[发明专利]基于时频图和深度学习的调制识别方法、装置及设备

说明书

本申请涉及一种基于时频图和深度学习的调制识别方法、装置、计算机设备和存储介质。所述方法包括：对调相信号进行小波变换，得到变换结果，将变换结果的模值大小转换为颜色图，对颜色图进行重构后得到PSK类调制信号的小波变换时频图；根据小波变换时频图的大小、PSK类调制方式的种类和残差网络构建深度神经网络；深度神经网络包括残差连接网络和随机通道网络；将小波变换时频图输入到残差连接网络和随机通道网络，得到PSK类调制方式的多个召回率；对多个召回率进行融合处理，得到频带信号的调制识别结果。采用本方法能够提高调制识别效率和准确率。

技术领域

本申请涉及通信技术领域，特别是涉及一种基于时频图和深度学习的调制识别方法、装置、计算机设备和存储介质。

背景技术

随着通信技术的飞速发展以及移动通信、无线宽带接入和卫星通信等技术的愈加成熟，无线通信环境日益复杂，为了满足用户复杂多样的需求和进一步提高信道利用率、抗干扰能力以及延长传输距离，通信信号采取了多样化的调制方式。目前，通信与电子对抗已成为各国发展竞争的战略制高点，然而，多样的调制方式使通信信号识别技术面临瓶颈，接收端如何对截获的低信噪比通信信号进行调制识别成为了一个具有挑战性的问题。通信信号的调制方式是区分通信信号的重要特征，信息获取方要了解通信信号的信息内容，必须知道信号的调制方式。调制识别，即根据接收机收到的信号，判断信号采用的调制制式。信号调制识别在侦测、监听、电子对抗等军事通信领域有着重要的意义。在信息对抗中，通常接收机不知道收到信号的调制制式，此时调制识别技术能够判断接收信号的调制制式，是信号解调的关键步骤。

然而，目前传统的调制识别主要分为两类，基于决策论的方法和基于特征提取的识别方法。其中基于决策论的方法将调制识别问题转化为假设检验的问题，从给定观测样本和几种可能的概率分布中，最优确定出当前数据服从哪一种分布。基于似然比假设检验的方法虽然在理论上是最优的，但其对参数模型敏感度高，并依赖于对调制类型和信道的建模，而在实际的第三方接收中上述模型和参数往往具有不可预知性，因此会对识别性能产生影响。基于特征提取的方法是通过提取各种调制类型的特征，主要包括星座特征、累积量特征和变换域特征等，利用上述一类或多类特征构造分类器实现调制识别。基于星座图的调制识别方法虽然具有直观性，但其性能依赖于星座图的恢复，在低信噪比下噪声会使星座图变得模糊从而影响其分类性能。基于变换域特征的调制识别是利用不同调制类型的信号在频域或时频域中的特征差异实现信号分类，常用的变换方法有傅里叶变换、小波变换等。但其受到传统分类器的限制，依赖人工选择，存在泛化能力弱，效率低下等问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高调制识别效率的基于时频图和深度学习的调制识别方法、装置、计算机设备和存储介质。

一种基于时频图和深度学习的调制识别方法，所述方法包括：

根据PSK类调制方式构建卫星通信，得到频带信号；

对频带信号中添加信道损失，得到仿真通信信号；

采用滤波器对仿真通信信号进行滤波和变频，得到变频信号；

利用上采样的方法对变频信号进行采样，将采样结果进行数字变频和归一化处理，得到调相信号；

对调相信号进行小波变换，得到变换结果，将变换结果的模值大小转换为颜色图，对颜色图进行重构后得到PSK类调制信号的小波变换时频图；

根据小波变换时频图的大小、PSK类调制方式的种类和残差网络构建深度神经网络；深度神经网络包括残差连接网络和随机通道网络；

将小波变换时频图输入到残差连接网络和随机通道网络，得到PSK类调制方式的多个召回率；

对多个召回率进行融合处理，得到频带信号的调制识别结果。

在其中一个实施例中，根据PSK类调制方式构建卫星通信，得到频带信号，包括：