[发明专利]通信信号调制识别方法及装置

权利要求书

1.一种通信信号调制识别方法，其特征在于，所述方法包括：

获取多种调制信号中每种所述调制信号对应的IQ数据；

根据每种所述调制信号对应的IQ数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；

对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；

将灰度图输入至目标神经网络模型，进行调制方式的识别。

2.根据权利要求1所述的方法，其特征在于，所述采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图，包括：

将所述星座图划分成m×n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；

统计每个所述方格内基带符号的数量；

根据每个所述方格内基带符号的数量得到对应方格的像素值；

将得到的像素值作为灰度图的像素值。

3.根据权利要求2所述的方法，其特征在于，所述根据每个所述方格内基带符号的数量得到对应方格的像素值，包括：

按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；

所述修正公式为：O_ij＝min{C_ij，255}，i＝1，2，...，m；j＝1，2，...，n，

其中，所述O_ij表示第i行j列的方格的像素值；所述C_ij表示第i行j列的方格中基带符号的数量。

4.根据权利要求1所述的方法，其特征在于，在所述将灰度图输入至目标神经网络模型之前，所述方法还包括：

获取每种所述调制信号的特征灰度图数据集；

采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型，包括：

构建深度学习网络模型并初始化所述深度学习网络模型；

执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各SNR中各调制方式的灰度图均匀分布于数据集中；

将所述特征灰度图数据集分为训练数据集和测试数据集；

将所述训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型；

当所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；

采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；

当训练次数达到预设值时，更新学习率；

当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作。

6.一种通信信号调制识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取多种调制信号中每种所述调制信号对应的IQ数据；

第二获取模块，用于根据每种所述调制信号对应的IQ数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；

提取模块，用于对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；

调制模块，用于将灰度图输入至目标神经网络模型，进行调制方式的识别。

7.根据权利要求6所述的装置，其特征在于，所述提取模块，包括：

划分子模块，用于将所述星座图划分成m×n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；

统计子模块，用于统计每个所述方格内基带符号的数量；

确定子模块，用于根据每个所述方格内基带符号的数量得到对应方格的像素值；

第一处理子模块，用于将得到的像素值作为灰度图的像素值。