[发明专利]一种基于外部注意力机制的射频信号调制方式识别方法

说明书

本发明提供一种基于外部注意力机制的射频信号调制方式识别方法，聚焦于射频信号数据，能从繁杂的数据信息中筛选出对当前任务目标最有利的信息，挖掘出数据集不同样本之间的潜在相关性，进一步探索隐藏的信号特征，以有效提高神经网络算法识别效果，通过定制化使用BN层处理信道衰落，在卷积操作前批归一化数据，以减少人工处理。射频信号调制方式识别问题中引入外部注意力机制，能够以低计算复杂度区分影响调制方式识别性能的重要特征与无关特征，探索不同信号样本之间的相关性。本发明能针对射频信号数据的调制方式进行有效识别，识别准确率高。

技术领域

本发明涉及信号识别技术，特别涉及射频信号调制方式的识别技术。

背景技术

射频信号的调制方式识别是指接收方在没有任何调制信息与先验知识的前提下对接收信号的调制类型进行识别，能够有效识别调制方式是后续选择信号解调方法以及进行其他工作的基础，也是认知无线电中至关重要的一环。认知无线电是为缓解日益复杂的电磁环境下频谱资源紧张的问题，而提出的一种提高频谱总体利用率的方法。现有的射频信号调制方式的分类方法主要分为两大类：一类是机器学习中的基于特征的识别方法，主要是通过大量人工分析设计提取信号特征，例如信号的幅度谱峰值、高次方谱和信号包络峭度等特征，再结合支持向量机、贝叶斯模型等机器学习浅层网络，来对信号的调制方式进行识别。然而，这种基于特征的识别方法主要依赖于专家特征和算法选择，人工成本高昂，且识别性能在不同通信环境中的自适应性较差；另一类是机器学习中的基于数据的识别方法，现在也被称为深度学习。在过去的十年里，深度学习方法由于对信号的可分辨特征具有较强的自适应学习能力，在语音、图像处理和自然语言处理等领域都取得了优异的性能。因此，如何将深度学习运用于射频信号的调制分类也引起了研究者们的关注，研究者们通过卷积神经网络、残差网络、循环神经网络等深度神经网络对信号进行调制分类，取得了一定的研究成果。但以上方法的缺点是这些深度学习网络对网络中的每一个特征都给予了同等的重视程度，未能有效区分有用和无用的信号特征。

发明内容

本发明所要解决的技术问题是，提供一种能够选择性地处理信号，忽略无关信息而关注重点信息的高性能低成本射频信号调制方式识别方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于外部注意力机制的射频信号调制方式识别方法，包括步骤：

S1：将各调制方式的时域信号分解为I路与Q路信号，将每个采样点的I/Q信号作为一个信号样本，并对信号样本标注调制方式类型作为标签，一个信号样本以及对应标签作为一个训练样本；

将信号样本先输入至第一BN层进行批归一化处理，再进行标准化处理得到输出特征；其中，批归一化处理方式如下：

(k)表示信号样本的序号变量，x(k)为信号样本第k点数据，k＝1,…,N，N为信号样本总点数，表示批归一化处理后的数据，信号数据x(k)的均值E[x(k)]和方差为预设值，由训练数据集决定；

标准化处理方式如下：

y^(k)为第一BN层的输出的第k点数据，γ^(k)和β^(k)为两个预设的学习参数γ和β的第k点数据；

S2：将数步骤1中第一BN层的输出据输入第一卷积层，扩充数据通道维度，再输出至第二BN层，第二BN层使用relu函数作为激活函数得到扩充维度后的特征F；

S3：将扩充维度后的特征经过BN层的后输入外部注意力模块，以低复杂度挖掘样本之间的相关性。