信号来波方向与调制样式联合智能估计模型的构建方法

技术领域

本发明涉及信号分析处理技术领域，尤其涉及一种信号来波方向与调制样式联合智能估计模型的构建方法。

背景技术

无线电测向和信号调制样式识别在无线通信领域应用广泛。一方面，无线电测向是指测向站通过测量和计算电磁场参数，确定由测向站到辐射源的射线与指定的参考方向的夹角；另一方面，信号调制样式识别是指通过接收通信信号，经信号处理分析，判断通信信号调制样式的过程。

对于无线电测向，考虑到电磁波的特性，辐射源的来波方向信息通常都体现在天线接收信号的幅度响应或相位响应上。因此，根据获取方向所利用的不同信息响应分类，目前常用的无线电测向技术体制主要有幅度响应和相位响应型测向。而较现代化的子空间类测向，则利用信号的阵列响应信息。由于多普勒效应，当辐射源与测向机之间存在相对运动时，测向机接收到的信号存在多普勒频移，多普勒测向机通过旋转天线测量频移获取目标方向是一种频率响应型测向。另外，辐射源信号到达测向机的多幅天线存在时间差，利用这些时间差获取目标方向即为时间响应型测向。传统无线电测向系统在实际应用过程中，在某些场景下逐渐显露出一些不足：一是复杂条件下测向性能严重恶化，其中复杂条件包括复杂接收系统(天线单元存在互耦、天线单元存在位置误差、接收通道不一致等)、复杂信号(宽带信号等)、复杂信道(存在反射信道等)；二是逐渐难以满足测向精度、分辨率进一步提升的要求；三是多频点测向校正工作量巨大或无法实现全覆盖校正。这些场景下，智能测向方法由于机器学习模型(特别是深度神经网络模型)强大的建模能力而体现出显著优势，可实现复杂场景下测向精度显著提升，多信号测向分辨率提升和校正表中未见频点、来波方向处测向精度提升。另一方面，信号调制样式识别是非协作通信过程中的重要环节，是完成解调进而获取信息的前提，常用于电子干扰、频谱监管等。近年来深度学习方法由于其优异的性能在调制样式识别领域也引起了研究人员的关注，其优点在于：可在无需人为设计特征的情况下，实现较低信噪比下的调制样式高精度识别。在信号监测、频谱监管过程中，往往存在对某信号既要开展来波方向估计，也要开展调制样式识别的场景，而目前针对来波方向估计和调制样式识别的智能模型往往是独立运行的。针对来波方向估计和调制样式识别分别设计一个智能模型具有针对性强、性能最优的优点，但也存在一些不足：一是将信号来波方向结果与调制样式识别结果进行关联，需额外工作，即为了确认来波方向估计结果与调制样式识别结果是源自同一信号，需要获取额外信息(如：时间戳)及在此基础上的关联算法；二是对处理设备算力要求高，即处理设备必须具备同时部署运行两个智能模型的算力。

综上，现有技术中针对来波方向估计和调制样式识别，需要分别设计算法、构建模型，存在算法复杂、硬件成本高等缺陷。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种信号来波方向与调制样式联合智能估计模型的构建方法，用以解决现有技术中由于针对来波方向估计和调制样式识别，需要分别设计算法、构建模型，存在的算法复杂、硬件成本高等问题。

本发明的目的主要是通过以下技术方案实现的：

本发明实施例提供了一种信号来波方向与调制样式联合智能估计模型的构建方法，包括如下步骤：

构建多任务深度神经网络结构，并采集多路同步采样IQ数据流，形成训练样本和测试样本；

利用训练样本，对所述多任务深度神经网络结构进行训练，获得训练完成的多任务深度神经网络结构；

基于所述训练完成的多任务深度神经网络结构，增加调制样式和来波方向估计提取模块，获得来波方向与调制样式联合智能估计模型；利用所述模型对测试样本进行联合智能估计，获得测试样本的来波方向估计结果和调制样式识别结果，完成所述信号来波方向与调制样式联合智能估计模型的构建。

