一种基于特征融合的信号调制识别方法

摘要

本发明公开了一种基于特征融合的信号调制识别方法，包括：获取调制信号样本数据集；对调制信号样本进行预处理，包括提取调制信号样本的频谱图和星座图；对频谱图和星座图进行归一化处理，并将归一化处理后的频谱图和星座图串联拼接获得对应的融合特征图，划分融合特征图为训练集和测试集；建立深度神经网络模型，深度神经网络模型包括依次连接的CNN网络、LSTM网络、注意力机制模块和分类器；将训练集中的融合特征图输入深度神经网络模型进行训练，获得训练好的深度神经网络模型；将实际接收信号的融合特征图输入训练好的深度神经网络模型进行识别，获取调制识别结果。该方法增强了特征多样性，具有较高的识别准确率和泛化能力。

说明书

技术领域

本发明属于信号识别技术领域，具体涉及一种基于特征融合的信号调制识别方法。

背景技术

随着无线通信技术的不断发展与普及应用，为了保证无线电资源高效利用与无线通信系统的安全运行，无线电调制识别技术越来越重要。然而传统信号调制识别技术主要依赖技术人员的先验知识，显然已不能适应日益复杂的通信环境。因此，自动调制识别技术应运而生。

现有自动调制识别方法主要分为两类：基于决策论的信号调制识别和基于特征的信号调制识别。前一类方法主要通过计算信号的似然比进行分类，这种方法在选择似然函数时需要足够的先验知识，且识别精度受信道影响较大。而基于特征的信号调制识别技术得益于机器学习的发展迅速成为主流，这种方法主要通过提取信号的特征量，以监督或非监督的方式训练神经网络，从而实现信号的分类与识别。主要使用以下两种方案：

一是利用不同调制信号类型之间的区别设计神经网络的结构体系。如采用卷积长短期记忆单元、Inception模块和残差网络(Residual network)、图卷积神经网络(Graphconvolutional neural network，GCN)等。但单一的网络模型随着候选调制种类和复杂度的增加，自适应特征受到噪声等影响因素的干扰，使得提取的特征合理性不足，易产生分类错误。

二案是探索有效的特征表示作为深度学习网络的输入。如从IQ分量中计算各种特征，例如高阶累积量、振幅和相位等作为网络的输入。主要采用提取单个特性进行识别，在低信噪比条件下调制识别的准确率并不高，且对选取的特征要求较高，当候选调制集发生改变时，通常要求重新选择新的特征，针对不同的应用场景也需要进行调整和改进。

发明内容

本发明的目的在于针对上述问题，提出一种基于特征融合的信号调制识别方法，该方法增强了特征多样性，具有较高的识别准确率和泛化能力。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于特征融合的信号调制识别方法，包括如下步骤：

S1、获取调制信号样本数据集；

S2、对数据集中的调制信号样本进行预处理，预处理包括提取调制信号样本的频谱图和星座图；

S3、对频谱图和星座图进行归一化处理，并将归一化处理后的相同调制信号样本的频谱图和星座图串联拼接获得对应的融合特征图，划分融合特征图为训练集和测试集；

S4、建立深度神经网络模型，深度神经网络模型包括依次连接的CNN网络、LSTM网络、注意力机制模块和分类器，其中，CNN网络用于提取信号空间特征，LSTM网络用于提取信号时序特征，注意力机制模块用于捕获关键时空特征；

