基于非对称卷积和参数融合的调制识别方法、装置、设备及介质

本发明涉及通信，具体涉及基于非对称卷积和参数融合的调制识别方法、装置、设备及介质。

背景技术：

1、调制方式识别研究一直是通信领域的热点，其主要目的在于通过精确的调制识别，提高通信系统的可靠性和数据传输效率，尤其在软件无线电和军事应用中具有重要意义。准确识别接收信号的调制方式有助于研究人员深入理解信号的特性和结构，进而选择合适的解调和处理方法，确保可靠的数据传输和提高通信系统性能。

2、传统的调制方式识别研究大体上可分为两类，一类是基于判决理论的方法，另一类是基于统计模式的方法。前者依赖已有的先验知识且计算复杂度高，后者理论分析简单，适应性强，但识别结果易受干扰。近年来，随着深度学习的兴起，基于深度学习的调制方式识别方法逐渐受到关注。大量研究表明基于深度学习的调制方式识别效果很不错，远优于传统的调制方式识别方法。但识别精度并不是评估模型性能的唯一指标，在实际应用中，调制识别网络模型的复杂度决定其是否能部署在算力和内存空间受限的设备上，如边缘设备和物联网节点。此外，为了使部署在资源受限的边缘设备上的调制识别网络能够实现高精度的实时推理，若是一味地使用复杂结构是不切实际的，必须解决诸如设备计算时间和内存消耗等问题。

3、有鉴于此，提出本申请。

技术实现思路

1、本发明提供了一种基于非对称卷积和参数融合的调制识别方法、装置、设备及介质，能至少部分的改善上述问题。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于非对称卷积和参数融合的调制识别方法，其包括：

4、获取标注信号，对所述标注信号进行预处理，并根据预处理结果对构建好的非对称卷积网络进行训练，得到非对称卷积网络模型和非对称卷积网络模型参数；

5、使用批归一化融合方法和分支融合方法对所述非对称卷积网络模型参数进行优化，得到推理模型参数，将所述推理模型参数迁移到基准网络中，形成推理模型；

6、接收待识别的无线信号，对所述无线信号进行预处理，得到彩色星座图，将所述彩色星座图输入所述推理模型中，生成与所述无线信号相对应的调制方式。

7、本发明还提供了一种基于非对称卷积和参数融合的调制识别装置，其包括：

8、模型训练单元，用于获取标注信号，对所述标注信号进行预处理，并根据预处理结果对构建好的非对称卷积网络进行训练，得到非对称卷积网络模型和非对称卷积网络模型参数；

9、模型优化单元，用于使用批归一化融合方法和分支融合方法对所述非对称卷积网络模型参数进行优化，得到推理模型参数，将所述推理模型参数迁移到基准网络中，形成推理模型；

10、结果推理单元，用于接收待识别的无线信号，对所述无线信号进行预处理，得到彩色星座图，将所述彩色星座图输入所述推理模型中，生成与所述无线信号相对应的调制方式。

11、本发明还提供了一种基于非对称卷积和参数融合的调制识别设备，其包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如上任意一项所述的基于非对称卷积和参数融合的调制识别方法。

12、本发明还提供了一种可读存储介质，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述的基于非对称卷积和参数融合的调制识别方法。

13、综上，所述基于非对称卷积和参数融合的调制识别方法为提高调制识别的精度，首先将基准网络的标准卷积核替换为非对称卷积块，得到非对称卷积网络，并利用星座图对非对称卷积网络进行训练，得到非对称卷积网络模型；为保持调制识别的复杂度不变，通过批归一化融合和分支融合的方法对训练所得的非对称卷积网络模型的参数进行精简，并迁移到基准网络中，形成推理模型；最后将待识别信号预处理成星座图的形式，送入推理模型处理，输出信号的调制方式。通过非对称卷积与参数融合这两个关键步骤和思想，在保持复杂度不变的条件下提高了调制识别的精度。在低信噪比下，相较于基准网络，本方法的识别精度提升6％左右，并且这种优势不会以牺牲复杂度为代价而获得。

技术特征：

1.一种基于非对称卷积和参数融合的调制识别方法，其特征在于，包括：

2.根据权利要求1所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，获取标注信号，对所述标注信号进行预处理，并根据预处理结果对构建好的非对称卷积网络进行训练，得到非对称卷积网络模型和模型参数，具体为：

3.根据权利要求2所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，所述非对称卷积块包括3×3卷积核、1×3卷积核和3×1卷积核。

4.根据权利要求2所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，使用批归一化融合方法和分支融合方法对所述非对称卷积网络模型参数进行优化，得到推理模型参数，将所述推理模型参数迁移到基准网络中，形成推理模型，具体为：

5.根据权利要求4所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，使用批归一化融合方法将所述批归一化层的参数直接合并到该批归一化层的上一卷积层中，将卷积后特征图数据的均值μ和方差σ信息直接整合到卷积层的权重和偏置中，以实现卷积层权重的缩放和偏移。

6.根据权利要求4所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，使用分支融合方法将1×3卷积核和3×1卷积核的权重扩充并叠加到3×3卷积核的权重中。

7.根据权利要求1所述的基于非对称卷积和参数融合的调制识别方法，其特征在于，接收待识别的无线信号，对所述无线信号进行预处理，得到彩色星座图，将所述彩色星座图输入所述推理模型中，生成与所述无线信号相对应的调制方式，具体为：

8.一种基于非对称卷积和参数融合的调制识别装置，其特征在于，包括：

9.一种基于非对称卷积和参数融合的调制识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如权利要求1至7任意一项所述的基于非对称卷积和参数融合的调制识别方法。

10.一种可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至7任意一项所述的基于非对称卷积和参数融合的调制识别方法。

技术总结本发明提供了基于非对称卷积和参数融合的调制识别方法、装置、设备及介质，采用非对称卷积和参数融合两个关键思想，在保持复杂度不变的情况下，提高了调制识别的精度。为提高调制识别的精度，首先将基准网络的标准卷积核替换为非对称卷积块，得到非对称卷积网络，并利用星座图对非对称卷积网络进行训练，得到非对称卷积网络模型；为保持调制识别的复杂度不变，通过批归一化融合和分支融合的方法对训练所得的非对称卷积网络模型的参数进行精简，并迁移到基准网络中，形成推理模型；最后将待识别信号预处理成星座图的形式，送入推理模型处理，输出信号的调制方式。技术研发人员：彭盛亮,陈俊舟,郭庆耿,姚巍,郭虹青受保护的技术使用者：华侨大学技术研发日：技术公布日：2024/12/2