补偿增强多域表征与协同序列建模的自动调制识别方法

本发明属于无线通信信号处理领域，具体涉及一种面向认知无线电、非合作通信监测和电磁频谱管理场景的无线信号自动调制识别方法，尤其涉及补偿增强多域表征与协同序列建模的自动调制识别方法。

背景技术：

1、自动调制识别用于在缺少先验协议信息的条件下判断接收信号所采用的调制方式，是认知无线电、频谱监测、干扰识别和非合作通信感知中的重要基础技术。在实际无线接收过程中，信号可能受到噪声、信道衰落、频率偏移、相位偏移以及接收前端硬件非理想因素的共同影响，不同调制方式之间的时域波形差异可能被削弱，从而增加调制类别判定难度。

2、传统自动调制识别方法通常包括基于似然的方法和基于人工特征的方法。基于似然的方法通过构建接收信号在不同候选调制类型下的概率模型并依据最大似然准则进行分类，理论性能较好，但往往需要较准确的信道状态、噪声分布和符号同步等先验信息，并且在候选调制类型较多或观测序列较长时计算复杂度较高。基于人工特征的方法通常先提取高阶累积量、瞬时幅度、瞬时相位、频谱特征或循环平稳特征，再利用支持向量机、决策树或其他传统分类器完成识别。该类方法计算量相对较低，但其性能依赖人工特征设计经验，在低信噪比、复杂信道和相似调制类别下泛化能力有限。

3、近年来，深度学习方法被广泛应用于自动调制识别任务。卷积神经网络可以从i/q时序信号中提取局部波形结构，循环神经网络可以建模一定范围内的时序相关性，transformer及其变体能够捕获全局上下文关系，状态空间模型则进一步为长序列建模提供了较低复杂度的结构选择。尽管上述方法提升了自动调制识别性能，但在宽带长序列和资源受限部署场景中仍存在若干不足。

4、首先，原始i/q序列虽然保留了接收信号的完整基带信息，但幅度、相位演化和频谱分布等判别线索隐含在双通道序列中，完全依赖后端网络隐式学习会增加低层特征提取难度。其次，低成本射频接收链路中可能存在i/q幅度失衡、相位失衡、通道串扰或线性混合等前端非理想因素，现有固定输入表征方法难以对不同样本的i/q幅相关系变化进行自适应修正。再次，长序列信号包含更充分的调制结构信息，但若对全部通道执行高开销长程依赖建模，会造成计算冗余和存储开销增加；若过早的大幅降低通道数或缩短序列长度，则可能损失局部时序细节和细粒度判别信息。

技术实现思路

1、为克服现有技术中输入表征单一、i/q前端扰动适应能力不足以及全通道长序列建模计算开销较高的问题，本发明提供补偿增强多域表征与协同序列建模的自动调制识别方法。该方法首先由原始i/q序列构造包括i通道、q通道、幅度特征、幅度掩蔽相位差特征和频域幅值特征在内的五通道多域输入表征；随后在识别网络模型中仅对i/q子通道进行残差门控动态矩阵补偿，以减少前端幅相失衡和通道串扰对后续特征建模的影响；再利用多尺度卷积式patch映射将补偿增强后的多域表征转换为序列特征；最后通过层次化高效协同序列建模后端对部分通道执行核心长程建模，并通过旁路分支保留局部时序细节，从而实现无线信号调制类型识别。

2、本发明解决上述技术问题所采用的技术方案为：设计补偿增强多域表征与协同序列建模的自动调制识别方法，其特征在于，该方法包括下述步骤：

3、s1：获取样本数据

4、选用公开自动调制识别数据集radioml2018.01a作为原始数据集；该数据集包含24种调制方案，即k=24，其中包括数字调制方案和模拟调制方案；将所述原始数据集中的不少于60%划分为训练集，不少于20%划分为验证集，余下为测试集，训练集、验证集和测试集中均包含上述24种调制方案的信号样本；

