[发明专利]一种信号调制识别方法

权利要求书

1.一种信号调制识别方法，其特征在于，该方法包括：

利用卷积神经网络和长短时记忆网络构建特征提取网络，并向所述特征提取网络中引入卷积注意力机制；

采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络；

通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式。

2.根据权利要求1所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：

从所述训练集中随机选取少量C₁类样本，并从每类样本中随机抽取K₁个带标签信号样本组成元支持集，从每类剩余样本中随机抽取N_Q1个待识别信号样本组成元查询集。

3.根据权利要求2所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：

将所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本通过训练好的所述特征提取网络映射到低维的特征度量空间，分别得到所述元支持集中的带标签信号样本和所述元查询集中的待识别信号样本的特征向量。

4.根据权利要求3所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：

对所述元支持集中每个类的带标签信号样本的特征向量进行求取第一平均特征向量，并将所述第一平均特征向量作为训练类原型。

5.根据权利要求4所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：

计算所述元查询集中信号样本的特征向量与各个训练类原型的第一欧式距离，并将所述第一欧式距离输入激活函数，得到所述元查询集中的待识别信号样本的调制样式。

6.根据权利要求5所述信号调制识别方法，其特征在于，所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练，得到训练好的特征提取网络的步骤包括：

将得到的所述元查询集中的待识别信号样本的调制样式输入负对数函数计算损失，对所述特征提取网络进行优化训练。

7.根据权利要求1所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：

从测试集中随机选取C₂类样本，并从每类样本中随机抽取K₂个带标签信号样本组成支持集，从每类剩余样本中随机抽取N_Q2个待识别信号样本组成查询集。

8.根据权利要求7所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：

将所述支持集中的带标签信号样本和查询集中的待识别信号样本输入训练好的所述特征提取网络中，分别得到所述支持集中的带标签信号样本和查询集中的待识别信号样本的特征向量。

9.根据权利要求8所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：

对所述支持集中的待识别信号样本的特征向量进行求取第二平均特征向量，并将所述第二平均特征向量作为测试类原型。

10.根据权利要求9所述信号调制识别方法，其特征在于，所述通过测试集对训练好的所述特征提取网络进行测试，确定所述测试集中待识别信号样本的调制样式的步骤包括：

计算所述查询集中的待识别信号样本的特征向量与各个测试类原型的第二欧式距离，并将所述第二欧式距离输入激活函数，得到所述查询集中的待识别信号样本的调制样式。