信号处理方法、装置、存储介质及电子设备

技术领域

本公开涉及信号处理技术领域，尤其涉及一种信号方法、装置、存储介质及电子设备。

背景技术

伴随着通信技术的不断革新升级，通信信号的调制方式也愈加丰富。在非合作通信中，通信系统接收端无法得知发送信号的具体调制方式，因此需要自动调制识别技术来检测出信号的调制类型，自动调制识别技术在认知无线电、电子对抗、频谱检测等方面发挥着重要作用。

目前根据不同的判别方法，自动调制识别方法包括基于似然函数的判别方法与基于特征的调整识别方法。

基于似然函数的调制识别方法，需要进行大量计算，且需要很多先验信息。在非合作通信中，信号的大量参数是未知的，最大化未知信息将会导致分类错误，因此基于似然函数的调制识别方法在实际应用中较难实现。

基于特征的调整识别方法，相对更容易实现，需要从接收到的信号中提取特征，再通过分类器来确定信号调制方式。但是特征的提取依赖于经验，并且提取特征的好坏和分类器的选取有关，选取不当将严重影响识别结果的准确性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种信号处理方法、装置、存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的数据获取效率较低以及运算效率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种信号处理方法，包括：

获取所述待处理信号的星座图以及所述待处理信号的幅相特征；

对所述星座图进行滤波处理，得到滤波后的星座图；

将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述获取所述待处理信号的星座图包括：

根据所述待处理信号的实部分量以及所述待处理信号的虚部分量确定所述星座图的边界值；

根据所述边界值对所述实部分量以及所述虚部分量进行归一化，分别得到归一化的实部分量以及归一化的虚部分量；

分别将所述归一化的实部分量以及所述归一化的虚部分量转换到预设区间范围内，得到转化后的实部分量和转化后的虚部分量；

将所述转化后的实部分量以及所述转化后的虚部分量进行取整，分别得到取整后的实部分量以及取整后的虚部分量；

根据所述取整后的实部分量以及所述取整后的虚部分量得到所述星座图。

在本公开的一种示例性实施例中，所述根据所述待处理信号的实部分量以及所述待处理信号的虚部分量确定所述星座图的边界值包括：

获取所述待处理信号的实部分量的第一最大值以及虚部分量的第二最大值；

将所述第一最大值和所述第二最大值中的最大值作为所述待处理信号的最大值；

根据所述待处理信号的最大值确定所述星座图的边界值。

在本公开的一种示例性实施例中，所述信号调制方式识别模型包括特征数据处理网络、与所述特征数据处理网络连接的特征融合网络、与特征融合网络连接的跳跃连接网络的以及与所述跳跃连接网络连接的多层感知器；

所述将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式，包括：

将所述滤波后的星座图和所述幅相特征输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量以及所述幅相特征的第二特征向量；

将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量；

将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果；

将所述跳跃连接结果输入所述多层感知器，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述特征数据处理网络包括星座图嵌入层；