基于上述方法的进一步改进，所述多任务深度神经网络结构，包括输入层、依次连接的四个卷积块，以及来波方向估计支路和调制样式识别支路；其中，

四个所述卷积块均包括卷积层、批归一化层和线性整流单元；

在第四卷积块之后分为所述来波方向估计支路和所述调制样式识别支路；其中，

所述来波方向估计支路依次包括第一全连接层、第五线性整流单元和第二全连接层；

所述调制样式识别支路依次包括第三全连接层、第六线性整流单元、第四全连接层和softmax层。

基于上述方法的进一步改进，所述输入层的输入为由信号接收阵列天线下发的多路同步采样IQ数据流，包括：

一个M单元天线阵列中，单元j的一次采样的IQ数据，表示为：

s

s

其中，s

则单元j的网络输入为：

s

则多任务深度神经网络结构的输入，即所述多路同步采样IQ数据流，表示为：

基于上述方法的进一步改进，所述来波方向估计支路用于输出无线电来波入射方位角的正弦估计值和余弦估计值，记作O

O

其中，α为无线电来波入射方位角。

基于上述方法的进一步改进，所述调制样式识别支路用于输出无线电来波被判别为某个信号调制类型的概率值，记作O

将softmax层的输入记作a；

则对于softmax层，构建类别标签，表示为：

i∈{1,2...,N

其中，N

则softamax层预测的来波调制样式属于类别i的条件概率为：

其中，ω

则O

基于上述方法的进一步改进，对所述多任务深度神经网络结构进行训练，包括：

基于多任务深度神经网络结构的来波方向估计任务的输出和调制样式识别任务的输出，构建来波方向估计任务的损失函数和调制样式识别任务的损失函数；

基于来波方向估计任务的损失函数和调制样式识别任务的损失函数，构建多任务神经网络的损失函数；

基于多任务神经网络结构的损失函数，采用随机梯度法对模型参数进行训练更新，获得训练完成的多任务深度神经网络结构。

基于上述方法的进一步改进，基于多任务深度神经网络结构的来波方向估计任务的输出，构建来波方向估计任务的损失函数，包括：

将来波方向估计任务的损失函数，构建为均方根误差函数，则对训练样本的来波方向估计损失为：

其中，N

基于上述方法的进一步改进，基于多任务深度神经网络结构的调制样式识别任务的输出，构建调制样式识别任务的损失函数，包括：

将调制样式识别任务的损失函数，构建为平均交叉熵函数，则对训练样本的调制样式识别损失为：

其中，

基于上述方法的进一步改进，基于来波方向估计任务的损失函数和调制样式识别任务的损失函数，构建多任务神经网络的损失函数，表示为：

Loss＝Loss

其中，η为权重调节参数，且η＞0。

基于上述方法的进一步改进，所述调制样式和来波方向估计提取模块，表示为：

其中，tj表示测试样本，

与现有技术相比，本发明至少可实现如下有益效果之一：

1、本发明公开了一种信号来波方向与调制样式联合智能估计模型的构建方法，仅利用一个模型即可获取无线电来波的入射角估计值和调制样式，不用分别建立模型而需要配置高算力的设备，有效地节约了硬件成本。

2、本发明构建一种信号来波方向与调制样式联合智能估计模型时所设计的算法，简洁有效，不用对信号来波方向结果与调制样式识别结果进行关联，即不必设计关联算法，节约了硬件设备的算力。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为信号来波方向与调制样式联合智能估计模型架构图；

图2为均匀五元圆形接受阵列的示意图；

图3为基于训练样本在200个训练周期过程中深度神经网络的损失函数。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

实施例1

本发明的一个具体实施例，公开了一种信号来波方向与调制样式联合智能估计模型的构建方法，如图1所示，包括如下步骤：

S1.构建多任务深度神经网络结构，并采集多路同步采样IQ数据流，形成训练样本和测试样本。

S2.利用训练样本，对所述多任务深度神经网络结构进行训练，获得训练完成的多任务深度神经网络结构。

S3.基于所述训练完成的多任务深度神经网络结构，增加调制样式和来波方向估计提取模块，获得来波方向与调制样式联合智能估计模型；利用所述模型对测试样本进行联合智能估计，获得测试样本的来波方向估计结果和调制样式识别结果，完成所述信号来波方向与调制样式联合智能估计模型的构建。

