基于多尺度特征平面卷积网络的信号调制识别方法

技术领域

本发明涉及信号调制识别技术领域，具体涉及一种基于多尺度特征平面卷积网络的信号调制识别方法。

背景技术

信号调制识别是介于信号检测和信号解调之间的一种技术，主要任务是实现信号的智能接收和处理。在民用方面，为了实施有效的无线电频谱管理，政府经常需要监测民用信号传输，以便能够保持对这些信号的控制或检测和监测未注册的发射机。信号调制方式自动识别技术关系到国民生活的许多领域，近年来一直是国内外研究的热点，其中，反向传播和神经网络由于其自学习和泛化能力而受到广泛关注，但存在陷入局部最优解和收敛速度在最优解附近下降缓慢的问题，使得在低信噪比条件下神经网络的识别性能不好。因此，如何有效地提取调制信号的特征参数，采用不同的识别算法和分类器实现调制方法的自动识别，并将创新思想或改进算法应用到传统的识别方法中，是一个具有挑战性的研究课题。

发明内容

解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于多尺度特征平面卷积网络的信号调制识别方法，该方法能够从多个尺度获得信号的特征信息，提高识别性能。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供了一种基于多尺度特征平面卷积网络的信号调制识别方法，包括如下步骤：

S1、对每个通讯信号进行采样，生成数据集；

S2、对所述数据集进行平移变换以实现所述数据集的扩充；

S3、建立多尺度特征平面卷积模型，并将扩充过的所述数据集输入，所述多尺度特征平面卷积模型包括卷积神经网络支路、短路支路和特征融合模块，其中，所述卷积神经网络支路用于提取局部特征信息，所述短路支路用于提取通道间的信息，所述特征融合模块用于将特征张量进行分块池化操作后分别进行特征提取并结合后输出；

S4、采用所述数据集训练所述多尺度特征平面卷积模型，并引入自注意力机制进一步优化所述多尺度特征平面卷积模型；

S5、为优化后的所述多尺度特征平面卷积模型搭建分类器。

进一步地，所述数据集包括训练集和测试集，所述训练集和所述测试集的数据量保持在7:3。

进一步地，步骤S1还包括对所述数据集的数据进行强度归一化和重心对齐处理。

进一步地，所述强度归一化具体为：将原始数据X

/>

其中，L

进一步地，所述重心对齐处理具体为：平移所述数据集的数据使其数据重心g

进一步地，步骤S2具体包括：将所述数据集的所述数据重心g

进一步地，所述卷积神经网络支路采用多尺度特征平面结构，并且特征张量的二维大小随着网络的深度增加而降低，而同时通道数会增加；其中，所述卷积神经网络支路包括三个阶段，每个阶段由两个卷积块组成，每个卷积块依次为一个1×1的下采样卷积和BN层，以将输入特征张量的通道数压缩减少，一个3×3的卷积层和BN层，以压缩特征张量每个通道的二维大小尺寸，一个1×1的上采样卷积和BN层，以扩大特征张量的通道数量，并且，每个卷积块对其输入的特征张量通过窗口大小为3×3的平均池化层处理，然后连接一个1×1上采样卷积层，得到一个与该卷积块输出张量有相同大小和通道数的输出。

进一步地，所述短路支路的输入为第一个卷积块的输出，所述短路支路包括一由通道注意力机制、ReLU激活函数和BN层构成的短路模块，所述通道注意力机制用于对特征张量进行全局平均池化处理，使其变成一个维度是通道数的向量，然后经过全连接层计算出每个通道的权重生成权重向量，最后将该向量与原始输入特征张量相乘得到输出，其中，第二个卷积块将所述第一个卷积块的输出和所述短路模块的输出相加作为输入，经过一个1×1上采样卷积层、一个3×3的卷积层和BN层和一个1×1的上采样卷积层输出，并和所述第一个卷积块的输出相加得到该阶段的最终输出特征张量。

进一步地，所述特征融合模块的具体操作为：

将输入的特征张量对每个通道分成多个不重叠的2×2窗口，然后对每个窗口进行平均池化操作，取四个数的平均值进行输出，生成一个通道数量不变，二维尺寸变为1/4的特征张量；

将处理后的特征张量和输入的特征张量分别进行卷积核大小为3，步幅为1，采用零填充方式的卷积操作，然后经过ReLU激活函数和批归一化层后分别输出；

将分别输出的两个两特征张量相加，采用窗口内的数值和小张量中对应数值相加取平均值的方法得到最终输出。

进一步地，所述分类器包括全连接层以及Softmax层，其中，所述全连接层利用矩阵向量相乘的方式进行特征空间转换整合之前网络层提取出的局部特征信息，并将权重矩阵与输入向量相乘再加偏置后通过所述Softmax层进行分类。

有益效果

本发明设计了一种基于多尺度特征平面卷积网络的信号调制识别方法，该方法可以提取深层次局部特征信息和张量通道的关联方面有较好的表现，使其在工业目标识别等方面有着很大的发展空间；进一步地，该方法可以实现较稀疏的采样达到很好的识别效果，同时在预训练阶段对数据做了额外的预处理以增加输入数据的维度等；最后，该方法预处理后的模型将不再受限于大量的训练样本，在实际应用中具有现实意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一实施例提供的基于多尺度特征平面卷积网络的信号调制识别方法步骤示意图；

