[发明专利]一种基于时空特征提取深度学习的调制模式识别方法

说明书

本发明公开了一种基于时空特征提取深度学习的调制模式识别方法。该方法包括收集待识别调制模式的信号；构建包括参数估计模块、参数变化模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练；采用训练好的自动调制识别深度学习模型对收集的信号进行调制模式识别。本发明为了解决现有技术中的调制识别模型复杂度较高，难以在低模型复杂度的情况下实现高识别准确率的问题，提出了一种基于参数估计和变换的时空特征提取自动调制模式识别深度学习模型，利用该模型进行调制模式识别的参数量要少于现有的基于深度学习的自动调制识别方法，在训练开销方面要低于其他具有同等识别准确率水平的方法。

技术领域

本发明涉及一种调制模式识别方法，尤其涉及一种基于时空特征提取深度学习的调制模式识别方法。

背景技术

通信信号在传输过程中，通常会受到信道中不利的影响因素的影响，如噪声、多径衰落、阴影衰落、中心频率偏移、采样率偏移等，会使得接收信号产生幅度衰减、载波频率和相位偏移。自动调制识别(AMR)是信号检测和解调之间的一个重要步骤，它提供了检测调制方案的基本功能。随着无线通信的快速发展，信号调制方案将变得更加复杂和多样化，以满足日益复杂的通信场景的需求，因此迫切需要设计有效的AMR模型。

传统的AMR研究可以分为两大类:基于似然理论的AMR和基于特征的AMR。基于似然理论的AMR方法通常能获得贝叶斯估计意义上的最优识别精度，但计算复杂度较高。基于特征的AMR方法主要从训练样本中学习有代表性的特征，并利用训练后的模型对输入信号进行分类。基于特征的AMR方法使用的典型特征类型包括瞬时时域特征、变换域特征、统计特征。机器学习模型越来越多地和基于特征的AMR结合，被用于分类，包括人工神经网络、决策树、支持向量机等。相比于基于似然理论的AMR，基于特征的AMR通常只能得到次优解，但计算复杂度低，多调制识别能力强。

随着深度学习在一系列具有挑战性的应用中取得了突破，其性能超越了传统的基于似然理论和基于特征的方法，多层神经网络的堆叠赋予了深度学习强大的特征提取能力，激发了对自动调制识别的扩展研究，其中一些基于深度学习的开创性方法被提出，性能优于传统的方法。有人提出使用卷积神经网络(CNN)来解决自动调制识别问题，采用原始的数据形式(I/Q形式)作为输入，它也证明了所提出的CNN模型的识别准确率优于传统方法，但其识别精度还有很大的提升空间，且模型的参数较大。有人提出了一种使用信号幅值和相位作为输入的多通道并行融合技术，其识别准确率相对于之前有较大的提升，但是其采用幅值和相位作为输入，需要将原始的I/Q形式的数据转化为幅值相位形式的数据，增加了额外的开销。有人采用长短期记忆神经网络(LSTM)来搭建自动调制识别模型，进一步提升了识别准确率，但它同样采用幅值和相位作为数据的输入形式。有人提出了一种类似的模型，它将LSTM网络用门控循环单位(GRU)来代替，虽然识别准确率有所降低，但是其模型复杂度也有所降低。有人提出了一种时空多通道学习模型，利用来自I/Q通道，I通道和Q通道数据的互补信息，并利用存在于信号中的空间和时间属性，来实现自动调制识别，是目前为止，自动调制识别领域识别准确率最高的模型，但是模型的参数量和复杂度都比较高。

目前基于深度学习的自动调制识别模型复杂度较高，难以在低模型复杂度的情况下实现高识别准确率。目前有一些高识别准确率的模型可以在离线任务中运行，但AMR通常需要在线处理，如果模型过于复杂，则会遇到过度的延迟。高计算复杂性也阻止了在资源受限的设备上部署，比如许多内存、计算能力和能量有限的物联网(IoT)设备。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于时空特征提取深度学习的调制模式识别方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于时空特征提取深度学习的调制模式识别方法，包括以下步骤：

S1、收集待识别调制模式的信号；

S2、构建包括参数估计模块、参数变化模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练；