一种基于多特征轻量化网络的自动调制识别方法

本发明涉及军事通信，具体涉及一种基于多特征轻量化网络的自动调制识别方法。

背景技术：

1、在无线通信系统中，使用自动调制识别(automatic modulation recognition，amr)对于快速识别接收信号的调制方式至关重要。在军事领域，amr用以电子支援、电子侦查等。在民事领域，amr用以频谱感知等。传统的amr方法可以分为两类：基于最大似然(likelihood-based，lb)方法和基于特征提取(feature-based，fb)方法。lb方法能够在已知噪声及信道参数情况下，实现达到理论上最优的识别效果，但是非合作通信往往缺乏先验信息。fb方法通过手工提取特征来分类，分类效果很大程度取决于特征提取的效果，而且需要专业人士来提取特征。

2、近些年来，深度学习(deep learning，dl)已经开始应用在自动调制识别中，并相比传统的的amr方法具有更好的效果。

3、虽然现在的amr网络类型很多，并且具有较好的性能。然而，很多网络在提高性能的同时，导致参数量和计算复杂度增多，会在一些资源受限的环境中无法使用。此外，一些轻量化的网络虽然降低了计算复杂度，但在检测性能方面仍需有待提升。因此，本文提出了一种基于多通道的轻量化网络(a multi-channel deepthwise separable convolutionand gated recurrent unitnetwork，msgnet)，该网络在较低的参数量和计算复杂度下取得了较好的检测性能。

技术实现思路

1、针对现有技术中的缺陷，本发明提出了一种基于多特征轻量化网络的自动调制识别方法，该方法在较低的参数量和计算复杂度下取得了较好的检测性能。

2、第一方面，本发明提供一种基于多特征轻量化网络的自动调制识别方法，所述方法包括：

3、s1：从公开的无线电机器学习数据集rml2016.10a和rml2016.10b获取i/q信号样本；

4、s2：根据获取的i/q信号样本，提取瞬时幅度和瞬时相位样本以及对i/q信号进行fft运算后得到的实部和虚部样本；

5、s3：构建用于自动调制的多特征轻量级学习网络；

6、s301:该网络从三个通道输入数据，输入的数据包括i/q数据，a/p数据和r/i数据；

7、s302：该网络采用参数量少，计算复杂度低的深度可分离卷积和gru模块；

8、s303：该网络加入bn层和dropout层防止过拟合，并加快了训练速度；

9、s4：将信号样本划分为训练集、验证集以及测试集，并在每个信噪比下的每种调制方式的样本中随机选取进行训练；

10、s5：将训练好的网络使用测试集进行验证，检验调制识别效果。

11、所述步骤s1具体包括：

12、rml2016.10a数据集包含11种调制方式，这些调制方式包括8种数字调制方式bpsk、qpsk、8psk、qam16、qam64、cpfsk、gfsk、pam4和3种模拟调制方式am-ssb、am-dsb、wbfm，每种调制方式下的信噪比范围为-20db～18db，在每个信噪比下有1000个样本，总共有220000个样本；

13、rml2016.10b数据集是rml2016.10a数据集的扩展版本，具有更大的样本数量，它包含了除am-ssb以外10种调制方式，信噪比范围同样为-20db～18db，每种调制方式在每个信噪比下有6000个样本，总共有1200000个样本；

14、两个数据集每个样本都包括128个采样点，具有采样频偏、中心频率偏移、加性高斯白噪声等。

15、所述步骤s2具体包括：

16、数据集中的每个样本包括128个采样点，每个采样点r(n)用i，q两路信号表示：

17、r(n)＝[ri(n),rq(n)]

18、其中，ri(n)表示同相样本信号，rq(n)表示正交样本信号；

19、为了更全面提取i/q信号隐藏的特征，我们对i/q信号进行瞬时幅度特征提取以及瞬时相位特征提取：

20、

21、其中，a(n)表示瞬时幅度，p(n)表示瞬时相位，我们采用a/p样本来表示；此外，由于i/q和a/p都是时域特征，为了进一步提取频域特征，我们对基带信号进行fft运算，来提取实部和虚部：