图2为本发明一实施例提供的基于多尺度特征平面卷积网络的信号调制识别方法模型框架图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1和图2，本发明一实施例提供了一种一种基于多尺度特征平面卷积网络的信号调制识别方法，包括如下步骤：

S1、对每个通讯信号进行采样，生成数据集；

S2、对所述数据集进行平移变换以实现所述数据集的扩充；

S3、建立多尺度特征平面卷积模型，并将扩充过的所述数据集输入，所述多尺度特征平面卷积模型包括卷积神经网络支路、短路支路和特征融合模块，其中，所述卷积神经网络支路用于提取局部特征信息，所述短路支路用于提取通道间的信息，所述特征融合模块用于将特征张量进行分块池化操作后分别进行特征提取并结合后输出；

S4、采用所述数据集训练所述多尺度特征平面卷积模型，并引入自注意力机制进一步优化所述多尺度特征平面卷积模型；

S5、为优化后的所述多尺度特征平面卷积模型搭建分类器。

在本实施例中，参阅图2，对于步骤S1，所述数据集包括训练集和测试集，所述训练集和所述测试集的数据量保持在7:3。步骤S1还包括对所述数据集的数据进行强度归一化和重心对齐处理。

所述强度归一化具体为：将原始数据X

其中，L

/>

所述重心对齐处理具体为：平移所述数据集的数据使其数据重心g

在本实施例中，步骤S2即进行数据增强，具体为：将预处理后的所述数据集的数据样本的所述数据重心g

在本实施例中，参阅图2，所述卷积神经网络支路采用多尺度特征平面结构，并且特征张量的二维大小随着网络的深度增加而降低，而同时通道数会增加；其中，所述卷积神经网络支路包括三个阶段，每个阶段由两个卷积块组成，每个卷积块依次为一个1×1的下采样卷积和BN层，以将输入特征张量的通道数压缩减少，一个3×3的卷积层和BN层，以压缩特征张量每个通道的二维大小尺寸，一个1×1的上采样卷积和BN层，以扩大特征张量的通道数量，并且，每个卷积块对其输入的特征张量通过窗口大小为3×3的平均池化层处理，然后连接一个1×1上采样卷积层，得到一个与该卷积块输出张量有相同大小和通道数的输出。

在本实施例中，参阅图2，所述短路支路的输入为第一个卷积块的输出，所述短路支路包括一由通道注意力机制、ReLU激活函数和BN层构成的短路模块，所述通道注意力机制用于对特征张量进行全局平均池化处理，使其变成一个维度是通道数的向量，然后经过全连接层计算出每个通道的权重生成权重向量，最后将该向量与原始输入特征张量相乘得到输出，其中，第二个卷积块将所述第一个卷积块的输出和所述短路模块的输出相加作为输入，经过一个1×1上采样卷积层、一个3×3的卷积层和BN层和一个1×1的上采样卷积层输出，并和所述第一个卷积块的输出相加得到该阶段的最终输出特征张量。

在本实施例中，参阅图2，所述特征融合模块的具体操作为：

将输入的特征张量对每个通道分成多个不重叠的2×2窗口，然后对每个窗口进行平均池化操作，取四个数的平均值进行输出，生成一个通道数量不变，二维尺寸变为1/4的特征张量；

将处理后的特征张量和输入的特征张量分别进行卷积核大小为3，步幅为1，采用零填充方式的卷积操作，然后经过ReLU激活函数和批归一化层后分别输出；

将分别输出的两个两特征张量相加，采用窗口内的数值和小张量中对应数值相加取平均值的方法得到最终输出。

在本实施例中，通过自注意力机制让模型能更好的学习到多个特征向量中不同部分的相关性，对于每一个输入的向量a，分别乘上三个系数w

q

利用点乘的方法计算任意两个向量的相关性α

α

将α

在本实施例中，还可以采用池化层压缩模型，减少计算量。其中，池化层采用最大值池化方法对输出的特征矩阵进行池化处理，设置窗口大小为2×2，步幅大小为1，每次选择将窗口内的四个数值中最大的一个作为对应输出，可以达到压缩特征，提高计算速度的效果，同时还能提高所提取特征的鲁棒性。

在本实施例中，所述分类器包括全连接层以及Softmax层，其中，所述全连接层利用矩阵向量相乘的方式进行特征空间转换整合之前网络层提取出的局部特征信息，并将权重矩阵与输入向量相乘再加偏置后通过所述Softmax层进行分类。

具体而言，所述全连接层利用矩阵向量相乘的方式进行特征空间转换整合之前网络层提取出的局部特征信息，将权重矩阵与输入向量相乘再加偏置然后通过所述Softmax层进行分类，若所述训练集中所包含的目标总数为C，测试样本X

其中x为全连接层的输入，W

通过最大后验概率将测试样本X

c

所述分类器的损失函数一般设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数。本发明采用基于交叉熵的代价函数，可以表示为：

其中，N表示一个批次中训练样本的个数,z(i)用于表示第i个训练样本，P(i│x

本发明的优点在于提取深层次局部特征信息和张量通道的关联方面有较好的表现，使其在工业目标识别等方面有着很大的发展空间；进一步地，该方法可以实现较稀疏的采样达到很好的识别效果，同时在预训练阶段对数据做了额外的预处理以增加输入数据的维度等；最后，该方法预处理后的模型将不再受限于大量的训练样本，在实际应用中具有现实意义。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。