5、s2：数据预处理

6、对于训练集、验证集和测试集中的任一i/q样本序列，记第t个采样点的同相分量和正交分量分别为和；基于该i/q样本序列，分别构造幅度特征、幅度掩蔽相位差特征和频域幅值特征；最后，将该i/q样本序列中的原始同相分量序列

i、正交分量序列

q、幅度特征序列

a、幅度掩蔽相位差特征序列

p和频域幅值特征序列

f按通道维进行拼接，得到五通道多域表征：

7、

8、其中，表示与该i/q样本序列数据对应的五通道多域表征数据；将训练集、验证集和测试集中各i/q样本序列对应的五通道多域表征与其调制方案类别标签组成带标签样本，其中，五通道多域表征作为样本输入，对应的调制方案类别作为样本标签；

9、s3：构建自动调制识别网络模型

10、所述自动调制识别网络模型包括补偿增强多域前端和层次化高效协同序列建模后端；其中，补偿增强多域前端包括残差门控动态i/q矩阵补偿模块和多尺度卷积式patch映射模块；层次化高效协同序列建模后端包括三个协同部分通道序列建模模块、两级下采样模块以及分类头；分类头包括均方根归一化层、注意力池化层、mlp分类器；mlp分类器输出各调制类别的类别得分，并通过softmax函数将所述类别得分转换为预测概率分布；

11、首先，将五通道多域表征序列中的原始i/q子通道序列记为；残差门控动态i/q矩阵补偿模块仅对该原始i/q子通道序列进行补偿，该模块包括轻量矩阵估计器、动态矩阵补偿单元和残差门控单元；轻量矩阵估计器根据当前样本的原始i/q子通道序列生成样本自适应的动态补偿矩阵：

12、

13、其中，表示轻量矩阵估计器，表示数据重排操作，

m表示样本自适应的2×2动态补偿矩阵；

14、所述轻量矩阵估计器采用小型一维卷积网络实现，该网络首先对原始i/q子通道序列进行局部卷积特征提取，再依次经过归一化处理、非线性激活处理、全局平均池化处理和全连接映射，输出4个补偿参数，再将所述4个补偿参数重排为2×2动态补偿矩阵

m；

15、对于第t个采样点，将其原始i/q分量表示为列向量：

16、

17、利用动态补偿矩阵

m对所述原始i/q列向量进行线性变换，得到候选补偿i/q列向量：

18、

19、其中，表示第t个采样点的原始i/q列向量，表示第t个采样点对应的候选补偿i/q列向量；将各采样点对应的候选补偿i/q列向量按照时间顺序排列，得到候选补偿i/q子通道特征；

20、为控制动态补偿矩阵对原始i/q子通道的作用强度，采用残差门控方式进行补偿：

21、

22、其中，g表示可学习残差门控系数，表示补偿后的i/q子通道特征；

23、补偿后的i/q子通道特征与由原始i/q子通道序列构造得到的幅度特征

a、幅度掩蔽相位差特征

p和频域幅值特征

f按照通道维进行拼接，得到补偿增强后的多域表征：

24、

25、然后，多尺度卷积式patch映射模块以补偿增强后的多域表征作为输入，该模块包括三个并行的一维卷积分支和一个平均池化分支；其中，三个一维卷积分支的膨胀率分别为1、2和4，平均池化分支由平均池化操作和1×1卷积操作组成；各分支输出分别表示为：

26、

27、其中，、和分别表示膨胀率为1、2和4的一维卷积操作；表示平均池化分支的操作，该分支首先执行平均池化操作，然后对平均池化结果进行1×1卷积操作；不同膨胀率的一维卷积分支用于提取不同时间尺度下的局部上下文信息，平均池化分支用于补充平滑局部统计特征；四个分支的输出按照通道维进行拼接（concat），并依次经过批归一化（bn）和gelu激活，得到patch映射特征：

28、

29、随后，对patch映射特征进行维度转置，得到初始嵌入序列特征：

30、

31、其中，的数据形式为，表示批次大小，表示特征通道数，表示patch映射后的序列长度；表示交换通道维和序列长度维，将由的数据形式转换为的数据形式，得到初始嵌入序列特征；

