无线信号的自动调制识别方法、装置、存储介质及设备

1.本技术实施例涉及通信技术领域，特别涉及一种无线信号的自动调制识别方法、装置、存储介质及设备。


背景技术：

2.随着5g(5
th generation，第五代移动通信系统)通讯和物联网技术的快速发展，频谱资源日益紧张，无线通信信道变得越来越复杂，调制方式也越来越多样化，这使得信息恢复之前的信号参数估计成为必不可少的重要组成部分。自动调制识别技术是一种通过自动处理方法来获取接收到的未知的无线信号的调制方式和参数的技术。传统的无线信号的自动调制识别技术主要有基于似然比的假设检验方法和基于特征提取的模式识别方法，但它们都存在局限性，并不能适应现代无线通信快速变化、调制种类繁多、需要轻量部署、快速反应的特点。
3.认知无线电可以提高频谱利用率，在完成自动调制识别的前提下，可以通过主要用户与二级用户共享频谱，信道条件更复杂，调制种类更多，对自动调制识别提出了新挑战。随着计算机硬件性能的飞速提升和大数据时代的到来，深度学习迎来了自己的热潮。无线信号的自动调制识别的任务要点与深度学习的优点不谋而合。基于深度学习的自动调制识别方法有效降低了计算复杂度，提高了模型泛化能力，增强了鲁棒性，自适应模块可以快速部署，在一定程度上优于传统方法，更符合实际运用环境，是当下自动调试识别技术的大趋势。因此，找到一种可以在混合噪声下基于深度学习的无线信号的自动调制识别方法是有必要的。


技术实现要素：

4.本技术实施例提供了一种无线信号的自动调制识别方法、装置、存储介质及设备，通过带有密集跳连机制和压缩激励模块的神经网络模型，能够获取低分辨率下的特征，以优化因下采样带来的信息损失，从而获得更加准确的信号相幅信息。所述技术方案如下：
5.一方面，提供了一种无线信号的自动调制识别方法，所述方法包括：
6.获取样本集，所述样本集中的样本为训练样本或测试样本，每个样本中包括无线信号、信噪比、信道信息和实际调制类型；
7.将所述样本集输入创建的神经网络模型中，所述神经网络模型中包括依次连接的第一卷积层、核心层、第二卷积层和全连接层，所述核心层中包括密集跳连机制和压缩激励机制；
8.对于每个样本，利用所述第一卷积层对所述样本进行特征提取和降维，得到第一特征图；利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；利用所述第二卷积层对所述第二特征图进行降维，得到第三特征图；利用所述全连接层对所述第三特征图进行分类，得到所述无线信号的预测调制类型；根
据所述预测调制类型和所述实际调制类型调整所述神经网络模型的模型参数，得到训练好的神经网络模型。
9.在一种可能的实现方式中，所述核心层中包括编码节点、中间节点和译码节点，则所述利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图，包括：
10.利用不同层的所述编码节点对所述第一特征图进行不同深度的下采样；
11.利用所述中间节点对本层的编码节点的下采样结果和下层的编码节点或中间节点的上采样结果进行融合；或者，利用所述中间节点对本层的编码节点的下采样结果、本层的在前中间节点的融合结果和下层的中间节点的上采样结果进行融合；
12.利用所述译码节点对本层的编码节点的下采样结果进行上采样、压缩激励和通道对齐，或者，利用所述译码节点对本层的编码节点的下采样结果、本层的在前中间节点的融合结果和下层的译码节点的融合结果进行上采样、特征融合、压缩激励和通道对齐。
13.在一种可能的实现方式中，当所述核心层为三层结构时，所述核心层中包括三个编码节点、三个中间节点和三个译码节点，则所述利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图，包括：
14.第一层的编码节点对所述第一特征图进行下采样，将第一个下采样结果分别发送给第二层的编码节点、第一层的第一个中间节点、第一层的第二个中间节点和第一层的译码节点；第二层的编码节点对所述第一个下采样结果再次进行下采样，将第二个下采样结果分别发送给第三层的编码节点、第二层的中间节点和第二层的译码节点，并将所述第二个下采样结果的上采样结果发送给所述第一层的第一个中间节点；第三层的编码节点对所述第二个下采样结果再次进行下采样，将第三个下采样结果发送给第三层的译码节点，并将所述第三个下采样结果的上采样结果发送给所述第二层的中间节点；