实施例2

在实施例1的基础上进行优化，步骤S1可进一步细化为如下步骤：

S11.构建包括多个卷积块的多任务深度神经网络结构。

示例性的，卷积块数为4，整个多任务深度神经网络结构共有20层网络结构，如图1所示，依次包括：

输入层、第一卷积块、第二卷积块、第三卷积块、第四卷积块以及来波方向估计支路和调制样式识别支路；其中，

第一卷积块依次包括第一卷积层、第一批归一化层和第一线性整流单元；

第二卷积块依次包括第二卷积层、第二批归一化层和第二线性整流单元；

第三卷积块依次包括第三卷积层、第三批归一化层和第三线性整流单元；

第四卷积块依次包括第四卷积层、第四批归一化层和第四线性整流单元；

所述第四卷积块之后分为来波方向估计支路和调制样式识别支路；其中，

所述来波方向估计支路依次包括第一全连接层、第五线性整流单元和第二全连接层；

所述调制样式识别支路依次包括第三全连接层、第六线性整流单元、第四全连接层和softmax层。

S12.以数据流作为多任务深度神经网络结构的输入，获得多任务深度神经网络结构的输出。

具体的，所述输入层的输入为由信号接收阵列天线下发的多路同步采样IQ数据流。

所述多个卷积块，基于输入的原始多路同步采样IQ数据流，用于逐层提取数据流的高维特征，在高维特征具备足够的表征能力时，将数据输出到所述来波方向估计支路和所述调制样式识别支路；

具体的，对于任意一个卷积块中的卷积层，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元；卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，进而提取出输入数据的高维特征；

在第一个卷积块，输出特征维数为1×128；在第二个卷积块，输出特征维数为1×512；

对于任意一个卷积块中的卷积层，其运算步骤为：先利用可学习的权重向量与该卷积层的输入进行卷积操作，获得卷积操作结果，再将卷积操作结果与可学习的偏置向量进行求和操作，获得该卷积层的计算结果，并输出至对应的下一层；

对于任意一个卷积块中的批归一化层，其作用是统一对后续神经网络的输入进行特性统计，加速网络学习速度，可有效防止梯度爆炸和梯度消失；

线性整流单元的作用之一是检测特征是否和任务相关，只保留有用的特征，去掉无关特征，确保了网络的稀疏性；线性整流单元函数的导数只有0或1，在反向传播过程中，可有效避免梯度消失问题；此外，线性整流单元函数也具有计算简单快捷的特点。

所述来波方向估计支路通过两个全连接层和一个线性整流单元将各高维特征综合起来用于来波方向估计，由于采用alpha会导致错误惩罚的问题，为了避免这一问题，本申请将来波方向估计构建为回归问题，来波方向估计支路用于输出无线电来波入射方位角的正弦估计值和余弦估计值；来波方向估计分支的第一个全连接层输出特征维数为1×128，第二个全连接层输出特征维数为1×2。

所述调制样式识别支路通过两个全连接层和一个线性整流单元将各高维特征综合起来，并通过softmax层实现调制样式隶属度的归一化表征；本申请将调制样式识别任务构建为分类任务，则调制样式识别任务的输出为调制样式分类号的一位有效编码；调制样式识别支路用于输出无线电来波被判别为某个信号调制类型的概率值；调制样式识别分支的第一个全连接层输出特征维数为1×128，第二个全连接层输出特征维数为1×4。

