信号调制类型的识别方法及装置与流程

1.本发明涉及数字信号技术领域，尤其涉及一种信号调制类型的识别方法及装置。


背景技术：

2.近些年来，随着通信技术与高性能计算技术的快速发展，数字信号调制类型越来越多、越来越复杂，以适应日益增长的通信有效性和可靠性的需求。
3.传统的基于特征提取的数字信号调制类型识别方法存在以下缺陷：
4.(1)非常依赖于特征参数的人工提取；
5.(2)其分类器的性能也大大限制该方法的准确率。
6.因此，如何快速准确的识别数字信号的调制类型是目前业界亟待解决的重要课题。


技术实现要素：

7.本发明提供一种信号调制类型的识别方法、装置、设备及存储介质，用以解决现有技术中不能准确快速的识别数字信号的调制类型的缺陷，实现快速准确的识别数字信号的调制类型。
8.第一方面，本发明提供一种信号调制类型的识别方法，包括：
9.获取待识别信号；
10.确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
11.对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
12.根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
13.可选地，根据本发明的信号调制类型的识别方法，所述获取待识别信号，包括：
14.通过多天线分集接收多径衰落射频信号；
15.对所述多径衰落射频信号进行信号处理，得到多个复基带信号；
16.对所述多个复基带信号进行能量归一化处理，得到归一化后的复基带信号，所述归一化后的复基带信号为所述待识别信号。
17.可选地，根据本发明的信号调制类型的识别方法，所述确定所述待识别信号的时域空间卷积特征，包括：
18.对所述待识别信号进行设定处理，得到所述待识别信号的时域空间卷积特征；
19.其中，所述设定处理包括以下一项或多项：
20.补零操作；
21.卷积操作；
22.池化操作；
23.展平操作；
24.全连接操作。
25.可选地，根据本发明的信号调制类型的识别方法，所述待识别信号的高阶累积量特征包括所述待识别信号的所需阶数和/或所需共轭参数的高阶累积量。
26.可选地，根据本发明的信号调制类型的识别方法，所述对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，包括：
27.确定用于融合处理的多维度融合网络模型；
28.将所述时域空间卷积特征和所述高阶累积量特征输入所述多维度融合网络模型，所述多维度融合网络模型的输出结果为所述待识别信号的融合特征。
29.可选地，根据本发明的信号调制类型的识别方法，所述根据所述待识别信号的融合特征识别所述待识别信号的调制类型，包括：
30.确定用于识别信号的调制类型的分类网络模型；
31.将所述待识别信号的融合特征输入所述分类网络模型，所述多分类网络模型的输出结果为所述待识别信号的调制类型。
32.第二方面，本发明还提供一种信号调制类型的识别装置，包括：
33.获取单元，用于获取待识别信号；
34.确定单元，用于确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
35.融合单元，用于对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
36.识别单元，用于根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
37.第三方面，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程序时实现如上述第一方面任一种所述信号调制类型的识别方法的步骤。
38.第四方面，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第一方面任一种所述信号调制类型的识别方法的步骤。
39.第五方面，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第一方面任一种所述信号调制类型的识别方法的步骤。
40.本发明提供的信号调制类型的识别方法，通过确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征，对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征，根据所述待识别信号的融合特征识别所述待识别信号的调制类型，能够快速准确的识别数字信号调制类型。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明提供的信号调制类型的识别方法的流程示意图之一；
43.图2是本发明提供的信号调制类型的识别方法的流程示意图之二；
44.图3是本发明提供的信号调制类型的识别方法的识别准确率在五径莱斯分布(rician)信道下的对比图；