15.所述第二层的中间节点对所述第二个下采样结果和所述第三个下采样结果的上采样结果进行特征融合和上采样后，发送给所述第一层的第二个中间节点；所述第二层的中间节点对所述第二个下采样结果和所述第三个下采样结果的上采样结果进行特征融合后，发送给所述第二层的译码节点；所述第一层的第一个中间节点对所述第一个下采样结果和所述第二个下采样结果的上采样结果进行特征融合后，发送给所述第一层的第二个中间节点；所述第一层的第二个中间节点对所述第一个下采样结果、所述第一层的第一个中间节点发送的融合结果和所述第二层的中间节点发送的上采样结果进行特征融合后，发送给所述第一层的译码节点；
16.所述第三层的译码节点将所述第三个下采样结果的上采样结果发送给所述第二层的译码节点，所述第二层的译码节点对所述第二个下采样结果、所述第二层的中间节点发送的融合结果和所述第三层的译码节点发送的上采样结果进行特征融合后，经过所述压缩激励机制处理后发送给所述第一层的译码节点，所述第一层的译码节点对所述第一个下采样结果、所述第一层的第一中间节点和第二中间节点发送的融合结果和所述第二层的译码节点发送的上采样结果进行特征融合后，经过所述压缩激励机制处理后发送给所述第二卷积层。
17.在一种可能的实现方式中，所述压缩激励机制中包括全局池化层、第一全连接层、relu函数、第二全连接层、sigmod激活函数和scale缩放函数，则所述利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图，包括：
18.利用所述全局池化层对所述融合后的特征图进行降维；
19.利用所述第一全连接层、所述relu函数和所述第二全连接层形成瓶颈，利用所述瓶颈对降维后的特征图进行激励，得到每个通道的数值；
20.利用所述sigmod激活函数对每个通道的数值进行归一化；
21.利用所述scale缩放函数对所述融合后的特征图和对应的通道归一化后的数值进行乘法加权，得到所述第二特征图。
22.在一种可能的实现方式中，所述样本集为无线电深度学习数据集2018.10a版本，所述数据集中包含24种调制类型和26个信噪比值，每种调制类型在每个信噪比值下包含4096条双通道iq数据，且每条数据中包含2
×
1024个样本，其中，所述26个信噪比值是以2db为间隔从[-20db，30db]区间中提取到的。
[0023]
一方面，提供了一种无线信号的自动调制识别方法，用于如上所述的神经网络模型中，所述方法包括：
[0024]
获取输入数据，所述输入数据包括待识别的无线信号、所述无线信号的信噪比和信道信息；
[0025]
利用所述第一卷积层对所述输入数据进行特征提取和降维，得到第一特征图；
[0026]
利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；
[0027]
利用所述第二卷积层对所述第二特征图进行降维，得到第三特征图；
[0028]
利用所述全连接层对所述第三特征图进行分类，得到所述无线信号的调制类型。
[0029]
一方面，提供了一种无线信号的自动调制识别装置，所述装置包括：
[0030]
第一获取模块，用于获取样本集，所述样本集中的样本为训练样本或测试样本，每个样本中包括无线信号、信噪比、信道信息和实际调制类型；
[0031]
输入模块，用于将所述样本集输入创建的神经网络模型中，所述神经网络模型中包括依次连接的第一卷积层、核心层、第二卷积层和全连接层，所述核心层中包括密集跳连机制和压缩激励
[0032]
机制；
[0033]
训练模块，用于对于每个样本，利用所述第一卷积层对所述样本进行特征提取和降维，得到第一特征图；利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；利用所述第二卷积层对所述第二特征图进行降维，得到第三特征图；利用所述全连接层对所述第三特征图进行分类，得到所述无线信号的预测调制类型；根据所述预测调制类型和所述实际调制类型调整所述神经网络模型的模型参数，得到训练好的神经网络模型。
[0034]
一方面，提供了一种无线信号的自动调制识别装置，用于如上所述的神经网络模
型中，所述装置包括：
[0035]
第二获取模块，用于获取输入数据，所述输入数据包括待识别的无线信号、所述无线信号的信噪比和信道信息；
[0036]
识别模块，用于利用所述第一卷积层对所述输入数据进行特征提取和降维，得到第一特征图；