32、对于任一协同部分通道序列建模模块，其输入序列特征记为；其中，对于第一协同部分通道序列建模模块，；该模块首先对输入序列特征进行预归一化处理，并按照预设主路通道比例沿通道维划分为主路特征和旁路特征：

33、

34、

35、其中，表示归一化后的序列特征，表示输入主路分支的主路特征，表示输入旁路分支的旁路特征；为主路通道比例；

36、在主路分支中，首先通过频段解耦残差交叉门控模块对主路特征进行调节；该模块包括频段解耦、上下文门控调节和残差融合三个操作；首先，对主路特征沿时间维进行逐通道一维卷积，得到局部近似分量，并通过原主路特征与所述局部近似分量作差得到残差分量：

37、

38、

39、其中，表示由逐通道一维卷积得到的低频近似分量，表示原主路特征与低频近似分量之间的高频残差分量，表示沿时间维执行的逐通道一维卷积操作；为便于后续描述，将和分别称为低频分量和高频分量；

40、随后，进行上下文门控调节操作，首先进行上下文统计，分别对高频分量和低频分量沿时间维度计算绝对均值，并将二者拼接为上下文统计量：

41、

42、然后基于上下文统计量，生成低频门控信号、高频门控信号以及高频动态阈值：

43、

44、

45、

46、其中，、和均包括依次连接的第一全连接层、layernorm层、gelu激活函数和第二全连接层，三者具有相同的网络结构但采用相互独立的网络参数，表示双曲正切激活函数，表示sigmoid激活函数，表示阈值比例系数，表示高频分量的绝对均值；

47、同时，对于高频分量，采用动态阈值进行软阈值处理：

48、

49、并结合高频门控信号和轻量局部细节提取操作进行残差调节：

50、

51、其中，表示软阈值处理后的高频特征，表示调节后的高频特征，表示轻量局部细节提取操作，和表示缩放系数；

52、

53、其中，表示维度转置操作；输入高频特征的数据形式为，其中，表示批次大小，表示序列长度，表示特征通道数；通过交换序列长度维和通道维，将由的数据形式转换为的数据形式；表示逆转置操作，用于将卷积处理后的特征由恢复为的数据形式；表示卷积核大小为的逐通道一维卷积，表示卷积核大小为1的一维卷积；对于低频分量，根据低频门控信号进行重标定：

54、

55、其中，表示调节后的低频特征，表示低频门控调节项的缩放系数，表示逐元素乘法；

56、随后，将调节后的高频特征和低频特征沿通道维进行拼接，得到高低频联合特征；将联合特征通过由的数据形式转换为，并采用卷积核大小为1的一维卷积进行通道融合将通道数由

2c映射为

c，得到初始融合特征；

57、

58、

59、表示高低频联合特征，表示分组数为、卷积核大小为1的一维卷积；

60、在此基础上，对初始融合特征进行局部细化；具体地，沿时间维依次执行卷积核大小为的逐通道一维卷积、gelu激活以及卷积核大小为1的一维卷积进行通道间信息融合；将所得细化结果与初始融合特征进行残差相加，得到局部细化特征；

61、

62、最后，通过将细化特征由转换为的数据形式，并经残差缩放系数调节后，与该模块的原始主路输入特征进行残差融合，得到调节后的主路特征；

63、

64、

65、其中，表示可学习参数，表示残差缩放系数；

66、调节后的主路特征继续输入双向轻量mamba混合器，首先，通过输入线性映射将映射为内部特征和门控特征：

67、

68、其中，表示输入线性映射，表示沿通道维进行等分；随后，对内部特征沿时间维执行逐通道一维卷积和silu激活，以在状态空间扫描前引入局部时序信息，得到内部扫描特征：

69、

70、将内部扫描特征沿通道维等分为前向子组和后向子组：

71、

72、为同时利用当前采样位置之前和之后的时序依赖信息，对两个子组分别进行前向和后向选择性状态空间扫描；其中,前向子组按照原始时间顺序执行选择性状态空间扫描，得到前向扫描特征：