45.图4是本发明提供的信号调制类型的识别装置的结构示意图；
46.图5是本发明提供的电子设备的结构示意图。
具体实施方式
47.本发明中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
48.本发明中术语“多个”是指两个或两个以上，其它量词与之类似。
49.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.下面结合图1-图3描述本发明的信号调制类型的识别方法。
51.图1是本发明提供的信号调制类型的识别方法的流程示意图之一，如图1所示，本发明提供的信号调制类型的识别方法可以用于多径衰落信道场景下识别信号的调制类型，该信号调制类型的识别方法包括：
52.步骤101、获取待识别信号。
53.具体地，待识别信号的调制类型可以是相移键控(phase-shift keying，psk)类信号，也可以是正交振幅调制(quadrature amplitude modulation，qam)类信号，也可以是频移键控(frequency-shift keying，fsk)类信号，在此不对待识别信号的调制类型作具体限定。获取到各种调制类型的待识别信号，应用到本发明的信号调制类型的识别方法，可以识别出待识别信号的调制类型。
54.步骤102、确定待识别信号的时域空间卷积特征和待识别信号的高阶累积量特征。
55.具体地，根据获取到的待识别信号分别确定待识别信号的时域空间卷积特征和待识别信号的高阶累积量特征，在此不对确定待识别信号的时域空间卷积特征和确定待识别信号的高阶累积量特征的执行顺序作具体限定，两者可以同时执行，也可以依次执行。
56.步骤103、对时域空间卷积特征和高阶累积量特征进行融合处理，得到待识别信号的融合特征。
57.具体地，将待识别信号的时域空间卷积特征和待识别信号的高阶累积量特征作为两个参数，输入至预训练的融合模型中，融合模型输出的数据就是待识别信号的时域空间卷积特征和待识别信号的高阶累积量特征融合后的特征，即是待识别信号的融合特征。在此不对融合模型的训练方法作具体限定，训练方法可以是线性加权融合法，也可以是交叉融合法，优选特征融合法。
58.步骤104、根据待识别信号的融合特征识别待识别信号的调制类型。
59.具体地，将待识别信号的融合特征输入至预训练的识别模型中，分析识别模型输出的数据，得出结果，识别出待识别信号的调制类型。
60.由上述实施例可见，本发明提供的信号调制类型的识别方法，通过确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征，对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征，根据所述待识别信号的融合特征识别所述待识别信号的调制类型，能够快速准确的识别数字信号调制类型。
61.可选地，所述获取待识别信号，包括：
62.通过多天线分集接收多径衰落射频信号；
63.对所述多径衰落射频信号进行信号处理，得到多个复基带信号；
64.对所述多个复基带信号进行能量归一化处理，得到归一化后的复基带信号，所述归一化后的复基带信号为所述待识别信号。
65.具体地，通过多天线分集接收多径衰落射频信号时，约束各天线间距不能过小，否则会影响这两根天线所接收信号的独立性，进而影响分集接收对调制类型识别的增益，约束为：
66.d
ant
＞δd
67.其中，d
ant
为天线间距，δd最好为10倍当前频段电磁波波长。
68.对接收到的多径衰落射频信号进行处理，得到多个复基带信号，处理方式为下列方式中的一项或者多项：
69.射频部分处理；
70.正交下变频处理；
71.希尔伯特变换处理；
72.模拟-数字(analog-digital,ad)采样处理；
73.抽取滤波处理。
74.多个复基带信号表示成多天线分集接收下的复基带接收信号为：
[0075][0076]
其中，该矩阵形状为n
rx
×nsample
，n
sample
表示接收的复基带信号的采样点数，k表示采样点序号，n
rx
表示接收天线数量，每个接收天线接收一个复基带信号，表示n
rx
个接收天线的复基带信号，表示第n
rx
个接收天线的第k个采样点的接收符号，表示第n
rx
个接收天线的第k个采样点的接收符号的实部，表示第n
rx
个接收天线的第k个采样点的接收符号的虚部。
[0077]
对多个复基带信号进行能量归一化处理，得到归一化后的复基带信号，归一化后的复基带信号为所述待识别信号，归一化后的复基带信号为：
[0078][0079]
其中，er表示n
rx
个接收天线的复基带信号总能量，表示第n
rx
个接收天线的复基带信号能量，为：
[0080][0081]
其中，表示第n
rx
个接收天线的第k个采样点的接收符号的实部，表示第n
rx
个接收天线的第k个采样点的接收符号的虚部。
[0082]
