[发明专利]一种基于深度学习的多层次特征提取的调制识别方法

权利要求书

1.一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，包括以下步骤：

S1：利用一维卷积，探索IQ信号各分量之间的隐藏特征信息；

S2：结合二维卷积块，采用空间融合特征提取模块对步骤S1中提取的隐藏特征信息及原始IQ信号进一步特征提取得到高阶空间融合特征，将得到的高阶空间融合特征送入时序特征提取模块的长短期记忆网络，向时序特征提取模块中引入注意力机制，提取出重要的时序特征；

S3：集成空间融合特征提取模块与时序特征提取模块；

S4：将空间融合特征信息和时序特征信息进行互补，完成对多种调制信号的识别；

所述空间融合特征的提取包括以下步骤：

S11：对IQ信号进行批归一化；

S12：将规则化后的IQ信号送入一维卷积层并提取IQ各分量信号之间的互信息，得到第一数组；

S13：通过Concatenate1操作，即对原始IQ信号与第一数组进行拼接融合，得到第二数组；

S14：利用二维卷积层将第二数组送入两个注意力残差块，并提取特征信息；

S15：将步骤S14中提取的特征信息送入到一个批归一化层和一个二维卷积层，实现跨通道交互和信息整合，得到空间特征；

S16：通过Concatenate2操作，即对原始IQ信号与所述空间特征进行拼接组合，得到空间融合特征；

所述时序特征提取模块由两层双向长短期记忆网络和全连接层构成；

所述时序特征提取模块中时序特征的提取步骤包括：

S21：将空间融合特征输入时序特征提取模块；

S22：经过两层双向长短期记忆网络后，提取位于最后一层双向长短期记忆网络输出中部的向量，并对其利用全连接层进行投影作为查询向量，然后与双向长短期记忆网络的输出进行点积操作，再利用softmax函数进行归一化，得到注意力概率分布值；

S23：将所述注意力概率分布值与最后一层双向长短期记忆网络的输出进行点积运算，得到时序特征向量。

2.根据权利要求1所述的一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，所述注意力残差块由标准残差网络构成，一共由三个卷积层组成，在每个卷积层之间添加批归一化层，并使用ReLU激活函数。

3.根据权利要求1所述的一种基于深度学习的多层次特征提取的调制识别方法，其特征在于，在所述步骤S14的两个注意力残差块中均引入注意力机制，所述注意力机制包括以下步骤：

S141：提取特征映射U；

S142：将提取出的特征映射U通过全局平均池化技术压缩到通道描述符ZϵR^C中，其中z的第C个元素通过下式计算：

所述z的每个元素都具有特征映射U的全局感受野，式中H代表每个通道特征映射图的高度，W代表每个通道特征映射图的宽度；

S143：将所述通道描述符z代入包含两个全连接层的激励部分，并通过两个全连接层的维度变换学习各个通道的权重，将获得的权重乘以相应通道的特征图以重新校准特征图，所述重新校准特征图与输入的所述第二数组相加，得到特征信息。