[发明专利]调制信号的降噪方法、装置、存储介质及设备

说明书

本申请公开了一种调制信号的降噪方法、装置、存储介质及设备，属于深度学习和通信技术领域。所述方法包括：获取样本集每个样本中包括无噪声调制信号和带噪声调制信号；将样本集输入创建的降噪模型中；对于每个样本，利用降噪模型中的第一卷积层对带噪声调制信号进行特征提取；利用编码块对提取到的特征图进行基于通道注意力机制的编码；利用解码块对编码后的特征图进行基于通道注意力机制的解码；利用第二卷积层对解码后的特征图进行卷积，得到降噪调制信号；根据降噪调制信号和无噪声调制信号调整降噪模型的模型参数，得到训练好的降噪模型，编码块和解码块中都包括改进的压缩激励结构。本申请可以降低高阶调制的误码率，提升调制识别准确率。

技术领域

本申请实施例涉及深度学习和通信技术领域，特别涉及一种调制信号的降噪方法、装置、存储介质及设备。

背景技术

调制信号的信噪比的改善在无线通信系统中的合作通信领域以及非合作领域均起着重要作用。在合作通信中，改善信号的信噪比可以提升信号的传输质量，降低解调误码率。在非合作通信中，改善信噪比可以提升对调制信号自动调制识别的准确率，从而对信号进行解密或者施加干扰。因此，信号降噪方法一直是无线通信的研究热点。传统的信号降噪方法中主要使用小波变换、递推最小二乘法、最小均方算法、主成分分析法和奇异值分解分解法，这需要已知信道参数，并借助训练序列来获取信道传输特性，传输效率低下，信道利用率不高。随着计算机神经网络技术的发展，深度学习在信道估计和降噪领域的应用也受到了广泛关注。

在2020年EUSIPCO(2020年第28届欧洲信号处理会议)上接受的论文《AdversarialSignal Denoising with encoder-decoder networks》，提出了一种编码器解码器结构来去除信号的噪声，将去噪任务视为干净信号和有噪信号之间的分布对齐，信号由一系列测量值表示。其目标是给定的两个信号通过编码器对齐干净和噪声信号潜在表示。但是该方法没有对调制信号进行研究，并且未考虑将不基于学习的滤波去噪方法和基于学习的方法结合，从而提升信号去噪效果。

申请号为CN113111720A的专利所公开的技术方案，于深度学习的电磁调制信号去噪方法及系统，包括一种基于深度学习的电磁调制信号去噪系统，由依次连接的数据处理模块、训练模块、输出模块组成。该方法考虑了生成的去噪信号的连续性特征，结合了不基于学习的滤波去噪方法和基于学习的去噪方法，能够自适应学习信号特性，实现信号去噪，但是该方法没有考虑到在卷积运算中通道对信号恢复的影响。

发明内容

本申请实施例提供了一种调制信号的降噪方法、装置、存储介质及设备，能够对调制信号进行去噪，提高信号的信噪比。所述技术方案如下：

一方面，提供了一种调制信号的降噪方法，所述方法包括：

获取样本集，所述样本集中的样本为训练样本或验证样本，每个样本中包括无噪声调制信号和带噪声调制信号；

将所述样本集输入创建的降噪模型中，所述降噪模型中包括编码模组和解码模组，所述编码模组中包括依次相连的第一卷积层和编码块，所述解码模组中包括依次相连的解码块和第二卷积层，所述编码块和所述解码块中都包括改进的压缩激励结构，所述降噪模型为卷积降噪自编码器；

对于每个样本，利用所述第一卷积层对所述带噪声调制信号进行特征提取；利用所述编码块对提取到的特征图进行基于通道注意力机制的编码；利用所述解码块对编码后的特征图进行基于通道注意力机制的解码；利用所述第二卷积层对解码后的特征图进行卷积，得到降噪调制信号；根据所述降噪调制信号和所述无噪声调制信号调整所述降噪模型的模型参数，得到训练好的降噪模型。

在一种可能的实现方式中，所述编码模组中包括依次相连的一个第一卷积层和三个编码块，所述第一卷积层与第三个编码块之间设有残差连接，所述解码模组中包括依次相连的三个解码块和一个第二卷积层，第一个解码块与所述第二卷积层之间设有残差连接，所述第三个编码块与第一个解码块相连；所述第一卷积层之后设有LeakyReLU激活函数，所述第二卷积层之后设有Tanh激活函数。