基于时频Transformer模型的低轨卫星通信信号识别方法

本发明涉及低轨卫星通信信号识别方法，属于无线通信、卫星通信、深度学习领域。

背景技术：

1、低轨通信卫星(leo，low earth orbit)在现代通信领域中扮演着越来越重要的角色。随着互联网需求的飞快增长和全球联网趋势的加速推进，低轨通信卫星以其低延迟、高带宽和全球覆盖等优势，成为构建全球通信网络的重要组成部分。相比于地面通信基础设施，低轨卫星可以在地形复杂或基础设施不足的地区提供高效、可靠的通信服务，这为其在物联网(iot)、应急通信、遥感和科学研究等领域展现出广泛的应用前景。低轨卫星通信系统的复杂性和高动态性带来了信号监测与分析的挑战，由于其高速运行和频繁切换，低轨卫星需要高精度的跟踪和实时信号监测。信号的传输过程会受到多种因素的影响，包括大气衰减、多径效应、频率漂移和干扰等。因此，如何准确地监测和分析低轨卫星的通信信号，确保通信链路的稳定性和数据传输的可靠性，成为当前研究的重要课题。

2、正交频分复用(ofdm)和信号调制识别技术是低轨卫星通信中的核心技术。ofdm作为一种多载波调制技术，通过将数据流分割成多个并行的低速子载波进行传输，有效对抗多径衰落和频率选择性衰落。其在低轨卫星高速移动环境中的抗干扰能力和高频谱效率，使其成为卫星通信的理想选择。然而，ofdm信号在传输过程中，容易受到多径效应和频率漂移的影响，如何实时监测和优化ofdm信号成为研究的重点。时域、频域特征是信号数据的重要特征，在信号识别中各自扮演着重要的角色，为信号的全面理解和准确识别提供了丰富的信息。首先，时域信息描述了信号随时间的变化情况，包括信号的波形、幅度、相位等，通过对时域特征的学习可以帮助模型识别信号的时间特性，频域信息则展示了信号在不同频率上的特性，描述了信号在频率上的分布情况，包括信号的频谱分布、频率成分等。我们可以利用频域特征识别信号的频率特性，这些特征对于识别不同类型的信号起着重要的作用。因此，丰富数据的时域、频域特征对ofdm信号的识别是有意义的。

3、由于卫星通信系统中可能采用多种调制方式(如psk、qam、ask等)，准确识别接收到的信号调制方式是实现正确解调和进一步处理的前提。我们可以通过模拟多种调制类型的信号，利用自动调制识别技术通过频谱分析和特征提取，识别不同调制类型的信号，提高通信系统的灵活性和适应性。这对于应对复杂的卫星通信环境和多变的信道条件尤为重要。调制方式识别是指在有限或者没有先验信息的条件下，识别接收到的未知信号调制方式。源于现代通信技术的快速发展以及信号处理复杂度的不断提升，深度学习在信道调制识别领域有着广泛的应用前景。信号调制是无线通信系统中的关键环节，它涉及到信号的编码、调制和解调等过程，对通信质量和效率具有重要影响。传统的信号调制方式识别主要依赖于专家手动特征提取，这种方法往往存在准确性低、效率低等问题。

技术实现思路

1、本发明的目的是为了解决现有方法针对调制后的ofdm信号的调制方式的识别准确率低、效率低的问题，而提出基于时频transformer模型的低轨卫星通信信号识别方法。

2、基于时频transformer模型的低轨卫星通信信号识别方法具体过程为：

3、步骤一、获取ofdm信号数据，对ofdm信号数据进行调制，获得带标签的调制后的ofdm信号数据，将调制后的ofdm信号数据作为训练集；

4、步骤二、构建深度学习模型，将训练集作为深度学习模型的输入，分类结果作为深度学习模型的输出，对深度学习模型进行训练，直至收敛，获得训练好的深度学习模型；具体过程为：

