本發(fā)明屬于自動(dòng)調(diào)制識(shí)別，具體涉及一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法及裝置。

背景技術(shù)：

1、隨著信息技術(shù)的高速發(fā)展，對(duì)無(wú)線通信的要求越來(lái)越高，其中，無(wú)線頻譜的利用和管理變得至關(guān)重要。全無(wú)線頻譜感知技術(shù)是一種基于軟件定義無(wú)線電的技術(shù)，可以實(shí)時(shí)監(jiān)測(cè)無(wú)線頻譜并評(píng)估信道質(zhì)量和信號(hào)強(qiáng)度等。全無(wú)線頻譜感知技術(shù)需要結(jié)合識(shí)別和分類等相關(guān)技術(shù)任務(wù)，才能高效地進(jìn)行頻譜監(jiān)測(cè)和管理。其中，調(diào)制信號(hào)分類作為無(wú)線通信系統(tǒng)的關(guān)鍵任務(wù)之一，成為保證無(wú)線通信傳輸質(zhì)量和穩(wěn)定性的重要手段。此外，調(diào)制信號(hào)分類還可以用于無(wú)線通信中的網(wǎng)絡(luò)安全、頻譜分配和信號(hào)抗干擾等領(lǐng)域。

2、然而，實(shí)際通信存在各種復(fù)雜的干擾和信道衰落等情況，這些因素會(huì)對(duì)信號(hào)的結(jié)構(gòu)和特性造成嚴(yán)重的影響，從而使得信號(hào)調(diào)制識(shí)別技術(shù)面臨很大的挑戰(zhàn)。為了提高識(shí)別準(zhǔn)確率和可靠性，拓展適用范圍，降低計(jì)算復(fù)雜度等，目前各國(guó)相關(guān)技術(shù)研究者正在積極研究和探索，力求在未來(lái)實(shí)現(xiàn)更加高效、智能、可靠的自動(dòng)調(diào)制識(shí)別技術(shù)，以滿足人們對(duì)于通信質(zhì)量和穩(wěn)定性的嚴(yán)格要求。

3、初期，自動(dòng)調(diào)制識(shí)別主要通過(guò)人工選取的信號(hào)特征依據(jù)決策邊界等進(jìn)行分類，識(shí)別效果極度依賴于選取的特征，且手動(dòng)選取特征十分復(fù)雜。當(dāng)信道受噪聲、多路徑衰落等影響時(shí)，會(huì)極大的影響識(shí)別效率。隨后出現(xiàn)的機(jī)器學(xué)習(xí)方法雖然相對(duì)于傳統(tǒng)方法具有分類效率高和性能高的優(yōu)點(diǎn)，但分類的效果仍然在一定程度上取決于專家的經(jīng)驗(yàn)。而深度學(xué)習(xí)方法不同，深度學(xué)習(xí)網(wǎng)絡(luò)可以通過(guò)其強(qiáng)大的特征提取能力，提取通信信號(hào)數(shù)據(jù)的高維特征，有效地實(shí)現(xiàn)通信信號(hào)識(shí)別分類任務(wù)，不在依賴于人工選取的專家特征。實(shí)驗(yàn)證明，基于深度學(xué)習(xí)的調(diào)制識(shí)別方法更適用于處理無(wú)線電時(shí)間序列樣本數(shù)據(jù)，并且獲得的等效精度比傳統(tǒng)基于特征的分類器高出幾倍。這種利用神經(jīng)網(wǎng)絡(luò)對(duì)原始數(shù)據(jù)進(jìn)行端到端的訓(xùn)練，能夠有效地學(xué)習(xí)到具有區(qū)分性的特征，并在調(diào)制識(shí)別任務(wù)中取得了極大的成功。

4、盡管當(dāng)前深度學(xué)習(xí)在調(diào)制模式識(shí)別領(lǐng)域已取得一定進(jìn)展，但在低信噪比環(huán)境下，其效能仍有顯著提升空間。隨著無(wú)線通信電磁環(huán)境的日益復(fù)雜化，接收信號(hào)頻繁遭遇各類干擾信號(hào)的混入，這對(duì)信號(hào)處理的準(zhǔn)確性構(gòu)成了挑戰(zhàn)。尤為嚴(yán)峻的是，在某些領(lǐng)域的應(yīng)用中，對(duì)方可能利用智能干擾源自動(dòng)鎖定并攻擊我方信號(hào)的特定頻點(diǎn)，極大地增加了接收機(jī)在頻域內(nèi)區(qū)分有效信號(hào)與干擾的難度。此外，對(duì)方還可能采取降低發(fā)射機(jī)功率的策略，以降低其信號(hào)被我方截獲的可能性，進(jìn)而導(dǎo)致我方接收到的信號(hào)信噪比極低。鑒于調(diào)制模式識(shí)別是解調(diào)過(guò)程中的關(guān)鍵環(huán)節(jié)，深入研究并提升低信噪比條件下的調(diào)制模式識(shí)別能力，對(duì)于保障通信安全、提升某場(chǎng)景信息獲取能力具有極其重要的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明提供了一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法及裝置。本發(fā)明要解決的技術(shù)問(wèn)題通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