所述将所述滤波后的星座图输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量，包括：

将所述滤波后的星座图和所述幅相特征输入所述星座图嵌入层，对所述滤波后的星座图进行划分，得到多个星座子图；

将多个所述星座子图进行拼接，生成所述第一特征向量。

在本公开的一种示例性实施例中，所述特征数据处理网络包括幅相特征嵌入层；

所述将所述幅相特征输入特征数据处理网络，以获取所述幅相特征的第二特征向量，包括：

将所述幅相特征进行等长度划分，得到多个子幅相特征；

将所述多个子幅相特征输入幅相特征嵌入层，分别对所述子幅相特征进行降维，得到所述子幅相特征的第二特征向量。

在本公开的一种示例性实施例中，所述特征融合网络包括全局平均池化层；

所述特征融合网络包括全局平均池化层；

所述将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量，包括：

将所述第一向量和所述第二向量输入所述全局平均池化层，以获取所述第一向量和所述第二向量的平均值；

将所述平均值作为所述特征融合向量。

在本公开的一种示例性实施例中，所述特征融合网络包括全局平均池化层；

所述特征融合网络包括全局平均池化层；

所述将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量，包括：

将所述第一向量和所述第二向量输入所述全局平均池化层，以获取所述第一向量和所述第二向量的平均值；

将所述平均值作为所述特征融合向量。

在本公开的一种示例性实施例中，所述将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量，包括：

将标记位、所述第一向量和所述第二向量输入所述特征融合网络，以对所述标记位、所述第一向量和所述第二向量，得到拼接处理结果；

将所述拼接处理结果作为所述特征融合向量。

在本公开的一种示例性实施例中，所述将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果包括：

在所述特征融合向量添加位置标签，得到目标特征融合向量；

将所述目标特征融合向量输入所述跳跃连接网络，以对所述目标特征融合向量进行层标准化操作，得到第一层标准化结果；

对所述第一层标准化结果进行自主力机制运算，得到自主力机制运算结果；

采用分支结构丢弃方式对所述自主力机制运算结果进行跳跃连接，得到所述跳跃连接结果。

在本公开的一种示例性实施例中，所述将所述跳跃连接结果输入所述多层感知器，以获取所述待处理信号的调制方式包括：

对所述跳跃连接结果进行层标准化操作，得到第二层标准化结果；

将所述第二层标准化结果输入所述多层感知器，以获取所述待处理信号的调制方式。

根据本公开的第二方面，提供一种信号处理装置，包括：

星座图获取模块，用于获取所述待处理信号的星座图以及所述待处理信号的幅相特征；

滤波处理处理模块，用于对所述星座图进行滤波处理，得到滤波后的星座图；

调制方式获取模块，用于将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述获星座图获取模块包括：

边界值确定单元，用于根据所述待处理信号的实部分量以及所述待处理信号的虚部分量确定所述星座图的边界值；

归一化单元，用于根据所述边界值对所述实部分量以及所述虚部分量进行归一化，分别得到归一化的实部分量以及归一化的虚部分量；

转化单元，用于分别将所述归一化的实部分量以及所述归一化的虚部分量转换到预设区间范围内，得到转化后的实部分量和转化后的虚部分量；

取整单元，用于将所述转化后的实部分量以及所述转化后的虚部分量进行取整，分别得到取整后的实部分量以及取整后的虚部分量；

星座图获取单元，用于根据所述取整后的实部分量以及所述取整后的虚部分量得到所述星座图。

在本公开的一种示例性实施例中，所述边界值确定单元包括：

第一最大值获取单元，用于获取所述待处理信号的实部分量的第一最大值以及虚部分量的第二最大值；

第二最大值确定单元，用于将所述第一最大值和所述第二最大值中的最大值作为所述待处理信号的最大值；

边界值确定子单元，用于根据所述待处理信号的最大值确定所述星座图的边界值。

在本公开的一种示例性实施例中，所述信号调制方式识别模型包括特征数据处理网络、与所述特征数据处理网络连接的特征融合网络、与特征融合网络连接的跳跃连接网络的以及与所述跳跃连接网络连接的多层感知器；

所述调制方式获取模块包括：

特征向量获取单元，用于将所述滤波后的星座图和所述幅相特征输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量以及所述幅相特征的第二特征向量；

特征融合向量获取单元，用于将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量；

跳跃连接结果获取单元，用于将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果；

调制方式获取单元，用于将所述跳跃连接结果输入所述多感知器，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述特征数据处理网络包括星座图嵌入层；

