[发明专利]基于时空图卷积神经网络的无线通信调制模式识别方法

权利要求书

1.一种基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于，依次包括以下步骤：

A：对多调制模式的信号数据进行时域和频域双维度的归一化处理，得到包含时域特征和频域特征的射频信号数据集G，并将得到的射频信号数据集G分成训练集、验证集和测试集；

B：对步骤A中得到的包含时域特征和频域特征的射频信号数据集G，利用双流时空图的卷积神经网络先对射频信号的特征进行提取操作，之后再进行聚合操作，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；

C：利用步骤B中得到的面向射频信号的全局特征和局部特征深度融合的时空特征序列，使用基于注意力的编码-解码深度神经网络模型，对无线信号调制模式进行识别；

其中，步骤B包括以下具体步骤：

B1：使用双流时空图的卷积神经网络分别对射频信号数据集G中数据的时域特征和频域特征进行提取，得到时域子图和频域子图；

步骤B1中，在对时域特征和频域特征进行提取时，对射频信号数据集G进行时域和频域的子图划分：

G＝G^td∪G^fd；

其中，G^td表示射频信号集的时域子图，G^fd表示射频信号集的频域子图；在子图划分过程中，相邻的时域子图和频域子图之间至少存在一个公共节点；

B2：分别对步骤B1中得到的时域子图和频域子图进行时空卷积操作，并将每一路的时空卷积操作聚合为一路网络处理流，得到面向射频信号的全局特征和局部特征深度融合的时空特征序列；

步骤B2中，使用下述加权求和的特征聚合方法分别对时域特征和频域特征进行聚合：

其中，F_agg(.)表示特征聚合函数，表示权重参数，能够在较高的层次提取信号的全局特征，Y¹,…,Y^p分别表示对应的第1至p个信号的时域特征变量或频域特征变量，Yⁱ表示权重系数为的时域特征变量或频域特征变量；

步骤C中，基于注意力的编码-解码深度神经网络模型包含输入特征模块、通道注意力模块、空间注意力模块和输出特征模块，输入的无线信号样本，首先经过输入特征模型对信号的特征进行提取，接着通过通道注意力模块提取信号的全局特征，再将该信号样本特征图作为空间注意力模块的输入，进一步对空间信息赋予权重，信号的空间维度特征变量通过输出特征模块进行空间特征输出，得到带有不同通道权重的信号样本特征图；

步骤C中，采用Fast R-CNN作为时空图卷积神经网络中的编码器，对调制模式进行识别；使用当前的调制信号识别未来的调制信号，将预测任务的网络结构定义为G＝(V,Z,O)，观察时间窗口为T的时空图信号数据中，其中，V为输入的时间维度信号数据，Z输入的空间维度信号数据，O对信号调制模式识别分类的结果，对应的预测任务为Y，利用输入数据集生成该路网络所在的节点在未来T’个时刻的调制信号特征预测值映射关系表示为：

其中，Sⁱⁿ是信号时序预测的输入，由信号的流量特征与时序特征M拼接而成，即Sⁱⁿ＝[S^f；M]；f为预测信号流的映射函数；为f映射函数计算后的预测值。

2.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤A中，对多调制模式的信号数据进行归一化处理时，从时域和频域两个维度同时进行，并行地提取信号大数据的时域和频域维度特征，并对每个关键特征点采用二维坐标的两个数值存储，同时对每个关键特征点进行基于专家系统的置信度评分，一并作为特征点；信号的幅度归一化函数表示为：

其中，s(t)表示信号s(t)的幅度归一化的结果，k为领域专家根据不同的参数类别和场景给出的经验值，k∈(0,1]，表示表示信号符号的观察序列，表示信号观察序列的个数。

3.根据权利要求1所述的基于时空图卷积神经网络的无线通信调制模式识别方法，其特征在于：所述的步骤C中，在基于注意力的编码-解码深度神经网络模型中使用转换隐含层对特征进行再次聚合；使用串联的转换层，对射频信号的特征进行逐步逐层地提取。