[发明专利]一种基于神经网络的多模态特征融合调制识别方法和系统

说明书

本发明提供了一种基于神经网络的多模态特征融合调制识别方法和系统。本发明首先将待识别信号转换到预定的模态域；利用预训练好的异构神经网络从对应的模态域信号中提取特征向量；将神经网络从待识别信号的不同模态域中提取到的特征向量进行融合，利用预训练好的分类器完成识别分类。本发明利用神经网络强大的表示学习能力从待识别信号中学习特征，省去大量人力操作；本发明综合利用信号多种模态域信息，利用异构神经网络提取抽象特征向量，融合后的特征向量对待识别信号有更全面的表征，对噪声等影响有更好的鲁棒性和稳健性，得到的识别分类结果具有更高的可靠性，在信噪比较低、通信环境较差时，仍保持较高的识别率。

技术领域

本发明涉及信号调制识别技术领域，尤其涉及一种基于神经网络的多模态特征融合调制识别方法和系统。

背景技术

通信信号调制方式的自动识别技术是信号检测与解调之间的关键技术，在民用领域，主要用于空间频谱资源的管理，对频谱资源使用者确认身份，防止无线频谱被非法利用，保证通信活动的安全进行。随着通信环境越来越复杂，为了提高频谱的利用率，对不同的通信信号通常会采用多种不同的调制方式，因此，通信信号调制方式的自动识别具有重要应用价值。

目前，基于模式识别的通信信号调制识别方法较为完善。例如，夏远满等人(夏远满,郭亚莎,周传伟等.通信信号调制类型的自动识别[J].计算机产品与流通,2018(09):46.)公开了一种通信信号调制类型的自动识别方法。这种方法主要分为特征参数的提取和分类识别两个阶段，提取的特征参数主要包括瞬时信息特征参数、高阶累积量、循环累积量、以及谱特征参数等，基于模式识别的调制识别方法实现简单，相比人工识别方法不再依赖操作员的经验，识别结果有更好的稳定性。但是，这种方法对信号的特征提取依赖于人工算法设计，而且，当待识别信号种类不同时，提取的特征参数不同，需要设计不同的特征提取算法。

人工智能技术被认为是研发颠覆性装备和技术的支撑。近些年，随着神经网络在语音识别、计算机视觉上的成功应用，将其应用在调制识别领域成为国内外研究的热门课题。基于深度神经网络的调制识别方法首先对原始信号进行模态域转换，然后设计神经网络结构，从模态域信号中提取深层抽象特征向量，最后利用分类器对特征向量识别分类。该方法的核心是利用深度神经网络从信号中自动提取特征向量，而不再依赖人工设计算法提取特征参数，因此，识别过程减少了人的工作量，提取的特征向量虽然抽象，但对分类器而言往往有更好的分类效果。但是，目前基于深度神经网络的调制识别方法通常只对信号进行单一模态的预处理，利用单一结构的神经网络提取特征向量，在通信环境较差或识别信号种类较多的情况下很难取得理想识别性能。

发明内容

针对现有基于深度神经网络的调制识别方法只能对信号进行单一模态的预处理，在通信环境较差或识别信号种类较多的情况下识别效果不好的问题，本发明提供一种基于神经网络的多模态特征融合调制识别方法和系统。

一方面，本发明提供一种基于神经网络的多模态特征融合调制识别方法，该方法包括：

步骤1：将待识别信号转换到预设模态域；

步骤2：利用预训练好的异构神经网络从待识别信号的不同模态域中提取特征向量；

步骤3：将异构神经网络从待识别信号的不同模态域中提取到的特征向量进行特征融合；

步骤4：利用预训练好的分类器对融合后的特征向量进行识别分类，分类器的输出作为最终的识别结果。

进一步地，所述预设模态域包括时域、频域、时频域和循环频率域。

进一步地，所述异构神经网络包括：深度置信网络、自动编码网络和卷积神经网络。

进一步地，所述融合后的特征向量包含信号不同方面的调制特征。