所述特征向量获取单元包括：

星座子图获取单元，用于将所述滤波后的星座图和所述幅相特征输入所述星座图嵌入层，对所述滤波后的星座图进行划分，得到多个星座子图；

第一特征向量生成单元，用于将多个所述星座子图进行拼接，生成所述第一特征向量。

在本公开的一种示例性实施例中，所述特征数据处理网络包括幅相特征嵌入层；

所述特征向量获取单元包括：

子幅相特征获取单元，用于将所述幅相特征进行等长度划分，得到多个子幅相特征；

第二特征向量获取单元，用于将所述多个子幅相特征输入所述幅相特征嵌入层，分别对所述子幅相特征进行降维，得到所述子幅相特征的第二特征向量。

在本公开的一种示例性实施例中，所述特征融合网络包括全局平均池化层；

所述特征融合向量获取单元包括：

平均值获取单元，用于将所述第一向量和所述第二向量输入所述全局平均池化层，以获取所述第一向量和所述第二向量的平均值；

第一特征融合向量获取单元，用于将所述平均值作为所述特征融合向量。

在本公开的一种示例性实施例中，所述特征融合向量获取单元包括：

拼接处理结果获取单元，用于将标记位、所述第一向量和所述第二向量输入所述特征融合网络，以对所述标记位、所述第一向量和所述第二向量进行拼接处理，得到拼接处理结果；

第二特征融合向量获取单元，用于将所述拼接处理结果作为所述特征融合向量。

在本公开的一种示例性实施例中，所述跳跃连接结果获取单元包括：

目标特征融合向量获取单元，用于在所述特征融合向量添加位置标签，得到目标特征融合向量；

第一层标准化结果获取单元，用于将所述目标特征融合向量输入所述跳跃连接网络，以对所述目标特征融合向量进行层标准化操作，得到第一层标准化结果；

自主力机制运算结果获取单元，用于对所述第一层标准化结果进行自主力机制运算，得到自主力机制运算结果；

跳跃连接结果获取单元，用于采用分支结构丢弃方式对所述自主力机制运算结果进行跳跃连接，得到所述跳跃连接结果。

在本公开的一种示例性实施例中，所调制方式获取单元包括：

第二层标准化结果获取单元，用于对所述跳跃连接结果进行层标准化操作，得到第二层标准化结果；

调制方式获取子单元，用于将所述第二层标准化结果输入所述多层感知器，以获取所述待处理信号的调制方式。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。

根据本公开的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

综上所述，本公开提供的方法，通过获取所述待处理信号的星座图以及所述待处理信号的幅相特征；对所述星座图进行滤波处理，得到滤波后的星座图；将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式，不需要进行大量计算以及很多先验信息就能获取信号的调制方式，能够适用于实际应用中，并且不需要依赖于经验就能够准确的获取信号的调制方式，提高了识别结果的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性地示出了本公开示例性实施例中一种信号处理方法的流程图；

图2示意性地示出了本公开示例性实施例中一种信号处理过程的示意图；

图3示意性地示出了本公开示例性实施例中一种信号处理系统架构的示意图；

图4示意性地示出了本公开示例性实施例中一种星座图的示意图；

图5示意性地示出了本公开示例性实施例中一种高斯核的示意图；

图6示意性地示出了本公开示例性实施例中一种滤波后的星座图的示意图；

图7示意性地示出了本公开示例性实施例中一种调制方式识别模型的结构图；

图8示意性地示出了本公开示例性实施例中一种信号处理装置的方框图；

图9示意性地示出了本公开示例性实施例中一种存储介质的示意图；

图10示意性地示出了本公开示例性实施例中一种电子设备的方框图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

针对现有技术中存在的缺陷，本示例实施方式中首先提供了一种信号处理方法。参考图1中所示，上述的信号处理方法可以包括以下步骤：

S11、获取所述待处理信号的星座图以及所述待处理信号的幅相特征；

S12、对所述星座图进行滤波处理，得到滤波后的星座图；

S13、将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

图2示意性地示出了本公开示例性实施例中一种信号处理过程的示意图。如图2所示，待处理信号可以为同相正交(In-Phase Quadrature，IQ)信号。获取待处理信号的星座图以及幅相特征，再对星座图进行滤波处理，进而将滤波后的星座图以及幅相特征输入信号调制方式识别模型，得到识别结果，识别结果即为IQ信号的调制方式。