由上述实施例可见，通过通过多天线分集接收多径衰落射频信号，并对所述多径衰落射频信号进行信号处理，得到多个复基带信号，对所述多个复基带信号进行能量归一化处理，得到归一化后的复基带信号，所述归一化后的复基带信号为所述待识别信号，减少了待识别信号的调制类型识别的噪音，提高了识别的准确率。
[0083]
可选地，所述确定所述待识别信号的时域空间卷积特征，包括：
[0084]
对所述待识别信号进行设定处理，得到所述待识别信号的时域空间卷积特征；
[0085]
其中，所述设定处理包括以下一项或多项：
[0086]
补零操作；
[0087]
卷积操作；
[0088]
池化操作；
[0089]
展平操作；
[0090]
全连接操作。
[0091]
具体地，可以将所述待识别信号输入至预训练的深度学习卷积神经网络模型，输入规模为n
rx
×2×nsample
，可以经过补零操作、卷积操作、池化操作、展平操作和全连接操作中的一项或多项操作，得到待识别信号的时域空间卷积特征为：
[0092][0093]
其中，表示待识别信号的时域空间卷积特征，f
cnn
′
表示深度学习卷积神经网络函数，表示归一化后的复基带信号，w表示深度学习卷积神经网络模型中卷积核等通过深度学习训练方法得到的参数，θ表示深度学习卷积神经网络模型训练时所使用的超参数，f
l-1
表示深度学习卷积神经网络模型第l-1层卷积函数，l为深度学习卷积神经网络模型的层数。
[0094]
由上述实施例可见，通过对待识别信号进行补零操作、卷积操作、池化操作、展平操作和全连接操作中的一项或多项操作，得到待识别信号的时域空间卷积特征，减少了待识别信号的调制类型识别的噪音，提高了识别的准确率。
[0095]
可选地，所述待识别信号的高阶累积量特征包括所述待识别信号的所需阶数和/或所需共轭参数的高阶累积量。
[0096]
具体地，待识别信号的高阶累积量特征包括所述待识别信号的所需阶数和/或所需共轭参数的高阶累积量，表示为：
[0097][0098]
其中，表示待识别信号的高阶累积量特征，cum表示高阶累积量特征计算函数，表示归一化后的复基带信号。
[0099]
由上述实施例可见，待识别信号的高阶累积量特征包括所述待识别信号的所需阶数和/或所需共轭参数的高阶累积量，减少了待识别信号的调制类型识别的噪音，提高了识别的准确率。
[0100]
可选地，所述对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，包括：
[0101]
确定用于融合处理的多维度融合网络模型；
[0102]
将所述时域空间卷积特征和所述高阶累积量特征输入所述多维度融合网络模型，所述多维度融合网络模型的输出结果为所述待识别信号的融合特征。
[0103]
具体地，确定用于融合处理的多维度融合网络模型，多维度融合网络模型是预训练好的，将所述时域空间卷积特征和所述高阶累积量特征输入所述多维度融合网络模型，所述多维度融合网络模型的输出结果为所述待识别信号的融合特征，表示为：
[0104][0105]
其中，表示待识别信号的融合特征，表示时域空间卷积特征和高阶累积量特征的融合函数，表示待识别信号的时域空间卷积特征，表示待识别信号的高阶累积量特征。
[0106]
由上述实施例可见，根据确定的用于融合处理的多维度融合网络模型，可以快速的获取待识别信号的融合特征，提高了待识别信号的调制类型识别的效率。
[0107]
可选地，所述根据所述待识别信号的融合特征识别所述待识别信号的调制类型，包括：
[0108]
确定用于识别信号的调制类型的分类网络模型；
[0109]
将所述待识别信号的融合特征输入所述分类网络模型，所述多分类网络模型的输出结果为所述待识别信号的调制类型。
[0110]
具体地，确定用于识别信号的调制类型的分类网络模型，分类网络模型是预训练好的，将所述待识别信号的融合特征输入所述分类网络模型，所述多分类网络模型的输出结果为所述待识别信号的调制类型，表示为：
[0111][0112]
其中，表示调制类型识别结果，argmax表示最大值自变量点集，f
softmax
表示全连接网络函数，w表示分类网络中各神经元的权重，表示待识别信号的融合特征，b表示偏置。
[0113]
由上述实施例可见，根据确定的用于识别信号的调制类型的分类网络模型，可以快速的识别待识别信号的调制类型，提高了待识别信号的调制类型识别的效率。
[0114]
图2是本发明提供的信号调制类型的识别方法的流程示意图之二，如图2所示：
[0115]
(1)通过多天线分集接收多径衰落射频信号。
[0116]
(2)将接收到的多径衰落射频信号进行预处理，预处理后的信号就是待识别信号。
[0117]
(3)通过设定处理确定待识别信号的时域空间卷积特征；通过高阶累积量确定待识别信号的高阶累积量特征。
[0118]
(4)将待识别信号的时域空间卷积特征和待识别信号的高阶累积量特征通过多维度融合网络模型进行融合，得到待识别信号的融合特征。
[0119]
(5)通过分类网络模型得到识别结果。
[0120]
