[发明专利]一种融合专家知识的优效组合式调制识别方法

说明书

本发明公开了一种融合专家知识的优效组合式调制识别方法，涉及数字通信识别技术领域，其包括读入待识别信号采样序列，得到一维的数组数据s(n)；从数组数据s(n)提取8维人工特征向量；根据数组数据s(n)获取归一化包络信号数据；根据数组数据s(n)获取时频图，并对时频图进行预处理；基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；基于组合式特征向量获取识别结果。本发明借助了迁移学习节省训练时间和提升分类精度，既利用了信号的时频图与包络的特征，又加入了鲁棒性较强的8个的人工特征协助分类任务，为待识别信号提供了更具有表征性的数据表达，可以明显提高低信噪比下的准确率。

技术领域

本发明涉及数字通信识别技术领域，具体而言，涉及一种融合专家知识的优效组合式调制识别方法。

背景技术

目前，对于数字通信信号的智能识别技术的研究，已经逐渐成为该领域的一个研究热点。

现有的调制识别方法多是基于特征提取的统计模式识别，这一方法虽然可以通过特征集成实现所提取特征参数的功能互补来改善传统识别方法适用性不足的问题；但同时也继承了特征的先定要素和适用场景的限定性，往往需要设计不同的特征并且重复地进行有效性验证以适应不同通信场景下的调制识别问题。因此，近年来，许多学者在通信信号调制样式的智能识别上开展了大量的研究，先后提出多种算法完成了不同的场景下的调制识别任务，通过结合计算方法与产业的未来发展方向来保证其创新应用进而不断的完善与改进通信信号调制样式的智能识别方法。

深度学习无需依赖人工的方法设计特征，可以直接从海量数据中学习到复杂特征的表达，因此我们求助于深度学习来直接探讨信号本身的可区分性。但现有的基于深度学习的调制识别算法仍然存在着识别准确率不高以及对噪声的鲁棒能力差等问题。

发明内容

本发明在于提供一种融合专家知识的优效组合式调制识别方法，其能够缓解上述问题。

为了缓解上述的问题，本发明采取的技术方案如下：

一种融合专家知识的优效组合式调制识别方法，包括以下步骤：

S1、读入待识别信号采样序列，得到一维的数组数据s(n)；

S2、从数组数据s(n)提取8维人工特征向量；

S3、根据数组数据s(n)获取归一化包络信号数据的特征；

S4、根据数组数据s(n)获取预处理后的时频图特征；

S5、基于迁移学习预训练模型，根据8维人工特征向量、归一化包络信号数据的特征以及预处理后的时频图特征构建组合式特征向量；

S6、基于组合式特征向量进行多分类，获取识别结果。

本技术方案的技术效果是：设计的组合式特征向量模型借助了迁移学习节省训练时间和提升分类精度，既利用了信号的时频图与包络的特征，又加入了鲁棒性较强的8个的人工特征协助分类任务，为待识别信号提供了更具有表征性的数据表达，该识别方法优于对单一时频图进行识别或单独基于人工特征工程进行识别的效果，可以明显提高低信噪比下的准确率。

进一步地，所述步骤S2具体包括以下步骤：

S21、对数组数据s(n)进行希尔伯特变换，获取解析信号序列s_a(n)，对解析信号序列s_a(n)的功率谱、二次方功率谱和四次方功率谱进行标准差系数的统计分析，得到人工特征参数Sv₁、Sv₂与Sv₄；

S22、根据公式计算作为差分信号包络的方差系数R_a，其中，σ²为差分信号包络的方差，m为差分信号包络的均值；