[0037]
所述识别模块，还用于利用所述密集跳连机制对所述第一特征图生成不同分辨率的特征图并进行融合，利用所述压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；
[0038]
所述识别模块，还用于利用所述第二卷积层对所述第二特征图进行降维，得到第三特征图；
[0039]
所述识别模块，还用于利用所述全连接层对所述第三特征图进行分类，得到所述无线信号的调制类型。
[0040]
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的无线信号的自动调制识别方法。
[0041]
一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的无线信号的自动调制识别方法。
[0042]
本技术实施例提供的技术方案的有益效果至少包括：
[0043]
由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本技术提出的密集跳连机制，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失；引入重新设计的压缩激励机制，将其部署到核心层译码节点部分，通过自适应注意机制重新标定每个通道的权重，迫使网络从特征图中学习各通道的重要性，通过在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准；同时，采用交叉熵损失函数并结合softmax函数分类器，更好的衡量估计值与真实值之间的差异，重构更准确的信号值，提高模型训练的准确度。
[0044]
由于样本集是rml2018.10a(无线电深度学习数据集2018.10a版本)，其在公共数据集over the air上的分类精度最高，尤其针对高阶调制信号，该数据集在-10db到20db的信噪比(snr，signal-noise ratio)范围内优于其他信号的数据集。
附图说明
[0045]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
[0046]
图1是本技术一个实施例提供的无线信号的自动调制识别方法的方法流程图；
[0047]
图2是本技术一个实施例提供的神经网络模型的结构流程图；
[0048]
图3是本技术一个实施例提供的核心层的结构流程图；
[0049]
图4是本技术一个实施例提供的密集跳连机制的结构流程图；
[0050]
图5是本技术一个实施例提供的压缩激励机制的结构流程图；
[0051]
图6是本技术另一实施例提供的无线信号的自动调制识别方法的方法流程图；
[0052]
图7是本技术再一实施例提供的无线信号的自动调制识别装置的结构框图；
[0053]
图8是本技术再一实施例提供的无线信号的自动调制识别装置的结构框图。
具体实施方式
[0054]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
[0055]
请参考图1，其示出了本技术一个实施例提供的无线信号的自动调制识别方法的方法流程图，该无线信号的自动调制识别方法可以应用于计算机设备中。
[0056]
该无线信号的自动调制识别方法，可以包括：
[0057]
步骤101，获取样本集，该样本集中的样本为训练样本或测试样本，每个样本中包括无线信号、信噪比、信道信息和实际调制类型。
[0058]
其中，样本集为rml2018.10a(无线电深度学习数据集2018.10a版本)，又名ota，可以将样本集作为信道输入数据，以仿真无线通信环境。
[0059]
数据集中包含24种调制类型，可以分为数字调制和模拟调制两种。其中，数字调制包括：ook(二进制振幅键控)、4ask(振幅键控)、8ask、bpsk(二进制相移键控)、qpsk(四相绝对相移调制)、oqpsk(偏移四相相移键控)、8psk(副载波相移键控)、16psk、32psk、16apsk(幅相键控)、32apsk、64apsk、128apsk、16qam(正交幅度调制)、32qam、64qam、128qam、256qam、gmsk(高斯最小频移键控)；模拟调制包括fm(角度调制)、am-ssb-wc(幅度调制-载波单边带调制)、am-ssb-sc(幅度调制-抑制载波单边带调制)、am-dsb-wc(幅度调制-载波双边带调制)、am-dsb-sc(幅度调制-抑制载波双边带调制)。
