[发明专利]基于轻量级神经网络的调制识别方法

说明书

本发明公开了一种基于轻量级神经网络的调制识别方法，根据调制信号数据特征，引入自注意力机制、分组卷积机制和拆分注意力机制对轻量级神经网络Resnet18进行改进，构建了基于轻量级神经网络的调制识别模型，将调制信号的IQ信号数据转换为三维数据，输入训练好的调制识别模型进行调制识别。采用本发明可以有效提升调制识别率，尤其是在低信噪比情况下具有良好的调制识别率。

技术领域

本发明属于调制识别技术领域，更为具体地讲，涉及一种基于轻量级神经网络的调制识别方法。

背景技术

信号的自动调制识别技术(AMC)在信号的监测和估计之间扮演着重要角色，是软件无线电和非合作通信的重要机制之一。在通信过程中，对通信信号解调的重要前提就是要明确原信号的参数及其调制方式，如信号幅值、信号带宽、时延等信息。调制方式是区分不同信号类型的重要参数之一，在完成信号检测与估计之后，只有完成对接收信号调制方式的识别判定，才能正确的对信号进行处理。目前调制识别广泛的应用于民用和军用领域，并发挥着越来越重要的作用。

目前调制识别领域常用的调制识别算法主要是基于特征(FB)提取的调制识别算法和基于似然函数(LB)的调制识别算法，基于特征工程算法常见多为基于高阶累积量、信号瞬时特征和信号谱特征算法，前者受限于特征选取的好坏，局限性强，人为选择，泛化能力弱。基于似然函数的调制识别方法对模型和参数估计敏感度比较大，需要计算大量数据来获得信号先验信息，如码率、频偏等信息，在许多非合作通信中这种方法并不适用，获取先验证信息为系统结构设计增大难度，尤其在低信噪比环境下，更是加大了获取信号先验信息的难度，难以提取特征参数，识别效果不理想。

深度学习数据直接从数据原始特征出发，能够更好获取原始数据特征，在图像识别和目标检测领域取得了优秀的成果。同时是目前调制识别领域的研究热点，算法对原始数据进行预处理，构建CNN网络模型，使用图像和IQ信号数据集完成调制识别，在目标检测和图像识别领域，可以通过加深网络层数来提高图像识别率，充分提取数据特征。在目前调制识别算法当中也多应用传统CNN网络，但是随着网络层数加深，对设备要求增高，导致推广应用难度较大。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于轻量级神经网络的调制识别方法，通过对轻量级神经网络Resnet18进行适应性改进，提高调制识别的识别率。

为了实现上述发明目的，本发明基于轻量级神经网络的调制识别方法包括以下步骤：

S1：根据需要确定进行调制识别的调制类别，记其数量为N，对每个调制类别分别采集若干个预设长度L的IQ信号样本，将每个IQ信号样本经维度转换得到大小为1×2×L的三维IQ信号样本，并标注其对应的调制类别标签；

S2：构建基于轻量级神经网络的调制识别模型，包括自注意力模块和轻量级神经网络SK-Resnext18，自注意力模块用于对输入的IQ信号数据进行处理得到自注意力特征图，然后将自注意力特征图输入至轻量级神经网络SK-Resnext18进行调制识别；

轻量级神经网络SK-Resnext18包括级联的输入层、4个功能层和输出层，每个功能层分别包括级联的2个瓶颈层：BottleNeck1和BottleNeck2，其中：

瓶颈层BottleNeck1的结构包括两个分支和add层，其中第一分支包括第一卷积层Conv1、第一批量归一化层BN1、第一Relu激活函数层Relu1、第二卷积层Conv2、第一枢纽层Cardinal1、第三卷积层Conv3、第二枢纽层Cardinal2、拼接层Concatenate、第四卷积层Conv4、第二批量归一化层BN2，其中：

第一卷积层Conv1的卷积核个数为64，卷积核的尺寸为1×1，步长为1，用于对所接收到的特征数据进行卷积操作后发送至第一归一化层BN1；