[发明专利]一种无线电调制信号分类方法

说明书

本发明提供一种无线电调制信号分类方法，包括以下步骤：获取无线电调制信号的双通道数据集并分别进行数据预处理；构建多个不同卷积核长度的一维卷积层及非线性激活函数，对预处理后的双通道数据集分别进行卷积处理，得到处理后的双通道序列集合，并将双通道序列集合组合成双通道矩阵；选取典型卷积神经网络，将双通道矩阵作为典型卷积神经网络的输入数据，并对典型卷积神经网络与一维卷积层一同进行训练；将双通道矩阵输入到训练后的典型卷积神经网络进行分类，得到最终的分类结果。本发明能够有效降低分类方法的计算复杂度且同时提高了对信号数据的分类精度。

技术领域

本发明涉及数据挖掘以及数据分析技术，特别涉及一种无线电调制信号分类方法。

背景技术

在当今时代，无线电通信技术发展迅速，带来了愈发复杂的电磁环境，这给无线电信号的检测和管理工作带来了更大的挑战。作为信号检测和解调的中间环节，识别无线电信号的调制方式这一任务在生活和军事领域都扮演着重要角色。目前无线电信号的调制方式多种多样，包括QAM、MSK、PSK和DSB等等，在当前这种复杂电磁环境的背景下，如何有效并且准确地识别出目标无线电信号的调制类型就显得尤为关键。

针对无线电信号调制分类识别问题，传统的处理方法由提取特征和分类识别两部分组成，一般是先对无线电信号数据进行预处理后计算出无线电信号样本的一些特征，如高阶矩、功率密度谱和循环平稳特性等，再通过比较不同的调制类型特点，从而实现调制识别的目标。这种传统的方法实施起来比较复杂，而且要求相关人员要具备信号领域的专业知识。

目前随着人工智能和深度学习的兴起，相关研究人员开始使用神经网络模型来处理无线电调制信号分类问题。研究人员将卷积神经网络对多通道图像数据进行分类的方法类比到无线电信号分类领域，实现了端到端的无线电信号分类方法，其效果比传统方法要好，并且不要求研究人员具有具体信号领域的专业知识。但是这种直接使用卷积神经网络来对无线电信号进行分类识别的方法破坏了无线电信号数据原有的结构特征，会影响分类精度。此外，也有研究人员使用专门处理时序数据的长短期记忆网络来处理无线电信号分类问题，效果也比传统方法好，但是消耗的资源和时间比较多。

因此，提供一种简单且能够降低计算复杂度的高精度信号数据分类方法是完全有必要的。

发明内容

本发明要克服现有技术的上述缺点，提供一种无线电调制信号分类方法，通过多个不同尺度的一维卷积层自动地初步提取特征，再用经典的卷积神经网络处理经过排序后的特征，能够有效降低分类方法的计算复杂度且同时提高了对信号数据的分类精度。

为实现上述目的，本发明提供了如下方案：本发明提供一种无线电调制信号分类方法，包括以下步骤：

S1.获取无线电调制信号的双通道数据集并分别进行数据预处理；数据预处理的过程为：采用离差标准化方法对所述双通道数据分别进行归一化处理。

S2.构建多个不同卷积核长度的一维卷积层及非线性激活函数，对预处理后的所述双通道数据集分别进行卷积处理，得到处理后的双通道序列集合，并将所述双通道序列集合组合成双通道矩阵；

步骤S2所述的双通道序列集合包括若干个子序列；所述子序列包括若干个元素；

步骤S2所述的双通道序列集合组合成双通道矩阵的具体过程为：将所述双通道序列集合的各个所述子序列放置在矩阵中相应的对角线上；根据所述元素在所属子序列中的位置及所属子序列在所述双通道序列集合中的位置，将所述元素对应的设置到所述矩阵上，最终得到所述双通道矩阵；

以信号数据长度为基准对所述双通道数据集进行获取构建矩阵；所述的多个不同卷积核长度的一维卷积层的步长设置为1。

S3.选取典型卷积神经网络，将所述双通道矩阵作为所述典型卷积神经网络的输入数据，对所述典型卷积神经网络与所述一维卷积层一同进行训练；