[发明专利]一种基于图神经网络的通信信号调制方式的识别方法

说明书

本发明属于无线通信技术领域，公开了一种基于图神经网络的通信信号调制方式的识别方法；在发射端发射多种调制方式的调制信号，得到通信信号调制方式识别数据集；将数据集按照图神经网络接口的数量进行划分，得到多个训练样本子集，将训练样本子集逐个输入特征嵌入网络，输出调制信号的特征嵌入向量，再将特征嵌入向量集输入图神经网络，输出测试样本的特征向量；最终将测试样本的特征向量映射为分类结果，根据分类结果对特征嵌入网络和图神经网络进行训练，完成训练后可以用来识别未知调制信号的调制方式。本发明克服了现有技术需要额外的数据预处理手段的问题，使得本发明提高了识别效率、减小了系统复杂度。

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于图神经网络的通信信号 调制方式的识别方法。

背景技术

目前，业内现有技术是这样的：通信信号调制技术可以将发射信息映射为 高阶调制符号，提高通信系统的传输速率，又可以实现信号的频谱搬移，使通 信系统适应不同的信道的传输特性，提高通信的可靠性，是现代通信系统的基 础技术。在认知无线电、军事电子对抗等非合作通信中，我方目标为接收或干 扰对方信号，因此需要使用通信信号调制方式识别技术准确识别对方发射信号 的调制方式。现有方法可以有效的识别通信信号调制方式，但计算复杂度过高、 需要额外的数据预处理是现有方法面临的主要问题。

现有技术一提出了一种通信信号调制方式识别的方法。该方法首先利用了 高阶累积量来提取调制信号关键特征，由于理论上高斯白噪声的高阶累积量为 零，因此高阶累积量具有很好的对抗高斯白噪声的性能，高阶累积量的累积阶 数越高，噪声功率也就越小，得到的高阶累积量的关键信息也就越多，最后使 用模式识别方法分类提取的信号高阶累积量，得到信号的分类结果。该方法适 合处理噪声环境下的调制方式识别问题。该方法的不足之处是：需要额外的数 据预处理来提取信号的高阶累积量，高阶累积量的种类繁多，不同类型的高阶 累积量适用于不同信道环境下的调制方式识别问题，因此高阶统计量类型的选 择有一定的经验性和主观性。

现有技术二通过结合调制方式识别和深度学习技术提出了一种基于卷积神 经网络的调制方式识别方法，该方法在接收端将复信号按照实部和虚部拆分成 两行的矩阵，建立了双层卷积神经网络，将调制信号矩阵输入卷积神经网络中， 利用神经网络中的卷积层来自动提取信号特征，最后通过输出层的激活函数将 信号特征映射为分类结果。该方法可以实现端到端学习，提高通信信号调制方 式识别的效率。该方法存在的不足之处是：在低信噪比情况下，信号的噪声功 率较大，原始的卷积神经网络不能在含噪信号中提取有代表性的底层特征，也 就不能根据信号特征做出准确的预测，调制方式识别准确率较低。

现有技术三提出了通过结合星座图和卷积神经网络的调制方式识别方法。 该方法的实施步骤为：第一，射频信号数据的生成或采集；第二，射频信号数 据按照调制方式分类和整理；第三，生成射频信号的星座图；第四，将部分星 座图输入卷积神经网络进行模型训练；第五，将部分验证星座图输入卷积神经 网络，验证该方法的分类准确度；第六，将测试星座图输入卷积神经网络进行 分类识别。该方法存在的不足之处在于：卷积神经网络的输入数据为复信号对 应的星座图，因此需要将原始复信号转化为星座图，该转化过程引入了额外的 数据预处理，提高了算法的计算复杂度，降低了算法的预测效率。

综上所述，现有技术存在的问题是：现有方法可以有效的识别通信信号调 制方式，但需要额外的数据预处理，从而提高了算法的计算复杂度，降低了算 法的预测效率，低信噪比下的识别准确率较低。

解决上述技术问题的难度：

调制方式识别算法的效率和准确率是矛盾的，若提高算法的效率需要降低 模型的复杂度，而若提高算法的准确率则需要提高模型的复杂度，要达到二者 的平衡，需要合理的设计模型结构的复杂度，在低信噪比情况下，信号淹没在 功率较大的噪声中，难以从含噪信号中提取足够的特征，因此调制方式的识别 准确率较低。

解决上述技术问题的意义：