综上所述，通过获取所述待处理信号的星座图以及所述待处理信号的幅相特征；对所述星座图进行滤波处理，得到滤波后的星座图；将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式，不需要进行大量计算以及很多先验信息就能获取信号的调制方式，能够适用于实际应用中，并且不需要依赖于经验就能够准确的获取信号的调制方式，提高了识别结果的准确性。

下面，将结合附图及实施例对本示例实施方式中的信号调制方法中各个步骤进行更详细的说明。

在S11中，获取所述待处理信号的星座图以及所述待处理信号的幅相特征。

在本公开的一种示例性实施例中，参考图3所示的系统架构，可以包括：用户侧移动终端设备301、用户侧智能终端设备304和服务器303等。用户侧移动终端设备301、用户侧智能终端设备304和服务器303之间，均可以通过网络302进行数据传输。网络可以包括各种连接类型，例如有线通信链路、无线通信链路等等。上述的信号处理方法可以执行在服务器端、用户侧的终端设备或者由用户侧的终端设备与服务器端协作执行。以上述的方法执行在服务器端为例，服务器可以获取所述待处理信号的星座图以及所述待处理信号的幅相特征；对所述星座图进行滤波处理，得到滤波后的星座图；将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，上述获取所述待处理信号的星座图包括：

S111、根据所述待处理信号的实部分量以及所述待处理信号的虚部分量确定所述星座图的边界值。

在本步骤中，获取所述待处理信号的实部分量的第一最大值以及虚部分量的第二最大值；将所述第一最大值和所述第二最大值中的最大值作为所述待处理信号的最大值；根据所述待处理信号的最大值确定所述星座图的边界值。

例如，待处理信号为IQ信号X＝[x

value

其中，value

进一步地，确定所述待处理信号的最大值后，采用如下公式确定所述星座图的边界值：

board

其中，board

S112、根据所述边界值对所述实部分量以及所述虚部分量进行归一化，分别得到归一化的实部分量以及归一化的虚部分量。

具体的，归一下的实部分量为

S113、分别将所述归一化的实部分量以及所述归一化的虚部分量转换到预设区间范围内，得到转化后的实部分量和转化后的虚部分量。

在本公开的一种示例性实施例中，预先设置星座图的尺寸在N*N。则将所述归一化的实部分量以及所述归一化的虚部分量分别乘以星座图尺寸的一半，即N/2，将所述归一化的实部分量以及所述归一化的虚部分量转化到[-N/2，N/2]内。

具体的，可以采用如下公式得到转化后的实部分量和转化后的虚部分量：

其中，X

S114、将所述转化后的实部分量以及所述转化后的虚部分量进行取整，分别得到取整后的实部分量以及取整后的虚部分量。

进一步地，将所述归一化的实部分量以及所述归一化的虚部分量转化到[-N/2，N/2]内后，再将所述转化后的实部分量以及所述转化后的虚部分量进行向下取整，分别得到取整后的实部分量

S115、根据所述取整后的实部分量以及所述取整后的虚部分量得到所述星座图。

进一步地，得到取整后的实部分量

在本公开的一种示例性实施例中，可以采用如下公式获取所述待处理信号的幅相特征：

其中，amp(x

在步骤S12中，对所述星座图进行滤波处理，得到滤波后的星座图。

在本公开的一种示例性实施例中，可以采用高斯模糊(Gaussian Blur)算法对生成的星座图进行平滑滤波，进而对星座点簇内空数据的区块进行填充，从而扩大样本数。