S5、将训练集中的融合特征图输入深度神经网络模型进行训练，获得训练好的深度神经网络模型；

S6、将实际接收信号的融合特征图输入训练好的深度神经网络模型进行识别，获取调制识别结果。

优选地，CNN网络包括依次连接的第一卷积层、第一Dropout层、第一BN层、第二卷积层、第二Dropout层和第二BN层。

优选地，LSTM网络的输出端还设有第三Dropout层。

优选地，分类器包括依次连接的第一全连接层、Relu激活函数、第四Dropout层和第二全连接层。

优选地，各Dropout层的系数均设置为0.1。

优选地，数据集中的调制信号样本为IQ信号。

优选地，数据集采用RadioML2016.10a公开数据集。

优选地，深度神经网络模型的损失函数采用添加l

式中，m为调制信号类别数，y为实际值，

与现有技术相比，本发明的有益效果为：该方法将调制信号分别转换为频谱图和星座图的图像表示，提取信号的频谱图和星座图进行融合拼接作为网络输入，实现了特征补偿，增强了特征多样性，利用CNN和LSTM提取信号的时空特征，并加入Attention模型提取序列重要特征，具有较高的识别准确率，如当信噪比为-2dB时，分类准确率达到了90.04％，信噪比为18dB时，分类准确率为97.65％；并通过在CNN网络、LSTM网络以及分类器添加dropout层，保证提高拟合能力的同时，兼顾泛化能力。

附图说明

图1为本发明基于特征融合的信号调制识别方法的流程框图；

图2为本发明深度神经网络模型的结构示意图；

图3为本发明基于特征融合的信号调制识别方法的识别准确率图；

图4为本发明不同信噪比的混淆矩阵示意图；

图5为在本发明深度神经网络模型下不同特征输入识别准确率图；

图6为本发明融合特征图输入不同网络模型的识别准确率图；

图7为本发明与现有模型的对比结果图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

为了提高调制识别性能，提出了基于频谱图和星座图特征融合的信号调制识别方法。首先将调制信号分别转换为频谱图和星座图的图像表示，融合拼接作为网络输入；然后利用卷积神经网络(CNN)提取信号空间特征，再将CNN提取的特征通过长短期记忆网络(LSTM)提取信号时序特征；最后通过注意力机制(Attention)捕获关键时空特征。实验结果表明，频谱图和星座图融合输入实现了特征补偿，增强了特征多样性，相比于现有的信号调制识别方法，具有更好的识别效果。

如图1-7所示，一种基于特征融合的信号调制识别方法，包括如下步骤：

S1、获取调制信号样本数据集。

在一实施例中，数据集中的调制信号样本为IQ信号。

在一实施例中，数据集采用RadioML2016.10a公开数据集。

S2、对数据集中的调制信号样本进行预处理，预处理包括提取调制信号样本的频谱图和星座图。

其中，信号的时频分布反映了信号能量在时频平面上的分配，可以直接用于信号调制识别。通过将时频频谱图转换为灰度图像，像素值表示相应时频节点上的能量，从而将无线电信号调制分类问题转换为图像识别问题。而将信号转化为频域的基本思路是傅里叶变换(Fourier Transform，FT)。傅里叶变换是一种信号从时间域到频率域的变换形式，这样做的好处是将难以处理的时域信号转换到了简单易处理的频域中进行分析处理，简化了信号处理的计算量。为了便于计算机计算，需要将信号函数定义在离散时间序列上，因此，计算机一般使用离散傅里叶变换公式进行计算，如使用快速傅里叶变换降低复杂度从而提高运算速度。

星座图一般称为调制信号的二维表示，将样本绘制为复平面(也称为IQ平面)上的散点，它的横坐标(X轴)和纵坐标(Y轴)分别代表I分量和Q分量，图中每个点可以包含4条信息，具体地，点在X轴的投影定义了同相成分的峰值振幅，点在Y轴的投影定义了正交成分的峰值振幅。点到原点的连线(向量)长度是该信号元素的峰值振幅(X成分和Y成分的组合)，连线和X轴之间的角度是信号元素的相位。由于其强大的感知能力，通常被用于自动信号调制类型和阶数信息分析。

S3、对频谱图和星座图进行归一化处理，并将归一化处理后的相同调制信号样本的频谱图和星座图串联拼接获得对应的融合特征图，划分融合特征图为训练集和测试集。

为了充分挖掘数据中蕴含的信息，使提取的特性信息具有互补性和多样性，本申请通过对数据集中的调制信号样本进行预处理，提取信号的星座图和频谱图，然后采用串联融合方法得到融合信息(融合特征图)，拼接公式如下：