73、

74、对于后向子组，首先沿时间维反转序列顺序，再执行选择性状态空间扫描，并在扫描结束后将输出重新恢复至原始时间顺序，得到后向扫描特征：

75、

76、随后，将二者沿通道维进行拼接，得到双向联合扫描特征：

77、

78、最后，利用门控特征对双向联合扫描特征进行逐元素调制，并通过输出线性映射将其映射回主路特征维度，得到双向轻量mamba混合器的输出特征：

79、

80、其中，和分别表示前向子组和后向子组的选择性状态空间扫描操作，表示沿时间维反转序列顺序，表示沿通道维进行拼接，表示逐元素乘法，表示输出线性映射；

81、旁路分支用于处理未进入主路分支的旁路特征，包括通道重标定和局部时序建模两个处理阶段；首先，对旁路特征沿时间维进行全局平均池化，得到各通道的统计量：

82、

83、表示沿时间维执行全局平均池化；随后，将依次通过通道压缩映射、relu激活和通道恢复映射，并经sigmoid函数生成各通道的旁路通道权重：

84、

85、和分别表示通道压缩映射和通道恢复映射；表示sigmoid函数；然后将旁路通道权重沿时间维扩展，并与旁路特征逐元素相乘，得到通道重标定后的旁路特征：

86、

87、在通道重标定的基础上，对进一步进行局部时序建模；具体地，首先通过调整特征维度，以适配一维卷积操作；然后沿时间维执行卷积核大小为的逐通道一维卷积，最后通过恢复为原序列格式，得到旁路输出特征：

88、

89、其中，表示维度转置操作，用于将由的数据形式转换为，以适配一维卷积操作；表示对应的逆转置操作，用于将卷积处理后的特征恢复为的数据形式；表示卷积核大小为的逐通道一维卷积；

90、主路输出和旁路输出按照通道维进行拼接：

91、

92、再将拼接后的特征经过通道混洗操作，以打破主路通道和旁路通道之间的固定排列关系：

93、

94、随后，通道混洗后的特征依次经过归一化和一维卷积融合，得到融合特征：

95、

96、其中，表示卷积核大小为1的一维卷积融合操作，表示融合特征；

97、融合特征首先经残差缩放后与当前模块的输入特征进行第一次残差融合，得到中间特征；

98、

99、随后，对中间特征进行rmsnorm归一化，并沿通道维划分为两个特征子组和；

100、

101、两个特征子组分别输入相互独立的两层全连接网络；对于任一特征子组，首先通过第一全连接层映射至设定特征维度，经gelu激活和dropout处理后，再通过第二全连接层恢复至该特征子组的原始通道维度；两个子组的处理结果沿通道维重新拼接，得到：

102、

103、和为具有相同的两层全连接网络结构，但采用相互独立的网络参数；最后，将经残差缩放后与中间特征进行第二次残差融合，得到当前协同部分通道序列建模模块的输出特征；

104、

105、其中，表示第一次残差融合得到的中间特征；和表示可学习残差缩放系数；表示当前协同部分通道序列建模模块的输出特征；

106、第一协同部分通道序列建模模块的输出输入第一下采样模块；第一下采样模块用于压缩序列长度并提升通道维度；第二协同部分通道序列建模模块以第一下采样模块的输出作为输入，其基本结构与第一协同部分通道序列建模模块相同，但网络参数不共享；第二协同部分通道序列建模模块的输出输入第二下采样模块；第二下采样模块进一步压缩序列长度并提升通道维度；第三协同部分通道序列建模模块以第二下采样模块的输出作为输入，其基本结构与第一协同部分通道序列建模模块相同，网络参数不共享；经过三个协同部分通道序列建模模块和两级下采样操作后，得到最终序列特征；最终序列特征输入分类头；

107、所述分类头首先通过均方根归一化层对最终序列特征进行归一化处理；随后，通过注意力池化对不同时间位置的特征进行加权聚合；具体地，对于各时间位置的特征向量，依次通过第一全连接映射、tanh激活函数和第二全连接映射生成对应的注意力得分，并沿时间维通过softmax函数将所述注意力得分归一化为注意力权重；再利用所述注意力权重对各时间位置的特征向量进行加权求和，得到全局调制表征；

