[发明专利]一种基于神经网络的调制信号识别方法及其应用

权利要求书

1.一种基于神经网络的调制信号识别方法，其特征在于，包括步骤：

将调制信号转换为至少两种图像数据，所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种；

将所述至少两种图像数据输入到基于神经网络的识别模型，输出调制信号类别。

2.如权利要求1所述的一种基于神经网络的调制信号识别方法，其特征在于，所述至少两种图像数据为眼图、或矢量图、或极坐标图、或星座图中的至少两种。

3.如权利要求1所述的一种基于神经网络的调制信号识别方法，其特征在于，还包括步骤：从所述调制信号中提取统计特征；

所述识别模型包括特征提取网络、特征融合层和全连接层，所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图；

将所述统计特征和所述特征图输入到所述特征融合层进行特征融合，获得融合特征；

将所述融合特征输入到所述全连接层。

4.如权利要求3所述的一种基于神经网络的调制信号识别方法，其特征在于，所述统计特征包括高阶累积量、幅度统计、相位统计、高阶统计、信号同相分量与正交分量的比值、信号峰值与信号均值的比值中的任意一种或多种的组合。

5.如权利要求1所述的一种基于神经网络的调制信号识别方法，其特征在于，所述识别模型包括特征提取网络、特征融合层和全连接层，所述特征提取网络用于从输入的图像数据中提取每种图像数据的特征图；

所述识别模型还包括一维卷积神经网络或LSTM网络构成的时序特征提取层，所述时序特征提取层用于从所述调制信号中提取时序特征；

将所述时序特征和所述特征图输入到所述特征融合层进行特征融合，获得融合特征；

将所述融合特征输入到所述全连接层。

6.如权利要求1所述的一种基于神经网络的调制信号识别方法，其特征在于，所述识别模型包括特征提取网络、特征融合层和全连接层，所述特征提取网络包括多个输入通道和对应的特征输出通道，用于从输入的图像数据中分别提取每种图像数据的特征图；

将每种图像数据的特征图输入到所述特征融合层进行融合，获得融合特征；

将所述融合特征输入到所述全连接层。

7.如权利要求1所述的一种基于神经网络的调制信号识别方法，其特征在于，所述识别模型包括至少两个子识别模型，每个子识别模型单独训练，其中一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的一种，其中另一个子识别模型的训练集为表示调制信号的幅频分布统计特性的图像数据、或表示调制信号随时间变化的相位转移关系的图像数据、或表示调制信号的时频特征的图像数据、或表示调制信号在极坐标体系中分布特性的图像数据中的另一种。

8.一种基于神经网络的调制信号识别系统，其特征在于，包括：

数据转换模块，用于将调制信号转换为至少两种图像数据，所述至少两种图像数据能够表示调制信号的幅频分布统计特性、或调制信号随时间变化的相位转移关系、或调制信号的时频特征、或调制信号在极坐标体系中分布特性中的至少两种；

识别模块，用于将所述至少两种图像数据输入到基于神经网络的识别模型，输出调制信号类别。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。