F

式中，F

S4、建立深度神经网络模型，深度神经网络模型包括依次连接的CNN网络、LSTM网络、注意力机制模块和分类器，其中，CNN网络用于提取信号空间特征，LSTM网络用于提取信号时序特征，注意力机制模块用于捕获关键时空特征。

在一实施例中，CNN网络包括依次连接的第一卷积层、第一Dropout层、第一BN层、第二卷积层、第二Dropout层和第二BN层。

在一实施例中，LSTM网络的输出端还设有第三Dropout层。

在一实施例中，分类器包括依次连接的第一全连接层、Relu激活函数、第四Dropout层和第二全连接层。

在一实施例中，各Dropout层的系数均设置为0.1。

如图1、2所示，不同调制信号的频谱图和星座图可以表示调制信号之间的差异性，而将频谱图和星座图特征融合可以充分利用两种特征之间的多样性和互补性，实现更好的信号调制识别效果。因此，本申请将信号调制识别问题转换为图像识别问题，并使用卷积神经网络(CNN网络)与长短期记忆网络(LSTM网络)提取信号的时空特征，采用注意力机制捕获神经网络提取到的关键特征，具有较好的抗噪性能。具体地：

首先利用卷积神经网络进行卷积操作，获取高层特征(信号空间特征)并输入到长短期记忆网络；然后长短期记忆网络接收卷积神经网络处理后的张量并提取时序特征；最后注意力机制模块(简称注意力模块，ATT)计算CNN网络与LSTM网络时空特征的权重，获取序列的完整特征表示。使用分类器预测信号调制方式，如数据集有11种调制信号，因此节点设置为11，以11维概率向量形式输出，最大值对应的索引为对应的分类结果。

其中，CNN网络设置为两层，每层包括依次连接的卷积层、Dropout层和BN层，卷积层为二维卷积层。输入样本采取补零操作，保持卷积操作前后的图像大小不变，使样本边缘特征能被充分学习。两层设置统一的参数，卷积核大小为3×3，卷积步长为2，并可在各卷积层的输出端连接Relu激活函数，经过两层卷积后输出的特征尺寸大小为128×(7×7)。

在每层卷积操作后使用批标准化(Batch Normalization，BN)，BN将数据分布归一化以加快网络的收敛速度，提升准确率。对于一个拥有d维的输入x＝(x

本申请CNN网络的输入为二维灰度图像，因此在上式中，d＝2，x＝(x

当β

长短期记忆网络(LSTM)接收上层输出信号并提取信号时序特征，LSTM通过在神经网络中设置门单元和记忆单元来解决数据依赖问题，神经元的个数设置为128，经过LSTM输出的特征尺寸大小为128×49。先用CNN提取信号空间特征，再用LSTM根据信号空间特征提取信号时序特征，为避免非关键或过多的特征影响预测结果，引入注意力机制来提取序列的主要特征。

分类器包括依次连接的第一全连接层、Relu激活函数、第四Dropout层和第二全连接层，第一全连接层神经元的个数为128，它接收上层处理后的特征。输出的特征尺寸大小为128×1。第二全连接层也被称为输出层，采用Softmax激活函数，以满足多分类的要求，本实施例信号类别为11。根据网络的结构，在CNN网络的卷积层的输出端、LSTM网络的输出端以及Relu激活函数的输出端添加dropout层，系数均设置为0.1。保证提高拟合能力的同时，兼顾泛化能力。

Relu激活函数是常见的神经激活函数，具有稀疏性，可以使稀疏后的模型能够更好的挖掘相关特征，拟合训练数据。Relu被用在卷积层，加快了模型的收敛速度，提高神经网络的训练性能。

Softmax激活函数，常用于多分类问题中，作为网络输出层的激活函数。Softmax函数对输出值进行归一化操作，把所有的输出值都转化为概率，且所有概率相加等于1。在深度神经网络中，最后一层全连接层使用Softmax函数进行分类识别，最终输出每个信号的概率。