图3是本发明提供的信号调制类型的识别方法的识别准确率在五径莱斯分布(rician)信道下的对比图，如图3所示，并通过控制变量分别与未使用多天线分集接收技术(即单接收天线)、分集接收等增益合并以及未使用高阶累积量特征融合方法的性能进行对比。
[0121]
图3所示的实验结果与对比说明了本发明提供的信号调制类型的识别方法调制识别准确率。在使用多天线分集接收技术后，接收天线数量从1增加4并使用等增益合并方法时，在信噪比[-20,18]全区间内，调制识别准确率显著提升，在18db高信噪比时识别率可达69.77％，相比提高4.25％。使用本发明的多维度融合网络模型融合后，与等增益合并方法相比，在信噪比[-4,18]db范围内的识别效果有所提升，在18db高信噪比时识别率分别为71.53％，相比提高1.67％，在0db信噪比时性能提升最多，识别率分别为69.89％，相比提高3.7％。使用发明所提出的多维度融合网络模型后，总体识别效果又平均提高了1.21％，在信噪比[-6,18]db范围内的识别效果有所提升，在18db高信噪比时识别率分别为72.66％，相比提高1.13％，在2db信噪比时性能提升最多，识别率分别为72.55％，相比提高2.55％。综上，使用本发明提供的信号调制类型的识别方法，与单接收天线未进行特征融合的简单卷积神经网络(convolutional neural network,cnn)法相比，在18db高信噪比下可获得7.05％的总体调制识别准确率的提升，识别率可达72.57％，本发明的信号调制类型的识别方法在多径衰落信道场景下的的信号的调制类型的识别准确率高。
[0122]
下面对本发明提供的信号调制类型的识别装置进行描述，下文描述的信号调制类型的识别装置与上文描述的信号调制类型的识别方法可相互对应参照。
[0123]
图4是本发明提供的信号调制类型的识别装置的结构示意图，如图4所示，本发明的信号调制类型的识别装置包括：
[0124]
获取单元401，用于获取待识别信号；
[0125]
确定单元402，用于确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
[0126]
融合单元403，用于对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
[0127]
识别单元404，用于根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
[0128]
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通
信。处理器510可以调用存储器530中的逻辑指令，以执行信号调制类型的识别方法，该方法包括：
[0129]
获取待识别信号；
[0130]
确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
[0131]
对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
[0132]
根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
[0133]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0134]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信号调制类型的识别方法，该方法包括：
[0135]
获取待识别信号；
[0136]
确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
[0137]
对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
[0138]
根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
[0139]
又一方面，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以执行上述各方法提供的信号调制类型的识别方法，该方法包括：
[0140]
获取待识别信号；
[0141]
确定所述待识别信号的时域空间卷积特征和所述待识别信号的高阶累积量特征；
[0142]
对所述时域空间卷积特征和所述高阶累积量特征进行融合处理，得到所述待识别信号的融合特征；
[0143]
根据所述待识别信号的融合特征识别所述待识别信号的调制类型。
[0144]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0145]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0146]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。