[0060]
数据集中包含26个信噪比值，这26个信噪比值是以2db为间隔从[-20db，30db]区间中提取到的。这样，每种调制类型在每个信噪比值下包含4096条双通道iq数据，且每条数据中包含2
×
1024个样本。
[0061]
本实施例中，可以将数据集中的数据按照8：2的比例分割训练集和测试集，这样，训练集中包含3300条数据，测试集中包含796条数据。训练集中的训练样本用于训练神经网络模型，测试集中的测试集用于测试神经网络模型是否满足条件。不管是训练样本还是测试样本，样本中都包含无线信号、信噪比、信道信息和实际调制类型。
[0062]
需要说明的是，由于信噪比过低或过高的数据会干扰神经网络模型的训练，降低神经网络模型的泛化能力，从而降低神经网络模型的分类性能，因此，最好先利用-10db～20db的数据对神经网络模型进行训练，然后将训练后的神经网络模型应用到全信噪比数据中。
[0063]
步骤102，将样本集输入创建的神经网络模型中，该神经网络模型中包括依次连接的第一卷积层、核心层、第二卷积层和全连接层，核心层中包括密集跳连机制和压缩激励机制。
[0064]
本实施例中，可以先构建神经网络模型，再将样本集输入该神经网络模型中进行训练和测试，多次迭代并调整学习率直至网络模型达到稳定时，选取最优模型参数，保存神经网络模型。
[0065]
由于神经网络模型类似于计算机视觉中对rgb(红绿蓝)三通道图像的处理，将iq数据视为长度为1024的双通道一维数据，因此，本实施例中在神经网络模型中使用一维卷积，而不是在其他深度学习方法中广泛使用的二维卷积。本实施例中的神经网络模型包括依次连接的第一卷积层、核心层、第二卷积层和全连接层，核心层中包括密集跳连机制和压缩激励机制，如图2所示。其中，第一卷积层用于对数据进行特征提取和降低维度操作；核心层是该神经网络模型重点，包含了密集跳连机制和压缩激励机制；第二卷积层用于再次对数据进行降低维度操作；全连接层用于对数据进行分类。
[0066]
步骤103，对于每个样本，利用第一卷积层对该样本进行特征提取和降维，得到第一特征图；利用密集跳连机制对第一特征图生成不同分辨率的特征图并进行融合，利用压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；利用第二卷积层对第二特征图进行降维，得到第三特征图；利用全连接层对第三特征图进行分类，得到无线信号的预测调制类型；根据预测调制类型和实际调制类型调整神经网络模型的模型参数，得到训练好的神经网络模型。
[0067]
其中，第一卷积层和第二卷积层是类似的，形如两个残差神经网络中的残差块，每个卷积层由两个卷积核为1*3的一维卷积、两个一维标准化函数与线性整流单元relu函数构成，在上述结构的基础上，根据其用途，我们设计了三种不同的卷积模块:conv1、conv2和conv3，其卷积核分别为1*1、3*1、3*2，这三个卷积核的目的分别是通道对齐、提取特征信息、降维。
[0068]
激活函数整流线性单元relu函数的公式为：
[0069]
z[i]＝y＝relu(z[i])＝max(0,z[i])＝{0,z[i]《0；z[i],z[i]
…
0}
ꢀꢀꢀ
(1)
[0070]
其中：z[i]表示特征映射值，y表示经过函数激活后的值，然后放入z[i]中。
[0071]
本实施例中，可以先利用第一卷积层对样本进行通道对齐、特征提取和降维，将得到的第一特征图输出给核心层。
[0072]
核心层用来对高分辨率与低分辨率的特征图进行融合。具体的，核心层中可以包括编码节点、中间节点和译码节点。其中，利用不同层的编码节点对第一特征图进行不同深度的下采样，即每层的编码节点按照深度进行卷积操作。中间节点是对本层的编码节点的下采样结果和下层的编码节点或中间节点的上采样结果进行融合；或者，对本层的编码节点的下采样结果、本层的在前中间节点的融合结果和下层的中间节点的上采样结果进行融合，利用1*1大小的卷积核进行通道对齐。利用译码节点对本层的编码节点的下采样结果进行上采样、压缩激励和通道对齐，或者，利用译码节点对本层的编码节点的下采样结果、本层的在前中间节点的融合结果和下层的译码节点的融合结果进行上采样、特征融合、压缩激励和通道对齐，利用1*1大小的卷积核进行通道对齐。这类特征融合的方式可以更加充分的保证高分辨率与低分辨率下的各类信息，减少下采样造成的信息损失。
