基于数据增强与注意力机制的调制信号识别方法和装置
本发明涉及无线通信信号处理,尤其涉及基于数据增强与注意力机制的调制信号识别方法和装置。
背景技术:
1、随着第五代移动通信(5g)技术的普及与第六代移动通信(6g)技术的前瞻性研究,无线通信环境正变得日益复杂与动态化。在频谱监测、认知无线电以及智能交通等关键应用场景中,准确、高效地识别未知信号的调制类型是实现后续信号处理、解调乃至信息提取的基础环节,这一过程被称为自动调制识别(automatic modulation recognition,amr)。传统的amr方法主要依赖于专家设计的特征与经典的分类器,这类方法在特定信道条件下表现良好,但其泛化能力差,对噪声敏感,难以适应复杂的非合作通信场景。
2、近年来,深度学习(deep learning,dl)凭借其强大的特征自动提取与模式识别能力,为amr领域带来了大的突破。卷积神经网络(convolutional neural networks, cnn)能够直接从原始的同相正交(in-phase/quadrature, i/q)信号中学习到鲁棒的时空特征,在公开数据集rml2016.10a上取得了远超传统方法的识别精度。然而,在实际应用中,深度学习模型的性能严重依赖于大规模、高质量的标注数据集。对于许多调制类型,尤其是新型或小众的调制方式,获取足量的真实信号样本成本高昂且极为困难,这导致了模型训练面临严重的数据稀缺问题,进而限制了模型的泛化能力和鲁棒性。
技术实现思路
1、本发明提供一种基于数据增强与注意力机制的调制信号识别方法和装置,用以解决现有技术中样本稀缺、低信噪比性能差和模型过重的缺陷,实现了精度与轻量化的平衡。
2、本发明提供一种基于数据增强与注意力机制的调制信号识别方法,包括如下步骤。
3、通过复合增强变换函数,对获取到的原始iq调制信号,进行数据增强处理,生成增强后样本集;其中,原始iq调制信号为双通道时序信号;
4、通过依次搭建预处理模块、残差块、改进通道注意力模块、轻量化特征提取层、全局平均池化层和分类头的方式,构建轻量化调制识别网络;
5、基于增强后样本集,通过交叉熵损失函数,结合混合精度训练、预设梯度裁剪阈值的梯度裁剪策略和余弦退火学习率调度策略,对模型参数进行优化的方式,训练轻量化调制识别网络;
6、通过训练完成的轻量化调制识别网络,对输入的待识别iq信号进行识别,得到调制类型识别结果。
7、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,通过复合增强变换函数,对获取到的原始iq调制信号,进行数据增强处理,生成增强后样本集,通过以下公式实现:
8、;
9、为原始输入批次;为增强后的信号批次;为复合增强变换函数;分别为时域扰动、噪声注入和频偏模拟的控制参数。
10、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,搭建预处理模块的过程,包括:
11、采用预设数量的卷积核执行一维卷积操作;将双通道输入扩展为第一预设通道数的特征图;并通过预设填充参数保持序列长度不变;
12、对第一预设通道数的通道分别进行批量归一化处理;通过第一预设激活函数,将负值设置为零;通过丢弃法正则化的方式,按照预设丢弃概率,随机丢弃神经元输出。
13、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,改进通道注意力模块为基于压缩激励机制实现,并且采用预设压缩比对通道数进行压缩;具体包括:
14、对输入特征图执行全局平均池化,得到通道维度的全局统计量;
15、通过降维全连接层,将通道数压缩为原始通道数的预设比例;通过第一预设激活函数,对模型的表达力进行激活后,通过升维全连接层,将通道数恢复到原始通道数;
16、通过第二预设激活函数,激活生成0到1区间的通道注意力权重;
17、通过通道注意力权重与输入特征图逐通道进行相乘的方式,完成特征重标定。
18、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,轻量化特征提取层的搭建基于渐进式特征提取策略;渐进式特征提取策略,包括:
19、在轻量化特征提取层的前预设层数的提取层中,每一个提取层包含两个残差块;将第一层提取层的残差块的步长设置为第一预设步长;将其它提取层的通道数逐层倍增;
