信号的调制方式识别方法、装置、介质及设备

本技术涉及信号处理，特别涉及一种信号的调制方式识别方法、装置、介质及设备。

背景技术：

1、信号的自动调制识别(automatic modulation recognition，amr)在无线通信中发挥着重要作用，它是指在不了解信号来源与调制信息的情况下，能够识别出信号的调制类型的一种技术手段。amr有助于避免无线电干扰并优化频谱分配，被广泛应用于军用与民用领域，如信号认证、干扰识别、通信对抗、频谱检测和信息安全等。

2、调制信号可以包括高信噪比信号和低信噪比信号，高信噪比信号的噪声较小，能够较为准确地识别出其调制方式；而低信噪比信号的噪声较为严重，如果准确识别出低信噪比信号的调制方式成为了一项富有挑战性的研究。

技术实现思路

1、本技术提供了一种信号的调制方式识别方法、装置、介质及设备，用于解决低信噪比信号的噪声较为严重，难以识别其调制方式的问题。所述技术方案如下：

2、根据本技术的第一方面，提供了一种信号的调制方式识别方法，所述方法包括：

3、获取待识别的无线信号和训练好的调制方式识别模型，所述无线信号是低信噪比信号或高信噪比信号，所述调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块；

4、利用所述低信噪比信号识别模块识别所述无线信号是否是低信噪比信号；

5、若所述无线信号是低信噪比信号，则利用所述马尔可夫转换模块对所述低信噪比信号进行马尔可夫转换，得到热力图；

6、利用所述降噪自编码器模块中的阈值门限机制和协调注意力机制对所述热力图进行处理，得到时域特征信息；

7、利用所述特征提取分类模块对所述时域特征信息进行特征提取和分类处理，得到所述无线信号的调制方式。

8、在一种可能的实现方式中，所述低信噪比信号识别模块中包括第一卷积层、第二卷积层和全连接层，所述利用所述低信噪比信号识别模块识别所述无线信号是否是低信噪比信号，包括：

9、利用所述第一卷积层对所述无线信号进行卷积处理，得到第一卷积特征信息；利用所述第二卷积层对所述第一卷积特征信息进行卷积处理，得到第二卷积特征信息；利用所述全连接层对所述第二卷积特征信息进行处理，得到所述无线信号的分类结果，所述分类结果为低信噪比信号或高信噪比信号；

10、根据所述分类结果确定所述无线信号是否是低信噪比信号。

11、在一种可能的实现方式中，所述利用所述马尔可夫转换模块对所述低信噪比信号进行马尔可夫转换，得到热力图，包括：

12、根据所述低信噪比信号的分布划分q个离散分布的分位数单元；

13、拆分所述低信噪比信号中的实部分量和虚部分量，并根据所述实部分量和所述虚部分量将所述低信噪比信号映射到所述q个分位数单元上；

14、通过迁移概率对各个低信噪比信号生成q×q的加权邻接矩阵；

15、利用高斯模糊算法对所述加权邻接矩阵进行高斯模糊处理，得到热力图。

16、在一种可能的实现方式中，所述降噪自编码器模块中包括编码器、降噪单元和解码器，所述利用所述降噪自编码器模块中的阈值门限机制和协调注意力机制对所述热力图进行处理，得到时域特征信息，包括：

17、利用所述编码器对所述热力图进行编码，得到编码结果；

18、利用所述降噪单元中的协调注意力机制对所述编码结果进行降噪处理，得到降噪特征；

19、利用所述解码器对所述降噪特征进行解码，得到解码结果；

20、基于阈值门限机制将所述热力图和所述解码结果相乘，得到时域特征信息。

21、在一种可能的实现方式中，所述特征提取分类模块中包括特征提取网络和特征分类网络，所述利用所述特征提取和分类模块对所述时域特征信息进行特征提取和分类处理，得到所述无线信号的调制方式，包括：