设星座图f(x，y)的大小为P*Q，高斯滤波器G(x，y)的大小为p*q，高斯滤波器分布方式如下所示：

则可采用如下公式对星座图进行滤波：

其中，

在本公开的一种示例性实施例中，可以分别选择大小为3和5的二维卷积高斯核对星座图进行平滑滤波处理，高斯分布的标准差为1，则高斯核形状如图5(a)和图5(b)所示，其中，5(a)为大小为3*3的高斯核的示意图，5(b)为大小为5*5的高斯核的示意图。

经过高斯核滤波后五种调制类型的星座图如图6(a)至图6(e)所示，图6(a)至图6(e)所示的星座图采用了5*5大小的二维卷积高斯核进行平滑滤波处理。从图6(a)至图6(e)中可以看出，采用5*5大小的二维卷积高斯核进行平滑滤波处理后，在各个调制方式下，各个星座点簇的数据分布较为一致，在各个星座点簇中，靠近簇中心的空数据点得到较好的补充，而在点簇的边缘位置，数据分布的平滑性也较为优良。最后将经过高斯模糊的星座图进行归一化，使其范围在[0，1]之间，便得到最终的星座图矩阵。具体来说，图6(a)表示调制方式为π/2BPSK的信号经过滤波后的星座图，图6(b)表示调制方式为调制方式为QPSK的信号经过滤波后的星座图，图6(c)表示调制方式为16QAM的信号经过滤波后的星座图，图6(d)表示调制方式为64QAM的信号经过滤波后的星座图，图6(e)表示调制方式为256QAM的信号经过滤波后的星座图。

通过采用高斯高斯模糊(Gaussian Blur)算法对生成的星座图进行平滑滤波，能够在未对数据集采样点数进行扩充的前提下，增强低分辨率星座图对原始数据的表征能力。

在步骤S13中，将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，如图7所示，所述信号调制方式识别模型70包括特征数据处理网络71、与所述特征数据处理网络71连接的特征融合网络72、与特征融合网络72连接的跳跃连接网络73的以及与所述跳跃连接网络74连接的多层感知器75；

基于上述内容，在本公开的一种示例性实施例中，上述将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式，包括：

S131、将所述滤波后的星座图和所述幅相特征输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量以及所述幅相特征的第二特征向量；

在本公开的一种示例性实施例中，如图7所示，所述特征数据处理网络71包括星座图嵌入层711；

所述将所述滤波后的星座图输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量，包括：

将所述滤波后的星座图和所述幅相特征输入所述星座图嵌入层，对所述滤波后的星座图进行划分，得到多个星座子图；将多个所述星座子图进行拼接，生成所述第一特征向量。

在本公开的一种示例性实施例中，信号调制方式识别模型为变换器Transformer模型。由于传统Transformer模型的输入为二维向量序列，包括向量的长度和维度[R，D]。而星座图是三维矩阵，维度为[W，H，C]，其中、W、H、C分别表示星座图的宽度、高度与通道数。因此，需要星座图嵌入层对星座图进行形式变换，将星座图转化为二维向量序列。首先，按照将星座图等大小划分R块，然后展为一维向量。假设区块的大小为P，则每个向量的大小为P

在本公开的一种示例性实施例中，所述特征数据处理网络71包括幅相特征嵌入层712；

基于上述内容，在本公开的一种示例性实施例中，上述将所述幅相特征输入特征数据处理网络，以获取所述幅相特征的第二特征向量，包括：

将所述幅相特征进行等长度划分，得到多个子幅相特征；将所述多个子幅相特征输入所述幅相特征嵌入层，分别对所述子幅相特征进行降维，得到所述子幅相特征的第二特征向量。

在本公开的一种示例性实施例中，所述幅相特征为所述待处理信号在时域的特征。幅相特征在时域的维度是[E，D]，E表示幅相特征数据帧长度，D等于2，分别表示幅相特征中的幅度特征和相位特征。但在通信系统中，幅相特征数据帧的长度E通常比较大，而长序列在后续信号调制方式识别模型进行运算时，将会导致计算复杂度的增加。因此，需要对幅相特征进行划分，以减小的序列长度。