5、步骤二一、将调制后的ofdm信号数据在时域和频域分别进行切分，得到时域矩阵et和频域矩阵ef；

6、步骤二二、对时域矩阵et和频域矩阵ef分别添加位置编码，得到矩阵zt和矩阵zf；

7、步骤二三、将矩阵zt依次输入到m层transformer encoder，最后一层transformerencoder输出矩阵rt；

8、将矩阵zf输入到transformerencoder，transformerencoder输出矩阵rf；

9、步骤二四、对矩阵rt和rf进行特征融合，得到一组包含时频特性的特征r；

10、步骤二五、将包含时频特性的特征r依次输入flatten、dropout、mlp，mlp输出特征输入dense层，dense层输出类别概率，得到分类结果；

11、步骤二六、重复执行步骤二一至步骤二五，直至收敛，获得训练好的深度学习模型；

12、步骤三、采集待测的调制后的ofdm信号数据，将待测的调制后的ofdm信号数据输入训练好的深度学习模型，训练好的深度学习模型输出分类结果。

13、本发明的有益效果为：

14、随着通信技术的不断进步，信号调制方式变得越来越复杂和多样化，传统的识别方法已经难以满足实际需求。深度学习作为一种强大的机器学习技术，具有自动学习和特征提取的能力，可以处理复杂的非线性关系，并从大量数据中提取有用的信息。因此，深度学习在信号调制领域的应用逐渐受到关注。通过将深度学习算法应用于信号调制方式识别，可以自动学习信号的特征表示并实现对不同调制方式的准确分类，减少由于人为参与而导致的大量错误。这种方法不仅提高了识别的准确性和效率，还可以适应各种复杂的通信环境和调制方式变化。transformer模型已经在自然语言处理(nlp)和计算机视觉(cv)方面表现了超越卷积神经网络的性能，因此我们考虑将其应用于信号调制识别领域中。对比于卷积神经网络利用固定大小的滤波器来捕捉局部信息的方式，注意力机制可以在不同层次上对局部感受野和全局信息进行动态调整和整合，使模型能够更好地关注与任务相关的区域，从而提高对特征的判别性。并且attention机制可以根据输入数据的特点自适应地调整注意力分布，使网络能够更好地适应不同的输入情况。这种自适应性特性使得网络能够更好地处理具有复杂结构和多样性的图像数据。通过对不同区域的重要性进行加权，注意力机制可以提高网络对关键信息的抓取和利用，从而提升了网络的性能。

15、本发明旨在探讨低轨通信卫星信号的监测与分析技术，重点关注卫星通信中ofdm信号的处理以及自动调制识别技术。通过针对ofdm信号的传输特性进行设计，基于attention机制设计高效的信号识别器，提升信号识别的可靠性和性能。这不仅有助于满足日益增长的全球通信需求，还为未来的通信技术创新提供坚实的理论基础和技术支持。

16、本发明的目的是针对低轨卫星通信信号的监测分析任务，设计一种基于时频transformer模型的ofdm信号识别器。通过模拟低轨卫星通信ofdm信号，使用transformer网络对仿真信号进行训练，捕捉数据的时频特性。最终实现对多种调制类型信号的调制识别任务。属于无线通信、卫星通信、深度学习领域。

17、本发明结合ofdm信号数据的时域以及频域特性设计了一种新的数据构造形式，使得在不影响数据的频域特性的同时，丰富数据的时域特征，此外，我们搭建了ofdm数据生成器，完成数据集的制作。

18、本发明利用attention机制对于数据的全局特征及局部特征的优秀捕捉能力，以attention机制为基础针对信号数据的时域、频域特征设计一种基于时频注意力机制的transformer模型，实现模型对数据的时域、频域特征的同步提取，让模型能够更全面地捕捉信号的复杂特性，提高模型的鲁棒性、泛化能力以及识别性能。

19、在数据构造方面，我们将不同时段的信号数据在时域间轴上进行拼接以捕捉信号在时间上的变化，这样的构造对于模型对数据的学习有以下几个优势：

20、1、可以在不改变每个ofdm信号本身的频域特性的同时，将数据的时域特性在时间轴上依次展现，进而丰富数据的时域特征。

21、2、拼接后的数据包含了信号在不同时段的频域信息，模型可以更加有效地捕捉信号随时间的变化。这有助于模型识别调制信号的动态特性，如频率的变化模式和幅度的变化趋势。

22、3、这样的拼接方式可以提高特征表示的灵活性，拼接后的数据形成了一个二维的时间-频率图，不仅提供了时间维度的信息，还结合了频域的特征、注意力机制可以灵活的在这两个维度上进行操作，通过同时分析时间和频率维度，可以更全面地捕捉信号的时变特性，从而生成更丰富和细致的特征表示，这种多维度的特征表示对于复杂信号的识别很有帮助。