2、第一方面，本發(fā)明提供一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，包括：

3、獲取待識(shí)別的調(diào)制信號(hào)；

4、將待識(shí)別的調(diào)制信號(hào)輸入至訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型中，進(jìn)行待識(shí)別的調(diào)制信號(hào)中的高信噪比數(shù)據(jù)的特征提取，以及進(jìn)行待識(shí)別的調(diào)制信號(hào)中的低信噪比數(shù)據(jù)的特征提取，輸出識(shí)別概率，得到待識(shí)別的調(diào)制信號(hào)的分類識(shí)別結(jié)果；

5、其中，訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對(duì)初始的自動(dòng)調(diào)制識(shí)別模型進(jìn)行訓(xùn)練得到；預(yù)設(shè)類別的數(shù)據(jù)包括調(diào)制信號(hào)。

6、第二方面，本發(fā)明還包括一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別裝置，包括：

7、數(shù)據(jù)獲取模塊，用于獲取待識(shí)別的調(diào)制信號(hào)；

8、數(shù)據(jù)處理模塊，用于將待識(shí)別的調(diào)制信號(hào)輸入至訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型中，進(jìn)行待識(shí)別的調(diào)制信號(hào)中的高信噪比數(shù)據(jù)的特征提取，以及進(jìn)行待識(shí)別的調(diào)制信號(hào)中的低信噪比數(shù)據(jù)的特征提取，輸出識(shí)別概率，得到待識(shí)別的調(diào)制信號(hào)的分類識(shí)別結(jié)果；

9、其中，訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對(duì)初始的自動(dòng)調(diào)制識(shí)別模型進(jìn)行訓(xùn)練得到；預(yù)設(shè)類別的數(shù)據(jù)包括調(diào)制信號(hào)。

10、本發(fā)明的有益效果：

11、本發(fā)明提供的一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法及裝置，能更好的應(yīng)對(duì)低信噪比環(huán)境下，且不再依賴專家經(jīng)驗(yàn)，不會(huì)導(dǎo)致信號(hào)的特征被過(guò)度抑制或丟失，本發(fā)明模型部署后不產(chǎn)生額外計(jì)算開(kāi)銷(xiāo)，且不需要人工設(shè)置閾值超參。

12、以下將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。

技術(shù)特征：

1.一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，在對(duì)初始的自動(dòng)調(diào)制識(shí)別模型訓(xùn)練之前，還包括：

3.根據(jù)權(quán)利要求2所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，所述第一卷積塊、所述第二卷積塊、所述第三卷積塊、所述第四卷積塊和所述第五卷積塊的結(jié)構(gòu)相同，且均包括卷積層、批量歸一化層和rulu激活層；所述第一卷積塊的卷積層的卷積核的數(shù)量為50，卷積核的大小為2*8，步長(zhǎng)為1，填充為0，所述第二卷積塊的卷積層的卷積核的數(shù)量為50，卷積核的大小為1*8，步長(zhǎng)為1，填充為0，所述第三卷積塊的卷積層的卷積核的數(shù)量為50，卷積核的大小為1*8，步長(zhǎng)為1，填充為0，所述第四卷積塊的卷積層的卷積核的數(shù)量為50，卷積核的大小為1*8，步長(zhǎng)為1，填充為0，所述第五卷積塊的卷積層的卷積核的數(shù)量為100，卷積核的大小為2*5，步長(zhǎng)為1，填充為0；

4.根據(jù)權(quán)利要求2所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對(duì)初始的自動(dòng)調(diào)制識(shí)別模型進(jìn)行訓(xùn)練，包括：

5.根據(jù)權(quán)利要求4所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，將所述訓(xùn)練數(shù)據(jù)集和所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本的類型的真實(shí)標(biāo)簽輸入至所述初始的自動(dòng)調(diào)制識(shí)別模型進(jìn)行迭代訓(xùn)練，包括：

6.根據(jù)權(quán)利要求5所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，所述預(yù)設(shè)條件包括在預(yù)設(shè)的訓(xùn)練次數(shù)內(nèi)損失函數(shù)達(dá)到最小。

7.根據(jù)權(quán)利要求6所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，所述第1次迭代訓(xùn)練中的損失函數(shù)l1的表達(dá)式為：

8.根據(jù)權(quán)利要求6所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，所述第2次迭代訓(xùn)練中的損失函數(shù)l2的表達(dá)式為：

9.根據(jù)權(quán)利要求8所述的基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法，其特征在于，所述第i類訓(xùn)練樣本的特征原型fi的表達(dá)式為：

10.一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于一致性約束和特征原型的自動(dòng)調(diào)制識(shí)別方法及裝置，包括：獲取待識(shí)別的調(diào)制信號(hào)；將待識(shí)別的調(diào)制信號(hào)輸入至訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型中，進(jìn)行待識(shí)別的調(diào)制信號(hào)中的高信噪比數(shù)據(jù)的特征提取，以及進(jìn)行待識(shí)別的調(diào)制信號(hào)中的低信噪比數(shù)據(jù)的特征提取，輸出識(shí)別概率，得到待識(shí)別的調(diào)制信號(hào)的分類識(shí)別結(jié)果；其中，訓(xùn)練好的自動(dòng)調(diào)制識(shí)別模型以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對(duì)初始的自動(dòng)調(diào)制識(shí)別模型進(jìn)行訓(xùn)練得到。本發(fā)明能更好的應(yīng)對(duì)低信噪比環(huán)境下，且不再依賴專家經(jīng)驗(yàn)。

技術(shù)研發(fā)人員：張振熙,馬建昆,譚浩月,石曉然,陳炳贊,周峰
受保護(hù)的技術(shù)使用者：西安電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9