[0073]
在实际应用时，可以根据需求设置密集跳连机制的层数，本实施例中以核心层为三层结构为例进行说明，则核心层中包括三个编码节点、三个中间节点和三个译码节点。第一层依次包括编码节点、中间节点、中间节点和译码节点，第二层依次包括编码节点、中间节点和译码节点，第三层依次包括编码节点和译码节点，如图3所示。下面对这些节点之间的交互进行说明。
[0074]
第一层的编码节点对第一特征图进行下采样，将第一个下采样结果分别发送给第
二层的编码节点、第一层的第一个中间节点、第一层的第二个中间节点和第一层的译码节点；第二层的编码节点对第一个下采样结果再次进行下采样，将第二个下采样结果分别发送给第三层的编码节点、第二层的中间节点和第二层的译码节点，并将第二个下采样结果的上采样结果发送给第一层的第一个中间节点；第三层的编码节点对第二个下采样结果再次进行下采样，将第三个下采样结果发送给第三层的译码节点，并将第三个下采样结果的上采样结果发送给第二层的中间节点。具体的，编码节点是利用卷积核为1*3的一维卷积对第一特征图进行倍数为2的两次下采样，依次得到2个特征图，并在两次下采样的过程中将通道数变为原来的2倍，保证数据内容的不变性。
[0075]
第二层的中间节点对第二个下采样结果和第三个下采样结果的上采样结果进行特征融合和上采样后，发送给第一层的第二个中间节点；第二层的中间节点对第二个下采样结果和第三个下采样结果的上采样结果进行特征融合后，发送给第二层的译码节点；第一层的第一个中间节点对第一个下采样结果和第二个下采样结果的上采样结果进行特征融合后，发送给第一层的第二个中间节点；第一层的第二个中间节点对第一个下采样结果、第一层的第一个中间节点发送的融合结果和第二层的中间节点发送的上采样结果进行特征融合后，发送给第一层的译码节点。具体的，中间节点需要用到倍数为2倍的平均插值法进行上采样，将特征图进行扩大用来实现下一步的特征融合。第二层的中间节点是将第三层的编码节点的上采样结果与第二层的编码节点利用一维卷积的方式进行通道对齐，然后进行特征融合得到的。第一层的第一个中间节点将第二层的编码节点的上采样结果与第一层的编码节点的特征进行融合，第二个中间节点将第二层的中间节点的上采样结果、第一层的第一个中间节点和第一层的编码节点的特征进行融合。
[0076]
第三层的译码节点将第三个下采样结果的上采样结果进行压缩激励和通道对齐后发送给第二层的译码节点，第二层的译码节点对第二个下采样结果、第二层的中间节点发送的融合结果和第三层的译码节点发送的上采样结果进行特征融合后，经过压缩激励机制(fse)处理和通道对齐后发送给第一层的译码节点，第一层的译码节点对第一个下采样结果、第一层的第一中间节点和第二中间节点发送的融合结果和第二层的译码节点发送的上采样结果进行特征融合后，经过压缩激励机制处理和通道对齐后发送给第二卷积层。具体的，译码节点中引入了压缩激励机制。第三层的译码节点是将第三层的编码节点的2倍上采样得到的结果利用一维卷积进行通道对齐。第二层的译码节点是将第二层的编码节点通过1*3的一维卷积得到的结果、第二层的中间节点通过1*3的一维卷积得到的结果、第三层的译码节点经过1*3的一维卷积和2倍上采样得到的结果，三者通过1*1的卷积进行通道对齐，进行特征融合并通过压缩激励机制学习通道的重要性，赋予64个通道不同的权重。第一层的译码节点将第一层的编码节点通过1*3的一维卷积得到的结果、两个中间节点分别通过1*3的一维卷积得到的结果、第二层的译码节点经过1*3的一维卷积和2倍上采样得到的结果，三者通过1*1的卷积进行通道对齐，进行特征融合并通过压缩激励机制学习通道的重要性，赋予32个通道不同的权重；第一层的译码节点将经历过核心层的结构化输出到第二个卷积层中。
[0077]
如图4所示，若将编码节点设为x
[i,0]
，将中间节点设为x
[i,depth]
，将译码节点设为x
[i,j]
，则各个节点之间的变化方式如以下公式所示：
[0078][0079][0080][0081]
其中，x
(i，0)
表示图4中第一列中的节点，即编码节点，e(
·
)表示第一层的采样操作，n表示层数深度(depth)-1，在第一层即i＝0时，即为从第一个卷积层输出的第一特征图作为该层的输入进行下采样，当0《i《n时，为非首节点进行下采样操作，x
(3，0)
节点不再进行下采样；通过以上操作可以对第一特征图提取特征信息，在下采样的过程中要将当前节点的信息保存下来，方便后面的特征融合。