22、

23、其中f1表示样本的实部，fq表示样本的虚部，我们用r/i样本来表示。

24、所述步骤s3具体包括：

25、提出的网络是一个轻量化网络，采用参数量少，计算复杂度低的深度可分离卷积和gru，其中，深度可分离卷积层可以实现在降低参数量的同时并且同时提取输入数据的空间和通道相关性，而gru相比lstm在网络结构上更加简单、参数数量更少、计算速度更快，而且在处理长期依赖性任务时效果与lstm相当；然后，我们加入bn层和dropout层防止过拟合，最后通过全连接层进行分类；该网络有三个通道输入数据，输入的数据包括i/q数据，a/p数据和r/i数据；其中，i/q数据和r/i数据首先通过bn层对输入数据进行批量归一化，然后通过1*8的卷积核来提取空间特征和频域特征；a/p数据被分为两路,分别通过一维卷积层后在通道维度融合，然后通过gru提取时域特征；我们使用bn层对gru提取的特征进行归一化，再通过一个1*8的卷积层进一步提取空间特征；接着，我们对三个通道提取的特征进行融合，通过一个5*5的卷积层以及包含128个细胞的gru层用以进一步特征提取；最后，通过两个神经元数量分别为128和11的全连接层用于分类，并在每一个全连接层后加上dropout防止过拟合，第一个全连接层的激活函数采用selu，第二个全连接层的激活函数采用softmax，第二个全连接层的输出结果即为每种调制类型的概率。

26、所述步骤s4具体包括：

27、将数据集、验证集、测试集的比例设置为6:2:2，并在每个信噪比下的每种调制方式的样本中随机选取；

28、我们采用交叉熵损失函数来验证调试识别分类损失，下降算法采用adam优化器。在训练过程中，我们引入早停法训练策略，初始学习率设置为0.001，如果在验证集训练损失在5个epochs里没有下降，则将学习率乘以0.5，如果验证集的训练损失连续50个epochs都不在下降时，我们停止训练，并记录训练损失最小时的网络权重，我们将dropout设置为0.5，batch_size为400。所有实验的模块都在keras库进行搭建，由nvidiacuda和geforcegtx 1650gpu支持。

29、所述步骤s5具体包括：

30、在数据集rml2016.10a训练中，在训练110轮附近时达到收敛，最大准确率达到62.92％；在数据集rml2016.10b训练中，相比数据集rml2016.10a收敛速度更快，在90轮接近平稳，最大识别准确率为64.95％。

31、由上述技术方案可知，通过本发明提供了一种基于多特征轻量化网络的自动调制识别方法。首先，该网络采用轻量化模块：深度可分离卷积和门控递归单元，其中，深度可分离卷积层可以实现在降低参数量的同时并且同时提取输入数据的空间和通道相关性，而gru相比lstm在网络结构上更加简单、参数数量更少、计算速度更快，而且在处理长期依赖性任务时效果与lstm相当。其次，该模从三个输入数据通道输入分离的振幅/相位样本、同相/正交相位样本，以及通过对基带信号信号傅里叶变换得到的实部/虚部样本，从中获得信号空间、时间和频率特征。最后，为了加快网络的训练速度，防止过拟合，在网络中加入了批处理归一化层和dropout算法。在基准数据集上的仿真结果表明，该网络的参数量和计算量都较低，并且具有较好的调制识别性能。

技术特征：

1.一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述步骤s1具体包括：

3.根据权利要求1所述的一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述步骤s2具体包括：

4.根据权利要求1所述的一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述步骤s3具体包括：

5.根据权利要求1所述的一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述步骤s4具体包括：

6.根据权利要求1所述的一种基于多特征轻量化网络的自动调制识别方法，其特征在于，所述步骤s5具体包括：

技术总结
本发明提供了一种基于多特征轻量化网络的自动调制识别方法，包括：从公开的无线电机器学习数据集RML2016.10a和RML2016.10b获取I/Q信号样本；根据获取的I/Q信号样本，提取瞬时幅度和瞬时相位样本以及对I/Q信号进行FFT运算后得到的实部和虚部样本；构建用于自动调制的多特征轻量级学习网络；将信号样本划分为训练集、验证集以及测试集，并在每个信噪比下的每种调制方式的样本中随机选取进行训练；将训练好的网络使用测试集进行验证，检验调制识别效果。本发明在使网络的参数量和计算量都较低的同时，获得了较好的调制识别准确率。

技术研发人员：朱政宇,柳记通,汪鑫磊,王若凡,赵航冉,周宁,宋灿
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/12/5