在本公开的一种示例性实施例中，可以对幅相特征进行等长度划分，将幅相特征划分为L个子幅相特征，L为大于1的整数。再对各子幅相特征输入幅相特征嵌入层，以分别对所述子幅相特征进行Embedding降维操作，得到所述第二特征向量。

通过对幅相特征进行等长度划分，能够有效的减少幅相特征输入到调制方式识别模型的序列长度，进而降低计算的复杂度，提高计算效率。

S132、将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量；

所述特征融合网络72包括全局平均池化层721；

所述将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量，包括：

将所述第一向量和所述第二向量输入所述全局平均池化层，以获取所述第一向量和所述第二向量的平均值；将所述平均值作为所述特征融合向量。

在本公开的一种示例性实施例中，获取所述第一向量和所述第二向量的平均值包括：

获取所述第一向量中每个大小为P

通过全局平均池化层对各大小为P

在本公开的另一种实施例中，所述将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量，包括：

将标记位、所述第一向量和所述第二向量输入所述特征融合网络，以对所述标记位、所述第一向量和所述第二向量进行拼接处理，得到拼接处理结果；将所述拼接处理结果作为所述特征融合向量。

在本公开的一种示例性实施例中，该标记位为Class标记位，是一个可学习的嵌入向量。该标记位在自注意力self-attention运算机制中，会与第一特征向量和所述第二特征向量两种特征向量中的各大小为P

由于各个子幅相特征和各个区块的星座图特征在经过跳跃连接网络后，均有各自对应的输出，所以在分类任务中将经过自注意力机制的隐状态信息进行有效融合并进行分类，能够准确的识别出待处理信号的调制方式。因此，通过为采用全局平均池化与添加分类标记位两种方式进行特征融合，能够有效的解决特征融合问题，进而能够根据特征融合向量准确的识别出待处理信号的调制方式。

S133、将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果；

基于上述内容，在本公开的一种示例性实施例中，上述将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果包括：

在所述特征融合向量添加位置标签，得到目标特征融合向量；将所述目标特征融合向量输入所述跳跃连接网络，以对所述目标特征融合向量进行层标准化操作，得到第一层标准化结果；对所述第一层标准化结果进行自主力机制运算，得到自主力机制运算结果；采用分支结构丢弃方式对所述自主力机制运算结果进行跳跃连接，得到所述跳跃连接结果。

由于对幅相特征及星座图进行了划分，使得划分后得到的子幅相特征的以及第一向量中每个大小为P

进一步地，在所述特征融合向量添加位置标签，得到目标特征融合向量后，所述目标特征融合向量输入所述跳跃连接网络。在本公开的一种示例性实施例中，如图7所示，所述跳跃连接网络包括多个级联的跳跃连接子网络。其中，每个跳跃连接子网络均包括层标准化Layer Normalization层、与Layer Normalization层连接的神经元数目为512的全连接层、与全连接层连接的随机失活Dropout层以及与Dropout层与分连接的分支结构丢弃模块。

具体的，通过第一个跳跃连接子网络的Layer Normalization层对各Patch的数据进行层标准化操作，得到第一层标准化结果。而通过全连接层以及与全连接层连接的Dropout层对第一层标准化结果进行自注意力机制self-attention运算，得到自主力机制运算结果。为增强模型的泛化能力，再通过分支结构丢弃模块采用分支结构丢弃方式对自主力机制运算结果进行跳跃连接，得到第一跳跃连接结果。

进一步地，为了再次增强模型的泛化能力，可以将第一跳跃连接结果输入余下级联的跳跃连接子网络，以对第一跳跃连接结果进行跳跃连接。

S134、将所述跳跃连接结果输入所述多层感知器，以获取所述待处理信号的调制方式。

基于上述内容，在本公开的一种示例性实施例中，上述将所述跳跃连接结果输入所述多层感知器，以获取所述待处理信号的调制方式包括：对所述跳跃连接结果进行层标准化操作，得到第二层标准化结果；将所述第二层标准化结果输入所述多层感知器，以获取所述待处理信号的调制方式。

