[发明专利]基于卷积循环网络的信号调制识别系统及调制识别方法

说明书

一种基于卷积循环网络的信号调制识别系统及调制识别方法，公开了一种基于卷积循环网络的数字信号自动调制识别方法：将接收的数字信号的I/Q分量原始数据作为输入；设计深度卷积网络提取特征，拓展I/Q维度增加特征的丰富性，压缩时间维度降低分类的时间成本开销；在时间维度引入循环网络结构提取时序信息；利用全连接层输出完成调制识别。本发明所提出的方法在含噪声的公开数据集RML2016.10b中低信噪比的情况下，取得了比现有方法更好的效果。

技术领域

本发明涉及数字通信信号调制技术领域，具体涉及一种基于卷积循环网络的信号调制识别系统及调制识别方法，尤其涉及一种基于卷积循环网络的数字信号自动调制识别系统及调制识别方法。

背景技术

数字信号的优点很多，首先是它抗干扰的能力特别强，它不但可以用于通讯技术，而且还可以用于信息处理技术，另一方面，而数字信号的自动调制识别是非协作通信和信息监听等领域的关键技术之一,同时也是软件无线电技术的重要组成部分。现阶段含噪声的数字信号的自动调制识别具有三类方法：统计假设检验、传统模式识别和深度学习方法。

统计假设检验采用信号的均值、方差、协方差等统计信息作为随机变量，引入概率分布和假设检验来完成数字信号的识别，然而，这些变量在非协作通信中都是很难准确估计的，从而导致信号识别的精确性和鲁棒性较差。

传统模式识别方法，将假设检验推广到传统分类器，由于传统分类器的分类能力有限，对所提特征要求高。识别效果的好坏，受识别信号种类的影响，依然存在识别种类少、低信噪比下鲁棒性差等问题。

基于深度学习的识别方法，大大降低了提取特征的要求，甚至无需提取特征，直接将原始信号作为输入，即可利用深度神经网络的自学习能力实现特征的自动抽取和调制识别。但是，目前深度神经网络的设计和优化缺乏完备的理论体系，更多的依靠经验。为了促进深度学习用于数字信号的自动调制识别并统一评价深度学习的性能，Timothy O’Shea等开发了含有不同信噪比的数据集，并设计了不同的网络结构，在不经过信号预处理的情况下，直接对11种信号进行学习训练，最终完成信号调制分类的识别。该方法虽然减少了人工预处理环节，大大降低了复杂度，但目前其识别效果在中低信噪比情况下不是很理想。

发明内容

为解决上述问题，本发明提供了一种基于卷积循环网络的信号调制识别系统及调制识别方法，能很好地刻画基于深度强化学习算法的宽带抗干扰场景，有效避免了现有技术中信号识别的精确性和鲁棒性较差、识别种类少以及识别效果在中低信噪比情况下不是很理想的缺陷。

为了克服现有技术中的不足，本发明提供了一种基于卷积循环网络的信号调制识别系统及调制识别方法的解决方案，具体如下：

一种基于卷积循环网络的信号调制识别系统，包括深度卷积网络；

所述深度卷积网络包括3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层；

所述3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层以通信连接的方式依次顺序级联。

一种基于卷积循环网络的信号调制识别系统的调制识别方法，包括以下步骤：

步骤1，首先将接收的数字信号的I分量和Q分量的原始数据作为输入数据；设计深度卷积网络对所述输入数据提取特征，拓展I分量的维度和Q分量的维度来增加特征的丰富性，压缩时间维度降低分类的时间成本开销；

步骤2，然后在时间维度引入多层循环网络结构提取时序信息，也即矢量序列，所述循环网络结构选取具有上下文长时间建模能力的双向长短时记忆模型；

步骤3，对双向长短时记忆模型BLSTM的作为输出信息的时序信息通过注意力神经网络Attention Network层引入注意力机制，将矢量序列自适应加权得到单个矢量输出；