23、4、通过拼接，能够更加明显地展示信号特征的变化。比如，在不同的时间段内，某些频率成分的强度可能会变化，这些变化在拼接后的频谱图中会更加显著，从而更容易捕捉到这些时变特性。

24、总之，将不同时间段的频域信号数据在时间轴上进行拼接，能够体统更加完整和详细的频谱信息，有助于捕捉信号的时变特性，提取多样的特征，可以显著提高信号调制识别的效果和准确性。

25、完成时频transformer信号识别模型的设计，完成对时频特征的提取，最终实现对信号数据的识别

26、在信号识别器方面，我们基于attention机制针对信号数据的时频特性进行改进，制作了一个基于时频transformer模型的ofdm信号识别器。attention机制能够同时关注数据的全局信息和局部细节。例如，它可以在识别调制类型时考虑整个信号的频谱特征，同时也能注意到某些关键时刻的频率成分变化。这种全局与局部信息的整合有助于提高识别的准确性。并且，attention机制会自动关注频率变化较显著的时间段，以及那些具有识别特征的频率成分，从而准确地识别出这个信号的调制类型，提高信号识别的准确性和鲁棒性。对于每个注意力头，输入数据通过线性变换生成查询、键和值向量，这些向量用于计算注意力权重。查询、键和值向量在捕捉频域数据的特征时发挥了重要作用。通过查询向量与键向量的点积运算，注意力机制计算出注意力权重，表示某个时间段的频域数据在整体识别任务中的重要性。这种匹配过程帮助识别出对调制类型有显著贡献的时间段和频率成分。

27、针对信号数据的时频特性，我们对模型网络进行设计。在将拼接好的数据输入到模型后，为了更好地提取数据的时域和频域特征，我们将分别从时域和频域两个方面模型网络进行设计对数据进行并行处理，具体步骤如下：

28、1、首先，在patch encoder的设计上，我们对同一组数据进行并行的两种方式的patch切分，在侧重提取频域特征的分支上，每个patch包含了所有时间段的数据但是频域只有几条。这种方式保留了特定频率成分在所有时间点上的变化，每个patch代表了特定频率在整个时间间轴上的变化；而在侧重提取数据的时域特征的分支上，pacth内部只有同一时间段的数据，这种方式保留了同一时间段内的多组频率成分信息，并且每个patch代表一个特定时段的多组频域分布。按照这样方式切分的两组分支就分别对时域特性以及频域特性有了不同的侧重点，这有助于注意力机制分别对数据的两种特征进行有侧重的学习。切分后的patch组将会映射到高维空间，以捕捉信号的基本特征。

29、2、其次，对于切分出来的时域patch组以及频域patch组，我们将会分别对其进行位置编码(position embedding)的添加。利用位置编码提供位置信息的特性，使得模型能够感知输入序列中元素的位置和顺序。对于时域patch组添加位置编码，每个patch内包含了特定时间段内的频域数据以及时间位置信息，有助于模型理解信号随时间的变化。对于频域patch组添加位置编码，每个patch包含了特定频率成分的时序数据及其频率位置信息，有助于模型理解信号在不同频率上的变化。

30、3、我们将得到的两组加入了位置编码的时、频数据组分别送入transformerencoder模块进行训练，利用多头注意力机制对输入的patch组进行并行处理和多头分割，对数据的特征进行有效的学习。在自注意力层中计算输入信号中每个位置与所有其他位置之间的相关性，能够突出输入信号的中的重要特征，同时抑制不重要的部分，生成加权的特征表示。每个输入位置的输出是对所有输入位置加权平均后的结果，其中权重由输入信号的相似度(相关性)决定。自注意力层对输入信号的特征进行深度提取，识别复杂的信号模式，并且通过非线性激活函数，增强模型对复杂信号的识别能力。

31、通过对时、频两组patch组的学习，可以获得多头注意力机制分别对数据的时域特性和频域特性学习到的两组特征。

32、4、我们将得到的两组特征进行特征融合，并将融合后的特征进行包括线性变换、激活函数、归一化等操作，最终完成模型的设计，实现对调制方式的识别；提高了调制后的ofdm信号的调制方式的识别准确率和效率低。

33、5、我们使用模型对制作出来的数据集进行训练，通过训练，我们的模型在对于这种时频数据的精度可以达到93％。