经过级联的跳跃连接子网络得到跳跃连接结果后，再通过多层感知器，从跳跃连接结果中提取有用的分类信息，该分类信息用于指示待处理信号的调制方式。具体的，首先经过一Layer Normalization层对跳跃练级结果进行层标准化操作，得到第二层标准化结果；再经过一个小型多层感知器将第二层标准化结果降维，并转换为概率分类方式，即经过多层感知器的输出为不同类别的调制方式以及与其对应的概率。其中，概率最大的调制方式即为待处理信号的调制方式。在本公开的一种示例性实施例中，可以在多层感知器中使用包含softmax激活函数的全连接层级联，实现对调制方式的分类。

下面对本公开提供的信号处理方法如何获取待处理信号的调制方式结合计算公式进行说明：

将幅相特征表示为x，且x∈R

x

y

其中，x

采用全局平均池化的方式，可以采用如下公式计算得到的特征融合向量：

z

其中，z

采用class标记位的方式，可以采用如下公式运算得到的特征融合向量：

z

其中，x

进入级联的跳跃连接子网络后，采用如下公式计算得到跳跃连接结果：

z‘

z

其中，z

在进入多层感知器后，分别采用公式(15)和公式(16)对全局平均池化的方式对应的跳跃连接结果和class标记位的方式对应的跳跃连接结果进行运算：

y＝FC(GAP(z

y＝FC(LN(z

其中，GAP表示加权平均运算，LN表示对数运算，.y表示不同类别的调制方式对应的概率。

在介绍了本发明示例性实施方式的信号处理方法之后，接下来，参考图8对本发明示例性实施方式的信号处理装置进行描述。

参考图8所示，本发明示例性实施方式的信号处理装置80可以包括：星座图获取模块801、滤波处理模块802以及调制方式获取模块获803；其中：

星座图获取模块801，用于获取所述待处理信号的星座图以及所述待处理信号的幅相特征；

滤波处理模块802，用于对所述星座图进行滤波处理，得到滤波后的星座图；

调制方式获取模块803，用于将所述滤波后的星座图和所述幅相特征输入信号调制方式识别模型，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述获星座图获取模块包括：

边界值确定单元，用于根据所述待处理信号的实部分量以及所述待处理信号的虚部分量确定所述星座图的边界值；

归一化单元，用于根据所述边界值对所述实部分量以及所述虚部分量进行归一化，分别得到归一化的实部分量以及归一化的虚部分量；

转化单元，用于分别将所述归一化的实部分量以及所述归一化的虚部分量转换到预设区间范围内，得到转化后的实部分量和转化后的虚部分量；

取整单元，用于将所述转化后的实部分量以及所述转化后的虚部分量进行取整，分别得到取整后的实部分量以及取整后的虚部分量；

星座图获取单元，用于根据所述取整后的实部分量以及所述取整后的虚部分量得到所述星座图。

在本公开的一种示例性实施例中，所述边界值确定单元包括：

第一最大值获取单元，用于获取所述待处理信号的实部分量的第一最大值以及虚部分量的第二最大值；

第二最大值确定单元，用于将所述第一最大值和所述第二最大值中的最大值作为所述待处理信号的最大值；

边界值确定子单元，用于根据所述待处理信号的最大值确定所述星座图的边界值。

在本公开的一种示例性实施例中，所述信号调制方式识别模型包括特征数据处理网络、与所述特征数据处理网络连接的特征融合网络、与特征融合网络连接的跳跃连接网络的以及与所述跳跃连接网络连接的多层感知器；

