[发明专利]基于多尺度轻量网络的无线电信号认知识别方法

说明书

本发明公开一种基于多尺度轻量网络的无线电信号认知识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建多尺度轻量网络模型；(4)设置多尺度轻量网络模型的参数；(5)训练多尺度轻量网络模型；(6)将测试样本集输入到训练好的多尺度轻量网络模型中进行测试，获得识别准确率。本发明具有模型轻量化、普适性强、训练参数少、识别的无线电信号类型多，分类精度高的优点，可用于信号分类识别技术领域中。

技术领域

本发明属于通信技术领域，更进一步涉及信号处理技术中的一种基于多尺度轻量网络的无线电信号认知识别方法。本方法基于大脑的多尺度与层次化信息处理机制，构建面向无线电信号的轻量级多尺度深度神经网络模型，以自动提取出复杂电磁环境下的信号特征，实现无线电信号信道编码方式和调制方式的联合识别。

背景技术

无线电信号识别是通信技术领域的重要问题，也是现代信息化战争中争夺制电磁权的关键。目前无线电信号识别中常采用的特征提取方法是基于专家先验知识的人工特征提取方法，即以单一信号类型作为分析研究对象，借助先验知识采用基于时频域的细微特征提取方法。基于传统分类方法的无线电信号信道编码类型的识别也能在给定测试信号上达到比较满意的识别率，但在编码调制联合识别领域有待进一步发展和提高。然而，现代战场敌我双方的电子对抗，各种武器装备所释放的高密度、高强度、多频谱的电磁波，产生了各种类型的通信、雷达与导航等无线电信号，电磁环境的复杂度提高，传统方法的缺点也愈发突出。传统方法只能够对于部分常规的无线电信号进行处理，且需要大量的先验信息，算法复杂度高、实时性差、鲁棒性差。

西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达辐射源信号的识别方法”(申请号201611140173.9申请公布号CN 106680775 A)中公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。该方法的具体步骤如下：(1)生成雷达辐射源信号数据集；(2)数据预处理；(3)构建卷积神经网络；(4)设置参数并训练卷积神经网络；(5)预测分类；(6)计算精度；(7)输出结果。该方法虽然提出了一种信号识别方法，但是，该方法仍然存在的不足之处是：所使用的一维卷积神经网络模型只用了一层卷积层，信号特征提取不完全,信号识别效果不佳。

成都蓝色起源科技有限公司在其申请的专利文献“基于深度学习模型的无线电信号识别方法及其实现系统”(申请号201710284093.9申请公布号CN 107122738A)中公开了一种基于深度学习模型的无线电信号识别方法。该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测。该方法虽然提出了一种基于深度学习模型的无线电信号识别方法，但是，该方法仍然存在的不足之处是：在无线电信号特征提取前，需要将数据转换为二维时频样本图，操作繁琐，降低了无线电信号识别的效率。同时参数规模大、计算复杂度高。

发明内容

本发明针对上述现有技术的不足，提出一种基于多尺度轻量网络的无线电信号认知识别方法，用于快速解决复杂通信环境下无线电信号编码调制联合识别问题。

实现本发明目的的具体思路是，利用多尺度轻量网络对编码调制后的无线电信号进行识别。该算法利用多尺度神经网络，对原始信号在不同尺度上有效提取具有不变性的优秀隐性特征，可以识别多种类型调制方式的无线电信号，对不同信道编码方式的信号同样有很好的识别率。

实现本发明目的的具体步骤包括如下：

(1)生成29种编码调制联合信号和2种调制信号：

(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；