[0082]
x
(i，j)
表示图4中第二列中的节点，即中间节点，u(
·
)表示2倍的上采样操作，使该节点输出的特征图的尺寸与上一节点的列数保持一致；c(
·
)表示将上一步操作的节点和本节点所在行的前n-1-j列连接在一起，h(
·
)表示利用通道对齐的方式进行特征融合操作；同时该类节点中也要保存好当前节点的信息，以便后续的级联操作和上采样。本步骤主要是将采样过程中各类特征图的信息进行充分的保存，与未进行该操作相比具有更高的信息完整度。
[0083]
x
(i，n)
表示图4中第三列的节点，即译码节点，u(
·
)和c(
·
)与x
(i，j)
类型所在层操作一致；d(
·
)表示在上采样和级联操作之后添加压缩激励机制进行通道重要性的学习，对通道的不同重要性进行乘法加权后进入到上一层节点，然后再进行以上操作，直至输出。
[0084]
本实施例中，压缩激励机制中包括全局池化层、第一全连接层、relu函数、第二全连接层、sigmod激活函数和scale缩放函数，scale缩放函数是由1*1的一维卷积和relu函数形成的，如图5所示。具体的，利用全局池化层对融合后的特征图进行降维；利用第一全连接层、relu函数和第二全连接层形成瓶颈，利用瓶颈对降维后的特征图进行激励，得到每个通道的数值；利用sigmod激活函数对每个通道的数值进行归一化；利用scale缩放函数对融合后的特征图和对应的通道归一化后的数值进行乘法加权，得到第二特征图。
[0085]
本实施例中改进的压缩激励机制的公式如下所示：
[0086][0087]
其中，表示最终输出的带有通道重要性的第二特征图，f
scale
表示缩放函数，vc表示原始特征图，wc表示通道经过挤压激励后的权重，第一个全连接层的输出通道为c/r，两个全连接层与relu函数形成瓶颈结构，然后对特征图进行激励操作，迫使网络从特征图中学习各通道的重要性。通过sigmoid激活函数得到[0,1]之间的归一化值。最后，在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准。即，将特征融合后的结果输入到压缩激励机制中，其将每个一维特征通道转化为一个值，该值表示响应在特征通道上的全局分布，再对通道进行乘法加权，输出带有通道重要性的第二特征图到下一节点。
[0088]
本实施例中，还可以定义神经网络模型的损失函数，其估计模型的方法为交叉熵
误差与softmax函数的结合，具体公式如下所示：
[0089][0090]
其中，m为标签的个数，t[i]是实际标签的一位有效编码(one-hot)，p[i]是该标签的概率，具体公式如下所示：：
[0091][0092]
其中，z[i]表示通过relu函数激活后的特征映射。
[0093]
在训练神经网络模型时，可以根据损失值，采用自适应矩估计(adam)优化算法和反向传播机制更新神经网络模型中可训练参数的值，实现神经网络模型的学习优化过程。具体的，可以以初始学习率0.001进行神经网络模型的优化，共计迭代60次，每迭代20次下降0.1，adam需要快速收敛，训练复杂的神经网络模型时，可以需求的内存较小，适用于大数据集和高维空间，非常适用于本实施例中具有大量数据集的神经网络模型。
[0094]
在测试时，可以取出训练好的的神经网络模型，将训练模块保存的模型参数载入其网络模型中，验证各-10db到20db信道下的损失值和准确率，判断神经网络模型的性能，然后对各信道比下的调制方式进行识别，输出损失值与准确率。
[0095]
需要补充说明的是，本实施例提供的自动调制识别方法相比于当前的主流方法具有一定优势，具体如下：
[0096]
1、本方法的泛化能力比较强，具有压缩激励机制的高分辨率的神经网络在24种调制分类下的分类精度，与其他自适应调制编码神经网络模型相比，其高分辨率分类在高阶调制方法中表现较优。
[0097]
2、神经网络模型的核心层采用密集跳连机制，充分提取iq数据中的调制信息，有效融合深度、粗粒度、低分辨率的特征图与浅粒度、细粒度、高分辨率的特征图，减少下采样过程中造成的信息损失，处理后的特征通过1*1的一维卷积的方法实现通道对齐以进行特征融合。
[0098]
3、首次在自动调制识别方法中引入压缩激励机制，并加以改进，在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准，压缩激励机制通过重新校正信道维数中的原始特征来滤除重要信道，因此，信道信息可以很好地作为可训练的部分来提高神经网络模型的性能。