S5、将训练集中的融合特征图输入深度神经网络模型进行训练，获得训练好的深度神经网络模型。

在一实施例中，深度神经网络模型的损失函数采用添加l

式中，m为调制信号类别数，y为实际值，

通过识别准确率评价模型，准确率计算公式为：

式中，n为样本数，

S6、将实际接收信号的融合特征图输入训练好的深度神经网络模型进行识别，获取调制识别结果。

以下通过具体实施例进行详细说明。

本实施例使用RadioML2016.10a数据集，该数据集为目前调制识别研究中常使用的数据集样本，包含11种调制信号类型，其中3种模拟调制信号：双边带幅度调制(Double-sideband Amplitude Modulation，AM-SDB)、单边带幅度调制(Single-sidebandAmplitude Modulation，AM-SSB)、宽带调频(WideBand Frequency Modulation，WBFM)；8种数字调制信号：八进制相移键控(8Phase Frequency Shift Keying，8PSK)、BPSK、连续相移键控(Continuous Phase Frequency Shift Keying，CPFSK)、高斯频移键控(GaussFrequency Shift Keying，GFSK)、四脉冲振幅调制(4Pulse Amplitude Mudulation，PAM4)、十六进制正交振幅调制(16Quadrature Amplitude Modulation，16QAM)、六十四进制正交振幅调制(64Quadrature Amplitude Modulation，64QAM)、正交相移键控(Quadrature Phase Shift Keying，QPSK)。训练集与测试集的比例为7∶3。该数据集的具体参数如表1所示：

表1 RadioML2016.10a数据集参数

优化算法为Adam算法，Adam算法是随机梯度下降算法的改进，是Momentum算法和RMSprop算法的结合。利用添加l

式中，m为调制信号类别数，y为实际值，

如图3所示，识别准确率(识别精度)随着信噪比的增加而逐渐提高。当信噪比在-20dB～10dB时，识别准确率在35％以下；当信噪比在-10dB～-2dB之间，信号识别准确率快速增加，在-2dB时达到了90.04％；信噪比在0dB～8dB之间，识别准确率稍有波动，从8dB开始趋于稳定，当信噪比为18dB时识别准确率达到最好的97.65％。

如图4所示，利用混淆矩阵来观察每个类别的识别情况。其中，混淆矩阵的横坐标为样本的预测标签，纵坐标为样本的真实标签。图4展示了不同信噪比下的混淆矩阵。信噪比为-2dB，体现了较好的效果，说明本方法在低信噪比具有较好的识别准确率。但出现了WBFM和AM-SSB以及WBFM和AM-DSB之间的混淆问题，这是因为它们都属于模拟调制，并且信号是使用相同的音频源信号产生的，具有无声片段，使得它们的某些特征更难以区分。当信噪比为18dB时，混淆情况明显好转，原因是所提出的空间特征和时间特征在高信噪比下能更准确的捕获对应于调制类型的周期性趋势。

相比单个特征，多特征融合拼接作为网络输入可以更好的利用它们之间的特征补偿，增强特征多样性，从而提高识别准确率。此外，不同的特征组合输入对识别结果也会产生很大的影响。实验保持深度神经网络模型不变，输入特征分别为单特征和多特征组合，验证不同输入特征对识别结果的影响。

如图5所示，对于单个输入特征而言：当信噪比为18dB时，星座图的识别准确率为93.51％，频谱图的识别准确率为84.16％，说明了在本文设计的深度神经网络模型中，星座图的特征表达更加出色。对于多个特征来说：信噪比为18dB时，功率谱+星座图的识别准确率为92.51％，频谱图+星座图的识别准确率为97.65％，表明了本文所选择的特征组合实现了更好的特征补偿，取得了较高的识别准确率。此外，多特征输入的识别准确率总体优于单特征输入。