所述调制方式获取模块包括：

特征向量获取单元，用于将所述滤波后的星座图和所述幅相特征输入特征数据处理网络，以获取所述滤波后的星座图的第一特征向量以及所述幅相特征的第二特征向量；

特征融合向量获取单元，用于将所述第一向量和所述第二向量输入所述特征融合网络，以获取所述第一特征向量和所述第二特征向量的特征融合向量；

跳跃连接结果获取单元，用于将所述特征融合向量输入所述跳跃连接网络，以获取所述特征融合向量的跳跃连接结果；

调制方式获取单元，用于将所述跳跃连接结果输入所述多感知器，以获取所述待处理信号的调制方式。

在本公开的一种示例性实施例中，所述特征数据处理网络包括星座图嵌入层；

所述特征向量获取单元包括：

星座子图获取单元，用于将所述滤波后的星座图和所述幅相特征输入所述星座图嵌入层，对所述滤波后的星座图进行划分，得到多个星座子图；

第一特征向量生成单元，用于将多个所述星座子图进行拼接，生成所述第一特征向量。

在本公开的一种示例性实施例中，所述特征数据处理网络包括幅相特征嵌入层；

所述特征向量获取单元包括：

子幅相特征获取单元，用于将所述幅相特征进行等长度划分，得到多个子幅相特征；

第二特征向量获取单元，用于将所述多个子幅相特征输入所述幅相特征嵌入层，分别对所述子幅相特征进行降维，得到所述子幅相特征的第二特征向量。

在本公开的一种示例性实施例中，所述特征融合网络包括全局平均池化层；

所述特征融合向量获取单元包括：

平均值获取单元，用于将所述第一向量和所述第二向量输入所述全局平均池化层，以获取所述第一向量和所述第二向量的平均值；

第一特征融合向量获取单元，用于将所述平均值作为所述特征融合向量。

在本公开的一种示例性实施例中，所述特征融合向量获取单元包括：

拼接处理结果获取单元，用于将标记位、所述第一向量和所述第二向量输入所述特征融合网络，以对所述标记位、所述第一向量和所述第二向量进行拼接处理，得到拼接处理结果；

第二特征融合向量获取单元，用于将所述拼接处理结果作为所述特征融合向量。

在本公开的一种示例性实施例中，所述跳跃连接结果获取单元包括：

目标特征融合向量获取单元，用于在所述特征融合向量添加位置标签，得到目标特征融合向量；

第一层标准化结果获取单元，用于将所述目标特征融合向量输入所述跳跃连接网络，以对所述目标特征融合向量进行层标准化操作，得到第一层标准化结果；

自主力机制运算结果获取单元，用于对所述第一层标准化结果进行自主力机制运算，得到自主力机制运算结果；

跳跃连接结果获取单元，用于采用分支结构丢弃方式对所述自主力机制运算结果进行跳跃连接，得到所述跳跃连接结果。

在本公开的一种示例性实施例中，所调制方式获取单元包括：

第二层标准化结果获取单元，用于对所述跳跃连接结果进行层标准化操作，得到第二层标准化结果；

调制方式获取子单元，用于将所述第二层标准化结果输入所述多层感知器，以获取所述待处理信号的调制方式。

由于本发明实施方式的信号处理装置的各个功能模块与上述信号处理方法发明实施方式中相同，因此在此不再赘述。

在介绍了本发明示例性实施方式的信号处理方法、信号处理装置之后，接下来，参考图9对本发明示例性实施方式的存储介质进行说明。

参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在介绍了本发明示例性实施方式的存储介质之后，接下来，参考图10对本发明示例性实施方式的电子设备进行说明。

图10显示的电子设备100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备100以通用计算设备的形式表现。电子设备90的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述"示例性方法"部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图1中所示的步骤S11至步骤S13。

存储单元1020可以包括易失性存储单元，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以包括数据总线、地址总线和控制总线。

电子设备100也可以与一个或多个外部设备110(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口1050进行。电子设备100还包括显示单元1040，其连接到输入/输出(I/O)接口1050，用于进行显示。并且，电子设备100还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了空间数据渲染系统的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。