一种数据知识双驱动的调制智能识别方法与流程

技术特征：
1.一种数据知识双驱动的调制智能识别方法，其特征在于，包括如下步骤：步骤（1）频谱数据采集；步骤（2）根据不同调制方式，构建对应的属性向量标签；步骤（3）根据不同调制方式的属性向量标签，构建并预训练属性学习模型；步骤（4）构建并预训练调制识别视觉模型；步骤（5）构建特征空间转换模型，结合属性学习模型和视觉模型构建数据知识双驱动的调制方式智能识别模型；步骤（6）迁移预训练视觉模型和预训练属性学习模型的参数，重训练转换模型；步骤（7）判断网络训练是否结束，若是，则执行步骤（8），若否，将训练迭代次数加一后继续重训练转换模型；步骤（8）将测试集数据输入网络；步骤（9）输出分类结果。2.根据权利要求1所述的数据知识双驱动的调制智能识别方法，其特征在于，步骤（1）频谱数据采集具体为：调制分类视为一个类假设检验问题，第次调制假设下的接收信号表示为，其中，表示第种调制方式的发射信号的第个采样点，表示第种调制方式的接收信号的第个采样点，表示均值为0，方差为的加性高斯白噪声，将接收信号表示为i/q分量组成的向量形式，，其中表示的向量形式，和分别表示信号的同相和正交分量，基于i/q信号样本，在类调制方式中做出判决。3.根据权利要求2所述的数据知识双驱动的调制智能识别方法，其特征在于，步骤（2）根据不同调制方式，构建对应的属性向量标签具体为：采用二进制相位键控、四进制相位键控、十六进制正交振幅调制和六十四进制正交振幅调制四种不同的调制方法作为识别对象，以此构建六维的属性表示向量，每个维度分别表示不同的具体含义，第一个维度表示分类目标的进制数是否为二进制，第二个维度表示分类目标的进制数是否为四进制，第三个维度表示分类目标的进制数是否为十六进制，第四个维度表示分类目标的进制数是否为六十四进制，第五个维度表示分类目标是否为相位键控，第六个维度表示分类目标是否为正交振幅调制。4.根据权利要求3所述的数据知识双驱动的调制智能识别方法，其特征在于，步骤（3）根据不同调制方式的属性向量标签，构建并预训练属性学习模型具体为：属性学习模型是对现有残差神经网络进行改造得来，残差单元由两个核大小为的卷积层构成，批量归一化层在网络的中间层对中间数据进行标准化，最后，在每个批量归一化层后面接入线性修正单元作为激活函数为网络引入非线性，残差堆叠单元由一个卷积层、两个残差单元模块和一个最大池化层顺序连接构建，卷积层和残差单元用来特征提取，最大池化层用来压缩特征以降低特征维度，训练属性学习模型时，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大时期数为50，学习率为0.001，随机梯度下降优化算法作为网络训练优化器，选用均方误差损失函数计算网络输出与真实属性标签之间的差距。5.根据权利要求4所述的数据知识双驱动的调制智能识别方法，其特征在于，构建并预
训练调制识别视觉模型具体为：视觉训练模型由一个多尺度模块、一个全局平均池化层、一个全连接层和一个分类层构成，其中多尺度模块首先利用一个核大小为，步长为2的卷积层来降低特征维度，然后利用多个具有不同核大小的卷积层学习多维度特征，最后拼接多维度特征，在全局平均池化层之后，一个带有线性修正单元激活函数的全连接层用来降低特征维度，激活函数的表达式如下，其中，表示计算括号内对象的最大值，训练视觉模型时，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大迭代次数为20，学习率为0.001，adam优化算法作为网络训练优化器，选用交叉熵损失函数计算网络输出与真实属性标签之间的差距。6.根据权利要求5所述的数据知识双驱动的调制智能识别方法，其特征在于，步骤（5）构建特征空间转换模型，结合属性学习模型和视觉模型构建数据知识双驱动的调制方式智能识别模型具体为：第一个分支为视觉编码分支，通过去除视觉模型的最后一层分类层得到 ，首先将i/q原始数据输入视觉编码分支，多尺度模块负责提取输入数据的多维度特征，全局平均池化层将多维度特征进行扁平化处理，最后全连接层输出维特征向量，第二个分支负责进行属性语义嵌入，由属性学习模型构成，输入原始数据，最后输出维属性特征向量，最后，通过转换模型将属性特征转换到视觉特征空间，转换模型由两个带有线性修正单元激活函数的全连接层构成，首先将维的属性表示向量作为输入，经过转换模型输出与视觉特征同维度的嵌入向量，转换模型的输出表示如下，其中，表示第一个全连接层的权重矩阵，表示第二个全连接层的权重矩阵，和分别表示两个全连接层后接的激活函数，用来给网络结构引入非线性。7.根据权利要求6所述的数据知识双驱动的调制智能识别方法，其特征在于，步骤（6）迁移预训练视觉模型和预训练属性学习模型的参数，重训练转换模型具体为：第一步，固定预训练视觉模型和预训练属性学习模型的网络参数，第二步，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大迭代次数为100，学习率为0.001，adam优化算法作为网络训练优化器，第三步，将训练数据分批次输入网络训练，批次大小可以调节，每个批次的训练误差反向传播从而优化网络参数，每个全连接层都有一个参数正则化损失项，两个分支的输出通过最小二乘嵌入损失来最小化嵌入输出和视觉特征输出之间的差距，损失函数表达式如下，其中，表示训练样本的数量，是两个参数正则化损失相对于嵌入损失的超参数加
权，当训练数据中所有批次的数据全部反向传播完成，即为1个训练时期。

技术总结
本发明公开了一种数据知识双驱动的调制智能识别方法，其主要解决了现有调制识别方法在低信噪比下分类准确度低、依赖大量训练样本、识别过程中高阶调制方式之间容易混淆等问题。其实现步骤是：频谱数据采集；根据不同调制方式，构建对应的属性向量标签；根据不同调制方式的属性标签构建并预训练属性学习模型；构建并预训练调制方式识别视觉模型；构建特征空间转换模型，结合视觉模型和属性学习模型构建数据知识双驱动的调制方式智能识别框架；迁移预训练视觉模型和预训练属性学习模型的参数，重训练转换模型；判断网络训练是否结束，输出分类结果。本发明显著提升了低信噪比下的识别准确度；降低了高阶调制方式之间的混淆。降低了高阶调制方式之间的混淆。降低了高阶调制方式之间的混淆。


技术研发人员：周福辉 丁锐 徐铭 张浩 袁璐 吴启晖 董超
受保护的技术使用者：南京航空航天大学
技术研发日：2022.02.10
技术公布日：2022/3/8