示例性的，以下为多任务深度神经网络结构的一个具体运算过程：

一个M单元天线阵列中，单元j的一次采样的IQ数据为：

s

s

其中，s

则单元j的网络输入为：

s

则整个多任务深度神经网络结构的输入为：

来波方向估计任务的输出为：

O

其中，α为无线电来波入射方位角；

多任务深度神经网络结构可表示为由输入到输出的非线性映射，其中由输入I到输出O

调制样式识别任务的输出为O

其中，

具体的，将softmax层的输入记作a；

则对于softmax层，构建类别标签，表示为：

i∈{1,2...,N

其中，N

则softamax层预测的来波调制样式属于类别i的条件概率为：

其中，ω

则O

优选地，步骤S2可进一步细化为如下步骤：

S21.基于多任务深度神经网络结构，进一步构建网络损失函数及参数更新方式，进而对多任务深度神经网络结构的网络参数进行训练更新。

具体的，基于多任务深度神经网络结构的来波方向估计任务的输出和调制样式识别任务的输出，构建其对应的损失函数；其中，

将来波方向估计任务的损失函数，构建为均方根误差函数，则对训练样本的来波方向估计损失为：

其中，N

将调制样式识别任务的损失函数，构建为平均交叉熵函数，则对训练样本的调制样式识别损失为：

其中，

S22.基于来波方向估计任务的损失函数和调制样式识别任务的损失函数，构建多任务神经网络结构的损失函数为：

Loss＝Loss

其中，η为权重调节参数，且η＞0；当η较小时则网络更侧重来波方向估计精度，当η较大时则网络更侧重调制样式识别准确率，在实际应用中可根据需要调节参数η。

示例性的，根据工程经验，取η＝1。

基于多任务神经网络结构的损失函数，采用随机梯度法对模型参数进行训练更新，获得训练完成的多任务深度神经网络结构。

优选地，步骤S3可进一步细化为如下步骤：

S31.基于所述训练完成的多任务深度神经网络结构，在其输出端，即来波方向估计支路和调制样式识别支路，增加调制样式和来波方向估计提取模块，获得来波方向与调制样式联合智能估计模型。

利用所述模型对测试样本进行联合智能估计，获得测试样本的来波方向估计结果和调制样式识别结果。

具体的，所述调制样式和来波方向估计提取模块的输入，包括：

所述训练完成的多任务深度神经网络结构中，来波方向估计支路的输出，即无线电来波入射方位角的正弦估计值和余弦估计值；

调制样式识别支路的输出，即无线电来波被判别为某个信号调制类型的概率值。

具体的，所述调制样式和来波方向估计提取模块的输出，包括：

无线电来波入射方位角的估计结果；

无线电来波的调制样式分类号。

示例性的，对于测试样本tj，其来波方向估计支路的输出为

其中，

至此，完成了测试样本j的来波方向估计和调制样式识别。

S32.对来波方向与调制样式联合智能估计模型进行测试，完成来波方向与调制样式联合智能估计模型的构建。

示例性的，通过一个典型场景的应用案例，测试本发明所构建的来波方向与调制样式联合智能估计模型的应用场景及应用效果。

具体的，用一均匀五元圆形阵列来接收信号，来波方向角度范围为0°～360°，如图2所示。无线电来波的类型为BPSK、QPSK、8PSK和MSK四种调制样式。

对于每种调制样式，以1°为步进仿真产生50组1°～360°范围的样本，共计72000个样本，其中90％随机选取的样本作为多任务深度神经网络结构的训练样本，其余为测试样本。对于每个样本，其信号过采样率为8，每组样本采样128点，即多任务深度神经网络结构的输入规模为5×256，信噪比20dB。

设定模型训练最小批规模为1024，训练200个周期，此外设定η＝1。图3给出了基于训练样本在200个训练周期过程中深度神经网络的损失函数。最终，基于测试样本，来波方向估计的均方根估计误差为2.9584°，调制样式识别准确率为96.25％。作为比较，基于同样的训练、测试样本，同样结构仅针对来波方向估计的深度神经网络(即η＝0)的来波方向估计均方根误差为2.5829°，而仅针对调制样式识别的深度神经网络(即η＝∞)的调制样式识别准确率为96.76％。

基于训练样本在200个训练周期过程中深度神经网络的损失函数，如图3所示。

对于每种调制样式，在信号信噪比为10dB条件下，以1°为步进仿真产生10组1°～360°范围的样本，共计14400个测试样本，采用上述在20dB信噪比条件下训练所得的多任务深度神经网络进行预测，所得信号来波方向均方根误差为3.7512°，调制样式识别准确率为95.54％，可见模型泛化性能较好。

由上述结果可见，本发明公开的来波方向与调制样式联合智能估计模型，能够以较少的性能损失同时实现较高精度的来波方向估计和较高准确率的调制样式识别，有利于减少两类结果关联所需的工作量，同时可降低对处理设备算力的需求。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。