20、在轻量化特征提取层的最后一层中,包含两个步长为第二预设步长的残差块;在保持序列长度不变的情况下,将通道数设置为第二预设通道数,输出预设时间步长的深层特征图。
21、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,交叉熵损失函数,通过以下公式实现:
22、;
23、其中:为计算得到的损失值;为批次大小;为类别数量;为经过标签平滑处理后的第i个样本的真实标签,其计算方式为:当为真实类别时,;否则,,其中为平滑因子;为模型对第i个样本预测属于第类的原始得分经过softmax函数转换后的概率;为一个极小的常数,用于保证数值计算的稳定性。
24、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,梯度裁剪策略为,将梯度的l2范数限制在预设最大阈值以内;在连续预设轮数的验证集准确率未提升时,终止训练并保存最优模型参数。
25、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,分类头为多层感知机结构,具体包括:
26、将全局平均池化层输出的第一预设维度特征向量,依次通过至少两层全连接层进行降维;
27、其中,在每一层全连接层之后,均接批归一化、第一预设激活函数及丢弃法正则化的方式;且丢弃率沿网络前向传播方向逐层递减;
28、通过最终的全连接层将第二预设维度的特征映射到目标类别维度的原始类别预测得分。
29、根据本发明提供的一种基于数据增强与注意力机制的调制信号识别方法,得到调制类型识别结果之后,还包括:
30、在测试阶段,加载训练完成的最佳模型参数并设置为评估模式;
31、对测试集执行混合精度推理,计算预设评价指标;其中,预设评价指标至少包括:总体准确率、加权平均精确率、召回率及f1分数;
32、统计不同信噪比条件下的识别准确率,生成信噪比-准确率曲线。
33、本发明还提供一种基于数据增强与注意力机制的调制信号识别装置,包括如下模块:
34、数据增强模块,用于通过复合增强变换函数,对获取到的原始iq调制信号,进行数据增强处理,生成增强后样本集;其中,原始iq调制信号为双通道时序信号;
35、识别网络构建模块,用于通过依次搭建预处理模块、残差块、改进通道注意力模块、轻量化特征提取层、全局平均池化层和分类头的方式,构建轻量化调制识别网络;
36、模型训练模块,用于基于增强后样本集,通过交叉熵损失函数,结合混合精度训练、预设梯度裁剪阈值的梯度裁剪策略和余弦退火学习率调度策略,对模型参数进行优化的方式,训练轻量化调制识别网络;
37、识别模块,用于通过训练完成的轻量化调制识别网络,对输入的待识别iq信号进行识别,得到调制类型识别结果。
38、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述基于数据增强与注意力机制的调制信号识别方法。
39、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于数据增强与注意力机制的调制信号识别方法。
40、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于数据增强与注意力机制的调制信号识别方法。
41、本发明提供的基于数据增强与注意力机制的调制信号识别和装置,通过复合增强变换函数,对获取到的原始iq调制信号,进行数据增强处理,生成增强后样本集;通过依次搭建预处理模块、残差块、改进通道注意力模块、轻量化特征提取层、全局平均池化层和分类头的方式,构建轻量化调制识别网络;基于增强后样本集,通过交叉熵损失函数,结合混合精度训练、预设梯度裁剪阈值的梯度裁剪策略和余弦退火学习率调度策略,对模型参数进行优化的方式,训练轻量化调制识别网络; 通过训练完成的轻量化调制识别网络,对输入的待识别iq信号进行识别,得到调制类型识别结果;通过复合增强变换函数对原始iq信号施加据增强处理,在不改变调制本质的前提下合成新样本,缓解样本稀缺问题。通过构建改进通道注意力机制的轻量化调制识别网络,保留更多通道间交互信息,增强对调制信号精细特征的判别能力。通过交叉熵损失函数,结合混合精度训练、梯度裁剪和余弦退火策略,在保证精度的同时大幅降低参数量和计算开销。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com