残差注意力模块用于提取复数域特征的残差特征；所述分类器用于基于提取的残差特征得到分类结果；

将所述I/Q数据输入所述基于轻量型复数残差注意力神经网络，得到调制信号识别结果。

优选地，所述复数卷积模块包括实值卷积模块和线性变换模块；所述线性变换模块设置在所述实值卷积模块中。

优选地，所述实值卷积模块包括依次级联的卷积层、批归一化层和RELU激活层；所述线性变换模块包括线性矩阵；

所述线性矩阵设置在所述卷积层和所述批归一化层之间。

优选地，所述线性矩阵为3×2的线性矩阵。

优选地，所述残差注意力模块包括卷积层、第一路注意力通道和第二路注意力通道；