不同网络模型参数对识别结果也会产生很大的影响。实验固定网络输入为频谱图+星座图；通过设置网络模型及参数，验证不同网络的识别效果。如图6所示，信噪比为18dB时，CNN的准确率总体偏低，识别准确率为81.24％；与之相比，LSTM的准确率有所提高，识别准确率为88.73％；而基于注意力机制的长短期记忆网络(Att-LSTM)比前两个网络模型有所提升，识别准确率为91.24％。本文方法(Att-CNN-LSTM)结合了上述网络模型优点，结果达到了97.65％。可见本文提出的方法是在较多的实验基础上得到的。其中，Att-CNN-LSTM是本文提出的基于频谱图和星座图特征融合的信号调制识别方法，深度神经网络模型使用了基于注意力机制的卷积神经网络与长短期记忆网络联合识别框架。

为了验证本文信号调制识别模型的优越性，将提出的Att-CNN-LSTM模型与现有的信号识别模型进行对比分析，包括CLDNN模型、DAE-LSTM模型、NACF模型和TFA-SCNN模型。其中，CLDNN为基于卷积长短期深度神经网络的识别模型，参考文献：N.E.West，T.O′Shea.Deep architectures for modulation recognition[C].Baltimore，America：2017IEEE International Symposium on Dynamic Spectrum Access Networks(DySPAN)，2017：1-6.。DAE-LSTM为基于LSTM去噪自动编码器的识别模型，参考文献：Z.Ke andH.Vikalo，Real-Time Radio Technology and Modulation Classification via an LSTMAuto-Encoder[J].IEEE Transactions on Wireless Communications，2022，21(1)：370-382.。NACF表示新型注意力协作模型，该模型中包括循环连接的CNN(CCNN)、双向RNN(BRNN)、基于全局平均和最大池化(GAMP)的融合策略、辅助分类GAN(ACGAN)几个部分，参考文献：Chen S，Zhang Y，He Z，et al.A Novel Attention Cooperative Framework forAutomatic Modulation Recognition[J].IEEE Access，2020，8：15673-15686.。TFA-SCNN为基于频谱图的时频注意力机制与卷积神经网络联合识别模型，参考文献：Lin S，Zeng Y，Gong Y.Learning of Time-Frequency Attention Mechanism for AutomaticModulation Recognition[J].IEEE Wireless Communications Letters，2022，11(4)：707-711.。为了保证实验的可靠性，所有实验均在相同实验环境下进行，并重复10次，取10次实验的平均值作为最终的实验结果。实验结果如图7所示。

由图7可知，五种模型的总体识别准确率都是随着信噪比的增加而提高，因为随着信噪比的增大，噪声不断降低，干扰逐渐减少，信号中包含的有效特征不断增加，从而使模型的识别准确率不断上升。在信噪比为[-20dB，-2dB]之间，四种对照模型的识别性能相近，且均低于本文Att-CNN-LSTM模型，尤其是在信噪比为-2dB时，本文提出的模型对调制信号的识别准确率达到了90.04％，而CLDNN模型、DAE-LSTM模型、NACF模型和TFA-SCNN模型在相同信噪比下的识别准确率不超过84％。因此本文的算法在低信噪比下具有较高的识别准确率。在高信噪比下，本文模型同样具有较高的识别准确率。当SNR为18dB时，本文提出的Att-CNN-LSTM算法识别准确率达到了97.65％。在相同信噪比下，CLDNN模型、DAE-LSTM模型、NACF模型和TFA-SCNN模型的识别准确率分别为84.16％、92.75％、94.10％、92.18％，本文模型与上述四种模型相比在准确率上分别提升了13.49％，4.9％，3.55％，5.47％。综上所示，无论是在低信噪比还是高信噪比下，本文Att-CNN-LSTM模型与其他较为流行的模型相比，均具有较高的识别准确性，因此验证了本文模型的优越性。

本申请提出的信号调制识别方法分别提取了信号的频谱图和星座图进行融合拼接作为网络输入，实现了特征补偿，增强了特征多样性，利用CNN和LSTM提取信号的时空特征，并加入Attention模型提取序列重要特征，具有较高的识别准确率，如当信噪比为-2dB时，分类准确率达到了90.04％，信噪比为18dB时，分类准确率为97.65％；并通过在CNN网络、LSTM网络以及分类器添加dropout层，保证提高拟合能力的同时，兼顾泛化能力。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。