[0099]
综上所述，本技术实施例提供的无线信号的自动调制识别方法，由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本技术提出的密集跳连机制，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失；引入重新设计的压缩激励机制，将其部署到核心层译码节点部分，通过自适应注意机制重新标定每个通道的权重，迫使网络从特征图中学习各通道的重要性，通过在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准；同时，采用交叉熵损失函数并结合softmax函数分类器，更好的衡量估计值与真实值之间的差异，重构更准确的信号值，提高模型训练的准确度。
[0100]
由于样本集是rml2018.10a(无线电深度学习数据集2018.10a版本)，其在公共数据集over the air上的分类精度最高，尤其针对高阶调制信号，该数据集在-10db到20db的
信噪比(snr，signal-noise ratio)范围内优于其他信号的数据集。
[0101]
请参考图6，其示出了本技术一个实施例提供的无线信号的自动调制识别方法的方法流程图，该无线信号的自动调制识别方法可以应用于计算机设备中。
[0102]
该无线信号的自动调制识别方法，可以包括：
[0103]
步骤601，获取输入数据，该输入数据包括待识别的无线信号、无线信号的信噪比和信道信息。
[0104]
步骤602，利用第一卷积层对该输入数据进行特征提取和降维，得到第一特征图。
[0105]
步骤603，利用密集跳连机制对第一特征图生成不同分辨率的特征图并进行融合，利用压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图。
[0106]
步骤604，利用第二卷积层对第二特征图进行降维，得到第三特征图。
[0107]
步骤605，利用全连接层对第三特征图进行分类，得到无线信号的调制类型。
[0108]
其中，神经网络模型处理输入数据的流程，与神经网络模型处理样本的流程相同，详见上文中的描述，此处不再对处理流程进行赘述。
[0109]
综上所述，本技术实施例提供的无线信号的自动调制识别方法，由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本技术提出的密集跳连机制，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失；引入重新设计的压缩激励机制，将其部署到核心层译码节点部分，通过自适应注意机制重新标定每个通道的权重，迫使网络从特征图中学习各通道的重要性，通过在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准；同时，采用交叉熵损失函数并结合softmax函数分类器，更好的衡量估计值与真实值之间的差异，重构更准确的信号值，提高模型训练的准确度。
[0110]
请参考图7，其示出了本技术一个实施例提供的无线信号的自动调制识别装置的结构框图，该无线信号的自动调制识别装置可以应用于计算机设备中。该无线信号的自动调制识别装置，可以包括：
[0111]
第一获取模块710，用于获取样本集，样本集中的样本为训练样本或测试样本，每个样本中包括无线信号、信噪比、信道信息和实际调制类型；
[0112]
输入模块720，用于将样本集输入创建的神经网络模型中，神经网络模型中包括依次连接的第一卷积层、核心层、第二卷积层和全连接层，核心层中包括密集跳连机制和压缩激励机制；
[0113]
训练模块730，用于对于每个样本，利用第一卷积层对样本进行特征提取和降维，得到第一特征图；利用密集跳连机制对第一特征图生成不同分辨率的特征图并进行融合，利用压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；利用第二卷积层对第二特征图进行降维，得到第三特征图；利用全连接层对第三特征图进行分类，得到无线信号的预测调制类型；根据预测调制类型和实际调制类型调整神经网络模型的模型参数，得到训练好的神经网络模型。
[0114]
