[发明专利]信号调制阶数的识别方法、装置、设备及存储介质

权利要求书

1.一种信号调制阶数的识别方法，其特征在于，包括：

确定用于识别调制阶数的第一调制信号；

对所述第一调制信号进行位同步，得到所述位同步后的第二调制信号；

对所述第二调制信号进行盲均衡处理，得到所述盲均衡处理后的第三调制信号；

根据所述第三调制信号识别所述第一调制信号的调制阶数；

所述根据所述第三调制信号识别所述第一调制信号的调制阶数，包括：

将所述第三调制信号转换为对应的灰度星座图；

确定用于识别调制阶数的设定识别模型，所述设定识别模型是基于通道注意力机制确定的卷积神经网络；

根据所述设定识别模型对所述灰度星座图进行识别，得到所述第一调制信号的调制阶数；

所述基于通道注意力机制确定的卷积神经网络通过如下方式构造：

基于通道注意力机制，给不同的特征通道赋予不同的权重；

按照每个通道中的数据维度进行压缩，将每个特征通道的2×256的数据变换成一个数；

采用全局平均池化的方式进行变换，变换过程表达式为：

其中，z_i为特征值，f_sq为挤压变换函数，为第m个卷积层输出的维度为N×L×W的特征，将第m个卷积层输出的维度为N×L×W的特征压缩为维度为N×1×1的特征z，每个特征通道对应一个数，N个特征通道的特征z＝{z₀,z₁,…,z_N-1}构成的序列含有全局信息，a为长L的维度的序号，b为长W的维度的序号；

通过两个全连接层α＝{α₁,α₂}生成对应的通道加权系数，所述两个全连接层α＝{α₁,α₂}的参数是通过训练学习得到；

首先对z进行第一个全连接层α₁和一个线性整流函数激活层处理，所述第一个全连接层α₁的变换维度为N/r，所述第一个全连接层α₁的输出维度为(N/r)×1×1；

然后经过第二个全连接层α₂和sigmoid层处理，所述第二个全连接层α₂的变换维度为r/N，所述第二个全连接层α₂的输出维度为N×1×1；其中r为缩放参数；变换过程表达式为：

s＝f_ex(z,α)＝σ(g(z,α))＝σ(α₂δ(α₁z))

其中，f_ex为激励变换函数，s为每个特征通道的加权系数，范围在0～1之间，σ为sigmoid层，δ为ReLU激活层，α＝{α₁,α₂}为两个全连接层，z为特征值；

将变换得到的代表各通道的重要程度的加权序列与原各通道特征相乘，得到通道注意力机制优化的第m时域卷积特征变换过程表达式为：

其中，s为N个加权系数，可以为N个L×W特征图；

所述确定用于识别调制阶数的第一调制信号，包括：

通过多天线分集接收多径衰落射频信号；

对所述多径衰落射频信号进行信号处理，得到多个复基带信号；

对所述多个复基带信号进行能量归一化处理，得到归一化后的复基带信号；

确定所述归一化后的复基带信号的调制类型；

若所述调制类型为设定调制类型，则确定所述归一化后的复基带信号为所述第一调制信号；

所述确定所述归一化后的复基带信号的调制类型通过以下方式获取：

确定所述归一化后的复基带信号的时域空间卷积特征和所述归一化后的复基带信号的高阶累积量特征；

对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到归一化后的复基带信号的融合特征；

根据所述归一化后的复基带信号的融合特征识别归一化后的复基带信号的调制类型。

2.根据权利要求1所述的信号调制阶数的识别方法，其特征在于，所述设定调制类型包括多进制数字相位调制MPSK或多进制正交振幅调制MQAM。