22、利用所述特征提取网络对所述时域特征信息进行特征提取，得到中间特征信息；

23、利用所述特征分类网络对所述中间特征信息进行分类处理，得到所述无线信号的调制方式。

24、在一种可能的实现方式中，所述特征提取网络中包括第三卷积层、第四卷积层、第一池化层、第二池化层、第三池化层和三个卷积块，每个卷积块中包括卷积单元、批标准化单元和激活函数，所述利用所述特征提取网络对所述时域特征信息进行特征提取，得到中间特征信息，包括：

25、利用所述第三卷积层对所述时域特征信息进行卷积处理，得到第三卷积特征信息；

26、利用所述第一池化层对所述第三卷积特征信息进行池化处理，得到第一池化特征信息；

27、利用所述第四卷积层对所述第一池化特征信息进行卷积处理，得到第四卷积特征信息；

28、利用所述第二池化层对所述第四卷积特征信息进行池化处理，得到第二池化特征信息；

29、依次利用三个卷积块对所述第二池化特征信息进行处理，得到第五卷积特征信息；

30、利用所述第三池化层对所述第五卷积特征信息进行池化处理，得到中间特征信息。

31、在一种可能的实现方式中，所述方法还包括：

32、获取训练数据集，所述训练数据集中的每个训练样本包括无线信号和标签，所述无线信号是低信噪比信号或高信噪比信号，所述标签用于标注所述无线信号的实际调制方式；

33、创建调制方式识别模型，所述调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块；

34、利用所述低信噪比信号识别模块从所述训练数据集中筛选具有低信噪比信号的训练样本；

35、对于筛选出的每个训练样本，利用所述马尔可夫转换模块对所述低信噪比信号进行马尔可夫转换，得到热力图；利用所述降噪自编码器模块中的阈值门限机制和协调注意力机制对所述热力图进行处理，得到时域特征信息；利用所述特征提取分类模块对所述时域特征信息进行特征提取和分类处理，得到预测调制方式；

36、根据所述调制方式识别模型的损失函数对所述预测调制方式和所述实际调制方式进行损失计算，根据计算结果对所述调制方式识别模型进行训练。

37、根据本技术的第二方面，提供了一种信号的调制方式识别装置，所述装置包括：

38、获取模块，用于获取待识别的无线信号和训练好的调制方式识别模型，所述无线信号是低信噪比信号或高信噪比信号，所述调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块；

39、识别模块，用于利用所述低信噪比信号识别模块识别所述无线信号是否是低信噪比信号；

40、所述识别模块，还用于若所述无线信号是低信噪比信号，则利用所述马尔可夫转换模块对所述低信噪比信号进行马尔可夫转换，得到热力图；

41、所述识别模块，还用于利用所述降噪自编码器模块中的阈值门限机制和协调注意力机制对所述热力图进行处理，得到时域特征信息；

42、所述识别模块，还用于利用所述特征提取分类模块对所述时域特征信息进行特征提取和分类处理，得到所述无线信号的调制方式。

43、根据本技术的第三方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的信号的调制方式识别方法。

44、根据本技术的第四方面，提供了一种计算机设备，所述计算机设备包括上述信号的调制方式识别装置。

45、本技术提供的技术方案的有益效果至少包括：

46、针对不同信噪比条件下的信号特点进行定制化优化，对于低信噪比信号，先利用马尔可夫变换的数据增强优化方法对低信噪比信号进行了增强，以增强调制方式识别模型对低信噪比信号的鲁棒性；再基于阈值门限机制和协调注意力机制的降噪自编码器对数据进行降噪处理，有效降低了噪声对识别结果的干扰，最后对得到的时域特征信息进行特征提取和分类，从而提高了低信噪比信号的调制方式识别的准确性。

47、通过采用基于降噪自编码器的网络结构和非对称卷积的神经网络结构来构造调制方式识别模型，使调制方式识别模型能在充分完成特征提取的情况下尽量低的使用参数量。

48、通过引入协调注意力机制，在不同维度上对特征信息进行乘法加权，完成原始特征的重新校准，得到的特征信息相较于原图更具优势。