在一种可能的实现方式中，核心层中包括编码节点、中间节点和译码节点，则训练模块730，还用于：
[0115]
利用不同层的编码节点对第一特征图进行不同深度的下采样；
20db，30db]区间中提取到的。
[0128]
综上所述，本技术实施例提供的无线信号的自动调制识别装置，由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本技术提出的密集跳连机制，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失；引入重新设计的压缩激励机制，将其部署到核心层译码节点部分，通过自适应注意机制重新标定每个通道的权重，迫使网络从特征图中学习各通道的重要性，通过在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准；同时，采用交叉熵损失函数并结合softmax函数分类器，更好的衡量估计值与真实值之间的差异，重构更准确的信号值，提高模型训练的准确度。
[0129]
由于样本集是rml2018.10a(无线电深度学习数据集2018.10a版本)，其在公共数据集over the air上的分类精度最高，尤其针对高阶调制信号，该数据集在-10db到20db的信噪比(snr，signal-noise ratio)范围内优于其他信号的数据集。
[0130]
请参考图8，其示出了本技术一个实施例提供的无线信号的自动调制识别装置的结构框图，该无线信号的自动调制识别装置可以应用于计算机设备中。该无线信号的自动调制识别装置，可以包括：
[0131]
第二获取模块810，用于获取输入数据，输入数据包括待识别的无线信号、无线信号的信噪比和信道信息；
[0132]
识别模块820，用于利用第一卷积层对输入数据进行特征提取和降维，得到第一特征图；
[0133]
识别模块820，还用于利用密集跳连机制对第一特征图生成不同分辨率的特征图并进行融合，利用压缩激励机制在每个通道上对融合后的特征图进行乘法加权，得到在通道维数上进行校准的第二特征图；
[0134]
识别模块820，还用于利用第二卷积层对第二特征图进行降维，得到第三特征图；
[0135]
识别模块820，还用于利用全连接层对第三特征图进行分类，得到无线信号的调制类型。
[0136]
综上所述，本技术实施例提供的无线信号的自动调制识别装置，由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本技术提出的密集跳连机制，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失；引入重新设计的压缩激励机制，将其部署到核心层译码节点部分，通过自适应注意机制重新标定每个通道的权重，迫使网络从特征图中学习各通道的重要性，通过在每个通道上对特征图进行乘法加权，完成原始特征在通道维数上的重新校准；同时，采用交叉熵损失函数并结合softmax函数分类器，更好的衡量估计值与真实值之间的差异，重构更准确的信号值，提高模型训练的准确度。
[0137]
本技术一个实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的无线信号的自动调制识别方法。
[0138]
本技术一个实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的无线信号的自动调制识别方法。
[0139]
需要说明的是：上述实施例提供的无线信号的自动调制识别装置在进行无线信号的自动调制识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将无线信号的自动调制识别装置的内部机制划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的无线信号的自动调制识别装置与无线信号的自动调制识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0140]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0141]
以上所述并不用以限制本技术实施例，凡在本技术实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术实施例的保护范围之内。