108、所述全局调制表征进一步输入mlp分类器；所述mlp分类器包括依次连接的第一全连接层、rmsnorm层、gelu激活函数、dropout层和第二全连接层，其中第一全连接层用于对全局调制表征进行特征映射，第二全连接层将特征映射为k个调制类别对应的类别得分；最后，通过softmax函数将所述k个类别得分转换为预测概率分布；

109、s4：训练识别网络模型

110、在训练识别网络模型的过程中，首先对识别网络模型中的参数进行设置，设置模型的超参数，设定模型的可训练参数的初始值；

111、采用s2中的训练集样本作为识别网络模型的训练数据，以各样本对应的调制方案类别标签作为监督信号；识别网络模型根据输入样本输出对应于24类调制方案的类别得分，并根据所述类别得分获得各调制类别对应的预测概率；对于一个批次的训练样本，采用交叉熵损失函数计算模型预测结果与真实类别标签之间的差异，其表达式为：

112、

113、其中，b表示一个批次的样本数量，表示第i个样本在第k类调制方案上的真实标签，属于k类则取值为1，否则为0；表示模型预测第i个样本属于第k类调制方案的概率；

114、根据一个批次样本对应的交叉熵损失，通过反向传播，采用adamw优化器对识别网络模型的可训练参数进行更新，完成一个批次样本的训练；将当前批次训练后得到的网络参数作为下一批次训练时的初始参数，依次对训练集中的各批次样本进行训练，当训练集中的全部批次样本完成一次训练后，完成一个训练轮次；

115、每完成一个训练轮次，将验证集样本输入当前识别网络模型，计算当前模型在验证集上的识别准确率，并将当前验证集识别准确率与此前训练轮次获得的最高验证集识别准确率进行比较；当当前验证集识别准确率高于此前最高值时，更新最高验证集识别准确率，并保存当前网络参数；随后，将当前训练轮次结束时的网络参数作为下一训练轮次的初始参数，继续进行模型训练；当达到训练终止条件时，选择验证集识别准确率最高时对应的网络参数作为最终网络参数，得到最优识别网络模型；

116、s5：自动调制识别

117、对于待识别的无线信号，首先通过正交解调或采样转换得到i/q时序信号，并按照s2中所述的数据预处理方法，由所述i/q时序信号构造对应的五通道多域表征；将所述五通道多域表征输入s4中得到的最优识别网络模型，获得该无线信号在各调制类别上的类别得分，并根据所述类别得分通过softmax函数获得对应的预测概率分布，将预测概率最大值对应的调制类别确定为该无线信号的调制识别结果。

118、与现有技术相比，本发明有益效果在于：

119、本发明自动调制识别方法在原始i/q序列基础上构造幅度特征、幅度掩蔽相位差特征和频域幅值特征，使模型能够同时利用时域幅相信息和频域分布信息，提高输入表征的判别性。该方法仅对多域输入中的i/q子通道执行残差门控动态矩阵补偿，既能够根据样本自适应修正i/q幅相关系，又避免补偿误差同步扩散到幅度、相位差和频域等辅助特征域。该方法通过多尺度卷积式patch映射在不同时间尺度上提取局部上下文特征，使后端模型获得更适合序列建模的嵌入表示，并可在一定程度上降低后续长程建模开销。该方法采用主路旁路协同的部分通道序列建模方式，主路执行频段调节和双向长程依赖建模，旁路保留局部时序细节，二者经通道融合后实现全局依赖、局部细节和计算效率之间的平衡。该方法中的频段解耦残差交叉门控模块在进入长程建模前对主路特征进行低频主干保持和高频响应调节，有利于减小低信噪比条件下噪声敏感成分对后续状态空间建模的影响。该方法在公开自动调制识别数据集上具有较好的精度效率平衡，能够用于资源受限条件下的自动调制识别应用。