[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

说明书

本发明公开了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，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；B：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：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。本发明能够自适应地识别并分类出射频信号的调制模式。

技术领域

本发明涉及智能通信中信号调制模式识别领域，尤其涉及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。

背景技术

无线通信伴随着新一代智能通信、物联网、毫米波通信等技术取得突飞猛进的发展，其应用领域也越来越广泛，应用场景越来越复杂，为了保障信道频带的利用率以及信号传输的可靠性，无线通信系统可采用多种不同的调制模式。调制模式的识别是数字无线通信系统工作的基础，调制模式识别已被广泛地应用到频谱资源管理，认知无线电，信息对抗等领域。

当今，随着半导体行业不断挑战摩尔定律，计算机的算力不断提升到新的高度，这为深度学习技术在智能通信领域的应用和发展注入内生动力，并带来新的发展机遇。卷积神经网络的深度学习方法已广泛地应用到图像识别、语音识别等领域中的欧式空间数据处理上，随着人工智能技术和智能通信的深度融合，将深度学习引入到调制模式识别领域能大幅地提升无线通信系统的效能。

但是，当前基于卷积神经网络在信号调制模式识别方面面临着诸多的挑战，其一，通信系统应用场景复杂多样，无线信道受环境影响因素众多，难以量化这些影响因素以及相互交叠对无线通信所带来的影响；其二，射频信号的非结构化的数据难以在深度神经网络中进行处理，射频信号中的非欧数据也无法被直接处理。特别是，射频信号大数据不具备平移不变性，这类数据通常以其中的一个节点为起点，其邻居节点的数量可能不同，难以按照传统对欧式空间如图形识别领域中利用卷积核去提取相同的结构信息；最后，对于通信大数据中非欧空间的处理，局部的输入维度可变，局部输入排列无序的多模态数据，都导致基于深度神经网络的调制模式识别的结果不理想。

发明内容

本发明的目的是提供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，能够自适应地识别并分类出射频信号的调制模式。

本发明采用下述技术方案：

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，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。

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，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。

所述的步骤B包括以下具体步骤：